The Future of Work in Central America and the Dominican Republic © 2024 Banco Internacional de Reconstrucción y Fomento/Banco Mundial 1818 H Street NW, Washington, DC 20433 Teléfono: (202) 473-1000 Internet: www.worldbank.org El presente documento fue elaborado por el personal del Banco Mundial, con contribuciones externas. Las observaciones, interpretaciones y conclusiones aquí expresadas no son necesariamente reflejo de la opinión del Banco Mundial, de su Directorio Ejecutivo ni de los Gobiernos representados por este. El Banco Mundial no garantiza la exactitud, la exhaustividad ni la vigencia de los datos incluidos en este trabajo. Tampoco asume la responsabilidad por los errores, omisiones o discrepancias en la información aquí contenida ni otro tipo de obligación con respecto al uso o a la falta de uso de los datos, los métodos, los procesos o las conclusiones aquí presentados. Las fronteras, los colores, las denominaciones, los enlaces, las notas al pie y demás datos que aparecen en este documento no implican juicio alguno, por parte del Banco Mundial, sobre la condición jurídica de ningún territorio, ni la aprobación o aceptación de tales fronteras. La cita de trabajos de otros autores no significa que el Banco Mundial adhiera a las opiniones allí expresadas ni al contenido de dichas obras. Nada de lo que figura en el presente documento constituirá ni podrá considerarse una limitación ni renuncia a los privilegios e inmunidades del Banco Mundial, todos los cuales quedan reservados específicamente. Derechos y autorizaciones El material contenido en este documento está registrado como propiedad intelectual. El Banco Mundial alienta la difusión de sus conocimientos y autoriza la reproducción total o parcial de este documento para fines no comerciales, en tanto se cite la fuente. Por favor cite la obra de la siguiente manera: Moroz, Harry and Mariana Viollaz. 2024. The Future of Work in Central America and the Dominican Republic. Washington, DC: World Bank. Toda consulta sobre derechos y licencias, incluidos derechos subsidiarios, deberá enviarse a la siguiente dirección: World Bank Publications, The World Bank, 1818 H Street NW, Washington, DC 20433, EE. UU.; fax: +1 (202) 522-2625; correo electrónico: pubrights@worldbank.org. Diseño de la portada: Mauricio Díaz  Apendices Apéndice A: Países de comparación En el informe se utilizan comparaciones con otros países de América Central y la República Dominicana (ACRD), comparaciones con promedios de toda la región de América Latina y el Caribe (ALC), comparaciones con promedios de países de la Organización para la Cooperación y el Desarrollo Económicos (OCDE) y comparaciones con Corea para establecer puntos de referencia en lo que respecta a las características de los países de ACRD. En todos los diagnósticos sistemáticos de los países (DSP) de la región de ACRD que realiza el Banco Mundial se incluye al menos un país de la región como par estructural. Por lo tanto, las comparaciones intrarregionales proporcionan un panorama de cómo les está yendo a los países de ACRD en comparación con países con estructuras económicas similares. Las comparaciones con ALC ofrecen una perspectiva regional más amplia. Cuatro de los siete DSP en los países de ACRD incluyen al menos a un país de la región o a la OCDE como par aspiracional. No se identificaron pares aspiracionales específicos para la República Dominicana ni para Nicaragua. Los pares aspiracionales de Panamá son países de ingreso alto como la Región Administrativa Especial de Hong Kong, China y Corea. Por lo tanto, para comparar los países de ACRD con la frontera, se utilizan comparaciones intrarregionales, comparaciones con la OCDE y comparaciones con Corea, un país de ingreso alto, donde los datos son más fáciles de obtener que para otros países aspiracionales de Panamá. En el Cuadro A.1 se resumen los países de referencia. CUADRO A.1: Pares estructurales y aspiracionales País Pares estructurales Región Pares aspiracionales Costa Rica República Dominicana; Panamá ALC OCDE República Dominicana Guatemala; Honduras ALC Costa Rica; Panamá El Salvador Honduras ALC República Dominicana Guatemala Honduras ALC República Dominicana Honduras El Salvador; Nicaragua ALC República Dominicana Nicaragua El Salvador ALC República Dominicana Panamá Costa Rica; República Dominicana ALC OCDE; Corea Nota: ALC = América Latina y el Caribe; OCDE = Organización para la Cooperación y el Desarrollo Económicos. 1 Apéndice B: Metodología para estimar la intensidad de tareas rutinarias El análisis de las tareas rutinarias y no rutinarias se basa en publicaciones bien establecidas, comenzando con Autor, Levy y Murnane (2003) y Acemoglu y Autor (2011), que clasifican las tareas laborales en manuales rutinarias y no rutinarias, cognitivas rutinarias y no rutinarias, e interpersonales no rutinarias. Debido a la falta de datos detallados sobre las tareas en la mayoría de los países en desarrollo, los análisis en esta área tienden a utilizar datos de la Occupational Information Network (O*NET) de los Estados Unidos. Sin embargo, numerosos estudios han demostrado que el uso de estos datos para los países en desarrollo es problemática debido a las diferencias entre los países en cuanto a tareas, habilidades y tecnologías de producción (Caunedo, Keller y Shin, 2021; Dicarlo et al., 2016; Lewandowski et al., 2022; Lo Bello, Sánchez-Puerta y Winkler, 2019). Para analizar la intensidad de tareas rutinarias y no rutinarias de los trabajos en la región sin contar con datos de tareas para los países de América Central y la República Dominicana (ACRD) y sin depender de los datos de O*NET, se utiliza un enfoque alternativo desarrollado por Lo Bello, Sánchez-Puerta y Winkler (2019). El enfoque compara los datos de empleo de los países de ACRD con los datos sobre tareas recopilados para países similares por el Programme for the International Assessment of Adult Competencies (PIAAC). Para cada país de ACRD, seleccionamos el país latinoamericano más cercano cubierto por la encuesta PIAAC comparando cuatro dimensiones: tecnología, globalización, habilidades y cambio estructural1. La tecnología se mide por el porcentaje de la población que usa Internet; la globalización por la afluencia neta de inversión extranjera directa (IED) como porcentaje del producto interno bruto (PIB); las habilidades por porcentaje de la población de 25 años o más que ha completado al menos el segundo ciclo de secundaria; y el cambio estructural en función de la proporción de empleo en la agricultura, la industria y los servicios. Todas estas variables han sido tomadas de los World Development Indicators de 2018. La comparación indica que para Costa Rica, El Salvador, Honduras, Panamá y República Dominicana, la encuesta PIAAC a utilizar es México (2017); para Guatemala, la encuesta PIAAC a utilizar es Ecuador (2017); y para Nicaragua, la encuesta PIAAC es la de Perú (2017). Construimos las medidas de tarea siguiendo la metodología y las definiciones de Lewandowski et al. (2022). En este estudio se utilizan datos de encuestas —las encuestas PIAAC de 37 países, las encuestas Skills Towards Employability and Productivity (STEP) de 13 países y la Urban Labor Survey de China (CULS)— para elaborar medidas de tareas comparables con las de O*NET. Lewandowski