Reporte No: AUS0002767
Espacio de Ocupaciones en Uruguay. Un
instrumento para apoyar el diseño de políticas
de reconversión laboral1
Ignacio Apella2 Gonzalo Zunino3
Abril, 2022
Resumen
Este trabajo desarrolla un instrumento denominado “Espacio de Ocupaciones” destinado a apoyar el proceso
de diseño de las políticas de reconversión laboral. Esta herramienta permite contar con mediciones
cuantitativas y una visualización sencilla sobre la cercanía de las diferentes ocupaciones, en términos de las
habilidades y conocimientos requeridos para su desempeño. Adicionalmente, la metodología permite la
incorporación de información adicional referida a otras dimensiones relevantes que caracterizan a las
ocupaciones al momento de pensar el diseño de políticas de reconversión laboral, como por ejemplo las
perspectivas de automatización de las mismas. A los efectos de desarrollar este instrumento, se utilizó la
primera ola de la base de datos O*NET Uruguay desarrollada por el Ministerio de Trabajo y Seguridad Social
de la República Oriental del Uruguay que permite caracterizar de manera exhaustiva a las primeras 23
ocupaciones del país contempladas en este primer relevamiento.
Palabras clave: Reconversión laboral, Espacio de ocupaciones, Riesgo de automatización.
Código JEL: J01 J08 O33
. Protección Social y Trabajo
1 El presente trabajo se realizó en el marco de la cooperación técnica entre el Banco Mundial y el Ministerio de Trabajo y
Seguridad Social de la República Oriental del Uruguay, formalizado a través del proyecto “Mercado Laboral y O*NET
UY” (P177101). El acuerdo de cooperación busca fortalecer las capacidades institucionales del MTSS apoyando
técnicamente la construcción de un sistema inteligente de información laboral y los instrumentos para su análisis y
definición de políticas de promoción del empleo y de formación continua.
Los autores agradecen la información provista y los comentarios recibidos de Carolina Da Silva, María José González,
Gabriel Vazquez y Miguel Velardez, todos miembros de la Unidad de Estadísticas del MTSS de Uruguay.
2 Economista para la Práctica Global de Protección Social y Trabajo del Banco Mundial. Correspondencia a
iapella@worldbank.org
3 Centro de Investigaciones Económicas (CINVE), Montevideo, Uruguay. Correspondencia a gzunino@cinve.org.uy
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
© 2022 Banco Mundial
1818 H Street NW, Washington DC 20433
Teléfono: 202-473-1000; Internet: www.bancomundial.org
Algunos derechos reservados
Este trabajo es un producto desarrollado por el personal del Banco Mundial. Los hallazgos, interpretaciones
y conclusiones expresados en este trabajo no reflejan necesariamente las opiniones de los Directores
Ejecutivos del Banco Mundial o de los gobiernos que éstos representan. El Banco Mundial no garantiza la
exactitud de la información incluida en este trabajo. Las fronteras, colores, denominaciones y demás datos
que aparecen en cualquier mapa de este documento no implican juicio alguno por parte del Banco Mundial
con respecto a la condición jurídica de ninguno de los territorios ni la aprobación o aceptación de tales
fronteras.
Derechos y permisos
El material de este trabajo está sujeto a derechos de autor. Debido a que el Banco Mundial fomenta la
difusión de su conocimiento, este trabajo puede reproducirse, en su totalidad o en parte, con fines no
comerciales, siempre que se otorgue la atribución total a este trabajo.
Atribución — cite el trabajo de la siguiente manera: “Apella Ignacio y Zunino Gonzalo, 2022. Espacio de
Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral. Banco
Mundial, Reporte N° AUS0002767”
Todas las consultas sobre derechos y licencias, incluidos los derechos subsidiarios, deben dirigirse a
Publicaciones del Banco Mundial, Grupo Banco Mundial, 1818 H Street NW, Washington, DC 20433, EE.
UU.; fax: 202-522-2625; correo electrónico: pubrights@worldbank.org
-2-
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
1. Introducción
Diversos trabajos han llamado la atención sobre los posibles impactos del proceso de cambio
tecnológico en el mercado laboral en una rama de la literatura que muchas veces ha sido identificada
como el análisis del “futuro del empleo” (Brynjolfsson y McAfee 2014; Autor et. al. 2003; Spitz-Oener,
2006; Acemoglu y Autor 2011; Frey y Osborne 2013; OCDE, 2016).
Estos trabajos resaltan no solo la posibilidad de que el cambio tecnológico pueda desplazar una
gran parte de las ocupaciones actuales (Frey y Osborne 2013, Brynjolfsson y McAfee 2014, OCDE,
2016), sino que también analizan el tipo de tareas que tienen más probabilidades de sufrir este
desplazamiento y, por el contrario, los tipos de tareas que podrían ser crecientemente demandados
con las nuevas tecnologías (Autor, et. al. 2003; Spitz-Oener, 2006; Acemoglu y Autor, 2011). Esta
última aproximación al efecto del cambio tecnológico en los mercados laborales generalmente se ha
identificado como “enfoque del contenido de tareas”.
La literatura basada en el enfoque del contenido de tareas ha alertado sobre dos tendencias
relevantes y relacionadas, observadas en los mercados laborales en las últimas décadas, asociadas al
fenómeno de penetración del cambio tecnológico.
En primer lugar, se afirma que los trabajos intensivos en tareas cognitivas, particularmente en el
caso de aquellas no rutinarias, no solo que sufrirían en menor medida el fenómeno del desplazamiento
tecnológico, sino que, por el contrario, serían estimulados por dicho proceso (Autor et al., 2003, y
Spitz-Oener, 2006, Acemoglu y Autor, 2011, Keister y Lewandowski, 2016). Por lo tanto, la inserción
y la productividad laboral estarán cada vez más vinculadas a la capacidad de los trabajadores para
desarrollar este tipo de tareas cognitivas del tipo no rutinarias.
En segundo lugar, los efectos del cambio tecnológico sesgado hacia la sustitución de tareas
rutinarias plantean un riesgo para el mercado de trabajo asociado no tanto con el concepto de
desempleo tecnológico sino con su impacto distributivo. La automatización de determinadas tareas,
en especial las rutinarias, podría modificar la estructura del empleo, pudiendo quedar representado por
dos grandes grupos de trabajadores, en lo que ha sido calificado por Acemoglu y Autor (2011) como
un proceso de polarización laboral. Por un lado, aquellos de alta calificación que se desempeñan en
ocupaciones intensivas en el uso de las tareas cognitivas no rutinarias, de alta productividad y elevados
ingresos. Por otro lado, un conjunto de trabajadores de baja calificación, relegados a ocupar puestos
en ocupaciones intensivas en tareas manuales no rutinarias, y por tanto de baja productividad y nivel
de ingresos. Ello ocurriría al tiempo que los trabajadores de calificación y niveles de ingresos medios
generalmente abocado al desarrollo de tareas rutinarias (manuales y cognitivas) enfrentan una menor
demanda de empleo o menores ingresos.
Estas dos tendencias han sido documentadas como procesos que en mayor o menor medida están
presentes en los mercados laborales de América Latina, de los cuales Uruguay no está exento. Los
trabajos de Apella y Zunino (2017 y 2022) y Aedo et al. (2013) encuentran evidencia para países
latinoamericanos sobre una creciente participación en el mercado laboral de las ocupaciones intensivas
en tareas cognitivas, particularmente de las no rutinarias.
-3-
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
Respecto al fenómeno de polarización laboral existe menos evidencia en el caso de América Latina.
Messina et al. (2016) analiza este fenómeno para México y Chile, encontrando cierta evidencia de
polarización del empleo en Chile, pero no en México. Por su parte, Apella et al. (2020) analizando el
caso de Uruguay, encuentran evidencia que sugiere la existencia de un proceso incipiente de
polarización de la fuerza de trabajo. Al contrario de lo observado en países desarrollados, con
excepción del empleo en ocupaciones de alta calificación o productividad, el cual ha incrementado su
participación en el empleo total entre 2003 y 2017, el resto de la fuerza de trabajo en Uruguay aún
mantiene cierta estabilidad en sus participaciones o con reducciones poco significativas.
Atendiendo a la evidencia previa, los países latinoamericanos parecerían ir transitando similares
tendencias laborales que las economías desarrolladas, aunque con cierto rezago y especificidades. En
este contexto de transformación de la estructura de los mercados laborales, siguiendo a Apella y
Zunino (2017), es posible distinguir dos desafíos para las políticas públicas: uno de corto plazo y otro
de mediano plazo.
El primero se encuentra asociado con suavizar los costos sociales de la transición, generando
políticas de protección social para los trabajadores desplazados por el cambio tecnológico y brindando
herramientas que les permitan a estos reintegrarse a la actividad laboral, minimizando la pérdida de
ingreso de los hogares afectados por las transformaciones del mercado laboral. El segundo, se
encuentra relacionado con el desafío de preparar a las generaciones jóvenes, en su proceso de
acumulación de capital humano, para que puedan adaptarse a las ocupaciones con demanda creciente
o incluso a ocupaciones que aún no existen.
Este documento se concentra en el primero de estos desafíos, teniendo como objetivo principal
el desarrollo de una propuesta metodológica destinada a apoyar el proceso de diseño de las políticas
de reconversión laboral. Es claro que, en conjunto con las políticas de protección social, las políticas
de reconversión laboral, implementadas a través de los programas de formación continua, constituyen
una parte fundamental del conjunto de políticas públicas orientadas a mitigar los costos económicos
y sociales de la transición en el mercado laboral4.
En concreto, este trabajo se plantea como objetivo la construcción de un “Espacio de
Ocupaciones”, adaptando la metodología de Hidalgo y Hausmann (2009). Esta herramienta permite
contar con instrumentos cuantitativos y una visualización sencilla que brinda información sobre la
cercanía de las diferentes ocupaciones, en términos de las habilidades, conocimientos y experiencia
requerida para su desempeño. Adicionalmente, la metodología es adaptable para la incorporación de
información adicional respecto a características relevantes de las ocupaciones a la hora de pensar el
diseño de políticas de reconversión laboral, como por ejemplo las perspectivas de automatización de
las mismas.
Para orientar el diseño de políticas, se define de forma operativa, a un proceso de reconversión
laboral como exitoso si cumple con dos características fundamentales. En primer lugar, el programa
de reconversión permite al trabajador reinsertarse laboralmente en un empleo con menor riesgo de
4Diferentes trabajos han destacado la necesidad de fortalecer y actualizar los sistemas de desarrollo de carreras y programas
de formación continua en los países de América Latina. Ver por ejemplo (OIT, 2017 y OECD, 2019).
