Índice de riesgo laboral ante la automatización: estimación y análisis

I.1. Estudios empíricos

Se presenta la revisión empírica internacional y nacional, donde son abordados algunos estudios empíricos que se han elaborado en torno a la automatización del mercado de trabajo.

Morrón (2016) encuentra para España que el cambio tecnológico es determinante para automatizar ocupaciones no calificadas, mientras que para aquellas que requieren creatividad, relaciones entre personas, tienen menores probabilidades de ser automatizadas como es el caso de las ocupaciones calificadas. Sus resultados indican que 43 por ciento del empleo en el país tiene poco más de 66 por ciento de riesgo alto de ser automatizados en un periodo mediano, mientras que 57 por ciento restante se queda dividido en fragmentos iguales y oscila entre riesgo medio, que va desde desde 33 por ciento a 66 por ciento y riesgo bajo con menos de 33 por ciento.

Tenjo (2019) encuentra que el Departamento Administrativo Nacional de Estadística de Colombia (DANE) reportó en octubre del 2019 que el desempleo había aumentado 9.8 por ciento, explicado por el impacto del cambio tecnológico en el sector bancario y en la industria.

Manyika et al. (2017), en Estados Unidos dividieron 800 profesiones en más de 2,000 actividades y cada una de ellas con determinadas competencias, con datos del Departamento del Trabajo. Encontrando que menos de 5 por ciento de las profesiones pueden ser totalmente automatizables y cerca de 60 por ciento tienen por lo menos 30 por ciento de actividades automatizables. Los autores destacan que los países desarrollados serán los primeros en automatizar sus procesos productivos respecto a los países en vías de desarrollo, debido a que cuentan con bajos salarios y elevadas tasas de natalidad.

Arntz et al. (2016) y Araneda et al. (2017) miden la susceptibilidad que tienen los empleos a ser automatizados en los países miembros de la OCDE, y lo realizan desde el enfoque de tareas. Emplearon el Programa para la Evaluación Internacional de las Competencias de los Adultos (PIAAC), el cual proporciona información micro sobre particularidades socioeconómicas, competencias y tareas en el trabajo. Al aplicar el índice de automatización de Frey y Osborne (2013) mediante una imputación múltiple, encuentran que del total de los países miembros de la OCDE, 21 tienen 9 por ciento de empleos con altas probabilidades de automatización, aunque encuentran diferencias entre países, por ejemplo, Austria y Corea del Sur muestran 12 y 6 por ciento, respectivamente.

Molina et al. (2018) en Argentina, miden el impacto de la tecnología en el empleo por sectores económicos. Encuentran que en el corto plazo, el porcentaje de empleo creció 3.3 por ciento para aquellas empresas que innovaron, mientras que para las compañías que no lo hicieron el porcentaje bajó ligeramente. También, descubren sectores en los cuales se crean nuevos empleos, siendo la automotriz e ingeniería los que mayores porcentajes tienen, con 39.1 por ciento y el sector agrícola es el que destruye más empleo con 41.9 por ciento, pero los crea en 34.6 por ciento.

Araneda et al. (2017) con el objetivo de medir la magnitud de rutina que hay en las ocupaciones y sectores económicos y la probabilidad de automatización en el mercado de trabajo de Chile, emplearon datos de empresas, ocupaciones y sectores del PIAAC 2017, con información de la Nueva Encuesta Nacional de Empleo (NENE) y la Encuesta Longitudinal de Empresas (ELE). Con la metodología de Marcolin et al. (2016a y 2016b) calculan el Índice de Intensidad de Rutina, que establece parámetros entre 1 y 5, siendo 1 menos nivel de rutina y 5 mayores niveles de rutina en tareas. Los resultados indican que 61 por ciento de los ocupados están en trabajos con capacidad de automatización como los operadores de máquinas, de acuerdo con tareas con mayor y media rutina, y los empleos de directores, gerentes, científicos, son los que poseen menor índice de rutina, con 1.89 y 1.95, respectivamente. También encontraron que el sector de la Información y Comunicación es el que tiene el menor índice, con 1.88, mientras que la agricultura y pesca son los que poseen el mayor índice con 3.07, lo que significa que tienen un nivel de rutina alto, por tanto, las probabilidades de automatización son mayores. Los autores aseveran que la implantación de tecnología en el país chileno es lenta y su mercado es menos adaptable al de otras naciones desarrolladas como Estados Unidos.