et al. (2022) identifican en primer lugar las preguntas disponibles en las encuestas STEP, CULS y PIAAC cuyo contenido es similar a las preguntas utilizadas por Acemoglu y Autor (2011) para construir las medidas de tareas rutinarias y no rutinarias basadas en O*NET. A continuación, los autores buscan combinaciones de preguntas de las encuestas y grupos de respuestas para las cuales las medidas basadas en la encuesta PIAAC de los Estados Unidos (promediadas para cada ocupación) están más correlacionadas con las medidas de ocupación basadas en O*NET. El conjunto de variables de PIAAC y el grupo de respuestas que maximizan la correlación con las medidas de O*NET aparecen en el cuadro B.1. Consideramos las mismas variables y grupos de respuestas y calculamos promedios a nivel de dos dígitos del esquema de clasificación ocupacional de la Clasificación Internacional Uniforme de Ocupaciones CIUO-08 utilizando 1 Se ha comprobado que estos cuatro factores explican el 65 % de la variación entre países en la intensidad rutinaria del empleo (Lewandowski et al., 2022). Apéndice B: Metodología para estimar la intensidad de tareas rutinarias 2 los datos de PIAAC para Ecuador, México y Perú, y las ponderaciones de la encuesta de PIAAC2. Luego asignamos estos promedios a las encuestas de hogares y encuestas de fuerza laboral de ACRD desde 2010 hasta el año más reciente disponible en el que tenemos ocupaciones definidas según la clasificación de dos dígitos de la CIUO-08. CUADRO B.1: Variables de tareas que maximizan la correlación entre las medidas de tareas para Estados Unidos usando PIAAC y las medidas usando O*NET Analíticas cognitivas no Interpersonales cognitivas Cognitivas rutinarias Manuales rutinarias no rutinarias Variables de Métricas Variables de Métricas Variables de Métricas Variables Métricas tareas tareas tareas de tareas Solución de Al menos Supervisión de Sí Cambios en el Para Tareas Al problemas una vez al otros orden de las nada físicas menos mes tareas una vez al mes Lectura de Al menos Pronunciar Cualquier Llenado de Al menos noticias una vez al discursos frecuencia formularios una vez mes o hacer al mes presentaciones Lectura de Al menos Pronunciar Nunca revistas una vez al discursos profesionales mes o hacer presentaciones Programación Cualquier frecuencia Fuente: Sobre la base de Lewandowski et al. (2022). Nota: Todas las variables de tareas son variables binarias definidas siguiendo los criterios incluidos en la columna de métricas para cada medida de tarea. Este enfoque metodológico presenta algunos inconvenientes. El primero es que, si bien seleccionamos el país del PIAAC más cercano de la región de ALC para asignar la información relacionada con las tareas a cada país de ACRD, los países difieren en su nivel de desarrollo, incluidas las dimensiones de tecnología, globalización, habilidades y cambio estructural. Sin embargo, creemos que este enfoque, es decir, utilizar datos del país PIAAC más cercano de la región de ALC, es mejor que utilizar datos de un país mucho más desarrollado, es decir, Estados Unidos. La segunda limitación es que los datos del PIAAC solo están disponibles para un año, lo que significa que la variación temporal se obtiene a través de los cambios en la distribución ocupacional del empleo en cada país de ACRD, pero no a partir de los cambios en el contenido de las tareas de los trabajos en sí. El siguiente paso es estandarizar cada variable de tarea que se ha asignado a las encuestas de hogares y encuestas de fuerza laboral de ACRD. Para ello, utilizamos la media y la desviación estándar de la misma variable en la encuesta PIAAC de Estados Unidos. Por último, agregamos todas las variables de tareas estandarizadas correspondientes a la misma medida de tarea siguiendo las definiciones del cuadro B.1 y estandarizamos nuevamente utilizando la media y la desviación estándar de las medidas de tareas construidas con datos PIAAC de Estados Unidos. Por lo tanto, para cada medida de tarea, 0 refleja el promedio de Estados Unidos, 1 significa que la medida de tarea está una desviación estándar por encima 2 Analizamos la validez de estas correspondencias utilizando a El Salvador como estudio de caso y comparando la encuesta PIAAC de México (el país PIAAC más cercano a El Salvador) con la encuesta STEP realizada en El Salvador en 2013. El patrón a lo largo del tiempo es muy similar para las tareas analíticas e interpersonales no rutinarias y para las tareas cognitivas rutinarias, pero difiere para las tareas manuales, posiblemente debido a la diferencia en la pregunta utilizada para capturar las tareas manuales. Apéndice B: Metodología para estimar la intensidad de tareas rutinarias 3 del promedio de Estados Unidos y -1 significa que la medida de tarea está una desviación estándar por debajo del promedio de Estados Unidos. Con las medidas de tareas para cada país de ACRD, se construye el índice de intensidad de tareas rutinarias (RTI), una medida resumen de la intensidad rutinaria de cada ocupación, de la siguiente manera: (   ) ​ ​   NRanalíticas + ​ ​   ​ NRinterpersonales ​ ________________ ​ (​ RTI = ln​ Rcognitivas   ​ )​ ​  − ln​ ​   2  ​   ​ ​ (1) Dónde ​ ​   Rcognitivas ​ ​, ​​ NRanalíticas ​   NRinterpersonales ​y ​   ​ ​en la ecuación (1) son las medidas de tareas cognitivas rutinarias, analíticas no rutinarias e interpersonales no rutinarias, respectivamente. Antes de calcular el logaritmo, sumamos la puntuación más baja de la muestra a cada observación individual más 0,1. Esta definición de RTI se ajusta a la literatura previa (véase, por ejemplo, Autor y Dorn [2013]), pero excluye la medida de tareas manuales porque no es posible separar entre una medida de tarea manual rutinaria y una no rutinaria utilizando los datos de PIAAC. Una vez que tenemos el RTI, lo estandarizamos utilizando la media y las desviaciones estándar de los datos de la encuesta PIAAC de Estados Unidos. En algunos países de ACRD, el instrumento de la encuesta o la clasificación ocupacional utilizada en las encuestas de hogares y encuestas de fuerza laboral sufrieron modificaciones, generando quiebres en las series temporales a lo largo del tiempo. Por ejemplo: • En la República Dominicana, entre 2011 y 2012, se produjo un cambio en la clasificación de ocupaciones que llevó a una disminución en la proporción de empleo en ocupaciones básicas y a un aumento en la proporción de gerentes y profesionales. Además, la metodología de recopilación de datos se modificó en 2017, cuando la Encuesta Nacional de Fuerza de Trabajo fue reemplazada por la Encuesta Nacional Continua de Fuerza de Trabajo. Este cambio en el instrumento de la encuesta dio lugar a un ajuste sustancial en la distribución ocupacional del empleo: la proporción de los trabajadores de servicios y ventas en el empleo total aumentó 7 puntos porcentuales. Las ocupaciones con mayores reducciones fueron las de técnicos, oficinistas y ocupaciones básicas. • En El Salvador, la clasificación de ocupaciones CIUO-88 fue reemplazada por la CIUO-08 a partir de 2013. Este cambio tuvo un impacto en la distribución ocupacional del empleo: la proporción de trabajadores de servicios y ventas en el empleo total aumentó 6 puntos porcentuales y la proporción de ocupaciones básicas disminuyó en una cantidad similar. • En