La automatización del empleo en México y sus efectos sobre las disparidades salariales

Job automation in Mexico and its effects on wage disparities

Owen Eli Ceballos Mina

Universidad Autónoma Metropolitana - Azcapotzalco, Departamento de Economía, CDMX (México).

Correo electrónico: oecm@azc.uam.mx


Humberto Guadarrama Gómez

Universidad Autónoma Metropolitana - Azcapotzalco, Departamento de Economía, CDMX (México).

Correo electrónico: hugg@azc.uam.mx



Recibido: 26 de junio de 2023

Evaluado: 8 de agosto de 2024

Aceptado: 4 de octubre de 2024

DOI: 10.13043/DYS.100.1


Resumen

Las nuevas tecnologías reconfiguran la economía mundial y los mercados laborales. Este artículo estudia los impactos del riesgo de automatización del empleo sobre las brechas salariales en México. Con datos de la Encuesta Nacional de Ocupación y Empleo de 2024, se aplica el método de descomposición Oaxaca-Blinder, corrigiendo el sesgo de selección muestral, para estimar los efectos de la probabilidad de automatización sobre los salarios. Se evidencian impactos negativos de la automatización sobre los sueldos, los cuales afectan, especialmente, a los trabajadores menos calificados. Dada la especialización del capital humano a nivel regional, el Centro y el Sur del país enfrentan las mayores brechas salariales, explicables por las diferencias observables entre sus trabajadores. El Norte, el Noroeste y el Occidente del país enfrentan los mayores efectos de la probabilidad de automatización sobre la discriminación salarial. Se concluye que la escolaridad tiene una función estratégica para reducir las brechas salariales, asociadas al riesgo de la automatización del empleo.

Palabras clave: Automatización, brecha salarial, capital humano, cambio técnico, México.

Clasificación JEL: J01, J08, J31.

Abstract

The adoption of new technologies is reshaping the global economy and labor markets. This article examines the effects of job automation risk on wage gaps in Mexico. Using data from the 2024 National Survey of Occupation and Employment, the Oaxaca-Blinder decomposition method is applied, correcting for sample selection bias, to estimate the effects of automation probability on wages. The findings reveal that automation has negative impacts on wages, particularly for low-skilled workers. Due to regional human capital specialization, the Central and Southern regions present greater wage gaps, explained by observable differences among workers. In contrast, the Northern, Northwestern, and Western regions exhibit the strongest effects of wage discrimination due to automation probability. The study concludes that education plays a strategic role in reducing wage gaps caused by the risk of automation.

Keywords: Automation, wage gaps, human capital, technological change, Mexico.

JEL Classification: J01, J08, J31.

DyS watermark

Introducción

El análisis de las disparidades en la distribución de la riqueza y del ingreso sigue siendo un tema central en la agenda de política pública y en la literatura científica de los países en desarrollo (Campos-Vázquez et al., 2022). Los estudios, en su gran mayoría, buscan comprender la incidencia de la desigualdad sobre el crecimiento, su estrecha relación con la pobreza y la estabilidad sociopolítica (Alarcón y McKinley, 2022; Mihaylova y Bratoeva, 2018; Milanovic, 2017). Los efectos de este fenómeno dependen de su agudeza, de la estructura productiva de las economías que lo padecen y de las oportunidades y las capacidades de los individuos para enfrentar las desventajas. El análisis de la desigualdad resulta esencial para el diseño de una política económica que la reduzca y fomente el desarrollo sostenible (Piketty, 2014).

En el escenario de las grandes desigualdades, la computarización y la robotización de las actividades productivas es un proceso de cambio técnico, conocido como automatización del empleo, el cual transforma la economía y amplía sus disparidades, al reconfigurar los mercados laborales (Frey y Osborne, 2017). En las últimas décadas, la automatización ha generado diversos efectos, por medio del incremento de la productividad, el desplazamiento de la mano de obra y los cambios sobre la estructura salarial (Brall y Schmid, 2023; Maurizio et al., 2023; Varela y Tavares, 2023). Con la automatización, los trabajadores con mayor especialización podrían ser más valorados o mantener su empleo, mientras que aquellos con menor capital humano se vuelven vulnerables y menos atractivos. Esta polarización puede incrementar la desigualdad salarial, ya agravada por factores como el género y la informalidad (Espíndola y Suárez, 2023; Autor, 2019).

La influencia del cambio técnico y la automatización sobre el desplazamiento laboral varía según factores económicos, políticos y sociales (Brougham y Haar, 2020; Minian y Martínez, 2018). En 2018, se estimaba que más de 68 % del empleo total en México poseía alto riesgo de ser afectado por la automatización de las ocupaciones (Banxico, 2018). Si bien, con ello se esperaba una reducción en las tasas de ocupación, la computarización y la robotización de actividades productivas también han traído consigo nuevos puestos de trabajo en industrias como la automotriz (González-Pérez, 2022). En definitiva, es evidente que los efectos variados de la automatización del empleo y sus distintas direccionalidades pueden transformar la composición del mercado laboral, en función de las particularidades de cada estructura productiva (Acemoglu y Restrepo, 2017).

En México, los estudios sobre este tema se centran en identificar cómo el riesgo de automatización afecta el empleo y los salarios de en ocupaciones, por separado (Cebreros et al., 2020; Minian y Martínez, 2018; Varela y Tavares, 2023). Sin embargo, se ha prestado menos atención a este fenómeno, en el conjunto de las disparidades salariales. La automatización se entiende como un cambio técnico, sesgado a favor de las habilidades, lo que puede polarizar el mercado laboral (Acemoglu y Autor, 2012). Este cambio podría aumentar las brechas entre trabajadores calificados y no calificados, ya que la demanda de empleados para tareas rutinarias disminuiría, lo que reduce sus ingresos, mientras que los salarios de los trabajadores con habilidades técnicas avanzadas aumentarían, por su complementariedad con las nuevas tecnologías (Acemoglu y Restrepo, 2017).

Este trabajo presenta, entonces, un análisis del efecto de la automatización del empleo sobre la desigualdad salarial en la economía mexicana, con datos del tercer trimestre de la Encuesta Nacional de Ocupación y Empleo (Enoe) de 2024, a nivel nacional y en cinco regiones. El ejercicio empírico parte de identificar las probabilidades de automatización del empleo, adaptando el enfoque de Frey y Osborne (2017) a las 481 ocupaciones disponibles en el catálogo mexicano del Sistema Nacional de Clasificación de Ocupaciones (Sinco), del Instituto Nacional de Estadística y Geografía (Inegi). La estrategia econométrica se apoya en un modelo de descomposición Oaxaca-Blinder (1973), con corrección del sesgo de selección muestral, usando el método de Heckman (1974) en dos etapas, para estimar las diferencias salariales atribuibles al riesgo de automatización de las ocupaciones.

La estrategia de identificación permite calcular las diferencias salariales entre trabajadores de ocupaciones con alto riesgo de ser reemplazados por la automatización, y aquellos con probabilidad por debajo de la media. El método Oaxaca-Blinder descompone la brecha entre (a) la parte atribuible a las características observables de los trabajadores y (b) la parte relacionada con el riesgo de automatización del empleo. Además, la estrategia permite corregir el monto de los salarios por el sesgo de selección muestral, generado entre ocupados y no ocupados en el mercado laboral mexicano. Los modelos se estiman a nivel nacional y por regiones, agrupando las 32 entidades federativas del país en Noroeste, Norte, Occidente, Centro y Sur. Ello, con la finalidad de capturar las heterogeneidades salariales y las diferencias en los niveles de calificación de los trabajadores según la zona geográfica.

Los resultados señalan que la brecha salarial a nivel nacional por el riesgo de automatización es estadísticamente significativa y se encuentra entre 3 850.04 pesos mexicanos (MXN) y hasta los 4 481.18 MXN. Si bien las características observables de los trabajadores explican la mayor parte de estas diferencias salariales, el componente asociado con la automatización del empleo representa el 33-23 % de la brecha, después de corregir por el sesgo de selección muestral (1 043.65 MXN). Las estimaciones muestran que los trabajadores en ocupaciones con mayor probabilidad de automatización (los de menor cualificación) enfrentan presiones a la baja sobre su salario, ante la posibilidad de ser reemplazados por tecnologías automatizadas. En contraste, en ocupaciones de mayor cualificación laboral y menor riesgo de automatización, se perciben mayores retornos educativos y compensaciones.

