Estudios sobre la Economía Española - 2017/23 Herramienta de perfilado de parados: modelización y resultados preliminares

Octubre 2017

Florentino Felgueroso

José Ignacio García-Pérez

Sergi Jiménez-Martín

Lucía Gorjón

Manu García

fedea

Las opiniones recogidas en este documento son las de sus autores y no coinciden necesariamente con las de FEDEA.

Florentino Felgueroso José Ignacio García-Pérez Sergi Jiménez-Martín Lucía Gorjón Manu García

Octubre de 2017

Resumen

En este documento se presentan los detalles técnicos y metodológicos para el desarrollo de una herramienta estadística de perfilado que proporciona un indicador de empleabilidad para cada demandante desempleado y registrado en los servicios públicos de empleo (SPE). Este modelo se basa en la estimación de un modelo de duración para la probabilidad de salir del desempleo a tres horizontes temporales diferentes identificados con el corto, medio y largo plazo. La clasificación de los demandantes en función de su empleabilidad utiliza la posición de los mismos en términos de sus posibilidades de reempleo en cada una de estos tres horizontes laborales. El objetivo de este diagnóstico de empleabilidad es facilitar la gestión de las políticas activas y la asignación de los usuarios de dichas políticas a los itinerarios de inserción más adecuados, usando para ello criterios de eficacia y eficiencia.

Códigos JEL: J64, J68

Palabras Clave: perfilado estadístico de desempleados, empleabilidad, competencias, evaluación de políticas activas,

* Este trabajo forma parte de un proyecto financiado parcialmente por la Fundación Ramón Areces que ha sido posible gracias a los datos aportados por el Ministerio de Empleo y Seguridad Social a través de un convenio con FEDEA

INDICE

1. Introducción......2 2. Datos y variables utilizadas en la estimación del modelo de perfilado......5 2.1. La salida del desempleo al empleo......8 2.2 Definición de demandante desempleado......8 2.3 La salida del desempleo al empleo......9 2.4 La duración del desempleo......14 2.5 Las variables de control......15 3. Metodología para el perfilado estadístico y una primera evaluación de ciertos servicios de empleo......17 3.1 Estimación de la empleabilidad individual......18 3.2 Clasificación de los demandantes por grupos de empleabilidad......19 3.3 Diagnostico Individual en base al análisis del efecto sobre la empleabilidad de cambios en las variables de control......23 3.4. La muestra de estimación......24 3.5. Evaluación general de la capacidad predictiva del modelo......25 4. Resultados y una primera aplicación del perfilado......27 4.1. Los resultados para la muestra nacional......27 4.2 Distribuciones de empleabilidad y características de los grupos de empleabilidad con la muestra nacional......31 4.3. Los resultados de empleabilidad para las CCAA......32 4.4. Bondad de ajuste del modelo......34 5. Orientación......39 5.1 Una primera orientación sobre el tratamiento......39 Orientación profesional......40 Colocación......40 Formación......41 Fomento del empleo......41 5.2 Ejemplos de diagnósticos con muestras de CCAA......41 5.2.1. Hombres de 40-44, Barcelona, 24-35 meses de desempleo, menos de ESO, experiencia en la construcción (colectivo 1)......43 5.2.2. Hombres de 30-34, Huelva, 12-17 meses de desempleo, FP superior. Sin sector definido. (Colectivo 2)......48 5.2.3. Mujeres de 20-24, Las Palmas, 6-11 meses de desempleo, ESO, Hostelería (Colectivo 3)......51 5.2.4. Hombres de 35-39, Tenerife, 6-11 meses de desempleo, ESO, Hostelería (Colectivo 4)......54 6. Conclusiones y agenda......56 Referencias bibliográficas......57 Apéndice A: Resultados de la estimación del modelo a nivel nacional......59 Apéndice B: Resultados de las estimaciones con heterogeneidad inobservable...62

1. Introducción

Las políticas de activación de la mano de obra desempleada han sido centrales en gran parte de los países de la Unión Europea en los últimos años. Estas políticas han consistido, normalmente, en la promoción vía incentivos a la contratación y la asistencia al desempleado en su reciclaje profesional o en la búsqueda de empleo y han tenido el objetivo no solo de conseguir una rápida transición al empleo sino también la de ayudar a evitar situaciones de pobreza y exclusión motivadas por la persistencia en el desempleo o la recurrencia en el mismo (OCDE, 2016). Pero para una correcta asignación de estas políticas a los desempleados se requiere una buena identificación de las necesidades de éstos. El método que la mayoría de países siguen para identificar dichas necesidades así como para medir el nivel de empleabilidad de los desempleados en un momento determinado es lo que se conoce como clasificación o perfilado individual. La reciente crisis económica ha hecho que estos métodos de clasificación de desempleados sean aún más necesarios. Dada la escasez relativa de recursos para las políticas o servicios disponibles al aumentar considerablemente los usuarios de las mismas, se ha hecho más urgente poder clasificar e identificar a aquéllos que se pueden beneficiar en mayor medida de cada uno de estos servicios. Esto ha ayudado a que los instrumentos de perfilado se hayan hecho todavía más utilizados internacionalmente (Rees, Whitworth y Carter, 2014).

La clasificación o perfilado de los demandantes de empleo en distintos grupos se realiza teniendo en cuenta un determinado riesgo de exclusión (por ejemplo de permanecer desempleado más de un cierto periodo de tiempo) o en función de su grado de empleabilidad (tomando como referencia la probabilidad de inserción laboral de los mismos en un plazo determinado). Dada esta clasificación individual, la oficina de empleo puede asignar a los demandantes de empleo a aquellas medidas y servicios que tiene disponibles para atenderles y que pueden beneficiarles en mayor medida. El perfilado es por tanto una herramienta muy útil de cara a facilitar una transición más rápida al empleo, aunque puede también generar ineficiencias si no identifica bien las circunstancias y necesidades concretas de cada grupo de desempleados (Binrose, Barnes, Brown y Hasluck, 2007).

Existen básicamente tres tipos de perfilado según el tipo de modelo o reglas que se utilicen para decidir la clasificación de los desempleados (Rebollo, 2017). Un primer tipo de perfilado, llamado administrativo, se basa en reglas ad-hoc fijadas en función de unas pocas variables individuales (por ejemplo nivel de renta, edad, sexo o duración del desempleo). Este sistema es utilizado en la mayoría de los países como criterio de selección de los beneficiarios de políticas pasivas y su uso extendido se debe a su bajo coste de gestión y su simplicidad. Sin embargo es éste un sistema poco eficiente a la hora de identificar personas con alto riesgo de exclusión o baja empleabilidad. Tiene a su vez un elevado problema de peso muerto en la ejecución de los programas basados en el mismo ya que muchos de los demandantes identificados por este sistema no están bien clasificados por lo que reciben servicios que pueden realmente no necesitar. Un sistema alternativo de perfilado es el basado en el análisis cualitativo de las circunstancias de cada demandante por parte de los asistentes u orientadores laborales de la oficina de empleo a la que están asignados en base a entrevistas individuales o test de comportamiento. Este sistema tiene la ventaja de captar características o habilidades no observables en las estadísticas al uso o en los datos administrativos habitualmente recogidos en las oficinas de empleo. Sin embargo, este sistema es muy costoso y sufre problemas de asimetría de información y sesgos individuales al basar todo el análisis en la visión de un único agente, el orientador del demandante. Finalmente, un tercer método de perfilado que suele ser el más común en la mayoría de países de la Unión Europea es el que se conoce como perfilado estadístico. Este método usa toda la información disponible de forma exhaustiva para estimar un modelo estadístico que permita clasificar a los demandantes en base a un indicador del riesgo que se desea proteger o evitar, o un indicador de empleabilidad que se desea mejorar.

El perfilado estadístico se ha implantado en muchos países, desde EEUU a Australia, pasando por los países escandinavos, Irlanda, Alemania y muchos otros países centroeuropeos y, más recientemente, de Europa Oriental. En muchos de ellos, de hecho, el perfilado estadístico se concibe como una herramienta de apoyo complementaria a los orientadores y no como un substituto para ellos.

El modelo de perfilado desarrollado en este documento se basa en este tercer método de perfilado estadístico. Por tanto, trata de valorar la empleabilidad de los desempleados, entendida como la probabilidad de transitar del desempleo a una situación de empleo en un período de tiempo determinado en función de toda una serie de variables individuales referidas al pasado laboral del desempleado así como a sus circunstancias individuales y familiares. Una vez cuantificado el nivel individual de empleabilidad de cada demandante desempleado, el objetivo final es el de clasificar a los demandantes de acuerdo con su grado de empleabilidad así como de analizar los factores que determinan la empleabilidad y cómo podría mejorarse ésta. Para ello, se analiza qué políticas o servicios de los disponibles en las Oficinas Públicas de Empleo y que pueden ser relacionados con las variables incluidas en el modelo de perfilado estimado ayudan en mayor medida a mejorar la empleabilidad de cada individuo.

En el resto de este documento se presentan los detalles técnicos de la propuesta de perfilado desarrollada por el equipo de investigación de FEDEA, que se enmarca dentro de un modelo más amplio cuyo núcleo es el diagnóstico básico de la empleabilidad de los usuarios de los Servicios Públicos de Empleo (SPE) en España y que esperamos enriquecer en el futuro a partir de una evaluación de los efectos de distintas políticas activas y de los servicios ofrecidos a los desempleados por los SPE.

Como se detalla en Felgueroso et al. (2017), nuestra propuesta consta de tres etapas: un diagnóstico primario en base al modelo de perfilado que utiliza datos administrativos procedentes de los SPE, un diagnóstico detallado que se realizará con datos complementarios obtenidos a partir de cuestionarios y otras fuentes de información, y finalmente una herramienta auxiliar para el diseño de itinerarios personalizados que se basará en los resultados de la evaluación estadística de la eficacia de los servicios ofrecidos por los SPE y de otras políticas activas que buscan mejorar la empleabilidad de los demandantes.

En este documento, se desarrollan los detalles técnicos de implementación, estimación y diagnóstico previo para generar una primera orientación sobre el tipo de servicios u otras políticas activas que mejorarían la empleabilidad de un demandante concreto en la primera etapa de la propuesta detallada antes. Esta primera orientación se obtiene a partir de los efectos marginales que producen cambios en variables explicativas que se pueden asociar con políticas activas. Por ejemplo, la formación complementaria puede ser una de las variables significativas que permiten explicar el nivel de empleabilidad de un demandante. Una política activa que mejore la formación podría generar un efecto positivo sobre la empleabilidad de esta persona. Cuando se produce una mejora significativa en la empleabilidad por medio de un cambio en una o varias de las variables modificables mediante políticas activas, se procede a recomendar un grupo o una combinación de grupos de políticas activas relacionadas con la/las variables que se encuentra mejoran en mayor medida la empleabilidad del individuo o grupo poblacional considerado.

El resto del presente documento tiene la siguiente estructura. En la segunda parte se describen los datos y el procedimiento completo de construcción de las variables necesarias para la estimación del modelo de perfilado. En la tercera parte, se presenta el núcleo de la propuesta a un nivel más avanzado, describiendo también las muestras de estimación utilizadas. En la cuarta parte, se ofrecen y comentan los principales resultados del modelo estimado así como algunas medidas de bondad de ajuste y predicción del modelo. La quinta y última parte se dedica a presentar algunos ejemplos de orientación en base al diagnóstico realizado usando los parámetros estimados en el modelo de perfilado. El documento concluye con una sección de conclusiones obtenidas en base a los resultados del modelo estadístico presentado y del procedimiento de orientación de se deriva del mismo. También se incluyen al final una serie de anexos con definiciones y análisis descriptivos más completos.

2. Datos y variables utilizadas en la estimación del modelo de perfilado

En esta sección del trabajo se presentan las bases de datos y las principales variables utilizadas en la estimación del modelo de perfilado estadístico objeto de este trabajo.