Honduras, la clasificación de las ocupaciones estuvo disponible en el nivel de un dígito de la CIUO-08 hasta 2015, cuando comenzó a estar disponible a cuatro dígitos. Con el fin de desagregar las ocupaciones anteriores a 2015, aplicamos una metodología de imputación con información sobre la descripción de las ocupaciones. La obtención de información más detallada sobre las ocupaciones presenta la desventaja de no poder contar con series estrictamente comparables. Entre 2014 y 2015, se produjo un aumento de 3 puntos porcentuales en la proporción de trabajadores de servicios y ventas en el empleo total y una reducción similar en la proporción de trabajadores de las artesanías y oficios afines. • En Nicaragua, utilizamos la Encuesta Continua de Hogares, que utiliza el esquema de clasificación ocupacional CIUO-88, de 2010 a 2012. Para 2014, utilizamos la Encuesta Nacional de Hogares sobre Medición de Nivel de Vida, que utiliza el esquema de clasificación de la CIUO-08. Este cambio significa que la distribución del empleo por ocupación no es comparable. En 2014, la proporción de trabajadores de servicios y ventas en el empleo total fue 6 puntos porcentuales menor que en 2012, mientras que la proporción de ocupaciones básicas, gerentes, profesionales y oficinistas en el empleo total fue mayor. Apéndice B: Metodología para estimar la intensidad de tareas rutinarias 4 Los resultados obtenidos y descritos en el texto del capítulo 2 son, en general, consistentes con estudios previos que incluyen países de ACRD (Banegas y Winkler, 2020; Winkler y Montenegro, 2021; Banco Mundial, 2022b). En el caso de la República Dominicana, se ha observado un fuerte aumento en el contenido cognitivo rutinario de los empleos para el período de 2011 a 2019, con un patrón estable entre 2017 y 2019, el subperíodo que es comparable con nuestros datos (Banco Mundial, 2022e). En el caso de El Salvador, se observó una disminución en el contenido de tareas cognitivas no rutinarias de los empleos para el período comprendido entre 2000 y 2017 (Banegas y Winkler, 2020). Sin embargo, el patrón para el subperíodo de 2010-17 es similar. En años anteriores, estudios han encontrado aumentos en el contenido de tareas cognitivas no rutinarias de los empleos en Costa Rica (Beylis et al., 2020), El Salvador (Apella y Zunino, 2022; Beylis et al., 2020) y Nicaragua (Beylis et al., 2020), y una disminución inicial seguida de un aumento en la República Dominicana (Apella y Zunino, 2022; Beylis et al., 2020; Winkler y Montenegro, 2021). Las evidencias correspondientes a períodos anteriores también muestran disminuciones en el contenido cognitivo rutinario de los empleos en Costa Rica y la República Dominicana (Apella y Zunino, 2022; Beylis et al., 2020), un aumento inicial en El Salvador seguido de una disminución (Apella y Zunino, 2022; Beylis et al., 2020), y un aumento en Nicaragua (Beylis et al., 2020). Apéndice B: Metodología para estimar la intensidad de tareas rutinarias 5 Apéndice C: Metodología para estimar la probabilidad de automatización Estimamos las probabilidades de automatización siguiendo la metodología propuesta por Arntz, Gregory y Zierahn (2016) y aplicada por otros estudios (por ejemplo, Egana-del Sol et al., 2022). Procedemos a relacionar los riesgos de automatización a nivel ocupacional calculados por Frey y Osborne (2017) para Estados Unidos con los datos de nivel individual sobre las tareas realizadas en el trabajo y las características de los trabajadores sobre la base de la encuesta PIAAC de países comparables, como se describe en el apéndice B. Para cada país comparable del PIAAC, estimamos un modelo de la capacidad de automatización de cada ocupación utilizando las estimaciones de Frey y Osborne (2017) como variables dependientes y las medidas de tareas (cognitivas no rutinarias, interpersonales no rutinarias, cognitivas rutinarias y manuales) y las características observables de los trabajadores (género, edad, variables indicadoras de nivel de educación y sector de empleo, y un indicador de si el trabajador es asalariado o por cuenta propia) como variables explicativas. Para asignar el riesgo de automatización de cada ocupación a los datos a nivel individual en las encuestas PIAAC, utilizamos la correspondencia entre los códigos a seis dígitos de la Clasificación Ocupacional Estándar (SOC por sus siglas en inglés) para los Estados Unidos con los códigos de tres dígitos de la CIUO disponibles en PIAAC. Dado que la clasificación de las ocupaciones en el PIAAC es más agregada que la clasificación SOC, a algunos trabajadores en las encuestas PIAAC se les asignaron múltiples riesgos de automatización. Cuando varios riesgos de automatización están vinculados al mismo trabajador, creamos una ponderación de duplicación calculada como el inverso del número de coincidencias múltiples (Arntz, Gregory y Zierahn, 2016; Egana-del Sol, 2022). Regresamos el riesgo de automatización en las medidas de tareas y las características de los trabajadores utilizando un modelo lineal generalizado y el algoritmo de maximización de expectativas propuesto por Ibrahim (1990). Ponderamos por el producto de las ponderaciones individuales disponibles en PIAAC y la ponderación de duplicación mencionada anteriormente. El valor estimado de los riesgos de automatización a nivel individual se promedia a nivel de ocupación a dos dígitos de la CIUO para poder asignar estas estimaciones promedio a los datos de las encuestas de hogares de ACRD. Utilizando las probabilidades predichas, definimos a los trabajadores que enfrentan un alto riesgo de automatización como aquellos con una probabilidad de automatización del 70 % o más, y a los trabajadores que enfrentan un bajo riesgo de automatización como aquellos con una probabilidad del 30 % o menos. El resto de los trabajadores se clasifican como de riesgo medio de automatización. También presentamos estimaciones que tienen en cuenta las altas tasas de empleo de baja productividad en los países de ACRD y la tendencia del sector privado a ser menos intensivo en capital que en los países desarrollados. Aplicamos el ajuste propuesto por Weller et al. (2019) y asignamos un riesgo de automatización igual a cero a los trabajadores de sectores de baja productividad, definidos como trabajadores por cuenta propia con nivel educativo inferior a universitario, empleados asalariados y empleadores de pequeñas empresas, trabajadores domésticos y trabajadores que no perciben ingresos laborales. Apéndice C: Metodología para estimar la probabilidad de automatización 6 Es importante destacar tres limitaciones de esta metodología. En primer lugar, la variable dependiente es el riesgo de automatización que Frey y Osborne (2017) obtuvieron para Estados Unidos basándose en la opinión de expertos. Aunque aplicamos un enfoque basado en tareas, la metodología aún depende de las evaluaciones de estos expertos, lo que puede llevar a una sobreestimación del riesgo de automatización 3. En segundo lugar, a pesar del desarrollo y el uso creciente de tecnologías avanzadas, puede que a las empresas de ACRD no les resulte posible ni rentable adoptarlas debido a restricciones financieras, bajos costos relativos del trabajo o falta de una fuerza laboral con las habilidades necesarias. Además, se espera que las tecnologías