A nivel regional, se observa que las disparidades salariales son mayores en el Centro y el Sur. Sin embargo, tras corregir el sesgo de selección, no se identifican efectos de la automatización en estas regiones, ya que la brecha salarial se explica completamente por las diferencias entre los trabajadores. En contraste, en el Noroeste (49 %), el Norte (39 %) y el Occidente (37 %), el riesgo de automatización contribuye significativamente a la brecha salarial. Ello indica una presión adicional sobre los salarios de los trabajadores menos calificados. Esto podría deberse a una adopción de tecnologías automatizadas más acelerada en estas zonas, mientras que, en el Centro y Sur del país, donde la informalidad es mayor, la automatización avanza a ritmo más lento. Los resultados subrayan la importancia de fortalecer la formación educativa de los trabajadores menos calificados, a fin de mejorar su capacidad de adaptación al cambio tecnológico.

El documento se estructura en cinco secciones, además de esta introducción. La primera sección reseña diversos estudios sobre automatización del empleo y fenómenos derivados, como el desempleo tecnológico y las disparidades salariales. La segunda describe los datos empleados y la correlación entre la probabilidad de automatización del empleo y diversas características socioeconómicas y demográficas de la fuerza laboral mexicana. La tercera sección detalla la estrategia empírica del estudio para medir el efecto de la automatización en la brecha salarial de los trabajadores mexicanos. La cuarta presenta y discute los resultados del estudio. Finalmente, se exponen las conclusiones de nuestro análisis.

I. Cambio técnico sesgado y desigualdad salarial

El vínculo entre el cambio tecnológico y el mercado de trabajo ha sido un asunto central en la economía. Keynes (1930) argumentó que la innovación podía generar desempleo transitorio, mientras que Solow (1956) la consideraba el motor del crecimiento, pues impulsa la productividad de los factores. Posteriormente, se evidenció que el cambio tecnológico, junto con la acumulación de capital humano, podía aumentar la desigualdad salarial, ya que los trabajadores más calificados obtenían mayores retornos por su educación (Card y DiNardo, 2002; Krueger, 1993). En esta línea, Goldin y Katz (2008), basándose en Tinbergen (1974), señalaron una persecución entre la oferta y la demanda de habilidades, donde el sistema educativo busca equilibrar los efectos del cambio tecnológico. En la actualidad, este proceso se ha centrado en la automatización y sus efectos sobre la desigualdad salarial (Acemoglu y Johnson, 2023; Autor, 2022).

La automatización del empleo se define como la computarización o la robotización, total o parcial, de las actividades productivas, mediante equipos programables (Espíndola y Suárez, 2023; Frey y Osborne, 2017). Dicha automatización es un cambio técnico en los procesos productivos, a los que se incorporan máquinas capaces de replicar acciones humanas, que realizan labores con mayor precisión y rapidez, de forma autónoma o semiautónoma, en condiciones específicas. Este fenómeno incide de manera diferenciada en la producción y genera efectos de escala de producción y sustitución de mano de obra (Aboal et al., 2021; Maurizio et al., 2023). El efecto escala se asocia con una función complementaria de la automatización, ya que incrementa la productividad del capital físico y humano; incluso, puede aumentar la demanda de trabajo. En contraste, el efecto sustitución provoca el reemplazo del trabajador por un equipo computarizado (Bentaouet-Kattan et al., 2021; Dawid y Neugart, 2023).

Dadas las características de la automatización, los efectos esperados sobre las estructuras del empleo son heterogéneos. Por un lado, el avance de la tecnología podría impulsar un sesgo hacia las habilidades, a favor de los trabajadores con mayor nivel educativo y habilidades especializadas. Con el tiempo, el empleo se incrementaría en segmentos del mercado con mejores salarios, y se reduciría la demanda de trabajo en ocupaciones de menor cualificación (Acemoglu, 2002; Autor et al., 1998). Por otro lado, la hipótesis del cambio técnico sesgado sostiene que la revolución digital ha automatizado tareas rutinarias y, consecuentemente, ha reducido el empleo de calificación intermedia y polarizado el mercado laboral, con crecimiento en los segmentos de alta y baja calificación (Autor et al., 2003; Gooset al., 2014).

En la última década, se han desarrollado al menos dos metodologías para identificar y cuantificar la probabilidad de que una ocupación sea afectada por los procesos de automatización; ambas en el mercado laboral de Estados Unidos. La primera, desarrollada por el McKinsey Global Institute (2017), se enfoca en analizar tareas y examinar 2 000 actividades en 800 profesiones. Esta estrategia para determinar la probabilidad de automatización evalúa diversas competencias, como la percepción sensorial, las habilidades cognitivas, el procesamiento del lenguaje natural, las competencias socioemocionales y físicas. Desde esta perspectiva, se estima que el 49 % de los empleos evaluados puede automatizar algunas de sus actividades, pero solo el 5 % de dichos empleos podría ser reemplazado con tecnologías automatizadas en su totalidad.

Por otro lado, Frey y Osborne (2017) realizaron un estudio centrado en profesiones, utilizando un proceso de clasificación gaussiano para estimar la probabilidad de que 702 ocupaciones, provenientes de la encuesta estadounidense O*NET del Departamento de Empleo, fueran automatizadas mediante la computarización. Los autores identificaron que los empleos menos propensos a la automatización se distinguen por presentar ciertos “cuellos de botella”, como la necesidad de inteligencia social, creatividad y habilidades de percepción y manipulación. Todos ellos son factores que aún se resisten a ser replicados por la tecnología actual. Los cálculos de los autores sugieren cerca del 56 % del empleo podría ser sustituido por equipos controlados por computadoras.

Como resultado de los efectos de escala de la producción y la sustitución de la mano de obra que derivan en ocupaciones de alta calificación con remuneraciones elevadas y en la reducción de las ocupaciones de baja calificación (Acemoglu y Autor, 2012), la automatización del empleo puede llevar a una polarización del mercado de trabajo (Espíndola y Suárez, 2023). Los trabajadores con bajos niveles de calificación enfrentan presiones adicionales a la baja sobre su salario, debido a la alta susceptibilidad y riesgo de ser reemplazados por equipos controlados por computadora. Entretanto, los trabajadores con altos niveles de calificación son favorecidos con nuevas oportunidades de empleo y mayores retornos de la educación (Acemoglu y Restrepo, 2017; Acemoglu y Restrepo, 2022). Por consiguiente, la automatización debe entenderse como una manifestación del cambio tecnológico, sesgado a favor de las habilidades (Acemoglu y Loebbing, 2022).

La implementación de tecnologías relacionadas con la robotización y automatización del empleo en conjunto con su resultado de la polarización de los mercados laborales se ha manifestado en algunas tendencias económicas globales. Por ejemplo, en países con altos ingresos, se estima que una parte significativa de la estructura salarial está influenciada por el cambio técnico guiado por la automatización, además de las reducciones de salarios de trabajadores menos calificados (Acemoglu y Restrepo, 2017; Ferreiro-Seoane et al., 2023; Wang, 2020). De la misma forma, en países de ingresos medios como los latinoamericanos, los procesos de automatización confirman la existencia de una polarización del mercado laboral (Maurizio et al., 2023; Posso y Medina, 2018).

Brall y Schmid (2023) analizaron cómo la automatización y la robotización influyeron en la desigualdad salarial en el sector manufacturero en Alemania, en 1996-2017. Para ello, aplicaron un análisis de descomposición basado en regresiones de funciones de influencia recentrada (RIF, por sus siglas en inglés). Sus hallazgos indican que, además de los cambios en las características personales de los trabajadores, los cambios en los grupos con diferentes niveles de riesgo de automatización también influyeron en la desigualdad salarial. Además, concluyen que la mayor diferencia en los salarios entre estos grupos de riesgo ha contribuido significativamente a la creciente desigualdad salarial durante los años 1990 y 2000.

