TP Mercado de Trabajo

Consignas

Abrir y explorar la base de datos. Describir brevemente la metodología con que la encuesta es elaborada y las variables que serán utilizadas en el TP.
Estimar y presentar las tasas básicas del mercado de trabajo. Analizar brevemente los resultados encontrados.
Realizar una operacionalización de los conceptos de Sector Formal y Sector Informal, de modo de clasificar a toda la población activa en alguno de estos dos sectores.
Relizar una operacionalización del concepto de precariedad laboral, clasificando a toda la población asalariada.
Presentar de forma tabulada la incidencia de la informalidad y la precariedad en la población activa y/o asalariada.
Analizar la incidencia de la informalidad y la precariedad según sexo y edad.

Resolución

1) Abrir y explorar la base de datos. Describir brevemente la metodología con que la encuesta es elaborada y las variables que serán utilizadas en el TP.

El país seleccionado para este trabajo es Bolivia, el Instituto Nacional de Estadística (INE) de dicho país realiza una Encuesta continua de Empleo con una marco muestral “mixto”, es decir con una muestra fija y otra rotativa que permite el seguimiento por panel y análisis longitudinal. Esta encuesta también tiene la ventaja de tener cobertura nacional abarcando áreas urbanas y rurales, a diferencia de, por ejemplo, la EPH en Argentina. Esto también puede deberse a una mayor incidencia de la población rural en el país de estudio. El objetivo propuesto por el INE es: “Proporcionar información estadística mensual, que refleje el comportamiento de la desocupación urbana, la oferta y movilidad de trabajo urbano y rural, permitiendo establecer un sistema de monitoreo continuo y oportuno de las variables del mercado laboral.”

La base usuaria fue provista por la cátedra, a continuación se muestran las variables que fueron seleccionadas para la elaboración del trabajo. También se puede ver y descargar en este link.

(var_sel <- read_csv("var_sel - Hoja 1.csv"))

## Rows: 45 Columns: 2
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (2): Variable, Descripcion
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Variable	Descripcion
id_persona	Identificador de Persona
id_hogar	Identificador por Trimestre del Hogar
nro	Número de la Persona dentro del Hogar
gestion	Año de Entrevista
trimestre	Trimestre de la Entrevista
depto	Departamento
area	Área
s1_02	Sexo
s1_03a	Edad
s1_05	Parentesco
s1_07a	Nivel Educativo
s1_16	Estado Civil
s1_17	Pueblo Indígena
s2_01	¿Trabajó la Semana Pasada?
s2_02	Dedicó una hora a:
s2_03	No Trabajó por:
s2_18	Trabaja como
s2_21	Contrato
s2_22	Tipo de Administración
s2_23	NIT
s2_24	Contabilidad
s2_28	¿Días de Trabajo?
s2_29_h	Horas Trabajo
s2_36a	Seguro de Salud
s2_36b	Vacaciones
s2_36c	Aguinaldo
fact_trim	Factor de Expansión Trimestral
tipohogar	Tipología del hogar
niv_ed	Nivel Educativo Detallado
pet	Población en Edad de Trabajar (14+ años)
pea	Población Económicamente Activa (14+ años)
pei	Población Económicamente Inactiva (14+ años)
peao	Población Ocupada (14+ años)
pead	Población Desocupada (14+ años)
peadces	Población Desocupada Cesante (14+ años)
peadasp	Población Desocupada Aspirante (14+ años)
peit	Población Económicamente Inactiva Temporal (14+ años)
peip	Población Económicamente Inactiva Permanente (14+ años)
condact	Condición de Actividad Ocupacion Principal (14+ años)
cob_op	C. O. B. Ocupación principal (14+ años)
caeb_op	C. A. E. B. Ocupación principal (14+ años)
tothrs	Horas trabajadas a la semana (14+ años)
tothrs_ef	Horas efectivas semanales
psubocup	Población Subocupada
ylab	Ingreso laboral (Bs/Mes) (14+ años)

Por otro lado, el diseño de registro completo puede consultarse en este enlace.

Las variables seleccionadas nos servirán a lo largo del trabajo para aproximarnos a una descripción de la dinámica del mercado de trabajo, la precaridad y la informalidad en Bolivia.