En contraste con los enfoques y resultados obtenidos de los estudios antes expuestos, se encuentra el realizado por Frey y Osborne (2017), los cuales utilizaron las ocupaciones para conocer el riesgo que tienen los trabajos a la computarización en Estados Unidos. Para esto emplearon 702 ocupaciones y el clasificador de proceso Gaussiano, con datos de la O*NET (por sus siglas en inglés, Red de Información Ocupacional), pues se describen las ocupaciones y las tareas que realizan. Distinguieron a las ocupaciones en baja, media y alta exposición, de acuerdo con sus probabilidades de informatización. Encontraron que 47 por ciento de los ocupados del país está en alto riesgo de ser automatizable en un periodo de 10 o 20 años, en las áreas de logística, administrativa, transporte, de oficina, servicios, construcción y ventas. Especifican que el área de ventas tiene alto riesgo, debido a que las tareas que se requieren realizar no necesitan un alto nivel de intelecto social. Concluyen que el progreso tecnológico pondrá en riesgo a una parte considerable de ocupaciones en un futuro cercano y dependerá de diversos factores. Aclaran que aquellas que estén en ingeniería e informatización, son las que tienen menor probabilidad de automatización a causa de que éstas emplean la creatividad, por lo que serán complementarias a la tecnología.

Con el propósito de determinar la automatización del empleo en Argentina, O´Connor et al. (2016) utilizaron el análisis sobre la probabilidad de automatización de Frey y Osborne (2013) mediante los datos que proporciona el Instituto Nacional de Estadísticas y Censos (INDEC) a través de la Encuesta Permanente de Hogares (EPH) del segundo trimestre del año 2016, con una muestra de ocupados de 16 a 65 años de edad. Los autores compaginaron las categorías y códigos de ocupación de Frey y Osborne (2013) y la EPH, respectivamente. Encuentran que la probabilidad de computarización de los ocupados en el país argentino es del 62 por ciento. El sector de enseñanza es la que tiene menor probabilidad, con 24 por ciento y la que tiene mayor es la rama del comercio al mayoreo y menudeo. Mientras que si es por ocupaciones con 94 por ciento de probabilidad de automatización están los operadores de maquinaria y con 4 por ciento los jefes de la salud.

Marcolin et al. (2016) utilizaron el Índice de Intensidad de Rutina con datos del Programa para la Evaluación Internacional de las Competencias de Adultos (PIAAC), ya que proporciona las tareas que llevan a cabo los ocupados, así como información sobre edad, sexo, sectores y ocupaciones. Dicho programa ofrece datos de los 20 países miembros de la Organización para la Cooperación y el Desarrollo Económico (OCDE) de los años 2011 y 2012. Encontraron que, en promedio, el 46 por ciento de los trabajadores de esta encuesta están en puestos de trabajo no rutinarios. Las ocupaciones con un mayor y menor índice de intensidad de rutina son los operadores de planta con 2.99 y los gerentes 1.61, respectivamente.

Rodríguez y Castro (2012) analizan el comportamiento del premio a la habilidad y la sustitución del trabajo por medio de los cambios en la oferta de mano de obra, a través de cuatro categorías ocupacionales en tareas rutinarias y no rutinarias analíticas y manuales, con los datos de la ENOE 2000-2009 y aplican la función de producción Cobb-Douglas para el mercado laboral de México y sus regiones. Los resultados indican una reducción en la demanda de trabajo rutinario manual en las regiones sur y península; en el resto de las regiones también se presenta un descenso, pero con menor intensidad, sobre todo con énfasis en la región frontera, norte y centro del país.

El Banco de México (2018), para el mercado laboral mexicano, calcula la probabilidad de automatización en alta, media y baja con la metodología de Frey y Osborne (2017) y los datos de la Encuesta Nacional de Ocupación y Empleo (ENOE) de 2005 al 2017. Encontraron que 68.5 por ciento de la población mexicana está en sectores con alta probabilidad de automatización, tal como la agricultura y manufactura. Además, la región norte y centro tienen menor porcentaje de personas en ocupaciones con una alta probabilidad de automatización, contrario a los ocupados ubicados en el sur del país.

Resumiendo lo expuesto, se encuentra que la automatización puede reducir empleo y crear otros. El análisis se ha realizado por industrias, ocupaciones y tareas. Además, en diferentes momentos en el tiempo, países y regiones. Los datos varían por zona geográfica, aunque la metodología más utilizada es el índice de automatización o sustitución de ocupaciones o tareas de Frey y Osborne (2013 y 2017). Los resultados de los estudios coinciden en encontrar que los trabajadores que muestran un índice alto de automatización son aquellos ubicados en ocupaciones no calificadas y en tareas rutinarias, así como en regiones con menor exposición a la economía internacional.

