1. Introducción

El panorama del empleo en numerosas economías ha sufrido una gran transformación durante los dos últimos decenios. Diversos factores relacionados con la oferta, como el envejecimiento demográfico, el aumento de la participación laboral femenina, la mejora de los niveles educativos y la afluencia de trabajadores extranjeros, convergen con factores relativos a la demanda, como el progreso tecnológico y las dinámicas comerciales, trastocando de manera sustancial las estructuras del mercado de trabajo.

El progreso tecnológico afecta a la demanda de trabajo en la medida en que desbanca a los trabajadores o altera los tipos de ocupación. La teoría del cambio tecnológico con sesgo de calificación sostiene que las nuevas tecnologías potencian la productividad de los trabajadores calificados, lo que a su vez estimula la demanda de funciones calificadas y eleva el nivel de competencias exigidas en los puestos de trabajo. Así se explica la creciente brecha salarial y el aumento del número de empleos muy calificados en los países desarrollados a lo largo de los últimos decenios (Bound y Johnson 1992; Katz y Murphy 1992; Berman, Bound y Machin 1998; Machin y Van Reenen 1998; Spitz-Oener 2006; Dauth et al. 2021). Sin embargo, en el Reino Unido y los Estados Unidos, durante la década de 2000 creció el empleo de baja y alta calificación al tiempo que descendieron los empleos de calificación media (Autor, Katz y Kearney 2006; Goos y Manning 2007; Acemoglu y Autor 2011). Autor, Levy y Murnane (2003) identificaron por primera vez este cambio, denominado «rutinización» o cambio tecnológico con sesgo de rutina, según un modelo que explica cómo la automatización de tareas rutinarias y el aumento de la demanda de tareas abstractas provocan un trasvase de trabajadores desde las ocupaciones de calificación media hacia las manuales, lo que da lugar a una «polarización del empleo» (Goos y Manning 2007).

Por el lado de la oferta, la participación de las mujeres en el mercado de trabajo ha aumentado significativamente. En los Estados Unidos el empleo femenino pasó del 35 por ciento en 1945 al 77 por ciento a finales de siglo, mientras que en Europa aumentó del 46,3 por ciento en 1990 al 50,93 por ciento en 2015. Este crecimiento se ha atribuido a la expansión de la economía de servicios —para la que las competencias profesionales de las mujeres han resultado ser muy adecuadas (Goldin 2006; Galor y Weil 1996; Ngai y Petrongolo 2017)— y a un aumento del número de mujeres que acceden a empleos peor y mejor remunerados. Esta tendencia coincide con la expansión de la economía de servicios, la evolución de las exigencias laborales y la mejora del nivel de estudios y la capacitación de las mujeres, lo que repercute en las futuras dinámicas de trabajo. Además de examinar la tasa de actividad femenina, varios estudios muestran la influencia de la edad de los trabajadores en la desrutinización. Por ejemplo, Lewandowski et al. (2020) constatan que la transición de las tareas rutinarias hacia otras no rutinarias en los mercados de trabajo europeos se aceleró notablemente en la cohorte de trabajadores de 25 a 44 años, en comparación con los de mayor edad.

La polarización del empleo, caracterizada por la creciente disparidad entre empleos con salarios altos y bajos, es un fenómeno documentado en varios países. Autor, Levy y Murnane (2003), Autor y Dorn (2013), Goos, Manning y Salomons (2009) y Van Reenen (2011) lo atribuyen a los avances en las tecnologías de la información y las comunicaciones (TIC). Otros autores, como Blinder (2007) y Jensen y Kletzer (2010), investigan la influencia de la inmigración y la deslocalización como factores coadyuvantes. Por su parte, Grossman y Rossi-Hansberg (2008) desarrollan un modelo teórico de deslocalización basado en tareas negociables e identifican un efecto productividad derivado del comercio de tareas, lo que deja traslucir una división internacional del trabajo más matizada. Este efecto tiende a beneficiar al factor de producción cuyas tareas se deslocalizan más fácilmente.

En los citados estudios se aplica el enfoque basado en tareas para examinar en qué medida la evolución de la demanda de competencias —ya sea como resultado del progreso tecnológico o de las transformaciones del mercado laboral— afecta a la distribución de tareas (rutinarias, manuales y abstractas) de las ocupaciones. Según Autor y Handel (2013), este enfoque aporta una valiosa microfundamentación para comprender el vínculo entre las tareas y las competencias (o el capital humano) que se exigen en una ocupación.

Se ha observado una polarización del empleo en diversas regiones, con tendencias variables según el país. Goos, Manning y Salomons (2009 y 2014) constatan un descenso de la población ocupada en empleos con salarios medios en Europa, al tiempo que crecen o disminuyen ligeramente los ocupados en puestos con salarios bajos y altos. Del mismo modo, Ikenaga y Kambayashi (2016) observan en el Japón un aumento de la proporción de empleos no rutinarios, con salarios altos y bajos, en paralelo a un descenso de los empleos rutinarios con salarios medios. En los Estados Unidos, Cortes (2016) señala un descenso a largo plazo de las primas salariales de los trabajos rutinarios, coincidiendo con un aumento de la prevalencia de las funciones no rutinarias. Michaels, Natraj y Van Reenen (2014) documentan la polarización del empleo en varios países de la OCDE.

Como el estudio de la polarización del empleo se ha centrado en las economías desarrolladas, es relativamente escasa la bibliografía dedicada a analizar esta tendencia en los países en desarrollo. Los trabajadores de los países con mayores tasas de adopción de tecnología desempeñan una menor cantidad de tareas rutinarias en comparación con quienes residen en países con menor grado de penetración tecnológica. Hardy, Keister y Lewandowski (2016) aportan evidencias de un aumento de las tareas cognitivas no rutinarias y una disminución de las tareas manuales en diez países de Europa Central y Oriental. Helmy (2015) encuentra signos de polarización del empleo en Egipto, mientras que Ge, Sun y Zhao (2021) concluyen que el empleo en las ocupaciones manuales rutinarias disminuyó un 25 por ciento en China entre 1990 y 2015.

También se han observado indicios de polarización del empleo en el Brasil y México (Maloney y Molina 2019), aunque la polarización salarial no parece afectar al empleo en el Brasil (Firpo et al. 2021). Fleisher et al. (2018) señalan un trasvase de empleo desde los puestos de calificación media hacia los no calificados y por cuenta propia en China, lo que respalda la hipótesis del cambio tecnológico con sesgo de rutina. Sarkar (2019) describe una tendencia similar en la India. Sin embargo, Gasparini et al. (2021) no encuentran evidencias claras de polarización en las seis mayores economías de América Latina, a pesar del impacto de la automatización en los empleos rutinarios. Fleisher et al. (2018) también observan una redistribución del empleo en China, pero sin polarización en niveles más altos de calificación.

En el presente artículo se analiza la polarización del empleo en Türkiye, país en el que este tema está relativamente poco estudiado. Akçomak y Gürcihan (2013) aportan evidencias de polarización salarial y de polarización del empleo en Türkiye de 2004 a 2010, y vinculan los cambios salariales a la redistribución ocupacional. Popli y Yılmaz (2017) indican un descenso de los rendimientos asociados a las tareas rutinarias, lo que favoreció a los trabajadores con salarios altos durante el periodo de 2002 a 2010. Acar Erdoğan y Del Carpio (2019) observan una transición hacia las competencias cognitivas en los empleos de mayor calidad, en detrimento de las competencias manuales no rutinarias y rutinarias. Özbay Daş (2021), tras examinar la desigualdad salarial y la correspondiente polarización entre 2004 y 2017, concluye que no hay una clara evidencia de polarización salarial en Türkiye.