En México, Minian y Martínez (2018) analizaron la vulnerabilidad del empleo ante el avance tecnológico, destacando la mejoría en la eficiencia productiva y la competitividad, al tiempo que altera los patrones de producción y reemplaza el trabajo humano en tareas donde las máquinas son más eficaces. Utilizando la metodología de Frey y Osborne (2017) y datos de la ENOE, determinaron que el 63 % del empleo total y el 64.5 % del empleo en el sector manufacturero están en riesgo de automatización. Identificaron que la automatización impacta de manera desigual, según el nivel de calificación de los trabajadores, donde los menos calificados son los más vulnerables. Sin embargo, subrayan que el efecto histórico de la automatización ha sido transformar la estructura del mercado laboral, más que causar desempleo masivo, dato respaldado por estudios específicos como el de González Pérez (2022) sobre la industria automotriz mexicana.

Varela y Tavares (2023) examinaron cómo el cambio tecnológico influyó en la desigualdad entre trabajadores de diferentes niveles de competencia y calificación en México, durante 2018 y 2021. Con datos de la Enoe y un modelo con corrección de sesgo de selección muestral basado en Heckman, analizaron la relación entre el cambio tecnológico y la desigualdad de ingresos. Encontraron que los trabajadores en ocupaciones con niveles medios y altos de automatización tienden a percibir salarios inferiores, en comparación con aquellos en ocupaciones menos susceptibles a la automatización.

En resumen, la automatización del empleo, mediante la informatización de actividades productivas, genera efectos de escala y sustitución que influyen en el mercado laboral. Estudios como los del McKinsey Global Institute (2017) y el de Frey y Osborne (2017) demuestran que una gran proporción de empleos puede ser automatizada, con mayores consecuencias en los menos calificados. En México, las investigaciones de Minian y Martínez (2018) y Varela y Tavares (2023) confirman que la automatización afecta de manera desigual y perjudica más a los trabajadores menos calificados. A diferencia de esos estudios, el presente trabajo plantea que la automatización, al representar un cambio técnico con sesgo hacia las habilidades, puede generar desventajas para los trabajadores con menor calificación, lo que termina presionando a la baja sus salarios y ampliando la brecha salarial en favor de los trabajadores con mayor acumulación de capital humano.

II. Automatización del empleo en México

La Enoe, publicada trimestralmente por el Inegi, es la principal fuente de datos para analizar el mercado laboral mexicano, pues proporciona información sobre diversos aspectos laborales, incluyendo la composición de la fuerza laboral, el empleo, la formalidad y la informalidad, el subempleo y el desempleo a nivel nacional. Esta encuesta abarca tanto localidades rurales como urbanas, cubriendo todas las entidades federativas y 39 de las principales ciudades del país, de forma representativa. Para este estudio, se utilizaron datos del tercer trimestre de 2024. Específicamente, se usó información de los módulos de datos sociodemográficos y del cuestionario de ocupación y empleo para los trabajadores mayores de 15 años.

Con la finalidad de identificar las ocupaciones en las que se desempeñan los trabajadores de la muestra, se recurrió al catálogo del Sinco, publicado por el Inegi (2019). El sistema tiene el objetivo de estandarizar las clasificaciones ocupacionales, para facilitar el análisis estadístico y asegurar un manejo uniforme de la información. Además, permite comparar datos del mercado de trabajo al interior de México y con otras instituciones del país, lo que contribuye a una mejor interpretación y comprensión del mercado laboral mexicano, por medio de una clasificación sistemática. El catálogo del Sinco se conforma de 489 ocupaciones, agrupadas en nueve categorías, en función de criterios como el nivel de responsabilidad, los ámbitos de acción de las ocupaciones y la especialización en las actividades específicas1.

Para determinar la probabilidad de que una ocupación sea reemplazada por tecnologías automatizadas en México, se adaptaron los cálculos elaborados por Frey y Osborne (2017), correspondientes a ocupaciones registradas en la encuesta O*NET, emparejándolos con las ocupaciones inscritas en el Sinco. Cuando no se identificaron coincidencias directas entre los catálogos, se asignó la probabilidad de una ocupación similar o la media del subgrupo al que el empleo pertenecía. Siguiendo a Cebreros et al. (2020) y Varela y Tavares (2023), se asumió que las probabilidades identificadas por Frey y Osborne (2017) son aplicables a las ocupaciones mexicanas, dado que las tareas de cada ocupación no difieren significativamente de un país a otro. Una vez realizado el emparejamiento de ocupaciones y probabilidades, se estimó que la probabilidad media de automatización de la fuerza laboral en México es de 68 % para el empleo total; de 58 % para la media del empleo formal, y de 80 % para el informal2.

Siguiendo el trabajo de Orozco et al. (2019), que agrupa los estados mexicanos para un análisis de la movilidad social, esta propuesta adopta una idea similar con modificaciones para capturar la exposición al cambio técnico, considerando la dispersión del capital humano. Las 32 entidades federativas del país se agruparon en cinco regiones: (1) la Noroeste, caracterizada por su manufactura con orientación exportadora; (2) la región Norte, que se identifica con un perfil industrial; (3) la Occidente, caracterizada por la modernización productiva; (4) la región Centro, que mantiene el papel de núcleo económico del país; y (5) la región Sur, que se identifica con menor penetración de tecnologías y automatización3. Esta agrupación regional permite caracterizar la heterogeneidad productiva y laboral del país en función de los retos tecnológicos actuales.

La figura 1 muestra la probabilidad promedio de automatización del empleo, asociada a cada región. En la que se observa mayor vulnerabilidad es en el Sur (0.7211), donde los trabajos parecen más expuestos a ser reemplazados por tecnología. Esto no debe interpretarse como un reflejo de una mayor inversión tecnológica en la región, sino como un indicio de que su estructura ocupacional depende en mayor medida de tareas rutinarias, fácilmente sustituibles, incluso en contextos con baja adopción tecnológica. El Sur se caracteriza por una alta susceptibilidad ante el cambio tecnológico, más que por una alta intensidad de automatización en la práctica.

Esta vulnerabilidad potencial en el Sur refleja presiones estructurales en el mercado laboral, donde la informalidad, la baja escolaridad y la concentración en sectores primarios incrementan el riesgo de que los empleos sean desplazados, si hay mayor inversión en tecnologías automatizadas. En contraste, el noroeste (0.6585) presenta la menor probabilidad de automatización, lo que sugiere mayor presencia de sectores menos susceptibles a la sustitución tecnológica, como manufactura avanzada o servicios especializados. Las regiones Centro (0.6928), Occidente (0.6643) y Norte (0.6647) ostentan valores cercanos entre sí, lo que refleja exposición similar al cambio tecnológico.

Por su parte, la figura 2 muestra los porcentajes de trabajadores no calificados a nivel regional4. Se observa que la región Sur (31.91 %) presenta la mayor proporción, lo que sugiere menor presencia de empleos que requieran educación formal o habilidades técnicas avanzadas. Le sigue la región Occidente (23.76 %), mientras que el Centro (17.91 %), el Norte (15.70 %) y el Noroeste (15.53 %) registran los menores valores. Estas diferencias reflejan la relación entre la probabilidad de automatización y la acumulación de capital humano: en regiones con mayor calificación, el riesgo de automatización es menor, mientras que en aquellas con menor nivel educativo y habilidades técnicas, la vulnerabilidad ante la automatización se incrementa.

Figura 1. Probabilidad de automatización media por regiones

Figura 1

Fuente: elaboración propia con datos de la Enoe, correspondientes al tercer trimestre de 2024.

Figura 2. Porcentaje de trabajadores no calificados por región

Figura 2

Fuente: elaboración propia con datos de la Enoe, correspondientes al tercer trimestre de 2024.