II.1. Datos

Con respecto a los datos, esta investigación utiliza las ENOE de 2005 y 2019, con el objetivo de hacer un análisis comparativo. El periodo seleccionado se elige, debido a que se tiene registro de la primera ENOE en 2005 y el 2019 corresponde a la información disponible antes de la pandemia de Covid-19. Las ENOE tienen un problema que ha sido analizado en el pasado y es el del subreporte de los ingresos. Para hacer frente a esta situación, dado que los ingresos constituyen una variable clave tanto para el análisis de componentes principales como para el análisis descriptivo y de regresión, se procedió a imputar los salarios en los casos en los que los entrevistados se negaron a dar esta información; para ello se aplicó la metodología de Rodríguez y López (2015).¹ Los factores de expansión se usaron en todas las estimaciones. Los ingresos han sido deflactados al utilizar el Índice de Precios y Cotizaciones (IPC) de 2O19.

Para clasificar todas las ocupaciones a cuatro dígitos de las bases de datos de la ENOE en las categorías: no rutinaria cognitiva, rutinaria cognitiva, rutinario manual y no rutinario manual, tanto cuando se usó la Clasificación Mexicana de Ocupaciones (CMO, la cual estuvo vigente hasta el 2012), como cuando se usó el Sistema Nacional de Clasificación de Ocupaciones (SINCO, vigente a partir de 2012), se consideraron las tareas principales de las ocupaciones en cada grupo unitario. Es importante mencionar que, en la mayoría de los casos, cada grupo unitario del SINCO contiene más de una ocupación. A cada ocupación se le clasificó en los grupos mencionados con base en el tipo de tareas que desarrollan.

UNA vez hecha la clasificación del SINCO, la clasificación de la CMO se hizo por tabla de equivalencia, en donde un mismo grupo de la CMO puede albergar más de un grupo unitario del SINCO. Para hacer la clasificación se tomó como referencia lo identificado en el artículo de Acemoglu y Autor (2011), donde los grupos se construyeron con base en los siguientes criterios (ver Cuadro 1).

II.2. Metodología

El objetivo principal de este trabajo es estimar un Índice de Riesgo ante la Automatización (IRA) de ocupaciones por tareas y encontrar sus determinantes a través de regresiones de Mínimos Cuadrados Ordinarios, en primer lugar, y de regresiones probit, en segundo lugar. La primera metodología a utilizar es la relativa a la construcción del IRA mediante la herramienta de componentes principales. Dado que la literatura sobre el cambio tecnológico sesgado por tareas afirma que quienes realizan tareas de índole rutinaria tienen un mayor riesgo de ser sustituidos por la tecnología, una primera variable para la construcción del IRA fue una dummy que es igual a 1 si la persona realiza labores de índole rutinaria y 0 si este no es el caso. Una segunda variable utilizada es una dummy que señaliza si la persona se encuentra entre el percentil 20 y el percentil 80 de la distribución de ingresos. Finalmente, la tercera variable que se incorporó al análisis de componentes principales fue otra dummy que es igual a 1 si la persona se encuentra entre el percentil 20 y el percentil 80 en la distribución de ocupaciones por tareas. Esta clasificación se fundamenta en la hipótesis de “rutinización” o cambio tecnológico sesgado por rutinas (routine-biased technological change), que considera a los ocupados del extremo derecho como aquellos que realizan tareas no rutinarias cognitivas, mientras que los del extremo izquierdo son los menos calificados y realizan tareas no rutinarias manuales.

Las bondades del índice es que se construye al incorporar algunas dimensiones y componentes del riesgo ante la automatización, más allá de sólo incorporar las ocupaciones por tareas, como es el caso de la consideración de la distribución de ingresos, por lo que considera otras dimensiones no utilizadas en la literatura. En la creación del Índice de Riesgo ante la Automatización (IRA) se utilizaron las tres variables o componentes, tales como: realizar tareas de índole rutinaria o de índole no rutinaria; encontrarse entre el percentil 20 y 80 de la distribución de ingresos y ubicarse entre el percentil 20 y 80 de la distribución de calificación, como lo muestra el Cuadro 2, mientras que para definir los determinantes del riesgo ante la automatización se emplearon las seis variables contenidas en el Cuadro 3, referidas al sexo, edad, escolaridad, ocupación, rama y región. Una vez que se definieron las variables que se utilizarían para la operacionalización del concepto de riesgo ante la automatización en México, se procedió a estimar el índice por medio del análisis de componentes principales. Se eligió este método porque entre sus principales características se encuentra permitir explicar la mayor cantidad de varianza con la menor cantidad de componentes.

