Clasificación laboral en México usando un enfoque de aprendizaje automático
DOI:
https://doi.org/10.46661/rev.metodoscuant.econ.empresa.10760Palabras clave:
desánimo, machine learning, clasificación, México, ENOEResumen
En este estudio, se aborda el desaliento laboral en México desde una perspectiva de modelación matemática. Se consideran dos condiciones de empleabilidad: desocupado y desalentado, y se caracteriza la clasificación de estos grupos utilizando modelos de aprendizaje automático y variables sociodemográficas, tales como nivel de instrucción, sexo, edad, estado conyugal, número de hijos, parentesco y ámbito de residencia. Considerando datos de la Encuesta Nacional de Ocupación y Empleo, la mayor precisión de clasificación de los algoritmos abordados la obtuvieron las redes neuronales y los bosques aleatorios. Estos modelos indicaron que las características principales que distinguen a los desalentados de los desempleados son: mujeres de 20-29 años, con educación media superior y superior, sin hijos, solteras y residentes en zonas urbanas. Lo más relevante es que, gracias a los resultados obtenidos con los modelos de aprendizaje automático, es posible no solo predecir con mayor precisión quiénes podrían caer en el desaliento laboral, sino también proponer políticas públicas más efectivas y focalizadas. Estas políticas pueden estar orientadas específicamente a los sectores identificados como más vulnerables, contribuyendo así a la disminución del desaliento laboral y a la mejora de la empleabilidad en el país.
Descargas
Citas
Arroyo-Martínez, S., & Ortega-Ovalle, L. G. (2020). El impacto de los salarios en la tasa de desempleo en México del periodo 2000-2017 a través de un modelo estocástico. Revista de investigación en ciencias contables y administrativas, 6(1), pp. 19-48. https://ideas.repec.org/a/msn/rijrnl/v6y2020i1p19-48.html
Barajas, A., & Ibarra, C. A. (2016). Modelos econométricos del desempleo en México: una revisión de la literatura. Memorias del Congreso Nacional de Economía Política.
Casal, R.F., Costa, J., & Oviedo, M. (2020). Métodos de Aprendizaje estadístico.https://rubenfcasal.github.io/aprendizaje_estadistico/aprendizaje_estadistico.pdf
Dinov, I. D. (2018). Data science and predictive analytics. Springer. https://doi.org/10.1007/978-3-319-72347-1
El Naqa, I., & Murphy, M. J. (2015). What is machine learning? In I. El Naqa, R. Li, & M. J. Murphy (Eds.), Machine learning in radiation oncology: Theory and applications (pp. 3-11). Springer International Publishing. https://doi.org/10.1007/978-3-319-18305-3_1
Encuesta nacional de ocupación y empleo (ENOE). (n.d.). Instituto Nacional de Estadística y Geografía (INEGI). Retrieved February 17, 2024, https://www.inegi.org.mx/programas/enoe/
Escoto, A., Márquez, C., Prieto, V., Ochoa, S., & Reyes, P. (2017). Desempleo abierto y desalentado en tres mercados de trabajo latinoamericanos. Población y mercados de trabajo en América Latina: temas emergentes, 81-119. https://www.researchgate.net/profile/Ana-
Escoto/publication/317389203_Desempleo_abierto_y_desalentado_en_tres_mercados_de_trabajo_latinoamericanos/links/60b169efa6fdcc1c66ebcc94/Desempleo-abierto-y-desalentado-en-tres-mercados-de-trabajo-latinoamericanos.pdf
Fernández-Delgado, M., Sirsat, M., Cernadas, E., Alawadi, S., Barro, S., & Febrero-Bande, M. (2019). An extensive experimental survey of regression methods. Neural Networks, 111, pp. 11-34. https://doi.org/10.1016/j.neunet.2018.12.010
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press. https://www.deeplearningbook.org/
Heath, J. (2014). Unemployment in mexico revisited [Recuperado el 12 de septiembre de 2024]. https://jonathanheath.net/unemployment-in-mexico-revisited/
Hernández Pérez, J. (2020). "Desempleo en México por características sociodemográficas, 2005-2018". In: Economía UNAM, 17(50), pp. 166-181. http://revistaeconomia.unam.mx/index.php/ecu/article/view/524
Hosmer Jr, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression. John Wi- ley & Sons.https://doi.org/10.1002/9781118548387
Humphrey, D.D. (1940). Alleged "additional workers" in the measurement of unemployment. Journal of Political Economy, 48(3), pp. 412-419. https://doi.org/10.1086/255563
INEGI. (2023). Cómo se hace la ENOE: Métodos y procedimientos. Encuesta Nacional de Ocupación y Empleo. https://www.inegi.org.mx/contenidos/productos/prod_serv/contenidos/espanol/ bvinegi/productos/nueva_estruc/702825190613.pdf
International Labour Organization. (2023). Resolution to amend the 19th icls resolution concerning statistics of work, employment and labour underutilization [Accessed: 2024-10-29https://www.ilo.org/sites/default/files/wcmsp5/groups/public/@dgreports/@stat/documents/normativeinstrument/wcms_230304.pdf
International Labour Organization. (2024). Estadísticas sobre las mujeres - ilostat [Accedido: 2024-06-27].https://ilostat.ilo.org/es/topics/women/
Loh, W. (2011). Classification and regression trees. Wiley interdisciplinary reviews: data mining and knowledge discovery, 1(1), pp. 14-23. https://doi.org/10.1002/widm.8
Long, C. D. (1953). Impact of effective demand on the labor supply. The American Economic Review, 43(2), pp. 458-467.