-4-
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
sustitución tecnológica. La reincorporación laboral de un trabajador desplazado tecnológicamente en
una ocupación idéntica o muy similar a la que poseía previamente, si bien, en caso de ser posible,
resulta una estrategia válida para minimizar pérdidas de ingreso y posiblemente la solución preferida
de los trabajadores afectados, no constituye un proceso de reconversión. Un proceso de reconversión
laboral implica necesariamente para los trabajadores la adquisición de nuevas habilidades que les
permitan una reincorporación al mercado de trabajo en una ocupación alternativa, donde la exposición
al riesgo de automatización de la mayoría de las tareas que se deben desempeñar resulte
significativamente menor.
En segundo lugar, un proceso de reconversión laboral exitoso debería producirse en un plazo
razonable, permitiendo al trabajador la adquisición de habilidades necesarias para un desempeño
adecuado en la nueva ocupación. Para ello, el conjunto de habilidades complementarias a adquirir en
el proceso de reconversión debe ser relativamente acotado. Es decir, a pesar de que atendiendo a las
perspectivas de la dinámica de la demanda laboral y riesgo de automatización en el futuro pueda
concluirse que la reconversión hacia ocupaciones vinculadas a tareas cognitivas no rutinarias
complejas, como por ejemplo la programación de software, es deseable, en la práctica no será posible
reconvertir a todos los trabajadores desplazados hacia este tipo de ocupaciones.
El mapa de ocupaciones propuesto contemplará a partir de una visualización sencilla las dos
dimensiones previamente mencionadas. Esto es, la “cercanía” en términos de las habilidades
demandadas y el riesgo de automatización. De esta forma, la herramienta propuesta constituirá un
insumo clave para el diseño de los programas de formación continua, permitiendo personalizar los
esfuerzos atendiendo a la historia laboral de los trabajadores afectados. La herramienta permitirá en
cada caso concreto identificar programas existentes o generar nuevos programas de entrenamiento
que provean a los trabajadores de nuevas capacidades para desempeñarse en ocupaciones que, siendo
lo más similares posibles en términos de capacidades demandas a su experiencia previa, se encuentren
lo más distantes posibles en términos de riesgo de desempleo tecnológico.
A los efectos de desarrollar este análisis, se utilizó la primera ola de la novedosa base de datos
O*NET Uruguay, desarrollada por el Ministerio de Trabajo y Seguridad Social de la República Oriental
del Uruguay que tiene como objetivo realizar una caracterización exhaustiva de las ocupaciones de
Uruguay replicando la metodología utilizada por la plataforma O*NET de los Estados Unidos.
Si bien existe un amplio conjunto de trabajos que han realizado análisis de diferentes aspectos del
mercado laboral en base a los datos de O*NET Estados Unidos, en el caso de O*NET Uruguay, por
ser una base de datos relativamente reciente, ha sido poco explorada, siendo el único antecedente
disponible un trabajo de Velardez (2020). En este sentido, este trabajo busca contribuir al diseño de
la política de formación continua del Ministerio de Trabajo y Seguridad Social, el INEFOP y diversos
organismos nacionales, con el desarrollo de un instrumento basado en la información provista por la
O*NET UY que permita identificar fácilmente las habilidades y conocimientos que los trabajadores
deberían contar para desempeñarse en cada ocupación.
Lo que sigue de este documento se organiza de la siguiente forma: en la siguiente sección se
describe las principales características de la base de datos O*NET Uruguay. En la tercera sección se
-5-
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
presentan los aspectos metodológicos para la construcción del mapa de ocupaciones, en tanto que en
la cuarta sección se analizan los principales resultados del estudio. Finalmente, en la quinta sección se
plantean algunas reflexiones finales y discute las implicancias de los resultados para la política pública.
2. Fuente de datos
La fuente de información para el desarrollo del presente trabajo es la novedosa base de datos
O*NET Uruguay (O*NET UY en adelante), desarrollada por el Ministerio de Trabajo y Seguridad
Social de la República Oriental del Uruguay. El proyecto O*NET UY tiene como objetivo realizar
una caracterización exhaustiva de las ocupaciones de Uruguay, replicando la metodología utilizada por
la reconocida plataforma O*NET de los Estados Unidos.
La O*NET (Occupational Information Network) de Estados Unidos provee información referida
al contenido de tareas de las ocupaciones y ha sido ampliamente utilizada en la literatura vinculada al
enfoque del contenido de tareas. Desde el año 2003 los datos de O*NET han sido recopilados en
Estados Unidos para aproximadamente 1000 ocupaciones en base a la Clasificación Ocupacional
Estándar (SOC - Standard Occupational Classification), y desde entonces hasta la actualidad ha sido
actualizada periódicamente5.
La base de datos O*NET de EEUU ha sido utilizada en numerosos trabajos adaptados a países
emergentes (ver, por ejemplo, Keister y Lewandowski, 2016; Apella y Zunino, 2017 y 2022; Isabella
et al. 2018; entre otros) en los cuales se destacaba como una importante limitación el hecho de
extrapolar la descripción de las ocupaciones de EEUU a países con diferente grado de desarrollo y
estructura productiva. En este sentido, la utilización de O*NET UY levanta esta limitación
permitiendo contar con una descripción de las ocupaciones ajustada a la realidad del país.
La construcción de los datos involucró la aplicación de cuestionarios a trabajadores de diferentes
ocupaciones, indagando sobre múltiples aspectos que hacen a cada ocupación, siguiendo el marco
conceptual del modelo O*NET. El relevamiento se llevó a cabo entre diciembre de 2019 y marzo de
2020, de forma virtual autogestionada, con apoyo y seguimiento técnico en caso de que fuera
necesario.
La primera prueba de relevamiento de datos incluyó a 23 ocupaciones definidas según su código
CIUO-08 a 4 dígitos. La selección de las ocupaciones a incluir en el relevamiento se orientó por
diversos criterios6 entre los que se destacan: 1) frecuencia de la ocupación, en términos de empleo, en
la economía uruguaya, 2) riesgo de automatización identificado en trabajos previos, 3) crecimiento de
la participación de la ocupación en el total del empleo en los últimos años y 4) ocupaciones rurales.
Las ocupaciones finalmente incluidas en el relevamiento se presentan en la Tabla 1 donde se puede
apreciar que en conjunto representaban algo más del 37% del empleo en Uruguay en 2019. A su vez,
el conjunto de ocupaciones considerado presenta una heterogeneidad relevante en varias dimensiones,
5 O*NET es el sucesor de DOT (Diccionario de Ocupacionales) que ya no es actualizado. O*NET se puso en marcha en
1998 sobre la base de los códigos BLS Occupational Employment Statistics. En 2003 se cambió a SOC lo que implica que
las medidas consistentes de contenido de la tarea se calculan desde el 2003.
6 Ver Velardez (2020) por mayores detalles.
-6-
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
como el salario promedio, nivel de informalidad o incluso la edad promedio de los trabajadores
involucrados.
Tabla 1. Ocupaciones consideradas en la base O*Net Uruguay
Participación
Salario Promedio Informalidad Edad
CIUO Descripción empleo 2019
($ de 2019) (%) Promedio
(%)
932 Peón industria 1.04 19,417 32.47 33.3
2166 Diseñador gráfico 0.25 30,232 28.738 36.6
2411 Contador/a 0.79 81,106 0.813 40.8
3322 Representante Comercial 0.87 44,436 18.746 43.8
4110 Oficinista 5.35 36,562 1.559 39.9
4311 Empleado/a contable 2.89 40,570 2.261 40.6
4321 Empleado de inventario 0.52 35,652 1.729 39.3
5120 Cocinero/a 1.84 20,107 43.375 41.9
5223 Asistente de venta 3.76 23,746 18.751 36.5
5230 Cajero/a 1.37 26,629 3.690 33.4
5321 Cuidador 1.10 23,661 15.506 44.2
5414 Guardia 1.75 26,205 8.803 45.5
7112 Albañil 3.13 25,547 64.244 43.7
7511 Carnicero/a 0.81 32,114 3.745 40.1
8183 Operario 0.33 34,051 3.555 36.9
8322 Chofer de auto/taxi/ camioneta 1.80 31,101 17.946 45.5
8331 Operario Agrícola 0.64 48,587 3.588 46.3
8332 Chofer de camión 1.63 37,807 6.363 43.2
8341 Operadores de maquinaria agrícola y forestal móvil 0.61 30,770 15.604 37.7
9112 Limpiador/a 3.40 19,322 15.881 42.2
9212 Peones de explotaciones ganaderas 1.42 20,791 30.942 37.3
9333 Peón carga 1.60 19,606 38.321 33.1
9334 Reponedor 0.59 23,821 6.136 30.2
Total/promedio 37.47 31,819 16.6 39.7
Fuente: ECH 2019.
La base de datos O*NET UY se construyó en base a seis formularios diferentes de descriptores
de la ocupación, donde tres de estos formularios están orientados al trabajador y tres están orientados
a describir las características del puesto de trabajo. Al mismo tiempo, los descriptores pueden
clasificarse como transversales o específicos de cada ocupación.
Al momento de relevar las ocupaciones se aplicaron dos tipos de cuestionarios, los cuestionarios
comunes, que indagan sobre las mismas variables a todas las ocupaciones y los cuestionarios
específicos para cada ocupación. Los formularios comunes contienen bloques de preguntas
(descriptores) que indagan sobre la relevancia para cada ocupación de diferentes habilidades,
-7-
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
conocimientos, estilos de trabajo, actividades generales, contextos de trabajo y destrezas, que en total
contienen 238 descriptores. Cada una de las preguntas se responden a través de respuestas que pueden
tomar valores de 1(nula relevancia) a 5 (muy relevante). A través de un promedio ponderado (por el
peso representativo de cada encuestado) entre las respuestas se obtiene un valor, también entre 1 y 5,
para cada descriptor que se asume representativo de la ocupación.
Entre los 238 descriptores se encuentran características que son muy generales entre las diferentes
ocupaciones relevadas, en tanto que existen otras que se perciben como muy específicas de ciertas
ocupaciones. El Gráfico 1 presenta un panorama general de las respuestas obtenidas para cada uno de
los descriptores en cuanto a su media y desvío estándar.
Los descriptores con alto valor medio y reducido desvío estándar constituyen características
extendidas entre las diferentes ocupaciones, ya que las respuestas en valores elevados serían
mayoritarias. Por el contrario, descriptores con bajo valor medio y reducido desvío, serían elementos
específicos (muchas respuestas con valores reducidos y pocas respuestas de valor elevado).
Finalmente, descriptores con valores intermedios en términos de su media y desvío, serían elementos
generales dentro de un conjunto relevante de ocupaciones, aunque irrelevantes en otro grupo
significativo.