Aunque los modelos de perfilado estadístico al uso (ver Rebollo, 2017) suelen estimar la probabilidad de convertirse en parados de larga duración, en España no parece muy conveniente centrarse solo en este riesgo ya que en la actualidad más de la mitad de la población desempleada ya lleva en desempleo más de 12 meses. Resulta por lo tanto necesario considerar una medida más genérica que pueda calcularse o aplicarse a todos los demandantes y en cualquier momento, y no sólo en el de su inscripción como parados.

El objetivo de esta propuesta es estimar la probabilidad de salir del desempleo hacia el empleo en un período determinado para todos los demandantes parados, independientemente del tiempo transcurrido desde su inscripción. Esta estimación se realiza utilizando las técnicas estadísticas desarrolladas para modelos de duración en tiempo discreto y se repite con horizontes de 3, 6 y 12 meses, que identificaremos, respectivamente, con el corto, medio y largo plazo. La elección de varios horizontes temporales es adecuada en el caso español dados los patrones altamente heterogéneos que habitualmente se observan en la salida del desempleo entre los demandantes registrados en los SPE. En efecto, tal y como se verá más adelante (véase el Gráfico 6), existe una gran heterogeneidad en la duración en el desempleo entre los demandantes de empleo. Esto hace necesario estudiar la salida del desempleo no solo a un corto horizonte temporal, donde básicamente pueden estar saliendo los trabajadores más móviles, o no solo estudiar dicha salida a largo plazo, donde podríamos estar identificando a aquéllos con mayores dificultades para salir del desempleo y por tanto con mayores posibilidades de convertirse en parados de larga duración.

Por tanto, las probabilidades estimadas de salir del desempleo a corto, medio y largo plazo serán los ingredientes principales para construir nuestro indicador de empleabilidad para cada demandante. La estimación de estas probabilidades se realiza utilizando un modelo estadístico que considera que la probabilidad de salida del desempleo al empleo es una función de las características personales del demandante, de sus competencias y experiencia laboral, del tiempo que lleva desempleado y de la evolución prevista del mercado de trabajo al que se dirige.

Los parámetros del modelo, que cuantifican la influencia de las distintas variables explicativas sobre la probabilidad de salir del desempleo, se estiman utilizando de forma exhaustiva la información disponible en una amplia muestra de historiales laborales sobre episodios de salidas del desempleo al empleo basados en datos administrativos registrados en el Sistema de Información de los Servicios Públicos de Empleo (SISPE). Concretamente, se utilizan los ficheros de Demanda, de Prestaciones y de Contratos registrados en los SPE.

Los ficheros de Demandas contienen el universo de los registros administrativos mensuales de demandas de intermediación y otros servicios. Incluyen las características de todos los demandantes así como su situación laboral y administrativa a finales de mes. A partir de los microdatos de estos ficheros se obtiene, por tanto, la situación laboral a fin de mes de los demandantes que será utilizada para generar la variable dependiente en la muestra de estimación, y también los valores de la mayoría de las variables explicativas del modelo de empleabilidad. A partir de estos ficheros se construye el fichero principal o fichero base que se utiliza para estimar el modelo. El formato impuesto por estos ficheros, que reflejan valores a finales de cada mes, es el formato al que se adaptarán los ficheros auxiliares que se unirán al principal.

Los ficheros de Contratos contienen el universo de todos los contratos registrados cada mes. Contienen información sobre las características de los contratos registrados, incluyendo sus fechas de inicio y finalización, el tipo de contrato y ocupación, el sector de actividad de la empresa contratante, etc. La información contenida en estos ficheros se cruza con el fichero base para tener en cuenta la situación relativa de la demanda de trabajo en el ámbito de búsqueda de empleo del demandante (nacional, autonómico, provincial y municipal) para las distintas ocupaciones solicitadas por los demandantes.

Los ficheros de Prestaciones contienen información sobre los Beneficiarios y/o Perceptores de Prestaciones en cada mes y los movimientos de alta, renovación y baja. Esta información se une al fichero base para disponer de información más detallada sobre las prestaciones que ha percibido el demandante.

En la versión del modelo cuyos resultados se presentan en este documento, los parámetros del modelo son estimados con los datos procedentes de estos ficheros para el período comprendido entre septiembre de 2014 y octubre de 2016. La muestra inicial, de la que se selecciona una submuestra de acuerdo a los criterios explicados más adelante, está constituida por todos los demandantes de 16 a 64 años que han estado en situación de desempleo en alguno de los fines de mes de este período.

2.1. La salida del desempleo al empleo

La variable de referencia que se utiliza para medir la empleabilidad es si la persona desempleada ha salido de esta situación para incorporarse a una situación de empleo en un período determinado. A efectos del perfilado nos basamos en una definición extendida de paro construida en base a los datos de demanda y contratos. En concreto, consideramos como desempleados a todas aquellas personas que estando dados de alta como demandantes de empleo, estén disponibles para trabajar y no tengan ninguna relación laboral. Excluimos, por lo tanto, los demandantes que no están pendientes de intermediación y a aquéllos con disponibilidad limitada o que ya tienen una relación laboral o están registrados como trabajadores eventuales agrarios subsidiados. De esta forma, la definición de desempleo considerada aquí añade a la más común definición de paro registrado a aquellos demandantes que buscan un empleo específico y aquellos otros demandantes no ocupados y que buscan un empleo con características especiales (empleo coyuntural, empleo a jornada inferior a 20 horas semanales, etc.). A continuación, y a lo largo de este estudio, se considerará como persona desempleada, por tanto, a toda persona cuya situación laboral y administrativa se ajuste a esta definición. En el Gráfico 1 se presenta una relación detallada de los tipos de demandantes incluidos y excluidos de esta definición extendida de desempleo.

2.2 Definición de demandante desempleado

En el Gráfico 2 se muestra la evolución del número de demandantes desempleados con esta definición extendida y con la definición usual de paro registrado a finales de mes para el periodo considerado en este apartado. Como es natural, tanto la magnitud del desempleo extendido como su evolución dependen esencialmente del paro registrado: el 95% de los demandantes incluidos en el desempleo extendido proceden del colectivo de paro registrado pero los colectivos incluidos en esta definición ampliada son importantes para los objetivos de perfilado ya que incluyen a demandantes potencialmente importantes para los SPE en términos de inserción laboral y de asignación de políticas activas.

Gráfico 2: Demandantes en alta, paro registrado y desempleados (ESPAÑA, finales de mes, enero 2011-enero 2017)

2.3 La salida del desempleo al empleo

Cada mes se producen cientos de miles de entradas y salidas del desempleo. El Gráfico 3 muestra la evolución de estas entradas y salidas, cuando se comparan las situaciones entre los finales de dos meses consecutivos. El promedio anual de estas salidas se situó en enero de 2017 en unas 475 mil personas frente a un total de 436 mil entradas al desempleo en ese mismo mes. Cómo se puede ver en dicho gráfico, el número de personas que pasan a ser considerados parados durante un mes no ha cesado de caer desde principios del 2012, situándose las salidas del desempleo por debajo de las entradas desde el segundo trimestre del año 2013. La tasa de rotación, definida como la suma de entradas y salidas divididas por el promedio de parados a principios y finales de cada mes, superó en promedio anual el 22% en los últimos meses del período objeto de estudio, estando en una fase ascendente continua desde el segundo semestre del año 2013.

Gráfico 3: Entradas y salidas mensuales del desempleo (promedio anual, 2012.1-2017.1)

Un número tan alto de entradas y salidas del desempleo da lugar a un número también muy elevado de personas que están paradas en algún momento a lo largo del año. En la parte superior del Cuadro 1 se muestran la media y el total de personas paradas que existe a finales de mes a lo largo del año. En el año 2016, la media mensual resultó ser de 4,1 millones de personas, mientras que a lo largo del año la cifra total alcanzó los 7,2 millones. En la parte inferior, se presenta el número de personas según el número de finales de mes en los que se encuentran en una situación de desempleo. En el año 2016, se contabilizaron 1,8 millones de personas en situación de desempleo durante los 12 finales de mes, esto es, un 26.8% de las personas paradas en total a lo largo de estos 12 finales de mes.

Cuadro 1: Número de personas que han estado desempleadas en algún momento a lo largo del año, total y en media mensual

Tanto las entradas como las salidas del desempleo se producen como transiciones desde y hacia el empleo, pero también entre distintas situaciones administrativas de demanda. Un demandante considerado como parado puede cambiar a otra situación de demandante en alta o suspensión, o ser dado de baja, y puede pasar a ser ocupado o no. Por ejemplo, una persona parada puede encontrar un empleo y seguir como demandante de empleo porque busca un empleo mejor o quiere compatibilizarlo con el que ya ha conseguido. Es decir, que una persona deje de ser considerada como parado no significa que haya encontrado un empleo. Este hecho, junto con el que una persona que haya encontrado empleo siga como demandante hace que las bajas como demandante por colocación no sean un buen indicador de la transición o salida del desempleo al empleo, objeto de este estudio.

Finalmente, entre los finales de dos meses sucesivos, también se pueden producir cambios de situación múltiples. Por ejemplo, una persona que vuelve a la situación de desempleo después de trabajar solo unas semanas dentro del mes habrá realizado una salida del desempleo al empleo durante el mes.

Todas estas complicaciones requieren una definición de salida del desempleo al empleo que cumpla con una serie de criterios para considerar que una persona parada ha realizado una verdadera transición al empleo, es decir, que ha conseguido un empleo durante un período determinado. Para definir estos criterios, no resulta suficiente cruzar los datos de demanda con los datos de contratos, dado que se puede pasar a una situación de empleo sin necesidad de tener un contrato (por ejemplo, teniendo un episodio como autoempleado).

Definimos aquí, por tanto, las transiciones del desempleo al empleo como aquéllas que realizan los demandantes que estén en situación de desempleo a finales de un determinado mes y hayan sido dados de baja por colocación, o hayan pasado a demandantes ocupados o con una relación laboral a finales de cualquiera de los meses de un período determinado, y/o hayan celebrado algún contrato laboral durante este período tal y como se explica en el Gráfico 4.¹ Concretamente, definimos la tasa de salida del desempleo al empleo antes de N meses como la proporción de personas paradas a finales del mes T que hayan conseguido un empleo antes de finales del mes T+N.

En el Gráfico 5 se muestra la evolución de las tasas de salida del desempleo al empleo, en el período 2011-2016, para valores de N iguales a 3, 6 y 12 meses (representativos del corto, medio y largo plazo) para toda la población de demandantes parados en los meses que aparecen en el eje de abscisas. Por ejemplo, el punto de la línea roja correspondiente a enero del 2011 indica que un 16,5% de los demandantes parados a finales de enero del 2011 transitaron hacia el empleo en algún momento de febrero del 2011, mientras que el punto correspondiente a enero del 2011 en la línea morada indica que cerca del 38% de los desempleados a finales de este mes realizaron una transición hacia el empleo antes de que se cumplieran 12 meses.

1 No se consideran las transiciones del desempleo al empleo que se produzcan durante el mismo mes en el que se inscriba una demanda. Para la definición de estas transiciones utilizamos dos variables del fichero de demandantes mensuales (la causa de exclusión del desempleo (CAUEXC), la causa de la situación administrativa (CAUSIT)) y los ficheros de contratos que indican si la persona ha tenido un contrato durante el período considerado. Con esta definición sólo quedarían excluidas aquellas situaciones laborales de autónomo que se hayan iniciado y finalizado durante uno de los meses del período considerado, para períodos superiores a un mes, cuando se hayan producido para una persona que esté de baja en el registro de demanda.

Las tres tasas de salida recogen el final de la fase recesiva y el inicio de la fase alcista. Las tasas de salida para valores mayores de N, es decir, para horizontes más largos, recogen el inicio de la fase expansiva con anterioridad, y, además, tienen una menor variabilidad debido a que están menos afectadas por la estacionalidad.