Este artículo complementa la bibliografía existente en cuatro aspectos. En primer lugar, mediante este estudio se amplía el conocimiento de las dinámicas del mercado laboral en los países en desarrollo al examinar la polarización del empleo y de los salarios en una economía de tamaño medio en proceso de transformación, con el fin de determinar si su evolución en este aspecto difiere de la observada en los países desarrollados.

En segundo lugar, se utilizan microdatos depurados para analizar las tareas ocupacionales, distinguiendo entre tareas abstractas, rutinarias y manuales, en lugar de tomar como referencia los datos sectoriales en que se basa la mayor parte de la bibliografía (por ejemplo, Kızılırmak 2005; Erlat y Erlat 2006; Meschi, Taymaz y Vivarelli 2011). A partir de datos de nivel individual de la encuesta de población activa de los hogares realizada por el Instituto Turco de Estadística (TurkStat), se utilizan dos fuentes para evaluar el contenido de las tareas: el programa O*NET (Occupational Information Network), desarrollado y mantenido por el Departamento de Trabajo de los Estados Unidos, y el Programme for the International Assessment of Adult Competencies (PIAAC) de la Organización de Cooperación y Desarrollo Económicos (OCDE). Aunque O*NET proporciona información valiosa por tareas para las ocupaciones estadounidenses, su utilización presupone la uniformidad del contenido de las tareas en todos los países, lo que puede no ser cierto en economías menos desarrolladas con niveles muy distintos de productividad laboral, tecnología y calificaciones (Lewandowski et al. 2022; De La Rica, Gortazar y Lewandowski 2020). Se corrige esta limitación utilizando datos ocupacionales específicos de cada país procedentes del PIAAC para medir el contenido de las tareas.

En tercer lugar, se analiza en qué medida el capital humano, las características demográficas y las exigencias técnicas específicas del puesto de trabajo determinan el perfil de tareas de los trabajadores, según los microdatos de una encuesta del PIAAC realizada en 2015 a aproximadamente 5 000 individuos en Türkiye. La información que proporciona esta fuente sobre las características de los trabajadores, en aspectos tales como la experiencia informática y el nivel educativo de los padres, mejora el análisis de las tareas y permite examinar los vínculos, por ejemplo, entre el uso de ordenadores y la estructura del empleo (Autor, Katz y Kearney 2006; Acemoglu y Autor 2011; Goos y Manning 2007; Autor y Dorn 2013). El presente estudio es el primero que relaciona el avance tecnológico con la polarización del empleo en Türkiye a partir del análisis de microdatos extensos, en la línea de Almeida, Corseuil y Poole (2017) y Hjort y Poulsen (2019). Se concluye que la asignación ocupacional influye notablemente en la determinación del valor de las tareas. Del mismo modo, Reijnders y de Vries (2018) señalan que el cambio tecnológico es uno de los principales factores de redistribución del empleo en los países avanzados y emergentes, incluida Türkiye, entre 1999 y 2007, a pesar del descenso de ocupados en puestos no rutinarios registrado en Türkiye como consecuencia de la reubicación de tareas a través de la deslocalización. Los datos aquí analizados sobre la adopción de tecnología en Türkiye indican que este efecto se ha mantenido en los años siguientes.

Por último, se amplía el enfoque para incluir factores de la oferta que contribuyen a la polarización, como la participación laboral femenina, los niveles educativos y los trasvases intersectoriales, destacando el vínculo entre el cambio estructural y la estructura ocupacional. La bibliografía existente indica que los mecanismos económicos integran preferencias específicas asociadas al progreso tecnológico (Boppart 2014; Ngai y Pissarides 2007; Acemoglu y Guerrieri 2008).

El artículo aporta evidencias de polarización del empleo en Türkiye entre 2012 y 2022, lo que da como resultado una distribución salarial en forma de U. Este patrón indica un aumento de los porcentajes de población ocupada en puestos de baja y alta calificación, junto con un descenso de los empleos de calificación media. Los puestos de salario medio se redistribuyen hacia los extremos o se cubren con trabajadores que inician su vida laboral. Durante este periodo, Türkiye sufrió dos crisis: la crisis económica de 2018 y la pandemia de COVID-19 de 2020. Ambos acontecimientos provocaron un fuerte aumento del desempleo, pero fueron seguidos de una rápida recuperación sin alteraciones fundamentales en el mercado de trabajo. Esta evolución indica que, aparte de las perturbaciones transitorias, hubo otros factores estructurales más determinantes en la configuración del mercado laboral de Türkiye.

Los resultados de regresión obtenidos con los datos de la encuesta del PIAAC muestran que las TIC —en particular la experiencia informática— se asocian positivamente con las puntuaciones de las tareas abstractas, pero se correlacionan negativamente con las puntuaciones de las tareas rutinarias y manuales. De ello se infiere que la informatización del mercado laboral de Türkiye puede estimular la demanda de tareas abstractas y reducir la de tareas rutinarias, impulsando una tendencia a la polarización. Del mismo modo, Sebastian (2018) observa una relación negativa entre el uso del ordenador y las tareas rutinarias, y una correlación positiva con las tareas abstractas en España. Las conclusiones del presente estudio concuerdan con un análisis de descomposición del cambio, cuyos resultados revelan una mayor prevalencia de los cambios intrasectoriales —lo que implica que la tecnología puede influir en la disminución de la demanda de tareas rutinarias—, mientras que los componentes intersectoriales revelan un proceso de reasignación del empleo entre distintas ramas de actividad. Bárány y Siegel (2018) también sostienen que el aumento de la productividad laboral relativa en el sector manufacturero impulsa un trasvase de trabajadores hacia empleos de baja y alta calificación en los servicios.

El análisis objeto del presente artículo pone de relieve la importancia de las mujeres en la dinámica del mercado laboral en Türkiye. Aunque la tecnología —en particular el uso de ordenadores— influye en el descenso del empleo en ocupaciones de salario medio, no explica totalmente las tendencias en los dos extremos de la distribución salarial, que muestran un aumento considerable de la proporción de empleo femenino. La participación de las mujeres en tareas interactivas ha aumentado significativamente. Así, el porcentaje de mujeres en ocupaciones abstractas (por ejemplo, profesionales científicas e intelectuales) ha pasado del 8,8 por ciento en 2004 al 19,2 por ciento en 2022. Esta tendencia refleja una feminización más general de estas funciones, facilitada en gran medida por el aumento del nivel educativo de las mujeres. En particular, la proporción de mujeres con estudios universitarios pasó del 14,6 por ciento en 2004 al 36,3 por ciento en 2022. Al mismo tiempo, la representación femenina en ocupaciones poco remuneradas de servicios y ventas aumentó del 7,3 al 19,7 por ciento.

En consecuencia, la polarización del empleo en Türkiye puede atribuirse en parte a los cambios demográficos, junto con la evolución tecnológica y las variaciones en la composición sectorial. El análisis de las tendencias del empleo por grupos demográficos muestra que el trasvase de trabajadores entre distintos tipos de ocupación depende de factores como el sexo, la edad y el nivel educativo, según se refleja en el efecto composición (variaciones observadas en el tamaño de los grupos demográficos) y en el efecto propensión (cambios en la elección de ocupaciones).

A partir de los datos de la encuesta del PIAAC, se examina la relación de las tareas laborales con el capital humano individual de los trabajadores, sus características demográficas y los requisitos técnicos de las ocupaciones. El análisis pone de manifiesto que, al incluir variables ficticias ocupacionales, los coeficientes educativos disminuyen en todas las categorías de tareas, aunque conservan su significación estadística. Por lo tanto, el vínculo entre el nivel educativo y los tipos de tareas depende parcialmente de la asignación ocupacional. En el caso de las tareas manuales, la asociación significativa con el nivel educativo desaparece al introducir variables ficticias ocupacionales. Además, el nivel educativo de los padres se correlaciona positivamente con las puntuaciones de las tareas abstractas, pero negativamente con las puntuaciones de las tareas rutinarias y manuales. Esto parece indicar una transmisión intergeneracional del capital social y una movilidad ocupacional limitada, en el sentido de que los individuos suelen ocupar puestos de trabajo acordes con el estatus socioeconómico de sus padres.