El cuadro 1 confirma el patrón observado en torno a la calificación laboral y la distribución de las probabilidades de automatización a nivel regional, en los mapas de las figuras 1 y 2, de modo que se establece la relación entre el nivel de escolaridad y la probabilidad de automatización a nivel nacional. Para su elaboración, se definió que ocupaciones con alta probabilidad de automatización son todas aquellas con un valor por encima de la media nacional, estimada de 68 %. Se observa que, de los trabajadores mexicanos en ocupaciones con baja probabilidad de automatización, el 24 % tiene nueve años de escolaridad o menos, mientras que el 46 % cuentan con estudios superiores.

Cuadro 1. Proporción de trabajadores por nivel escolaridad y por probabilidad de automatización a nivel nacional

Probabilidad de
automatización 		Escolaridad
Baja Alta
Baja 0.24 0.46
Alta 0.58 0.12

Fuente: elaboración propia con datos de la Enoe, correspondientes al tercer trimestre de 2024.

También se observa, en el cuadro referido, que entre los trabajadores en ocupaciones con alta probabilidad de automatización, el 58 % apenas alcanza nivel de secundaria; y solo el 12 % posee estudios superiores. Estas observaciones sugieren que trabajadores con menor escolaridad suelen desempeñarse en empleos de baja calificación, con mayor exposición al riesgo de automatización. Así, la escolaridad y la calificación laboral están estrechamente vinculadas con la acumulación de capital humano, como factor clave en la vulnerabilidad frente a la automatización.

La figura 3 muestra el salario mensual promedio, según el nivel de automatización del empleo a nivel regional y nacional. En todas las regiones, los empleos con bajo riesgo de automatización (por debajo de la media nacional), generalmente más calificados, ofrecen mayores salarios. Las brechas salariales son más marcadas en el Noroeste y Norte, donde los salarios en ocupaciones con bajo riesgo de automatización superan los 10 000 MXN, frente a 8 000 MXN en empleos con alto riesgo. En el Centro y Sur, los trabajadores en ocupaciones con alta probabilidad de automatización ganan menos de 6 000 MXN, lo que evidencia mayor precariedad salarial. En conjunto, esta evidencia descriptiva sugiere que la automatización podría tener incidencia en la estructura salarial que afecta más a los empleos que requieren menor escolaridad y capital humano.

Figura 3. Salario mensual promedio por nivel de automatización a nivel regional y nacional

Figura 3

Fuente: elaboración propia con datos de la Enoe, correspondientes al tercer trimestre de 2024.

Las diferencias observadas en los niveles de automatización, calificación laboral y salarios están estrechamente relacionadas con la estructura del capital humano en cada región (cuadro 2). Se evidencia que la escolaridad es menor en el Sur (9.50 años) y mayor en el Noroeste (11.33 años). De manera consistente, el Sur también presenta la mayor informalidad (70 %) y proporción de trabajadores en zonas rurales (37 %), lo que refuerza su menor acceso a empleos formales o mejor remunerados. Estas diferencias estructurales contribuyen a explicar por qué las regiones con mayor escolaridad y menor informalidad se asocian con una menor exposición a la automatización y mayores salarios.

Cuadro 2. Características económicas y sociodemográficas por región y a nivel nacional

Variable Noroeste Norte Occidente Centro Sur Nacional
Escolaridad 11.33 11.03 10.31 11.09 9.50 10.62
Experiencia 22.51 22.86 23.31 24.06 25.94 23.99
Mujer 0.42 0.40 0.41 0.42 0.38 0.41
Rural 0.13 0.14 0.20 0.16 0.37 0.20
Informalidad 0.41 0.42 0.54 0.56 0.70 0.55
Sector primario 0.10 0.09 0.12 0.07 0.24 0.12
Sector secundario 0.27 0.32 0.26 0.23 0.19 0.25
Sector terciario 0.63 0.59 0.62 0.70 0.57 0.63
Observaciones 21 261 44 820 35 611 40 621 50 950 193 263

Nota: cifras ajustadas con el factor de expansión trimestral.

Fuente: elaboración propia con datos de la Enoe, correspondientes al tercer trimestre de 2024.

La brecha en años de experiencia también es relevante, ya que el Sur registra el promedio más alto (25.94 años). Ello podría indicar más presencia de trabajadores de mayor edad en sectores menos dinámicos y de menor capacidad de adaptación tecnológica. A nivel nacional, la proporción de mujeres ocupadas es de 41 %, sin variaciones significativas entre regiones, lo que sugiere que la desigualdad en automatización y salarios está más vinculada con la acumulación de capital humano que con la composición de género. Estos datos refuerzan la idea de que las diferencias en la calificación laboral influyen no solo en la estructura salarial y la informalidad, sino también en la vulnerabilidad de los trabajadores ante el cambio tecnológico.

En resumen, este conjunto de estadística descriptiva sugiere que la automatización del empleo en México está estrechamente vinculada con la calificación laboral y la estructura del capital humano en cada región. La mayor vulnerabilidad frente a la automatización se concentra en regiones donde predominan trabajadores con menor escolaridad y alta informalidad, hecho reflejado en menores niveles salariales y mayor exposición a tareas rutinarias. En contraste, las regiones con mayor acumulación de capital humano presentan menor probabilidad de automatización y mejores condiciones laborales, lo que sugiere, a su vez, que la inversión en educación y el fortalecimiento del empleo formal son factores clave para mitigar los efectos del cambio tecnológico.

III. Descomposición de la brecha por automatización

Aquí, se da a conocer el resultado de un análisis de descomposición de la brecha salarial entre trabajadores con bajo y alto riesgo de automatización. Para ello, se utilizó el método propuesto por Oaxaca (1973) y Blinder (1973). El sesgo de selección muestral se corrigió mediante el método de dos etapas de Heckman (1974, 1979). El método Oaxaca-Blinder parte de la estimación de una ecuación salarial de Mincer, mediante un modelo de regresión lineal, por mínimos cuadrados ordinarios (MCO), la cual toma como variable dependiente el logaritmo del salario del trabajador i, en función de los años de escolaridad y la experiencia laboral (lineal y cuadrática), como se muestra en la ecuación 1.

$$ ln(W_i) = \alpha + \beta_1\,educ + \beta_2\,experiencia + \beta_3\,experiencia^{2} + \varepsilon_i \tag{1} $$

En esta ecuación, el parámetro α es el intercepto; mientras que β1 mide el retorno porcentual del salario por cada año de escolaridad adicional; los parámetros β2 y β3, a su turno, miden el efecto de la experiencia salarial en el logaritmo del salario; y εi es el término de error aleatorio. Se aplicó la transformación logarítmica al salario, debido a que este tratamiento permite interpretar los coeficientes de las variables explicativas como efectos aproximados, en términos porcentuales tal y como se realiza tradicionalmente y de forma consistente en la literatura empírica sobre la estimación de los salarios, en función del capital humano, mediante la ecuación minceriana.

El método Oaxaca-Blinder propone dividir, posteriormente, la muestra de trabajadores en dos grupos (A y B), para comparar sus variaciones en torno a la ecuación estimada. El criterio de división puede centrarse en aspectos como el género, la etnia, la edad, o el riesgo de automatización. De esa forma, se plantearon dos ecuaciones mincerianas con la misma estructura, para cada uno de los grupos, como se muestra en las ecuaciones 2 y 3.

$$ ln(W_A) = \alpha + \beta_1 X_i + \varepsilon_i \tag{2} $$
$$ ln(W_B) = \alpha + \beta_1 X_i + \varepsilon_i \tag{3} $$

Donde WA y WB representan el salario, expresado en términos logarítmicos, de cada grupo; Xi son los determinantes del salario; β1 es un vector de parámetros asociados a las características Xi y εi es el error aleatorio. De acuerdo con Jann (2008), a partir de las ecuaciones 2 y 3, la brecha salarial puede descomponerse en dos partes (ecuación 4).

$$ \mathit{ln}(W_A) - \mathit{ln}(W_B) = \{\mathit{E}(X_A) - \mathit{E}(X_B)\}'\,\beta^{*} + \{\mathit{E}(X_A)'(\beta_A - \beta^{*}) + \mathit{E}(X_B)'(\beta^{*} - \beta_B)\} \tag{4} $$

La diferencia \( \mathit{ln}(W_A) \) y \( \mathit{ln}(W_B) \) representa la brecha salarial logarítmica entre los trabajadores de los grupos A y B, dividida en dos componentes: explicada y no explicada5. La parte explicada, \( \{\mathit{E}(X_A) - \mathit{E}(X_B)\}'\,\beta^{*} \), refleja las diferencias en las características observables entre los grupos, ponderada por un coeficiente no discriminatorio \( \beta^{*} \), calculado como una ponderación de los coeficientes de ambos grupos.