Gráfico 1. Media y desvío estándar de los descriptores O*NET, en las ocupaciones seleccionadas
1.6
1.4
1.2
Desvío estándar
1
0.8
0.6
0.4
0.2
0
1 2 3 4 5
Media
Fuente: O*NET Uruguay.
Esta exploración inicial del comportamiento de los descriptores sugiere dos elementos
importantes a la hora de pensar políticas de reconversión laboral. En primer lugar, que existe una
heterogeneidad relevante entre las respuestas. Esto indica, como es esperable, que las ocupaciones
tienen perfiles heterogéneos en cuanto a las características y contexto de trabajo así como en materia
de las habilidades y destrezas requeridas para su correcto desempeño. En este sentido, contar con
experiencia laboral en determinadas ocupaciones puede ser marginalmente relevante a la hora de
permitir desarrollar las habilidades requeridas en otro tipo de ocupaciones.
-8-
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
En segundo lugar, se aprecia que existe una importante cantidad de descriptores identificados
como intermedios, en el sentido de que son relevantes para un conjunto grande de ocupaciones, pero
irrelevantes para otro grupo. Esta segunda característica permite sugerir que en muchos casos hay
solapamientos significativos en las características de las ocupaciones lo que abre espacio para que
existan ocupaciones “cercanas” en términos de sus características y por lo tanto políticas de
reconversión posibles en tiempos razonables. Identificar estas cercanías, así como las características
de las ocupaciones cercanas es fundamental para el diseño de políticas de reconversión exitosas en el
sentido planteado en este trabajo.
3. Metodología
Para la construcción del Espacio de Ocupaciones propuesto, se adaptó al análisis del mercado
laboral la metodología propuesta por Hidalgo y Hausmann (2009), quienes desarrollaron un espacio
de productos de bienes y servicios. Esta adaptación se combinó con un análisis de riesgo de
automatización de las ocupaciones basado en el enfoque del contenido de tareas siguiendo
principalmente a Acemoglu y Autor (2011).
En lo que sigue de esta sección se describe en primer lugar la adaptación realizada del espacio de
productos de bienes y servicios para el análisis del mercado laboral, en tanto que posteriormente se
presenta el marco metodológico para aproximar el riesgo de automatización.
3.1 Adaptación del Espacio de productos de bienes y servicios al mercado
laboral.
El espacio de productos de bienes y servicios es una herramienta que permite representar de
manera simplificada la complejidad económica existente en el proceso de producción. A partir de esta
herramienta Hidalgo y Hausmann (2009) abordan el potencial de diversificación de las diferentes
economías analizando la evolución de las ventajas comparativas reveladas. La producción de aquellos
bienes o servicios que se encuentran en lugares densos del espacio de productos generan una
especialización que facilita adquirir una ventaja comparativa en productos o servicios cercanos
favoreciendo la diversificación de la economía. Por el contrario, los productos que se encuentran
relativamente aislados en el espacio de productos generan una especialización que dificulta la
diversificación.
Este trabajo busca adaptar esta lógica a las ocupaciones. De forma análoga al planteo de Hidalgo
y Hausmann (2009) para la producción, se puede interpretar que el mercado laboral representa un
espacio complejo de habilidades, conocimientos, destrezas y contextos de trabajo. Dentro de esa
complejidad, las ocupaciones que se encuentran en lugares densos dentro del Espacio de Ocupaciones
facilitan la adaptación y reconversión hacia otras ocupaciones. Por el contrario, el desarrollo de
ocupaciones relativamente aisladas en el espacio implica el desarrollo de habilidades y destrezas con
un grado de especificidad importante que dificultan la adaptación de los trabajadores a ocupaciones
alternativas.
-9-
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
La adaptación realizada de la metodología del espacio de productos requirió en primer lugar
adaptar el concepto de ventaja comparada (VCR). Balassa (1977) afirma que la ventaja comparativa se
revela por los patrones comerciales observados, es decir, altas cuotas de los mercados de exportación.
En el presente caso se determinan las ventajas a partir de la observación del mercado laboral. Para
ello, se propone que una determinada habilidad presenta una ventaja comparada revelada para el
desarrollo de una ocupación, cuando el requerimiento promedio de dicha habilidad al interior de la
ocupación resulte mayor al requerimiento promedio de las ocupaciones.
Para ello se analiza la utilización relativa de la habilidad h en la ocupación i a través del indicador
7
VC :
������ℎ,������
������������������,ℎ =
∑������=������
������=1 ������ℎ,������ /������
Donde, el numerador muestra la intensidad de uso de la habilidad h, en la ocupación i, y el
denominador muestra la intensidad promedio de uso de la habilidad h en el total (O) de las ocupaciones
analizadas.
A partir de esta herramienta se define la canasta de especialización en términos de ocupaciones de
cada habilidad, mediante una matriz binaria con un número de filas igual al número de ocupaciones
(O) y con un número de columnas igual al número de habilidades (H). Los elementos de esta matriz
se pueden definir de la siguiente forma:
1 ������������ ������������������,ℎ ≥ ������
������������������ = {
0 ������������ ������������������,ℎ < ������
En el presente trabajo, ������ se define igual a 1, lo que significa una intensidad de uso de la habilidad
h mayor o igual a la media de ocupaciones. Este umbral podría tomar diferentes valores alternativos,
por ejemplo, mayor a 1, de manera de establecer una mayor exigencia al momento de definir la ventaja
comparativa.
A partir de la matriz binaria de VCR, se calcula la frecuencia en que dos ocupaciones presentan
VCR conjuntamente, es decir, la cantidad de habilidades cuya intensidad de uso es mayor al promedio
en ambas. Con esto, se pueden identificar las ocupaciones que podrían requerir las mismas
capacidades.
Luego se construye una matriz en el Espacio de Ocupaciones (OxO) donde cada elemento indica
la frecuencia en que dos ocupaciones hacen uso intensivo de habilidades al mismo tiempo, sobre la
frecuencia en que la habilidad es utilizada intensivamente.
������ (������������������(������������ |������������ )) ������ ������ (������������������(������������ |������������ ))
7Cabe señalar que se hace referencia a los diferentes descriptores O*NET como “habilidades” aunque puedan identificarse
de formas alternativas en los formularios.
- 10 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
Según si se divide por el marginal de las filas o las columnas.
Finalmente, la proximidad entre dos ocupaciones i y j se define como el mínimo de la probabilidad
condicional de tener ventaja comparativa en uno de los dos, dado que se tiene en la otra ocupación.
Es decir,
������������������ = ������������������������������������ {������ (������������������(������������ |������������ )) ; ������ (������������������(������������ |������������ ))}
Para la construcción del gráfico del Espacio de Ocupaciones, la matriz de proximidad se simplifica,
extrayendo aquellas conexiones más importantes y que permiten mantener todos los nodos del gráfico
conectados, utilizando como en Hidalgo et al. (2007) un algoritmo de Maximum Spanning Tree.8 El
Espacio de Ocupaciones construido de esta forma incluirá a las 23 ocupaciones de la Base O*NET
UY.
3.2 Riesgo de Automatización o desplazamiento
A los efectos de aproximar el riesgo de automatización de las diferentes ocupaciones, se realiza un
análisis de contenido de tareas, nuevamente utilizando la base O*NET UY. El enfoque de tareas
permite contar con un marco conceptual adecuado para analizar el impacto del cambio tecnológico,
al menos, en la hipótesis de cambio técnico sesgado hacia tareas rutinarias (RBTC, por sus siglas en
inglés) ampliamente utilizado en la literatura previa (Autor, 2015; Autor y Dorn 2013; Goos y Manning
2007, Apella y Zunino 2017 y 2022). El RBTC plantea una tendencia a la reducción del nivel de empleo
en ocupaciones intensivas en tareas rutinarias, es decir, ocupaciones que son intensivas principalmente
en la realización de tareas que siguen procedimientos bien definidos y fácilmente programables en
algún tipo de algoritmo.
Sin embargo, no son las ocupaciones per se las susceptibles de ser automatizadas, sino las tareas
que los trabajadores desarrollan en sus ocupaciones. En otras palabras, cada trabajador en su respectiva
ocupación desarrolla un conjunto de tareas.9 Por tal motivo, el análisis de este fenómeno requiere
diferenciar al trabajo del conjunto de tareas que se desempeña.
Las tareas pueden ser clasificadas en dos grandes categorías: rutinarias o no rutinarias. Una tarea
es rutinaria si su desarrollo implica un conjunto claro y repetido de acciones invariantes. Muchas de
las tareas, tales como el control de la temperatura de una línea de producción de acero o el traslado de
una autoparte a su lugar en la cadena de montaje, entre otras, tienen esta característica. Debido a que
estas tareas requieren de la repetición metódica de un procedimiento constante, éstas pueden ser
claramente especificadas en un programa informático y realizadas por una máquina.
8 Se denomina spanning tree a los diferentes subconjuntos del grafo (en este caso el Espacio de Ocupaciones) que incluyen
todos los atributos (ocupaciones) con el mínimo número de aristas. Cuando las aristas tienen ponderadores (en este caso
dado por las distancias entre ocupaciones) es posible obtener el Maximum Spanning Tree, es decir, la representación
spanning tree que maximiza la suma de los ponderadores de las aristas.
9 Por su puesto, es posible encontrar ocupaciones compuestas por una única tarea.
- 11 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
Por el contrario, una tarea no rutinaria implica diferentes acciones variantes en el tiempo, y requiere
contar con capacidad de adaptación al contexto, utilización del lenguaje, el reconocimiento visual y la
interacción social, entre otros. Siguiendo a Polanyi (1966), la habilidad con la que cuenta un conductor
no puede ser sustituida completamente; el conocimiento que una persona tiene sobre su propio cuerpo
difiere por completo del conocimiento sobre fisiología; y las reglas de la rima y la prosa no explican
por si mismas lo que transmite un poema. En este sentido, el desplazamiento en un automóvil a través
del tránsito de una ciudad o escribir un poema corresponden al conjunto de tareas no rutinarias. La
razón radica en que dichas tareas requieren capacidades de procesamiento visual, socioemocionales y
motoras que no pueden ser resumidas en términos de un conjunto de reglas programables.
A su vez, las tareas en cada una de estas dos categorías pueden ser de naturaleza manual o
cognitiva, es decir, que se relaciona con el trabajo físico o del conocimiento. A partir de ello, es posible
establecer cuatro grandes bloques de tareas. Aunque todas las ocupaciones, con diferentes grados de
intensidad, desarrollan alguna o una combinación de estas tareas mencionadas, la intensidad de dichas
tareas puede resultar muy heterogénea entre ocupaciones.