Además de analizar las tendencias generales del empleo y la polarización salarial, se aplican pruebas empíricas basadas en los métodos de Goos y Manning (2007). Los resultados confirman la evidencia de polarización del empleo en Türkiye entre 2012 y 2022, sin indicios de polarización salarial, al igual que en el caso de España analizado por Sebastian (2018). En cambio, Autor y Dorn (2013) observan una fuerte correlación entre la polarización del empleo y la polarización salarial en los Estados Unidos. La divergencia de Türkiye en este sentido podría atribuirse a la política activa de salario mínimo introducida por el Gobierno en 2016. Con posterioridad a esa medida, el salario mínimo aumentó hasta un nivel equivalente al 94 por ciento de la mediana salarial en 2022, de tal forma que aproximadamente el 40 por ciento del empleo estaba remunerado con el salario mínimo. Además, la desigualdad salarial disminuyó durante este periodo (Sefil-Tansever y Yılmaz 2024), lo que indica que la política de salario mínimo redujo la sensibilidad de los salarios a las condiciones del mercado laboral.

El resto del artículo se estructura del siguiente modo. Para comenzar, se describen los datos utilizados en el análisis (apartado 2) y se esbozan las tendencias preliminares de la polarización (apartado 3). Seguidamente se examina el contenido de las tareas de las ocupaciones (apartado 4). Tras descomponer los cambios en la estructura sectorial que contribuyen a la polarización del empleo (apartado 5), se procede a analizar la descomposición demográfica de las tareas (apartado 6). Por último, se evalúan los resultados empíricos (apartado 7) y se extraen las principales conclusiones del estudio (apartado 8).

2. Datos

En el análisis se utilizan primeramente microdatos anuales de la encuesta de población activa de los hogares realizada por TurkStat. Esta fuente proporciona datos transversales anuales que abarcan el periodo de 2004 a 2022 e incluyen información exhaustiva sobre el mercado laboral de Türkiye. Los salarios mensuales y las horas de trabajo semanales de los empleados se toman como referencia para calcular una aproximación de los salarios por hora, que luego se deflactan a valores de 2010 según el índice de precios al consumo. La muestra seleccionada consta de empleados a tiempo completo y a tiempo parcial de edades comprendidas entre los 16 y los 64 años.

Al utilizar datos relativos a todo el periodo de referencia, surgen problemas de continuidad debido a las sucesivas modificaciones conceptuales aplicadas en Türkiye a lo largo del tiempo, principalmente la revisión de la clasificación de ocupaciones en 2012. En concreto, se sustituyó la Clasificación Internacional Uniforme de Ocupaciones de 1988 (CIUO-88) por la de 2008 (CIUO-08). Entre 2004 y 2012 había 27 categorías de ocupación al nivel de dos dígitos en la CIUO-88, mientras que de 2012 a 2022 la CIUO-08 contenía 43 categorías. En el año 2012 se dispone de datos correspondientes a ambos sistemas de codificación ocupacional. La reclasificación supuso una notable expansión del empleo en el sector de servicios, con casi un millón de puestos de trabajo adicionales. De este total, 400 000 observaciones se atribuyeron a la categoría de directores y gerentes, y otras 300 000 al grupo de ocupaciones elementales. Sin embargo, este cambio no permite un seguimiento retrospectivo ni prospectivo, ya que la reclasificación solo se define vagamente en el informe que acompaña a la ronda de datos de 2012. En consecuencia, este estudio se centra en el periodo comprendido entre 2012 y 2022.

La información de la encuesta se complementa con otras dos fuentes de datos para determinar el contenido de las tareas: el programa O*NET y el PIAAC. O*NET proporciona información actualizada periódicamente sobre las ocupaciones en los Estados Unidos, y sus datos se han utilizado en numerosos análisis anteriores basados en tareas. Sin embargo, este enfoque presupone que el contenido de las tareas es idéntico en todos los países, lo cual puede resultar problemático en el caso de los países menos desarrollados, que presentan grandes diferencias en cuanto a la productividad laboral, la adopción de tecnología y las calificaciones (Lewandowski et al. 2022; De La Rica, Gortazar y Lewandowski 2020). A fin de superar este inconveniente se utiliza también la base de datos del PIAAC, que incluye una encuesta realizada en 2015 a unas 5 000 personas de entre 16 y 65 años en determinados países, entre ellos Türkiye. La encuesta del PIAAC ofrece un amplio conjunto de datos sobre las características de los trabajadores, como la experiencia informática y el nivel educativo de los padres, que mejoran las estimaciones de puntuación de tareas a nivel individual. Está diseñada para evaluar las principales competencias relativas al tratamiento de la información, como la lectoescritura, el cálculo y la resolución de problemas en entornos muy informatizados. Las medidas de tareas (abstractas, rutinarias y manuales) se estiman con los datos del PIAAC siguiendo la metodología de De La Rica, Gortazar y Lewandowski (2020).

Además, para conocer los avances tecnológicos dentro de las ocupaciones es esencial examinar el nivel de adopción de las TIC. A tal efecto, se utilizan también microdatos exhaustivos por hogares y de nivel individual, procedentes de la encuesta sobre el uso de las TIC realizada por TurkStat entre 2004 y 2022 (TurkStat 2022).

3. Tendencias de polarización del empleo

Como paso previo al análisis, se examinan los patrones de evolución del empleo en el mercado laboral de Türkiye, aplicando una metodología bien establecida (por ejemplo, Autor, Katz y Kearney 2006; Acemoglu y Autor 2011; Goos y Manning 2007; Autor y Dorn 2013), que consiste en clasificar las ocupaciones de dos dígitos en deciles según su mediana salarial por hora.¹

Se clasifica a los trabajadores en orden de menor a mayor salario, asignándoles el nivel de calificación de sus ocupaciones, de poco calificado a muy calificado. Con el fin de evitar sesgos derivados de las categorías ocupacionales con escasa representación, se ordenan las ocupaciones por deciles según su dotación relativa de factor trabajo, cuantificada sobre la base de su contribución al total de horas trabajadas. El gráfico 1 muestra las variaciones en la composición del empleo entre 2012 y 2022 por deciles de la distribución inicial de ingresos. La proporción de empleo aumenta en los deciles más bajos y más altos, mientras que disminuye en los deciles intermedios (del segundo al sexto), describiendo una curva en forma de U que señala la polarización. Esto significa que las ocupaciones de salario medio se han desplazado hacia los extremos o se asignan cada vez más a trabajadores noveles. Aunque la relación entre salarios y niveles de calificación no es perfecta, la tendencia es clara.

Gráfico 1. Variaciones en la composición total del empleo, 2012-2022

Fuente: Cálculos de los autores con datos de la encuesta de población activa de los hogares.

El gráfico 2 ilustra las variaciones en la composición del empleo por sexo. En cada decil se calcula la variación porcentual atribuible a hombres y mujeres. A lo largo del periodo, los cambios en la proporción de empleo femenino describen una curva en forma de U. El aumento de la representación femenina en el extremo inferior de la distribución de calificaciones corresponde exclusivamente al sector de servicios de gama baja, que son sustitutos cercanos de las actividades de producción doméstica, como el cuidado de personas, la limpieza y la cocina. Esto indica que la participación laboral de las mujeres es un importante factor que genera polarización del empleo. En el segmento superior de la distribución salarial también aumenta la proporción de empleo femenino, debido a la creciente proporción de mujeres muy calificadas como resultado de sus logros educativos.

Gráfico 2. Variaciones en la composición del empleo por sexo, 2012-2022

Fuente: Cálculos de los autores con datos de la encuesta de población activa de los hogares.

