Habilidades e Aglomeração: Evidências para o Brasil

Prévia do material em texto

Edivaldo Constantino das Neves Jr.
Carlos Roberto Azzoni
André Luiz Squarize Chagas
Habilidades e Aglomeração: Evidências para o Brasil
São Paulo,27 de Março de 2017
Objetivos
Discutir em que extensão o prêmio salarial urbano é diferente para trabalhadores com distintos perfis de habilidades.
Em termos substantivos, o estudo busca verificar se os efeitos associados ao aumento do tamanho populacional diferem de acordo com as habilidades dos trabalhadores. 
Revisão de Literatura
ECONOMIAS DE AGLOMERAÇÃO: 
Duranton e Puga (2004); Glaeser e Gottlieb (2009); Puga (2010); Combes e Gobillon (2015).
SORTING ESPACIAL DE TRABALHADORES:
Glaeser e Mare (2001); Combes et al (2010); Matano e Naticchioni (2013); Moretti (2004).
HETEROGENEIDADE INDIVIDUAL: 
Rosenthal e Strange (2008); Carlsen et al (2016); Guvenen et al (2015); Bacolod et al (2010); Florida et al (2010); Andersson et al (2014).
Uma importante linha de argumentação discute os conceitos de economias de urbanização e localização (Combes e Gobillon, 2015)
Microfundamentação das economias de aglomeração proposta por Duranton e Puga (2004), composta pelos efeitos de sharing, matching e learning.
Nem todos os trabalhadores usufruem igualmente dos benefícios do aumento da escala urbana (Rosenthal e Strange, 2004)  heterogeneidade individual  habilidades individuais.
Segundo Puga (2010) e Combes et al (2010), trabalhadores mais qualificados 
(i) tendem a se especializar, e, portanto se beneficiar um melhor matching em uma cidade com um mercado interno mais dinâmico; 
(ii) possuem maior capacidade de aprender uns com os outros, capturando o conhecimento que “está no ar”, e portanto interagindo e aprendendo mais; 
(iii) se beneficiam da existência de complementaridade de recursos disponíveis em grandes e densos mercados.
3
Modelo Teórico
Problema do agente individual: 
Maximizar a sua utilidade U=(X,h, Aj) sujeito a sua restrição orçamentária descrita como Wj(zi)+K=X+rjh
Problema da firma:
Maximizar os lucros: Max π = pX – rjh – W(zi)Nzi. O nível ótimo de salários é descrito por W(zi) = f´[Nzi,h,Aj]. 
Nesse cenário, o preço implícito de uma competência específica é dada por ∂W(zi)/∂Nzi, e o impacto total da aglomeração nos salários dos trabalhadores é ∂W(zi)/∂A. 
O foco é, então, compreender como o preço implícito das habilidades dependem da aglomeração, ∂2W(zi)/∂Nzi∂A. 
1) Adaptação do modelo de Roback (1982) com o objetivo de descrever o equilíbrio espacial na presença de efeitos de aglomeração e heterogeneidade nas habilidades dos trabalhadores e analisar suas implicações sobre os níveis de renda dos indivíduos de diferentes localidades.
2) Assim, o modelo considera um equilíbrio espacial em que as decisões da região de moradia e produção, por parte dos trabalhadores e firmas, respectivamente, são condicionadas pelos salários, preços dos bens locais (aluguel), efeitos de aglomeração e heterogeneidade das habilidades dos agentes.
4
Escolaridade e o Tamanho Urbano
TamanhoUrbano
menor que 100.000
entre 100.000 e 750.000
entre 750.000 e 2.500.000
maior que 2.500.000
Educação
 
 
 
 
Menorque Ensino Médio
41.51
37.42
32.61
30.31
Ensino Médio
51.10
53.29
56.59
54.84
Graduação ou mais
7.39
9.29
10.80
14.84
Habilidades, Educação, Aglomeração e Salários
Fonte: Bacolod , Blumm e Strange (2009)
Escolaridade e Habilidades
Grupo Educacional
Cognitivo
Q1
Q2
Q3
Q4
Q5
Menorque Ensino Médio
63.17
15.02
18.04
3.56
0.20
Ensino Médio
37.99
15.50
34.34
10.25
1.91
Graduação
3.34
4.89
26.76
35.46
29.55
 
