Análisis de complejidad del Proyecto InvESt-Tec Monterrey

Esta documentación presenta la metodología técnica del análisis para la identificación de industrias estratégicas en el margen extensivo del Proyecto InvESt-Tec Monterrey.

Contenido

El materíal está organizado de la siguiente manera:

• Medidas de Complejidad
• Uso de datos de empleo en el margen extensivo
• Industrias transables
• Proceso de identificación de industrias clave
• Cálculo de Factores de Viabilidad
• Regresiones para Crecimiento del RCA, Apariciones y Desapariciones

Uso de datos de empleo en el margen extensivo

Los datos de comercio internacional que se utilizan para el análisis del margen intensivo carecen de registros correspondientes a actividades de servicios. Dada la importancia del sector servicios en las economías, para el análisis del margen extensivo (esto es, identificación de industrias con una capacidad promisoria de desarrollo) se utilizaron datos de empleo de México y El Salvador para realizar el análisis de complejidad al comparar Zonas Metropolitanas de México con El Salvador.

Los datos de empleo de México provienen de los informes mensuales del Instituto Mexicano del Seguro Social (IMSS), los cuales son publicados desde 1997. Los datos de empleo de El Salvador corresponden al Instituto Salvadoreño de Seguridad Social, y tienen una frecuencia mensual y cubre el periodo 2013-2023. Desde el punto metodológico, ambos datos son comparables dado que provienen de registros administrativos.

Un primer reto para realizar el análisis de complejidad en el margen extensivo fue contar con un sistema de clasificación industrial harmonizado para ambos países. Los datos de empleo de El Salvador están registrados con la Clasificación Industrial Internacional Uniforme en su versión 4 (CIIU Rev 4) para 4 dígitos de agregación. Para el caso de México, el IMSS utiliza una clasificación propia. Para hacer comparable la clasificación IMSS con CIIU, se realizó en primer lugar una correspondencia de la clasificación del IMSS con el Sistema de Clasificación Industrial para América del Norte (SCIAN) en su versión 2018 a nivel de clase de actividad. Posteriormente, se utilizó el diccionario entre las clasificaciones SCIAN 2018 y CIIU Rev 4. Cabe señalar que dicho diccionario entre SCIAN 2018 y CIIU Rev 4 tuvo que ser ajustado con una metodología de clusterización en redes complejas. Este ajuste fue necesario dado que hay una relación muchos a muchos entre las actividades. El ajuste permitió eliminar las ambiguedades entre actividades y así obtener una relación uno a uno entre las activades CIIU Rev 4 y las activades SCIAN. Lo anterior significó generar una clasificación propia del CIIU Rev 4 donde se realizó una agrupación de actividades.

Metodología de Diodato para armonizar Sistemas de Clasificación

El problema entre sistemas de clasificación consiste en que en frecuentes ocasiones existen relaciones muchos a muchos entre las categorias de los sistemas de clasificación. Esto es, una actividad de un sistema puede corresponder a más de una actividad en otro sistema de clasificación. Si se usan las tablas de correspondencia que ofrecen los institutos de estadística son ningún tratamiento previo para controlar estas relaciones muchos a muchos puede significar la doble contabilidad de actividades, lo cual se traduce en una doble contabilización de la actividad. Por lo anterior, es preciso realizar un tratamiento previo a los diccionarios de correspondencias entre sistemas de clasificación para obtener relaciones uno a uno entre las actividades.

Dario Diodato presenta una metología basada en redes para armonizar sistemas de clasificación. A grandes rasgos, la propuesta consiste en construir una red no dirigida a partir de los diccionarios de correspondencias entre las actividades para posteriormente ejecutar algún algoritmo de cluster en redes para generar así relaciones uno a uno entre las actividades. La siguiente figura presenta un ejemplo de correspondencias entre actividades para tres sistemas de clasificación industrial. Los colores de los nodos corresponden a los sistemas de clasificación mientras que las aristas son las relaciones definidas en las correspondencias. Las relaciones muchos a muchos se manifiestan en los componentes conexos más grandes de la red.