Puede ser útil examinar el grado de adopción de las TIC para investigar si el progreso tecnológico influye en las ocupaciones. A partir de la encuesta sobre el uso de las TIC realizada por TurkStat, se obtiene una variable sustitutiva que permite evaluar la penetración de las TIC en el conjunto de la población. Los datos muestran un notable aumento de la adopción de las TIC a lo largo del tiempo. En 2022, aproximadamente el 80 por ciento de la población eran usuarios declarados de internet. Esta tendencia podría reestructurar la composición de tareas de las ocupaciones e influir en la dinámica del empleo. En concreto, según los datos analizados, el uso de internet en Türkiye se multiplicó por más de seis entre 2004 y 2022, y se triplicó entre 2012 y 2022.

4. Cálculo del contenido de las tareas

Los índices de tareas se construyen con las bases de datos de O*NET y del PIAAC. Estas fuentes difieren en dos aspectos fundamentales. En primer lugar, O*NET proporciona el contenido de las tareas por ocupaciones, mientras que el PIAAC permite calcular medidas de tareas por trabajadores, en función de las respuestas a preguntas individuales relacionadas con el trabajo. En segundo lugar, O*NET es un reflejo del mercado laboral estadounidense, en tanto que el PIAAC proporciona datos de varios países, entre ellos Türkiye, lo que permite captar las diferencias de contenido de tareas entre las distintas ocupaciones según las experiencias de los trabajadores locales. Autor y Handel (2013) destacan el valor de los datos sobre los trabajadores y señalan la existencia de variaciones significativas en las tareas dentro de una misma ocupación. Por este motivo, el PIAAC parece ser una fuente más adecuada que O*NET para el presente análisis. Además, Lewandowski et al. (2022) constatan que las medidas de las tareas varían de un país a otro y dependen de factores como la tecnología, la oferta de calificaciones y la estructura económica, lo que subraya la necesidad de tener en cuenta las especificidades del mercado laboral de Türkiye.

En la línea de Acemoglu y Autor (2011), se utiliza O*NET para construir índices de tareas uniformes. Las medidas se validan mediante el cálculo de cinco tipos de tareas (analíticas cognitivas no rutinarias, interactivas cognitivas no rutinarias, cognitivas rutinarias, manuales rutinarias y manuales no rutinarias) según los datos de O*NET y del PIAAC. Los resultados se comparan en un cuadro de correlaciones por pares. La codificación ocupacional de O*NET, basada en la Standard Occupational Classification, se armoniza con la CIUO-08 mediante una correspondencia cruzada de datos formulada por Hardy, Keister y Lewandowski (2018). Esta correspondencia relaciona sistemáticamente los valores de O*NET con la taxonomía de la CIUO-08, creando una matriz de elementos de tareas por cada ocupación al nivel de cuatro dígitos de la CIUO-08. A continuación, se aplica un algoritmo de división entera para promediar estos valores, lo que permite fusionar los elementos de las tareas de O*NET con la estructura de la CIUO-08 utilizada en la encuesta de población activa de los hogares de Türkiye.

Se construyen medidas de contenido de tareas siguiendo la taxonomía de tareas elaborada por Acemoglu y Autor (2011). El procedimiento consiste en agrupar 16 elementos de tareas en cinco medidas compuestas estandarizadas. El cálculo de cada medida compuesta resulta de la suma de los 16 elementos preestandarizados, que se estandarizan de nuevo para obtener un promedio de 0 y una desviación típica de 1 en cada medida. La estandarización es esencial para asegurar la comparabilidad entre las medidas, dada la variación en el número de elementos de tareas utilizados para calcular cada medida compuesta. A continuación, se construye una matriz de medidas compuestas de tareas por ocupación, donde cada ocupación j en el año t está representada por el vector de tareas X_jt, con valores de intensidad de tarea para cada una de las cinco medidas compuestas. La estructura se muestra en el vector de la ecuación (1):

$X_{\mathit{\text{jt}}}=\left[X_{\mathit{\text{jt}}}^{\mathit{\text{ACNR}}},X_{\mathit{\text{jt}}}^{\mathit{\text{ICNR}}}, X_{\mathit{\text{jt}}}^{\mathit{\text{CR}}}, X_{\mathit{\text{jt}}}^{\mathit{\text{MR}}},X_{\mathit{\text{jt}}}^{\mathit{\text{MNR}}}\right]$       (1)

donde $X_{\mathit{\text{jt}}}^{\mathit{\text{ACNR}}}$ representa las tareas analíticas cognitivas no rutinarias; $X_{\mathit{\text{jt}}}^{\mathit{\text{ICNR}}}$ , las tareas interactivas cognitivas no rutinarias; $X_{\mathit{\text{jt}}}^{\mathit{\text{CR}}}$ , las tareas cognitivas rutinarias; $X_{\mathit{\text{jt}}}^{\mathit{\text{MR}}}$ , las tareas manuales rutinarias; y $X_{\mathit{\text{jt}}}^{\mathit{\text{MNR}}}$ , las tareas manuales no rutinarias. También se combinan estas cinco medidas de tareas iniciales en tres agregados de tareas: la «medida de tareas abstractas», que abarca las tareas interactivas no rutinarias y las tareas analíticas cognitivas no rutinarias; la «medida de tareas rutinarias», que incluye las tareas cognitivas rutinarias y las tareas manuales rutinarias; y la «medida de tareas manuales», que agrupa las tareas manuales no rutinarias.

Se aplica una metodología similar para calcular las medidas de tareas utilizando los datos del PIAAC, en la línea de De La Rica, Gortazar y Lewandowski (2020), autores que toman 12 elementos del PIAAC para crear tres categorías de tareas: abstractas, rutinarias y manuales. Las medidas de tareas de O*NET basadas en el PIAAC por trabajadores se promedian por ocupaciones para compararlas con las medidas de O*NET. También se calcula un índice de intensidad de tareas rutinarias (routine task intensity, RTI) restando las medidas abstractas y manuales de la medida rutinaria por ocupaciones para ambas fuentes de datos, PIAAC y O*NET. A continuación, las medidas del índice RTI se normalizan entre 0 y 1 con fines comparativos. Se aplica la ecuación (2) para construir las intensidades de tareas rutinarias:

$\mathit{\text{RTI}}=\mathit{\text{ln}}(T^R)-\mathit{\text{ln}}(T^A)-\mathit{\text{ln}}(T^M)$       (2)

donde T^R, T^A y T^M simbolizan las tareas rutinarias, abstractas y manuales, respectivamente. La medida sintética obtenida, RTI, guarda una correlación positiva con las tareas rutinarias y una correlación negativa con las tareas abstractas y manuales de una ocupación. Es decir, los valores positivos de RTI representan un mayor contenido de tareas rutinarias dentro de una ocupación.

El gráfico 3 muestra cómo varía la composición del empleo en los distintos tipos de tareas de las industrias manufactureras, los servicios y la economía en general (incluida la construcción). Se asocia cada ocupación con su tarea más prevalente para hacer este seguimiento. Las tendencias observadas en el conjunto de la economía coinciden en gran medida con las de las industrias manufactureras y los servicios, a pesar de las variaciones en los porcentajes de tareas. Las tareas manuales rutinarias son más frecuentes en las industrias manufactureras, donde alcanzan casi el 50 por ciento del empleo en promedio, frente a solo el 10 por ciento en los servicios. Las tareas manuales predominan en el sector servicios, donde representan del 50 al 40 por ciento a lo largo del periodo pero tienden a disminuir, mientras que su proporción es aproximadamente del 30 por ciento en las industrias manufactureras. El aumento de la proporción global de tareas manuales puede atribuirse al creciente peso del sector servicios en la economía. Por lo tanto, la disminución de las tareas manuales en los servicios contribuye al descenso de esa categoría de tarea en el conjunto de la economía.