creen nuevos puestos de trabajo que no existen en la actualidad y tengan un impacto positivo en la demanda laboral a través de un efecto en la productividad. En los cálculos del riesgo de automatización no se tienen en cuenta estos posibles impactos positivos en el empleo. Por último, de manera similar a la construcción de las medidas de tareas, para el cálculo del riesgo de automatización se utilizan datos de los países comparables del PIAAC, no de los países de ACRD. 3 Arntz, Gregory y Zierahn (2016) señalan que los expertos tienden a sobreestimar el potencial de las nuevas tecnologías. Apéndice C: Metodología para estimar la probabilidad de automatización 7 Apéndice D: Metodología para calcular el potencial de trabajo desde la casa Estimamos el potencial de trabajo desde la casa siguiendo la metodología propuesta por Hatayama, Viollaz y Winkler (2023). Creamos cuatro índices de tareas realizadas en el trabajo: 1) un índice físico y manual que refleja que algunos trabajos son intensivos en tareas que requieren estar en una ubicación específica (por ejemplo, porque requieren manipular artículos grandes o utilizan equipos específicos) y no se pueden realizar de forma remota; 2) un índice cara-a-cara que refleja la medida en que los empleos requieren interacciones presenciales (es decir, tareas que requieren que el trabajador esté en el mismo lugar que otra persona); 3) un índice de las tecnologías de la información y las comunicaciones (TIC) en el trabajo (en orden inverso) que considera que algunas de las interacciones cara a cara pueden tener lugar utilizando las TIC, y 4) un índice de las TIC en el hogar (en orden inverso) que capta la disponibilidad de una conexión a Internet en el hogar. Utilizamos las encuestas PIAAC de países comparables (como se describe en el apéndice B) para seleccionar las mismas variables utilizadas por Hatayama, Viollaz y Winkler (2023), crear estos índices y calcular promedios a nivel de dos dígitos de la CIUO para luego asignar estos valores a la información de las encuestas de hogares de ACRD 4. Para crear los índices, comenzamos estandarizando cada variable con una media de cero y una varianza de uno. Luego procedemos a sumar todas las variables dentro de cada vector y normalizamos la suma para tener una media de cero y una varianza de uno. Todas las estandarizaciones se realizan utilizando la media y la desviación estándar provenientes de la encuesta PIAAC de Estados Unidos, de modo que la medida del trabajo desde la casa pueda compararse entre los países de ACRD. Estimamos la medida potencial del trabajo desde la casa sumando los índices estandarizados y estandarizando una vez más. El resultado se multiplica por -1, de modo que un valor más alto de la medida indica un mayor potencial para trabajar desde la casa. Las variables dentro de cada índice y cada uno de los índices reciben ponderaciones iguales. Los resultados son similares a los de otros estudios que han calculado la posibilidad de trabajo remoto como el porcentaje de trabajadores que pueden hacer su trabajo desde la casa. En el caso de los países de ACRD, Dingel y Neiman (2020) utilizan datos de O*NET de Estados Unidos y la distribución ocupacional del empleo de la OIT para estimar que entre el 14 % y el 25 % de los trabajadores pueden trabajar en su casa, un porcentaje mucho menor que en Estados Unidos, donde la estimación es del 42 %. Delaporte y Peña (2020) utilizan datos de O*NET y de encuestas de hogares y estiman que el porcentaje de trabajadores que pueden trabajar desde casa en los países de ACRD oscila entre el 7 % y el 16 %, pero cuando se utilizan datos de STEP de Bolivia y Colombia, las estimaciones aumentan y oscilan entre el 14 % y el 33 %. Existen algunas limitaciones asociadas con este enfoque metodológico para construir una medida del trabajo desde la casa. El enfoque se basa en el supuesto de que todos los índices de tareas contribuyen por igual a la medida de trabajo remoto, es decir, que todos tienen la misma ponderación. Esto se relaciona con la falta de información en las encuestas PIAAC tanto sobre las tareas realizadas en el 4 Véase el cuadro A1 en Hatayama, Viollaz y Winkler (2023) para obtener detalles sobre las variables exactas incluidas en cada uno de los cuatro índices de tareas. Apéndice D: Metodología para calcular el potencial de trabajo desde la casa 8 trabajo como sobre si un trabajador trabaja desde la casa. En segundo lugar, el método supone una sustituibilidad perfecta entre los componentes, es decir, un aumento en una tarea puede compensarse con una disminución en otra. Esta característica de la medida no permite que se produzca ninguna complementariedad entre los índices. Por último, tal como se describió para las medidas de tareas y el cálculo del riesgo de automatización, la medida del trabajo desde la casa utiliza datos de países de ALC diferentes de los países de ACRD. Apéndice D: Metodología para calcular el potencial de trabajo desde la casa 9 Apéndice E: Metodología para estimar los determinantes del índice de intensidad de tareas rutinarias Combinamos datos de encuestas de hogares y encuestas de fuerza laboral de todos los países y años para estimar los determinantes de las diferencias entre países en el índice de RTI. Seguimos de cerca el modelo estimado por Lewandowsi et al. (2022): ​ ​ RTIijsct   ​ ​ β0  = ​  ​ ​  + ​ β1​  ​Eijsct  ​   ​ ​ β2  + ​ ​  ​ ​ Zsct ​   ​ β3  + ​  ​ ​ Gsct  ​   ​ ​  + ​ λs​ + ​  ​ ​   ​ εijsct​ (1) Donde RTIijsct es la intensidad de tareas rutinarias del trabajador i, en la ocupación j, el sector s, el país c, y el año t. Eijsct contiene las características de los trabajadores (género, edad y su cuadrado, y nivel de educación), Zsct capta variables tecnológicas definidas a nivel de sector, país y año (uso de Internet y computadoras), y Gsct contiene medidas de globalización a nivel de sector, país y año (medidas de comercio hacia atrás y hacia adelante relacionadas con las cadenas globales de valor [CGV]). Las características de los trabajadores están disponibles en las encuestas de hogares y de fuerza laboral. Las variables tecnológicas provienen de los países PIAAC utilizados para construir las medidas de las tareas y el índice de RTI en cada país de ACRD (véase el apéndice B). En la encuesta PIAAC correspondiente, definimos una ocupación como intensiva en el uso de las TIC cuando la proporción de trabajadores que utilizan una computadora en el trabajo o que utilizan Internet al menos una vez a la semana es superior a los percentiles 50 o 75 de la distribución de ocupaciones. Combinamos estas variables con las encuestas de hogares utilizando los códigos ocupacionales y calculamos la proporción de ocupaciones con uso intensivo de TIC dentro de cada sector para cada país y año. Las variables de globalización provienen de World Integrated Trade Solution (WITS) y se definen a nivel de sector. La medida de comercio hacia atrás relacionada con las CGV capta el valor de los bienes y servicios producidos con insumos importados y exportados por el sector al mercado de destino final, mientras que la medida de comercio hacia adelante relacionada con las CGV capta el valor agregado de los bienes y servicios generados íntegramente dentro de las cadenas nacionales —sin ningún tipo de cruce