El análisis de componentes principales considera la varianza total de los datos, buscando hacer pocas combinaciones lineales de las variables que se observarán, resumiendo los datos y perdiendo la menor información posible; es decir, que se logren explicar las diferencias entre los individuos como si se estuviera utilizando toda la base de datos. Como se mostrará más adelante, en esta investigación se consideraron dos componentes, en el componente uno se agruparon las variables correspondientes a la realización de tareas de índole rutinaria y la posición en la parte media de la distribución de ingresos, mientras que en el componente dos se encuentra la posición en la parte media de la distribución de calificaciones, que explican cerca de 77 por ciento de la varianza de los datos. Sin embargo, antes de utilizar esta técnica es necesario comprobar su factibilidad, por lo que se recomienda calcular el estadístico de Keyser-Meyer-Olkin (KMO) y la prueba de esfericidad de Bartlett. El KMO contrasta que las correlaciones parciales entre las variables sean suficientemente pequeñas, lo que permite que se compare la magnitud de los coeficientes de correlación observados con la magnitud de correlación parcial. Si el resultado es cercano a 1, significa que el análisis de componentes principales es viable, mientras que la prueba de Bartlett realiza un contraste entre la hipótesis nula para analizar si no existen correlaciones significativas entre las variables y el modelo.

Para esta investigación se llevaron a cabo ambas pruebas para conocer la factibilidad de emplear el análisis de componentes principales con las bases de datos de la ENOE de 2005 y 2019. En el Cuadro 4 se presentan los resultados de ambas pruebas. El resultado de la prueba de KMO fue de 0.507 en 2005 y de 0.501 en 2019. Aunque son de valor pequeño, muestran que es factible efectuar el análisis de componentes principales al estar ligeramente por encima del 0.5 (Montoya, 2007: 284), mientras que en la prueba de Bartlett se tiene como resultado un nivel crítico de 0.000 en ambos años, lo que demuestra que es viable hacer el análisis factorial por componentes principales.

Una vez demostrada la factibilidad de efectuar el análisis de componentes principales para estimar el Índice de Riesgo ante la Automatización, se realizó el cálculo de la matriz que muestra la varianza explicada por cada componente. En el Cuadro 5 se observa que cerca de 77 por ciento de la varianza se explica con dos componentes, tanto en 2005 como en 2019, siendo el primer componente el que explica alrededor de 43 por ciento de la varianza en ambos años, y el segundo el que explica aproximadamente 33 por ciento. Se decidió trabajar con dos componentes, considerando que a partir del tercero se tiende a reducir la varianza explicada.

Las variables utilizadas para el índice de riesgo ante la automatización se agrupan en cada uno de los componentes que explican la varianza. Como se aprecia en el Cuadro 6, la matriz de componentes agrupa los valores más relevantes de las variables en cada uno de los dos componentes seleccionados para construir el índice de riesgo ante la automatización, correspondiendo con las dimensiones planteadas para determinar el fenómeno de la vulnerabilidad ante el avance tecnológico.

Como se puede deducir a partir del Cuadro 6, en el componente uno (C1) se agruparon las variables correspondientes a la realización de tareas de índole rutinaria y la posición en la parte media de la distribución de ingresos, mientras que en el segundo componente (C2) se encuentra la posición en la parte media de la distribución de calificaciones. La representación aritmética de este cálculo sería la siguiente:

Los resultados de IRA arrojaron, en 2005, datos en un rango que va de -0.6353142 a 1.349695, mientras que, en 2019, el rango de IRA va de -0.6264836 a 1.457333. Ordenando los valores de manera ascendente, se procedió a realizar una estratificación a través del método de Dalenius-Hodges (1959), mediante el cual se lograron establecer tres estratos: riesgo ante la automatización baja, riesgo ante la automatización media y riesgo ante la automatización alta. Este método permite formar estratos de manera que la varianza que se obtiene es mínima para cada estrato, es decir, los grupos que se forman son los más homogéneos posibles (Inegi, 2010: 2).

En el Cuadro 7 se muestran los resultados de la estratificación, los cuales permiten conocer los tres grados de vulnerabilidad de los trabajadores ante el avance de la tecnología, a partir de los datos de la Encuesta Nacional de Ocupación y Empleo 2005 y 2019. Un primer resultado que vale la pena resaltar es la caída en el porcentaje de trabajadores que enfrentan un riesgo bajo ante el avance de la automatización, y el crecimiento tan importante en el porcentaje de aquellos que enfrentan un riesgo medio de ser desplazados por la tecnología digital. En el estrato de riesgo alto hay un crecimiento, pero de tamaño moderado. Sin embargo, casi 23 por ciento de los trabajadores está enfrentando un riesgo alto de desplazamiento a causa del avance de la tecnología.