Gráfico 3. Proporción de empleo por tipos de tarea y por sectores, 2012-2022

Fuente: Cálculos de los autores con datos de la encuesta de población activa de los hogares y el PIAAC.

En el gráfico 3 se observa también un aumento de la proporción de tareas abstractas en la economía y en los dos sectores analizados. Esto es consecuencia del aumento del empleo en el sector servicios, consistente principalmente en tareas interactivas, un componente de las tareas abstractas que comprende elementos interpersonales y analíticos. Además, se observa un trasvase de empleo de aproximadamente 6 a 8 puntos porcentuales desde las tareas manuales hacia las abstractas, mientras que las tareas cognitivas rutinarias permanecen relativamente estables y las tareas manuales rutinarias disminuyen a partir de 2016. El declive en las tareas cognitivas rutinarias es mínimo en ambos sectores, aunque más pronunciado en las industrias manufactureras. A pesar de que el aumento del empleo de tareas abstractas parece poco importante en el sector servicios, la proporción correspondiente en el conjunto de la economía ha crecido de forma más significativa. Esto indica que, debido al cambio estructural, la economía se ha orientado hacia los servicios y está cada vez más condicionada por la evolución de este sector. El patrón general de aumento de la proporción de tareas abstractas y disminución de la proporción de tareas manuales rutinarias se ha observado también en Portugal (Fonseca, Lima y Pereira 2018), y más recientemente en el Japón (Kikuchi, Fujiwara y Shirota 2024). Los dos estudios citados aplican un marco analítico similar al del gráfico 3 al presentar la composición por tareas.

Asimismo, se examinan las variaciones en la proporción de factor trabajo mediante la clasificación de las ocupaciones según la intensidad de sus tareas, lo cual posibilita el análisis de las variaciones en la composición del empleo asociadas al posicionamiento de una ocupación en la clasificación de tareas abstractas, rutinarias y manuales. En el gráfico 4 cada ocupación se clasifica según su intensidad en tareas abstractas, rutinarias y manuales, y el eje de abscisas indica la intensidad de las tareas. Se aplica una regresión de suavizado ponderada localmente (ancho de banda = 0,8) para determinar las tendencias en la proporción de factor trabajo con respecto a la clasificación de intensidad de cada tarea.

Gráfico 4. Variaciones en la composición del empleo por ocupación según los índices de intensidad de tareas, 2012-2022

Fuente: Cálculos de los autores con datos de la encuesta de población activa de los hogares y el PIAAC.

Se observa una asociación positiva entre las ocupaciones con mayor intensidad de tareas abstractas y la proporción de factor trabajo. En cambio, esta proporción desciende en las ocupaciones con valores más altos en el índice RTI. Cabe concluir que ha habido un trasvase en el mercado laboral a favor de los empleos que requieren altos niveles de intensidad de tareas abstractas, al tiempo que los puestos con altos niveles de RTI han quedado en desventaja a lo largo del periodo. Este contraste es una evidencia de polarización, al haberse contraído el empleo en ocupaciones rutinarias, situadas normalmente en el centro de la distribución de calificaciones.

El gráfico 5 describe las variaciones en la composición del empleo por ocupación en todo el espectro del índice RTI de 2012 a 2022, según los datos de O*NET y del PIAAC. El eje de ordenadas indica la variación porcentual del empleo, mientras que el eje de abscisas ordena las ocupaciones por su RTI. Se utilizan splines de mediana para mostrar las tendencias generales, suavizando la influencia de los valores atípicos e indicando la relación entre la proporción de empleo y el valor de RTI. La proporción de empleo aumenta en las ocupaciones con un RTI bajo, pero disminuye hasta valores negativos a medida que aumenta el RTI. Este contraste es evidente sobre todo en los datos del PIAAC, mientras que los datos de O*NET muestran un aumento temporal de la proporción de empleo entre el sexto y el octavo decil de la distribución de RTI, antes de descender a valores negativos. Los requisitos de tareas del PIAAC parecen reflejar mejor el contexto del mercado laboral de Türkiye, especialmente si se tienen en cuenta otros indicadores de polarización.

Gráfico 5. Variaciones en la composición del empleo por ocupación según el índice de intensidad de tareas rutinarias, 2012-2022

Fuente: Cálculos de los autores con datos de la encuesta de población activa de los hogares, O*NET y el PIAAC.

Aunque se observan avances significativos en el nivel educativo y en la participación laboral de las mujeres durante el periodo analizado, las categorías generales de tareas (abstractas, rutinarias y manuales) no reflejan plenamente esta evolución. Las tareas abstractas suelen requerir estudios universitarios en los que la paridad entre mujeres y hombres es más evidente. Sin embargo, persisten algunas disparidades de género entre ocupaciones. Por ejemplo, los puestos de directores y gerentes y de profesionales de la ingeniería siguen siendo mayoritariamente masculinos, mientras que las funciones profesionales de la salud y la enseñanza están muy feminizadas, lo que crea un desequilibrio en los empleos con intensidad de tareas abstractas. A fin de reflejar mejor las tendencias del mercado laboral de Türkiye es necesario clasificar las tareas de manera más precisa, en categorías como tareas analíticas cognitivas no rutinarias y tareas interactivas cognitivas no rutinarias. Esto podría facilitar la identificación de los medios para lograr una distribución más equilibrada entre mujeres y hombres en las tareas.

Siguiendo la metodología de Lewandowski et al. (2022), se formulan cuatro medidas de tareas distintas a partir de la base de datos del PIAAC. La medida analítica cognitiva no rutinaria incluye tareas como la lectura de artículos periodísticos y de revistas profesionales, además de la resolución de problemas y la programación. La medida interactiva no rutinaria comprende tareas como la supervisión de otras personas y las exposiciones orales. La medida cognitiva rutinaria engloba actividades consistentes en cambiar el orden de las tareas y rellenar formularios. Por último, la medida de tareas manuales se refiere a las tareas físicas.

En el cuadro 1 se muestran los cambios en la distribución entre hombres y mujeres en las distintas categorías de tareas, lo que pone de relieve las diferencias en la composición de tareas según el sexo. Los datos indican un aumento significativo de la tasa de actividad femenina, del 23,43 por ciento en 2012 al 32,78 por ciento en 2022 (un incremento de 9,35 puntos porcentuales). En el caso de los hombres, las tasas de desempleo y de inactividad disminuyen ligeramente, del 28,21 al 26,50 por ciento, lo que indica una tendencia positiva, aunque menor, de la participación laboral masculina.

La proporción de mujeres en empleos analíticos cognitivos no rutinarios, que era del 1,13 por ciento en 2012, aumentó hasta el 1,58 por ciento en 2022, lo que supone un incremento de 0,45 puntos porcentuales. Esto indica un leve aumento de la proporción de mujeres en puestos analíticos y de resolución de problemas que requieren altas capacidades cognitivas. La proporción de hombres en estas ocupaciones aumentó del 3,28 al 3,53 por ciento en el mismo periodo, mostrando un crecimiento más lento sobre una proporción global sistemáticamente más alta.

En los empleos interactivos cognitivos no rutinarios, la representación femenina creció significativamente del 7,08 por ciento en 2012 al 10,49 por ciento en 2022 (3,41 puntos porcentuales). Esta evolución obedece a una mayor participación femenina en funciones interactivas de dirección y gerencia y ocupaciones profesionales de la salud, entre otros. La proporción de hombres en estas funciones aumentó más moderadamente, del 14,54 al 16,77 por ciento (2,23 puntos porcentuales), pero siguió siendo superior a la de las mujeres.

La proporción de mujeres en empleos cognitivos rutinarios aumentó del 3,43 al 4,85 por ciento (1,42 puntos porcentuales), como resultado de un crecimiento del empleo femenino en funciones rutinarias que requieren capacidades cognitivas. También aquí el aumento fue más modesto en el caso de los hombres, cuya proporción pasó del 19,59 al 20,17 por ciento, aunque siguió siendo dominante en esta categoría.