La parte no explicada, \( \{\mathit{E}(X_A)'(\beta_A - \beta^{*}) + \mathit{E}(X_B)'(\beta^{*} - \beta_B)\} \), a su vez, se atribuye a las diferencias en los coeficientes \( \beta_1 \) y \( \beta_2 \). Este último componente suele interpretarse como el resultado de la discriminación salarial, aunque también puede reflejar la influencia de factores no observados que, sin embargo, afectan la determinación de los salarios.

En este trabajo se utilizó el ingreso laboral mensual de trabajadores mayores de 15 años, actualizado al tercer trimestre de 2024. Se dividió la muestra en trabajadores de bajo y alto riesgo de ser reemplazados por tecnología automatizada, dada la probabilidad media nacional de automatización de las ocupaciones tal como se expresó en el apartado anterior sobre los descriptivos de la muestra. Además de las variables especificadas en la ecuación 1, se introdujeron controles como el número mensual de horas trabajadas, el género, la localidad rural, el empleo informal y la pertenencia al sector de actividad:

\begin{equation} \begin{aligned} &\mathit{ln}(W_i) = \alpha + \beta_{1}\,\mathit{educ} + \beta_{2}\,\mathit{horas}_{\mathit{trabajadas}} + \beta_{3}\,\mathit{experiencia} \\ &\quad + \beta_{3}\,\mathit{experiencia}^{2} + \beta_{3}\,\mathit{mujer} + \beta_{3}\,\mathit{rural} \\ &\quad + \beta_{3}\,\mathit{informal} + \mathit{secundario} + \mathit{terciario} + \varepsilon_{i} \end{aligned} \tag{5} \end{equation}

Para corregir el sesgo de selección muestral, se empleó el método en dos etapas desarrollado por Heckman (1979). En la primera, se estima un modelo probit para determinar la probabilidad de que un individuo sea seleccionado en la muestra (ecuación 6).

\begin{equation} d^{*} = Z\delta + v \tag{6} \end{equation}

Donde d* es una variable latente que indica la probabilidad del individuo de ser seleccionado en la muestra de individuos ocupados; Z es un vector de variables independientes que afectan la selección; δ es un vector de coeficientes a estimar; y v es el término de error, el cual sigue una distribución normal estándar. En este trabajo, las variables incluidas en Z fueron los años de escolaridad, la edad lineal y cuadrática, y las indicadoras de género (mujer), localización rural y estado civil soltero.

\begin{equation} d = \begin{cases} 1 & \text{si } d^{*} > 0 \\ 0 & \text{si } d^{*} \leq 0 \end{cases} \tag{7} \end{equation}

Se estimó el modelo probit para obtener el valor de δ con base en la variable binaria d (ecuación 7; participa o no participa en la muestra) y el vector de variables explicativas Z. Una vez estimados los coeficientes δ, se calculó la inversa de Mills (λ), como la razón entre la función de densidad acumulada y la función de distribución acumulativa de la normal, la cual se emplea para capturar la magnitud del sesgo de selección muestral (ecuación 8).

\begin{equation} \lambda = \frac{\phi(Z\delta)}{\Phi(Z\delta)} \tag{8} \end{equation}

Con la obtención de la razón de Mills, concluyó la primera etapa del método de Heckman. Es importante señalar que, al incorporar el método de Heckman en la metodología Oaxaca-Blinder, la primera etapa debe aplicarse a cada grupo por separado. Del mismo modo, la segunda etapa del proceso consiste en estimar las ecuaciones mincerianas para cada grupo, incluyendo la corrección obtenida en la primera etapa (ecuación 6):

\begin{equation} \ln(W_{A}) = X\hat{\beta} + \hat{\gamma} \lambda(Z\hat{\delta}) \tag{9} \end{equation}
\begin{equation} \ln(W_{B}) = X\hat{\beta} + \hat{\gamma} \lambda(Z\hat{\delta}) \tag{10} \end{equation}

Finalmente, se descompuso la diferencia salarial en sus dos componentes, como se mostró en la ecuación 4. Esto permitió estimar la brecha salarial asociada con el riesgo de automatización de los trabajadores, al tercer trimestre de 2024 en México. Este procedimiento se replicó a nivel nacional y para las cinco regiones en que se dividió el país.

IV. Resultados

En esta sección se presentan los principales resultados de la descomposición de la brecha salarial por el riesgo de automatización del empleo, sin y con corrección del sesgo de selección, a nivel nacional y regional. Primero, se revisan las estimaciones MCO del salario por nivel de automatización, correspondientes a las ecuaciones 2 y 3. Se observa que la escolaridad, la experiencia y las horas trabajadas tienen efecto positivo y significativo sobre los ingresos, mientras que la informalidad y la condición de ser mujer se asocian con menores salarios, como sugiere la literatura empírica.

El cuadro 3 muestra que los efectos de la escolaridad y la experiencia son más pronunciados en ocupaciones con baja probabilidad de automatización, lo que indica (1) menores retornos del capital humano en empleos con mayor riesgo y (2) el incremento de la brecha salarial entre los dos grupos de trabajadores. Se observa que el diferencial salarial por la informalidad es mayor en ocupaciones con bajo riesgo (-42.1 %) frente a las de alto (-37.5 %), es decir, trabajadores informales en ocupaciones menos automatizables enfrentan mayor penalización salarial. También se observa que el sector secundario (37.1 %) y el terciario (25.8 %), frente al primario, presentan primas salariales significativas en ocupaciones con alto riesgo, posiblemente por la existencia de habilidades técnicas aún no completamente reemplazadas por la tecnología.

Cuadro 3. Estimaciones MCO del logaritmo del salario por grupos de riesgo de automatización del empleo a nivel nacional

Variables Total Bajo riesgo Alto riesgo
(1) (2) (3)
No calificado 0.238*** 0.255*** 0.132***
(0.0103) (0.0229) (0.0116)
Escolaridad 0.0652*** 0.0826*** 0.0405***
(0.00116) (0.002) (0.0014)
Horas trabajadas 0.0113*** 0.00846*** 0.0132***
(0.0002) (0.0004) (0.0002)
Experiencia 0.0185*** 0.0227*** 0.0167***
(0.0006) (0.0012) (0.0006)
Experiencia2 -0.0003*** -0.0004*** -0.0003***
(0.0000) (0.0000) (0.0000)
Mujer -0.275*** -0.208*** -0.292***
(0.0061) (0.0113) (0.0071)
Rural -0.150*** -0.138*** -0.156***
(0.0076) (0.0174) (0.0083)
Informal -0.418*** -0.421*** -0.375***
(0.0058) (0.0117) (0.0066)
Sector secundario 0.341*** 0.0308 0.371***
(0.0120) (0.0378) (0.0122)
Sector terciario 0.259*** -0.00142 0.258***
(0.0119) (0.0361) (0.0124)
Constante 7.668*** 7.834*** 7.819***
(0.0222) (0.0521) (0.0248)
Observaciones 130 121 38 313 91 808
R2 0.41 0.39 0.38

Nota: errores estándar robustos entre paréntesis. *** p < 0.01.

Fuente: elaboración propia con datos de la Enoe, correspondientes al tercer trimestre de 2024.

