Retornos salariais e competências sociais

Universidade do Minho Escola de Economia e Gestão Jéssica Marina Fernandes Eiriz outubro de 2022 Retornos Salariais e Competências Sociais Jéssica Marina Fernandes Eiriz Retornos Salariais e Competências Sociais UMinho|2022 Jéssica Marina Fernandes Eiriz outubro de 2022 Retornos Salariais e Competências Sociais Trabalho efetuado sob orientação do Professor Doutor João Cerejeira e da Professora Doutora Carla Sá Dissertação de Mestrado Mestrado em Economia Universidade do Minho Escola de Economia e Gestão ii DIREITOS DE AUTOR E CONDIÇÕES DE UTILIZAÇÃO DO TRABALHO POR TERCEIROS Este é um trabalho académico que pode ser utilizado por terceiros desde que respeitadas as regras e boas práticas internacionalmente aceites, no que concerne aos direitos de autor e direitos conexos. Assim, o presente trabalho pode ser utilizado nos termos previstos na licença abaixo indicada. Caso o utilizador necessite de permissão para poder fazer um uso do trabalho em condições não previstas no licenciamento indicado, deverá contactar o autor, através do RepositóriUM da Universidade do Minho. Licença concedida aos utilizadores deste trabalho Atribuição CC BY https://creativecommons.org/licenses/by/4.0/ iii AGRADECIMENTOS Esta dissertação representa a conclusão de mais uma etapa, a mais desafiante e relevante no meu percurso académico. Por todo o apoio e motivação dados durante este trabalho, tenho de agradecer e destacar as pessoas que me ajudaram a atingir esta meta. Quero começar por fazer um agradecimento especial aos meus orientadores, Professor Doutor João Cerejeira e Professora Doutora Carla Sá, pela supervisão e apoio prestado, sempre acompanhados de conselhos e ensinamentos, e que tornaram possível a realização desta dissertação. Agradeço a dedicação, compreensão e disponibilidade que demonstraram ao longo deste trabalho, e também pela sugestão do tema deste trabalho, que se insere no âmbito de um projeto financiado por fundos nacionais através da FCT – Fundação para a Ciência e a Tecnologia, I.P., S4F – Skills for the future , com a referência PTDC/CED-EDG/29726/2017 e a designação. Aos meus pais, pelo encorajamento e apoio incondicional, que sempre acreditaram e me motivaram aos longo de todos estes anos. Por toda a paciência, compreensão e carinho que demonstraram. Obrigado por todas as oportunidades dadas, pois sem eles nada disto seria possível. Também agradeço à minha família e amigos por estarem sempre disponíveis em ajudar, e pela confiança e incentivos dados ao longo desta jornada. iv DECLARAÇÃO DE INTEGRIDADE Declaro ter atuado com integridade na elaboração do presente trabalho académico e confirmo que não recorri à prática de plágio nem a qualquer forma de utilização indevida ou falsificação de informações ou resultados em nenhuma das etapas conducente à sua elaboração. Mais declaro que conheço e que respeitei o Código de Conduta Ética da Universidade do Minho. v Retornos Salariais e Competências Sociais RESUMO Fenómenos relacionados com mudanças tecnológicas e automação têm marcado o mercado de trabalho nas últimas décadas. Estes acarretam desafios para os trabalhadores no que concerne, principalmente, aos salários e ao emprego. Destacam-se dois efeitos da automação: por um lado, há situações em que as máquinas substituem os seres humanos nas suas tarefas rotineiras, levando ao desemprego dos mesmos, já no caso das tarefas não rotineiras, a tecnologia pode complementar os trabalhadores nas suas ocupações, o que provoca um aumento nos seus retornos. As ocupações intensivas em tarefas não rotineiras envolvem conhecimento tácito, algo que é intrínseco ao ser humano, e que está fora do alcance das máquinas. As competências sociais estão assim pouco ameaçadas pela automação. Uma crescente literatura nesta matéria realça que o mercado de trabalho está a valorizar e a recompensar cada vez mais este tipo de competências (Deming, 2017a). Esta procura crescente por parte dos empregadores por competências sociais justifica os salários mais elevados dos trabalhadores que as possuem. O objetivo deste estudo é estimar os retornos salariais das competências sociais, usando dados do ESS ( European Social Survey ), especificamente do ano 2018, para Portugal. Além disso, é também pretendido fazer uma análise de comparação com a Áustria e a Letónia, dois países europeus que têm salários superiores e inferiores, respetivamente, aos de Portugal. Para isso, num primeiro momento, foram identificados índices de competências sociais. Posteriormente, estas análises foram realizadas através do método dos mínimos quadrados. Recorrendo à Análise de Componentes Principais, foram agrupadas variáveis de forma a criar índices de competências sociais. Deste método surgiram três índices: os valores, as competências de gestão e os contactos, que representam a interação social e as redes de contactos do indivíduo. Também correspondente às competências sociais estão associadas duas variáveis, as notícias e os cursos. A primeira demonstra a curiosidade do indivíduo, enquanto a variável dos cursos representa a disponibilidade em aprender e investir em formação extra, que contribui para aumentar os conhecimentos e competências, para posteriormente serem usadas em contexto de trabalho. Os retornos salariais das competências sociais em estudo variam consoante o mercado de trabalho analisado. Para Portugal, concluiu-se que as competências que estão associadas aos valores, à gestão, aos contactos e aos cursos, afetam de forma positiva o salário do indivíduo. No mercado de trabalho austríaco, os valores, as competências de gestão, as notícias e os cursos levam a maiores retornos salariais para os indivíduos. Já na Letónia, apenas competências relacionadas com a gestão e com os cursos realizados, têm impacto no salário líquido mensal. Palavras-chave: competências, competências sociais, salários vi Wage Returns and Social Skills ABSTRACT Phenomena related to technological changes and automation have marked the job market in the last decades. These pose challenges for workers with regard, mainly, to wages and employment. There are two opposing sides to the effects of automation. Machines replace human beings in their routine tasks, leading to their unemployment. In the case of non-routine tasks, technology complements workers in their occupations, which causes an increase in their returns. Intensive occupations in non-routine tasks involve tacit knowledge, something that is intrinsic to the human being, and that is beyond the reach of machines. Social skills are one of the examples that is not threatened by automation. A growing literature on this subject highlight that the labor market is increasingly valuing and rewarding this type of skills (Deming, 2017a). This growing demand by employers for social skills causes increases in the wages of workers who possess them. The objective of this study is to estimate the wage returns of social skills, using data obtained through an ESS survey, specifically from the year 2018, for Portugal. In addition, it is also intended to make a comparative analysis with Austria and Latvia, two European countries that have higher and lower wages, respectively, than Portugal. These analyzes were performed using the ordinary least squares method. Using Principal Component Analysis, variables were grouped to create indexes of social skills. Three indexes emerged from this method: values, management skills and contacts, which represent the individual's social interaction and contact networks. Also related to social skills, two variables are associated, news and courses. The first demonstrates the individual's curiosity, while the course variable represents the willingness to learn and invest in extra training, which contributes to increasing knowledge and skills to later be used in their job. The returns to the soft skills under study vary depending on the analyzed labor market. For Portugal, it was concluded that the skills that are associated with values, management, contacts and courses, positively affect the individual's wage. In the Austrian labor market, values, management skills, news and courses all show returns in the income of individuals. In Latvia, only skills related to management and courses taken have an impact on monthly net income. Keywords: skills, competencies, social skills, wages vii ÍNDICE DIREITOS DE AUTOR E CONDIÇÕES DE UTILIZAÇÃO DO TRABALHO POR TERCEIROS ........................ ii AGRADECIMENTOS ............................................................................................................................ iii DECLARAÇÃO DE INTEGRIDADE ......................................................................................................... iv RESUMO ............................................................................................................................................. v ABSTRACT ......................................................................................................................................... vi ÍNDICE .............................................................................................................................................. vii ÍNDICES DE TABELAS ........................................................................................................................ ix ÍNDICE DE GRÁFICOS ........................................................................................................................ xi LISTA DE ABREVIATURAS .................................................................................................................. xii 1. INTRODUÇÃO ................................................................................................................................. 1 2. REVISÃO DE LITERATURA ............................................................................................................... 5 2.1. DEFINIÇÃO E TIPOS DE COMPETÊNCIAS ................................................................................ 5 2.2. A TECNOLOGIA E AS COMPETÊNCIAS NO MERCADO DE TRABALHO .......................................... 7 2.3. COMPETÊNCIAS SOCIAIS ...................................................................................................... 11 3. CONTEXTO DO MERCADO DE TRABALHO EM PORTUGAL ............................................................ 13 4. DADOS ......................................................................................................................................... 19 4.1. BASE DE DADOS ................................................................................................................... 19 4.2. DESCRIÇÃO DOS DADOS ...................................................................................................... 21 4.3. ESTATÍSTICA DESCRITIVA ..................................................................................................... 23 4.3.1. PORTUGAL .................................................................................................................... 23 4.3.2. ÁUSTRIA ........................................................................................................................ 28 4.3.3. LETÓNIA ........................................................................................................................ 32 5. METODOLOGIA ............................................................................................................................ 38 5.1. ANÁLISE DE COMPONENTES PRINCIPAIS (ACP) ................................................................... 38 5.1.1. DESCRIÇÃO DA METODOLOGIA ..................................................................................... 38 5.1.2. APLICAÇÃO PRÁTICA DA ACP ........................................................................................ 40 5.1.2.1. PORTUGAL ............................................................................................................. 40 5.1.2.2. ÁUSTRIA E LETÓNIA ............................................................................................... 46 5.2. ESPECIFICAÇÃO DO MODELO ............................................................................................... 56 6. RESULTADOS EMPÍRICOS E DISCUSSÃO ..................................................................................... 58 6.1. PORTUGAL............................................................................................................................ 