Social
Q1
Q2
Q3
Q4
Q5
Menorque Ensino Médio
38.33
30.10
19.37
3.61
8.58
Ensino Médio
19.38
22.60
31.49
8.04
18.49
Graduação
2.06
4.55
28.96
25.53
38.90
 
Motor
Q1
Q2
Q3
Q4
Q5
Menorque Ensino Médio
3.63
14.82
30.81
17.99
32.76
Ensino Médio
15.08
32.32
24.05
13.36
15.19
Graduação
46.03
39.54
9.44
2.95
2.03
Base de Dados e Construção dos Índices de Habilidades
Relação Anual de Informações Sociais (RAIS – Ministério do Trabalho e do Emprego) e a base desenvolvida por Maciente (2013).
Os dados de Maciente (2013) consistem em um levantamento ocupacional que identifica a intensidade de um conjunto mais amplo de habilidades e competências técnicas e cognitivas para cada ocupação.
Foi implementada uma categorização das habilidades constituída pelas dimensões cognitiva, social e motor. Para cada uma dessas dimensões foi selecionado um conjunto de variáveis, dentre as 263 da ONET.
Em seguida, para cada grupo de habilidades foi executada a técnica de Análise de Fator Comum (Bacolod et al, 2010; Guvenen et al, 2015).
Obtendo assim um reflexo do nível geral de habilidades requeridas no mercado de trabalho formal brasileiro. 
ONET 263 variaveis
8
Base de Dados e Construção dos Índices de Habilidades
Habilidades
ÍndiceCognitivo (-0.24/0.29)
ÍndiceSocial (-0.21/0.35)
ÍndiceMotor (-0.17/0.29)
Deductive Reasoning
Social Perceptiveness
Manual Dexterity
Inductive Reasoning
Coordination
Control Precision
Category Flexibility
Persuasion
Static Strength
Reading Comprehension
Negotiation
Dynamic Strength
Writing
Establishing and Maintaining Interpersonal Relationships
Performing General Physical Activities
Critical Thinking
Selling or Influencing Others
Handling and Moving Objects
ComplexProblemSolving
Resolving Conflicts and
Negotiatingwith Others
Analytical Thinking
Mathematical Reasoning
 
 
Base de Dados e Construção dos Índices de Habilidades
 
Social
Cognitivo
Alto
Alto
Baixo
Engenheiro civil (aeroportos)
X
Médico cardiologista
Gerente de comunicação
Diretor de recursos humanos
Médico neurocirurgião
Diretor de câmbio e comércio exterior
Baixo
Jornaleiro (em banca de jornal)
Jardineiro
Vendedor em domicílio
Borracheiro
Feirante
Costureiro na confecção em série
Vendedor ambulante
Operador de cortadeira de papel
Assistente de vendas
Lavador de artefatos de tapeçaria
Pipoqueiro ambulante
 
Base de Dados e Construção dos Índices de Habilidades
 
Motor
Cognitivo
Alto
Alto
Baixo
Médico cirurgião cardiovascular
Engenheiro civil (hidráulica)
Médico neurocirurgião
Advogado de empresa
Cirurgião dentista -odontogeriatra
Engenheiro químico (indústria química)
Médico cirurgião de cabeça e pescoço
Professor de sociologia do ensino superior
Médico cirurgião do aparelho digestivo
Lingüista
Cirurgião dentista - odontologista legal
Físico (atômica e molecular)
Baixo
Operador deretorcedeira
Telefonista
Fundidor de metais
Modelo artístico
Pedreiro
Operador de telemarketing ativo
Operador de máquina perfuradora (minas e pedreiras)
Modelo de modas
Armador de estrutura de concreto armado
Operador de telemarketing ativo e receptivo
Carvoeiro
Operador de mensagens de telecomunicações (correios)
Base de Dados e Construção dos Índices de Habilidades
 
Motor
Social
Alto
Alto
Baixo
Fisioterapeutatraumato-ortopédicafuncional
Diretor de riscos de mercado
Fisioterapeuta esportivo
Turismólogo
Fisioterapeuta respiratória
Assessor de imprensa
Fisioterapeuta do trabalho
Relações públicas
Supervisor da área florestal
Corretor de valores, ativos financeiros, mercadorias e derivativos
Fisioterapeuta geral
Psicólogo social
Baixo
Montador de móveis e artefatos de madeira
Revisor de texto
Auxiliar de maquinista de trem
Modelo publicitário
Forneiro na fundição de vidro
Modelo de modas
Montador de máquinas de minas e pedreiras
Modelo artístico
Moldador de plástico por injeção
 