Debido a la disminución de los costos de acceso a las nuevas tecnologías, la maquinaria controlada
desde una computadora podría sustituir a aquellos trabajadores que desarrollan con mayor intensidad
tareas rutinarias, tanto manuales como cognitivas. Por otro lado, la capacidad de las computadoras de
sustituir a los trabajadores abocados a la realización de tareas cognitivas no rutinarias es limitada. El
conjunto de tareas que demandan flexibilidad, creatividad, resolución de problemas, y habilidades de
comunicación – tareas cognitivas no rutinarias – son menos susceptibles de ser automatizadas.
Con el fin de estimar el contenido de tareas en las ocupaciones, se consideran los elementos
provistos por O*NET UY. Siguiendo a Acemoglu y Autor (2011) se construyen cinco medidas de
contenido o intensidad de tareas principales: cognitivas no rutinarias analíticas, cognitivas no rutinarias
interpersonales, cognitivas rutinarias, manuales no rutinarias y manuales rutinarias. Estas son
conformadas por los atributos de las actividades que requiere su desarrollo.
Tabla 2. Descriptores O*NET utilizados para aproximar el contenido de tareas
Cognitiva no rutinaria Cognitiva no rutinaria Cognitiva rutinaria Manual no rutinaria Manual rutinaria
(Analítica) (interpersonal)
- Análisis de - Establecimiento de - Importancia de - Operar vehículos o - Ritmo determinado
información relaciones personales repetición de la aparatos mecánicos por la velocidad del
- Pensamiento - Guía, dirección y misma tarea - Utilizar el tiempo equipamiento
creativo motivación de personal - Importancia de ser usando las manos - Controlador de
- Interpretación de - Entrenamiento/desarrollo exacto o preciso para manejar, control máquinas y procesos
información para de otros - Ser estructurado o sentir objetos - Utilizar el tiempo
otros - Destreza manual haciendo
- Orientación espacial movimientos
repetitivos
Fuente: Acemoglu y Autor (2011).
- 12 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
En este sentido, se seleccionaron algunos atributos (elementos) que son representativos de cada
tarea. Los mismos se presentan la Tabla 2. Para la construcción de las medidas de contenido o
intensidad de las tareas principales se promedian los valores de los descriptores seleccionados dentro
de cada grupo.
log(������������ + ������������)
������������������ =
log(������������������ + ������������������������ + ������������������������)
Posteriormente, considerando que el enfoque teórico utilizado sugiere que, a mayor importancia
de las tareas rutinarias, mayor probabilidad de automatización, a partir de estos indicares que resumen
el contenido de tareas de las ocupaciones, se calculó, siguiendo a Autor et al. (2003) un índice de
intensidad de tareas rutinarias de las ocupaciones (índice RTI, “routine task intensity”). Este índice de
rutinización se obtiene de la siguiente forma:
Complementariamente al enfoque teórico basada en la hipótesis RBTC, se desarrolla una
aproximación al riesgo de sustitución puramente basado en tendencias empíricas recientes. La
evidencia disponible para Uruguay (Apella y Zunino, 2017) pero también para la mayoría de los países
de América Latina (Apella y Zunino, 2022) sugiere que en las últimas dos décadas existió en los
mercados laborales de la región una tendencia hacia una menor participación de las ocupaciones
intensivas en tareas manuales y un incremento de la importancia relativa de las tareas cognitivas no
rutinarias. Sin embargo, y a diferencia de la evidencia para países desarrollados, también se verifica un
aumento de la participación relativa de las tareas cognitivas rutinarias. Si bien este último fenómeno
contradice la hipótesis de cambio técnico sesgado, ello es transitorio y debería revertirse a media que
las nuevas tecnologías de producción basadas en la automatización se estandaricen mundialmente, se
reduzcan los costos medios de su producción y finalmente su precio
De forma análoga al índice rti, para medir el riesgo relativo de sustitución atendiendo a esta
aproximación empírica, se calcula un índice de importancia de las tareas manuales:
log(������������������ + ������������)
������������������ =
log(������������ + ������������������������ + ������������������������)
En ambas aproximaciones, los índices obtenidos fueron estandarizados de modo de obtener
distribuciones de media cero y desvío estándar igual a la unidad. De esta forma, el valor cero del índice
representa al nivel de rutinización (o intensidad manual) del promedio de las ocupaciones consideradas
en este estudio.
A su vez, de modo de facilitar la visualización en el mapa de ocupaciones se clasificaron las
ocupaciones objeto de estudio en tres niveles según su riesgo de automatización (Alto, Medio y Bajo).
Para cada una de las aproximaciones se consideró como riesgo Alto de automatización a aquellas
ocupaciones cuyo índice de rutinización (o intensidad manual) se encuentra al menos un desvío
estándar por encima del promedio de las ocupaciones consideradas. Por el contrario, se consideraron
como ocupaciones con Bajo riesgo de automatización a aquellas que presentan un índice con un valor
de al menos un desvío estándar inferior al promedio de las ocupaciones consideradas. El resto de las
ocupaciones se clasificaron como ocupaciones de riesgo medio de automatización.
- 13 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
4. El Espacio de Ocupaciones como herramienta para un mejor
diseño de las políticas de reconversión laboral
En esta sección se presentan los resultados obtenidos del análisis empírico, los cuales se resumen
en la representación del Espacio de Ocupaciones. Como se mencionó anteriormente, dicho espacio
pretende brindar una visualización sencilla de las dos dimensiones consideradas para la definición de
una política de reconversión exitosa: i) cercanía de ocupaciones en términos de las
habilidades/conocimientos requeridos (lo que facilita la reconversión en plazos razonables) y ii) riesgo
de automatización de las ocupaciones (lo que permite evitar orientar los programas de reconversión
hacia ocupaciones con alta intensidad relativa de tareas con alta probabilidad de automatización).
Los resultados obtenidos, que se presentan en el Gráfico 2, se construyeron trabajando con
diferentes conjuntos de datos, lo que da lugar a cuatro representaciones alternativas del Espacio de
Ocupaciones.
En lo que se refiere a la cercanía de las ocupaciones se trabajó considerando dos opciones
alternativas. En el primer caso, representado en el panel A del Gráfico 2, se utilizó el total de
descriptores disponibles en O*NET UY, incluyendo sus seis diferentes formularios. En segundo lugar,
representado en el panel B se trabajó únicamente con tres formularios orientados a las características
de los trabajadores, dejando de lado aquellos descriptores que se centran en el puesto de trabajo. Esta
segunda opción responde de mejor forma al objetivo de este trabajo que apunta a la construcción de
una herramienta para facilitar el diseño de las políticas de reconversión laboral, puesto que estas se
centran en las capacidades del trabajador y no en las características del puesto laboral.
Independientemente de la opción considerada respecto a la información para la construcción del
Espacio de Ocupaciones, la “cercanía” de las ocupaciones queda representada visualmente en el
Gráfico 2 a partir de la distancia entre los diferentes nodos de la red. Esta aproximación visual puede
complementarse a su vez en forma matricial con la matriz representativa del espacio incluida en el
Anexo de este documento (Tabla A.1 y Tabla A.2). La matriz (OxO) representativa del Espacio de
Ocupaciones muestra para cada celda (i,j) el mínimo entre la probabilidad de contar con una ventaja
comparada para el desempeño de la ocupación i, dado que el trabajador se desempeñó en la ocupación
j y la probabilidad de contar con una ventaja comparada para la ocupación j, si el trabajador
previamente se desempeñó en la ocupación i.
A modo de ejemplo, se podría tener un caso donde el desempeño exitoso en la ocupación j otorgue
un 90% de probabilidad de buen desempeño en la ocupación i, puesto que todas las habilidades
utilizadas de forma intensiva en la ocupación i, también son utilizadas de forma intensiva en la
ocupación j. Sin embargo, dado que la ocupación j, es una ocupación de mayor complejidad de tareas,
demanda un uso intensivo de un conjunto de habilidades no requeridos por la ocupación i. De esta
forma, la probabilidad de contar con las habilidades necesarias para un buen desempeño en la
ocupación j, dado un previo desempeño exitoso en la ocupación i es, por ejemplo, de solamente un
50%. En este caso, la probabilidad utilizada para el cálculo de las distancias entre las ocupaciones será
está última probabilidad condicional por ser la menor de ambas. Se podría concluir de esta forma, que
- 14 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
las distancias representadas en la matriz del Espacio de Ocupaciones (y en el gráfico) considera para
cada par de ocupaciones la hipótesis menos favorable para la reconversión.
Por su parte, en lo que se refiere al riesgo de automatización, como fuera comentado en la sección
anterior se consideraron dos alternativas diferentes, una con mayor soporte teórico y otra con mayor
soporte empírico reciente. En primer lugar (Gráfico 2) se aproximó el riesgo de automatización por
el índice RTI de intensidad de tareas rutinarias. La tendencia a la baja del precio de las diferentes
opciones tecnológicas, a mediano y largo plazo, inevitablemente tendrá impactos sobre las decisiones
de utilización de factores realizadas por las empresas, por lo que, en este tipo de perspectiva, esta
aproximación parece la más adecuada.
A corto plazo, existen diferentes factores que influyen sobre la demanda de las diferentes
ocupaciones, determinando tendencias que no necesariamente se ajustan a la dinámica prevista por la
hipótesis RBTC. En este sentido, la evolución reciente del mercado laboral representa un buen marco
de análisis para anticipar el riesgo de pérdida de participación de determinadas ocupaciones. De esta
forma, atendiendo a la evidencia para las últimas dos décadas, el índice MAI, que mide la intensidad
de tareas manuales, constituye una segunda aproximación al riesgo de contracción de las ocupaciones
válida al menos en una perspectiva de corto plazo.
Con independencia de la opción utilizada (índice RTI o MAI) las ocupaciones se clasificaron en
tres categorías: Riesgo Alto, Riesgo Medio y Riesgo Bajo. Estas categorías son identificadas en el
espacio a partir del color del nodo. Complementando esta aproximación visual, en la Tabla A.3
presenta con detalles los indicadores construidos respecto a la intensidad de tareas y el valor
estandarizado de los índices RTI y MAI de las diferentes ocupaciones.
De acuerdo al objetivo buscado, la interpretación del Espacio de Ocupaciones es muy sencilla. En
lo que sigue discutimos algunos ejemplos focalizando el análisis en la representación del panel B.1,
construido con los descriptores O*NET UY obtenidos de los formularios orientados a los
trabajadores y el índice RTI como aproximación al riesgo de contracción o sustitución de las
ocupaciones.