2.4 La duración del desempleo

Nuestra definición de desempleado exige que el demandante esté registrado en la oficina de empleo, en situación de alta administrativa, y no esté ocupado. Desgraciadamente, con los datos disponibles, no es posible calcular exactamente la duración de la situación de desempleo así definida. Conocemos la fecha de inicio de la situación administrativa en la que se encuentra cada demandante a finales de mes (alta, baja o suspensión), pero una persona puede sumar días como demandante aunque disponga de un empleo. También conocemos la fecha de inicio de la situación laboral (ocupado o no ocupado) en la que se encuentra cada demandante a finales de mes, pero no todas las personas se dan de alta como demandantes en los períodos en los que no están empleados. ²

Para determinar la duración del desempleo de forma orientativa, utilizamos la fecha de inicio de la situación laboral del demandante como no ocupado condicionado a que éste se encuentre en dicha situación a finales de mes. En particular, definimos la duración del período de desempleo como el tiempo transcurrido desde el inicio de la situación laboral de desempleo hasta el final del mes anterior a la transición hacia el empleo. Este procedimiento tiene la ventaja de que permite localizar a los desempleados de larga duración independientemente de las bajas o suspensiones debidas, por ejemplo, a un incumplimiento de las normas para seguir considerado como demandante en alta.

El Gráfico 6 muestra la evolución de la distribución de desempleados según la duración de la situación del desempleo. Como se puede observar, el porcentaje de personas que llevan 4 años o más desempleados no ha cesado de crecer durante todo este período, multiplicándose por más de 3 y pasando a ser el grupo con más peso después de los que llevan un muy corto período como desempleados (de menos de 3 meses) desde mediados del año 2015.

² En esta base de datos se distingue entre la situación administrativa del individuo en relación con la oficina de empleo y la situación con respecto a la actividad económica No existe una correspondencia exacta entre ambas.

Gráfico 6: Distribución de los desempleados según duración de la situación laboral (paro extendido, finales de mes, 2012.1-2017.1, medias anuales)

2.5 Las variables de control

El objetivo de esta sección es describir las variables de control que se utilizan en el modelo de perfilado estadístico. Estas variables son aquellas que permiten explicar las diferencias de las tasas de salida del desempleo al empleo entre distintos parados y también su evolución a lo largo del tiempo. Los valores de estas variables permiten además estimar las salidas del desempleo al empleo y, con ello, clasificar a los parados en función de su mayor o menor dificultad para encontrar un empleo en el corto, medio y largo plazo.

Las variables de control o factores explicativos utilizados en los modelos de perfilado estadístico se suelen clasificar, tal y como se explica en Felgueroso et al (2017), en distintos grupos según el enfoque que se siga a la hora de hacer el perfilado. En el presente estudio se ha optado por una clasificación orientada a la predicción más que a la búsqueda de causalidad y acorde con los datos disponibles en los ficheros de los SPE.

Hemos de tener en cuenta, además, dos limitaciones importantes. Primero, las personas registradas en los SPE sólo representan una parte de las personas que desean trabajar, y existen además importantes sesgos de selección. No todos los parados solicitan la intermediación de los SPE, y la decisión de inscribirse en estos depende también de qué otros servicios puedan ofrecer (como la participación en políticas activas) y de los requisitos para la percepción de prestaciones y otro tipo de ayudas. De ahí que tanto los estadísticos descriptivos de las variables de control como los resultados obtenidos en la estimación del modelo de perfilado sólo son válidos para este colectivo de personas registradas y han de ser interpretados teniendo en cuenta los posibles sesgos de selección. En segundo lugar, algunas variables importantes no están disponibles en los ficheros de demanda y contratos. Entre éstas cabe citar, por ejemplo la situación familiar y el cuidado de niños o personas de edad avanzada, así como los factores motivacionales.

Las variables de control del modelo de perfilado finalmente utilizadas se clasifican en siete grupos: las características sociodemográficas, la formación, la experiencia, la duración del desempleo, las prestaciones percibidas, la disponibilidad y la situación del mercado de trabajo al que se dirige el demandante parado. Las variables incluidas en cada grupo vienen detalladas en el Gráfico 7. Un análisis descriptivo detallado de estas variables se presenta en la sección 4.1.

3. Metodología para el perfilado estadístico y una primera evaluación de ciertos servicios de empleo

El modelo de perfilado que se propone aquí parte de la estimación un modelo estadístico que considera la probabilidad de transitar del desempleo al empleo en un período determinado.

El objetivo de este modelo es responder a la pregunta de cuál es la probabilidad de que un demandante inscrito en los registros de los SPE encuentre empleo a corto, medio y largo plazo, concretamente antes de 3, 6 y 12 meses. Adicionalmente, el modelo permite estimar la contribución (o efecto marginal) de cada factor (o variable de control) considerado a la probabilidad de salida del desempleo al empleo, para el conjunto de parados o para un grupo poblacional concreto. De esta forma, el modelo permite analizar el efecto que tendría un cambio en las variables de control de interés, como puede ser una mejora de las competencias de un demandante desempleado o de su disponibilidad.

El modelo pertenece a la familia de los modelos estadísticos de duración. Estos modelos son la herramienta natural para analizar la problemática del desempleado que busca empleo y que tiene una probabilidad de encontrarlo que no es constante a lo largo del tiempo, sino que depende de manera crucial del tiempo que lleve en el desempleo y sus circunstancias.³

La alternativa tradicional en los países en los que se implantaron modelos de perfilado estadístico ha sido la estimación de un modelo de elección discreta para la probabilidad de alcanzar un número concreto de meses o de semanas en situación de desempleo. Con este tipo de modelo, se obtiene un indicador del riesgo de que un demandante recientemente inscrito se convierta en parado de larga duración o de agotar las prestaciones por desempleo.⁴

La propuesta metodológica presentada aquí también es de elección discreta (salir o no salir del desempleo antes de N meses), pero enriquece el modelo tradicional en tres aspectos que, entre otras ventajas, pueden mejorar la capacidad predictiva del modelo. En primer lugar, se centra en la salida del desempleo al empleo, en lugar de en la permanencia en el desempleo. Los demandantes pueden transitar desde el desempleo hacia otras situaciones que no son el empleo, como por ejemplo la inactividad por desánimo o por dejar de estar disponibles para trabajar. De esta manera, el indicador que obtenemos aquí se puede identificar como un indicador de empleabilidad individual, en lugar de un indicador de riesgo de permanencia en el desempleo.

3 Ver Mortensen (1986) o van den Berg (2001), por ejemplo, para la caracterización de estos modelos y para la justificación de su optimalidad de cara al estudio del suceso objeto de estudio en este informe.

4 Para una comparación internacional de modelos de perfilado estadístico, véase Rebollo (2016). Ejemplos de países que estiman el riesgo de permanecer desempleado pasadas N semanas o meses son Estados-Unidos, Australia, Irlanda o Finlandia. En este sentido, nuestra propuesta tiene una mayor afinidad con que se aplican o aplicaron en países como Dinamarca o la República Checa.

En segundo lugar, el modelo desarrollado más abajo permite obtener una estimación de dicha probabilidad de salida para todos los demandantes desempleados, independientemente del tiempo transcurrido desde el inicio de la situación de desempleo. De hecho, como se verá más adelante, la duración en el desempleo es una de las variables de control del modelo con mayor poder explicativo.

Finalmente, en la estimación se pueden utilizar varios episodios de desempleo para un mismo demandante, ya sea con o sin transiciones al empleo. Esto nos permite estimar los efectos de las variables de control, no sólo utilizando las variaciones entre demandantes, sino también para una misma persona. En especial, los efectos de variables cuyos valores van cambiando a lo largo de la estancia en el desempleo (por ejemplo, el tiempo restante para la percepción de prestaciones) se estiman no sólo con las diferencias observadas entre personas, sino también para una misma persona. El modelo permite por ello realizar estimaciones controlando por la heterogeneidad inobservable, aunque este extremo no ha sido considerado en la presente versión de nuestro trabajo.

En lo que sigue, se hace una descripción detallada del procedimiento estadístico seguido en esta propuesta para construir el indicador de empleabilidad en base al cual se clasifica posteriormente a los desempleados.

3.1 Estimación de la empleabilidad individual

El modelo básico con el que se desarrolla el perfilado es un modelo econométrico de elección discreta, concretamente un modelo PROBIT. La variable dependiente es una variable binaria que adopta un valor de 1 si el demandante parado transita del desempleo al empleo antes del periodo T y de 0 en caso contrario. (T pueden ser 3, 6 o 12 meses en los modelos que se presentan en la sección 4).

La expresión analítica del modelo a estimar en este caso es:

Pr ?????? ?? ?????? ?? ?? ??????? [1]

Donde F denota una función de probabilidad y el término de error, ?, tiene una distribución normal estándar de varianza normalizada a 1, t hace referencia a la duración en el desempleo y X recoge el resto de variables de control.

Este modelo supone que toda la heterogeneidad individual se debe a variables observables. Sin embargo, es probable que existan variables inobservables a nivel individual que influyan de manera importante en la probabilidad de transitar de la situación de parado a la de ocupado. La consecuencia de esta heterogeneidad en modelos de duración es producir inferencias erróneas sobre la dependencia de la duración y sobre el resto de las variables control (véase, por ejemplo, Ridder, 1987). Como se explica en detalle en Carrasco (2001), por ejemplo, el procedimiento más extendido para incorporar la heterogeneidad inobservable al modelo consiste en asumir que ésta se puede representar mediante la introducción en la función de riesgo de un término de perturbación estocástico, v, que sigue una función de densidad g(v). Un enfoque natural para acomodar la existencia de esta heterogeneidad inobservable consiste en basar la inferencia sobre dicha heterogeneidad en una distribución mixta sobre la misma. Fundamentalmente hay dos enfoques para modelizar esta distribución. El primero consiste en asumir que este componente inobservable sigue alguna distribución paramétrica e integrarla fuera de la verosimilitud (por ejemplo Lancaster, 1979, supone una distribución gamma). El segundo enfoque, más común en la actualidad, consiste en aproximar la distribución continua por una distribución discreta de forma no restringida (Heckman y Singer, 1984). Este procedimiento semiparamétrico consiste en estimar una función de distribución con dos o más puntos masa junto con la probabilidad asociada a cada uno de estos puntos masa. En el Apéndice B se muestran los resultados de la estimación de este modelo bajo el supuesto de la existencia de dos puntos masa. Aunque en lo que sigue no se presentan los resultados de la estimación alternativa bajo estos supuestos, dichos resultados se ofrecen en el Apéndice B y se comentan en la Sección 4.1 junto con los del modelo general usado en el resto del artículo. Como se podrá comprobar las predicciones bajo ambos modelos son extremadamente similares. Así, dado que la predicción de los efectos marginales que da pie a la clasificación de los desempleados y las simulaciones posteriores se complican considerablemente bajo el modelo con control por heterogeneidad inobservable se ha decidido no usar los resultados de este modelo general para dichos análisis.

3.2 Clasificación de los demandantes por grupos de empleabilidad

Una vez estimada la probabilidad de salida del desempleo al empleo a corto, medio y largo plazo para cada uno de los parados registrados en los SPE, este conjunto de indicadores se utiliza para clasificar a los parados en diversos grupos. Con ello se pretende facilitar la identificación de las personas con niveles de empleabilidad similares de cara a ofrecerles los servicios que mejor se adaptan a sus necesidades.

Entre los diferentes modelos de perfilado estadístico internacionales los criterios utilizados para la delimitación de los grupos suelen fijarse de forma ad-hoc, especificando valores determinados para el riesgo de permanencia en el desempleo. La clasificación que aquí proponemos se basa en los cuartiles de las distribuciones de probabilidades de salida del desempleo antes de 3, 6 o 12 meses.