III.1. Análisis descriptivo

El Cuadro 8, muestra las frecuencias no ponderadas de trabajadores de las muestras de la ENOE 2005 y 2019 por categoría de riesgo ante la automatización (dato que se presentó arriba) y los porcentajes de estas frecuencias, pero ponderadas. Los datos ponderados vuelven a mostrar una caída importante en el porcentaje de trabajadores con riesgo bajo, y un aumento significativo en el porcentaje de trabajadores con riesgo medio, lo que nos confirma la idea de que entre 2005 y 2019, un mayor número de trabajadores enfrenta un riesgo de desplazamiento ante los avances tecnológicos recientes. El porcentaje ponderado de trabajadores con riesgo alto se mantiene relativamente constante, aunque sí aumenta ligeramente.

Otro dato interesante del Cuadro 8 es que la edad promedio de los trabajadores es significativamente mayor en el estrato de riesgo bajo, lo que sugiere que los trabajadores con más experiencia laboral tienen menores riesgos de ser desplazados por la tecnología. Nótese, sin embargo, que los trabajadores más jóvenes se encuentran sobre todo en el estrato de riesgo medio ante la automatización, lo que sugiere que hay un umbral; es decir, que los trabajadores jóvenes tienen cierta ventaja en el uso de tecnologías, de tal forma que enfrentan riesgos relativamente bajos de ser desplazados por la digitalización y las computadoras; este riesgo aumenta con la edad, pero hasta cierto nivel máximo, el cual seguramente sucede a la edad adulta media. Después de eso, el riesgo vuelve a caer, seguramente por la experiencia laboral que es altamente apreciada en los mercados de trabajo. Esto implica que el riesgo ante la automatización tiene forma de U invertida cuando se grafica con la edad.

También el Cuadro 8 sugiere que las mujeres enfrentan menores riesgos de desplazamiento laboral ante la automatización que los hombres. Obsérvese cómo las mujeres están sobrerrepresentadas en los estratos de riesgo bajo y medio, y subrepresentadas en el estrato de riesgo alto, mientras que 52 por ciento de las muestras son mujeres, éstas representan aproximadamente 35 por ciento del total de trabajadores en el grupo de riesgo alto, y 58 por ciento y 56 por ciento, en 2019, en los estratos de riesgo bajo y medio. Es probable que la facilidad de las mujeres para manejar la tecnología, y el mayor énfasis de los trabajos existentes en la tecnología y el menor énfasis en el trabajo físico estén beneficiando a las mujeres en los mercados laborales actuales, además de que ellas tienen una mayor concentración en tareas manuales no rutinarias, donde hacen actividades de limpieza y cuidado con una mayor interacción social [algo que el trabajo de Rodríguez y Meza (2021) confirma].

Con respecto a la escolaridad, los resultados son interesantes. En 2005, los trabajadores de mayor escolaridad eran los que enfrentaban un mayor riesgo de desplazamiento. Es probable que los trabajadores más educados hayan sido también en ese año los más jóvenes, lo que implica que es necesario llevar a cabo un análisis de regresión para entender bien esta contradicción. Para el 2019, en cambio, los más educados son los que se encuentran en el estrato de riesgo más bajo. Sin embargo, la relación entre riesgo ante la automatización y escolaridad tampoco es lineal. Los menos educados se encuentran en el estrato de riesgo medio, mientras que los que tienen una escolaridad intermedia son los que enfrentan el riesgo más alto. Nótese cómo la gráfica del perfil riesgo-edad es muy similar a la gráfica del perfil riesgo-escolaridad, lo que sugiere que la relación es entre riesgo y capital humano. Esta evidencia nos obliga a insertar un término cuadrático tanto de edad como de escolaridad en las regresiones para controlar la relación no lineal entre la variable dependiente (riesgo ante la automatización) y las variables independientes (edad y escolaridad acumulada).

Finalmente, con respecto a los ingresos laborales promedio, el Cuadro 8 muestra que los ingresos más altos se obtienen en el estrato de riesgo bajo ante la automatización, y que los salarios más bajos se obtienen en el estrato de riesgo más alto ante la automatización. Este es un resultado que vale la pena retomar, pues hablaría de la polarización del mercado laboral mexicano. Es decir, parecería que quienes realizan tareas de índole no rutinaria (los que enfrentan menores riesgos ante la automatización) están recibiendo mayores ingresos en el mercado laboral mexicano, independientemente de si realizan labores cognitivas o manuales.