Para el presente estudio, se armonizaron tres sistemas de clasificación : NAICS 2017, CIIU Rev 4 y SCIAN 2018. En la siguiente liga se presentan los programas que generan la nueva clasificación CIIU Rev 4 que armoniza los tres sistemas de clasificación.

La siguiente tabla presenta en extenso la nueva clasificación CIIU Rev 4 con sus correspondencias con SCIAN 2018, NAICS 2017, así como las actividades CIIU que está agrupando.

Industrias transables

El análisis de complejidad con datos se empleo se restringió a industrias transables.

No existe una clasificación oficial de industrias transables. Para el estudio, se utilizó la clasificación de Delgado (2014).

A continuación se listan los Cluster de actividades transables que indentifican los autores, así como el número de industrias que los integran y el porcentaje de empleo incorporado.

La clasificación está elaborada para NAICS 2008 a nivel de clase, de manera que se procedió a realizar los encadenamientos necesarios para harmonizar dicha clasificación con la versión más actual de NAICS 2017. Posteriormente se realizó un diccionario de las actividades transables en NAICS 2017 a SCIAN 2018. Por último, se utilizó la reclasificación CIIU Rev 4- SCIAN 2018 para identificar las industrias CIIU Rev 4 para las cuales todas las actividades SCIAN 2018 corresponden a actividades transables. Es decir, filtramos por industrias CIIU para las cuales la suma del empleo de clases SCIAN 2018 correspondiera al 100% del total de empleo.

La siguiente tabla presenta la correspondencia entre los cluster de actividades transables y las clases de actividad NAICS que los integran.

Cabe señalar que es preciso realizar un filtrado adicional de actividades transables para ajustarlo al contexto particular de la economía Salvadoreña. Es posible que en Estados Unidos las actividades como Marketing puedan ser consideradas transables por su capacidad de ser demandadas por economías del resto del mundo. Sin embargo, dichas capacidades no han sido desarrolladas en economías latinoamericanas. Por ello, se está tomando en cuenta realizar un filtrado adicional para contextualizar las actividades transables al caso de El Salvador.

Industrias estratégicas en el margen extensivo

Filtrado de industrias

El análisis de complejidad quedó restringido a 71 actividades de la reclasificación CIIU. Estas industrias se eligieron dado que dichas industrias contaban con datos de empleo tanto en El Salvador como en las Zonas Metropolitanas de México. Las 71 actividades elegidas se listan a continuación:

Con estas 71 industrias, se realizó el cálculo de las medidas complejidad. Específicamente, se calculó:

• RCA
• Densidad
• Diversidad
• Ubicuidad
• Índice de Complejidad del Producto
• Ganancia de Oportunidad

Una primera prueba de coherencia de resultados es el rankeo por el Índice de Complejidad Económica de las unidades geográficas que son comparadas. La siguiente tabla presenta el ranking de las Zonas Metropolitanas de México y El Salvador. Para los años 2013, 2020 y 2021, El Salvador entra en el top 10 de las zonas con mayor complejidad económica. Particularmente llama la atención que en 2021 se coloca en el puesto 5 del ranking. Como era de esperarse, Zonas Metropolitanas para las cuales hay evidencia que presentan alta complejidad (Monterrey y Ciudad de México), aparecen en los primeros puestos.

El análisis del márgen extensivo consiste en enfocarse en aquellas actividades que no cuentan con ventajas comparativas reveladas (esto es, aquellas actividades que tienen un RCA < 1). Fueron 37 industrias las que no cuentan con ventajas comparativas reveladas. Las industrias se encuentran listadas en el apéndice de la documentación en linea. La siguiente tabla presenta la distribución de las 37 industrias en la agregación de Sección del CIIU.