Long, C. D. (1958). The labor force under changing income and employment. NBER Books.
Maridueña-Larrea, Á., & Martín-Román, Á. (2024). The unemployment invariance hypothesis and the implications of added and discouraged worker effects in Latin America. Latin American Economic Review, 33, pp. 1-25. https://doi.org/10.60758/laer.v33i.213
Mariscal, R., & Villarreal, E. (2017). Modelos econométricos del mercado laboral en México: un enfoque de series temporales. Investigación Económica, 76(299), pp. 149-174.
Martín-Román, Á. L. (2022). Beyond the added-worker and the discouraged-worker effects: The entitled-worker effect. Economic Modelling, 110, 105812. https://doi.org/10.1016/j.econmod.2022.105812
Molnar, C. (2020). Interpretable machine learning. https://christophm.github.io/interpretable-ml-book/index.html
Moy, V. (2020). Trabajadores desanimados y sin empleo. https://imco.org.mx/trabajadores-desanimados-y-sin-empleo/
Murguía Salas, V., Ronzón, Z. & Jardón A. (2023). Desaliento laboral. Una aproximación al análisis de la subutilización de la fuerza de trabajo juvenil de México. Repositorio Institucional de la Universidad Autónoma del Estado de México, pp. 145-162.http://hdl.handle.net/20.500.11799/140182
Ortiz Lazcano, D. A., & Rodríguez Esparza, L. J. (2023). Unemployment Vulnerability Index in Mexico: Effects of the covid-19 pandemic. Economía, sociedad y territorio, 23(71), pp. 309-338. https://doi.org/10.22136/est20231862
Peón, F. V. (2021). Precariedad y desaliento laboral de los jóvenes en México. Contraste Regional 9(17), pp. 185-189. https://www.ciisder.mx/images/revista/contraste-regional-17/93_Precariedad_y_desaliento_laboral_de_los_jvenes_en_Mxico.pdf
Probst, P., Boulesteix, A., & Bischl, B. (2019). Tunability: Importance of Hyperparameters of Machine Learning Algorithms. Journal of Machine Learning Research 20(53), pp. 1-32. http://jmlr.org/papers/v20/18-444.html.
Ruiz Nápoles, P., & Ordaz Díaz, J. L. (2011). Evolución reciente del empleo y el desempleo en México. Economía UNAM 8(23), pp. 91-105. https://www.scielo.org.mx/scielo.php?pid=S1665-952X2011000200005&script=sci_arttext
Sánchez-Salgado, R., & Alonso-Villarreal R. (2018). Análisis econométrico del desempleo en México: una aplicación de la metodología VAR. Estudios Económicos 33(1), pp. 27-56.
Scotti, M. C. M. (2015). Buscadores, desalentados y rechazados: Las dinámicas de inclusión y exclusión laboral enraizadas en la desocupación. El Colegio de México. https://repositorio.colmex.mx/concern/theses/w95050724?locale=es
Segovia Hernández, D. A. (2021). Pronóstico del desempleo en México: aplicación de series de tiempo multivariadas. Universidad Veracruzana. Facultad de Estadística e Informática. Región Xalapa. https://cdigital.uv.mx/server/api/core/bitstreams/0ae33d76-e58d-487e-a998-38851a467e45/content
Sen, J., Mehtab, S., Sen, R., Dutta, A., Kherwa, P., Ahmed, S., Berry, P., Khurana, S., Singh, S., Cadotte, D., Anderson, D., Ost, K., Akinbo, R., Daramola, O., & Lainjo, B. (2022, January). Machine learning: Algorithms, models, andapplications.https://doi.org/10.48550/arXiv.2201.01943
Woytinsky, W. S. (1940). Additional workers on the labor market in depressions: A reply to Mr. Humphrey. Journal of Political Economy, 48(5), pp. 735-739. https://doi.org/10.1086/255613
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Luz Judith Rodríguez Esparza, Dolly Anabel Ortiz Lazcano, Mónica Fernanda Llamas Valle
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
El envío de un manuscrito a la Revista supone que el trabajo no ha sido publicado anteriormente (excepto en la forma de un abstract o como parte de una tesis), que no está bajo consideración para su publicación en ninguna otra revista o editorial y que, en caso de aceptación, los autores están conforme con la transferencia automática del copyright a la Revista para su publicación y difusión. Los autores retendrán los derechos de autor para usar y compartir su artículo con un uso personal, institucional o con fines docentes; igualmente retiene los derechos de patente, de marca registrada (en caso de que sean aplicables) o derechos morales de autor (incluyendo los datos de investigación).
Los artículos publicados en la Revista están sujetos a la licencia Creative Commons CC-BY-SA de tipo Reconocimiento-CompartirIgual. Se permite el uso comercial de la obra, reconociendo su autoría, y de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
Hasta el volumen 21 se ha estado empleando la versión de licencia CC-BY-SA 3.0 ES y se ha comenzado a usar la versión CC-BY-SA 4.0 desde el volumen 22.