Operador de máquina intercaladora e placas (compensados)
 
Habilidades
Por Skill: Salário Quintil / Salário Médio
Por Skill: Salário Quintil Grandes Aglomerações/Salário Médio do Quintil
Tamanho Urbano e Habilidades
Modelagem Cross-Section
lnwifsjt = µstZjt + stln(popst) + βstZjt*ln(popst) + tXist + tQfst + ifsjt
i=indivíduo; f=firma; j=ocupação; s=LMA; t=tempo
Modelagem Cross-Section
Ln(salario-hora)
Modelo1
Modelo2
Modelo3
Modelo4Modelo5
Modelo6
Modelo7
Cognitivo
2.285*
-0.739**
0.150
(0.038)
(0.31)
(0.412)
Cognitivo*ln(pop)
0.206*
0.142*
(0.023)
(0.030)
Social
1.430*
-1.088*
-0.882***
(0.052)
(0.412)
(0.516)
Social*ln(pop)
0.172*
0.065***
(0.031)
(0.039)
Motor
-0.980*
1.244*
0.489
(0.052)
(0.423)
(0.361)
Motor*ln(pop)
-0.153*
-0.034
(0.032)
(0.027)
Controles
Sim
Sim
Sim
Sim
Sim
Sim
Sim
R2 Ajustado
0.515
0.5175
0.4786
0.4804
0.4582
0.4595
0.5178
Número de obs.
5986269
5986269
5986269
5986269
5986269
5986269
5986269
F
858.7
1453.87
678.33
863.08
709.03
749.27
1340.23
Prob>F
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Modelagem Cross-Section
∂lnwistj/∂Ztj =
[βst + µstln(pop)]
Modelagem Cross-Section
Skill Wage Premium along the skills distribution
Skill Urban Wage Returns along the skills distribution
Modelagem Painel
lnwistj = stln(pop) + µstZtj*ln(pop) + tXist + tQist +tMit + i + t + mr + istj
i=indivíduo; f=firma; j=ocupação; s=LMA; t=tempo; mr=macro-região
Análise Descritiva Painel 2003-2013
Variação entreÁreas
16.13
Variação entre Ocupações
64.09
Variação entre Ocupação eÁreas
12.43
Variação entre Firmas
48.46
Mudou deÁrea,masnão Ocupação
3.7
Mudou deOcupação,mas nãoÁrea
51.66
Número de indivíduos
613,498
Número de observações
6,748,478
Modelagem Painel
Ln(hourly wage)
1
2
3
4
Ln(pop)
0.005*
0.006*
0.006*
0.005*
(0.001)
(0.001)
(0.001)
(0.001)
Cognitive*ln(pop)
0.048*
0.035*
(0.001)
(0.001)
Social*ln(pop)
0.039*
0.021*
(0.001)
(0.001)
Motor*ln(pop)
-0.017*
0.008*
(0.001)
(0.001)
Mobility between occupations
-0.006*
-0.006*
-0.001**
-0.007*
(0.001)
(0.001)
(0.001)
(0.001)
Mobility between LMA
0.011*
0.011*
0.011*
0.011*
(0.002)
(0.002)
(0.002)
(0.002)
Mobility between firms
-0.037*
-0.036*
-0.038*
-0.036*
(0.001)
(0.001)
(0.001)
(0.001)
Adjusted R2
0.9322
0.9321
0.9315
0.9323
# Obs.
5600138
5600138
5600138
5600138
F
24226.21
24537.14
23029.33
23056.96
Prob>F
0.000
0.000
0.000
0.000
Modelagem Painel
Ln(hourly wage)
1
Ln(pop)
0.005*
(0.001)
Cog*Soc*ln(pop)
0.155*
(0.007)
Cog*Mot*ln(pop)
0.008
(0.008)
Soc*Mot*ln(pop)
-0.061*
(0.008)
Mobilitybetweenoccupations
-0.002*
(0.001)
MobilitybetweenLMA
0.011*
(0.002)
Mobilitybetweenfirms
-0.037*
(0.001)
AdjustedR2
0,9317
# Obs.
5600138
F
23132,83
Prob>F
0,000
Considerações Finais
Foram construídos índices que captam as dimensões de habilidades cognitivas, sociais e motoras. 
Os resultados mostraram que os preços das habilidades cognitivas e sociais aumentam com o tamanho da aglomeração. Além disso, a combinação de habilidades cognitivas e sociais potencializa os ganhos aglomerativos.