58 2 constantemente em evolução. Uma vez que os ganhos provenientes do mercado de trabalho são a principal fonte de rendimento para a maioria da população (Lindqvist e Vestman, 2011), as competências assumem um papel crucial para combater a incerteza futura. Estas são recursos que a força de trabalho pode adquirir e/ou desenvolver para contornar esta instabilidade, tornando-se assim fundamental que estas correspondam ao exigido pelos empregadores. As competências podem ser desenvolvidas através da educação, mas também através de formações, estágios, cursos, entre outros. Durante muito tempo vigorou o pensamento de que para ter os melhores empregos, com os maiores salários, era necessário ter as melhores notas. Num mercado de trabalho altamente qualificado como o de hoje, em que as competências são consideradas ferramentas essenciais, esta garantia de outrora não corresponde ao seu panorama total. Não bastam apenas os conhecimentos técnicos. Num mercado de trabalho altamente qualificado e competitivo, as competências dos indivíduos serão os principais diferenciais na força de trabalho. Estas constantes e rápidas mudanças tecnológicas criam uma lacuna cada vez mais evidente entre as competências necessárias no mercado de trabalho e aquelas que são oferecidas pela força de trabalho. Relacionado com esta problemática, a Comissão Europeia criou um programa, New Skills Agenda for Europe , que visa “ajudar os indivíduos e as empresas a desenvolver mais e melhores competências e a colocá-las em prática (…) isto porque a Europa só pode aproveitar as oportunidades, se os seus cidadãos desenvolverem as competências certas para os empregos” (European Commission, 2022). De acordo com a Deloitte Access Economics (2017), competências como a comunicação, a resolução de problemas e pensamento crítico são algumas das quais existe maior lacuna no mercado de trabalho. Visto que os computadores/robôs ainda continuam a não simular bem a interação humana, são as competências sociais que um indivíduo possui que proporcionarão uma vantagem comparativa face às máquinas. A literatura recente constata há uma crescente importância das competências sociais no mercado laboral. De acordo com Deming (2017a) as ocupações que exigem níveis relativamente mais altos de competências sociais foram as mais valorizadas, e a oferta de empregos que exigem competências matemáticas e sociais disparou. Dado a crescente relevância e atualidade deste tema, o presente estudo tem por objetivo estimar os retornos salariais de um conjunto de competências, com foco nas competências sociais. O principal caso de estudo será o de Portugal, porém também incidirá sobre outros dois países, um com um 3 salário mínimo superior ao português e outro que seja abaixo do mesmo, e por isso, a escolha recaiu sob a Áustria e a Letónia, respetivamente. Além do critério do rendimento, também foram tidos em contra outros fatores. Selecionaram-se países de dimensão pequena/média à escala europeia, e também de diferentes regiões. Enquanto Portugal pertence à Europa Ocidental, a Áustria está situada na Europa Central e a Letónia na Europa de Leste. São estas diferenças macrorregionais que permitem testar a validade externa dos resultados encontrados. Uma vez que as competências estão ajustadas às perspetivas e expetativas dos empregadores, e existem diferenças entre os três países (quer a nível socioeconómico, cultural, político, entre outras), esta comparação servirá para analisar com maior pormenor se a força de trabalho de cada país é recompensada pelo mesmo tipo de competências e quais as diferenças de rendimento entre os diferentes mercados de trabalho. Para este estudo foram usados valores, competências de gestão, contactos (representando a interação social do indivíduo), notícias (associado à curiosidade) e cursos (em que o indivíduo aposta na sua formação, para estar em constante aprendizagem, de forma a acompanhar as exigências do mercado de trabalho) para representar vários subtipos de competências sociais. Em Portugal, competências sociais associadas aos valores, à gestão e aos contactos, estão associadas a aumentos no rendimento líquido mensal do indivíduo, entre 2,12% e 3,87%, em média. Já quem frequenta cursos com o objetivo de aumentar o seu conhecimento e competências ganha, em média, 11,08% a mais do que os que não apostam em formação extra. No caso da Áustria, o seu mercado de trabalho recompensa competências sociais relacionadas com a gestão, os contactos, as notícias e os cursos. Constatou-se que para competências de gestão, registou-se um aumento no salário do indivíduo de, em média, 2,21%; já para a interação social, representada pela variável contactos, houve em média, um incremento de 1,63% no seu rendimento líquido mensal. A curiosidade do indivíduo e a sua vontade em aprender, são também competências recompensadas no mercado de trabalho austríaco. Os indivíduos que assistem a notícias assistem a um crescimento no seu salário, em média, de 0,05%. Já quem investe em cursos para aumentar os seus conhecimentos, em média, regista um salário 16,58% superior face aos que não apostam em formações. Para a Letónia, existem menos competências sociais que têm impacto no rendimento líquido mensal do indivíduo. Para as competências de gestão verificou-se que existe um aumento de, em média, 1,29% no rendimento do indivíduo. Além disso, os que demonstram vontade em aprender e 4 investem em formação extra, em média, auferem um salário 26,26% maior do que aqueles que não frequentam nenhum curso. Este estudo está estruturado da seguinte forma: a Secção 2 é dedicada à revisão de literatura. A Secção 3 descreve o contexto do mercado de trabalho em Portugal. A Secção 4 contém os dados e sumariza as estatísticas descritivas das variáveis. Na Secção 5 apresenta a discussão dos conteúdos econométricos, bem como do modelo. Na Secção 6 são apresentados os resultados empíricos e a sua discussão. Finalmente, a Secção 7 conclui com algumas considerações finais. 5 2. REVISÃO DE LITERATURA Como foi realçado anteriormente, as megatendências como a globalização, o progresso tecnológico e técnico estão a impactar fortemente o mercado laboral. Um dos focos deste estudo são as competências, e por isso torna-se essencial começar por analisar o seu conceito e a sua relevância. Em seguida, analisa-se a relação da tecnologia com as competências no mercado de trabalho, com atenção para os seus efeitos nos salários e, por ligação, também se analisa o impacto no emprego. Por fim, dá-se especial atenção a estudos que envolvem as competências socias e os seus retornos. 2.1. DEFINIÇÃO E TIPOS DE COMPETÊNCIAS Com a constante evolução tecnológica e globalização, torna-se fulcral a força de trabalho adaptar-se às necessidades e exigências do mercado de trabalho, adquirir novos conhecimentos e competências. Ao longo do tempo, o conceito de competências tem evoluído, sendo que atualmente ainda não existe um consenso quanto à sua definição. Segundo a OECD (2005: 4), uma “competência é mais do que apenas conhecimento e skills . Envolve a capacidade de atender procuras complexas, ao usar e mobilizar recursos psicossociais (incluindo skills e atitudes) num contexto particular. Por exemplo, a capacidade de se comunicar efetivamente é uma competência que se pode basear no conhecimento de linguagem de um indivíduo, skills práticas de IT e atitudes em relação àqueles com quem ele ou ela se está a comunicar”. Assim como para a definição de competências, também não existe um conceito assentido para o vocábulo skills. Em termos económicos, estas estão relacionadas com capital humano, em que incluem “qualidades pessoais que podem produzir valor no trabalho” (Green, 2013: 25), tornado os trabalhadores mais produtivos. Para Green (2013: 10), as skills são “produtivas (i.e., o uso de skills no trabalho produz valor), expansíveis (i.e., as skills podem ser melhoradas através de treino e desenvolvimento), e sociais (i.e., determinadas socialmente)”. Em inglês é muito comum usar os termos skills e competences ou competencies de forma intercambiável. Existem estudos que tratam estes termos como substitutos perfeitos (Brunello e Schlotter, 2010), e tal também será aplicado neste trabalho. É importante realçar que as competências se conseguem desenvolver ao longo do tempo, podendo ser moldadas e mudadas ao longo da vida, com a idade e com a educação do indivíduo (Kautz et al. , 2014). Já as terminologias “habilidades” e “traços” remetem à ideia de que são inatas e que não se alteram durante a vida do indivíduo (Heckman e Kautz, 2013). 6 As competências surgem como intermediárias na relação entre os investimentos em educação e os ganhos no mercado de trabalho (Cunha et al ., 2010). Da perspetiva da teoria do capital humano 2 , os indivíduos investem em educação, de forma a aumentar o nível de conhecimento e competências que possuem, com o foco de posteriormente obterem maiores retornos no mercado laboral (Winters, 2013). Este aumento dos níveis de conhecimento e competências faz com que os trabalhadores possam “gerar e adotar novas ideias que estimulem a inovação e o progresso tecnológico”, aumentando a sua produtividade no trabalho, o que consequentemente leva a aumentos salariais (Hampf et al ., 2017: 1). A variação de rendimento depende também do tipo e da quantidade de competências possuídas pelo indivíduo e dos retornos que elas possuem no mercado de trabalho. Na literatura surgem essencialmente duas abordagens para explicar e estimar os seus resultados. A mais antiga, baseada nas competências cognitivas, e a que ultimamente tem ganho mais destaque na literatura, assente nas competências não cognitivas. As competências cognitivas são normalmente identificadas pela inteligência e pelo conhecimento intelectual. Podem ser medidas através do QI e por testes, por exemplo, através da nota obtida no teste de matemática. As competências não cognitivas são referentes a atitudes específicas do indivíduo que “não são medidas pelo QI ou testes de desempenho” (Deming, 2017b). Estas incluem competências sociais, persistência, motivação e liderança (Brunello e Schlotter, 2010; Brunello e Schlotter, 2011). De realçar que são competências difíceis de medir e por isso, os estudos são menos confiáveis e precisos (Borghans et al ., 2008). Inicialmente, de acordo com Herrstein e Murray (1994), citado por Brunello e Schlotter (2011), as competências cognitivas eram os determinantes mais importantes para o sucesso no mercado de trabalho. Porém, mais recentemente, surgiram estudos que discordavam deste ponto de vista, ao apontar que a cognição prevê apenas uma pequena parte do sucesso no mercado de trabalho (Heckman e Kautz, 2013). Neste contexto, as competências não cognitivas surgem como sendo igualmente ou ainda mais importantes que a cognição em determinar os ganhos e o sucesso laboral (Brunello e Schlotter, 2011). Um dos exemplos é o trabalho de Lindqvist e Westman (2011), que usaram dados do alistamento militar sueco, de forma a analisarem os retornos das competências cognitivas e não cognitivas. Os seus resultados evidenciam que ambos os tipos de competências são fortes determinantes para o 2 Para a revisão de literatura aprofundada sobre este tema ver Becker (1964) e Mincer (1974) 7 sucesso no mercado de trabalho, quer para os salários quer para os rendimentos médios dos trabalhadores. As competências cognitivas preveem um aumento nos salários de 8,9% e as não cognitivas um aumento de 6,9%. Quanto aos ganhos, as competências não cognitivas influenciam os retornos dos trabalhadores menos qualificados, os que se encontram na extremidade inferior da distribuição de rendimento, enquanto as competências cognitivas são mais importantes para os ganhos acima da mediana. Assim, constata-se que ambos os tipos de competências influenciam positivamente o mercado laboral, mas com impacto distinto. As competências cognitivas são melhores preditores de salários e apresentam maiores retornos para trabalhadores qualificados. Já as não cognitivas apresentam maiores retornos para os gestores e trabalhadores de ocupações não qualificadas, e influenciam mais fortemente os rendimentos dos trabalhadores menos qualificados. 