Concretamente, dado un modelo de empleabilidad como el descrito en la sección anterior:

\[P = F (X, \beta)\tag{[2]}\]

decimos que el individuo i está en el grupo de empleabilidad (entre un máximo de J grupos) si la predicción de su probabilidad de encontrar empleo en un periodo dado, está entre , donde denota el percentil en la distribución de probabilidades estimadas.

La principal ventaja de escoger percentiles y no valores fijos para definir grupos en la distribución de empleabilidad es la gran adaptabilidad que tiene la clasificación ante distribuciones cambiantes con el ciclo y la región entre otros factores.

Por tanto, los demandantes parados se clasifican en 4 grupos, de mayor a menor empleabilidad, con las denominaciones que se muestran en el Gráfico 8. La asignación de cada individuo a cada uno de los grupos se realiza de forma excluyente utilizando las probabilidades estimadas de salida del desempleo a corto, medio y largo plazo. La utilización de sólo una de estas distribuciones supondría desaprovechar parte de la información disponible. Por ejemplo, si nos centramos exclusivamente en las probabilidades de salida antes de 3 meses, no distinguiríamos entre aquellos que aun teniendo una baja probabilidad de salir en el corto plazo, pueden tener una probabilidad alta o media de encontrar empleo en el medio o largo plazo. De la misma forma, si sólo nos fijamos en el largo plazo no distinguiremos correctamente entre aquellos que pueden encontrar trabajo con mayor o menor rapidez.

Para confirmar la conveniencia de esta consideración de múltiples horizontes en la salida del desempleo, se ha estimado un modelo de duración para la salida del desempleo con control por heterogeneidad inobservable que precisamente identifica la presencia de efectos inobservables que determinan la constitución de tres grupos poblacionales distintos. Con una especificación de esta heterogeneidad similar a la definida en los modelos descritos más adelante y basados en la metodología desarrollada en Heckman y Singer (1984) se ha estimado un modelo para la misma muestra utilizada en el perfilado y se han identificado tres grupos poblacionales distintos cuyos pesos en el conjunto de la muestra de estimación son, respectivamente, del 8.3%, 47% y 44.7% (ver Apéndice B).5 Estos grupos poblacionales tienen una tasa de salida del desempleo media durante los 60 primeros meses en desempleo del 19.7%, 6.0% y 1.5% al mes con lo cual tienen una probabilidad estimada de haber abandonado el desempleo al cabo de 12 meses del 98.6%, 71.2% y 26.6%, respectivamente. De hecho, ya a los 6 meses de estancia en el desempleo, más del 90% del primer grupo (el 74% a los 3 meses) y más de la mitad del segundo han abandonado el desempleo mientras que solo el 16.4% del tercer grupo lo han hecho. Estos resultados por tanto, parecen justificar que en el colectivo de desempleados inscritos en los Servicios Públicos de Empleo en España parece haber claramente al menos tres colectivos distintos en cuanto a su distinta tasa de salida del desempleo, lo cual justifica bastante bien la consideración de los tres horizontes temporales elegidos para nuestro modelo de perfilado.

En definitiva, para aprovechar al máximo la información disponible y teniendo en cuenta la consideración de estos tres horizontes distintos en la salida del desempleo, se propone una clasificación de desempleados como sigue:

5 En este modelo se estiman tres constantes distintas para el modelo de elección binaria de salida del desempleo que coinciden con los tres tipos de heterogeneidad inobservable considerados. Estos tres tipos tienen cada uno una probabilidad estimada distinta. Como es natural, se estiman dos probabilidades, obteniéndose la tercera por diferencia respecto a la unidad.

• En el grupo A estarían las personas con mayor nivel de empleabilidad en el corto plazo, definidos como aquellos cuya probabilidad de salida antes de tres meses se encuentra en el cuartil superior de la distribución de probabilidades de salida en menos de 3 meses.

• Los parados asignados al grupo D son aquellos con las probabilidades más bajas de salida antes de 12 meses, esto es aquellos que se encuentran en el primer cuartil de la distribución de la probabilidad predicha de salida a dicho plazo. En la práctica no observamos personas que se puedan encontrar en ambos grupos (el A y el D) de forma simultánea.

Una vez identificadas las personas pertenecientes a los grupos A (con mayor probabilidad de salida rápida o de corto plazo) y D (los que tienen una menor probabilidad de salida en el largo plazo), el resto de personas se clasifican en los grupos B y C. Los del grupo B son aquellos individuos no integrados en los grupos A y C cuya probabilidad de salida en el medio plazo se sitúa por debajo de la mediana de la distribución de probabilidad de salida a seis meses, mientras que los del grupo C tienen una probabilidad superior a la mediana de la mencionada distribución.

Gráfico 9: Clasificación de los parados a 31 de diciembre de 2015 por grupos de empleabilidad.

El Gráfico 9 muestra un ejemplo de cómo se distribuyen los demandantes de empleo desempleados en base a los resultados obtenidos para los parados en un periodo intermedio de la muestra, en este caso a finales de diciembre del año 2015.

3.3 Diagnostico Individual en base al análisis del efecto sobre la empleabilidad de cambios en las variables de control

Una vez clasificado el individuo en base al modelo estimado con toda la muestra, los modelos estimados a 3, 6 y 12 meses vista también puede utilizarse para analizar el efecto de posibles cambios en las variables de control sobre el grado de empleabilidad. Aunque en el presente documento nos centraremos en ciertas variables de control concretas que se pueden identificar con algunas políticas activas, la metodología general de esta fase del diagnóstico es la que sigue.

Supongamos que un demandante puede caracterizarse por un conjunto de variables de control X, que se dividen en K grupos de variables. Dentro de cada grupo tenemos variables modificables (M) y no modificables (NM). En suma tenemos un universo de variables definido por . Para cada una de estas variables se calcula el efecto marginal, evaluándolo en el vector de características del individuo analizado. Esto es, se computan efectos marginales a nivel individual en base a los coeficientes estimados previamente. En este contexto, por tanto, dentro del grupo de variables modificables , algunas variables , aquellas que tienen efectos marginales positivos y significativos, es posible que puedan contribuir a mejorar la empleabilidad de los demandantes de la muestra.

Si existen políticas activas que pueden ayudar al demandante a cambiar estas variables de control, decimos que como consecuencia de una de estas políticas el demandante puede alcanzar un nivel de empleabilidad superior. Para comprobar si este es el caso, basta con evaluar el modelo estimado, descrito por la función , con los valores hipotéticos que tendrían las variables relevantes tras la aplicación de tales políticas. Si llamamos a este vector hipotético de nuevas características, la probabilidad resultante de encontrar empleo se estimaría como

\[p _ {i} ^ {M k} = F (X ^ {\prime}, \beta)\]

y el efecto marginal de la política vendría determinado por la diferencia entre las probabilidades estimadas antes y después del tratamiento,

En la mayor parte de los casos, las variables de interés son de naturaleza discreta y reflejan la existencia o inexistencia de una determinada característica. Cuando, alternativamente, la variable considerada es continua, lo que ocurre pocas veces, tendríamos

\[X ^ {\prime} = X + \Delta x _ {i} ^ {M k}\]

donde es, por ejemplo, una desviación estándar de la variable de interés.

En definitiva cada individuo, puede ser caracterizado por un nivel y grupo de empleabilidad inicial y, para determinadas variables modificables, se le puede asociar una o varias políticas activas y el nivel o grupo esperado de empleabilidad que resultaría de cada tratamiento:

\[p _ {i} ^ {M k}, g _ {j} ^ {M k}, k = 1, \dots , K\tag{[3]}\]

3.4. La muestra de estimación

Los resultados que presentamos aquí utilizan los datos del SISPE para todas las CCAA en el período comprendido entre septiembre de 2014 y octubre de 2016. En el Cuadro 2 se muestra el número de personas registradas como demandantes de empleo que cumplen con la definición de desempleo extendido dada en la sección 2 en algún momento de este período.

Con este conjunto de datos se pueden estimar los modelos descritos en la sección 3 tanto con la muestra nacional como con la muestra de cada Comunidad Autónoma sin embargo en lo que sigue se presentan solo los resultados solo a nivel nacional y, para que la estimación sea tratable, se ha decidido utilizar una sub-muestra aleatoria de 1,5 millones de personas, es decir, algo más de un 15% de la muestra total. De cara a la estimación se ha usado el 80% de esta muestra, reservando el 20% restante a efectos de comprobación de la bondad de ajuste del modelo. Para las estimaciones con episodios trimestrales, el período de estimación es entre septiembre del 2014 y julio del 2016, para las que las estimaciones con episodios semestrales, el período de estimación va desde septiembre del 2014 y abril del 2016, mientras que para las estimaciones para episodios anuales, el período de referencia es entre septiembre 2014 y octubre del 2015. Los indicadores de empleabilidad, es decir, la predicción de la salida del desempleo al empleo antes de 3, 6 y 12 meses, se realiza para los demandantes parados a finales del mes de octubre del año 2016.

Cuadro 2. Descripción de la muestra de demandantes por CCAA.

Nota: el número total de demandantes parados no coincide con la suma por CCAA debido a la movilidad existente.

3.5. Evaluación general de la capacidad predictiva del modelo

En la línea de otros trabajos sobre perfilado, resulta importante evaluar la capacidad predictiva de los modelos estimados. Buenos ejemplos de evaluación de la capacidad predictiva de los modelos de perfilado son Rosholm et al (2004), O'Connell et al (2010) y Matty (2013).

En la mayoría de los casos, a la hora de evaluar la capacidad predictiva de un modelo de perfilado estadístico la probabilidad estimada se transforma en una predicción sobre si ha tenido lugar o no el suceso relevante (la salida del desempleo al empleo en nuestro caso). Con este fin, se define un punto de corte de forma que para todos aquellos individuos con probabilidades superiores a la misma se asume que el suceso ha tenido lugar, mientras que para el resto de la población se supone que éste no ha sido el caso. Seguidamente, esta predicción se compara con la situación real, calculándose el porcentaje de aciertos.

Claramente, la elección del punto de corte afectará a la capacidad predictiva del modelo. Por ejemplo, en el modelo de perfilado estadístico de Irlanda (0'Connell et al, 2010), al mover el punto de corte del 50% al 80%, el porcentaje de aciertos pasó del 69% al 83%. Cuando las probabilidades de 0 (no salidas al empleo) y 1 (salida al empleo) están balanceadas en los datos, esto es, cuando la probabilidad de salir o no del desempleo son similares, el criterio basado en el porcentaje simple de aciertos es en general suficiente. Sin embargo, cuando dichas probabilidades son sustancialmente diferentes, es conveniente extender el criterio a la valoración de los aciertos en la predicción de unos en la salida del desempleo, y también en los ceros, esto es, en la no salida del desempleo. En este sentido, Rosholm et al, (2004) cuando evalúa el modelo de perfilado danés (MPE), propone valorar la capacidad predictiva del modelo computando la siguiente suma: el número de aciertos sobre la población de tratados (unos) más el número de aciertos sobre la población de no tratados (ceros), que nosotros adaptamos aquí, siguiendo parcialmente el criterio de Youden (1950), a la maximización del porcentaje de aciertos sobre la población de tratados (unos) más el porcentaje de aciertos sobre la población de no tratados (ceros).

Teniendo en cuenta dichas consideraciones, tras la estimación del modelo plantearemos dos ejercicios alternativos para evaluar la capacidad predictiva del mismo aplicando dichos ejercicios a los tres horizontes considerados, esto es, a la probabilidad de salir del desempleo a tres, seis y doce meses vista:

El primer ejercicio valora el desempeño del modelo fuera de la muestra, en términos de su capacidad de predecir con un trimestre de antelación las salidas observadas en octubre de 2016, mes que no se utilizó en la estimación.

• El segundo ejercicio valora la capacidad de predicción dentro de la muestra, utilizando un 20% de la misma que se reserva en la estimación del modelo.