fronterizo— exportados por el sector a socios comerciales que, a su vez, los reexportan a otros mercados (Borin, Mancini y Taglioni, 2021). Estimamos el modelo (1) por mínimos cuadrados ordinarios (MCO) incluyendo cada conjunto de variables una por vez y luego las incluimos todas juntas. Todos los modelos incluyen efectos fijos por año, y los errores estándar se agrupan por país y sector. Estas estimaciones son informativas sobre la correlación parcial entre el índice RTI y sus diferentes determinantes, pero no podemos darles una interpretación causal. Los resultados del cuadro E.1 muestran que, en todos los países de ACRD, los hombres, los trabajadores más jóvenes y las personas con niveles educativos más bajos están empleados en ocupaciones con mayor RTI. Los trabajos agrícolas son más intensivos en tareas rutinarias en comparación con otros sectores. Las cuatro variables tecnológicas se correlacionan negativamente con la intensidad rutinaria de los empleos. Cuando un sector tiene una mayor proporción de ocupaciones con uso intensivo de TIC, el índice asociado de RTI es menor. Esta correlación es mayor cuando se utiliza una definición más estricta Apéndice E: Metodología para estimar los determinantes del índice de intensidad de tareas rutinarias 10 de ocupaciones con uso intensivo de TIC (es decir, la proporción de ocupaciones que están por encima del percentil 75 de la distribución del uso de computadoras o Internet). Por ejemplo, si la proporción de ocupaciones con uso intensivo de TIC dentro de un sector aumenta en 10 puntos porcentuales, el índice de RTI cae 0,1 desviaciones estándar con respecto al promedio de Estados Unidos cuando se utiliza la definición del percentil 50, mientras que la disminución se sitúa entre 0,15 y 0,19 desviaciones estándar cuando se utiliza la definición del percentil 75. En lo que respecta a las medidas de globalización, la variable de comercio hacia atrás relacionada con las CGV no se relaciona con el índice de RTI, mientras que la variable de CGV hacia adelante tiene una correlación positiva. Esto significa que cuando el valor agregado, que se genera localmente (sin insumos importados) y luego se exporta a otros mercados es mayor, el componente de rutina también es mayor. La mayoría de las conclusiones se mantienen cuando se incluyen los cuatro grupos de variables juntos. La única excepción es la variable género, que ya no es estadísticamente significativa. En las últimas columnas del cuadro E.1, estimamos el modelo (1) separando según el nivel de calificación de las ocupaciones. Las conclusiones más importantes son, en primer lugar, la menor intensidad rutinaria de los empleos para los hombres en comparación con las mujeres en empleos altamente calificados (ocupaciones 1 a 3 de la CIUO-08). Esto podría estar relacionado con una mayor participación masculina en puestos gerenciales, que son los menos rutinarios dentro de este grupo. En segundo lugar, entre las ocupaciones de calificación media (ocupaciones 4 a 6 de la CIUO-08), no hay asociación entre los grupos de edad y el índice de RTI, mientras que algunos sectores tienen una mayor intensidad rutinaria en comparación con las actividades agrícolas. Además, la correlación negativa entre la variable tecnología y el índice de RTI solo aparece para este grupo de ocupaciones, mientras que la asociación positiva con la medida de CGV hacia adelante se mantiene y también hay una relación negativa con la medida hacia atrás. Luego estimamos el modelo (1) para cada país por separado. En el Cuadro E.2 se presentan los resultados cuando se incluyen todos los grupos de variables explicativas juntos. La asociación entre el índice RTI y el género difiere entre países. En Costa Rica, El Salvador, Guatemala y Panamá, los hombres tienen más probabilidades que las mujeres de ocupar puestos de trabajo más intensivos en tareas rutinarias (aunque los coeficientes estimados no son estadísticamente significativos). En la República Dominicana, Honduras y Nicaragua, los hombres tienen menos probabilidades de ocupar puestos de trabajo intensivos en tareas rutinarias (los coeficientes son estadísticamente significativos en la República Dominicana y Nicaragua). La asociación negativa entre la edad o la educación y el índice de RTI se confirma en todos los países. Análogamente, en todos los países se observa que los trabajos agrícolas son puestos de trabajo más intensivos en tareas rutinarias que los empleos en otros sectores. La medida tecnológica se correlaciona negativamente con el índice de RTI en cinco de los siete países, mientras que es positiva en los otros dos (aunque no es significativa desde el punto de vista estadístico). Por último, la relación entre los indicadores de globalización y el índice de RTI difiere de un país a otro. Otros factores que pueden afectar la evolución del trabajo y los avances tecnológicos y que no se analizan aquí son las instituciones del mercado laboral y la disponibilidad de infraestructura confiable y de alta calidad (Breemersch, Damijan y Konings, 2017; Cirera, Comín y Cruz, 2022; Oesch, 2013). La forma en que se regula la fijación de los salarios varía de un país a otro, lo que afecta la demanda de mano de obra en las distintas ocupaciones (Oesch, 2013). Por ejemplo, los salarios mínimos altos y los sindicatos fuertes son instituciones del mercado laboral que favorecen niveles salariales más altos para los servicios poco calificados, lo que puede resultar en un crecimiento débil del empleo para esta categoría ocupacional, al contrario de lo que sucede cuando hay polarización del empleo. Los sindicatos también pueden influir en el proceso de cambio tecnológico oponiéndose a las nuevas tecnologías en favor del empleo de trabajadores rutinarios (Kostol y Svarstad, 2023). Aunque no es suficiente, el acceso a infraestructura confiable y de alta calidad es una condición necesaria para la adopción de tecnología y para su uso eficaz (Cirera, Comin y Cruz, 2022). Por ejemplo, la calidad del servicio de Internet puede explicar la adopción de tecnologías sofisticadas, pero el acceso a la electricidad es crucial para acceder a Internet. Apéndice E: Metodología para estimar los determinantes del índice de intensidad de tareas rutinarias 11 CUADRO E.1: Determinantes entre países de la intensidad de tareas rutinarias de los empleos, 2010-21 Variable dependiente: Todas las ocupaciones Alta Media Baja índice RTI calificación calificación calificación CUIO 1 to 3 CUIO 4 to 6 CUIO 7 to 9 Habilidades de los trabajadores Hombre 0.165 0.00229 -0.0429 0.0333 0.0119 [0.0471]*** [0.0153] [0.0102]*** [0.0116]*** [0.0394] [25-34] -0.112 -0.0625 0.00769 0.00269 -0.0238 [0.0415]*** [0.0249]** [0.0190] [0.00349] [0.0125]* [35-44] -0.172 -0.107 -0.0353 0.00259 -0.0604 [0.0523]*** [0.0322]*** [0.0135]** [0.00601] [0.0169]*** [45-54] -0.217 -0.142 -0.0404 0.000596 -0.075 [0.0634]*** [0.0408]*** [0.0196]** [0.00966] [0.0173]*** [55+) -0.232 -0.169 -0.017 -0.0051 -0.0757 [0.0764]*** [0.0565]*** [0.0447] [0.0115] [0.0194]*** Primaria completa -0.104 -0.0105 0.0116 -0.0134 -0.00158 [0.0488]** [0.0124] [0.0222] [0.0124] [0.0150] Secundaria incompleta -0.226 -0.0575 0.0193 -0.0221 -0.0174 [0.0641]*** [0.0225]** [0.0332] [0.0120]* [0.0232] Secundaria completa -0.31 -0.11 0.0476 -0.0329 -0.0391 [0.0863]*** [0.0321]*** [0.0282]* [0.0148]** [0.0228]* Terciario incompleto -0.531 -0.302 -0.122 -0.061 -0.0829 [0.128]*** [0.0811]*** [0.0481]** [0.0218]*** [0.0390]** Terciario completo -0.77 -0.545 -0.176 -0.0794 -0.131 [0.101]*** [0.0588]*** [0.0325]*** [0.0214]*** [0.0499]** Cambio estructural Explotación de minas y -0.585 -0.549 -0.0743 0.0293 -0.704 canteras [0.0322]*** [0.0439]*** [0.0758] [0.0520] [0.113]*** Pesca -0.585 -0.438 0.0568 0.0631 -0.833 [0.0587]*** [0.0601]*** [0.0634] [0.0662] [0.0787]*** Industrias manufactureras -0.682 -0.548 0.0248 -0.001 -0.943 [0.0520]*** [0.0954]*** [0.0562] [0.0914] [0.132]*** Apéndice E: Metodología para estimar los determinantes del índice de intensidad de tareas rutinarias 12 Variable dependiente: Todas las ocupaciones Alta Media Baja índice RTI calificación calificación calificación CUIO 1 to 3 CUIO 4 to 6 CUIO 7 to 9 Suministro de electricidad, -0.772 -0.464 0.0675 0.132 -0.893 gas y agua [0.0369]*** [0.0542]*** [0.0641] [0.0726]* [0.0848]*** Comercio al por mayor y -0.744 -0.611 -0.0182 0.00393 -1.085 al por menor, reparación de vehículos automotores, [0.0419]*** [0.0526]*** [0.0583] [0.0578] [0.0822]*** motocicletas, efectos personales y enseres domésticos Hoteles y restaurantes -0.773 -0.673 -0.195 -0.0846 -0.903 [0.0425]*** [0.0569]*** [0.0581]*** [0.0569] [0.0788]*** Transporte, -0.655 -0.459 -0.179 0.0357 -0.84 almacenamiento y comunicaciones [0.0406]*** [0.0524]*** [0.0607]*** [0.0682] [0.0761]*** Actividades inmobiliarias, -0.815 -0.327 0.0866 0.384 -0.644 empresariales y de alquiler & intermediación [0.0497]*** [0.0640]*** [0.0866] [0.0959]*** [0.120]*** financiera Administración publica -0.814 -0.294 0.0764 0.431 -0.626 y defensa; planes de seguridad social de [0.0488]*** [0.0665]*** [0.0916] [0.102]*** [0.125]*** afiliacion obligatoria Enseñanza & servicios -1.024 -0.639 -0.172 0.0858 -0.71 sociales y de salud [0.0351]*** [0.0602]*** [0.0811]** [0.0823] [0.109]*** Tecnología Uso de computadoras -0.963 (mayor a p50) [0.224]*** Uso de computadoras -1.514 (mayor a p75) [0.585]** Uso de internet (mayor a -0.963 p50) [0.224]*** Uso de internet (mayor a -1.903 -0.849 -0.186 -1.25 -0.571 p75) [0.573]*** [0.170]*** [0.260] [0.301]*** [0.345] Globalización Apéndice E: Metodología para estimar los determinantes del índice de intensidad de tareas rutinarias 13 Variable dependiente: Todas las ocupaciones Alta Media Baja índice RTI calificación calificación calificación CUIO 1 to 3 CUIO 4 to 6 CUIO 7 to 9 Medida hacia atrás de -0.00521 -0.027 -0.0107 -0.0986 -0.021 CGVE (Estandardizada) [0.0280] [0.0272] [0.0132] [0.0311]*** [0.0461] Medida hacia adelante de 0.137 0.0341 0.0249 0.143 0.0081 CGVE (Estandardizada) [0.0577]** [0.0178]* [0.0122]** [0.0364]*** [0.0487] Constante 0.479 0.812 0.445 0.35 0.445 0.379 0.263 0.294 0.873 -0.431 0.24 1.202 [0.111]*** [0.0321]*** [0.100]*** [0.106]*** [0.100]*** [0.103]*** [0.0988]*** [0.0977]*** [0.0588]*** [0.0931]*** [0.0894]*** [0.0672]*** Observaciones 1,056,108 1,059,257 1,059,257 1,059,257 1,059,257 1,059,257 1,059,257 1,059,257 1,056,108 153,396 436,474 466,238 R-cuadrado 0.277 0.378 0.18 0.097 0.18 0.123 0.016 0.077 0.473 0.111 0.478 0.637 Fuentes: SEDLAC (CEDLAS y Banco Mundial); PIAAC (2017); Borin, Mancini y Taglioni (2021). Nota: Estimación por mínimos cuadrados ordinarios (MCO). Muestra de trabajadores de 15 a 65 años. Las ponderaciones están estandarizadas para dar a cada país el mismo peso. Se excluyen la construcción, los hogares como empleadores y los organismos extraterritoriales. Categorías excluidas: agricultura, silvicultura y pesca; 15 a 24 años de edad, y educación primaria incompleta o de nivel inferior. Los errores estándar robustos figuran entre corchetes y están agrupados a nivel de país y sector. *** p<0,01, ** p<0,05, * p<0,1. Apéndice E: Metodología para estimar los determinantes del índice de intensidad de tareas rutinarias 14 CUADRO E.2: Determinantes al interior de los países de la intensidad de tareas rutinarias de los empleos, 2010-21 Rep. Dom. Guatemala Honduras Nicaragua Panamá El Salvador Costa Rica Habilidades de los trabajadores Hombre -0.024 0.0385 -0.0203 -0.0646 0.0317 0.00501 0.0348 [0.0112]* [0.0287] [0.0198] [0.0234]** [0.0369] [0.0268] [0.0232] [25-34] -0.00892 -0.0289 -0.183 -0.111 -0.0307 -0.0616 -0.0766 [0.0172] [0.00762]*** [0.107] [0.0524]* [0.0176] [0.0446] [0.0348]* [35-44] -0.0564 -0.0447 -0.264 -0.166 -0.056 -0.0987 -0.136 [0.0239]** [0.0106]*** [0.143]* [0.0707]** [0.0209]** [0.0574] [0.0476]** [45-54] -0.0857 -0.0586 -0.303 -0.21 -0.0655 -0.136 -0.151 [0.0453]* [0.0141]*** [0.165]* [0.0845]** [0.0196]*** [0.0722]* [0.0601]** [55+) -0.104 -0.0651 -0.356 -0.231 -0.0885 -0.169 -0.168 [0.0691] [0.0192]*** [0.192]* [0.0950]** [0.0284]** [0.101] [0.0803]* Primaria completa -0.051 -0.0156 0.00177 -0.0272 0.0201 -0.00285 -0.104 [0.0294] [0.0153] [0.0164] [0.0260] [0.0229] [0.0123] [0.0497]* Secundaria incompleta -0.0774 -0.0301 -0.0719 -0.108 -0.0134 -0.0571 -0.167 [0.0373]* [0.0197] [0.0282]** [0.0669] [0.0315] [0.0325] [0.0661]** Secundaria completa -0.105 -0.216 -0.175 -0.254 -0.112 -0.0798 -0.24 [0.0455]** [0.0900]** [0.0693]** [0.151] [0.0411]** [0.0401]* [0.0874]** Terciario incompleto -0.221 -0.366 -0.406 -0.422 -0.284 -0.312 -0.355 [0.0740]** [0.104]*** [0.146]** [0.188]** [0.0615]*** [0.136]** [0.106]*** Terciario completo -0.575 -0.582 -0.554 -0.724 -0.529 -0.502 -0.657 [0.117]*** [0.0709]*** [0.145]*** [0.197]*** [0.0774]*** [0.0974]*** [0.160]*** Cambio estructural Explotación de minas y canteras -0.833 -0.275 -0.487 -0.557 -0.332 -0.745 -0.524 [0.0433]*** [0.00816]*** [0.0209]*** [0.0330]*** [0.0125]*** [0.0337]*** [0.0178]*** Pesca -0.763 -0.263 -0.421 -0.635 -0.384 -0.648 -0.624 [0.0774]*** [0.0322]*** [0.0205]*** [0.0397]*** [0.0267]*** [0.0567]*** [0.0342]*** Industrias manufactureras -0.644 -0.242 -0.627 -0.398 -0.477 -0.788 -0.682 [0.0378]*** [0.0841]** [0.0267]*** [0.0683]*** [0.0380]*** [0.0451]*** [0.0286]*** Apéndice E: Metodología para estimar los determinantes del índice de intensidad de tareas rutinarias 15 Rep. Dom. Guatemala Honduras Nicaragua Panamá El Salvador Costa Rica Suministro de electricidad, gas y agua -0.768 -0.587 -0.477 -0.731 -0.459 -0.71 -0.705 [0.0743]*** [0.0367]*** [0.0623]*** [0.0903]*** [0.0479]*** [0.1000]*** [0.0656]*** Comercio al por mayor y al por menor; reparación de vehículos -0.838 -0.539 -0.528 -0.654 -0.432 -0.804 -0.747 automotores, motocicletas, efectos personales y enseres domésticos [0.0501]*** [0.0195]*** [0.0192]*** [0.0613]*** [0.0266]*** [0.0465]*** [0.0460]*** Hoteles y restaurantes -0.903 -0.485 -0.628 -0.499 -0.51 -0.9 -0.764 [0.0487]*** [0.0175]*** [0.0208]*** [0.0558]*** [0.0276]*** [0.0443]*** [0.0434]*** Transporte, almacenamiento y comunicaciones -0.725 -0.303 -0.472 -0.608 -0.357 -0.635 -0.597 [0.0539]*** [0.0353]*** [0.0371]*** [0.0596]*** [0.0363]*** [0.0781]*** [0.0354]*** Actividades inmobiliarias, empresariales y de alquiler & -0.913 -0.439 -0.572 -0.53 -0.434 -0.574 -0.624 Intermediación financiera [0.132]*** [0.0445]*** [0.127]*** [0.0862]*** [0.0703]*** [0.155]*** [0.0974]*** Administración publica y defensa; planes de seguridad social de -0.891 -0.375 -0.61 -0.688 -0.423 -0.53 -0.563 afiliación obligatoria [0.125]*** [0.0477]*** [0.162]*** [0.0895]*** [0.0747]*** [0.160]*** [0.0943]*** Enseñanza & Servicios sociales y de salud -1.011 -0.636 -0.71 -0.944 -0.67 -0.851 -0.789 [0.0821]*** [0.0423]*** [0.0680]*** [0.0788]*** [0.0506]*** [0.132]*** [0.0855]*** Tecnología Uso de internet (mayor a p75) 0.328 -0.849 0.364 -0.52 -0.396 -0.633 -0.272 [0.224] [0.0848]*** [0.515] [0.157]*** [0.189]* [0.361] [0.0818]*** Globalización Medida hacia atrás de CGV (Estandarizada) 0.104 -0.0596 0.00602 -0.0736 0.00111 0.144 0.0382 [0.0165]*** [0.0523] [0.00697] [0.159] [0.00158] [0.0326]*** [0.00602]*** Medida hacia adelante de CGV (Estandarizada) -0.162 -0.0297 0.0586 -0.207 -0.0356 -0.247 -0.0315 [0.0266]*** [0.00561]*** [0.0220]** [0.159] [0.0270] [0.0664]*** [0.00833]*** Participación laboral 0.969 0.908 0.813 0.916 0.64 0.856 1.051 [0.103]*** [0.0286]*** [0.0968]*** [0.0415]*** [0.0552]*** [0.0966]*** [0.0813]*** Observaciones 201,839 59,873 95,232 125,561 90,477 307,010 176,116 R-cuadrado 0.403 0.553 0.452 0.566 0.425 0.466 0.477 Fuentes: SEDLAC (CEDLAS y Banco Mundial); PIAAC (2017); Borin, Mancini y Taglioni (2021). Nota: Estimación por mínimos cuadrados ordinarios (MCO). Muestra de trabajadores de 15 a 65 años. Se excluyen la construcción, los hogares como empleadores y los organismos extraterritoriales. Categorías excluidas: agricultura, silvicultura y pesca; 15 a 24 años de edad, y educación primaria incompleta o de nivel inferior. Los errores estándar robustos figuran entre corchetes y están agrupados a nivel de sector. *** p<0,01, ** p<0,05, * p<0,1. Apéndice E: Metodología para estimar los determinantes del índice de intensidad de tareas rutinarias 16 Apéndice F: Metodología para estimar el impacto de la adopción de robots en Estados Unidos Impacto de la adopción de robots en los EE. UU. sobre los mercados laborales de los países de ACRD Combinamos microdatos de encuestas de hogares para Costa Rica, El Salvador, Honduras y República Dominicana con datos de adopción de robots en industrias de Estados Unidos proporcionados por la International Federation of Robotics (IFR). El período de análisis abarca de 2010 a 2019 en el caso de la República Dominicana, El Salvador y Honduras, y de 2011 a 2019 en el caso de Costa Rica. Para cada país, identificamos zonas geográficas que se pueden seguir durante todo el período y combinamos los datos de adopción de robots en industrias de Estados Unidos siguiendo la definición de Kugler et al. (2020): Rjt ​ ​ ​  ​  US ​ ​ Rajt   c    ​ ∑   = ​  ​ ​  aj l  ​c _  ​ ​  ​t​  ​  ​ L​ ​  US  ​   ​   j 0 t0 j​ ​  ​ ​   ​ Rajt c  es la medida de exposición a los robots del país de ACRD c en la zona geográfica a, en la industria j y  ​ en el año t; ​ ​  US Rjt​   ​es la existencia de robots de la industria j en los Estados Unidos en el año t; ​ Lj​  US t​ ​   ​es el nivel ​  ​ 0 inicial de empleo de la industria j en los Estados Unidos (en miles de trabajadores), y ​    ​t​  ​​ ​ laj c  es la proporción 0 inicial del empleo industrial en el país c y la zona geográfica a. Utilizando esta medida de exposición a los robots, estimamos los modelos por MCO utilizando microdatos a nivel de trabajadores. Las variables de resultados son indicadores de participación en la fuerza laboral, empleo y el desempleo. La variable explicativa de interés es la medida de exposición a los robots. Dado que no podemos asignar una medida de exposición a los robots a personas desempleadas, redefinimos la medida de robots como la suma de la exposición de robots industriales en cada zona geográfica para esta variable de resultado. Este es el número de robots por cada mil trabajadores en la industria j en el año t0 en los Estados Unidos ponderado por la participación de la industria j en el empleo total de la zona geográfica a en el año t0. Los modelos controlan por variables indicadoras de género, edad, nivel educativo y zona urbana, por efectos fijos de país, año y zona geográfica, así como por la interacción entre los efectos fijos por país y año. Los modelos para el logaritmo de los salarios por hora y las horas semanales de trabajo (condicionadas a tener un empleo) también tienen en cuenta los efectos fijos de la industria y la interacción entre los efectos fijos por país e industria. Los errores estándar se agrupan a nivel de zona geográfica. En el Cuadro F.1 se muestran los resultados completos de la regresión. Estas estimaciones proporcionan información sobre la correlación parcial entre los resultados laborales de los trabajadores de ACRD y la adopción de robots en los Estados Unidos. Esto significa que podría haber factores no observados correlacionados con la adopción de robots en el extranjero (es decir, en los Estados Unidos) que también afectan los resultados laborales a nivel nacional (es decir, en los países de ACRD). Un ejemplo de esos factores es una perturbación comercial que afecta tanto a Estados Unidos como a los países de ACRD. Apéndice F: Metodología para estimar el impacto de la adopción de robots en Estados Unidos 17 Impacto de la adopción de robots en EE. UU. sobre los migrantes de ACRD Combinamos dos fuentes de datos. En primer lugar, utilizamos datos de la American Community Survey (ACS) para los años 2000, 2010 y 2019 e identificamos a los migrantes de los países de ACRD como personas que viven en los Estados Unidos en el momento de la encuesta, nacieron en cualquier país de ACRD y emigraron a los Estados Unidos en los últimos 10 años. También utilizamos información sobre género, nivel de educación, situación en el mercado laboral y sector de empleo de las personas que están empleadas. Definimos nuestra muestra como personas en edad de trabajar (15 a 64 años) independientemente de su estatus migratorio. Colapsamos esta información a nivel de zona geográfica (commuting zones) y año. En segundo lugar, utilizamos información sobre la existencia de robots en cada industria de Estados Unidos en 2000, 2010 y 2019 proporcionada por la IFR. A partir de esta información, creamos medidas de exposición a robots para los períodos de 2000 a 2010 y de 2010 a 2019 siguiendo a Acemoglu y Restrepo (2020): Ri​ ∆ ​   ​ Rc ​ ​ ∑  = ​  ​ ​  ci l​  ​ _ ​  ​ ​      L​ i i Rc es la exposición a robots de la zona geográfica c durante el período de 2000 a 2010 o de 2010 a 2019; ΔRi es el cambio en la existencia de robots de la industria i entre 2000 y 2010 o entre 2010 y 2019; Li es el empleo total de la industria i medido como miles de trabajadores en el primer año de cada subperíodo (2000 o 2010) y lci es la proporción industrial de empleo en la zona geográfica c durante el primer año (2000 o 2010). Estimamos modelos por MCO en los que las variables de resultado son el cambio en el número de migrantes de ACRD (total y por nivel educativo), el cambio en la tasa de empleo de los migrantes de ACRD (total y por nivel educativo) y el cambio en la tasa de desempleo de los migrantes (total y por nivel educativo) en cada zona geográfica entre 2000 y 2010 y entre 2010 y 2019. Las variables de control incluyen la proporción de mujeres en la población en edad de trabajar, el índice de desempleo, la proporción de la población en edad de trabajar con niveles de educación medios y altos, la proporción de la edad laboral con respecto a la población total, la población total, la distribución sectorial del empleo total y femenino, efectos fijos de estado y una medida de productividad5. Todas las variables de control corresponden al primer año de datos de cada subperíodo y se encuentran a nivel de zona geográfica. Los errores estándar se agrupan a nivel de estado. Estimamos los modelos para cada período por separado y combinando ambos períodos e incluyendo un efecto fijo de subperíodo. Como se mencionó anteriormente, no podemos asignar una interpretación causal a estas estimaciones. En el Cuadro F.2 se muestran los resultados completos de la regresión. 