2.2. A TECNOLOGIA E AS COMPETÊNCIAS NO MERCADO DE TRABALHO O mercado de trabalho atual está em constante transformação, sobretudo devido ao processo de automação, o que provoca efeitos no emprego e nos salários dos indivíduos. A automação refere-se ao desenvolvimento e adoção de novas tecnologias que possibilita que, em diversas tarefas, o trabalho substitua o capital (Acemoglu e Restrepo, 2019). Formou-se um debate com dois pontos de vista relativamente ao futuro das profissões (Susskind e Susskind, 2018). Os pessimistas defendem que a “automação é um prenúncio de desemprego generalizado” (Acemoglu e Restrepo, 2019: 3), porque as máquinas são capazes de executar tarefas sozinhas, e com os rápidos avanços tecnológicos, irão assumir progressivamente uma maior gama de tarefas, acabando por substituir os profissionais destas ocupações. Do lado otimista, os seus defensores argumentam que a tecnologia irá complementar as tarefas realizadas pelos seres humanos, otimizando os seus métodos tradicionais. Tal como aconteceu anteriormente, este processo tecnológico irá aumentar a procura por mão de mão, o que consequentemente, levará a aumentos no emprego e nos salários (Acemoglu e Restrepo, 2019). Os efeitos desempenhados pela tecnologia no mercado de trabalho, especialmente nos empregos e salários, são analisados através de duas hipóteses, a hipótese Skill Biased Technical Change (SBTC) e Routine Biased Technical Change (RBTC). Na literatura estas abordagens são usadas sobretudo como explicação da polarização do emprego e da desigualdade da distribuição de salários. Na segunda metade do século XX, verificou-se que o avanço tecnológico não beneficiava os trabalhadores equitativamente, no caso, os que tinham maiores níveis académicos eram os mais 8 favorecidos. De acordo com a hipótese SBTC, o efeito da tecnologia no mercado de trabalho está relacionado com as caraterísticas da força de trabalho, especificamente, se os trabalhadores possuem altas ou baixas qualificações 3 , que geralmente estão relacionadas com o seu nível de escolaridade. Trabalhadores mais qualificados são mais capazes de aprenderem novas tecnologias e fazem proveito destas como complemento na realização das suas tarefas (Card e DiNardo, 2002). Katz e Murphy (1992), ao analisarem a desigualdade salarial no mercado de trabalho dos EUA, tornaram-se uns dos pioneiros a encontrar evidências de que as novas tecnologias favorecem os trabalhadores qualificados em detrimento dos que não são qualificados. Esta vantagem sobre os trabalhadores menos qualificados, leva a uma maior produtividade e provoca uma crescente procura por trabalhadores com essas caraterísticas, qualificados e escolarizados (Katz e Murphy, 1992), o que consequentemente se traduz em maiores retornos no mercado de trabalho. Esta lacuna entre as qualificações de trabalhadores leva a uma discrepância salarial pois é expetável que os prémios salariais continuem a aumentar. Esta lacuna pode persistir e até aumentar, no caso de o aumento da escolaridade não acompanhar a corrida com a tecnologia (Goldin e Katz, 2007). A partir de 1980, surge um novo fenómeno no mercado de trabalho, a polarização. Esta leva a que o “valor e número de salários aumente para os que estão nas extremidades da escala, (mas) para os que estão no meio, os valores diminuem” (Susskind, 2020: 42). A hipótese SBTC não é capaz de explicar esta e outras tendências que ocorreram no mercado laboral, como a polarização do trabalho, pelo facto de apenas classificar os trabalhadores em altas ou com baixas qualificações. Para compreender estes fenómenos, surgiu uma nova abordagem, centrada no nível de rotina das tarefas ocupacionais, e não nas qualificações dos trabalhadores. A hipótese RBTC implica que a tecnologia e as máquinas são substitutas dos trabalhadores que, nas suas profissões, executam tarefas rotineiras. Estas tarefas são caraterizadas por seguirem regras explícitas e bem definidas. Esta abordagem, a RBTC, foi elaborada de acordo com os pressupostos assentes na teoria ALM, e sobretudo na questão o que é que os computadores fazem , ou o que é que as pessoas fazem com os computadores (Autor et al., 2003). Torna-se assim, fundamental entender em que consiste a teoria ALM. Os seus autores, Autor et al . (2003) afirmam que se pode contornar a ameaça da automação porque existe um grande conjunto de tarefas que as máquinas não conseguem executar, por serem tarefas não rotineiras. Este tipo de tarefas é baseado no conhecimento tácito e em competências específicas de cada indivíduo, onde a 3 O termo “qualificação” é usado em termos de escolaridade dos indivíduos, por exemplo, um trabalhador altamente qualificado surge como sendo aquele com o nível de escolaridade mais elevado. 9 tecnologia – e os computadores em particular – surge como complemento (Autor et al ., 2003). Os empregos baseados em tarefas rotineiras, que são facilmente executadas por máquinas, por serem tarefas altamente codificáveis, apresentam um alto risco de serem automatizados. Esta substituição trabalho-capital reduz a procura relativa de mão de obra, levando a um declínio dos empregos intensivos em tarefas rotineiras. Em contrapartida, a tecnologia provoca o crescimento (e procura) de empregos intensivos em tarefas não rotineiras. Estas mudanças provocadas no mercado de trabalho são adiante descritas pelo fenómeno da polarização. A base desta hipótese é classificar de que forma é que a tecnologia afeta as tarefas de uma determinada ocupação, ou seja, se provoca o efeito substituição ou de complementaridade. Recorrendo ao DOT ( Dictionary of Occupational Titles), os autores fazem esta classificação baseando-se numa taxonomia bidimensional que divide as categorias das tarefas em dois grupos: rotineiras ou não rotineiras (dependendo do potencial da automação, isto é, conforme o grau de repetição da tarefa), e cognitivas ou manuais (conforme o tipo de competências necessárias para executar as tarefas). Além disso, Autor et al. (2003), para as tarefas cognitivas não rotineiras, subdivide-as em analíticas ou interativas. Resumindo, a taxonomia usada na teoria ALM, segue a seguinte estrutura 4 :  Tarefa cognitiva não rotineira: existe um forte efeito de complementaridade, em que a introdução de tecnologia permite aumentar a sua produtividade. o Tarefas analíticas: associadas a resolução de problemas e ao raciocínio quantitativo. Médicos e advogados são algumas profissões que descrevem esta categoria. o Tarefas interativas: relacionada com a criatividade, flexibilidade e comunicação. Ocupações interpessoais são alguns dos exemplos.  Tarefa manual não rotineira: zeladores e motoristas de camiões são exemplos de algumas ocupações intensivas em tarefas manuais não rotineiras. Esta categoria não é afetada diretamente pela automação, e por isso, a hipótese ALM não faz previsões explícitas sobre os efeitos de substituição ou complementaridade.  Tarefa cognitiva rotineira: ocupações relacionadas, por exemplo, com escrituração e processamento de transações processuais. Provoca uma substituição substancial por máquinas/tecnologia. 4 Seguindo o trabalho de Autor et al. (2003). De realçar que existem outras taxonomias desenvolvidas para analisar este tema, como por exemplo, o estudo de Autor et al. (2006), que dividem as tarefas em abstrata, rotineira e manual. 10  Tarefa manual rotineira: geralmente ocupações associadas a linhas de montagem e de produção. Ocupações intensivas neste tipo de tarefas permite que a tecnologia substitua os trabalhadores. Seguindo o princípio da RBTC, Goos e Manning (2007) analisaram o mercado de trabalho do Reino Unido, e formularam um estudo que vincula a substituição de tarefas rotineiras à polarização do trabalho. Os autores associam as ocupações que estão no topo da distribuição salarial às tarefas cognitivas não rotineiras – também apelidados de lovely jobs –, enquanto as ocupações intensivas em tarefas manuais não rotineiras estão concentradas nos percentis inferiores da distribuição salarial, as ocupações de baixa remuneração – os lousy jobs . Quanto aos trabalhadores que têm empregos concentrados em torno da mediana, estes tendem a desempenhar tarefas rotineiras. Goos e Manning (2007) encontraram evidências de um crescimento de emprego nas ocupações que se concentram nos extremos da distribuição salarial, acompanhado pelo declínio no emprego concentrado em torno da mediana da distribuição salarial. No centro da distribuição salarial, encontram-se agrupadas as ocupações intensivas em tarefas rotineiras, cujos trabalhadores são facilmente substituídos por tecnologia, o que consequentemente, leva à diminuição da sua procura relativa. Já as profissões com altos salários ( lovely jobs ) e baixos salários ( lousy jobs ) registaram um crescimento do seu emprego, por serem ocupações cujas tarefas são não rotineiras, que além de serem difíceis de serem automatizadas, beneficiam da complementaridade da tecnologia. Estas complementaridades proporcionam uma vantagem comparativa face aos que desempenham tarefas rotineiras. Este fenómeno é apelidado de “polarização do emprego” 5 . Há que realçar que embora estas teorias, SBTC e RBTC (bem como outras que foram desenvolvidas ao longo dos anos), expliquem muitas das tendências ocorridas no mercado de trabalho, existem várias causas que provocam estas mudanças. Nenhuma destas duas hipóteses explica totalmente os fenómenos ocorridos, como a polarização do emprego ou desigualdade salarial. Com os rápidos progressos tecnológicos, algumas das hipóteses acabam por ser refutadas e torna-se necessário melhorar as teorias existentes ou então que novas sejam criadas, de forma a que possam refletir o contexto atual. 5 No seu estudo, a definição de polarização do emprego dada por Goos e Manning (2007: 2) é: “aumento da procura relativa em empregos qualificados bem pagos (que exigem competências cognitivas não rotineiras) e em empregos menos qualificados mal pagos (manuais não rotineiras), e a diminuição da procura relativa dos empregos médios que exigem competências manuais e cognitivas rotineiras”. 11 2.3. COMPETÊNCIAS SOCIAIS Nesta era da automação (e robotização), à medida que as máquinas substituem cada vez mais ocupações, por realizarem tarefas rotineiras, os empregos que exigem competências não cognitivas são mais benéficos (Deming e Kahn, 2018) para os indivíduos que as possuem. Estes beneficiam de maiores retornos devido ao aumento da procura relativa por competências não cognitivas (não rotineiras) (Autor, 2014). O facto de cada vez mais se assistir ao processo de substituição da tecnologia no mercado de trabalho, fica ainda mais acentuado quais as competências e ocupações que (ainda) não foram automatizadas e apenas os seres humanos são capazes de realizar. As competências humanas, como a interação social, tem provado ser um desses casos (Autor, 2015), pois as máquinas são fracas em simular a interação humana, e além disso, por serem capacidades tácitas, são quase impossíveis de descrever. As competências sociais são também exemplos deste efeito de complementaridade e não de substituição. As competências sociais, como a comunicação, trabalho em equipa e colaboração, estão associadas aos trabalhos não rotineiros (Deming e Kahn, 2018). Pelo facto de muitos empregadores exigirem este tipo de competências – tarefas não rotineiras e intensivas em competências sociais –, é congruente que haja o aumento do seu retorno (Deming, 2017a). Diversos estudos recentes corroboram esta tese, o mercado de trabalho valoriza e recompensa cada vez mais capital humano na forma de competências sociais (Weinberger, 2014; Deming, 2017a; Edin et al., 2018). Deming (2017a) é um dos maiores contribuidores nesta área de estudo, em estimar os retornos das competências sociais no mercado de trabalho. O autor investigou a importância e os retornos das competências sociais, entre 1980 e 2012, no mercado de trabalho norte americano. Deming (2017a) demonstrou que os salários cresceram mais rápido em ocupações intensivas em competências sociais, e também se registou uma maior procura relativa por estas competências. As ocupações intensivas em competências sociais cresceram 11,8 pontos percentuais. Quanto ao crescimento dos salários, os trabalhadores têm maiores remunerações porque podem especializar-se em tarefas mais produtivas. O autor explica que os indivíduos que possuem altos níveis de competências sociais escolhem trabalhar em ocupações intensivas em competências sociais. Estes empregos são difíceis de automatizar e são baseados em tarefas não rotineiras, o que consequentemente, leva a maiores salários. Simultaneamente, as empresas exigem cada vez mais 18 Um dos determinantes para as diferenças de salários entre indivíduos são as competências que os mesmos possuem. Através da educação, formação e estágios, os indivíduos conseguem desenvolver e melhorar as suas competências, para posteriormente, serem vendidas no mercado a um determinado preço. Este valor depende de vários fatores, tais como, do que é procurado pelos empregadores, e do retorno que essa competência tem numa determinada ocupação. Porém, num mercado globalizado e em acelerada mudança tecnológica, a falta de competências da força laboral compromete a sua produtividade e os retornos de investimento feito quer em educação ou outras formações realizadas. Se existir uma lacuna entre a procura e oferta de competências, o custo de oportunidade por ter feito o investimento não valeu a pena e o seu potencial não será alcançado. Num mundo de trabalho cada vez mais competitivo, há que antecipar as competências exigidas pelo mercado de trabalho, ao apostar na sua aprendizagem e desenvolvimento. A sua importância está estabelecida na revisão de literatura. É necessário ter em conta que as competências estão ajustadas às perspetivas e expetativas dos empregadores e, por isso, cada país recompensa diferentes tipos de competências, consoante as necessidade e exigências do seu mercado de trabalho. Além disso, o mercado de trabalho moderno é altamente competitivo, em que as competências surgem como sendo o diferencial entre vários candidatos com percursos e níveis de escolaridade idênticos. No contexto atual, e tal como foi destacado anteriormente, as competências sociais são das competências mais difíceis de automatizar e, portanto, há uma maior procura por parte dos empregadores. O mercado de trabalho português sofre de sérios problemas provenientes das competências. Existe um défice de competências por parte das empresas, em que a procura é superior à oferta devido à escassez de competências dos trabalhadores ( skill shortage ). Esta lacuna entre as competências que a força de trabalho possui e as que os empregadores necessitam, afeta diretamente a competitividade das empresas. Além disso, devido à reduzida oferta de empregos qualificados, verifica-se também uma subutilização de competências, em que os trabalhadores qualificados se sujeitam a outros empregos, que não aproveitam o seu potencial, acabando por desperdiçar/não rentabilizar as competências desenvolvidas (Crespo e Simões, 2022). 