Bolivia <- readRDS("Bolivia_1a4T2019.RDS") %>% 
  select(c(all_of(var_sel$Variable)))

head(Bolivia[1:10])

id_persona	id_hogar	nro	gestion	trimestre	depto	area	s1_02	s1_03a	s1_05
2242047	2242038	1	2019	1	8	1	2	52	1
2242048	2242038	2	2019	1	8	1	1	55	2
2242049	2242038	3	2019	1	8	1	2	12	3
2242050	2242038	4	2019	1	8	1	1	7	3
2242051	2242038	5	2019	1	8	1	2	6	3
2242052	2242039	1	2019	1	8	1	2	48	1

También vamos a generar la variable Asalariado, variable dicotómica con valores 0 y 1 (No Asalariado y Asalariado, respectivamente).

Bolivia <- Bolivia %>% 
  mutate(asalariado = 
           case_when(ylab > 1 & peao == 1 ~ 1,
                     peao == 1 ~ 0))

2) Estimar y presentar las tasas básicas del mercado de trabajo. Analizar brevemente los resultados encontrados.

Para este punto generaremos un nuevo dataframe con las tasas básicas para lugar mostrar en forma tabulada, teniendo en cuenta las siguientes definiciones:

Tasa de actividad: calculada como porcentaje entre la población económicamente activa y la población total de referencia.

Tasa de empleo: calculada como porcentaje entre la población ocupada y la población total de referencia.

Tasa de desocupación: calculada como porcentaje entre la población desocupada y la población económicamente activa.

Tasa de Subocupación Horaria: calculada como porcentaje entre la población subocupada y la población económicamente activa.

Fuente: INDEC. Mercado de trabajo. Tasas e indicadores socioeconómicos (EPH) Primer trimestre de 2022. Página 22, “Cálculo de tasas”

(Tasas <- Bolivia %>% 
  summarise(pea = sum(fact_trim*pea, na.rm = T),
            pei = sum(fact_trim*pei, na.rm = T),
            peao = sum(fact_trim*peao, na.rm = T),
            pead = sum(fact_trim*pead, na.rm = T),
            psubocup = sum(fact_trim*psubocup, na.rm = T),
            pt = pea+pei,
            "Tasa de actividad" = pea/pt,
            "Tasa de empleo" = peao/pt,
            "Tasa de desocupación" = pead/pea,
            "Tasa de subocupación" = psubocup/pea) %>% 
    select(-c(1:6))
)

Tasa de actividad	Tasa de empleo	Tasa de desocupación	Tasa de subocupación
0.7300531	0.7031	0.0369193	0.0398638

3) Realizar una operacionalización de los conceptos de Sector Formal y Sector Informal, de modo de clasificar a toda la población activa en alguno de estos dos sectores.

Realizar una caracterización del Sector Informal tiene distintas aristas en la literatura. En nuestro caso, tomaremos las siguientes variables:

var_sel[c(18,20,21),]

Variable	Descripcion
s2_21	Contrato
s2_23	NIT
s2_24	Contabilidad

Nuestro enfoque parte en medir la informalidad laboral aludiendo a todas las actividades económicas y ocupaciones que -en la legislación o en la práctica- no están cubiertas o están insuficientemente contempladas por sistemas formales (OIT, 2012).

Partiendo de la base del contrato de trabajo, instrumento legal donde se definen las tareas, responsabilidades y obligaciones de empleado y empleador. Mientras que la identificación tributaria y el tratamiento contable del negocio nos indican la exposición y cumplimiento de la firma a las normas legales y demás requisitos del sistema formal.

Este abordaje nos permite no caer en tautologías definiendo al Sector Informal por sus mismas características: generalmente empresas con menos de 5 empleados, remuneraciones más bajas que en el mercado formal, tipo de empleo (ej.: cuentapropistas), entre otras.