Proceso de identificación de industrias clave

Para la identificación de industrias clave se utilizó una técnica TOPSI (Technique for Order of Preference by Similarity to Ideal Solution) del enfoque de Decisión Multicriterio. El método compara un conjunto de alternativas, normaliza los scores para cada criterio y calcula la distancia geométrica entre cada alternativa y la alternativa ideal, la cual es el mejor score de cada criterio. En este caso, las alternativas corresponden a las industrias que se priorizarán, mientras que los criterios de selección corresponden a las métricas de complejidad:

• Ganancia de Oportunidad
• Índice de complejidad del Producto
• Distancia

Para cada métrica se necesita definir qué tipo de optimización debe realizar el método. Para el caso de la Distancia, el método debe encontrar industrias que minimicen la métrica, dado que nos interesa priorizar industrias para las cuales la brecha entre las capácidades existentes sea la más pequeña. Para el caso de Ganancia de Oportunidad y Complejidad del Producto, necesitamos que el método máximice su valor. Todos los criterios tienen los mismos pesos de importancia.

El método TOPSI compara los criterios de cada una de las alternativas para generar un ranking que toma valor entre 0 y 1 de las alternativas que cumplen con los criterios de optimización.

La siguiente tabla presenta las industrias priorizadas de acuerdo al ranking calculado por TOPSI:

Datos de Educación, Knowledge, Skills y Abilities de O*NET

O*NET (Occupational Information Network) ofrece información sobre tipos de ocupación para USA. O*NET se desarrolla bajo el patrocinio de la U.S. Department of Labor/Employment and Training Administration (USDOL/ETA).

Cada ocupación necesita una combinación diferente de conocimientos(knowledge) y habilidades (skills-abilities) para llevar acabo distintas actividades y tareas.

O*NET define una taxonomía para el conjunto de ocupaciones, la cual está basada en Standard Occupational Classification(SOC). La actual taxonomía incluye 923 ocupaciones, las cuales se actualizan periodicamente. La más reciente revisión es la correspondiente a 2019. la cual se organiza en la siguiente clasificación:

O*NET 28.2 Database

La base de datos de O*NET contiene una variedad de variables que describen las características del trabajo y trabajadores, incluyendo requerimientos de habilidades, nivel educativo, experiencia, conocimientos, etc.

O*NET Model Content

El Model Content proporciona el marco que identifica los más importantes tipos de información acerca del trabajo, y los integra a un marco teórico y empírico.

El Model Content se desarrolló utilizando investigaciones sobre análisis de puestos y organizaciones. Incorpora una visión que refleja el carácter de las ocupaciones (a través de descriptores orientados al trabajo) y de las personas (a través de descriptores orientados al trabajador).

El Model Content también permite que la información ocupacional se aplique en todos los trabajos, sectores o industrias (descriptores interocupacionales) y dentro de las ocupaciones (descriptores ocupacionales específicos). Estos descriptores están organizados en seis dominios principales, que permiten al usuario centrarse en áreas de información que especifican los atributos y características clave de los trabajadores y ocupaciones.

Worker Characteristics

Características duraderas que pueden influir tanto en el desempeño como en la capacidad de adquirir conocimientos y habilidades necesarios para un desempeño laboral eficaz.

• Abilities : Atributos duraderos del individuo que influyen en el desempeño.

Worker Requirements

Descriptores que se refieren a atributos relacionados con el trabajo adquiridos y/o desarrollados a través de la experiencia y la educación.

• Skills : Capacidades desarrolladas que facilitan el aprendizaje o la adquisición más rápida de conocimientos.
• Knowledge : Conjuntos organizados de principios y hechos que se aplican en dominios generales.
• Education : Experiencia educativa previa requerida para desempeñarse en un puesto de trabajo.

Knowledge, Skills, Abilities

Los datos presentan información de Knowledge, Skills y Abilities asociado con cada ocupación O*NET. La información está organizada de acuerdo a los siguientes campos:

Un ejemplo de Element ID, Element Name para Knowledge y Skills así como su descripción es el siguiente:

El listado completo puede descargarse de la siguiente liga

Los campos Scale ID y Scale Name representan categorias de escalas de ordenamiento las cuales tienen las siguientes etiquetas así como sus los valores mínimos y máximos:

El listado completo puede descargarse de la siguiente liga

Los campos Data Value, N, Standard Error, Lower CI Bound, Upper CI Bound, Recommend Suppress y Not Relevant corresponden a estadísticas de nivel de calificación, así como errores estándar e indicadores de datos para ayudar a proporcionar una descripción de la calidad de los valores de los datos.