El cuadro 4 presenta las estimaciones del modelo Oaxaca-Blinder de la ecuación 4 que descompone, a su vez, la brecha salarial entre trabajadores en ocupaciones con bajo y alto riesgo de automatización. Las columnas 1 y 2 del cuadro presentan los cálculos sin corregir el sesgo de selección. Allí, se observa que el salario promedio de los trabajadores en empleos con bajo riesgo es de 10 299.37 MXN, mientras que el de aquellos en empleos de alto riesgo es de 6 449.33 MXN. Los valores de la brecha y su descomposición, estadísticamente significativos, indican que de los 3 850.04 MXN de la disparidad salarial, el 67 % (2 574.92 MXN) corresponde al componente explicado o a las diferencias observadas entre las características de los trabajadores; el 33 % restante (1 275.12 MXN) se atribuye al componente no explicado, es decir, al efecto discriminatorio sobre el salario por pertenecer al grupo de ocupaciones con baja o alta probabilidad de automatización.

Las columnas 3 y 4 del cuadro 4 (OB-Tobit II) presentan la descomposición de la brecha salarial a nivel nacional, después de corregir el sesgo de selección, usando el método Heckman como en las ecuaciones 9 y 10. Las estimaciones significativas del inverso de la razón de Mills para cada grupo en la parte inferior del cuadro 4, muestran la presencia del sesgo de selección muestral; y sugieren que las estimaciones de las brechas salariales deben ajustarse controlando por factores no observados que afectan, simultáneamente, la decisión de participación en el mercado laboral y la determinación del salario6. Al aplicar el factor de corrección a la estimación de salarios, las estimaciones aumentan a 13 659.63 MXN para el grupo de bajo riesgo de automatización y a 9 178.42 MXN para los de alto riesgo.

Cuadro 4. Descomposición de la brecha salarial por automatización a nivel nacional.

Aspecto de la brecha Oaxaca-Blinder (OB) OB-Tobit II
Coeficientes (MXN) Coeficientes (MXN)
(1) (2) (3) (4)
Bajo riesgo 9 240*** 10 299.37 9.5222*** 13 659.63
(-0.007) (-0.016)
Alto riesgo 8 772*** 6 449.33 9.1246*** 9 178.32
(-0.0041) (-0.006)
Diferencia 0.468*** 3 850.04 0.3976*** 4 481.30
(-0.0082) (-0.0175)
Explicada 0.313*** 2 574.92 0. 3126*** 3 523.53
(-0.0057) (-0.0063)
No explicada 0.156*** 1 275.12 0.085*** 958.03
    (-0.0069)   (-0.0175)  
Observaciones Factor de corrección (Mills)
Bajo riesgo 38 313 -0.4585**
(0.0280)
Alto riesgo 91 808 -0.6464***
(0.0096)

Nota: errores estándar robustos entre paréntesis. ***p < 0.01, **p < 0.05.

Fuente: elaboración propia con datos de la Enoe, correspondientes al tercer trimestre de 2024.

El cuadro 4 también indica que, después de controlar por el sesgo de selección muestral, la brecha y sus componentes siguen siendo significativos estadísticamente. La diferencia salarial se amplía a 4 481.30 MXN con respecto a los cálculos del modelo sin corrección. Sin embargo, la mayor parte de la brecha sigue explicándose por factores observables, mientras que el componente no explicado se reduce a 958.03 MXN (21 %). Pese a esta reducción, el componente no explicado de la brecha salarial persiste, de modo que muestra el efecto de la probabilidad de automatización del empleo sobre la disparidad salarial y enfatizando el papel de la calificación laboral y la estructura ocupacional en la determinación de los ingresos en el mercado de trabajo mexicano.

Cabe señalar que los resultados de la descomposición de la brecha del cuadro 4 se basan en un coeficiente no discriminatorio, obtenido a partir de un promedio ponderado entre ambos grupos de trabajadores, como se explicó en la ecuación 4. Esto es conocido como una estimación pool o agrupada. No obstante, también es posible estimar sustituyendo dicho coeficiente promedio y usando como referencia el coeficiente del grupo de bajo riesgo, con lo que se logra una estimación weight o ponderada de la descomposición. Es decir, es posible estimar la brecha en función de cómo se remuneraría a los trabajadores de alto riesgo si recibieran los mismos retornos salariales que los del grupo de bajo riesgo. La comparación entre las estimaciones pool y weight permite evaluar la sensibilidad de las estimaciones de la brecha salarial y su descomposición, a los métodos utilizados en este análisis.

Figura 4. Descomposición de la brecha salarial pool y weight a nivel nacional

Figura 4

Nota: *** p < 0.01.

Fuente: elaboración propia con datos de la Enoe, correspondientes al tercer trimestre de 2024.

Como se observa en la figura 4, al aplicar la estrategia de estimación weight, el componente explicado de la brecha salarial es ligeramente menor (3 437.53 MXN frente a 3 523.53 MXN con la estimación pool), mientras que el componente no explicado es mayor (1 043.65 MXN con weight, frente a 958.03 MXN con pool). Estos resultados sugieren que la elección del coeficiente de referencia influye en la descomposición de la brecha, aunque sin modificar sustancialmente su magnitud ni su composición general. El efecto de la automatización del empleo sobre la brecha salarial entre los grupos de baja y alta probabilidad, después de corregir el sesgo de selección, comparando las estimaciones agrupadas con las ponderadas, se estima entre 21 y 23 %, a nivel nacional.

Figura 5. Descomposición de la brecha salarial por automatización sin corrección de sesgo en cinco regiones

Figura 5

Nota: *** p < 0.01.

Fuente: elaboración propia con datos de la Enoe, correspondientes al tercer trimestre de 2024.

La figura 5 muestra la descomposición de la brecha salarial entre ocupaciones de bajo y alto riesgo de automatización, para la agrupación del país en cinco regiones, sin corregir el sesgo de selección. Los resultados indican que la brecha salarial y sus componentes son significativos en todas las regiones, con ciertas particularidades. En la región Centro, se observa la mayor disparidad salarial, con 4 466.60 MXN; seguida de la región, Sur con 3 767.44 MXN. En contraste, la menor diferencia entre los grupos de bajo y alto riesgo de automatización se presenta en el Noroeste, con 2 802.38 MXN (cuadro A2 del Anexo). Esto sugiere que la penalización salarial por estar en ocupaciones de alto riesgo es más pronunciada en el Centro y el Sur, donde también se observan menores niveles de calificación laboral y mayor informalidad.

En la figura 6, además se observa que la brecha salarial se explica, principalmente, por las diferencias de las características entre los trabajadores (componente explicado), como en el caso del Sur (76 %) o el Centro (64 %) del país. Sin embargo, la parte no explicada también representa una proporción significativa de las diferencias salariales, en especial en regiones como la Noroeste (49 %) y el Norte (43 %). Estos hallazgos —aún sin corrección del sesgo de selección— ya reflejan la importancia de la calificación laboral y la concentración del empleo, lo que sugiere que, en algunas regiones, el impacto del cambio tecnológico podría estar acelerándose, en comparación con el resto del país.

Después de corregir el sesgo de selección muestral, se observa que, si bien la brecha salarial entre empleos de bajo y alto riesgo persiste en todas las regiones, los valores ajustados comportan variaciones al alza con cambios en la significancia de los factores que explican la brecha (cuadro A3). Las diferencias más amplias se mantienen en el Centro (4 232.66 MXN) y el Sur (4 055.85 MXN), seguidos por el Occidente (3 888.42 MXN). Las diferencias más bajas se registran en el Noroeste (3 443.10 MXN) y el Norte (3 579.67 MXN). En el Centro y el Sur del país, el componente no explicado deja de ser significativo, es decir, las diferencias salariales obedecen principalmente a factores como la escolaridad y la estructura ocupacional, en lugar de deberse a un efecto directo del cambio tecnológico, por lo que allí la automatización no es un factor relevante en la generación de disparidades salariales.

Figura 6. Descomposición de la brecha salarial por automatización con corrección de sesgo de selección
en cinco regiones

Figura 6

Nota: *** p < 0.01.

Fuente: elaboración propia con datos de la ENOE, tercer trimestre (2024).