19 4. DADOS 4.1. BASE DE DADOS De forma a cumprir os objetivos do estudo, a análise empírica é feita a partir da informação recolhida do site do European Social Survey (ESS), usando a base de dados correspondente à ESS Round 9 , questionário realizado em 2018. O European Social Survey é um instrumento de recolha de informação, em que através de questionários realizados à população de cada país participante, de dois em dois anos, é possível saber a sua opinião sobre determinados tópicos. Este questionário foi feito até ao momento a 30 países, e inclui respostas a mais de 150 perguntas, que cujo objetivo principal é medir as atitudes e comportamentos dos indivíduos a determinados temas, entre os mais recorrentes, estão assuntos relacionados com a política e atualidade, a confiança nas instituições e governos, e as atitudes dos indivíduos face aos media . Até á data Portugal participou em todas as edições do ESS. Os indivíduos são selecionados através de métodos de probabilidade aleatória estrita, porém tem de cumprir os seguintes critérios: ter a idade mínima de 15 anos (não há limite máximo) e residentes em habitações privadas em Portugal Continental, independentemente da sua nacionalidade, cidadania ou língua. O inquérito tem em vista uma amostra efetiva mínima de 1500 entrevistas, uma taxa de resposta mínima de 70% e protocolos de tradução rigorosos. Do questionário relativo à ESS Round 9 foram selecionadas questões relacionadas com o rendimento do indivíduo e com as suas competências (apresentadas no Anexo). Porém nenhuma das questões corresponde diretamente a uma competência, logo, houve a necessidade de recorrer à taxonomia da European Skills, Competences, qualifications and Occupations (ESCO), de modo a fazer esta articulação. A ESCO é uma taxonomia das qualificações, competências e profissões europeias, em várias línguas, relevantes quer para o mercado de trabalho na Europa como para a educação e formação dos indivíduos. Está estruturada com base em três pilares: profissões, aptidões/competências e qualificações. Em 2022, no site, está disponível para consultar a descrição de 2942 profissões e 13485 aptidões relacionadas com essas profissões, traduzidas para 27 línguas (todas as línguas oficiais da EU, mais islandês, norueguês e árabe). 20 A ESCO foi desenhada pela Comissão Europeia no âmbito da estratégia “Europa 2020”, com o foco de disponibilizar dados que ajudem os indivíduos a acompanhar e se adaptarem ao mercado de trabalho europeu. Isto acontece porque o mercado de trabalho está em constantes mudanças, em que as competências exigidas hoje pelos empregadores, no futuro se poderão tornar obsoletas. Desta forma a ESCO surge como uma ponte entre os trabalhadores e as necessidades das empresas, mas também para a educação e formação dos indivíduos, de modo que possam analisar os dados e informações sobre a procura por competências. A Tabela 2 apresenta a correspondência feita entre as questões selecionadas do inquérito ESS Round 9 com a taxonomia da ESCO. Consequentemente, verificou-se que existiam variáveis que representavam o mesmo tipo de competência, o que levou à criação de índices para cada um deles. Tabela 2. Índices que agrupam cada tipo de competência Variável Descrição (ESS) Skills (ESCO) Índice Confiança Em geral, acha que pode ou não confiar nas pessoas A2 (valores) VALORES Honestidade As pessoas aproveitam-se de si ou são honestas A2 (valores) Ajuda As pessoas preocupam-se com elas próprias e ajudam os outros A2 (valores) Autonomia Grau de influência e controlo sobre decisões relacionadas com o seu próprio trabalho S4 (competências de gestão) COMPETÊNCIAS DE GESTÃO Influência Grau de influência e controlo sobre decisões acerca da atividade da empresa S4 (competências de gestão) Supervisão Se supervisiona outras pessoas no trabalho S4 (competências de gestão) Redes Com que frequência convive com outros S1.2 (manter contactos e criar redes) CONTACTOS E REDES Social Com que regularidade participa em atividades sociais S1.2 (manter contactos e criar redes) Notícias Ver/ouvir/ler notícias sobre a atualidade e política A1.6+A1.8 (demonstrar curiosidade e disponibilidade para aprender) CURIOSIDADE E 21 Cursos Se frequentou cursos ou conferências para aumentar conhecimento e competências A1.6+A1.8 (demonstrar curiosidade e disponibilidade para aprender) APRENDIZAGEM Uso de computador Uso da internet para trabalhar e uso pessoal S5.0 (trabalhar com computadores) USO DE COMPUTADOR Fonte: com base no ESS e na ESCO 4.2. DESCRIÇÃO DOS DADOS A base de dados era composta por 572 variáveis, contudo, apenas uma parte foi considerada na presente análise. Foram selecionadas 16 variáveis, as mais relevantes para o tema e para os modelos econométricos, que serão apresentados na secção seguinte. Na Tabela 3 apresenta-se a designação e significado/categorias das variáveis escolhidas. Tabela 3. Descrição das variáveis selecionadas Designação da Variável Resposta Possível Rendimento mensal líquido do indivíduo Idade do indivíduo Sexo do indivíduo 1Masculino; 2Feminino Local onde o indivíduo reside 1Grande cidade; 2Subúrbios ou arredores de uma grande cidade; 3Vila ou pequena cidade; 4Aldeia; 5Quinta ou casa no campo Nível máximo de escolaridade do indivíduo Escala de confiança 0Todo o cuidado é pouco; 10 – a maioria das pessoas é de confiança Escala de Honestidade 0Tentam aproveitar-se de mim; 10a maior parte das pessoas é honesta Escala de Ajuda 0As pessoas estão preocupadas com elas próprias; 10as pessoas tentam ajudar os outros Frequência com que o indivíduo usa a internet 1Nunca usa a internet; 2só de vez em quando; 3algumas vezes por semana; 4na maior parte dos dias; 5todos os dias Frequência com que o indivíduo convive com amigos, familiares ou colegas de trabalho 1Nunca; 2Menos de uma vez por mês; 3Uma vez por mês; 4Várias vezes por mês; 5Uma vez por semana; 6- 22 Várias vezes por semana; 7Todos os dias Regularidade com que o indivíduo participa em atividades sociais (comparando com pessoas da mesma idade) 1Muito menos que a maioria; 2Menos que a maioria; 3O mesmo que a maioria; 4Mais que a maioria; 5Muito mais que a maioria O indivíduo supervisiona/supervisionou o trabalho de outras pessoas 1Sim; 2Não Grau de influência e controlo que o indivíduo tem para decidir como o seu trabalho diário é organizado 0Nenhuma influência; 10Total controlo Grau de influência e controlo que o indivíduo tem sobre decisões relativas à atividade da empresa onde trabalha 0Nenhuma influência; 10Total controlo O indivíduo, nos últimos 12 meses, frequentou algum curso/conferência para aumentar o seu conhecimento e competências no trabalho 1Sim; 2Não Quantidade de tempo em minutos que o indivíduo passa a ver, ler ou ouvir notícias sobre a política e assuntos da atualidade Fonte: ESS Notas: As respostas possíveis para a variável da escolaridade estão presentes no Anexo, para cada um dos três países em análise. Foram realizadas algumas alterações a estas variáveis, tendo em vista questões abordadas na literatura e também antecipando as variáveis a serem usadas nos modelos econométricos. Para o nível de escolaridade, considerou-se que esta variável assume os valores: 1 – ensino básico; 2 – ensino secundário; 3 – ensino superior. O local onde o indivíduo reside passa a assumir valor 1 no caso de o indivíduo viver numa grande cidade e 0 caso contrário. A variável que representa o uso de computador toma um valor igual a 1 no caso de o indivíduo usar o computador com regularidade (e = 0, caso contrário). Quanto às variáveis que apresentam duas respostas possíveis também foram feitas alterações. No caso do sexo do indivíduo, é mulher quando a sua variável assume o valor igual a 1 (homem no caso contrário, igual a 0); quando o indivíduo supervisiona outras pessoas assume valor igual a 1 e (é igual a 0 caso contrário); e, assume valor igual a 1, no caso de o indivíduo ter frequentado algum curso para aumentar o seu conhecimento e competências, caso não o tenha feito então a variável toma o valor 0. 23 De realçar que a questão relativa ao rendimento líquido mensal foi realizada apenas para os indivíduos que recebem salários ou rendimentos do trabalho, do trabalho por conta-própria ou do trabalho agrícola. Não contabiliza as respostas dos inquiridos que responderam que a sua principal fonte de rendimentos era pensões, subsídios de desemprego ou outros subsídios, rendimentos de investimentos, poupanças, seguros ou propriedades ou rendimentos de outras fontes. 4.3. ESTATÍSTICA DESCRITIVA 4.3.1. PORTUGAL Para a análise da estatística descritiva optou-se por exibir os resultados em duas tabelas. Na Tabela 4, apresenta-se os resultados do número de observações, média, percentil 50, desvio padrão e o mínimo e máximo para as variáveis contínuas, enquanto para as variáveis dummy apenas faz sentido apresentar o número de observações, média, mínimo e máximo. Nas Tabelas 5, 6 e 7, por serem variáveis categóricas, além do número de observações, são também incluídos a frequência e a percentagem para cada categoria. Através da Tabela 4, observa-se que 1055 indivíduos participaram no inquérito da ESS, e destes entrevistados, em média, 57,8% são mulheres. A variável dependente do modelo a ser estudado é o rendimento, e assume valor mínimo de 0 e o seu máximo é 9000€. Em média, um indivíduo tem um rendimento líquido mensal de 887,3€ e a sua mediana é 670€. Podemos verificar que a idade dos entrevistados varia entre os 15 e 90 anos (inclusive), verificando-se uma idade média de 52,36 anos. Além disso, em média, 21,1% dos indivíduos mora numa grande cidade. No que diz respeito ao percurso escolar, regista-se que em média, cerca de 46,7% frequentou no máximo o ensino básico, 23,9% completaram o ensino secundário e 26% o ensino superior. Quanto às variáveis relacionadas a competências, podemos observar que, em média, 39% dos respondentes têm ou tiveram funções de supervisão no local de trabalho, apenas 33,3% da amostra frequentou cursos ou conferências de forma a aumentarem o seu conhecimento e competências no trabalho, e em média, 69,3% dos indivíduos usa frequentemente o computador. 24 Tabela 4. Estatística Descritiva das Variáveis Contínuas e Dummy – Portugal (1) (2) (3) (4) (5) (6) VARIÁVEIS N média p50 dp min max Rendimento 592 887,3 670 688,0 0 9000 Idade 1044 52,36 53 18,31 15 90 Sexo 1055 0,578 - - 0 1 Cidade 1055 0,211 - - 0 1 Básico 1055 0,467 - - 0 1 Secundário 1055 0,239 - - 0 1 Superior 1055 0,260 - - 0 1 Notícias 1029 76,72 60 92,23 0 900 Supervisão 987 0,390 - - 0 1 Cursos 1054 0,333 - - 0 1 Uso de computador 1055 0,693 - - 0 1 Fonte: Cálculos próprios com base no ESS Nas Tabelas 5, 6 e 7 apresenta-se as estatísticas descritivas mais detalhadas, com referência à frequência e percentagem das variáveis categóricas. Na Tabela 5 verifica-se que a maioria dos inquiridos atribuiu uma classificação baixa para todas as questões relacionadas com os valores. Às questões relacionadas com a confiança, cerca de 73% dos inquiridos atribuíram uma classificação igual ou inferior a 5. A mesma classificação foi atribuída por 53% da amostra à questão da honestidade e por cerca de 76,7% dos indivíduos para assuntos relacionados com a variável ajuda. É de realçar, que na Tabela 6 apenas estão apresentadas duas das três variáveis que representam o índice Competências de Gestão. Grande parte dos indivíduos respondeu que têm bastante autonomia para decidir questões relacionadas com o seu próprio trabalho diário – cerca de 58,7% da amostra total classificou esta questão com uma classificação igual ou superior a 8. Relativamente à influência que o indivíduo tem sobre as decisões relativas à atividade da empresa, apenas 37,7% atribuíram uma classificação igual ou superior a 8. Já 21,1% do total dos entrevistados respondeu que não têm nenhum controlo e influência sobre este tipo de decisões. Conforme a Tabela 7, verifica-se que 39,6% dos inquiridos convive com a sua rede de contactos (amigos, familiares ou colegas) todos os dias e apenas 1,3% respondeu que nunca o faz. Cerca de 34,4% dos entrevistados diz que comparando com pessoas da mesma idade, estes participam em atividades sociais, menos que a maioria do mesmo grupo etário, e apenas 4,3% respondeu que participa muito mais que a maioria. 