La descripción completa de estos campos se encuentran en la siguiente liga

Education, Training, and Experience

Los datos contienen la frecuencia porcentual de educación, capacitación y experiencia, asociada con las categorías de ocupación.

Para el caso específico de Educación, los datos presentan información del porcentaje de trabajadores que cuentan con algún grado de educación para cada categoría de ocupación de la taxonomía de O*NET. Por ejemplo, para la categoría 11-1011.00 Chief Executives, se tiene la siguiente información:

Cálculo de Factores de Viabilidad

Relación Directa de Insumos/input_similarity

La métrica expresa la presencia de actividades que producen insumos necesarios para las industrias. Es decir, trata de responder a la pregunta ¿están presentes las actividades que a las cuales las actividades les compran insumos?. Para la construcción de esta métrica se utilizó la Matriz de Insumo Producto para México de 2018 en precios constantes y la matriz de presencia-ausencia para las actividades CIIU-Recodificado-Rev-4 estimada en el ejercicio de Complejidad (o matriz \( M_{u,a} \), donde los subíndices \( u\) y \(a\) corresponden a una unidad geográfica-zona metropolitana- y actividad, respectivamente). La Matriz Insumo Producto fue traducida de SCIAN 2018 a CIIU-Recodificado-Rev-4.

Para el cálculo de la metrica se utilizó la matriz de coeficientes técnicos , \(A\), de la Matriz Insumo Producto. Siendo \(Z\) la matriz de flujo entre sectores y \(X\) es el vector de producto total, la matriz de coeficientes técnicos se calcularía como:

\[ A= Z \cdot (X \cdot I)^{-1} \]

Las entradas de la matriz \(A\) definen los coeficientes técnicos como la proporción de insumo ofrecido por el sector \(i\) y comprado por el sector \(j\) con respecto al producto total del sector \(j\), \(a_{ij}= \dfrac{z_{ij}}{x_j}\).

La presencia entre insumos utilizados por las actividades se calcularía como una medida de densidad donde la matriz de proximidad entre industrias, \(\phi_{a,a'}\), se sustituye por la matriz de coeficientes técnicos:

\[ \begin{equation} \dfrac{ \sum_{a'}M_{ua'}A_{aa'}^{T} }{\sum_{a'} A^{T}_{aa'}} \end{equation} \]

Dado que las columnas de la matriz de coeficientes técnicos representa la proporción de insumo ofrecido por el sector \(j\) y comprado por el sector \(i\), transponemos la matriz para poder realizar el cálculo.

Relación Directa de Productos/output_similarity

La métrica expresa la presencia de actividades que compran productos de las actividades. Es decir, trata de responder a la pregunta ¿están presentes las actividades que son clientes de los productos de las actividades? El cálculo es prácticamente el mismo que el de la medida de Relación Directa de Insumos. Sin embargo, dado que las entradas de la matriz de coeficientes técnicod corresponden a la proporción de insumo ofrecido por el sector \(i\) y comprado por el sector \(j\) con respecto al producto total del sector \(j\), no es necesario transponer la matriz:

\[ \begin{equation} \dfrac{ \sum_{a'}M_{ua'}A_{aa'} }{\sum_{a'} A_{aa'}} \end{equation} \]

Similitud de industrias provedoras/input_presence_similarity

La métrica expresa la presencia de actividades similares respecto a la demanda de mismos insumos. Es decir, trata de responder a la pregunta ¿están presentes industrias que demandan los mismos insumos? Para el cálculo de la medida se utilizó la matriz de coeficientes técnicos \(A\) para realizar el cáculo row wise correlation, esto es, calcular la correlación para cada par de industrias para obtener una medida de similitud entre industrias de acuerdo a los insumos que utilizan.

La presencia entre industrias que demandan insumos similares se calcularía como una medida de densidad donde la matriz de proximidad entre industrias, \(\phi_{a,a'}\), se sustituye por la matriz de correlación entre pares de industrias de la matriz de coeficientes técnicos:

\[ \begin{equation} \dfrac{ \sum_{a'}M_{ua'}corr(A_{aa'}^T) }{\sum_{a'} corr(A_{aa'}^T)} \end{equation} \]

Dado que las columnas de la matriz de coeficientes técnicos representa la proporción de insumo ofrecido por el sector \(j\) y comprado por el sector \(i\), transponemos la matriz de coeficientes técnicos para calcular la correlación entre pares de industrias.