En cada uno de los casos considerados, analizaremos la suma de porcentajes de predicciones correctas (porcentaje de salidas y no salidas que se evalúa correctamente) que resultan cuando se varía el umbral de probabilidad que nos lleva a predecir que un individuo sale del desempleo en un horizonte determinado en función del cuantil de probabilidad predicha por el modelo (desde el percentil 5 al percentil 95 Así, por ejemplo, si el percentil5 de probabilidad de salida a 3 meses es 1 por ciento y el percentil 95 es 40 por ciento, analizaremos como varía la suma de porcentajes de predicciones correctas variando el umbral desde el 1 por ciento hasta el 40 por ciento de probabilidad. Finalmente, de los resultados obtenidos en términos de predicción escogemos el máximo.

4. Resultados y una primera aplicación del perfilado

En esta sección se presentan los principales resultados de la estimación del modelo de perfilado que posteriormente se utilizan para la elaboración de un diagnóstico básico de los demandantes desempleados. La sección se estructura en cuatro partes. Iniciamos la sección con un breve análisis de los resultados obtenidos con la muestra nacional, seguido por un análisis descriptivo de la distribución del grado de empleabilidad resultante. A continuación detallamos los principales ingredientes de nuestra propuesta de orientación. Finalmente presentamos los resultados del análisis de bondad de ajuste realizado sobre el modelo.

4.1. Los resultados para la muestra nacional

En esta sección presentamos brevemente los principales resultados de la estimación con un 15 por ciento de la muestra de demandantes de empleo entre septiembre de 2014 y julio de 2016. El Cuadro 3 presenta la distribución de la muestra según las principales características individuales. Así, vemos como el 47 por ciento de las observaciones corresponden a varones y el 53 por ciento restante a mujeres. El grueso de los desempleados (36.5%) tienen entre 35 y 44 años, educación primaria (45.3%), nacionalidad española (88.7%), cuentan con algún tipo de formación complementaria (83.7%) y tienen una duración de desempleo inferior a tres meses (52.0%). La mayor parte de los demandantes incluidos en la muestra de estimación no disponen de prestaciones (60.6%) y tienen experiencia previa en el sector servicios (63.0%).

En el Cuadro A1 del Apéndice presentamos la estimación representativa de toda la población observada como desempleada entre los meses de septiembre del año 2014 y octubre del año 2016. En el mencionado cuadro presentamos los resultados para los tres modelos considerados: a corto (3 meses), medio (6 meses) y largo plazo (12 meses). Para facilitar la interpretación no presentamos coeficientes sino efectos marginales evaluados en la media de las variables explicativas. Es decir, una valoración de cómo cambia la probabilidad al plazo correspondiente cuando cambia la variable considerada.

En general, dado el gran número de observaciones disponible, todas las variables resultan estadísticamente significativas y por tanto contribuyen a explicar las probabilidades de encontrar empleo o grado de empleabilidad. Así, por ejemplo, encontramos que tener estudios superiores aumenta la probabilidad de salida en 3.2, 4.9 y 7.1 puntos porcentuales (pp) a corto, medio y largo plazo respectivamente. Asimismo, llevar de 24 a 36 meses desempleado disminuye la probabilidad de salida (o grado de empleabilidad) en 10.9, 16.7 y 22.7 pp respecto a los que llevan 3 o menos meses desempleados. Por último, tener alguna discapacidad disminuye la empleabilidad en 3, 4.2 y 6.9 pp respectivamente.

Cuadro 3. Estadísticos descriptivos de las principales variables de la muestra de demandantes a sept-14 y tasas de salida a 3, 6 y 12 meses.

En el Cuadro B2 del Apéndice se muestran los resultados del modelo para la salida a tres meses cuando se permite la presencia de heterogeneidad inobservable, asumiendo que dicha heterogeneidad sigue una distribución no paramétrica con dos puntos masa.⁶ Los resultados para esta estimación ofrece estimaciones puntuales para todas las variables incluidas en el modelo, prácticamente idénticas a las obtenidas en el modelo mostrado en el Cuadro A1. Las únicas diferencias relevantes se ofrecen en el Cuadro B2 y se refieren al efecto de la duración en el desempleo sobre la probabilidad de salir del mismo. Como es común en la literatura, cuando se tiene en cuenta la existencia de esta heterogeneidad inobservable, el efecto de la duración en el desempleo se estima de manera que tiene un impacto algo menos negativo sobre la tasa de salida del desempleo. Esta menor dependencia de la duración se puede comprobar fácilmente comparando las tasas relativas de probabilidad (odd ratio) para duraciones en el desempleo de entre 6 y 12 meses, por ejemplo. La tasa de salida del desempleo cuando no se controla por heterogeneidad inobservable se reduce para estos desempleados en un 52,7% (1 menos el odd ratio de esta variable) frente a la tasa predicha para los parados cuya duración en el desempleo es inferior a 3 meses, mientras que cuando se controla por la existencia de posibles características inobservadas en la muestra de estimación esta reducción en la tasa de salida es algo menor: 39.24%. En cualquier caso, para el resto de duraciones el efecto del control por heterogeneidad inobservable es menor y casi desaparece para duraciones de más de 24 meses. Finalmente, el Cuadro B2 recoge la distribución estimada para la heterogeneidad inobservable que se ha estimado en este caso: parecen existir dos grupos poblacionales con tasas de salida muy distintas. Mientras que un 35.2% tiene tasas de salida del desempleo mayores a corto plazo, el 64.8% tiene muchos mayores problemas para salir del desempleo a dicho horizonte temporal.

Naturalmente estos efectos solo son válidos a nivel nacional y son susceptibles de ser diferentes a nivel regional o cuando analizamos un colectivo específico (definido por una combinación de características observables: edad, educación, etcétera) dentro de una región.

Finalmente, los Gráficos 10 a 12 presentan la distribución del grado de empleabilidad implícito en las estimaciones presentadas en el Cuadro A1. En cada una de las figuras las líneas verticales de color rojo representan los límites entre cuartiles de la distribución. Los individuos situados en el cuartil superior (de la derecha) del Gráfico 10 son los de mayor empleabilidad o grupo A. Los situados en el cuartil inferior de la distribución a 12 meses (Gráfico 12) son los de más difícil inserción o grupo D. Finalmente, los que están en los dos cuartiles de la derecha de la distribución (y que no están en alguna de las anteriores) a medio plazo (Gráfico 11) son los de grupo B y el resto se clasifican como grupo B.

6 Los resultados para los horizontes temporales a medio y largo plazo son totalmente similares a los mostrados en esta tabla para el horizonte a tres meses vista y no se muestran por cuestiones de espacio pero están disponibles para el lector interesado.

Gráfico 10. Distribución de empleabilidad en la muestra nacional a corto plazo (3 meses). Sept 2014-Octubre 2016. Basada en las estimaciones del Cuadro A1.

Gráfico 11. Distribución de empleabilidad en la muestra nacional a medio plazo (6 meses). Sept 2014-Octubre 2016. Basada en las estimaciones del Cuadro A1.GRUPO C

Gráfico 12. Distribución de empleabilidad en la muestra nacional a largo plazo (12 meses). Sept 2014-Octubre 2016. Basada en las estimaciones del Cuadro A1.

4.2 Distribuciones de empleabilidad y características de los grupos de empleabilidad con la muestra nacional

Otros resultados agregados de interés del perfilado son las características de las personas que se encuentran en cada cuartil. Para ello, llamaremos Grupo D a los parados del primer cuartil, esto es a aquellos con menores probabilidades de salida del desempleo al empleo, y Grupo A a los pertenecientes al último cuartil, es decir a aquellos con mayores probabilidades de salida del desempleo.

Los resultados presentados en el Cuadro 4 muestran unas relaciones claras entre el nivel educativo y la pertenencia a los grupos A y D. En concreto, más del 60% de las personas que pertenecen al grupo D tienen un nivel de estudios equivalente a la primaria. Si a este colectivo sumamos los que sólo han alcanzado un nivel equivalente a la ESO, las personas con menor nivel educativo forman más del 80% de los parados del grupo D, esto es, con mayores dificultades para realizar una transición del desempleo al empleo.

Cuadro 4. Distribución de los grupos según características. Octubre 2016

Finalmente, otro factor relevante para explicar la pertenencia al cuartil más bajo o más alto es la duración de la situación de desempleo. Mientras que los que llevan menos de 3 meses en esta situación forman más del 87% del grupo A, los que llevan dos años o más forman la mayoría de los miembros del grupo D, reflejo de la dependencia de la salida del desempleo al empleo de la duración de la situación de desempleo.

4.3. Los resultados de empleabilidad para las CCAA

Otra información de utilidad que se puede extraer de los resultados a nivel agregado tiene que ver con la distribución por comunidades autónomas de los parados incluidos en cada cuartil a nivel nacional. Este desglose de los parados según su grado de empleabilidad es el mismo que realizaba y publicaba el SEPE durante los años previos a la crisis. La diferencia está en que nuestros resultados se obtienen a partir de un modelo estadístico que incorpora toda la información disponible mientras que en la etapa anterior se trabajaba solo con un pequeño grupo de criterios elegidos ad hoc.

Cuadro 5: Distribución de los demandantes por grupos de empleabilidad para cada CCAA usando umbrales a nacionales (octubre 2016)

El Cuadro 5 resume los resultados obtenidos en términos de empleabilidad para cada región en relación a la distribución de empleabilidad a nivel nacional. En particular se muestra la distribución en grupos de empleabilidad (de A, mejor, a D, peor empleabilidad) de los parados en cada CCAA si se utilizan los umbrales determinados por las estimaciones a nivel nacional para la definición de grupos. Ello nos permite valorar si la distribución de los desempleados de una comunidad es relativamente mejor (tienen mayor peso los grupos A y B que el resto) o peor (tienen, por contra, mayor peso los grupos C y D) que el total nacional. Para comparar estas distribuciones entre comunidades, no obstante, hay que tener en cuenta que las mismas recogen probabilidades de salida del desempleo en términos condicionales a la duración en el desempleo y no la tasa de paro. Por ello, regiones con tasas de paro altas, como Extremadura pero con tasas de salida del desempleo también altas cuentan con distribuciones más sesgadas a grupos A y B que regiones donde la duración en el desempleo es más persistente, como parece ocurrir en País Vasco o Asturias.

Es fácil detectar importantes diferencias entre comunidades en la localización de los desempleados respecto a la distribución estandarizada a nivel nacional. Así por ejemplo, Ceuta tiene relativamente pocos desempleados en el mejor grupo a nivel nacional (3.1%) y muchos en el tercer grupo (46.3%). Alternativamente Baleares tiene relativamente más en los grupos A (31.6%) y B (33.3%) que en los grupos C y D (19.3% y 15.8%, respectivamente). Finalmente, la distribución de Madrid prácticamente replica la distribución a nivel nacional.

4.4. Bondad de ajuste del modelo

El objetivo de esta sección es evaluar el grado de acierto del modelo econométrico aplicado al perfilado. Tal y como comentábamos en la sección 3.4, evaluamos dicho grado de acierto mediante el análisis de la media de porcentajes de predicciones correctas en la clasificación de las salidas (unos) y no salidas (cero) que genera el modelo dado un determinado umbral de probabilidad. Dicho porcentaje de acierto será evaluado en dos diseños muestrales complementarios:

Fuera de la muestra, donde valoramos la media de predicciones a 3, 6 y 12 meses en el último periodo (de 3, 6 o 12 meses) que disponemos para comprobar si el demandante ha realizado realmente una transición del desempleo al empleo (de noviembre de 2015 a octubre de 2016 para las estimaciones a 12 meses). Nótese que los datos correspondientes a los meses que se reservan para este ejercicio de bondad de ajuste no se utilizan en la estimación de los parámetros para dicho ejercicio. Esta prueba pretende comprobar si el modelo econométrico y los supuestos que se hacen sobre la evolución del mercado de trabajo permiten realizar una predicción razonable de las salidas del desempleo al empleo.