5 Definimos el nivel educativo bajo como educación primaria completa o inferior; el nivel medio como educación secundaria completa o incompleta, y nivel alto como educación terciaria o universitaria completa o incompleta. Los sectores de empleo incluyen el sector primario, manufacturas, servicios y construcción. La medida de productividad se define a nivel de la zona geográfica y se calcula como la suma del cambio en el empleo industrial en el subperíodo correspondiente (2000-10 o 2010-19) multiplicado por la proporción inicial de empleo industrial en cada zona geográfica. Apéndice F: Metodología para estimar el impacto de la adopción de robots en Estados Unidos 18 CUADRO F.1: Impacto de la adopción de robots en Estados Unidos sobre los mercados laborales de los países de ACRD Participación laboral Empleo Desempleo Todos Educación Educación Educación Todos Educación Educación Educación Todos Educación Educación Educación baja media alta baja media alta baja media alta Todos los países Número de robots -0.007 0.001 -0.019 -0.050 -0.012 -0.002 -0.027 -0.037 0.005 0.003 0.008 -0.014 [0.0103] [0.0103] [0.0157] [0.0294]* [0.0109] [0.0113] [0.0157]* [0.0248] [0.00550] [0.00318] [0.0112] [0.0195] Observaciones 1,539,219 965,439 445,841 127,939 1,539,219 965,439 445,841 127,939 1,539,219 965,439 445,841 127,939 R-cuadrado 0.284 0.283 0.199 0.144 0.272 0.274 0.209 0.144 0.02 0.018 0.018 0.016 Dom. Rep. Número de robots -0.035 -0.022 -0.061 -0.079 -0.035 -0.022 -0.058 -0.052 0.000 0.000 -0.003 -0.027 [0.0159]** [0.0218] [0.0216]*** [0.0488] [0.0194]* [0.0217] [0.0267]** [0.0370] [0.0164] [0.00568] [0.0256] [0.0353] Observaciones 365,568 198,872 124,621 42,075 365,568 198,872 124,621 42,075 365,568 198,872 124,621 42,075 R-cuadrado 0.28 0.314 0.221 0.095 0.272 0.31 0.229 0.096 0.019 0.008 0.016 0.022 Costa Rica Número de robots 0.005 -0.011 0.032 0.027 -0.021 -0.042 -0.000 0.033 0.026 0.031 0.032 -0.006 [0.0224] [0.0207] [0.0271] [0.0189] [0.0334] [0.0343] [0.0352] [0.0261] [0.0115]* [0.0139]* [0.00981]** [0.00900] Observaciones 341,144 189,460 111,320 40,364 341,144 189,460 111,320 40,364 341,144 189,460 111,320 40,364 R-cuadrado 0.192 0.218 0.171 0.136 0.186 0.193 0.187 0.119 0.023 0.026 0.018 0.022 El Salvador Número de robots -0.012 0.027 -0.055 -0.129 -0.016 0.029 -0.057 -0.158 0.004 -0.002 0.002 0.029 [0.0178] [0.0239] [0.0213]** [0.0417]*** [0.0148] [0.0223] [0.0164]*** [0.0426]*** [0.00579] [0.00401] [0.0141] [0.0231] Observaciones 669,424 453,271 176,662 39,491 669,424 453,271 176,662 39,491 669,424 453,271 176,662 39,491 R-cuadrado 0.278 0.271 0.183 0.151 0.262 0.261 0.184 0.146 0.014 0.007 0.011 0.01 Honduras Número de robots 0.008 0.005 0.031 -0.010 0.007 0.005 0.022 0.021 0.001 -0.001 0.009 -0.031 [0.00647] [0.0111] [0.0120]** [0.0338] [0.00345]* [0.0100] [0.0168] [0.0302] [0.00536] [0.00199] [0.0107] [0.0446] Observaciones 163,083 123,836 33,238 6,009 163,083 123,836 33,238 6,009 163,083 123,836 33,238 6,009 R-cuadrado 0.345 0.352 0.28 0.417 0.405 0.391 0.437 0.588 0.054 0.027 0.049 0.078 Fuentes: SEDLAC (CEDLAS y Banco Mundial); IFR. Nota: Estimación por mínimos cuadrados ordinarios (MCO). Muestra de trabajadores de 15 a 65 años. Todos los modelos controlan por indicadores de género, grupos de edad, nivel educativo y área urbana, incluyen efectos fijos de año, país y zona geográfica, y tendencias temporales lineales específicas de cada país. Las regresiones utilizan las ponderaciones individuales disponibles en las encuestas. Los errores estándar robustos figuran entre corchetes y están agrupados a nivel de zona geográfica. *** p<0,01, ** p<0,05, * p<0,1. Apéndice F: Metodología para estimar el impacto de la adopción de robots en Estados Unidos 19 CUADRO F.2: Impacto de la adopción de robots en los Estados Unidos sobre los migrantes de ACRD Using 10-year migration definition Todos Educación baja Educación media Educación alta Cambio en el número de migrantes Cambio en el número de robots 2000-2010 38.25 -40.49 59.29 19.44 [145.0] [36.74] [90.92] [54.60] Cambio en el número de robots 2010-2019 -68.11 11.78 -26.74 -53.14 [91.68] [19.90] [98.99] [26.53]* Observaciones 741 741 741 741 741 741 741 741 R-cuadrado 0.69 0.416 0.479 0.322 0.606 0.52 0.718 0.358 Cambio en la tasa de PFL Cambio en el número de robots 2000-2010 0.121 0.0723 -0.0322 0.171 [0.0685]* [0.246] [0.122] [0.118] Cambio en el número de robots 2010-2019 -0.0711 -0.168 -0.0199 -0.405 [0.0754] [0.220] [0.0762] [0.135]*** Observaciones 431 402 183 159 355 321 206 160 R-cuadrado 0.339 0.311 0.296 0.33 0.242 0.291 0.416 0.531 Cambio en la tasa de empleo Cambio en el número de robots 2000-2010 0.174 0.0636 0.0628 0.259 [0.0642]*** [0.318] [0.112] [0.124]** Cambio en el número de robots 2010-2019 -0.116 -0.139 -0.0949 -0.387 [0.0758] [0.205] [0.0905] [0.125]*** Observaciones 431 402 183 159 355 321 206 160 R-cuadrado 0.366 0.286 0.34 0.435 0.262 0.309 0.447 0.541 Cambio en la tasa de desempleo Cambio en el número de robots 2000-2010 -0.0539 0.00871 -0.095 -0.0877 [0.0403] [0.0953] [0.0534]* [0.0400]** Cambio en el número de robots 2010-2019 0.0449 -0.0291 0.075 -0.0176 [0.0314] [0.0854] [0.0580] [0.0233] Observaciones 431 402 183 159 355 321 206 160 R-cuadrado 0.224 0.279 0.32 0.436 0.351 0.25 0.4 0.237 Apéndice F: Metodología para estimar el impacto de la adopción de robots en Estados Unidos 20 Using 10-year migration definition Todos Educación baja Educación media Educación alta Cambio en el log del salario horario Cambio en el número de robots 2000-2010 -0.0787 1.824 -0.0466 0.0811 [0.189] [0.792]** [0.151] [0.334] Cambio en el número de robots 2010-2019 -0.14 -0.88 -0.173 -0.269 [0.183] [0.505]* [0.125] [0.289] Observaciones 340 309 125 105 261 215 166 125 R-cuadrado 0.283 0.242 0.542 0.803 0.395 0.37 0.334 0.553 Fuentes: ACS (2000, 2010 y 2019); IFR. Nota: Estimación por mínimos cuadrados ordinarios (MCO). Muestra de trabajadores de 15 a 65 años. En todos los modelos se controla por las características iniciales de las zonas geográficas: proporción de trabajadoras mujeres, tasa de desempleo, proporción de trabajadores con nivel educativo medio y con nivel alto, proporción de población en edad de trabajar, población total, proporción del empleo total y proporción de empleo femenino por sectores, así como proxy de los cambios a largo plazo en la productividad laboral, definida como un promedio ponderado del crecimiento del empleo específico de la industria. Todos los modelos incluyen efectos fijos de estado. Regresiones ponderadas según la población en edad de trabajar durante el primer año. Los errores estándar robustos figuran entre corchetes y están agrupados a nivel de estado. *** p<0,01, ** p<0,05, * p<0,1. Apéndice F: Metodología para estimar el impacto de la adopción de robots en Estados Unidos 21