Tanto por el sustento teórico de la aproximación del riesgo tecnológico a mediano y largo plazo
como por concentrarse en los descriptores asociados al trabajador, se sugiere que esta representación
es la más relevante para orientar el diseño de políticas de reconversión. No obstante, cabe señalar que
los resultados obtenidos en todas las especificaciones construidas son muy similares, por lo que las
conclusiones que puedan extraerse en términos de políticas públicas son muy robustas entre las cuatro
alternativas.
Un primer resultado relevante y relativamente intuitivo, es que el análisis de contenido de tareas,
siguiendo la clasificación propuesta por Acemoglu y Autor (2011) resulta de utilidad para comprender
la forma en la que finalmente el Espacio de Ocupaciones termina agrupando a las diferentes
ocupaciones consideradas. En efecto, en todos los casos, las ocupaciones más intensivas en tareas
manuales así como las ocupaciones intensivas en tareas cognitivas (ver Tabla A.1 del Anexo) tienden
ubicarse relativamente cercanas entre sí (en la parte inferior y superior de las figuras respectivamente).
En este sentido, mientras que la dimensión rutinaria/no rutinaria del contenido de tareas resulta (al
- 15 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
menos desde el punto de vista de la teoría) más relevante para interpretar las tendencias de sustitución
tecnológica, la dimensión manual/cognitiva del contenido de tareas resulta más relevante para
comprender la cercanía de las ocupaciones en términos de las habilidades necesarias para su correcto
desempeño.
La representación encontrada también tiene importantes puntos de contacto con el trabajo previo
de Velardez (2020) quien clasifica a las ocupaciones en familias. Las ocupaciones que en el trabajo de
Velardez tienden a compartir familia según las diferentes técnicas aplicadas, se ubican relativamente
cercanas en las representaciones obtenidas del Espacio de Ocupaciones.
Pero más allá de la representación del Espacio de Ocupaciones obtenido, la pregunta relevante es
¿cómo se puede utilizar esta herramienta para el diseño de políticas públicas? En lo que sigue se
discuten algunos ejemplos.
En primer lugar, se supone que, por algún motivo, existe un número relevante de trabajadores
dedicados a la albañilería (CIUO 7112) que ha perdido su puesto de trabajo y se busca reorientarlos
hacia otras actividades. Aunque pueda no resultar intuitivo, el Espacio de Ocupaciones desarrollado a
partir de los datos O*NET UY sugiere que, en términos de las habilidades, destrezas o conocimientos
demandados, estos trabajadores tienen experiencia acumulada que les otorga ventajas comparativas
para trabajar como carniceros (CIUO 7511) o peones industriales (CIUO 932), estando a su vez
también relativamente cerca de los peones de explotaciones ganaderas (CIUO 9212).
El Espacio de Ocupaciones indica al mismo tiempo que los carniceros o peones de explotaciones
ganaderas son ocupaciones con alto riesgo de sustitución tecnológica, por lo que no es deseable
orientar programas de reconversión hacia ese tipo de ocupaciones. En este caso, por lo tanto, la opción
más factible sería procurar su reorientación hacia el sector industrial, donde al menos los trabajadores
se mantendrían en una ocupación con riesgo medio de contracción. Otra alternativa de política, en
este caso, sería tratar de mantenerlos dentro de su ocupación, la cual también se clasificó como de
riesgo medio, tratando de identificar las razones puntuales por las cuales los trabajadores de esta
ocupación han sido coyunturalmente afectados.
Un ejemplo alternativo, considerando el mismo conjunto de ocupaciones, surge de suponer que
el problema relevante de desempleo se presenta entre los trabajadores que se desempeñan como
Carniceros (7511) en lugar de la albañilería (7112). En este segundo ejemplo, la opción de reconversión
laboral se torna más relevante que en el ejemplo anterior, ya que el problema de desempleo se focaliza
en una ocupación clasificada como de elevado riesgo de sustitución tecnológica (identificada con color
rojo en el gráfico). En este sentido, procurar desde la política pública la reincorporación de este grupo
de trabajadores manteniendo su ocupación original implicaría un esfuerzo que no necesariamente
reduzca la inestabilidad laboral, asociada en este caso, a la tendencia de mediano plazo hacia la
automatización de la mayoría de las tareas que se desempeñan en esta ocupación. Un ejemplo de ello,
aunque no relevado en la primera ola de la O*NET UY es el caso de los “Guardas” en los ómnibus
en Montevideo, la persona encargada de cobrar el viaje a los pasajeros. Con la introducción de
máquinas automáticas expendedoras de boletos que automatizan la única tarea que compone la
ocupación de Guarda, el riesgo de pérdida de trabajo de estos trabajadores era inminente. Sin embargo,
- 16 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
se ha tratado de mantener los puestos de los Guardas pudiéndose encontrar ómnibus en los cuales
coexistían las máquinas expendedoras y los Guardas. Por supuesto, que sostener este tipo de iniciativas
reduce el impacto negativo sobre el mercado laboral en el corto plazo, pero no es sostenible en el
tiempo y la reconversión laboral constituye la única estrategia viable.
Por lo tanto, en este segundo ejemplo, la reconversión hacia la albañilería se muestra como una
opción interesante, puesto que, siendo ocupaciones cercanas en términos de requerimientos, implicaría
el movimiento de los trabajadores hacia una ocupación con menor riesgo de sustitución tecnológica
(clasificada como de riesgo medio).
En el extremo opuesto del espacio se ubican las ocupaciones con mayor requerimiento de tareas
cognitivas (rutinarias o no rutinarias) y menor importancia de las tareas manuales. En esta región del
gráfico, se analiza un tercer ejemplo de aplicación de la herramienta considerando una situación
relevante de desempleo en trabajadores cuya experiencia previa ocurrió en ocupación de oficinista
(CIUO 4110).
- 17 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
Gráfico 2. Espacio de Ocupaciones considerando riesgo de automatización
Panel A. Cercanía de las ocupaciones considerando el total de descriptores O*NET UY
Gráfico A.1. Riesgo de automatización Gráfico A.2. Riesgo de automatización
aproximado por RTI aproximado por MAI
Panel B. Cercanía de las ocupaciones considerando los descriptores O*NET UY enfocados en el trabajador
(Habilidades, Destrezas y Conocimientos).
Gráfico B.1. Riesgo de automatización Gráfico B.2. Riesgo de automatización
aproximado por RTI aproximado por MAI
Fuente: Estimaciones propias.
En este caso, la experiencia previa se da en una ocupación identificada como de riesgo medio, por
lo cual, la opción de programas de reconversión no necesariamente constituye la primera opción de
política, siempre que la reincorporación de los trabajadores en la misma ocupación sea una opción
viable. Si por diferentes motivos se identificara la necesidad de apuntar a programas de reconversión
laboral, el instrumento diseñado en el presente trabajo identifica como ocupaciones cercanas en
- 18 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
términos de habilidades requeridas a los códigos 2411 (contador/a), 2166 (diseño gráfico) y 3322
(representante comercial).
Con excepción del código 2411 (contador/a), que en Uruguay incluye a profesionales
universitarios lo que lo dejaría por fuera de programas cortos de reconversión10, se encuentra un trade-
off entre cercanía en materia de habilidades y riesgo de automatización. Por un lado, los datos de
O*NET UY sugieren mayor solapamiento de destrezas requeridas entre los códigos 4110 y 2166, lo
que sugeriría una mayor facilidad de reconversión hacia las tareas de diseño gráfico. Por otro, los
mismos datos O*NET UY permiten identificar un menor riesgo de contracción de las ocupaciones
del área comercial, las que, a su vez, cuentan con un mayor salario promedio (ver Tabla 1). En este
caso, si bien la información que aporta el Espacio de Ocupaciones no es concluyente respecto a cuál
es la mejor alternativa en términos de la construcción de un programa de habilidades complementarias,
si brinda información relevante respecto a las ventajas y desventajas de uno y otro caso.
Más allá de los programas de reconversión laboral dirigidos a los adultos jóvenes y mayores en
actividad, la herramienta construida también aporta información de utilidad para el diseño e
implementación de los programas dirigidos a fomentar la inserción laboral de un grupo poblacional
muy vulnerable y sin experiencia previa como son los jóvenes y fomentar el acceso de estos a su primer
empleo. Este tipo de programas, comúnmente denominados Primer Empleo, deberían orientarse
siguiendo dos condiciones fácilmente identificables en el espacio de ocupaciones desarrollado. En
primer lugar, los programas de primer empleo deberían procurar que los jóvenes puedan adquirir
habilidades que faciliten su inserción laboral en ocupaciones con baja intensidad de tareas con riesgo
de automatización. Existe una amplia literatura disponible que destaca que una primera inserción
laboral en ocupaciones caracterizada por la inestabilidad y riesgo de desempleo no solo representan
un problema a corto plazo para los jóvenes, sino que pueden tener consecuencias relevantes de
mediano y largo plazo en el proceso de acumulación de capital humano.11
En segundo lugar, es deseable que este tipo de programas apunten al desarrollo de habilidades que
permita a los jóvenes insertarse en ocupaciones ubicadas en un área densa dentro del espacio de
ocupaciones. El desarrollo de habilidades orientadas hacia en la inserción en ocupaciones
relativamente aisladas dentro del espacio limitaría las posibilidades de movilidad laboral hacia el futuro,
en un contexto donde las posibilidades de reconversión son un activo relevante para minimizar el
riesgo de desempleo futuro.
Los casos anteriores constituyen ejemplos claros de la utilidad que podría tener la herramienta
propuesta en este trabajo a la hora del diseño e implementación del programa de formación continua
de Uruguay. No obstante, cabe señalar que, en su estado actual, el espacio desarrollado tiene
10 Esta afirmación podría matizarse si se considera la alternativa de reconversión hacia ocupaciones vinculadas a tareas de
contabilidad, desarrolladas no necesariamente por personas con título universitario de Contador Público. Esta opción, sin
embargo, debería ser analizada a partir de otros códigos de ocupación que hoy no están disponibles en la base de datos a
los efectos de evaluar el perfil de habilidades requeridas y el riesgo de automatización.
11 En particular, los estudios vinculados a efectos cicatrices o scarring (en la literatura en inglés) alertan sobre los problemas
de inserción laboral en la juventud pueden generar impactos persistentes que dificultan el proceso de acumulación de
capital humano de los trabajadores, afectando sus posibilidades de ingresos y productividad a lo largo de su historia laboral
(Heckman y Borjas, 1980; Ellwood, 1982, Corcoran, 1982).