En los puestos manuales no rutinarios, la representación de las mujeres aumentó considerablemente, del 11,79 al 15,87 por ciento (4,08 puntos porcentuales), un claro indicador de una mayor participación femenina en las funciones de naturaleza práctica. En cambio, la proporción de hombres en estas ocupaciones disminuyó ligeramente, del 34,40 al 33,02 por ciento, aunque también se mantuvo elevada en esta categoría.

5. Evolución ocupacional e intensidad de tareas a lo largo del tiempo

La polarización del empleo puede tener su origen en fuerzas intrasectoriales o intersectoriales. La adopción de tecnología en las empresas de un mismo sector (Goos, Manning y Salomons 2014) sirve para sustituir tareas laborales rutinarias, según un proceso que entraña una reducción de la demanda de trabajadores rutinarios y una polarización de la fuerza de trabajo sectorial. La intensidad rutinaria de las ocupaciones varía de un sector a otro, de tal modo que los cambios sectoriales repercuten también en la composición agregada del empleo por ocupación. Por ejemplo, en comparación con los servicios, la dependencia de las ocupaciones rutinarias en las industrias manufactureras puede amplificar la polarización si los sectores con gran intensidad de tareas rutinarias disminuyen, al tiempo que crecen los sectores intensivos en tareas manuales o abstractas. Sin embargo, si las TIC o la robótica impulsan la polarización al reducir las tareas rutinarias en todos los sectores, cabe esperar que las variaciones intrasectoriales sean más determinantes en los trasvases de empleo que los factores intersectoriales.

Se analiza este aspecto mediante una descomposición sectorial. Con este fin, se realiza una descomposición del cambio para comprobar si las variaciones sectoriales explican la polarización del empleo. El cambio global de cada ocupación j en la proporción de empleo durante el periodo t puede expresarse como la ecuación (3):

$\begin{array}{l}\Delta E_{\mathit{\text{jt}}}={\displaystyle \sum _k}\hspace{0.17em}\hspace{0.17em}\Delta E_{\mathit{\text{kt}}}{\lambda }_{\mathit{\text{jk}}}+{\displaystyle \sum _k}\hspace{0.17em}\hspace{0.17em}\Delta {\lambda }_{\mathit{\text{jkt}}}{E}_k\\ \equiv \Delta E_t^B+\hspace{0.17em}\hspace{0.17em}\Delta E_t^W\end{array}$       (3)

donde ΔE_jt denota la variación de la proporción global de empleo en la ocupación j durante el periodo t. $\Delta E_t^B$ representa la variación de la proporción de empleo en la ocupación j, que se atribuye a los cambios en la composición sectorial o a los cambios en la estructura sectorial de la economía. El término $\Delta E_t^W$ presenta las variaciones en la proporción de empleo de la ocupación j correspondientes a los cambios intrasectoriales, es decir, los cambios en la prevalencia de las diferentes ocupaciones dentro de un mismo sector. De este modo, se obtiene $\Delta E_{\mathit{\text{kt}}}= E_{k{t}_1}-E_{k{t}_0}$ , que corresponde a la variación de la proporción de empleo en el sector k durante el periodo comprendido entre t₀ y t₁. $E_{\mathit{\text{kt}}}=(E_{k{t}_1}+E_{k{t}_0})\text{/}2$ es la proporción media de empleo del sector k a lo largo del periodo t; $\Delta {\lambda }_{\mathit{\text{kt}}}={\lambda }_{\mathit{\text{kt}}}{ }_{{ }_1}-{\lambda }_{\mathit{\text{kt}}}{ }_{{ }_0}$ es la variación de la proporción de empleo de la ocupación j en el sector k durante el mismo periodo; y ${\lambda }_{\mathit{\text{jkt}}} = ({\lambda }_{\mathit{\text{jkt}}}{ }_{{ }_1}+{\lambda }_{\mathit{\text{jkt}}}{ }_{{}_0})\text{/}2$ es la proporción media de empleo de la ocupación j en el sector k durante el periodo t.

A fin de estimar el cambio ocupacional tal como se define en la ecuación (3), se utilizan los datos de la encuesta de población activa de los hogares, estructurados según las clasificaciones de segundo nivel de la NACE,² que comprende 88 divisiones identificadas por códigos numéricos de dos dígitos (01 a 99). Como es práctica común en la bibliografía (Fonseca, Lima y Pereira 2018), primeramente se agregan estas divisiones en 21 secciones. A continuación, se agrupan estas secciones en un conjunto más amplio de sectores que se adaptan mejor a la metodología utilizada. Este enfoque permite identificar de forma coherente nueve categorías de ocupación en el nivel de un dígito, excluyendo las ocupaciones agrícolas. Los grupos de ocupaciones se ordenan en sentido descendente según el salario medio. En el cuadro 2 se resumen los resultados de las variaciones intra- e intersectoriales en la proporción de empleo por grupos de ocupaciones durante el periodo analizado.

Durante el periodo comprendido entre 2012 y 2022, aumentó considerablemente la proporción de ocupaciones de directores y gerentes y de profesionales científicos e intelectuales (niveles 1 y 2 de la CIUO-08), impulsada por los sectores más dependientes de esas funciones. Este aumento coincide con una mayor intensidad de empleo en dichos sectores, como se muestra en el cuadro 2. En cambio, la proporción de técnicos y profesionales de nivel medio (nivel 3 de la CIUO-08) y de personal de apoyo administrativo (nivel 4 de la CIUO-08) disminuyó, en gran medida como consecuencia de los cambios intrasectoriales y de la menor demanda de tareas rutinarias. El empleo de trabajadores de los servicios y vendedores de comercios y mercados (nivel 5 de la CIUO-08), que implica tareas físicas no rutinarias, creció durante este periodo. Paralelamente, disminuyó sustancialmente el empleo en ocupaciones manuales dedicadas a funciones operativas y de producción, sobre todo en el caso de los oficiales, operarios y artesanos de artes mecánicas (nivel 7 de la CIUO-08) y los operadores de máquinas (nivel 8 de la CIUO-08). La reducción de las ocupaciones de los niveles 7 y 8 de la CIUO-08 se explica por cambios intrasectoriales que han reducido la necesidad de tareas manuales rutinarias. La evolución observada en las ocupaciones elementales (nivel 9 de la CIUO-08) refleja también las tendencias generales del mercado laboral, que avanza hacia una reducción de las tareas rutinarias en favor de funciones más calificadas.

Estos patrones ponen de relieve el impacto del cambio tecnológico y de las transformaciones económicas estructurales en la composición del empleo, una relación que se analiza más adelante. Reijnders y de Vries (2018) también indican que el cambio tecnológico impulsó trasvases de empleo en Türkiye durante el periodo de 1999 a 2007, y que estas tendencias persisten a tenor de los datos sobre adopción de tecnología. Más allá de los factores nacionales, el comercio internacional y la integración de las cadenas de valor mundiales también determinan los patrones de empleo sectorial. Dine (2019) concluye que la participación de Türkiye en las cadenas de valor mundiales influye significativamente en el empleo a través de las concatenaciones regresivas y progresivas, y que los cambios estructurales en esas cadenas afectan a diversos sectores. Señala asimismo que la integración de los sectores de servicios en estas cadenas tiende a reducir el número de puestos de trabajo.