• En el segundo ejercicio se excluye un 20% de la muestra utilizada para la estimación del modelo. En este caso no es necesario reservar observaciones para validar los resultados, ya que la evaluación se hace con la muestra excluida de la estimación.

Sin embargo, antes de ir a dicho ejercicios, presentamos primero una evaluación genérica de la calidad de nuestras predicciones. En ambos diseños muestrales se comparan la media de las predicciones con la media de los valores observados.

Los resultados son en general bastante satisfactorios. Tal y como muestra el Cuadro 6, todos los ejercicios planteados, tanto en términos de predicción con el modelo a corto plazo (tres meses vista) como con el modelo a un año vista, con la única excepción del modelo de tres meses fuera de la muestra (caso en el que la predicción se desvía un 6.4 por ciento), predicen correctamente (con menos de un 1 por ciento de desviación promedio en muchos casos) la media de la variable dependiente.

Cuadro 6. Evaluación de las predicciones de la probabilidad de salir del desempleo a corto, medio y largo plazo

Gráfico 13. Tasas de salida y probabilidades estimadas a 3, 6 y 12 meses (septiembre 2014-octubre 2016)

De modo complementario, el Gráfico 13 muestra para cada uno de los periodos de la muestra las tasas de salida observadas y predichas por los modelos a 3,6 y 12 meses. En general los tres modelos predicen razonablemente bien en todo el periodo analizado y en todos los horizontes considerados.

Gráfico 14. Evaluación de la capacidad predictiva del modelo de probabilidad de encontrar empleo a tres meses vista en base a la muestra de diciembre 2015. Porcentaje de predicciones correctas.

Evaluacion prediccion a tres mes vista fuera muestra fraccion prediciones correctas, segun umbral de prob entre 0/1

Sin embargo, tal y como hemos destacado al principio, el criterio más importante es el porcentaje de predicciones de salidas (unos) y no salidas (ceros) correctas que el modelo es capaz de hacer dado un criterio de probabilidad. En este sentido, el Gráfico 14 evalúa la capacidad predictiva del modelo de probabilidad de salida a tres meses vista fuera de la muestra, en octubre de 2016. En primer lugar, cabe destacar que la suma de porcentajes de predicciones correctas crece cuanto más exigente se vuelve el criterio para decidir que una predicción es una salida. Obviamente ello se debe a que la probabilidad de observar una salida a un mes es relativamente baja en la muestra y decrece cuando aumenta el umbral de probabilidad. Alternativamente, la probabilidad de observar una no salida es relativamente alta en la muestra y crece cuando aumenta el umbral. Por ello resulta interesante tomar como referencia el umbral de probabilidad que maximiza ambas probabilidades al mismo tiempo. Así, para un nivel de probabilidad de 0.135, el modelo predice correctamente en promedio el 68,6 por ciento de las transiciones (salidas y no salidas), resultado que es homologable a lo encontrado en modelos de predicción en otros países y que mejora ampliamente la capacidad predictiva de una asignación aleatoria.

El Gráfico 15 presenta el segundo ejercicio de predicción que se ha realizado con el modelo de probabilidad de encontrar un empleo a tres meses vista. En este caso la predicción se hace sobre un 20 por ciento de la muestra reservado para la predicción y por tanto no utilizado en la estimación. Al igual que en el caso anterior, la suma de porcentajes de predicciones correctas y el de no salidas aumentan al aumentar el umbral y el porcentaje de salidas correctamente predichas disminuye con el umbral. En este caso el máximo combinado se observa para un nivel de probabilidad del 14.7, nivel para el cual encontramos que el 69,2 por ciento de las salidas y no salidas se predicen correctamente. De hecho para un nivel de probabilidad notablemente superior, del 27.1%, el modelo aun predice bien el 45 por ciento de las salidas y el 85 por ciento de las no salidas, con un total combinado del 65 por ciento de predicciones correctas.

Gráfico 15. Evaluación de la capacidad predictiva del modelo de probabilidad de encontrar empleo a tres meses vista en base a la muestra reservada del 20 por ciento. Porcentaje de predicciones correctas.

De forma análoga a los ejercicios anteriores, el Gráfico 16 evalúa la capacidad predictiva del modelo de probabilidad de encontrar empleo en el plazo de seis meses tanto sobre la muestra reservada del 20 por ciento como fuera de la muestra con horizonte Octubre 2016. Los resultados obtenidos son similares a los casos anteriores, ya que el porcentaje de predicciones correctas y el de no salidas aumentan al incrementar el umbral y el porcentaje de salidas correctamente predichas disminuye con el umbral. En la predicción fuera de la muestra el máximo se observa para un nivel de probabilidad de 0.263 para el cual el 68.5 por ciento de las salidas y no salidas se predicen correctamente, por lo que el nivel de aciertos supera ampliamente, de nuevo, una asignación puramente aleatoria. Finalmente, en la predicción en la muestra reservada, el máximo se observa para un umbral de probabilidad del 0.276 para el que se acierta en promedio el 68 por ciento de los casos.

Gráfico 16. Evaluación de la capacidad predictiva del modelo de probabilidad de encontrar empleo a seis meses vista. Porcentaje de predicciones correctas.

Gráfico 17. Evaluación de la capacidad predictiva del modelo de probabilidad de encontrar empleo a un año vista. Porcentaje de predicciones correctas.

Finalmente el Gráfico 17 evalúa la capacidad predictiva del modelo de probabilidad de encontrar empleo en el plazo de un año sobre la muestra del 20 por ciento reservada para la predicción y también fuera de la muestra con horizonte octubre 2016. En la predicción fuera de la muestra el máximo se observa para un nivel de probabilidad de 0.38 para el cual el 68.7 por ciento de las salidas y no salidas se predicen correctamente, por lo que el nivel de aciertos supera ampliamente una asignación puramente aleatoria. Finalmente, en la predicción en la muestra reservada, el máximo se observa para un umbral de probabilidad del 0.381 para el que se acierta en promedio el 68.2 por ciento de los casos.

En definitiva, el análisis de la capacidad predictiva de los modelos estimados confirma la bondad de los mismos para predecir el comportamiento de los individuos en la muestra.

5. Orientación

5.1 Una primera orientación sobre el tratamiento

Tal y como se comenta en Felgueroso et al (2017) se completa el diagnóstico básico de empleabilidad mediante la identificación del conjunto de características que el demandante no posee y que podrían modificarse a través de políticas activas o servicios de empleo, mejorando su nivel de empleabilidad. El objetivo final es el de obtener una primera orientación acerca de cuáles de los grandes grupos de servicios ofrecidos por los servicios públicos de empleo podrían ayudar a mejorar la empleabilidad de un demandante determinado.

Esta primera orientación se obtiene utilizando el modelo estimado para el grupo o colectivo al que pertenece el colectivo de referencia. Los grupos en los que se divide la población se construyen considerando la región (o provincia o área) de residencia, el género, el nivel de educación y el grupo de edad. Así si consideramos 3 grupos educativos y 3 grupos de edad, tendríamos 18 grupos o colectivos en cada una de las comunidades autónomas. Las posibilidades de nuestro método no acaban aquí, ya que se podría considerar la división de la población en provincias, regiones e incluso distritos. La única regla de oro que debemos preservar es que el colectivo definido tenga suficientes individuos como para que podamos identificar los parámetros con un grado de confianza estadísticamente aceptable.⁷

Una vez obtenidos los parámetros para el colectivo al que pertenece el individuo valoramos la efectividad potencial de los grupos de servicios en base a los efectos marginales. Esto es, los efectos sobre la empleabilidad de los individuos de interés de cambios en variables explicativas que, en alguna medida, pueden modificarse a través de distintos tipos de políticas activas. Por ejemplo, el modelo permite valorar para un individuo sin experiencia, cuál sería el cambio en la empleabilidad que produciría adquirir un determinado nivel de experiencia a través de una política de formación.

Más en detalle, en este trabajo consideramos cuatro grandes grupos de políticas activas que potencialmente puede afectar a la empleabilidad: i) los servicios de orientación profesional; ii) los servicios de colocación; iii) la formación; y iv) el fomento directo del empleo mediante medidas tales como subvenciones o la oferta de un empleo público. A cada uno de estos grupos le asociamos una o más variables del modelo tal y como se describe a continuación.

7 No hay un criterio definitivo para un número mínimo de observaciones. En nuestro caso consideramos que no debemos sobrepasar el límite de 2000 observaciones en la muestra efectiva en cada una de las celdas consideradas.

Orientación profesional

El procedimiento que utilizamos para detectar la necesidad de servicios de orientación profesional se basa en la detección de posibles ocupaciones en las que el demandante tendría mayores probabilidades de encontrar empleo que en las que ha solicitado. El modelo de perfilado se estima incluyendo como variables explicativas una serie de variables ficticias que corresponden a distintos tipos de ocupaciones. Cuando la ocupación deseada por un individuo difiere de aquella que maximizaría su probabilidad de empleo en ocupaciones alternativas, parece razonable concluir que el demandante podría beneficiarse de un servicio de orientación profesional que le ayude a redirigir su búsqueda de trabajo.

Colocación

La variable que consideramos indicativa de la necesidad de servicios de colocación es el ratio entre el número de contratos y el de demandantes para la ocupación deseada por cada demandante.⁸ El número de contratos se refiere a los registrados en los siguientes N meses (3, 6 o 12, según se trata de la estimación del modelo a corto, medio o largo plazo), mientras que el número de demandantes se refiere a los registrados a final de mes.

Dados los valores de las demás variables, a mayor número de contratos por demandante para una ocupación, mayor debería ser la probabilidad de salida del desempleo al empleo del demandante que desee trabajar en esta ocupación. Si el modelo no ofrece este resultado (es decir, si el parámetro correspondiente a esta variable no resulta significativamente positivo), quiere decir que esta persona requiere de una ayuda específica en la intermediación para conseguir este puesto de trabajo, por ejemplo, la intervención de una agencia privada de colaboración.

Es importante remarcar que esta variable puede estar censurada por no disponer aún de información sobre la evolución real de los contratos en los próximos N meses.⁹ Para resolver esta censura, en esta versión beta del modelo, se supone que las tasas de crecimiento interanual de los contratos por ocupaciones son similares a las registradas en el año anterior.

8 La clasificación de ocupaciones utilizada para esta variable es la CNO a cuatro dígitos.

9 En nuestra versión beta, la censura se produce a partir de agosto de 2016 en la estimación de las salidas al empleo antes de tres meses, a partir de mayo de 2016 en el modelo a 6 meses, y a partir de noviembre de 2015 en el modelo a 12 meses.

Formación

En el modelo se incluyen una serie de variables ficticias que nos indican el número de horas de formación complementaria que ha recibido cada demandante. Los efectos marginales calculados en base a los parámetros estimados para estas variables nos dan una primera indicación sobre si el demandante podría beneficiarse o no de una mejora de su formación.

Fomento del empleo

El cuarto grupo de servicios que consideramos incluye todas aquellas políticas que pueden mejorar la experiencia profesional en una ocupación deseada. La indicación sobre la necesidad de este tipo de política son los efectos marginales de las variables de experiencia profesional: si ha trabajado en la ocupación deseada y una serie de variables ficticias para el número de años que ha trabajado en dicha ocupación. Aquí se incluyen medidas tales como las subvenciones y bonificaciones al empleo de determinados colectivos, los planes públicos de empleo y los talleres escuela.

Tal y como se describe en Felgueroso et al (2017), las conclusiones que se obtienen a partir del análisis de estas variables se resumen en una ficha individual que podría tener un formato parecido al que se muestra en la siguiente tabla. En la primera columna se mostraría el grupo de empleabilidad al que pertenece el demandante y en las columnas 3-6, se mostraría una recomendación para cada uno de los grandes grupos de servicios de los SPE. Las filas permiten diferenciar las recomendaciones en función del horizonte considerado. Con esta tabla, culminaría el diagnóstico básico que se puede realizar con nuestro modelo de perfilado.