En contraste, en el Noroeste, Norte y Occidente, el componente no explicado sigue siendo estadísticamente significativo, con valores de 1 696.23, 1 406.71 y 1 445.83 MXN, respectivamente. Ello indica que, en estas regiones, la automatización sigue teniendo un impacto en la diferencia salarial. Esto podría estar asociado con una mayor presencia de sectores industriales y de manufactura avanzada, donde la automatización ha transformado más profundamente la estructura del empleo y la remuneración de los trabajadores.

Los resultados de la descomposición de la brecha salarial a nivel nacional y regional muestran que las diferencias en ingresos entre trabajadores en ocupaciones de bajo y alto riesgo de automatización son significativas, pero varían en magnitud y composición, según la región. Tras aplicar la corrección del sesgo de selección, se confirma que gran parte de la disparidad se debe a diferencias en calificación laboral y estructura ocupacional, reflejadas en el componente explicado, mientras que el efecto no explicado, que captura el impacto directo de la automatización, pierde relevancia en algunas regiones.

En particular, en las regiones Centro y Sur, donde se experimentan las mayores disparidades salariales, el componente no explicado deja de ser significativo. Esto indica que la automatización, al momento del análisis, no es un factor determinante en la diferencia salarial en estas zonas después de controlar por la escolaridad, la experiencia y la estructura ocupacional. Entretanto, en el Noroeste, el Norte y el Occidente, el efecto no explicado sigue siendo relevante, lo que sugiere que, en estas regiones, la probabilidad de automatización de las ocupaciones contribuye significativamente a ampliar las desigualdades salariales.

V. Conclusiones

Se analizó la brecha salarial por automatización en el mercado laboral mexicano. Para ello, se emplearon datos al tercer trimestre de 2024 de la Enoe y se utilizaron las probabilidades de automatización laboral calculadas por Frey y Osborne (2017), adaptadas al contexto mexicano, mediante el catálogo del Sinco. Se aplicó la técnica de descomposición de la brecha salarial Oaxaca-Blinder (1973), y se utilizó el método de Heckman (Tobit II) para corregir el sesgo de selección muestral. La descomposición de la brecha salarial se llevó a cabo tanto a nivel nacional como en las regiones Noroeste, Norte, Occidente, Centro y Sur.

La hipótesis orientadora de este trabajo es que la automatización, entendida como una manifestación del cambio técnico sesgado a favor de las habilidades, polariza el mercado laboral, ya que acentúa las disparidades salariales entre trabajadores calificados y no calificados. La literatura al respecto sugiere que la demanda de empleados para tareas rutinarias podría disminuir, lo que tiende a reducir los salarios de los menos calificados, mientras que los salarios de los trabajadores con habilidades técnicas avanzadas aumentan, debido a la complementariedad con las tecnologías emergentes. Sin embargo, se reconoce que la dimensión regional cobra relevancia, debido a que la distribución del capital humano a lo largo del país es heterogénea, ello muestra que el componente territorial puede ser determinante del grado en que las presiones generadas por la automatización afectan las disparidades salariales.

Los resultados del estudio indican que la brecha salarial por automatización es positiva y significativa a nivel nacional y regional, lo que sugiere que los trabajadores menos calificados experimentan presiones salariales a la baja, debido a su mayor susceptibilidad de ser reemplazados por tecnologías automatizadas. Al mismo tiempo, los trabajadores más calificados obtienen mayores retornos de la educación y compensaciones más altas por su experiencia. En el Centro, la relativa homogeneidad del capital humano y la estructura productiva parecen atenuar los efectos del cambio tecnológico sobre los salarios, limitando la segmentación del mercado laboral. En el Sur, los altos niveles de informalidad y la prevalencia de actividades primarias en zonas con menor inversión en capital físico podrían estar restringiendo la influencia de la automatización.

Por otro lado, en las regiones Norte, Noroeste y Occidente, donde se concentra mayor nivel de capital humano y posiblemente mayor adopción tecnológica, los efectos de la automatización sobre la brecha salarial son más pronunciados. Ello sugiere que, en estas regiones, la incorporación de nuevas tecnologías avanza de manera más rápida y extendida, intensificando la diferenciación salarial en función del nivel de automatización del empleo. En este trabajo, se confirma que los efectos de la automatización son heterogéneos y dependientes del nivel de calificación laboral, por lo que afectan en mayor medida a los trabajadores con menor acumulación de capital humano. La automatización del empleo debe considerarse un factor relevante en la ampliación de la brecha salarial, junto con otras dimensiones ampliamente estudiadas en la literatura, como el género y la edad.

En medio de la revolución tecnológica que vivimos, es relevante hablar de las presiones sobre los salarios, debidas al riesgo de automatización. Es fundamental que el sistema educativo sea capaz de adaptarse e incorporar los cambios que la transformación tecnológica conlleva, con la finalidad de brindar mejor formación a los trabajadores del futuro. En este contexto, la educación formal se erige como un pilar esencial para cerrar la brecha salarial y proteger a los trabajadores del riesgo de ser reemplazados por tecnologías automatizadas. Fomentar una mayor acumulación de escolaridad y habilidades técnicas avanzadas es clave para mitigar los efectos negativos de la automatización en el mercado laboral y asegurar, en consecuencia, una transición más equitativa hacia un entorno laboral automatizado.

Entre las limitaciones de este trabajo, debe señalarse que se basa en un análisis de corte transversal, lo cual impide observar cómo evolucionan las tendencias de automatización y sus efectos sobre la brecha salarial en el tiempo. Futuras investigaciones podrían incorporar un enfoque longitudinal, aprovechando la estructura de panel rotativo de la Enoe. Asimismo, aunque el estudio utiliza ocupaciones como unidad de análisis, debido a la disponibilidad de información, un abordaje basado en tareas específicas permitiría una evaluación más precisa del riesgo de automatización.

Finalmente, es importante considerar que las probabilidades de automatización empleadas, si bien gozan de reconocimiento en la literatura, provienen del contexto estadounidense y fueron estimadas con datos de 2010. La agenda de investigación se beneficiaría tanto de su actualización como del desarrollo de estimaciones propias, adaptadas a las ocupaciones del mercado laboral mexicano. Además, el uso de metodologías complementarias, como la descomposición de cuantiles, las funciones de influencia recentrada (RIF) o técnicas de aprendizaje automático, permitiría capturar de manera más integral los efectos distributivos asociados a la automatización del empleo.

Agradecimientos

Los autores agradecen las valiosas observaciones y sugerencias de los revisores anónimos de la revista, que fueron fundamentales para la mejora de este ensayo. Este trabajo no contó con fuentes de financiamiento, es producto del ejercicio de investigación independiente de los autores. Las opiniones y erratas persistentes son su exclusiva responsabilidad.

Notas al pie

  1. Las nueve categorías del Sinco son: (1) funcionarios y directores; (2) profesionistas y técnicos; (3) trabajadores auxiliares en actividades administrativas; (4) comerciantes, empleados en ventas y agentes de ventas; (5) trabajadores en servicios personales y de vigilancia; (6) trabajadores en actividades agrícolas, ganaderas, forestales, caza y pesca; (7) trabajadores artesanales, en la construcción y otros oficios; (8) operadores de maquinaria industrial, ensambladores, choferes y conductores de transporte, y (9) trabajadores en actividades elementales y de apoyo.↩︎
  2. Los valores de la probabilidad media de automatización estimados son consistentes con trabajos como los de Banxico (2018), Minian y Martínez (2018), y Cebreroset al. (2020).↩︎
  3. Las cinco regiones se componen de las siguientes entidades federativas: (1) Noroeste: Baja California, Baja California Sur, Sinaloa y Sonora; (2) Norte: Chihuahua, Coahuila, Durango, Zacatecas, Nuevo León, San Luis Potosí y Tamaulipas; (3) Occidente: Guanajuato, Jalisco, Nayarit y Michoacán; (4) Centro: Ciudad de México, Hidalgo, Estado de México, Morelos, Puebla, Querétaro y Tlaxcala; y (5) Sur: Campeche, Chiapas, Guerrero, Oaxaca, Quintana Roo, Tabasco, Veracruz y Yucatán.↩︎
  4. Se consideran trabajadores no calificados aquellos con menos de ocho años de escolaridad.↩︎
  5. Como Jann (2008) mostró, la descomposición de la brecha puede llevarse a cabo de forma doble, como en este trabajo, o triple. La descomposición triple incorpora un componente de dotaciones, coeficientes e interacciones.↩︎
  6. El cuadro A1 del Anexo presenta las estimaciones probit de la primera etapa; y los valores relativos al factor de corrección del sesgo del método de Heckman (1979) para cada grupo de trabajadores, según el riesgo de automatización de sus ocupaciones.↩︎