Del análisis expuesto se desprenden varias conclusiones robustas en relación con las tendencias de la composición del empleo por ocupaciones. En primer lugar, los trasvases de empleo se producen mayoritariamente dentro de un mismo sector y no entre sectores. Las fuerzas sectoriales —como la automatización, la digitalización y los avances tecnológicos específicos de una determinada ocupación— son los principales factores que impulsan la reestructuración del mercado laboral, eclipsando los movimientos intersectoriales de mayor amplitud. Sin embargo, como ya se ha señalado, es posible que los trasvases de empleo intrasectoriales no se deban únicamente a factores internos del país. También pueden verse influidos por fuerzas externas, como la dinámica del comercio internacional y la integración en las cadenas de valor mundiales. En segundo lugar, se observa un pronunciado descenso de las ocupaciones rutinarias en relación con las no rutinarias, lo que agrava la polarización del mercado laboral. Esta tendencia ha mermado los puestos de trabajo de nivel medio y ha intensificado la pérdida de oportunidades de empleo, lo que contribuye a la creciente desigualdad salarial. En tercer lugar, el descenso del empleo de carácter rutinario no afecta a un único tipo de actividad, sino que abarca seis categorías de ocupación distintas. Se trata de una transformación sistémica de toda la economía. Este cambio estructural guarda relación con cambios más profundos en los procesos de producción, las prácticas organizativas y la demanda de calificaciones, antes que con perturbaciones temporales o específicas de un sector. Por último, la evolución del empleo intersectorial se debe en gran medida a una transición de los puestos de trabajo en el sector manufacturero a los del sector servicios. A medida que el empleo se ha contraído en las ocupaciones manufactureras de salarios más bajos, se ha expandido en el sector servicios, sobre todo en sectores como el comercio al por menor, la hostelería y la atención de la salud. Esta dinámica pone de relieve la naturaleza precaria del trabajo mal remunerado, en el que la disponibilidad de empleo puede persistir sin mejoras significativas en los salarios o las condiciones de trabajo.

6. Descomposición demográfica de las tareas

El periodo analizado coincide con notables cambios demográficos en la población activa, caracterizados por tres tendencias fundamentales: el aumento del nivel educativo medio, el incremento de la participación laboral femenina (posiblemente asociado a una distribución más equilibrada de las oportunidades educativas) y el envejecimiento de la población ocupada. Estos cambios, unidos a la diversidad demográfica observada entre ocupaciones, exigen un análisis detallado para comprender los factores subyacentes. La expansión de las ocupaciones abstractas y manuales, frente a la contracción de las ocupaciones rutinarias, puede estar relacionada con estos cambios demográficos, en el sentido de que la probabilidad de empleo en esas funciones viene determinada por las características demográficas. En conjunto, estas tendencias ilustran la dinámica económica que está reestructurando las oportunidades del mercado laboral para segmentos específicos de la población.

Se descompone la muestra en 24 grupos demográficos basados en criterios de edad, educación y sexo. Siguiendo la metodología de Cortes, Jaimovich y Siu (2017), se categoriza la muestra en tres grupos etarios (15-29, 30-44 y 45-64), cuatro niveles educativos (educación primaria e inferior, educación secundaria baja, educación secundaria alta y educación universitaria) y dos sexos (mujeres y hombres). Además, se definen cuatro categorías de ocupaciones basadas en las tareas dominantes: cognitivas no rutinarias, interactivas no rutinarias, cognitivas rutinarias y manuales no rutinarias, además de una categoría para las personas desempleadas o inactivas.

Se representa la proporción de la población activa en uno de estos estados j en el momento t como ${ \overline{\pi }}_t^j$ , lo que puede expresarse mediante la ecuación (4):

${ \overline{\pi }}_t^j={\displaystyle \sum _g}\hspace{0.17em}\hspace{0.17em}{w}_{\mathit{\text{gt}}}{\pi }_{\mathit{\text{gt}}}^j$       (4)

donde w_gt representa la proporción de la población en el grupo demográfico g en el momento t, y ${\pi }_{\mathit{\text{gt}}}^j$ simboliza la proporción del grupo demográfico g en el estado j en el momento t. Las variaciones de la proporción de la población en el estado j pueden descomponerse mediante las ecuaciones (5) y (6):

${\overline{\pi }}_1^j-{\overline{\pi }}_0^j={\displaystyle \sum _g}\hspace{0.17em}\hspace{0.17em}{w}_{g1}\hspace{0.17em}{\pi }_{g1}^j-{\displaystyle \sum _g}\hspace{0.17em}\hspace{0.17em}{w}_{g0}{\pi }_{g0}^j$       (5)

Al seguir descomponiendo la ecuación (5) se obtiene:

${\overline{\pi }}_1^j-{\overline{\pi }}_0^j={\displaystyle {\sum }_g^{ }\Delta w_{g1}{\pi }_{g0}^j}+{\displaystyle {\sum }_g^{ }{w}_{g0}\hspace{0.17em}\Delta {\pi }_{g1}^j+}\hspace{0.17em}{\displaystyle {\sum }_g^{ }\Delta w_{g1}{\pi }_{g1}^j}$       (6)

El primer término, ${\displaystyle {\Sigma }_g \hspace{0.17em}\Delta w_{g1}{\pi }_{g0}^j}$ , representa el tamaño del grupo o el efecto composición. Refleja el impacto de los cambios en las proporciones de los grupos demográficos a lo largo del tiempo, manteniendo constante la estructura demográfica del estado j en el nivel de referencia. El segundo término, ${\displaystyle {\Sigma }_g^{ }\hspace{0.17em}{w}_{g0}\Delta {\pi }_{g1}^j}$ , es el efecto propensión, que indica los cambios en la proporción de individuos dentro de los grupos en el estado j. El último término, ${\displaystyle {\Sigma }_g^{ }\hspace{0.17em}\Delta w_{g1}{\pi }_{g1}^j}$ , es el efecto interacción, que permite captar la evolución conjunta del cambio demográfico y el cambio de propensión.

El efecto composición se refiere a la influencia de los cambios de composición demográfica en las tendencias del empleo. Más concretamente, permite estudiar cómo afectan las variaciones en los perfiles de edad, nivel de estudios y sexo a la distribución del empleo por ocupaciones. El efecto propensión se refiere a la evolución de la probabilidad de que los individuos pertenecientes a grupos demográficos específicos trabajen en determinadas ocupaciones a lo largo del tiempo. A diferencia del efecto composición, que se centra en el tamaño de estos grupos, el efecto propensión atañe a los cambios de preferencias ocupacionales. Se mide manteniendo constantes las proporciones de población de todos los grupos demográficos en un nivel de referencia, pero observando los cambios en las propensiones específicas de cada grupo.

En el cuadro 3 se presenta la descomposición de los cambios en la proporción de empleo por categorías de ocupación de 2012 a 2022. Se distinguen varias categorías de ocupaciones (analíticas cognitivas no rutinarias, interactivas cognitivas no rutinarias, cognitivas rutinarias, manuales no rutinarias), junto a la categoría de individuos que no trabajan (desempleados o inactivos) de edades comprendidas entre los 16 y los 64 años. Las dos primeras columnas muestran la proporción de empleo en estas categorías en 2012 y 2022. Las columnas (4) a (6) recogen los resultados de la descomposición, desglosados en tres efectos: composición, propensión e interacción.

Aproximadamente un 6 por ciento de la población que estaba desempleada o inactiva en 2012 pasó a tener un empleo remunerado en el decenio siguiente, y la proporción disminuyó del 53,0 por ciento en 2012 al 47,1 por ciento en 2022. Es previsible que este crecimiento del empleo altere la composición de las tareas, junto con posibles trasvases de empleo entre ocupaciones que exigen diferentes conjuntos de calificaciones. Los datos indican un notable incremento del empleo, de aproximadamente un 2,9 por ciento, en ocupaciones interactivas cognitivas no rutinarias. Estas funciones, como la gestión, la docencia, la atención de la salud, el trato directo con el público y los servicios jurídicos, suelen exigir niveles educativos más elevados y sólidas aptitudes interpersonales. El aumento de la intensidad de las tareas interpersonales no rutinarias coincide con las tendencias observadas en numerosos países desarrollados y en desarrollo, según señalan Caunedo, Keller y Shin (2023).