25 Tabela 5. Estatística Descritiva das Variáveis Categóricas do Índice “Valores” – Portugal VARIÁVEIS OBSERVAÇÕES (N) RESPOSTAS POSSÍVEIS FREQUÊNCIA PERCENTAGEM (%) Confiança 1055 Todo o cuidado é pouco 154 14,60 1 47 4,45 2 95 9,00 3 121 11,47 4 104 9,86 5 249 23,60 6 89 8,44 7 107 10,14 8 62 5,88 9 15 1,42 A maioria das pessoas é de confiança 12 1,14 Honestidade 1050 Tentam aproveitar-se de mim 43 4,10 1 14 1,33 2 43 4,10 3 66 6,29 4 86 8,19 5 304 28,95 6 127 12,10 7 162 15,43 8 142 13,52 9 35 3,33 A maior parte das pessoas é honesta 28 2,67 As pessoas estão preocupadas com elas 76 7,25 26 Ajuda 1048 próprias 1 53 5,06 2 120 11,45 3 175 16,70 4 136 12,98 5 244 23,28 6 108 10,31 7 64 6,11 8 49 4,68 9 13 1,24 As pessoas tentam ajudar os outros 10 0,95 Fonte: Cálculos próprios com base no ESS Nota: Os valores das percentagens estão arredondados com duas casas decimais. Tabela 6. Estatística Descritiva das Variáveis Categóricas do Índice “Competências de Gestão” – Portugal VARIÁVEIS OBSERVAÇÕES (N) RESPOSTAS POSSÍVEIS FREQUÊNCIA PERCENTAGEM (%) Autonomia 977 Nenhuma influência 108 11,05 1 13 1,33 2 25 2,56 3 15 1,54 4 23 2,35 5 72 7,37 6 43 4,40 7 104 10,64 8 176 18,01 9 103 10,54 Total controlo 295 30,19 27 Influência 973 Nenhuma influência 205 21,07 1 20 2,06 2 28 2,88 3 33 3,39 4 36 3,70 5 110 11,31 6 70 7,19 7 104 10,69 8 137 14,08 9 69 7,09 Total controlo 161 16,55 Fonte: Cálculos próprios com base no ESS Nota: Os valores das percentagens estão arredondados com duas casas decimais. Tabela 7. Estatística Descritiva das Variáveis Categóricas do Índice “Contactos e Redes” – Portugal VARIÁVEIS OBSERVAÇÕES (N) RESPOSTAS POSSÍVEIS FREQUÊNCIA PERCENTAGEM (%) Redes 1054 Nunca 14 1,33 Menos de uma vez mês 39 3,70 Uma vez por mês 57 5,41 Várias vezes por mês 165 15,65 Uma vez por semana 109 10,34 Várias vezes por semana 253 24,00 Todos os dias 417 39,56 Social 1026 Muito menos que maioria 151 14,72 Menos que a maioria 353 34,41 Mesmo que a maioria 319 31,09 Mais que a maioria 159 15,50 34 respondeu que participa menos que a maioria das pessoas com a mesma idade e cerca de 30% assumiu que socializa o mesmo que a maioria do mesmo grupo etário. Tabela 13. Estatística Descritiva das Variáveis Categóricas do Índice “Valores” – Letónia VARIÁVEIS OBSERVAÇÕES (N) RESPOSTAS POSSÍVEIS FREQUÊNCIA PERCENTAGEM (%) Confiança 912 Todo o cuidado é pouco 141 15,46 1 35 3,84 2 47 5,15 3 86 9,43 4 72 7,89 5 273 29,93 6 76 8,33 7 91 9,98 8 53 5,81 9 16 1,75 A maioria das pessoas é de confiança 22 2,41 Honestidade 892 Tentam aproveitar-se de mim 51 5,72 1 20 2,24 2 38 4,26 3 55 6,17 4 55 6,17 5 242 27,13 6 86 9,64 7 143 16,03 8 110 12,33 9 35 3,92 A maior parte das 57 6,39 35 pessoas é honesta Ajuda 909 As pessoas estão preocupadas com elas próprias 79 8,69 1 19 2,09 2 49 5,39 3 73 8,03 4 48 5,28 5 226 24,86 6 101 11,11 7 124 13,64 8 103 11,33 9 37 4,07 As pessoas tentam ajudar os outros 50 5,50 Fonte: Cálculos próprios com base no ESS Nota: Os valores das percentagens estão arredondados com duas casas decimais. Tabela 14. Estatística Descritiva das Variáveis Categóricas do Índice “Competências de Gestão” – Letónia VARIÁVEIS OBSERVA ÇÕES (N) RESPOSTAS POSSÍVEIS FREQUÊNCIA PERCENTAGE M (%) Autonomia 897 Nenhuma influência 189 21,07 1 19 2,12 2 24 2,68 3 17 1,90 4 21 2,34 5 91 10,14 6 40 4,46 36 7 74 8,25 8 85 9,48 9 56 6,24 Total controlo 281 31,33 Influência 894 Nenhuma influência 400 44,74 1 24 2,68 2 45 5,03 3 37 4,14 4 27 3,02 5 94 10,51 6 35 3,91 7 47 5,26 8 41 4,59 9 22 2,46 Total controlo 122 13,65 Fonte: Cálculos próprios com base no ESS Nota: Os valores das percentagens estão arredondados com duas casas decimais. Tabela 15. Estatística Descritiva das Variáveis Categóricas do Índice “Contactos e Redes” – Letónia VARIÁVEIS OBSERVAÇÕES (N) RESPOSTAS POSSÍVEIS FREQUÊNCIA PERCENTAGEM (%) Redes 918 Nunca 18 1,96 Menos de uma vez mês 93 10,13 Uma vez por mês 138 15,03 Várias vezes por mês 170 18,52 Uma vez por semana 174 18,95 Várias vezes por semana 196 21,35 Todos os dias 129 14,05 37 Social 909 Muito menos que maioria 200 22,00 Menos que a maioria 299 32,89 Mesmo que a maioria 273 30,03 Mais que a maioria 115 12,65 Muito mais que a maioria 22 2,42 Fonte: Cálculos próprios com base no ESS Nota: Os valores das percentagens estão arredondados com duas casas decimais. 38 5. METODOLOGIA 5.1. ANÁLISE DE COMPONENTES PRINCIPAIS (ACP) 5.1.1. DESCRIÇÃO DA METODOLOGIA A Análise de Componentes Principais é uma técnica estatística de análise multivariada introduzida por Pearson (1901). O objetivo central é transformar um conjunto de variáveis iniciais correlacionadas entre si, num novo conjunto consideravelmente menor de variáveis independentes, as componentes principais (CPs). Estas possuem o máximo de informação do conjunto original (Bartholomew et al ., 2008) e são calculadas por ordem decrescente de importância, em que a primeira componente principal explica o máximo possível de variância dos dados, a segunda CP explica o máximo da variância ainda não explicada pelo primeiro componente, e assim sucessivamente, sendo que a última será a que menos explica a variância total dos dados originais (Reis, 2001). A ACP constitui assim uma técnica de redução de dados, em que o interesse é reter um número de CPS muito menor que o número de variáveis iniciais, sem perda significativa de informação e que expliquem o mais possível da variação total dos dados. As componentes principais podem posteriormente ser usadas noutras análises, nomeadamente, em regressões lineares múltiplas, que obrigam a que as variáveis sejam independentes. Neste estudo, é este o objetivo pretendido com a Análise de Componentes Principais. Existem várias regras para determinar o número de componentes principais que devem ser extraídas. Em primeiro lugar, reter as componentes necessárias que expliquem entre 70 e 80% da variação total (Bartholomew et al ., 2008). Em segundo lugar, escolher o número de componentes que tenham valores próprios (os eigenvalues ) 7 superior a 1 (critério de Kaiser). O critério scree plot , onde o gráfico tem como eixos os valores próprios e o número de componentes, e a decisão para o número máximo de componentes a serem retidas é tomada a partir do ponto em que o gráfico se torna “mais horizontal”. O método mais simples, é o critério a priori , em que o investigador já sabe quantas componentes extrair, pois considera se a componente tem uma interpretação útil e sensível (Bartholomew et al ., 2008). Para recorrer à Análise de Componentes Principais é necessário que exista correlação suficiente entre as variáveis originais. Caso esta suposição não seja válida, não há forma de garantir a 7 Os valores próprios (os eigenvalues ) são ordenados por dimensão e refletem a variância explicada por cada uma das componentes 39 representação da(s) componente(s) principal(ais) sem perder informação, e a técnica ACP não será apropriada para ser aplicável. Este pressuposto é verificado através de dois testes, o teste de esfericidade de Bartlett e o teste de Kaiser-Meyer-Olkin (KMO). O teste de esfericidade de Bartlett testa a hipótese de a matriz de correlação entre as variáveis ser uma matriz identidade 8 . De forma que seja adequado aplicar a Análise Componentes Principais é necessário rejeitar a hipótese nula (H0), pois significará que existem correlações significativas entre as variáveis. Caso contrário, se a matriz de correlações for igual à matriz identidade – no caso de não ser possível rejeitar a hipótese nula –, então as variáveis não estão correlacionadas. Quanto ao teste de KMO, os valores variam entre 0 e 1, e compara as correlações simples com as parciais observadas entre variáveis. Quanto maior for o valor de KMO, maior será a correlação entre as variáveis. Também se pode referir que o KMO é uma medida de adequação da amostra. Se o valor de KMO for menor do que 0,5 é inaceitável realizar a análise através da ACP, caso os valores estejam entre 0,5 e 0,6 a ACP é má, entre 0,6 e 0,7 é razoável, entre 0,7 e 0,8 é média, entre 0,8 e 0,9 é boa, e 0,9 e 1 é muito boa (Reis, 2001). Um outro pressuposto existente na Análise de Componentes Principais, é que as variáveis assumem uma distribuição normal (Gaussiana). Porém neste estudo, as variáveis são ordinais, logo esta suposição deixa de ser válida, provocando uma inconsistência e enviesamento das estimativas (Kolenikov e Angeles, 2009). Filmer e Pritchett (2001) propuseram transformar as variáveis categóricas em variáveis dummy , porém esta aparente solução tem implicações sérias na ACP, tais como perda de toda a informação ordinal e diminuição da proporção de variância explicada (Kolenikov e Angeles, 2004). Neste sentido, de forma a incorporar as variáveis categóricas na Análise de Componentes Principais é necessário usar correlações policóricas (Bartholomew et al ., 2008; Kolenikov e Angeles, 2009). A correlação policórica é “o estimador de máxima verossimilhança da correlação de Pearson correspondente à variação normal bivariada”. Kolenikov e Angeles (2004) usaram um modelo baseado em correlações policóricas. Esta mede a correlação entre duas variáveis contínuas não observadas que têm uma distribuição normal bivariada. O coeficiente da correlação policórica é a estimativa de máxima verossimilhança da correlação entre as variáveis normais subjacentes. 8 H0: a matriz de correlações é uma matriz identidade H1: a matriz de correlações não é uma matriz identidade 40 5.1.2. APLICAÇÃO PRÁTICA DA ACP 5.1.2.1. PORTUGAL A aplicação da Análise de Componentes Principais neste estudo tem como objetivo principal criar uma nova variável, a componente principal, que capture o máximo de informação possível das variáveis originais do índice a que pertence, para posteriormente ser usada no modelo econométrico. Porém, é necessário verificar se a técnica ACP é adequada para ser utilizada neste caso. Como foi dito anteriormente, é necessário que exista correlação entre as variáveis que compõem cada um dos índices. Para verificar se este pressuposto é válido, recorre-se aos testes de esfericidade de Bartlett e de Kaiser-Meyer-Olkin . Na Tabela 16 estão os testes realizados para verificar a adequabilidade da ACP. Para o índice Valores, verifica-se que as variáveis originais estão correlacionadas entre si, uma vez que se rejeita a hipótese nula do teste de esfericidade de Bartlett . O teste KMO de 0,633 torna razoável a aplicação da Análise de Componentes Principais. Quanto às Competências de Gestão, existe uma correlação significativa entre as variáveis deste índice, de acordo com o teste de Bartlett . Apesar de não ser o valor ideal, conforme a escala de classificação mencionada por Reis (2001), o teste KMO assume valor 0,588, o que não invalida que seja aplicada a ACP. Resultados idênticos são encontrados para o índice que representa os Contactos e Redes – o nível de significância do teste de esfericidade de Bartlett (pvalor = 0,0000) conduz à rejeição da hipótese nula , portanto existe correlação entre as suas variáveis, e é possível usar a ACP, mesmo que a medida de adequação da amostragem KMO não seja a ideal (KMO assume valor igual a 0,500) 9 . Por fim, não será adequado aplicar a Análise de Componentes Principais para o índice Curiosidade e Aprendizagem, uma vez que não é possível rejeitar a hipótese nula de a matriz de correlações é uma matriz identidade. Nesta situação, as variáveis originais não estão correlacionadas logo não é possível garantir a representação da componente principal sem perder informação. Posteriormente, as duas variáveis que representam Curiosidade e Aprendizagem serão usadas individualmente nas regressões. Tendo em conta estes resultados, vai ser apenas aplicada a Análise de Componentes Principais para os índices Valores, Competências de Gestão e Contactos e Redes 10 . 9 Neste e nos resultados que apresentem o valor de KMO baixo muito provavelmente está relacionado com a reduzida dimensão da amostra face ao número de variáveis. 10 É frequente na Análise de Componentes Principais fazer a rotação, com o objetivo de ajudar na interpretação de resultados. Em todos os índices foi realizada a rotação, apesar de neste caso ser indiferente, uma vez que só foi retida uma componente principal para cada um dos índices, logo a interpretação é direta mesmo sem a rotação. 41 Tabela 16. Testes para verificar a correlação entre as variáveis – Portugal Teste de Bartlett Teste KMO Valores Chi-quadrado = 395,148 Graus de liberdade = 3 p-valor = 0,0000 KMO = 0,633 Competências de Gestão Chi-quadrado = 748,362 Graus de liberdade = 3 p-valor = 0,0000 KMO = 0,588 Contactos e Redes Qui-quadrado = 98,628 Graus de liberdade = 1 p-valor = 0,0000 KMO = 0,500 Curiosidade e Aprendizagem Qui-quadrado = 0,078 Graus de liberdade = 1 p-valor = 0,780 KMO= 0,500 Fonte: Cálculos próprios com base nos dados do ESS De acordo com a literatura, existem vários critérios que podem ser usados na escolha de quantas componentes principais devem ser retidas. Neste estudo, será usado o critério de Kaiser – serão escolhidas as componentes que tenham os valores próprios superiores a 1. Através da inspeção do Gráfico 4, observa-se que das três variáveis originais que compõem o índice dos Valores, apenas uma apresenta valor próprio superior a 1. É também possível observar os valores próprios das componentes e as respetivas percentagens de variação explicada na Tabela 17. Conclui-se que é retida apenas a componente 1, com valor próprio igual a 1,73107, apesar de apenas explicar cerca de 58% da variância total 11 . Na Tabela 18 encontram-se as cargas fatoriais, ou os loadings , das componentes principais, e representam a importância de cada variável em cada fator. Para cada variável seleciona-se o maior loading de forma a entender qual ou quais as variáveis que são mais importantes na formação de cada componente principal. Neste índice, apenas foi selecionada uma componente principal 1. Esta, posteriormente designada como valores, apresenta associações positivas e com coeficientes satisfatórios, com todas as variáveis do índice em questão, demonstrando que a CP retida descreve as três variáveis originais. Quanto maior o valor absoluto do coeficiente, mais importante é a variável no 11 Vai ser escolhida apenas uma componente principal, apesar de muitos estudos argumentarem que no mínimo há que garantir uma variância total de 70%. Além de ter sido escolhido o critério da regra de Kaiser , também houve um critério à priori . Uma vez que as variáveis originais já são poucas (em dois índices são 3 variáveis originais e um índice apenas é composto por 2 variáveis), o pretendido é reter apenas uma componente principal, que neste caso é sustentado pelo critério da regra de Kaiser. 