Cuando se analiza el riesgo ante la automatización de diferentes ocupaciones en el país, encontramos patrones dignos de estudio. El Cuadro 9 presenta los porcentajes de trabajadores en diferentes ocupaciones por estrato de riesgo ante la automatización. Los porcentajes totales también se incluyen para entender mejor los resultados.

El Cuadro 9 indica que los trabajadores sobrerrepresentados en el estrato de riesgo ante la automatización bajo son, por un lado, los profesionales y técnicos y los funcionarios y directivos. Además, también están sobrerrepresentados en esta categoría los trabajadores agrícolas y los trabajadores de vigilancia, pero estos últimos sólo en el 2019. En cambio, los oficinistas, los trabajadores industriales, los comerciantes, los operadores de transporte y los trabajadores en servicios personales están sobrerrepresentados en el estrato de riesgo alto ante la automatización. Aunque esta categorización de las ocupaciones en México incluye muy pocos grupos, al menos provee una primera aproximación para entender que quienes tienen menos riesgo de ser desplazados por la tecnología son, sobre todo, las personas que ocupan puestos donde se toman decisiones. También los resultados del Cuadro 9 nos hablan de lo poco tecnologizado que está el campo mexicano. Un trabajo futuro será desagregar con mayor detalle las ocupaciones y analizar el riesgo ante la automatización en cada una de ellas.

Ahora, el Cuadro 10 presenta la misma información que el Cuadro 9 pero desagregada por industria. Nótese que, en 2005, los trabajadores del sector agropecuario estaban sobrerrepresentados en el estrato de riesgo bajo, pero para 2019 están sobrerrepresentados en las categorías de riesgo medio y alto. El resto de las industrias presentan una sobrerrepresentación de trabajadores en el estrato de riesgo alto, lo que seguramente es el reflejo del avance del riesgo ante la automatización en el periodo estudiado. Un análisis descriptivo más detallado de los cambios en el tiempo del riesgo ante la automatización por ocupación e industria se presenta más adelante.

Por ahora, el Cuadro 11 presenta la misma información de los Cuadros 9 y 10 pero por región. Se advierte que tanto la región norte como la centro tienen un mayor porcentaje de trabajadores en el estrato alto de riesgo, mientras que la región sur presenta mayor porcentaje de trabajadores en el estrato bajo de riesgo ante la automatización, en 2005 y 2019. Esto nos habla de que los procesos de desarrollo económico y la integración de las zonas geográficas con la economía internacional implican mayor riesgo ante la automatización.

Para entender mejor cómo el riesgo ante la automatización cambia en el tiempo para diferentes tipos de trabajadores, el Cuadro 12 presenta porcentajes de trabajadores en cada estrato de riesgo ante la automatización, por tipo de trabajador, y cambios en los porcentajes en el tiempo; es decir, diferencias porcentuales en el periodo de 2005-2019. Un primer resultado que vale la pena destacar es que todos los trabajadores presentan una caída en los porcentajes que se encuentran en el estrato bajo de riesgo. Sin embargo, la caída porcentual es mayor para los trabajadores agrícolas, para el sector agropecuario y para el sector construcción. También los trabajadores de educación superior y los profesionistas-técnicos experimentan caídas importantes en los porcentajes de trabajadores en el estrato bajo de riesgo ante la automatización. Es notorio que esta caída es mayor tanto entre los trabajadores más calificados como entre los menos calificados. Esto nos hablaría de un proceso opuesto a la polarización en México.

Por su parte, los trabajadores que menor caída presentan en los porcentajes de bajo riesgo ante la automatización son las mujeres, los funcionarios y directivos y los trabajadores en vigilancia. Esto vuelve a sugerir que las mujeres enfrentan menores riesgos de desplazamiento laboral ante el avance de la tecnología. También los trabajadores de educación media y los del sector manufacturero enfrentan caídas relativamente pequeñas en porcentajes de riesgo bajo ante la automatización. Este es un resultado interesante que sugiere poco avance de la tecnología en los sectores industriales mexicanos.