A continuación presentamos las categorías de las variables, con negrita en las que se consideraría al Sector Formal:

s2_21 - PREGUNTA TEXTUAL En éste trabajo, usted… 1. ¿Firmó contrato con fecha de vencimiento o término? 2. ¿No firmó contrato pero tiene compromiso por obra o trabajo terminado? 3. ¿No firmó contrato, pero tiene un acuerdo verbal? 4. ¿Es personal de planta con ítem? 5. No firmó contrato

s2_23 - PREGUNTA TEXTUAL La empresa, negocio, taller o establecimiento donde trabaja, ¿cuenta con NIT (Número de Identificación Tributaria)? 1. Si, en régimen general 2. Si, en régimen simplificado 3. No tiene/En proceso 4. No sabe

s2_24 - PREGUNTA TEXTUAL En esta empresa, negocio, taller o establecimiento, donde trabaja… 1. Se llevan libros de contabilidad o se acude a los servicios de un contador 2. Sólo se utiliza un cuaderno personal para llevar las cuentas 3. No se lleva registro contable 4. No sabe / No responde

Bolivia_inf <- Bolivia %>% 
  mutate(formal = case_when(
    peao == 1 & s2_21 == 1 | s2_23 == 1 | s2_23 == 2 | 
      s2_24 == 1 ~ 1,
    peao == 1 ~ 0))

1 - mean(Bolivia_inf$formal, na.rm = T)

## [1] 0.7934904

Esto nos indica que alrededor del \(79.35\%\) de los trabajadores pertenecerían al Sector Informal.

4) Relizar una operacionalización del concepto de precariedad laboral, clasificando a toda la población asalariada.

Para realizar esta operacionalización, nos valdremos de variables clásicas para evaluar la precariedad de una relación laboral. La encuesta del INE nos proporciona tres posibilidades:

var_sel[24:26,]

Variable	Descripcion
s2_36a	Seguro de Salud
s2_36b	Vacaciones
s2_36c	Aguinaldo

El enfoque adoptado es el de derechos laborales, se entiende que cuando un trabajar se encuentra en una relación laboral que vulnera 1 o más de sus derechos fundamentales, este se encuentra en situación de precariedad.

Para las tres variables las respuestas posibles son 1 = si y 2 = no. En una vista rápida de las variables vemos que hay diferencias en los resultados, en el caso del aguinaldo es sustantiva:

summary(Bolivia[,24:26])

##      s2_36a           s2_36b           s2_36c      
##  Min.   :1.00     Min.   :1.00     Min.   :1.00    
##  1st Qu.:1.00     1st Qu.:1.00     1st Qu.:1.00    
##  Median :2.00     Median :2.00     Median :1.00    
##  Mean   :1.59     Mean   :1.62     Mean   :1.47    
##  3rd Qu.:2.00     3rd Qu.:2.00     3rd Qu.:2.00    
##  Max.   :2.00     Max.   :2.00     Max.   :2.00    
##  NA's   :189419   NA's   :189419   NA's   :189419

El promedio nos da una primera aproximación a la vulneración de estos derechos mientras se acerca al número 2. Vemos que el que aguinaldo marca una diferencia: hay más trabajadores que gozan del mismo que los que tienen vacaciones o seguro de salud. En este instancia, y debido al carácter exploratorio de este trabajo, vamos a utilizar las tres variables pero no de forma exhaustiva.

Entonces, para considerar como precaria una relación laboral tendremos en cuenta la ausencia de al menos una de las prestaciones sociales mencionadas. En el futuro, podría considerarse algún enfoque con distintos niveles de precariedad.

Bolivia_prec <- Bolivia_inf %>% 
  mutate(prec = case_when(
    s2_36a == 2 | s2_36b == 2 | s2_36c == 2~ 1,
    s2_36a == 1 | s2_36b == 1 | s2_36c == 1 ~ 0))


mean(Bolivia_prec$prec, na.rm = T)

## [1] 0.6570153

Siendo los valores de referencia de esta variable:

1 = Precario 0 = No precario

Esto nos indica que alrededor del \(65.7\%\) de los trabajadores tiene algún nivel de precariedad.

5) Presentar de forma tabulada la incidencia de la informalidad y la precariedad en la población activa y/o asalariada.