42 cálculo da componente. Assim, de acordo com estes resultados, a componente principal 1 mede principalmente valores relacionados com a honestidade. Gráfico 4. Representação dos valores próprios das variáveis do Índice “Valores” - Portugal Fonte: Obtido no STATA com base nos dados do ESS Nota: No gráfico scree plot , o eixo horizontal diz respeito ao número de componentes e o eixo vertical aos valores próprios. Tabela 17. Variância Total Explicada – índice “Valores” (Portugal) k Valores próprios Proporção explicada (%) Cumulativa explicada (%) 1 1,73107 0,5770 0,5770 2 0,719085 0,2397 0,8167 3 0,549841 0,1833 1,0000 Fonte: Cálculos próprios com base no ESS Tabela 18. Matriz dos loadings das componentes principais – “Valores” (Portugal) Componente Principal 1 Não explicada Var iáveis Confiança 0,5987 0,3795 Honestidade 0,6031 0,3703 Ajuda 0,5270 0,5192 Fonte: Cálculos próprios com base no ESS .5 11.5 2 Valores Próprios 1 1.5 2 2.5 3 Número 43 O índice Competências de Gestão é composto por três variáveis, autonomia, influência e supervisão. Através do Gráfico 5 e da Tabela 19, observa-se que apenas uma tem o valor próprio superior a 1. No caso, a componente 1 com um valor próprio de 2,03915, explica cerca de 68% da variação total. A componente 1, posteriormente designada nas regressões da secção seguinte como gestão, também apresenta associações positivas e com coeficientes razoáveis, com todas as variáveis originais do índice. A componente retida mede sobretudo competências relacionadas com a influência, uma vez que o seu coeficiente é o maior entre as variáveis originais, conforme mostra os resultados apresentados na Tabela 20. A variável influência também foi a que mais contribuiu para a formação da componente principal 1. Gráfico 5. Representação dos valores próprios das variáveis do Índice “Competências de Gestão” – Portugal Fonte: Obtido no STATA com base nos dados originais do ESS Nota: No gráfico scree plot , o eixo horizontal diz respeito ao número de componentes e o eixo vertical aos valores próprios. .5 11.5 2 Valores próprios 1 1.5 2 2.5 3 Número 50 Tabela 27. Matriz dos loadings das componentes principais – “Componentes de Gestão” (Áustria) Componente Principal 1 Não explicada Variáveis Autonomia 0,5979 0,2558 Influência 0,5829 0,2927 Supervisão 0,5502 0,3699 Fonte: Cálculos próprios com base no ESS O índice “Contactos e Redes” é apenas composto por apenas duas variáveis. Com um valor próprio de cerca de 1,46429, através do critério de Kaiser apenas foi retida a componente principal 1. Esta explica mais de 73% da variação total. Constata-se que a componente retida, adiante designada por Contactos, apresenta associações positivas e coeficientes ideais, com as variáveis originais do índice. Ambas as variáveis, Redes e Social, contribuíram igualmente para a formação deste nova variável, conforme se verifica na Tabela 29. Gráfico 9. Representação dos valores próprios das variáveis do Índice “Contactos e Redes” – Áustria Fonte: Obtido no STATA com base nos dados originais do ESS Nota: No gráfico scree plot , o eixo horizontal diz respeito ao número de componentes e o eixo vertical aos valores próprios. .5 11.5 Valores Próprios 1 1.2 1.4 1.6 1.8 2 Número 51 Tabela 28. Variância Total Explicada – índice “Contactos e Redes” (Áustria) Fonte: Cálculos próprios com base no ESS Tabela 29. Matriz dos loadings das componentes principais – índice “Contactos e Redes” (Áustria) Componente Principal 1 Não explicada Variáveis Redes 0,7071 0,2679 Social 0,7071 0,2679 Fonte: retirado do STATA com base nos dados originais do ESS Aplicando o mesmo procedimento para a Letónia, a seleção das componentes a serem retidas através da técnica ACP basear-se-á no critério de Kaiser . O índice “Valores” é composto pelas variáveis; confiança, honestidade e ajuda. Ao analisar todos os dados disponíveis, Gráfico 10 e Tabelas 30 e 31, conclui-se que apenas é selecionada uma componente com um valor próprio de 1,7768, em que esta explica somente cerca de 59% da variação total. A variável original “Confiança” é a mais importante das três que compõem o índice para a formação da componente principal 1, adiante designada por “Valores”. Além disso, esta CP apresenta associações positivas e coeficientes formidáveis com todas as variáveis originais. K Valores próprios Proporção explicada (%) Cumulativa explicada (%) 1 1,46429 0,7321 0,7321 2 0,535707 0,2679 1,0000 52 Gráfico 10. Representação dos valores próprios das variáveis do Índice “Valores” – Letónia Fonte: Obtido no STATA com base nos dados originais do ESS Nota: No gráfico scree plot , o eixo horizontal diz respeito ao número de componentes e o eixo vertical aos valores próprios. Tabela 30. Variância Total Explicada – índice “Valores” (Letónia) k Valores próprios Proporção explicada (%) Cumulativa explicada (%) 1 1,7768 0,5923 0,5923 2 0,663858 0,2213 0,8136 3 0,559347 0,1864 1,0000 Fonte: Cálculos próprios com base no ESS Tabela 31. Matriz dos loadings das componentes principais – “Valores” (Letónia) Componente Principal 1 Não explicada Variáveis Confiança 0,5954 0,3702 Honestidade 0,5851 0,3918 Ajuda 0,5507 0,4612 Fonte: Cálculos próprios com base no ESS .5 11.5 2 Valores Próprios 1 1.5 2 2.5 3 Número 53 Quanto às variáveis pertencentes ao índice “Competências de Gestão”, com um valor próprio igual a 1,85995, somente é retida a componente principal 1, visto que as restantes possuem um valor próprio inferior a 1. A CP 1 é responsável por explicar 62% da variação total. Posteriormente designada por “Gestão”, a CP 1 revela associações positivas e coeficientes aceitáveis com as três variáveis originais. Com maior valor absoluto do coeficiente, a componente principal 1 mede principalmente competências de gestão relacionadas com a influência. Gráfico 11. Representação dos valores próprios das variáveis do Índice “Competências de Gestão” – Letónia Fonte: Obtido no STATA com base nos dados originais do ESS Nota: No gráfico scree plot , o eixo horizontal diz respeito ao número de componentes e o eixo vertical aos valores próprios. Tabela 32. Variância Total Explicada – índice “Competências de Gestão” (Letónia) k Valores próprios Proporção explicada (%) Cumulativa explicada (%) 1 1,85995 0,6200 0,6200 2 0,695755 0,2319 0,8519 3 0,444294 0,1481 1,0000 Fonte: Cálculos próprios com base no ESS .5 11.5 2 Valores Próprios 1 1.5 2 2.5 3 Número 54 Tabela 33. Matriz dos loadings das componentes principais – “Componentes de Gestão” (Letónia) Componente Principal 1 Não explicada Variáveis Autonomia 0,5800 0,3743 Influência 0,6229 0,2784 Supervisão 0,5250 0,4874 Fonte: Cálculos próprios com base no ESS Ao analisar o Gráfico 12, verifica-se que entre as duas variáveis que constituem o índice “Contactos e Redes”, através do critério de Kaiser , apenas é retida uma única componente. A componente principal 1 assume um valor próprio igual a 1,31814 e é responsável por cerca de 66% da variação total. A componente retida, a CP 1, também posteriormente nominada por “Contactos” na secção das regressões, apresenta associações positivas e coeficientes formidáveis com ambas as variáveis originais deste índice. É também possível concluir que a componente principal 1 mede igualmente competências relacionadas com as redes e social, visto que os valores absolutos dos coeficientes são iguais. Gráfico 12. Representação dos valores próprios das variáveis do Índice “Contactos e Redes” – Letónia Fonte: Obtido no STATA com base nos dados originais do ESS Nota: No gráfico scree plot , o eixo horizontal diz respeito ao número de componentes e o eixo vertical aos valores próprios. .6 .8 11.2 1.4 Valores Próprios 1 1.2 1.4 1.6 1.8 2 Número 55 Tabela 34. Variância Total Explicada – índice “Contactos e Redes” (Letónia) K Valores próprios Proporção explicada (%) Cumulativa explicada (%) 1 1,31814 0,6591 0,6591 2 0,681858 0,3409 1,0000 Fonte: Cálculos próprios com base no ESS Tabela 35. Matriz dos loadings das componentes principais – índice “Contactos e Redes” (Letónia) Componente Principal 1 Não explicada Variáveis Redes 0,7071 0,3409 Social 0,7071 0,3409 Fonte: retirado do STATA com base nos dados originais do ESS Por fim, a tabela 36, apresenta as estatísticas descritivas das variáveis criadas pela Análise de Componentes Principais, para os três países em análise. Tabela 36. Estatística descritiva das variáveis criadas através da ACP (1) (2) (3) (4) (5) (6) PAÍSES VARIÁVEIS N média p50 dp min max Valores 1045 7,939 8,050 3,045 0 16,762 PORTUGAL Gestão 972 7,797 9,022 3,924 0 12,699 Contactos 1025 5,809 6,364 1,489 1,414 8,485 Valores 2486 10,124 10,401 3,331 0 17,320 ÁUSTRIA Gestão 2348 5,568 5,351 3,836 0 12,358 Contactos 2477 5,569 5,657 1,336 1,414 8,485 Valores 887 8,727 8,879 3,427 0 17,311 LETÓNIA Gestão 891 5,842 5,800 4,124 0 12,554 Contactos 909 4,978 4,950 1,533 1,414 8,485 Fonte: Cálculos próprios com base no ESS 56 5.2. ESPECIFICAÇÃO DO MODELO Com o objetivo de estimar os retornos salariais das competências, o modelo a usar será seguindo um do tipo: log(𝑦𝑖)= 𝛼 + 𝛽𝑥𝑖+ 𝑢𝑖 onde 𝑦𝑖 corresponde ao rendimento líquido mensal do indivíduo i, 𝑥𝑖 às variáveis independentes do modelo (α e β são os parâmetros a estimar, não observados, da regressão); e 𝑢𝑖 ao termo de perturbação (que inclui um conjunto de fatores, não observados, que podem afetar o rendimento do indivíduo). Quanto às variáveis explicativas, estas foram escolhidas tendo em conta a revisão de literatura realizada e a sua disponibilidade na base de dados escolhida. Foram incluídas caraterísticas demográficas e socioeconómicas – idade, sexo, escolaridade e local onde reside –, e variáveis que representem vários tipos de competências do indivíduo, com destaque para as competências sociais. Realizar-se-ão várias estimações de especificações alternativas do modelo recorrendo ao OLS ( Ordinary Least Squares ), em português MMQ (Método dos Mínimos Quadrados). Para tal, é necessário satisfazer os pressupostos e propriedades deste método econométrico, bem como considerar os seus problemas. O Método dos Mínimos Quadrados permite analisar a relação entre uma variável dependente e uma ou mais variáveis explicativas, e estimar os parâmetros desconhecidos, minimizando a soma dos quadrados dos resíduos. Na análise de dados, o objetivo é encontrar o melhor estimador, e de acordo com o teorema de Gauss-Markov , se um conjunto de suposições for válido, então os melhores são os estimadores BLUE ( Best Linear Unbiased Estimates) . De acordo com Wooldridge (2013), existem pressupostos que têm de ser cumpridos de forma a recorrer a este método econométrico. De forma sucinta, o modelo Método dos Mínimos Quadrados assume que existe uma linearidade nos parâmetros. Também exige que o termo de erro tenha média condicional de zero. Esta suposição é assumida automaticamente quando se inclui a constante na regressão. O pressuposto da exogeneidade é crítica para a teoria OLS. Há que garantir a ausência de correlação entre as variáveis explicativas e o termo de perturbação. Se 𝐶𝑜𝑣(𝑥𝑖𝑡, ∝𝑖) ≠ 0 então estamos perante a presença de endogeneidade, que provoca uma desconfiança acerca da validade das 57 estimativas obtidas pelo OLS. Existem vários fatores que levam à violação desta hipótese, nomeadamente, variáveis omitidas e erros de medição. É de realçar que a autocorrelação é mais frequente em análise de séries temporais, ou de dados em painel, o que não é o caso. Outro pressuposto é a ausência de multicolinearidade perfeita, ou seja, nenhuma variável é uma combinação linear das outras. Para verificar este pressuposto, na secção seguinte recorre-se ao teste VIF ( Variance Inflation Factor ). Um dos principais pressupostos é o da homoscedasticidade, que assenta na ideia de que a variância dos termos de perturbação é constante: 𝑉𝑎𝑟(𝑢|𝑥𝑖)= 𝜎2 (Wooldridge, 2013). No caso de estes variarem, estamos perante um problema de heteroscedasticidade, em que os coeficientes se tornam ineficientes e a variância dos termos de erro enviesada, o que provoca uma desconfiança nos erros padrão das estimativas do OLS. Estes são fundamentais para a realização de testes de significância e para calcular os intervalos de confiança logo, erros-padrão tendenciosos levam a conclusões incorretas sobre a significância dos coeficientes de regressão. Para detetar a presença de heteroscedasticidade pode recorrer-se aos testes de Breusch-Pagan e/ou de White . A utilização de erros-padrão robustos à presença de heteroscedasticidade, também conhecidos por erros-padrão Huber-White , permite obter erros-padrão dos coeficientes cêntricos, mesmo existindo heteroscedasticidade. 