- 19 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
importantes debilidades. La más notoria de estas debilidades es que se construyó en base a solamente
23 ocupaciones de las 412 ocupaciones existentes en el mercado laboral del país en 2019. No incluir a
la amplia mayoría de las ocupaciones en el análisis limita de forma muy importante el análisis de
ocupaciones “cercanas” en términos de requerimientos y por lo tanto las potenciales opciones de
reconversión exitosa en los términos considerados en este documento. En términos de los ejemplos
anteriores, probablemente la albañilería deje de ser la opción más interesante de reconversión para los
Carniceros, una vez que se considera a la totalidad de las ocupaciones existentes. Esta limitación se
supera únicamente con un rápido relevamiento para el resto de las ocupaciones.
Una segunda limitación de la herramienta es la reducción de las dimensiones relevantes del análisis
a “cercanía de requerimientos” y “riesgo de automatización/contracción” de la demanda. Es posible
que otros tipos de dimensiones como el salario, la formalidad, el riesgo identificado para la salud de
los trabajadores, etc. sean dimensiones de interés a la hora del diseño de políticas públicas. No
obstante, esta segunda limitación es menos relevante puesto que la herramienta tiene la flexibilidad
suficiente como para permitir incorporar más de una dimensión manteniendo su sencillez. Es decir,
los nodos de la red del Espacio de Ocupaciones podrían caracterizarse de modo de considerar más de
una dimensión relevante de las ocupaciones, manteniendo las distancias entre nodos como medida de
la “cercanía” de las ocupaciones en términos de habilidades requeridas.
5. Conclusiones
La literatura previa asociada al análisis del “futuro del empleo” ha alertado sobre proceso
relevantes de transformación en los mercados laborales como consecuencia de la aceleración del
proceso de cambio tecnológico, principalmente en lo que se refiere a automatización/digitalización de
procesos e inteligencia artificial. Aunque esta literatura suele enfocarse principalmente en las
economías de mayor desarrollo, la evidencia disponible sugiere que los países latinoamericanos
parecerían ir transitando similares tendencias, aunque con cierto rezago y especificidades.
En este contexto de transformación de la estructura de los mercados laborales, es posible distinguir
dos desafíos para las políticas públicas: uno de corto plazo y otro de mediano plazo. El primero se
encuentra asociado con suavizar los costos sociales de la transición, generando políticas de protección
social para los trabajadores desplazados por el cambio tecnológico y brindando herramientas que les
permitan una rápida reincorporación a la actividad laboral, minimizando la pérdida de ingreso de los
hogares. El segundo, se encuentra relacionado con el desafío de preparar a las generaciones jóvenes,
en su proceso de acumulación de capital humano, para que puedan adaptarse a las ocupaciones con
demanda creciente o incluso a ocupaciones que aún no existen.
Con relación al primero de los desafíos mencionados, en este documento se desarrolla un
instrumento, el “Espacio de Ocupaciones”, útil para el análisis de la información de ONE*UY y con
ello la definición de una estrategia mejorada de reconversión laboral de los trabajadores adultos y
capacitación para los jóvenes en su esfuerzo por ingresar a su primer empleo.
En este sentido, la herramienta desarrollada permite contar con instrumentos cuantitativos y una
visualización sencilla que aporta información sobre la cercanía de las diferentes ocupaciones,
- 20 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
considerando las habilidades, conocimientos o experiencia requerida para su desempeño. Todo ello,
condicionado al riesgo de automatización de las tareas de cada una de las ocupaciones.
Tanto la cercanía de las ocupaciones como el riesgo de automatización de las taras, incorporadas
en la visualización gráfica propuesta, son las variables clave consideradas para la concreción de un
proceso de reconversión y formación laboral exitoso, esto es, factible en un plazo acotado y que
permita al trabajador desempeñarse en una ocupación que no presente un alto riesgo de sustitución
tecnológica.
Para el desarrollo del instrumento, se utilizó la primera ola de la reciente base de datos O*NET
Uruguay, relevada por el Ministerio de Trabajo y Seguridad Social de la República Oriental del
Uruguay. Este punto es relevante puesto que permite levantar una limitación advertida en diferentes
trabajaos previos que utilizaron O*NET USA para analizar el contenido de tareas de las ocupaciones,
esto es, el hecho de extrapolar la descripción de las ocupaciones de EEUU a países con diferente grado
de desarrollo y estructura productiva.
Los resultados obtenidos muestran que el marco conceptual asociado al contenido de tareas de las
ocupaciones resulta de utilidad para comprender la representación del Espacio de Ocupaciones. En
las diferentes especificaciones construidas, un resultado robusto es que tanto las ocupaciones
relativamente intensivas en tareas manuales, así como las ocupaciones intensivas en tareas cognitivas
tienden a ubicarse relativamente cerca entre sí. En este sentido, mientras que la dimensión rutinaria/no
rutinaria del contenido de tareas resulta (al menos desde el punto de vista de la teoría) más relevante
para interpretar las tendencias de sustitución tecnológica, la dimensión manual/cognitiva del
contenido de tareas resulta más relevante para comprender la cercanía de las ocupaciones en términos
de las habilidades necesarias para su correcto desempeño.
El trabajo también desarrolla algunos ejemplos concretos sobre cómo la herramienta desarrollada
puede ser utilizada para apoyar el diseño de programas de reconversión y formación laboral. La
interpretación es en todos los casos sencilla y la metodología es fácilmente adaptable para la
incorporación de nuevas dimensiones que puedan considerarse relevantes a la hora del diseño de los
programas de reconversión.
El Espacio de Ocupaciones es una herramienta que quedará en manos del Ministerio de Trabajo
y Seguridad Social (ver Anexo 2) y debería ser complementada con nueva información de interés y
escalada en la medida en que se incorporen nuevas ocupaciones a la base O*NET UY.
En su estado actual, el Espacio de Ocupaciones desarrollado tiene importantes debilidades. La
más notoria es que se construyó en base a solamente 23 ocupaciones de las 412 ocupaciones que
existen en el mercado laboral del país. No incluir a la amplia mayoría de las ocupaciones en el análisis
limita de forma muy importante el análisis de ocupaciones “cercanas” en términos de requerimientos
y por lo tanto las potenciales opciones de reconversión exitosa en los términos considerados en este
documento. En efecto, los ejemplos analizados como opciones de reconversión en este documento
seguramente dejarían de ser relevantes por la existencia de mejores opciones, una vez que se considere
al universo de las ocupaciones. Esta limitación se supera únicamente con un rápido relevamiento para
el resto de las ocupaciones y actualización de las ya relevadas.
- 21 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
Dado el avance exponencial de las nuevas tecnologías de producción, y el estado incipiente de
polarización laboral de Uruguay, es indispensable acelerar el proceso de relevamiento de información
para el universo de las ocupaciones de manera de poder dar un uso adecuado a la herramienta
desarrollada y rápidamente fortalecer los programas de reconversión laboral de cara a los desafíos
importantes que existirán en los próximos años.
Contar con la herramienta completa, esto es, considerando el conjunto de ocupaciones existentes
en el mercado laboral, permitiría mejorar la eficiencia en la implementación del programa de formación
continua del INEFOP, como así también a los programas de formación bajo la órbita de otros actores
clave en el proceso formativo tales como UTU y UTEC, generando diferentes programas adaptados
al heterogéneo conjunto de trabajadores que puedan ser afectados por la sustitución tecnológica. En
efecto, y tal como fuera mencionado previamente, esta herramienta también es de utilidad para el
diseño de los programas dirigidos a apoyar la transición escuela-trabajo de los jóvenes en su primer
empleo, siguiendo al menos dos criterios sobre las habilidades y conocimientos promovidas: i) que
faciliten la inserción laboral en ocupaciones con baja intensidad de tareas con riesgo de automatización
y ii) dirigido a ocupaciones ubicadas en un área densa dentro del espacio de ocupaciones.
- 22 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
6. Referencias bibliográficas
Acemoglu, D. y D. Autor, (2011). “Skills, Task and Technologies: Implications for Employment and
Earning”. Handbook of Labor Economics. Elsevier, pp: 1043-1171
Aedo, C., J. Hentschel, J. Luque y M. Moreno (2013). “From Occupations to Embedded Skills. A
Cross-Country Comparison”. Policy Research Working Paper 6560, Banco Mundial, Washington,
D.C.
Apella I., L. Rodriguez Chamussy y G. Zunino (2020). “Cambio Tecnológico en Uruguay: Polarización
del Mercado de Trabajo y Efectos Distributivos”. DT 02/2020. CINVE.
Apella I. y G. Zunino, (2017). “Technological Change and the Labor Market in Argentina and
Uruguay. A Task Content Analysis”. Revista de Economía del Banco Central del Uruguay. Volumen
24. Nº 2. Noviembre 2017.
Apella I. y G. Zunino, (2022). “Technological Change and Labour Market Trends in Latin America
and the Caribbean: A Task Content Approach”. CEPAL Review (Abril, 2022).
Autor, D., F. Levy y R. Murnane, (2003). “The Skill Content of Recent Technological Change: An
Empirical Exploration”. The Quarterly Journal of Economics 118(4): 1279-1333.
Autor, D., (2015). “Why Are There Still So Many Jobs? The History and Future of Workplace
Automation”. Journal of Economic Perspectives 29(3), 330.
Autor D., y D. Dorn, (2009). “This Job is Getting Old: Measuring Changes in Job Opportunities using
Occupational Age Structure”, American Economic Review: Papers & Proceedings 99(2): 45–51
Balassa, B. (1977). “‘Revealed’ Comparative Advantage Revisited: An Analysis of Relative Export
Shares of the Industrial Countries, 1953–1971”. The Manchester School, 45(4), 327-344.
Brynjolfsson, E., y A. McAfee (2014). The Second Machine Age: Work, Progress, and Prosperity in a
Time of Brilliant Technologies. First edition. New York: W.W. Norton & Company.
Corcoran, M (1982). “The Employment and Wage Consequences of Teenage Women’s
Nonemployment” in Freeman R B and D A. Wise (Eds.) The youth Labor Market Problem: Its Nature
Causes and Consequences, Chicago, University of Chicago Press, pp 391-419.
Ellwood, T. (1982). “Teenage Unemployment: Permanent Scars or Temporary Blemishes” in Freeman
R B and D A Wise (Eds.) The youth Labor Market Problem: Its Nature Causes and Consequences,
Chicago, University of Chicago Press, pp 349-390.
Frey, C. y M. Osborne, (2013). “The Future of Employment: How Susceptible are Jobs to
Computerization?”. Oxford University Paper, United Kingdom.
Goos, M. and A. Manning, (2007). “Lousy and Lovely Jobs: The Rising Polarization of Work in
Britain”. Review of Economics and Statistics 89:118-133.