El segundo mayor aumento del empleo corresponde a las ocupaciones manuales no rutinarias, que registran un incremento aproximado del 1,5 por ciento. Estas funciones implican tareas físicas que dependen menos de la rutina, como la construcción y las tareas manuales de carácter general. Las ocupaciones cognitivas rutinarias registran un ligero aumento de un 1,1 por ciento, mientras que las funciones analíticas cognitivas no rutinarias tan solo aumentan un 0,4 por ciento. Estas tendencias reflejan cambios más amplios en el mercado laboral, impulsados por la evolución de la demanda de calificaciones y las estructuras ocupacionales. Caunedo, Keller y Shin (2023) constatan asimismo que la proporción de empleo por ocupación y el contenido de las tareas determinan conjuntamente la evolución de las estructuras del empleo en los distintos países.

En el caso de las ocupaciones analíticas cognitivas no rutinarias, el aumento se debe principalmente a un efecto composición positivo (+1,0), que indica un crecimiento de los grupos demográficos aptos para ejercer estas funciones. Sin embargo, los efectos propensión (–0,5) e interacción (–0,2) negativos provocan una ligera disminución de la probabilidad de empleo, lo que reduce la proporción global de personas ocupadas en esas categorías. En cambio, el aumento del empleo en ocupaciones interactivas cognitivas no rutinarias se explica por un fuerte efecto composición (+4,5), como resultado de un crecimiento significativo en los grupos demográficos pertinentes. Sin embargo, el efecto propensión negativo (–1,1) y una ligera reducción del efecto interacción negativo (–0,6) reducen la probabilidad de empleo en estas ocupaciones.

En cuanto a las ocupaciones cognitivas rutinarias, el leve aumento de la proporción de empleo se debe a efectos composición (+0,5) y propensión (+0,3) positivos, como resultado de un crecimiento de los grupos demográficos pertinentes y de su probabilidad de estar ocupados. Un pequeño efecto interacción positivo (+0,2) refuerza esta tendencia. En cambio, el aumento de la participación laboral en ocupaciones manuales no rutinarias es fruto de un fuerte efecto propensión positivo (+4,2), que evidencia una mayor probabilidad de trabajar en esas funciones, a pesar del efecto composición negativo (–3,3) que indica una contracción en la base demográfica para esas ocupaciones.

El cuadro 1 aporta más información sobre estos resultados. El empleo femenino se concentró predominantemente en las ocupaciones interactivas cognitivas no rutinarias y en las ocupaciones manuales no rutinarias, cuyo crecimiento aproximado fue del 3,4 y el 4,1 por ciento, respectivamente, y que en conjunto representaban el 80 por ciento de todo el empleo femenino en 2022. Estas tendencias concuerdan con los resultados de la descomposición, especialmente el efecto propensión positivo en las ocupaciones manuales no rutinarias, un cambio impulsado principalmente por el aumento de la tasa de actividad femenina. El cuadro 1 también pone de relieve un descenso de la proporción masculina en las ocupaciones manuales no rutinarias, lo que subraya aún más el papel fundamental de las mujeres como motor de crecimiento del empleo en este sector.

Respalda esta interpretación la tendencia descrita en el gráfico 2, según la cual la proporción de empleo femenino aumenta de forma más acusada en los dos extremos de la distribución salarial. Las ocupaciones interactivas cognitivas no rutinarias, situadas en el extremo superior de la escala salarial, absorben a muchas mujeres con estudios superiores que se incorporan por primera vez al mercado de trabajo. En cambio, las ocupaciones manuales no rutinarias, que se concentran en el extremo inferior de la distribución salarial y consisten en tareas como cocinar, cuidar y limpiar, atraen a una parte considerable de las trabajadoras que inician su vida laboral, sobre todo a las que tienen un nivel educativo más bajo. Esta dinámica se refleja en el aumento desproporcionado del empleo femenino en los dos deciles inferiores de la distribución salarial.

En conjunto, estos resultados ponen de relieve el doble impacto del cambio demográfico. Las ocupaciones interactivas cognitivas no rutinarias y las manuales no rutinarias son determinantes en la dinámica del mercado laboral, como reflejo de tendencias más amplias que subrayan la creciente influencia de la participación laboral femenina, según un patrón bien documentado en la bibliografía. La importancia de las diferencias de sexo en la composición del mercado laboral es un tema que cobra cada vez más relevancia en la bibliografía. El análisis aquí expuesto enmarca el presente estudio en una línea bibliográfica más amplia que tiene en cuenta otros factores, aparte de la hipótesis de la rutinización, para explicar la polarización del empleo.

7. Análisis econométrico

8. Conclusiones

En este artículo se utilizan microdatos depurados para ofrecer nuevas perspectivas sobre la polarización del empleo en Türkiye desde principios de la década de 2000. A partir de 2012, el crecimiento ha sido notable en las ocupaciones de alta y baja calificación, lo que ha generado un amplio proceso de redistribución del empleo. Ha aumentado la proporción de ocupaciones abstractas bien remuneradas y de ocupaciones manuales de baja remuneración, al tiempo que ha disminuido la proporción de ocupaciones rutinarias de remuneración intermedia. Los datos corroboran la hipótesis de la polarización en el periodo de 2012 a 2022, bajo la influencia de factores como la informatización, el aumento del nivel educativo y la creciente participación laboral femenina. Sin embargo, desde 2016, las políticas activas de salario mínimo han afectado al grado de polarización salarial, que ha estado menos expuesto a las fuerzas del mercado.

A partir de los datos de la encuesta del PIAAC, se ha examinado si la distribución de las tareas que realizan los trabajadores puede explicarse por factores como el capital humano individual, las características demográficas y los requisitos técnicos de la ocupación. Las variables ficticias de educación, significativas en la mayoría de las regresiones, muestran coeficientes que aumentan en términos absolutos con los años de escolarización. Además, los resultados indican que la relación entre el nivel educativo y las categorías de tareas varía en función de la asignación ocupacional. En particular, el nivel educativo de los padres se correlaciona positivamente con las puntuaciones de las tareas abstractas, pero negativamente con las puntuaciones de las tareas rutinarias y manuales. Por lo tanto, es posible que los padres transfieran capital social a sus hijos, lo que supone una menor movilidad ocupacional entre generaciones.

Aunque el análisis se ha centrado en los principales determinantes de las tendencias ocupacionales, es posible que influyan también otros factores como el comercio internacional y la inmigración, que han crecido considerablemente desde mediados de la década de 2010. Sin embargo, las limitaciones de los datos y el periodo de tiempo relativamente corto del estudio han impedido evaluar de manera exhaustiva esos efectos, que se podrían investigar en futuras investigaciones con acceso a datos más amplios.

Las oportunidades de aprendizaje permanente deben ser un objetivo prioritario en las políticas del mercado laboral, de forma que los trabajadores puedan actualizar sus competencias y adquirir otras a lo largo de su trayectoria, facilitando la transición de funciones rutinarias a ocupaciones que requieren capacidades avanzadas. Los responsables políticos también deben promover tecnologías que complementen las capacidades humanas en lugar de sustituirlas. La aplicación de estas soluciones exige una adaptación de las políticas vigentes a las necesidades y recursos locales, junto con una estrecha colaboración entre las administraciones públicas, el sector privado, las instituciones educativas, las organizaciones sindicales y los trabajadores. Estas estrategias deben adecuarse a los contextos nacionales y locales específicos. En lugar de plantearlas como opciones excluyentes, es posible integrar estas medidas en un enfoque más global, que aborde eficazmente la polarización del mercado de trabajo y potencie la movilidad ocupacional.

Conflicto de intereses

Los autores declaran que no incurren en ningún conflicto de intereses con respecto al presente artículo.