Similitud de industrias compradoras/output_presence_similarity

La métrica expresa la presencia de actividades similares respecto a si le venden sus producción a las mismas industrias. Es decir, trata de responder a la pregunta ¿están presentes industrias que tienen como clientes a las mismas activiades? Para el cálculo de la medida se utilizó la matriz de coeficientes técnicos \(A\) para realizar el cáculo column wise correlation, esto es, calcular la correlación para cada par de industrias para obtener una medida de similitud entre industrias de acuerdo a las industrias que tienen como clientes.

La presencia entre industrias que demandan insumos similares se calcularía como una medida de densidad donde la matriz de proximidad entre industrias, \(\phi_{a,a'}\), se sustituye por la matriz de correlación entre pares de industrias de la matriz de coeficientes técnicos:

\[ \begin{equation} \dfrac{ \sum_{a'}M_{ua'}corr(A_{aa'}) }{\sum_{a'} corr(A_{aa'})} \end{equation} \]

Relación Directa de Ocupaciones/coempleo_similarity

La métrica expresa la presencia de actividades que demandan los mismos tipos de ocupaciones. Para calcular la métrica se utilizaron datos de Staffing Patterns. Dichos datos por tipo de empleo de acuerdo al Standard Occupational Classification (SOC) 2018 para las actividades NAICS 2017.

Una muestra de los datos se presenta en la siguiente tabla:

A partir de estos datos se estimó una matriz de presencia-ausencia donde nos interesa conocer si las actividades están especializadas en el empleo de algún tipo de ocupación. Denotamos la matriz como \(M_{occ,a}\) donde los subíndices \(a\) y \(occ\) corresponden a la actividad CIIU Recodificada Rev 4 y al tipo de ocupación SOC, respectivamente. De esta matriz calculamos una matriz de proximidad del tipo de ocupación empleado entre actividades , \(\phi_{a,a'}^{\text{SOC}}\).

Al sustituir esta matriz de proximidad \(\phi_{a,a'}^{\text{SOC}}\) en el cálculo de la densidad, y usando la matriz \( M_{u,a} \), podemos calcular una medida de la presencia de actividades que demandan las mismas ocupaciones-o coempleo-

\[ \begin{equation} \dfrac{ \sum_{a'}M_{ua'}\phi_{a,a'}^{\text{SOC}} }{\sum_{a'} \phi_{a,a'}^{\text{SOC}}} \end{equation} \]

Medida de requerimientos de trabajo calificado (Balance de Competencias Laborales/onet_metrica)

Se estimó una medida de requerimientos de trabajo calificado por industria en clasificación CIIU-Recodificada-Rev 4.

Se usaron dos fuentes de datos:

• Tipo de empleo por actividad NAICS (Staffing Patterns).
• O*NET datos de Educación, Training and Experience

Se necesita una medida que manifieste la intensidad de trabajo calificado requerido por las industrias. Consideramos trabajo calificado a aquellas ocupaciones que cuentan, cómo mínimo, con grado de Bachelor. De manera que agrupamos los datos de O*NET para considerar la suma de las razones de empleo de Bachelor a Pos-Doctoral.

Posteriormente, de los datos de Staffing Patterns ponderamos los datos agrupados por la razón cantidad de empleo en cada categoría O*NET y el empleo total de la actividad CIIU-Recodificada-Rev 4, esto con la intensión de modular el nivel de educación requerido en el tipo de ocupación ONET con la demanda de esa ocupación en la actividad CIIU.

Por último, ponderamos ese valor por la razón entre el empleo de la actividad CIIU con respecto al total del empleo.