- 23 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
Heckman, J., Borjas, G. (1980) “Does Unemployment Cause Future Unemployment? Definitions,
Questions and Answers from a Continuous Time Model of Heterogeneity and State Dependence”
Economica 47, pp 247-283.
Hidalgo, C. A., Klinger, B., Barabási, A. L., & Hausmann, R. (2007). “The Product Space Conditions
the Development of Nations”. Science 317(5837), 482-487.
Hidalgo, C. A., y Hausmann, R. (2009). “The Building Blocks of Economic Complexity”. Proceedings
of the National Academy of Sciences, 106(26), 10570-10575
Isabella F, Pittaluga L y Mullin G. (2018). Automatización y empleo en Uruguay. Hacia una Estrategia
Nacional de Desarrollo, Uruguay 2050. Serie de divulgación - Volumen II. Dirección de Planificación,
Oficina de Planeamiento y Presupuesto de Uruguay.
Keister, R. y P. Lewandowski, (2016). “A Routine Transition? Causes and Consequences of the
Changing Content of Jobs in Central and Eastern Europe”. IBS Policy Paper 5/2016, Intytut Badan
Strukturalnych, Poland.
Messina, J., G. Pica y A. M. Oviedo, 2017. “The Polarization Hypothesis in Latin A merica: How
Demand Forces are Shaping Wage Inequality?” Mimeo.
OECD (2016). Automation and Independent Work in a Digital Economy. Policy Brief on the Future
of Work. Paris: OECD Publishing
OECD (2019), Getting Skills Right: Future-Ready Adult Learning Systems, Getting Skills Right,
OECD Publishing, Paris.
Organization Internacional del Trabajo. The Future of Cocational Training in Latin America and the
Caribbean: Overview and Stengthening Guidelines. Montevideo ILO Regional Office for Latin
America and the Caribbean / ILO / Cinterfor. 2017.
Polanyi, M., (1966). The Tacit Dimension. New York, Doubleday.
Spitz-Oener, A., (2006). “Technical Change, Job Tasks, and Rising Educational Demands: Looking
Outside the Wage Structure”. Journal of Labor Economics 24 (2): 235-270
Velardez, M. (2021). “Análisis de Distancias Ocupacionales y Familias de Ocupaciones en Uruguay.
Serie: Documentos de Proyectos. CEPAL.
- 24 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
7. Anexo
Anexo 1.
Tabla A.1. Matriz representativa del Espacio de Ocupaciones (total de descriptores)
CIUO
932 2166 2411 3322 4110 4311 4321 5120 5223 5230 5321 5414 7112 7511 8183 8322 8331 8332 8341 9112 9212 9333 9334
932 1.00 0.07 0.02 0.07 0.00 0.00 0.25 0.30 0.18 0.15 0.27 0.21 0.47 0.68 0.35 0.32 0.34 0.46 0.44 0.50 0.45 0.37 0.31
2166 0.07 1.00 0.68 0.66 0.69 0.51 0.50 0.46 0.53 0.51 0.46 0.45 0.11 0.12 0.45 0.32 0.35 0.29 0.32 0.12 0.09 0.31 0.35
2411 0.02 0.68 1.00 0.75 0.75 0.67 0.52 0.47 0.49 0.67 0.40 0.38 0.09 0.02 0.42 0.34 0.34 0.20 0.29 0.05 0.05 0.20 0.29
3322 0.07 0.66 0.75 1.00 0.76 0.56 0.59 0.61 0.49 0.56 0.52 0.48 0.13 0.09 0.51 0.43 0.38 0.21 0.34 0.10 0.12 0.31 0.31
4110 0.00 0.69 0.75 0.76 1.00 0.56 0.53 0.50 0.49 0.62 0.46 0.49 0.16 0.03 0.42 0.41 0.37 0.23 0.28 0.07 0.15 0.29 0.36
4311 0.00 0.51 0.67 0.56 0.56 1.00 0.35 0.35 0.31 0.45 0.31 0.24 0.08 0.00 0.35 0.22 0.27 0.17 0.18 0.00 0.03 0.15 0.13
4321 0.25 0.50 0.52 0.59 0.53 0.35 1.00 0.67 0.50 0.40 0.71 0.51 0.26 0.28 0.73 0.55 0.60 0.43 0.34 0.28 0.25 0.58 0.44
5120 0.30 0.46 0.47 0.61 0.50 0.35 0.67 1.00 0.45 0.47 0.77 0.53 0.26 0.30 0.72 0.58 0.53 0.43 0.39 0.27 0.25 0.45 0.46
5223 0.18 0.53 0.49 0.49 0.49 0.31 0.50 0.45 1.00 0.53 0.39 0.34 0.22 0.24 0.32 0.34 0.37 0.29 0.22 0.25 0.24 0.40 0.54
5230 0.15 0.51 0.67 0.56 0.62 0.45 0.40 0.47 0.53 1.00 0.36 0.39 0.21 0.13 0.42 0.37 0.39 0.34 0.35 0.06 0.08 0.17 0.32
5321 0.27 0.46 0.40 0.52 0.46 0.31 0.71 0.77 0.39 0.36 1.00 0.65 0.30 0.33 0.80 0.56 0.64 0.51 0.43 0.35 0.21 0.56 0.49
5414 0.21 0.45 0.38 0.48 0.49 0.24 0.51 0.53 0.34 0.39 0.65 1.00 0.30 0.24 0.60 0.54 0.69 0.56 0.44 0.28 0.23 0.55 0.42
7112 0.47 0.11 0.09 0.13 0.16 0.08 0.26 0.26 0.22 0.21 0.30 0.30 1.00 0.49 0.32 0.29 0.32 0.42 0.35 0.44 0.47 0.35 0.33
7511 0.68 0.12 0.02 0.09 0.03 0.00 0.28 0.30 0.24 0.13 0.33 0.24 0.49 1.00 0.35 0.36 0.37 0.46 0.38 0.59 0.49 0.45 0.42
8183 0.35 0.45 0.42 0.51 0.42 0.35 0.73 0.72 0.32 0.42 0.80 0.60 0.32 0.35 1.00 0.55 0.65 0.61 0.50 0.30 0.17 0.57 0.36
8322 0.32 0.32 0.34 0.43 0.41 0.22 0.55 0.58 0.34 0.37 0.56 0.54 0.29 0.36 0.55 1.00 0.59 0.54 0.58 0.29 0.28 0.61 0.38
8331 0.34 0.35 0.34 0.38 0.37 0.27 0.60 0.53 0.37 0.39 0.64 0.69 0.32 0.37 0.65 0.59 1.00 0.65 0.48 0.34 0.21 0.62 0.41
8332 0.46 0.29 0.20 0.21 0.23 0.17 0.43 0.43 0.29 0.34 0.51 0.56 0.42 0.46 0.61 0.54 0.65 1.00 0.63 0.37 0.27 0.58 0.41
8341 0.44 0.32 0.29 0.34 0.28 0.18 0.34 0.39 0.22 0.35 0.43 0.44 0.35 0.38 0.50 0.58 0.48 0.63 1.00 0.25 0.18 0.48 0.27
9112 0.50 0.12 0.05 0.10 0.07 0.00 0.28 0.27 0.25 0.06 0.35 0.28 0.44 0.59 0.30 0.29 0.34 0.37 0.25 1.00 0.50 0.49 0.48
9212 0.45 0.09 0.05 0.12 0.15 0.03 0.25 0.25 0.24 0.08 0.21 0.23 0.47 0.49 0.17 0.28 0.21 0.27 0.18 0.50 1.00 0.38 0.44
9333 0.37 0.31 0.20 0.31 0.29 0.15 0.58 0.45 0.40 0.17 0.56 0.55 0.35 0.45 0.57 0.61 0.62 0.58 0.48 0.49 0.38 1.00 0.54
9334 0.31 0.35 0.29 0.31 0.36 0.13 0.44 0.46 0.54 0.32 0.49 0.42 0.33 0.42 0.36 0.38 0.41 0.41 0.27 0.48 0.44 0.54 1.00
Fuente: Estimaciones propias en base a O*NET UY.