58 6. RESULTADOS EMPÍRICOS E DISCUSSÃO O objetivo, como foi referido anteriormente, é estimar os retornos das competências, sobretudo das sociais. Para tal, a maioria desta secção destina-se a estudar estes efeitos no mercado de trabalho português. Em seguida, efetuam-se regressões para estimar os retornos que as competências têm na Áustria e na Letónia, e fazer uma comparação com Portugal, que é o país de foco deste trabalho. Desta forma, a variável dependente usada nos modelos econométricos corresponde ao logaritmo do rendimento mensal líquido dos indivíduos. 6.1. PORTUGAL A Tabela 37 apresenta os resultados de estimação de sete modelos estimados através do OLS, do mais simples (OLS1) ao mais completo (OLS7). De forma a estimar o rendimento do indivíduo, no modelo mais simples, OLS1, apenas são consideradas as variáveis demográficas e socioeconómicas do indivíduo – a idade, o sexo, o local onde vive e a escolaridade. Em todos os modelos foram incluídas a idade e o seu quadrado. Quanto à escolaridade, o ensino secundário é a categoria base, a que servirá de comparação na interpretação de resultados. Aos seguintes modelos estimados, do OLS2 ao OLS6, foram incluídas de forma alternada, variáveis que correspondem a diferentes tipos de competências, de forma a avaliar o seu impacto individual. De realçar que nestes modelos foram sempre incluídas as variáveis do primeiro modelo (OLS1). No modelo OLS2, foi adicionada a variável componente principal do índice de valores, também designada por valores. No OLS3, às variáveis iniciais foi acrescentada a variável correspondente à componente de competências de gestão. A componente que representa os contactos do indivíduo foi inserida no modelo OLS4. No OLS5, foram adicionadas variáveis que representam o mesmo tipo de competências, as notícias e cursos, referentes ao índice Curiosidade e Aprendizagem. Quanto ao OLS6, é incluída a variável uso de computador (OLS6). No último modelo (OLS7), o mais completo, foram incluídas todas as variáveis anteriormente referidas. 59 Tabela 37. Resultados da estimação pelo método OLS, em que a variável dependente é o logaritmo do rendimento mensal líquido - Portugal OLS1 OLS2 OLS3 OLS4 OLS5 OLS6 OLS 7 OLS 7 (robusto) Idade 0.0441*** 0.0409*** 0.0449*** 0.0435*** 0.0437*** 0.0358*** 0.0318*** 0.0318*** (0.0078) (0.0076) (0.0078) (0.0079) (0.0077) (0.0075) (0.0076) (0.0090) Idade2 -0.0004*** -0.0003*** -0.0004*** -0.0003*** -0.0003*** -0.0002*** -0.0002** -0.0002** (0.0001) (0.0001) (0.0001) (0.0001) (0.0001) (0.0001) (0.0001) (0.0001) Feminino -0.2769*** -0.2647*** -0.2446*** -0.2704*** -0.2572*** -0.2469*** -0.1940*** -0.1940*** (0.0435) (0.0425) (0.0426) (0.0441) (0.0436) (0.0418) (0.0413) (0.0417) Cidade 0.0056 -0.0001 -0.0266 -0.0036 0.0115 -0.0189 -0.0497 -0.0497 (0.0517) (0.0504) (0.0505) (0.0513) (0.0516) (0.0496) (0.0473) (0.0511) Básico -0.3725*** -0.3243*** -0.3836*** -0.4025*** -0.3410*** -0.2424*** -0.2262*** -0.2262*** (0.0557) (0.0549) (0.0544) (0.0563) (0.0558) (0.0562) (0.0557) (0.0628) Superior 0.5550*** 0.5128*** 0.5100*** 0.5242*** 0.5009*** 0.5200*** 0.4044*** 0.4044*** (0.0584) (0.0573) (0.0568) (0.0584) (0.0598) (0.0561) (0.0551) (0.0581) Valores 0.0438*** 0.0387*** 0.0387*** (0.0073) (0.0073) (0.0079) Gestão 0.0242*** 0.0212*** 0.0212*** (0.0056) (0.0054) (0.0059) Contactos 0.0457*** 0.0295** 0.0295* (0.0151) (0.0144) (0.0158) Notícias -0.0001 -0.0002 -0.0002 (0.0002) (0.0002) (0.0002) Cursos 0.1938*** 0.1108** 0.1108** (0.0542) (0.0500) (0.0512) 66 (0.0035) (0.0032) (0.0062) (0.0066) Gestão 0.0221*** 0.0221*** 0.0129** 0.0129** (0.0033) (0.0036) (0.0055) (0.0054) Contactos 0.0163* 0.0163** -0.0009 -0.0009 (0.0090) (0.0080) (0.0142) (0.0155) Notícias 0.0005** 0.0005 0.0004 0.0004 (0.0003) (0.0003) (0.0002) (0.0002) Cursos 0.1658*** 0.1658*** 0.2626*** 0.2626*** (0.0295) (0.0373) (0.0518) (0.0521) Uso de computador 0.0845** 0.0845*** 0.2022*** 0.2022*** (0.0357) (0.0373) (0.0595) (0.0551) Constante 6.6287*** 6.6287*** 5.9341*** 5.9341*** (0.1139) (0.1159) (0.2229) (0.2569) R 2 0.22 0.22 0.32 0.32 RMSE 0.46 0.46 0.54 0.54 N 1698 1698 693 693 F (sig. global) 39,78*** 31,49*** 27,14*** 35,40*** * p <0.1; ** p <0.05; *** p <0.01 Fonte: Cálculos próprios com base no ESS Nota: Entre parênteses estão incluídos os erros-padrão nos modelos OLS e os erros-padrão no OLS #Áustria (robusto) e 0LS #Letónia (robusto). Em todos os modelos está incluída a constante. Níveis de significância: ***1%, **5%, *10%. No modelo estimado para a Áustria, a idade do indivíduo influencia de forma positiva e estatisticamente significativa o salário do indivíduo, embora com uma magnitude inferior ao verificado no modelo estimado para Portugal. O coeficiente associado ao quadrado da idade é negativo, sendo que este também é estatisticamente significativo para um nível de significância de 1%. Ao contrário de Portugal e da Áustria, ao analisar o modelo estimado para a Letónia, verifica-se que a idade e o seu quadrado apresentam coeficiente com sinal negativo, e além disso, estas variáveis não são individualmente estatisticamente significativas. Tal como em Portugal, também na Áustria e na Letónia, as mulheres têm um rendimento mensal líquido inferior aos homens. A variável, em ambos os modelos (OLS #Áustria e OLS #Letónia), é individualmente estatisticamente significativa e tem uma relação negativa com a variável dependente. Na Áustria, em média, a diferença salarial entre homens e mulheres é de cerca de 24%, a favor do sexo masculino ( ceteris paribus ). Na Letónia, esta diferença entre ambos os sexos é de cerca de 21%, a favor dos homens, mantendo tudo o resto constante. Comparando os três países em estudo, verifica-se que é na Áustria que existe uma maior disparidade salarial entre géneros enquanto Portugal regista a menor diferença de rendimentos. 67 Relativamente ao local onde o indivíduo vive, no caso da Áustria, esta variável não influencia o seu rendimento líquido mensal, uma vez que não apresenta estatística significância. Quanto ao modelo OLS #Letónia, o resultado tem o sinal esperado, sendo estatisticamente significativo para um nível de significância de 1%. Assim, confirma-se que morar numa grande cidade influencia de forma positiva e significativa o seu salário líquido mensal. A diferença média entre os indivíduos que moram numa grande cidade e os que não moram é de cerca de 15% a favor dos primeiros. Em relação à escolaridade do indivíduo, esta está representada nos modelos por duas variáveis, básico e superior. No modelo OLS #Áustria, a variável que representa o ensino básico é estatisticamente significativa para um nível de significância 1% e, apresenta uma relação negativa com a variável dependente, sugerindo que os indivíduos que possuem o ensino básico ganham menos do que os que frequentaram o ensino secundário, o que vai de encontro à revisão de literatura. Em média, quem completou o ensino secundário aufere mais 23,76% no rendimento do que os que tem o ensino básico como escolaridade máxima ( ceteris paribus ). Confirma-se que o ensino superior influencia positivamente o rendimento líquido mensal e é estatisticamente significativo para um nível de significância de 1%. Os resultados sugerem que, em média, quem possui um diploma do ensino superior obtém mais 15% no seu salário comparativamente àqueles que apenas concluíram o ensino secundário, mantendo tudo o resto constante. Para o modelo OLS #Letónia, os resultados para a escolaridade são semelhantes. O ensino básico é determinante para o salário, porém está associado a um menor nível, dadas as estimativas negativas e estatisticamente significativas. Os que completaram apenas o ensino básico, em média, ganham menos 14,01% do que os que frequentaram o ensino secundário ( ceteris paribus ). O ensino superior é estatisticamente significativo para um nível de significância de 1% e, apresenta um coeficiente positivo com a variável dependente. Em média, quem completou o ensino superior ganha mais 27,94% do que os que têm apenas o ensino secundário, mantendo tudo o resto constante. Fazendo uma comparação entre os três países, é no mercado de trabalho austríaco que os trabalhadores com o ensino secundário completo têm maior proveito sobre os que têm apenas o ensino básico. Já para os que possuem um diploma do ensino superior, é no mercado de trabalho português que se os indivíduos têm maior vantagem sobre os que têm a escolaridade secundária como nível educacional máximo. As competências sociais dos indivíduos estão representadas pelas variáveis: valores, gestão, contactos e, notícias e cursos. Analisando o modelo OLS #Áustria, verifica-se competências associadas 68 à gestão, aos contactos, às notícias e aos cursos estão associadas a um maior rendimento líquido mensal. Todas estas relações são estatisticamente significativas. Relativamente à variável dos valores, apesar de apresentar sinal positivo, não é estatisticamente significativa, e acaba por não ter impacto sob o salário do indivíduo. A variável competências de gestão é estatisticamente significativa para um nível de significância de 1% e tem um impacto salário no rendimento do indivíduo. O resultado do modelo OLS #Áustria, indica que, o aumento de um ponto adicional no índice de competências de gestão que o indivíduo possuir, em média, o seu rendimento aumenta cerca de 2% ( ceteris paribus ). Relativamente à variável associadas aos contactos, o seu coeficiente influencia de forma positiva e estatisticamente significativa o salário do indivíduo. No modelo OLS #Áustria, o aumento de um ponto adicional nas competências de contactos do indivíduo, em média, incrementa 1,63% no seu rendimento líquido mensal, mantendo tudo o resto constante. Quanto à variável relacionada com as notícias, verifica-se que tal como era esperado, apresenta sinal positivo e significância estatística, indicando que os temas relacionados com a curiosidade pelas notícias provoca um crescimento no seu salário líquido mensal. O resultado sugere que, em média, o aumento de um minuto a ver notícias faz com o seu rendimento cresça 0,05% ( ceteris paribus ). Também os cursos realizados influenciam positivamente e têm impacto no rendimento líquido do indivíduo, o coeficiente desta variável tem sinal positivo e assume uma significância estatística para um nível de significância de 1%. Tal como esperado, a diferença média no rendimento mensal entre os indivíduos que frequentam cursos, de modo a aumentar o seu conhecimento e competências para o seu emprego, e os que não assistem a cursos é de cerca de 16,58%, a favor dos primeiros. Analisando agora estas variáveis associadas às competências para o caso da Letónia, verifica-se que há divergências de resultados. No modelo OLS #Letónia, apenas as variáveis associadas às competências de gestão e aos cursos afetam diretamente o salário do indivíduo. As restantes variáveis, os valores, os contactos e as notícias, não tem impacto sobre a variável dependente, pis nenhuma é estatisticamente significativa individualmente. Estes resultados sugerem que no mercado de trabalho da Letónia, estas competências não são determinantes para os retornos dos trabalhadores e além disso, também se verifica que no caso dos contactos, esta competência até é desvalorizada, pois o seu coeficiente é negativo. Quanto às competências de gestão, no modelo OLS #Letónia, o sinal do seu coeficiente é positivo e estatisticamente significativo. Tal como era expetável, em média, o aumento de um ponto 69 adicional de competências de gestão, o seu rendimento aumenta cerca de 1,29% (ceteris paribus). No modelo OLS #Letónia, assistir a cursos tem um efeito estatisticamente significativo sob o rendimento líquido do indivíduo, sendo este efeito positivo. Em média, os indivíduos que frequentam cursos auferem um salário 26,26% superior comparativamente aos que não investem em formações, como cursos e conferências. O uso do computador tem um impacto positivo sobre o rendimento do indivíduo, dadas as estimativas positivas e estatisticamente significativas verificadas no modelo OLS #Áustria. A diferença média entre os usuários de computadores e os não usuários (ou que usam raramente) na Áustria é de 8,45% a favor dos primeiros. Relativamente ao mercado de trabalho na Letónia, de acordo com o modelo OLS #Letónia, a variável assume o valor positivo que era esperado, sendo estatisticamente significativo para um nível de significância de 1%. Este resultado indica que, em média, os indivíduos que usam o computador ganham mais 20,22% do que os que não usam o computador, mantendo tudo o resto constante. Fazendo novamente uma comparação entre Portugal, Áustria e Letónia, verifica-se que é no mercado de trabalho português que há uma maior vantagem salarial para os usuários de computadores face aos que não usam. Através do coeficiente de determinação, R2, verifica-se que ambos os modelos explicam pouco a variação do rendimento. No caso da Áustria, o modelo consegue explicar apenas 22% da variação do rendimento do indivíduo, enquanto para o modelo da Letónia, este valor é ligeiramente superior, o R2 é de 32%. Relativamente à significância global dos modelos OLS #Áustria e OLS #Letónia, ambos são estatisticamente significativos para a explicação do rendimento líquido mensal. Este resultado aponta que, no mínimo, uma das variáveis explicativas, de cada modelo estimado, é estatisticamente relevante e tem influência sobre a variável dependente. Realizou-se o teste de White para ambos os modelos OLS. Para o OLS #Áustria, o teste levou à rejeição da hipótese nula, pelo que o modelo foi reestimado com erros-padrão robustos. O resultado das estimações do modelo robusto foi acrescentado na Tabela 39 – OLS #Áustria (robusto). Também para o modelo OLS #Letónia, ao realizar o teste de White, verificou-se que havia a presença de heteroscedasticidade. Desta forma, foi necessário introduzir um modelo robusto, OLS #Letónia (robusto), cujos erros-padrão foram revistos. 