Tal resultado ressalta que os ganhos de aglomeração não se manifestam de forma equânime para todos os trabalhadores de uma urbe.
Direções da Tese 
Migração, matching e perfil de habilidades.
Existem habilidades à prova de crise econômica? Existem heterogeneidades regionais? 
Referências
ANDERSSON, M., KLAESSON, J., e LARSSON, J. P. “The Sources of the Urban Wage Premium by Worker Skills” (No. 2014/6). Lund University, CIRCLE-Center for Innovation, Research and Competences in the Learning Economy (2014).
BACOLOD M; BLUM B; STRANGE W., “Skills in the city”, Journal of Urban Economics 65:136-153, (2009).
BACOLOD, M. P.; BLUM, B. S. “Two Sides of the Same Coin US “Residual” Inequality and the Gender Gap”. Journal of Human Resources, v. 45, n. 1, p. 197-242, (2010)
CARLSEN, F., RATTSO J., STOKKE H.E. “Urban wage premium and the role of education: Identification of agglomeration effects for Norway.” (2012).
COMBES, P.-P., DURANTIN, G., GOBILLON, L., ROUX, S. “Estimating agglomeration economies with history, geology, and worker effects”. In: Glaeser, E.L. (Ed.), Agglomeration Economics. University of Chicago Press for the NBER, Chicago, IL, pp. 15–65 (2010).
COMBES, P.P.; DURANTON G.; GOBILLON L. "Spatial wage disparities: Sorting matters!." Journal of Urban Economics 63, no. 2 (2008): 723-742.
COMBES, P.P.; GOBILLON, L. “The empirics of agglomeration economies”. In: Handbook of Regional and Urban Economics Vol 5A, North-Holland, Amsterdam, 1st Edition, pp. 247-348, (2015)
DURANTON, G., PUGA, D., “Micro-foundations of urban agglomeration economies”. In: Henderson, J.V., Thisse, J.F. (Eds.), Handbook of Regional and Urban Economics 4. Elsevier, Amsterdam, (2004).
FLORIDA R., MELLANDER C., STOLARICK K., ROSS A. “Cities, skills and wages.” Journal of Economic Geography (2011).
Referências
GLAESER, E. L.; D. GOTTLIEB J.D.. “The wealth of cities: Agglomeration economies and spatial equilibrium in the United States.” No. w14806. National Bureau of Economic Research, (2009).
GLAESER, E.; MARE, D. “Cities and Skills”. Journal of Labor Economics, v. 19, n. 2, p. 316-342. (2001).
GLAESER, E.; RESSEGER, M. G. “The complementarity between cities and skills”. Journal of Regional Science, v. 50, n. 1, pp. 221–244. (2010).
GROOT, S.; De GROOT, H. LF. "Estimating the skill bias in agglomeration externalities and social returns to education: Evidence from dutch matched worker-firm micro-data." (2014).
GUVENEN F.; KURUSCU B. ; TANAKA S. ; WICZER D. “Multidimensional Skill Mismatch”, Working Papers”, University of Toronto, Department of Economics. (2015).
PUGA, D. “The magnitude and causes of agglomeration economies”. Journal of Regional Science, v. 50, n. 1, pp. 203-219 (2010).
ROSENTHAL S.; STRANGE W., “Evidence on the nature and sources of agglomeration economies”. In: Henderson, J.V., Thisse, J.F. (Eds.), Handbook of Regional and Urban Economics 4. Elsevier, Amsterdam, pp. 2119–2171, (2004).
Habilidades e Aglomeração: Evidências para o Brasil
OBRIGADO!!
Edivaldo Constantino das Neves Júnior
Carlos Roberto Azzoni
André Luiz Squarize Chagas
Questionário ONET