- 25 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
Tabla A.2. Matriz representativa del Espacio de Ocupaciones (descriptores correspondientes a los
formularios de Habilidades, Conocimientos y Destrezas)
CIUO
932 2166 2411 3322 4110 4311 4321 5120 5223 5230 5321 5414 7112 7511 8183 8322 8331 8332 8341 9112 9212 9333 9334
932 1.00 0.18 0.18 0.19 0.14 0.19 0.37 0.41 0.34 0.21 0.30 0.32 0.46 0.53 0.48 0.33 0.36 0.56 0.51 0.36 0.33 0.44 0.41
2166 0.18 1.00 0.74 0.70 0.74 0.57 0.49 0.48 0.55 0.42 0.53 0.48 0.13 0.10 0.45 0.45 0.40 0.27 0.26 0.09 0.11 0.26 0.38
2411 0.18 0.74 1.00 0.78 0.81 0.69 0.52 0.49 0.53 0.49 0.52 0.51 0.09 0.05 0.45 0.44 0.39 0.25 0.21 0.05 0.06 0.17 0.34
3322 0.19 0.70 0.78 1.00 0.80 0.60 0.60 0.60 0.54 0.45 0.63 0.51 0.11 0.06 0.52 0.57 0.42 0.26 0.27 0.08 0.12 0.23 0.38
4110 0.14 0.74 0.81 0.80 1.00 0.60 0.53 0.53 0.58 0.49 0.57 0.56 0.13 0.07 0.45 0.50 0.44 0.23 0.21 0.06 0.10 0.25 0.39
4311 0.19 0.57 0.69 0.60 0.60 1.00 0.37 0.36 0.38 0.44 0.39 0.38 0.04 0.02 0.36 0.32 0.28 0.17 0.20 0.02 0.07 0.14 0.22
4321 0.37 0.49 0.52 0.60 0.53 0.37 1.00 0.75 0.52 0.33 0.71 0.47 0.28 0.26 0.71 0.54 0.52 0.45 0.35 0.23 0.26 0.48 0.53
5120 0.41 0.48 0.49 0.60 0.53 0.36 0.75 1.00 0.53 0.39 0.75 0.48 0.29 0.29 0.72 0.55 0.50 0.43 0.34 0.24 0.22 0.40 0.54
5223 0.34 0.55 0.53 0.54 0.58 0.38 0.52 0.53 1.00 0.50 0.50 0.48 0.26 0.26 0.45 0.41 0.47 0.30 0.22 0.21 0.24 0.44 0.57
5230 0.21 0.42 0.49 0.45 0.49 0.44 0.33 0.39 0.50 1.00 0.35 0.36 0.18 0.21 0.31 0.36 0.41 0.30 0.29 0.08 0.13 0.21 0.32
5321 0.30 0.53 0.52 0.63 0.57 0.39 0.71 0.75 0.50 0.35 1.00 0.58 0.25 0.26 0.71 0.60 0.58 0.44 0.33 0.24 0.19 0.41 0.52
5414 0.32 0.48 0.51 0.51 0.56 0.38 0.47 0.48 0.48 0.36 0.58 1.00 0.28 0.20 0.54 0.49 0.56 0.46 0.33 0.22 0.22 0.43 0.45
7112 0.46 0.13 0.09 0.11 0.13 0.04 0.28 0.29 0.26 0.18 0.25 0.28 1.00 0.54 0.34 0.26 0.33 0.44 0.42 0.43 0.50 0.45 0.34
7511 0.53 0.10 0.05 0.06 0.07 0.02 0.26 0.29 0.26 0.21 0.26 0.20 0.54 1.00 0.33 0.26 0.33 0.42 0.35 0.54 0.48 0.46 0.36
8183 0.48 0.45 0.45 0.52 0.45 0.36 0.71 0.72 0.45 0.31 0.71 0.54 0.34 0.33 1.00 0.52 0.59 0.56 0.42 0.25 0.18 0.48 0.47
8322 0.33 0.45 0.44 0.57 0.50 0.32 0.54 0.55 0.41 0.36 0.60 0.49 0.26 0.26 0.52 1.00 0.62 0.51 0.49 0.22 0.24 0.46 0.44
8331 0.36 0.40 0.39 0.42 0.44 0.28 0.52 0.50 0.47 0.41 0.58 0.56 0.33 0.33 0.59 0.62 1.00 0.59 0.44 0.23 0.20 0.53 0.45
8332 0.56 0.27 0.25 0.26 0.23 0.17 0.45 0.43 0.30 0.30 0.44 0.46 0.44 0.42 0.56 0.51 0.59 1.00 0.60 0.31 0.30 0.58 0.45
8341 0.51 0.26 0.21 0.27 0.21 0.20 0.35 0.34 0.22 0.29 0.33 0.33 0.42 0.35 0.42 0.49 0.44 0.60 1.00 0.24 0.29 0.49 0.30
9112 0.36 0.09 0.05 0.08 0.06 0.02 0.23 0.24 0.21 0.08 0.24 0.22 0.43 0.54 0.25 0.22 0.23 0.31 0.24 1.00 0.47 0.43 0.36
9212 0.33 0.11 0.06 0.12 0.10 0.07 0.26 0.22 0.24 0.13 0.19 0.22 0.50 0.48 0.18 0.24 0.20 0.30 0.29 0.47 1.00 0.42 0.34
9333 0.44 0.26 0.17 0.23 0.25 0.14 0.48 0.40 0.44 0.21 0.41 0.43 0.45 0.46 0.48 0.46 0.53 0.58 0.49 0.43 0.42 1.00 0.56
9334 0.41 0.38 0.34 0.38 0.39 0.22 0.53 0.54 0.57 0.32 0.52 0.45 0.34 0.36 0.47 0.44 0.45 0.45 0.30 0.36 0.34 0.56 1.00
Fuente: Estimaciones propias en base a O*NET UY.
- 26 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
Tabla A.3. Indicadores promedio de contenido de tareas e índices estandarizados RTI y MAI
CIUO nrca nrci rc rm nrm RTI_sd MAI_sd
932 2.895 2.740 2.609 3.648 3.232 0.230 0.587
2166 3.474 3.030 3.319 2.390 2.613 -0.962 -1.056
2411 3.807 3.711 4.005 1.960 1.709 -0.609 -2.411
3322 3.673 3.557 3.281 1.899 2.828 -2.696 -1.404
4110 3.114 3.147 3.579 2.366 2.266 0.035 -1.324
4311 3.629 3.005 3.612 2.355 2.119 -0.156 -1.533
4321 3.026 3.185 3.619 2.874 3.560 -0.217 -0.194
5120 3.019 3.623 3.238 3.835 3.201 0.580 0.097
5223 2.776 2.907 2.842 3.028 2.935 -0.196 -0.048
5230 2.323 2.674 3.200 2.984 2.828 1.270 -0.022
5321 2.962 2.927 3.441 2.743 3.110 -0.021 -0.377
5414 2.695 2.682 3.011 2.362 2.844 -0.734 -0.499
7112 2.175 2.523 2.559 2.985 2.994 0.213 0.493
7511 2.121 2.248 2.866 3.572 2.965 2.395 0.857
8183 3.015 3.035 2.664 3.911 3.773 -0.135 0.804
8322 2.711 2.807 3.066 2.775 4.157 -1.205 0.480
8331 2.289 2.044 2.850 3.756 4.538 0.796 1.830
8332 2.537 2.718 2.729 3.077 3.891 -0.813 0.746
8341 2.472 2.083 2.519 3.444 3.549 0.532 1.213
9112 2.224 2.367 2.475 2.880 2.802 0.196 0.384
9212 1.697 1.970 2.857 2.361 2.840 1.194 0.312
9333 2.185 2.580 2.911 3.264 3.595 0.622 0.827
9334 2.792 2.760 2.828 3.086 3.270 -0.318 0.239
Fuente: Estimaciones propias en base a O*NET UY.
Nota: nrca (no rutinaria cognitiva analítica), nrci (no rutinaria cognitiva interpersonales), rc (rutinaria cognitiva), rm
(rutinaria manual), nrm (no rutinaria manual)
- 27 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
Anexo 2
Código R para la construcción del Espacio de Ocupaciones
#### Espacio de Ocupaciones
library(openxlsx)
library(readxl)
library(Matrix)
library(reshape2)
library(igraph)
library(writexl)
library(dplyr)
library(xlsx)
library(Hmisc)
setwd("…") # Especificar la ruta completa del directorio de trabajo.
# Cargar desde CVS las bases de O*NET UY y construir las matrices de ventajas comparadas
base_noagro <- read.csv("base.csv")
base_agro <- read.csv("base agro.csv")
base_agro[is.na(base_agro$pond),ncol(base_agro)] <- 1
base <- rbind(base_noagro,base_agro)
base <- base[,-1]
base <- reshape(base,varying=list(3:59),direction="long")
base$p1 <- as.integer(base$p1)
base <- base[!is.na(base$p1),] %>% group_by(ciuo,formesp,time) %>%
summarise(data_value=round(wtd.mean(p1,pond),2))
- 28 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
base$desc <- base$formesp*100+base$time
base <- base[,c(1,5,4)]
base <- dcast(base, ciuo ~ desc, value.var = "data_value")
rownames(base) <- base$ciuo
base <- base[,-1]
vc <- sweep(base,2,apply(base,2,mean), "/")
vcr <- as.data.frame(1*(vc>=1))
col <- as.integer(colnames(vc))
ncol <- as.data.frame(t(rbind(1:length(col),col)))
HKAcol <- ncol[col<300|col>=600,1]
Matriz_binaria_habs <- vcr[,HKAcol] ##descriptores enfocados en el trabajador
write.csv(Matriz_binaria_habs, "Matriz_binaria_habs.csv",row.names=F)
# Calculos para desarrollar el espacio de ocupaciones
rca <- as.matrix(Matriz_binaria_habs)
P=dim(rca)[1]
C=dim(rca)[2]
ip=matrix(1,P,1)
ic=matrix(1,C,1)
rca[is.na(rca)]<-0
##diversification (kc0) & ubiquity (kp0)##
kp0=rca%*%ic
kc0=t(rca)%*%ip
Ikp0=diag(c(1/kp0),P,P)
- 29 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
Ikc0=diag(c(1/kc0),C,C)
##espacio de ocupaciones##
PD=Ikp0%*%rca%*%t(rca)
PD=pmin(PD,t(PD))
rownames(PD)=colnames(PD)
write_xlsx(as.data.frame(PD), path = "…", col_names = TRUE)
#View(PD)
PDI=1-PD
gpd=graph_from_adjacency_matrix(PDI, mode="undirected",weighted=TRUE,diag=FALSE)
mstpd=mst(gpd)
PD=melt(PD)
PD=PD[which(PD[,1]!=PD[,2]),]
msted=as.matrix(get.adjacency(mstpd, attr="weight",names=TRUE))
msted=melt(msted)
msted=msted[which(msted[,3]!=0),]
msted[,3]=1-msted[,3]
#### Gráfico
V(mstpd)
E(mstpd)
gsize(mstpd)
gorder(mstpd)
riesgo <- c("m", "m", "m", "b", "m", "m", "m","m", "m",
"a","m","m","m","a","m","b","m","m","m","m","a","m","m") #utiliza RT
#riesgo <- c("m", "b", "b", "b", "b", "b", "m","m", "m",
"m","m","m","m","m","m","m","a","m","a","m","m","m","m") #utiliza MAI
- 30 -
Banco Mundial
Espacio de Ocupaciones en Uruguay. Un instrumento para apoyar el diseño de políticas de reconversión laboral
mstpd<- set_vertex_attr(mstpd, "riesgo", value=riesgo)
ciuo <- c(932, 2166, 2411, 3322, 4110, 4311, 4321,5120, 5223, 5230, 5321, 5414, 7112, 7511, 8183, 8322, 8331,
8332, 8341, 9112, 9212,9333,9334)
particip <- c(1.04, 0.25, 0.79, 0.87, 5.35, 2.89, 0.52, 1.84, 3.76, 1.37, 1.10, 1.75, 3.13, 0.81, 0.33, 1.8, 0.64, 1.63,
0.61, 3.4, 1.42, 1.6, 0.99)
particip1=particip*7
vertex_attr(mstpd)
V(mstpd)$color <- ifelse(V(mstpd)$riesgo == "b", "white", ifelse(V(mstpd)$riesgo == "m", "pink","red"))
#V(mstpd)$frame.color <- ifelse(V(mstpd)$riesgo == "b", "white", ifelse(V(mstpd)$riesgo == "m",
"pink","red"))
V(mstpd)$label=ciuo
V(mstpd)$label.color="black"
V(mstpd)$label.cex=0.7
#V(mstpd)$label.dist=1
#V(mstpd)$label.degree=pi/2
V(mstpd)$size=20
plot(mstpd)
legend(x=1.5, y=1, c("Riesgo Alto","Riesgo Medio", "Riesgo Bajo"), pch=21,
col="black", pt.bg=c("red", "pink", "white") , cex=0.9, bty="n", ncol=1, x.intersp=0.15, y.intersp=0.15)
head(msted)
PSpace=anti_join(PD,msted)
PSpace=PSpace[order(PSpace[,3],decreasing=TRUE),]
PSpace=PSpace[1:nrow(msted),]
PSpace=rbind(PSpace,msted)
- 31 -