70 7. CONSIDERAÇÕES FINAIS Vivemos num mundo cada vez mais tecnológico e globalizado, que torna o mercado de trabalho altamente competitivo, onde as competências surgem como diferenciais entre os trabalhadores e lhes dá vantagem em determinadas ocupações. As competências exigidas pelo mercado de trabalho são as que têm maiores retornos salariais devido à sua alta procura por parte das empresas e empregadores. O efeito da substituição provocado pela automação provocou e continua a alarmar a força de trabalho, aliás, um estudo realizado por Frey e Osborne (2017) enfatizou esta problemática, ao estimar que 47% dos empregos nos EUA estavam com alto risco de serem automatizados. Porém, há que ter em atenção que, atualmente, e de acordo com algumas teorias existentes, são as ocupações intensivas em tarefas rotineiras que são facilmente substituídas por máquinas, enquanto nas tarefas não rotineiras é vantajoso aproveitar a tecnologia de forma complementar, e assim aumentar os retornos dos trabalhadores, como por exemplo, os seus salários e produtividade. No contexto atual, são as competências sociais que surgem como um obstáculo à automação, pois ainda não estão ao alcance das máquinas. De acordo com o trabalho de Deming (2017a), o crescente aumento da importância das competências sociais traduz-se em prémios salariais mais elevados. Assim, foram estimados os retornos para as competências sociais no mercado de trabalho de Portugal, Áustria e Letónia. Os resultados obtidos indicam que nos três países europeus existe discriminação salarial das mulheres, sendo esta mais evidente na Áustria. No mercado de trabalho austríaco, em média, as mulheres recebem menos 24% do que os homens, enquanto na Letónia esta diferença é de 21% e em Portugal a disparidade de rendimento entre ambos os sexos é cerca de 19%. A revisão de literatura estabelece que muitos trabalhadores se mudam para as grandes cidades em busca de maiores salários. Porém, em Portugal e na Áustria, o facto de o indivíduo viver numa grande cidade não impacta o seu rendimento líquido mensal. Este benefício apenas está presente na Letónia, em que os indivíduos residentes nas grandes cidades ganham mais 15% de salário do que os que moram fora da grande cidade. Relativamente aos efeitos da escolaridade, os retornos são diferentes dependendo do nível de escolaridade completo. Nos mercados de trabalho dos três países, os que completaram o ensino secundário têm maiores rendimentos comparativamente àqueles que apenas frequentaram o ensino básico, porém esta vantagem é superior para os austríacos e menor para os residentes na Letónia. A 71 diferença média salarial entre os que têm o ensino secundário e os que completaram o ensino básico, para a Áustria é de 23,76% a favor dos primeiros, enquanto em Portugal esta diferença salarial que beneficiam os que frequentaram o ensino secundário é de, em média, 22,62% e na Letónia apenas 14,01%. Já para o ensino superior, os retornos salariais são maiores no mercado de trabalho português. Quando comparados com que que terminaram o ensino secundário, em Portugal, um diplomado do ensino superior aufere um rendimento superior, em média, cerca de 40,44%. Na Áustria, esta vantagem de rendimento é inferior, em que quem frequentou o ensino superior ganha mais 15%, em média, do que os que completaram o ensino secundário. Para a Letónia, a diferença média de rendimento entre os indivíduos com ensino superior e secundário é em torno de 27,94%, a favor dos primeiros. Quanto às competências sociais, os resultados obtidos sugerem que os mercados de trabalho que foram alvo de estudo, recompensam diferentes competências. Portugal valoriza mais e um maior leque de competências do que os outros dois países. À exceção das notícias, que representa a curiosidade do indivíduo, as competências sociais representadas pelos valores, pelas competências de gestão, pelos seus contactos e realização de cursos, têm impacto e influenciam positivamente o rendimento líquido mensal dos portugueses. A competência social associada aos valores provoca um aumento de 3,87%, em média, no rendimento do indivíduo. Já as competências relacionadas com a gestão provocam um incremento médio de cerca de 2% no salário do indivíduo, e a rede de contactos do indivíduo aumenta, em média, 3% no seu rendimento. Em Portugal, quem frequentou cursos e conferências ganha, em média, mais 11,08% do que aqueles que não procuraram investir em formações extra (cursos e conferências). Analisando no mercado de trabalho austríaco, constatou-se que este recompensa todas as competências sociais em estudo, à exceção da que está relacionada com os valores do indivíduo, pois esta não tem impacto sobre a variável dependente. As competências de gestão, contactos, notícias e cursos são competências que influenciam positivamente o salário na Áustria, e todas elas são estatisticamente significativas. As competências de gestão provocam um aumento no rendimento do indivíduo em torno de 2%, em média. No que concerne às competências associadas aos contactos, o retorno do rendimento mensal é de, em média, 1,63%. A curiosidade que o indivíduo demonstra, associada à variável das notícias, impacta positivamente o seu rendimento, e em média, por cada minuto adicional que o indivíduo passa a ver notícias, o seu rendimento líquido mensal aumenta 0,05% ( ceteris paribus ). Também na Áustria, a diferença média salarial entre quem frequentou cursos e os que não frequentaram é de 16,58%, a favor dos primeiros. 72 Na Letónia, foram poucas as competências sociais em estudo que revelaram ter impacto no rendimento líquido mensal do indivíduo. As variáveis relativas aos valores, contactos e notícias não são estatisticamente significativas no modelo em estudo, o que sugere que não têm qualquer impacto no rendimento. As competências de gestão provocam um aumento, de em média, 1,29% no salário do indivíduo. Além disso, quem frequentou cursos de modo a melhorar os seus conhecimentos e competência, vê que o seu salário é, em média, 26,26% superior àqueles que não assistiram a nenhum curso. Pela importância que a tecnologia tem no mercado de trabalho, analisou-se a importância que o uso de computador para os retornos salariais do indivíduo. Constatou-se que é em Portugal que os retornos para esta variável são maiores. A diferença média de rendimento, em Portugal, entre os usuários de computadores e os não usuários, é em torno de 39%, a favor dos primeiros. Na Áustria, em média, quem usa computadores ganha mais 8,45% do que os que não usam, e na Letónia este valor é de, em média, 20,22% a favor dos usuários. Para este estudo, e indo ao encontro à literatura existente, teria sido interessante adicionar uma competência cognitiva de forma a avaliar os seus retornos, se esta seria um determinante tão ou mais importante que as competências sociais nos rendimentos dos indivíduos, ou até mesmo se existiria uma complementaridade entre ambos os tipos de competências – tal como se verifica nos estudos de Weinberg (2014) e Deming (2017a). Pelo facto de este estudo ter investigado e comparado apenas três países europeus, teria sido interessante alargar o número de países na análise, e assim termos um maior panorama sobre a relação entre os salários e as competências nos diferentes mercados de trabalho europeus. Há também outras limitações presentes neste estudo. Por exemplo, a omissão de variáveis relevantes, que pode comprometer a centricidade dos estimadores OLS. Também o uso de variáveis categóricas neste estudo restringiu a análise de dados, quer na criação dos índices, quer na Análise de Componentes Principais, e por consequente, nas regressões. Por exemplo, foi aplicado a ACP aos índices que cumpriam os critérios dos testes de esfericidade de Bartlett e de KMO, porém verificaramse casos que mesmo sendo adequado recorrer a esta técnica, a medida de adequação não seria a ideal. Contudo, e tendo este facto em conta, e por não desrespeitar nenhum critério – pois nenhum valor estava abaixo do limiar de referência –, prosseguiu-se na mesma com a aplicação da Análise de Componentes Principais. A principal razão para tal, é que a alternativa (criar variáveis dummy para 73 todas as variáveis categóricas que não se conseguissem agregar em índices) levaria a piores resultados e também a uma maior perda de informação, conforme está mencionado na subsecção 5.1.1. 74 REFERÊNCIAS BIBLIOGRÁFICAS Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives , 33 (2), 3-30. Araújo, S. (2017). Raising skills in Portugal, OECD Economics Department Working Papers , No. 1405, OECD Publishing. Paris . Autor, D. (2014). Polanyi's paradox and the shape of employment growth , NBER Working Papers No. 20485, National Bureau of Economic Research, Cambridge. Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives , 29 (3), 3-30. David, H., Katz, L. F., & Kearney, M. S. (2006). The polarization of the US labor market. American Economic Review , 96(2), 189-194. Autor, D. H., Levy, F., & Murnane, R. J. (2003). The skill content of recent technological change: An empirical exploration. The Quarterly Journal of Economics , 118 (4), 1279-1333. Bacolod, M., Blum, B. S., & Strange, W. C. (2009). Skills in the city. Journal of Urban Economics , 65 (2), 136-153. Bakhshi, H., Downing, J. M., Osborne, M. A, & Schneider, P. (2017). The Future of Skills: Employment in 2030 . Pearson and Nesta. Londres. Bartholomew, D. J., Steele, F., Moustaki, I., & Galbraith, J. I. (2008). Analysis of multivariate social science data . Segunda Edição. CRC press. Nova Iorque. Becker, G. (1964). Human capital: A theoretical and empirical analysis, With special reference to education . New York: Columbia University Press. Borghans, L., Duckworth, A. L., Heckman, J. J., & Ter Weel, B. (2008). The economics and psychology of personality traits. Journal of Human Resources , 43 (4), 972-1059. Borghans, L., & Ter Weel, B. (2011). Computers, skills and wages. Applied Economics , 43 (29), 4607-4622. Brunello, G., & Schlotter, M. (2010). The effect of non cognitive skills and personality traits on labour market outcomes. Analytical report for the European Commission prepared by the European Expert Network on Economics of Education . Disponível em: 75 https://eenee.eu/en/resources/library/non-cognitive-skills-and-personality-traits-labour-marketrelevance-and-their-development-in-et-systems/ Brunello, G., & Schlotter, M. (2011). Non-cognitive skills and personality traits: Labour market relevance and their development in education & training systems. IZA Discussion Papers, No. 5743, Institute for the Study of Labor Economics (IZA), Bonn, http://nbn-resolving.de/urn:nbn:de:101:1201106013933 Card, D., & DiNardo, J. E. (2002). Skill-biased technological change and rising wage inequality: Some problems and puzzles. Journal of Labor Economics , 20 (4), 733-783. Centeno, M. (2016). O trabalho, uma visão de mercado . Fundação Francisco Manuel dos Santos. Lisboa. Crespo, N., & Simões, N. (2022). Mercado de trabalho em Portugal: do teletrabalho ao salário mínimo. 1ª edição. Conjetura Actual Editora. Coimbra. Cunha, F., Heckman, J. J., & Schennach, S. M. (2010). Estimating the technology of cognitive and noncognitive skill formation. Econometrica , 78 (3), 883-931. Deloitte Access Economics. (2017). Soft skills for business success. DeakinCo . Disponível em: https://www2.deloitte.com/au/en/pages/economics/articles/soft-skills-business-success.html Deming, D., & Kahn, L. B. (2018). Skill requirements across firms and labor markets: Evidence from job postings for professionals. Journal of Labor Economics , 36 (S1), S337-S369. Deming, D. J. (2017a). The growing importance of social skills in the labor market. The Quarterly Journal of Economics , 132 (4), 1593-1640. Deming, D. J. (2017b). The value of soft skills in the labor market. NBER Reporter , 4 , 7-11. Edin, P. A., Fredriksson, P., Nybom, M., & Öckert, B. (2018). The rising return to non-cognitive skill . Working Paper, No. 2018:15, Uppsala University, Department of Economics, Uppsala, http://nbnresolving.de/urn:nbn:se:uu:diva-368414 European Commission (2022). Employment, Social Affairs & Inclusion: European Skills Agenda. Disponível em: https://ec.europa.eu/social/main.jsp?catId=1223&langId=en Filmer, D., & Pritchett, L. H. (2001). Estimating wealth effects without expenditure data—or tears: an application to educational enrollments in states of India. Demography , 38 (1), 115-132.