5.2 Ejemplos de diagnósticos con muestras de CCAA

En esta sección presentamos los resultados del efecto del cambio en algunas variables del modelo sobre el grado de empleabilidad de individuos particulares, definidos por un conjunto de características de región, género, nivel educativo y grupo de edad. En concreto presentamos simulaciones o diagnósticos sobre el efecto del cambio de las siguientes características o habilidades formativas que ejemplifican los cuatro grandes aspectos de la orientación profesional que acabamos de detallar:

1. Cambios en la ocupación deseada (Orientación)

2. Cambio en la demanda de la ocupación deseada a nivel local, autonómico o nacional, dependiendo del ámbito de búsqueda del individuo, lo que permite evaluar los cambios en el grado de empleabilidad del individuos derivados de cambios en las condiciones de mercado de trabajo (colocación)

3. Cambio en el número de horas de formación, caracterizado en 6 intervalos: 1-50, 51-100, 101-250, 251-500, 501-1000, 1000 o más. (formación)

4. Cambios en el nivel de experiencia (empleo)

Las recomendaciones generales que se derivan por tanto de este primer ejercicio de orientación se basan en el análisis de estos cuatro grupos de políticas y tienen en cuenta los efectos marginales estimados asociados a las variables del modelo que se identifican con cada uno de estos cuatro grupos. A continuación presentamos, a título ilustrativo, los resultados detallados para los siguientes colectivos específicos:

Colectivo 1: Hombres de 40-44, Barcelona, 24-35 meses en desempleo, menos que ESO, construcción.

Colectivo 2: Hombres de 30-34, Huelva, 12-17 meses en desempleo, FP superior. Sin sector de ocupación previa.

Colectivo 3: Mujeres de 20-24, Las Palmas, 6-11 meses en desempleo, ESO, Hostelería.

Colectivo 4: Hombres de 35-39, Tenerife, 6-11 meses en desempleo, ESO, Hostelería.

En cada uno de los casos considerados el análisis que llevamos a cabo conlleva cuatro pasos principales (particularizando la explicación en el caso concreto del colectivo 1):

a) la estimación del modelo para la muestra autonómica para obtener los grupos de empleabilidad de referencia (Cataluña para el colectivo 1): A, B, C y D.

b) la estimación de los parámetros en la muestra de la celda que engloba al colectivo de referencia dentro de la región escogida (Hombres de 30-

44, Barcelona, ESO o menos) para calcular los parámetros específicos que determinan el grado de empleabilidad del individuo.

c) La simulación individual para un demandante desempleado: utilizando sus características individuales y los parámetros de la submuestra/colectivo al que pertenece. Para este demandante, todas las variables del modelo toman un valor específico. Por ejemplo en nuestro caso (véase el Cuadro 7) tiene experiencia en la construcción y lleva más de dos años desempleado.

d) La formulación del diagnóstico individual.

En definitiva, el procedimiento seguido para esta primera orientación requiere la estimación de dos modelos, uno primero con toda la muestra a nivel autonómico que se usa para clasificar a todos los desempleados según su nivel de empleabilidad y otro segundo particular para el colectivo de referencia que se usa para calcular los efectos marginales. Estos efectos, evaluados a nivel individual, se usan para generar las recomendaciones u orientaciones específicas para cada individuo en la muestra y que quedan reflejadas en el cuadro de orientaciones individuales que son, en última instancia, el principal output del proceso en esta etapa.

Tal y como veremos a continuación los resultados varían ampliamente entre regiones y colectivos, indicando que debemos ser cuidadosos en la aplicación de políticas formativas ya que el efecto no es homogéneo entre individuos y colectivos de diferentes regiones.

5.2.1. Hombres de 40-44, Barcelona, 24-35 meses de desempleo, menos de ESO, experiencia en la construcción (colectivo 1).

El Cuadro 7 presenta las características que tiene el demandante que consideramos en nuestro ejemplo sobre Cataluña. En este caso el demandante tiene entre 40-44, reside en Barcelona, solo tiene un nivel educativo de menos que ESO, lleva un largo periodo en el desempleo, 24-35 m, y su último empleo fue en la construcción. La muestra de estimación incluye a todos los hombres demandantes de Barcelona que tiene menos de ESO de 30-44, lo que comporta cerca de 45 mil observaciones en la estimación.

El Cuadro 8 muestra donde se localiza nuestro demandante simulado en la distribución de desempleados de Cataluña, a corto, medio y largo plazo. En cada uno de los plazos presentamos las probabilidades que delimitan la pertinencia a uno u otro cuartil. En los tres casos considerados, el demandante se sitúa en el cuartil 2, por lo que pertenece también al segmento o grupo C. En la parte inferior del cuadro presentamos la distribución de empleabilidad a medio plazo y donde se encuentra en dicha distribución el demandante considerado.

Cuadro 8. Probabilidad de salida del demandante simulado para el colectivo 2 a corto, medio y largo plazo.

Distribución de probabilidades de salida en la muestra utilizada para la simulación

En lo que respecta a los resultados (véase el Cuadro 9) encontramos que solo una ocupación (empleo cualificado en industrias manufactureras, en este caso) parece tener efecto significativo sobre en el nivel de empleabilidad a medio plazo, entre 2- 3 pp., que no permiten al demandante cambiar de segmento. Como en el caso anterior el ratio de contratos/demandantes en la ocupación solicitada no tiene efectos significativos sobre la empleabilidad. En el caso de la formación encontramos cierto efecto para la formación de 1 a 50 horas, que casi hace mejorar el segmento del demandante. Finalmente, la experiencia sí que parece ser un factor importante cara a mejorar la empleabilidad, con un efecto máximo de más 5 pp. a partir de 3 años de experiencia, que casi hacen cambiar al demandante de segmento (de C a B).

Cuadro 9. Simulación del efecto sobre la probabilidad de salida antes de 6 meses de cambios en características. Hombres de 40-44, Barcelona, 24-35 m desempleo, menos eso, construcción.

Fuente: Elaboración propia con datos de Demanda y Contratos del SEPE Nota: Modelo probit, muestra de demandantes parados, diciembre 2015

El Cuadro 10 resume los efectos encontrados respecto a nuestras variables indicativas de la posible necesidad de un tratamiento centrado en la orientación (ocupación), colocación (demanda), formación y empleo (experiencia). En este caso encontramos efectos significativos en 3 de 4 de las variables consideradas lo que nos lleva a concluir que las cuatro acciones tienen efectos sobre su grado de empleabilidad, más claramente en el caso de la colocación (el individuo necesita mucha ayuda) y el empleo que en caso de la orientación y la formación. En resumen un orientador que usara esta herramienta, sugeriría prioritariamente a un demandante perteneciente al colectivo 1 que intente mejorar su formación complementaria mediante la participación en algún curso especializado y recomendaría su inclusión en algún programa de empleo público o de subvenciones a la contratación que pueda ayudarle a acumular experiencia en su ocupación deseada.

Cuadro 10. Resumen/recomendaciones para el demandante de 40-44, Barcelona, 24-35 m desempleo, menos de ESO, construcción. Cuadro 11. Características del demandante simulado de Huelva

A. Características sociodemográficas

• Edad: 30-34

• Género: HOMBRE

• Nacionalidad: ESPAÑOLA

• Provincia: HUELVA

B. Formación

• Nivel educativo: FPSUPERIOR

• Formación complementaria: No

• Inglés: NO

C. Experiencia

• Demandantes de primer empleo: No

• Experiencia en las ocupaciones demandadas: No

• Actividad económica del último empleo:

D. Duración de la situación de desempleo

• Duración del desempleo: 12-17 meses

E. Prestaciones

• Prestaciones:-

• Meses restantes derecho de prestación: -

F. Disponibilidad

• Discapacidad: NO

• Estudiante: NO

• Ámbito de búsqueda:

• Número de ocupaciones demandadas: 1

• Tipo de jornada demandada: TIEMPO COMPLETO

• Trabajo a domicilio: NO

G. Mercado de trabajo

• Grupo de primera ocupación demandada : -

• Contratos/demandantes primera ocupación :

5.2.2. Hombres de 30-34, Huelva, 12-17 meses de desempleo, FP superior. Sin sector definido. (Colectivo 2).

El Cuadro 11 presenta las características que tiene el demandante que consideramos en nuestro segundo ejemplo, con datos de Andalucía en este caso. En este caso el demandante es un joven de 30-34, que reside en Huelva, que tiene FP superior, lleva de 12 a17 meses desempleado y no tiene sector de empleo conocido. La muestra en este caso incluye todos los demandantes con FP superior en Andalucía y consta de 28,000 observaciones en estimación.

Cuadro 12. Probabilidad de salida del demandante simulado para el colectivo 2 a corto, medio y largo plazo.

Probabilidad de salida del paro al empleo antes de 12 meses

Tal y como recoge el Cuadro 12, este demandante tiene unas perspectivas de salida bajas (de hecho decrecientes) tanto a corto, como a medio o largo plazo. En los tres casos se sitúa en el cuartil inferior, por lo que pertenece al segmento D. En este caso, analizamos los efectos marginales sobre la distribución a largo plazo, es decir miramos si alguna política lo podrá llevar a mejorar su empleabilidad a un año vista, y, por tanto lo lleva a superar la línea que delimita los cuartiles 1 y 2.

En lo que respecta a los resultados encontramos dos ocupaciones que parecen tener efectos significativos sobre en el nivel de empleabilidad a largo plazo (Gráfico 18), entre 8 y 15 pp, que además llevan al demandante a cambiar de segmento (desde la parte media de D a la inferior del C). Por otra parte, el ratio de contratos/demandantes en la ocupación no parece tener efectos significativos sobre su empleabilidad. La formación de entre 251-500 parece tener efectos importantes y lo lleva a cambiar de segmento. Finalmente, la experiencia solo parece tener un efecto significativo para el caso de un año.

Gráfico 18. Simulación del efecto sobre la probabilidad de salida antes de 6 meses de cambios en características. Hombres de 30-34, Huelva, 12-17 meses en desempleo, FP superior. Sin sector definido.Hombre, FP superior, duracion desempleo 12-17 meses, Huelva, Diciembre 20

El Cuadro 13 resume los efectos encontrados respecto a nuestras variables indicativas de la necesidad de orientación (ocupación), colocación (demanda), formación y empleo (experiencia). En este caso hemos encontrado efectos significativos en 3 de 4 variables considerada lo que nos lleva a concluir que las cuatro acciones tienen efectos sobre su grado de empleabilidad, más claramente en el caso de la colocación (el individuos necesita mucha ayuda) y el empleo que en caso de la formación.

Cuadro 13. Resumen/recomendaciones para el demandante de 30-34, Huelva, 12-17 m desempleo, FP superior. Sin sector definido.

Cuadro 14. Características del demandante simulado de Las Palmas

A. Características sociodemográficas

• Edad: 20-24

• Género: MUJER

• Nacionalidad: ESPAÑOLA

• Provincia: LAS PALMAS

B. Formación

• Nivel educativo: ESO

• Formación complementaria: No

• Inglés: NO

C. Experiencia

• Demandantes de primer empleo: No

• Experiencia en las ocupaciones demandadas: 0-12 MESES

• Actividad económica del último empleo: HOSTELERíA (9)

D. Duración de la situación de desempleo

• Duración del desempleo: 6-11 meses

E. Prestaciones

• Prestaciones: NO

• Meses restantes derecho de prestación: -

F. Disponibilidad

• Discapacidad: NO

• Estudiante: NO

• Ámbito de búsqueda: CCAA

• Número de ocupaciones demandadas: 1

• Tipo de jornada demandada: TIEMPO COMPLETO

• Trabajo a domicilio: NO

G. Mercado de trabajo

• Grupo de primera ocupación demandada : SERVICIOS DE RESTAURACIÓN Y COMERCIO (7)

• Contratos/demandantes primera ocupación

5.2.3. Mujeres de 20-24, Las Palmas, 6-11 meses de desempleo, ESO, Hostelería (Colectivo 3)

El Cuadro 14 presenta las características que tiene el demandante considerado en el caso de Las Palmas. La demandante es una joven de 20-24, que reside en Las Palmas, que tiene ESO, lleva de 6 a 11 meses desempleado y que tiene experiencia en la hostería.