Se presenta de forma resumida la siguiente tabla:

(inf_prec <- Bolivia_prec %>% 
  summarise(pea = sum(fact_trim*pea, na.rm = T),
            peao = sum(fact_trim*peao, na.rm = T),
            asal = sum(fact_trim*asalariado, na.rm = T),
            prec = sum(fact_trim*prec, na.rm = T),
            formal = sum(fact_trim*formal, na.rm = T),
            
            "Precariedad Laboral" = prec/asal,
            "Sector Formal" = formal/peao,
            "Sector Informal" = 1-(formal/peao)) %>% 
  select(c(6:8)) %>% 
  t() 
  )

##                          [,1]
## Precariedad Laboral 0.2624154
## Sector Formal       0.1781660
## Sector Informal     0.8218340

6) Analizar la incidencia de la informalidad y la precariedad según sexo y edad.

Generamos la variable Edad Categórica para agrupar por grupos de edad y seco. Se presenta la siguiente tabla:

Bolivia_prec <- Bolivia_prec %>% 
  mutate(EDAD_CAT = case_when(s1_03a <= 15 ~ "15 años o menos",
                              s1_03a >= 16 & s1_03a <= 30 ~ "16 a 30 años",
                              s1_03a >= 31 & s1_03a <= 45 ~ "31 a 45 años", 
                              s1_03a >= 46 & s1_03a <= 60 ~ "46 a 60 años", 
                              s1_03a >= 61 ~ "Mayor de 60 años"),
         Sexo = s1_02)

(inf_prec_edad_sexo <- Bolivia_prec %>% 
  group_by(Sexo, EDAD_CAT) %>% 
  select(c(EDAD_CAT, Sexo, pea, peao, asalariado, prec, formal, fact_trim)) %>% 
  summarise(pea = sum(fact_trim*pea, na.rm = T),
            peao = sum(fact_trim*peao, na.rm = T),
            asal = sum(fact_trim*asalariado, na.rm = T),
            prec = sum(fact_trim*prec, na.rm = T),
            formal = sum(fact_trim*formal, na.rm = T),
            
            "Precariedad Laboral" = prec/asal,
            "Sector Formal" = formal/peao,
            "Sector Informal" = 1-(formal/peao)) %>% 
  select(-c(3:7))
)

## `summarise()` has grouped output by 'Sexo'. You can override using the
## `.groups` argument.

Sexo	EDAD_CAT	Precariedad Laboral	Sector Formal	Sector Informal
1	15 años o menos	1.0332067	0.0582630	0.9417370
1	16 a 30 años	0.4919389	0.2472501	0.7527499
1	31 a 45 años	0.2303730	0.2440818	0.7559182
1	46 a 60 años	0.1497513	0.1720848	0.8279152
1	Mayor de 60 años	0.0781939	0.0745626	0.9254374
2	15 años o menos	1.0005671	0.0617633	0.9382367
2	16 a 30 años	0.4867395	0.2116269	0.7883731
2	31 a 45 años	0.2207322	0.1838710	0.8161290
2	46 a 60 años	0.1309596	0.0932175	0.9067825
2	Mayor de 60 años	0.0420381	0.0254468	0.9745532

Casi sin mediar análisis, vemos que el peso de la precariedad laboral en menores de 15 años es mayor al \(100\%\). Lo que nos sugiere que debemos revisar la metodología utilizada. Más allá de eso, podemos tomar por válidos el resto de los resultados que arroja la tabla y hacer algunos comentarios:

La precariedad laboral parece ir disminuyendo a mayor edad de las personas.
En todas las edades, las mujeres tienen mas incidencia en el Sector Informal.
La informalidad pareciera aumentar a mayor edad de las personas.

inf_prec_edad_sexo %>% 
  pivot_longer(-c(1:2), names_to = "Nombre", values_to = "Tasas") %>% 
ggplot(aes(x = Tasas, y = EDAD_CAT, 
           color = Nombre, group = Nombre)) +
  geom_point()+geom_path()+
  facet_grid(rows = vars(Sexo))+
  coord_flip()+
  theme_bw()+
  theme(axis.text.x = element_text(angle = 30, vjust = 0.5, hjust=1),
        axis.title.y = element_blank(),
        axis.title.x = element_blank())