Con respecto a los porcentajes de trabajadores en el estrato de riesgo alto ante la automatización, cabe destacar que casi todos los grupos de trabajadores analizados muestran un incremento en este indicador. Las excepciones son los profesionales y técnicos y funcionarios y directivos (quienes en general realizan tareas que involucran toma de decisiones y procesos cognitivos complejos), los trabajadores más jóvenes (y seguramente más conocedores de las últimas tecnologías), los trabajadores de educación media (cuya caída en porcentajes es insignificante), los trabajadores en vigilancia (asociados seguramente a los crecientes niveles de inseguridad en el país), los de servicios y otros sectores. Entre estos grupos, la mayor caída en porcentaje de alto riesgo se observa en el grupo de trabajadores en vigilancia. Por otro lado, el mayor aumento en el porcentaje de trabajadores en el estrato de alto riesgo se observa entre los agrícolas, tanto cuando se definen por su ocupación como por su industria, lo que probablemente se asocia con el avance de la tecnología en el sector. También aquellos que tienen entre 45 y 60 años de edad presentan un aumento significativo en el porcentaje de trabajadores que se encuentran en el estrato alto de riesgo. Estos trabajadores no tienen la ventaja de los jóvenes respecto de su conocimiento de la tecnología, y tampoco la ventaja que da la edad en los procesos de toma de decisiones. Otros trabajadores con mayor riesgo de desplazamiento por la tecnología son los oficinistas, los trabajadores industriales y los del sector de la construcción.

Para entender mejor cómo afecta el avance de la tecnología a diferentes grupos de trabajadores en México, a continuación, se presentan resultados del análisis de regresión.

III.2. Análisis de regresión

Esta parte del trabajo se divide en dos secciones. En la primera se presentan los resultados de las regresiones de Mínimos Cuadrados Ordinarios (MCO) en las que la variable dependiente es el Índice de Riesgo ante la Automatización (IRA) que se obtuvo con el método de componentes principales. En la segunda sección se incluyen los resultados de las regresiones probit en las que la variable dependiente es una dummy que es igual a 1 si el trabajador se posiciona en el estrato de riesgo alto ante la automatización. No se analiza causalidad sino correlaciones.

III.3. Índice de Riesgo ante la Automatización (IRA)

El Cuadro 13 presenta los resultados de las regresiones de MCO. Las regresiones se estimaron con diferentes especificaciones para probar la robustez de los modelos. Hay resultados robustos que se mantienen cuando se añaden variables explicativas al modelo, y hay resultados que cambian al modificar la especificación. Los resultados que se discuten a continuación son los del modelo 3, es decir, el que incluye el mayor número de variables explicativas y el que explica la mayor varianza de la variable dependiente. Un primer resultado que resalta por su robustez es el de la relación negativa y significativa entre ser mujer y el Índice de Riesgo ante la Automatización.

La relación negativa entre ser mujer y el Índice de Riesgo ante la Automatización se observa tanto en 2005 como en 2019, aunque es un poco mayor (en valor absoluto) en 2005, lo que nos habla de que la ventaja de las mujeres respecto del avance de la tecnología se ha ido diluyendo en el tiempo. Nótese que en las regresiones se añadieron las variables edad y educación al cuadrado, para tomar en cuenta la no linealidad entre estas variables y el IRA que sugiere el análisis descriptivo. La regresión indica que el IRA cae con la edad, pero a una tasa decreciente, lo que implica que la relación entre estas dos variables tiene forma de U. Con respecto a la escolaridad, el IRA también cae con ésta, pero a una tasa decreciente en 2005 y creciente en 2019. La relación de IRA con el ingreso es negativa, pero pequeña, lo que sugiere que las personas con mayores ingresos laborales experimentan menores riesgos ante la automatización. Con respecto a las ocupaciones, es importante destacar que, en 2005, en todas ellas la relación con IRA era positiva, lo que implica que todos los trabajadores contemplados en estas categorías corrían más riesgo de ser desplazados por la tecnología que el grupo omitido, que es el de los trabajadores agrícolas. Los del coeficiente más bajo eran los funcionarios y directivos, seguidos de los profesionales y técnicos, y los del coeficiente más alto eran los trabajadores industriales, seguidos de los oficinistas. Para 2019, tanto los funcionarios y directivos como los profesionales-técnicos presentan un coeficiente negativo, lo que implica que el riesgo ante la automatización decrece al insertarse en estas ocupaciones, respecto del riesgo que enfrenta el grupo omitido. Las demás ocupaciones presentan coeficientes positivos, y el más grande es ahora para los oficinistas, seguido del correspondiente a los trabajadores industriales. Con respecto a las industrias, vale la pena destacar que, tanto en 2005 como en 2019, todas presentan signo negativo, excepto la industria manufacturera, lo que quiere decir que todas presentan menor riesgo de desplazamiento cuando se comparan con la industria omitida, que es la agropecuaria. Dado que en ambos casos el grupo omitido hace referencia a los trabajadores agrícolas, podemos decir que el riesgo ante la automatización se debe más a la ocupación del trabajador que al sector en el que se inserta. También los resultados pueden ser explicados por una mayor implementación de tecnología en la industria manufacturera.

Finalmente, respecto a las regiones, nótese que tanto el norte como el centro presentan más riesgo ante la automatización que el sur, que es el grupo omitido. Esto sugiere que la tecnología avanza más en regiones más desarrolladas.