Cuadro 15. Probabilidad de salida del demandante simulado para el colectivo 3 a corto, medio y largo plazo.

Probabilidad de salida del paro al empleo antes de 6 meses

Tal y como recoge el Cuadro 15, esta demandante de Las Palmas, a pesar de su bajo nivel de formación, tiene unas perspectivas de salida relativamente buenas tanto a corto, como a medio o largo plazo. En los tres casos se sitúa en el tercer cuartil, por lo que pertenece al segmento B. Como no pertenece al segmento A ni al D, analizamos los efectos marginales sobre la distribución a medio plazo, es decir miramos si alguna política lo podrá llevar a mejorar su empleabilidad a seis meses vista, y a superar la línea que delimita los cuartiles 3 y 4.

En lo que respecta a los resultados (Gráfico 19) encontramos que tanto la variable de demanda como la formación no parecen tener un efecto significativo sobre la empleabilidad a medio plazo de los demandantes en este grupo. Alternativamente, encontramos efectos muy relevantes para una ocupación alternativa y también para la experiencia que conducen a la demandante hasta el cuartil superior, aumentando las posibilidades de cambiar de segmento. Con estos resultados, las principales recomendaciones (Cuadro 16) nos llevan a concluir que tres acciones (orientación, colocación y empleo) tienen efectos sobre su grado de empleabilidad a medio plazo, más claramente en el caso del empleo que en caso de la orientación y la colocación. Alternativamente, la formación no tiene efectos significativos.

Años de experiencia ocupación solicitada Gráfico 19. Simulación del efecto sobre la probabilidad de salida antes de 6 meses de cambios en características. Mujeres de 20-24, Las Palmas, 6-11 meses en desempleo, ESO, Hostelería.

Cuadro 16. Resumen/recomendaciones para la demandante de 20-24, Las Palmas, 6-11 meses en desempleo, ESO, Hostelería.

Cuadro 17. Características del demandante simulado de Tenerife

A. Características sociodemográficas

• Edad: 35-39

• Género: VARÓN

• Nacionalidad: ESPAÑOLA

• Provincia: SC TENERIFE

B. Formación

• Nivel educativo: ESO

• Formación complementaria: NO

• Inglés: NO

C. Experiencia

• Demandantes de primer empleo: No

• Experiencia en las ocupaciones demandadas: 0-12 MESES

• Actividad económIca del último empleo: HOSTELERíA (9)

D. Duración de la situación de desempleo

• Duración del desempleo: 6-11 meses

E. Prestaciones

• Prestaciones: NO

• Meses restantes derecho de prestación: -

F. Disponibilidad

• Discapacidad: NO

• Estudiante: NO

• Ámbito de búsqueda: CCAA

• Número de ocupaciones demandadas: 1

• Tipo de jornada demandada: TIEMPO COMPLETO

• Trabajo a domicilio: NO

G. Mercado de trabajo

• Grupo de primera ocupación demandada : SERVICIOS DE RESTAURACIÓN Y COMERCIO (7)

• Contratos/demandantes primera ocupación :

5.2.4. Hombres de 35-39, Tenerife, 6-11 meses de desempleo, ESO, Hostelería (Colectivo 4).

El Cuadro 17 presenta las características que tiene el demandante considerado, en el de Tenerife, muy parecido al caso de Las Palmas pero cuyos resultados contrastan ampliamente con el mismo. En este caso el demandante es una persona de 35-39, que reside en Tenerife, que tiene ESO, lleva de 6 a 11 meses desempleado y que tiene experiencia en la hostería.

Cuadro 18. Probabilidad de salida del demandante simulado para el colectivo 5 a corto, medio y largo plazo.

Probabilidad de salida del paro al empleo antes de 6 meses

Tal y como recoge el Cuadro 18, y al igual que pasaba con la demandante de Las Palmas, este demandante de Tenerife, a pesar de su bajo nivel de formación tiene unas perspectivas de salida relativamente buenas tanto a corto, como a medio o largo plazo. En los tres casos se sitúa en el tercer cuartil, por lo que pertenece al segmento B. En este caso, analizamos los efectos marginales sobre la distribución a medio plazo, es decir miramos si alguna política lo podrá llevar a mejorar su empleabilidad a seis meses vista, y, por tanto, a superar la línea que delimita los cuartiles 3 y 4.

Gráfico 20. Simulación del efecto sobre la probabilidad de salida antes de 6 meses de cambios en características. Hombres de 35-39, Tenerife, 6-11m desempleo, ESO, Hostelería.

En lo que respecta a los resultados (Gráfico 20) encontramos notables diferencias respecto al caso anterior a pesar de que ambos demandantes se dedican al mismo sector y tienen el mismo nivel de formación. En este caso encontramos que excepto la variable de ocupación todas presentan efectos significativos sobre la empleabilidad a medio plazo. Encontramos un efecto pequeño pero significativo de la variable de demanda (aunque no lo conduce a cambiar de cuartil) y efectos muy importantes para algunas categorías de formación (hecho diferencial respecto al grupo analizado de Las Palmas) y de experiencia. Estos resultados nos llevan a concluir (véase la Cuadro 19) que tres acciones (colocación, formación y empleo) tienen efectos sobre su grado de empleabilidad a medio plazo, más claramente en el caso del empleo y la formación que en caso de la colocación. Alternativamente, la orientación no tiene efectos significativos sobre este grupo. Comparando este caso con el anteriormente analizado vemos como la importancia de los factores de demanda hacen que en este caso las perspectivas de empleo sean ligeramente mejores a pesar de que la edad del desempleado sea mayor. Es seguramente la situación de la demanda de empleo en Canarias frente a la existente en la provincia de Huelva la que está detrás de este mayor nivel de empleabilidad en este caso.

Cuadro 19. Resumen/recomendaciones para el demandante de 35-39, Tenerife, 6-11 meses en desempleo, ESO, Hostelería.

6. Conclusiones y agenda

En el presente documento presentamos los detalles fundamentales de la metodología básica de perfilado de demandantes de empleo, en base a los datos de que dispone el SEPE. El diagnóstico básico se realiza mediante un perfilado estadístico que combina tres horizontes de predicción y cuyo objetivo principal es conseguir un conjunto de indicadores de empleabilidad de cada demandante de empleo. Por empleabilidad entendemos la probabilidad de que un demandante transite desde el desempleo al empleo antes de que transcurra un tiempo determinado, teniendo en cuenta sus características sociodemográficas, su historial laboral, sus competencias y la evolución del mercado de trabajo. La propuesta caracteriza a los individuos según su grado de empleabilidad en cuatro grandes grupos con diferente orden de prioridad lo que facilita la asignación de recursos públicos.

Otra de las grandes potencialidades de nuestra propuesta es que permite evaluar la respuesta del grado de empleabilidad de un individuo concreto a diferentes itinerarios de acción por parte del mediador de empleo. Tal y como hemos comprobado en los numerosos ejemplos presentados, el diagnóstico puede variar ampliamente entre individuos y colectivos, anticipando que debemos ser cuidadosos en la aplicación de políticas o itinerarios formativos ya que el efecto no es homogéneo entre demandantes y/o colectivos aparentemente similares pero que varían en una o varias características.

Referencias bibliográficas

References

1. Bimrose, J., Barnes, S., Brown, A., Hasluck, C., & Behle, H. (2007). Skills diagnostics and screening tools: A literature review. Research Report-Department for Work and Pensions, 459.

References

1. Carrasco, R. (2002): “Modelos de elección discreta para datos de panel y modelos de duración: una revisión de la literatura”, Cuadernos Económicos del ICE, nº 66, pp. 21-49.

References

1. Felgueroso, F., J. I. García Pérez, S. Jimenez-Martin y B. Anghel (2017). “Perfilado de parados: una propuesta de herramienta para los servicios públicos de empleo.” FEDEA Policy Papers no. 2017-10. Madrid.

References

1. García Pérez J.I. (2009) (Editor): Metodología y Diseño de Estudios para la Evaluación de Políticas Públicas, Ed. Antoni Bosch.

References

1. Heckman, J (1979): “Sample selection bias as a specification error”, Econometrica, 47, pp. 153-61.

References

1. Heckman, J. J., y Singer, B. (1984): «A Method for Minimizing the Impact of Distributional Assumptions in Econometric Models for Duration Data», Econometrica, 52(2), 271-320

References

1. Lancaster, T. (1979): “Econometric Methods for the Duration of Unemployment”, Econometrica, 47(4), 939-56

References

1. Matty S. (2013), Predicting Likelihood of Long-Term Unemployment: The Development of a UK Jobseekers’ Classification Instrument, Working Paper No. 116, Department for Work and Pensions.

References

1. Mortensen, D. (1986): “Job search and labor market analysis” en O. Ashenfelter & R. Layard (ed.), Handbook of Labor Economics, Elsevier, volumen 2, numero 2, páginas 849–919.

References

1. O'Connell, Philip J. & McGuinness, Seamus & Kelly, Elish, 2010. "A Statistical Profiling Model of Long-Term Unemployment Risk in Ireland," Papers WP345, Economic and Social Research Institute (ESRI).

References

1. OECD (2016): “Faces of joblessness. Understanding employment barriers to inform policy”.

References

1. Rebollo-Sanz, Y. F. (2017). “El Modelo de Perfilado Estadístico: una herramienta eficiente para caracterizar a los demandantes de empleo” FEDEA Working Paper No. 2017-01).

References

1. Rees, J., Whitworth, A., & Carter, E. (2014). Support for all in the UK Work Programme? Differential payments, same old problem. Social Policy & Administration, 48(2), 221-239.

References

1. Ridder, G. (1987): “The Sensitivity of Duration Models to Misspecified Unobserved Heterogeneity and Duration Dependence”, Mimeo, University of Amsterdam, Amsterdam.

References

1. Rosholm, Michael & Svarer, Michael & Hammer, Bo, 2004. "A Danish Profiling System," IZA Discussion Papers 1418, Institute for the Study of Labor (IZA)

Van den Berg, G. (2001): “Duration models: specification, identification and multiple durations“ en J.J. Heckman & E.E. Leamer (ed.) Handbook of Econometrics, Elsevier, volumen 5, número 5, páginas 3381-3460.

• Youden, W. J. (1950). Index for rating diagnostic tests. Cancer, 3(1), 32-35.

Apéndice A: Resultados de la estimación del modelo a nivel nacional. Cuadro A1. Muestra Nacional (20%) de demandantes del SEPE. Septiembre 2014- Octubre 2016

NOTAS: Errores estándar entre paréntesis. También se incluye información de actividad, ocupación solicitada, mes y provincia, *** p<0.01, ** p<0.05, * p<0.1

Apéndice B: Resultados de las estimaciones con heterogeneidad inobservable. Cuadro B1. Modelo para la tasa de salida a un mes Muestra Nacional de demandantes del SEPE. Septiembre 2014- Octubre 2016

NOTAS: Errores estándar entre paréntesis. El modelo incluye todas las variables ya consideradas en el modelo de el Cuadro A1, *** p<0.01, ** p<0.05, * p<0.1

Cuadro B2. Modelo para la tasa de salida a tres meses Muestra Nacional de demandantes del SEPE. Septiembre 2014- Octubre 2016