Regresiones para Crecimiento del RCA, Apariciones y Desapariciones

Con el objetivo de ofrecer evidencia empírica sobre la trayectoria de dependencia de la evolución industrial para el conjunto de Zonas Metropolitanas y El Salvador, se estimaron regresiones para tres variables explicaticas:

• Crecimiento del RCA : variable continua igual a la inversa hiperbólica de la tasa de crecimiento del RCA entre 2015 y 2020.
• Aparición de industrias: variable dicotómica que toma la etiqueta 1 si la industria tenía un RCA < 0.05 en 2015 y un RCA > 0.2 en 2020. En caso contrario, se asigna la etiqueta 0. La variable indica si la actividad se especializó en el periodo.
• Desaparición de industrias : variable dicotómica que toma la etiqueta 1 si la industria tenía un RCA < 0.2 en 2015 y un RCA > 0.05 en 2020. En caso contrario, se asigna la etiqueta 0. La variable indica si la actividad perdió especialización en el periodo.

Las regresiones toman la siguiente forma funcional:

\[ \begin{equation} y_{j,k,t_1} = \alpha_0 + \alpha_1 Densidad_{j,k,t_0} + \alpha_2RCA_{j,k,t_0} + \delta_1 ZM + \delta_2 CIIU+\varepsilon_{j,k,t_1} \end{equation} \]

Donde el subíndice \(j\) corresponde a la actividad CIIU, \(k\) corresponde a la zona metropolitana, \(t_0\) corresponde al año de inicio del periodo de estudio(2015), \(t_1\) corresponde al año final del periodo de estudio (2020). La estimación controla por efectos fijos para zonas metropolitanas (ZM) y actividades CIIU (CIIU).

Para examinar el efecto de las métricas de viabilidad en la trayectoria de evolución industrial, a la forma funcional anterior agregamos como regresores las metricas de viabilidad:

• Input Presence : mide la presencia de actividades que producen insumos necesarios para las actividades.
• Output Presence : mide la presencia de actividades que compran productos de las actividades.
• Input Presence Similarity : mide la presencia de actividades que son similares respecto a la demanda de mismos insumos.
• Output Presence Similarity : mide la presencia de actividades similares respecto a si le venden sus producción a las mismas industrias.
• Co-empleo : mide la presencia de actividades que demandan los mismos tipos de ocupaciones.

Crecimiento del RCA

La siguiente tabla muestra lo resultados para las regresiones de crecimiento del RCA. En todos los casos, el RCA fue estadísticamente significativo y negativo. El signo del coeficiento es el esperado, pues industrias con un alto RCA se espera que crezcan menos. Sólo para una especificación resultaron significativos los regresores de densidad y presencia de actividades similares respecto a si le venden sus producción a las mismas industrias. Para las regresiones donde se incorporó la medida de co-empleo, resultó significativa y negativa, lo cual da evidencia que existe una competencia por recursos humanos entre las industrias que demandan los mismos tipos de ocupaciones.

Aparición de industrias

La siguiente tabla muestra lo resultados para las regresiones de Apariciones de industrias. En todos los casos, la Densidad resultó significativa y positiva, como es lo esperado en la literatura. Sin embargo, la densidad no es el único determinante de la evolución industrial regional. Las regresiones calculadas muestran que Output Presence Similarity y Co-empleo tienen un efecto positivo y significativo sobre las apariciones. Es decir, el incremento de actividades que son clientes de la producción de las actividades, la cual podemos pensarla como un efecto positivo del lado de la demanda local, incrementa la aparición de industrias. Por otro lado, el incremento de actividades que demandan los mismos tipos de ocupaciones influyen de forma positiva en la aparición de industrias.

Desaparición de industrias

La siguiente tabla muestra lo resultados para las regresiones de Desapariciones de industrias. En todos los casos, la Densidad resultó significativa y negativa, como es lo esperado en la literatura. En este caso, sólo Input Presence Similarity resultó significativa y con signo negativo. Esta medida puede pensarse como indicadora de restricciones a la oferta local de insumos. Si se incrementan las actividades que demandan los mismos insumos que otras actividades, la especialización se reduce. Esto puede pensarse que hay un efecto negativo de la competencia por insumos lo cual deja a algunas industrias fuera del acceso a la oferta local de insumos. Si no hay acceso a mercados internacionales, se traduce en una pérdida de especialización.