III.4. Estrato de riesgo alto

Para saber cómo se correlaciona pertenecer a un cierto grupo de trabajadores con la probabilidad de insertarse en el estrato de riesgo alto ante la automatización, se estimaron modelos probit. El Cuadro 14 presenta los resultados de estas regresiones. Se incluyen diferentes especificaciones, nuevamente para probar la robustez de las estimaciones. Los resultados que se discuten en esta sección son los del modelo 3; es decir, los de las regresiones que incluyen el mayor número de variables explicativas.

Obsérvese cómo el ser mujer se relaciona de manera negativa y significativa con pertenecer al estrato de riesgo alto. Por otro lado, la probabilidad de insertarse en el estrato de riesgo alto crece con la edad, pero a una tasa decreciente, lo que confirma que el perfil IRA-edad tiene la forma de una U invertida. Lo mismo pasa con la escolaridad, al menos en 2005.

En 2019, el riesgo de caer en el estrato de riesgo alto decrece con la escolaridad, pero a una tasa creciente, lo que sugiere que los más educados enfrentan cada vez menos riesgo ante la automatización. Con respecto al ingreso, el Cuadro 14 vuelve a mostrar que los que más ganan tienen menor probabilidad de caer en el estrato de riesgo alto ante la automatización. Cuando se analizan las ocupaciones, se advierte que prácticamente todas presentan una probabilidad mayor de caer en el estrato de riesgo alto cuando se comparan con los trabajadores agrícolas que es el grupo omitido. La excepción son los funcionarios y directivos en 2019, los cuales presentan un coeficiente negativo y significativo, lo que indica que tienen menor probabilidad que el grupo omitido de caer en el estrato alto de riesgo ante la automatización. Los coeficientes más altos son, como se esperaba, los trabajadores industriales y los oficinistas. Con respecto a las industrias, todas presentan coeficientes con signo negativo y significativo, lo que implica que los trabajadores que se insertan en ellas tienen menor probabilidad de caer en el estrato de riesgo alto cuando se comparan con el grupo omitido que es el sector agropecuario. La excepción son los trabajadores de la industria manufacturera en 2005. La industria que menor riesgo presenta de caer en el estrato de riesgo alto ante la automatización es el sector de la construcción seguido del de servicios. Finalmente, con respecto a las regiones, el Cuadro 14 indica que la probabilidad de caer en el estrato de riesgo alto es mayor para los trabajadores del norte que para los del centro y que para los del sur.

En resumen, los principales resultados muestran que las mujeres tienen menos riesgo que los hombres de ser desplazadas por la tecnología, lo que seguramente se atribuye a su segregación en ocupaciones de cuidado, limpieza, preparación de alimentos y otras que requieren toma de decisiones e interacciones sociales. Otro hallazgo interesante es que el riesgo ante la automatización crece con la edad, pero hasta cierto umbral, cuando empieza a decaer nuevamente. Lo mismo pasa con la escolaridad, aunque en 2019 el riesgo ante la automatización parece decrecer de manera creciente con los años de educación formal. Por ocupaciones, se tiene que los oficinistas y los trabajadores industriales son los que más riesgo enfrentan de ser desplazados por la tecnología, mientras que los profesionales y técnicos, por un lado, y los funcionarios y directivos, por otro, presentan los menores riesgos ante el avance de la tecnología. Con respecto a las industrias, sólo los trabajadores manufactureros parecen presentar riesgos importantes de desplazamiento frente al avance tecnológico. Finalmente, los trabajadores en el norte del país son los que tienen más riesgo ante la automatización, mientras que los del sur son los que experimentan menos riesgo.

Los resultados coinciden con lo encontrado por Morrón (2016); Tenjo (2019); Manyika et al. (2017); Arntz et al. (2016); Araneda et al. (2017); Molina et al. (2018); Frey y Osborne (2017); O´Connor et al. (2016); Marcolin et al. (2016), Rodríguez y Castro (2012) y Banco de México (2018), ya que muestran un índice alto de automatización en trabajadores en ocupaciones no calificadas y en tareas rutinarias, también se encuentra que algunas actividades que se realizan en ciertas industrias como la manufactura tienen un alto riesgo de automatizarse. Además, Borghans et al. (2006); Black y Spitz-Oener (2010); Beaudry y Lewis (2014); Yamaguchi (2018); Autor (2015) y Bessen (2015) encuentran que los trabajadores con mayor capital humano, así como las mujeres, tienen una ventaja comparativa en el uso de computadoras, lo que coincide con su bajo riesgo de automatización.