Referencias

  1. Aboal, D., López, A., Maurizio, R., & Queraltó, P. (2021). Automatización y empleo en Uruguay. Desarrollo y Sociedad, (87), 33-72. https://doi.org/10.13043/dys.87.2
  2. Acemoglu, D. (2002). Technical change, inequality, and the labor market. Journal of Economic Literature, 40(1), 7-72. https://doi.org/10.1257/0022051026976
  3. Acemoglu, D. & Autor, D. (2012). Skills, tasks and technologies: implications for employment and earnings. En O. Ashenfelter & D. Card (Coords.), Handbook of Labor Economics (IV.B, pp. 1044-1166). Elsevier. https://doi.org/10.1016/S0169-7218(11)02410-5
  4. Acemoglu, D., & Loebbing, J. (2022). Automation and polarization (Working Paper, No. 30528). NBER. https://doi.org/10.3386/w30528
  5. Acemoglu, D., & Johnson, S. (2023). Poder y progreso. Nuestra lucha milenaria por la tecnología y la prosperidad. Crítica.
  6. Acemoglu, D. & Restrepo, P. (2017). Robots and jobs: evidence from US labor markets (Working Paper, No. 23285). NBER. https://doi.org/10.3386/w23285
  7. Acemoglu, D. & Restrepo, P. (2022). Tasks, automation, and the rise in U.S. wage inequality. Econometrica, 90(5), 1973-2016. https://doi.org/10.3982/ECTA19815
  8. Alarcón, D., & McKinley, T. (2022). Mercados de trabajo y desigualdad del ingreso en México. Dos décadas de reestructuración económica. Papeles de Población, 4(18), 49-79.
  9. Autor, D. (2019). Work of the past, work of the future (Working Paper, No. 25588). NBER. https://doi.org/10.3386/w25588
  10. Autor, D. (2022). The labor market impacts of technological change: From unbridled enthusiasm to qualified optimism to vast uncertainty (Working Paper, No. 30074). NBER. https://doi.org/10.3386/w30074
  11. Autor, D., Katz, L., & Krueger, A. (1998). Computing inequality: Have computers changed the labor market? The Quarterly Journal of Economics, 113(4), 1169-1213. https://doi.org/10.1162/003355398555874
  12. Autor, D., Levy, F., & Murnane, R. (2003). The skill content of recent technological change. An empirical exploration. The Quarterly Journal of Economics, 118(4), 1279-1333. https://doi.org/10.1162/003355303322552801
  13. Banco de México —Banxico. (2018). La automatización regional en México desde una perspectiva regional. En Reporte sobre las economías regionales (pp. 18-21). Autor. http://bit.ly/403GQ1h
  14. Bentaouet-Kattan, R., Macdonald, K., & Patrinos, H. A. (2021). The role of education in mitigating automation’s effect on wage inequality. Labour, 35(1), 79-104. https://doi.org/10.1111/labr.12187
  15. Blinder, A. (1973). Wage discrimination. Reduced form and structural estimates. The Journal of Human
    Resources, 8(4), 436-455. https://doi.org/10.2307/144855
  16. Brall, F., & Schmid, R. (2023). Automation, robots and wage inequality in Germany. A decomposition analysis. Labour, (37), 33-95. https://doi.org/10.1111/labr.12236
  17. Brougham, D., & Haar, H. (2020). Technological disruption and employment. The influence on job insecurity and turnover intentions. A multi-country study. Technological Forecasting and Social Change, 161. https://doi.org/10.1016/j.techfore.2020.120276
  18. Card, D., & DiNardo, J. E. (2002). Skill biased technological change and rising wage inequality: some problems and puzzles. Journal of Labor Economics, 20(4), 733-783. https://doi.org/10.1086/342055
  19. Campos-Vázquez, R. M., Krozer, A., Ramírez, A. A., de la Torre, R., & Vélez, R. (2022). Percepciones de desigualdad y movilidad social en México. World Development, (151), 105778. https://doi.org/10.1016/j.worlddev.2021.105778
  20. Cebreros, A., Heffner, A., Livas, R., & Puggioni, D. (2020). Tecnologías de automatización y empleo bajo riesgo. El caso de México (Working Paper, No. 2020-04). Banxico. https://bit.ly/3ZImTga
  21. Dawid, H., &Neugart, M. (2023). Effects of technological change and automation on industry structure and (wage-)inequality: Insights from a dynamic task-based model. Journal of Evolutionary Economics, (33), 35-63. https://doi.org/10.1007/s00191-022-00803-5
  22. Espíndola, E., & Suárez, J. I. (2023). Automatización laboral y estratificación en América Latina. En R. Martínez (Coord.). Automatización e inclusión laboral en América Latina. Impactos potenciales, vulnerabilidades y propuestas de política (pp. 25-29). Cepal.
  23. Ferreiro-Seoane, F. J., Mogo, C., Del Campo, & M. Ríos, A. (2023). Polarización y riesgo de automatización. Revista Empresa y Humanismo, 26(2), 33-68. https://doi.org/10.15581/015.XXVI.2.33-68
  24. Frey, C. B., & Osborne, M. A. (2017). The future of employment. How susceptible are jobs to computarisation? Technological Forecasting and Social Change, (114), 254-280. http://dx.doi.org/10.1016/j.techfore.2016.08.019
  25. Goldin, C., & Katz, L. F. (2008). The race between education and technology. Harvard University Press.
  26. González-Pérez, G. (2022). Automatización y dinámica del mercado laboral en la industria automotriz en México. Economía Teoría y Práctica, 30(56), 67-104. http://dx.doi.org/10.24275/etypuam/ne/562022/Gonzalez
  27. Goos, M., Manning, A., & Salomons, A. (2014). Explaining job polarization. Routine-biased technological change and offshoring. American Economic Review, 104(8), 2509-2526. https://doi.org/10.1257/aer.104.8.2509
  28. Heckman, J. (1974). Shadow prices, market wages, and labor supply. Econometrica, 42(4), 679-694. https://doi.org/10.2307/1913937
  29. Heckman, J. (1979). Sample bias as a specification error. Econometrica, 47(1), 153-162. https://doi.org/10.2307/1912352
  30. Instituto Nacional de Estadística y Geografía —Inegi. (2024). Encuesta Nacional de Ocupación y Empleo. Tercer Trimestre [Base de datos]. Inegi. https://www.inegi.org.mx/programas/enoe/15ymas/#microdatos
  31. Instituto Nacional de Estadística y Geografía —Inegi. (2019). Sistema Nacional de Clasificación de Ocupaciones, 2019, Sinco. Inegi. https://www.snieg.mx/­Docu­mentos/­Normatividad/Vigente/SINCO_2019.pdf
  32. Jann, B. (2008). The Blinder–Oaxaca decomposition for linear regression models. The Stata Journal, 8(4), 453-479. https://doi.org/10.1177/1536867X0800800401
  33. Keynes, J. M. (1930). Economic possibilities for our grandchildren. Yale University Press.
  34. Krueger, A. (1993). How computers have changed the wage structure. Evidence from microdata, 1984-1989. Quarterly Journal of Economics, (108), 33-60.
  35. Maurizio, R., Fernández, A. L., & Catania, M. S. (2023). Automatización, ocupaciones y tareas. H-Industria, 32(17), 27-55. https://doi.org/10.56503/H-Industria/n.32(17)pp.27-55
  36. McKinsey Global Institute (2017). Un futuro que funciona: automatización, empleo y productividad. Resumen ejecutivo. Autor. https://bit.ly/4edqIzL
  37. Mihaylova, S., & Bratoeva-Manoleva, S. (2018). Struc-tural changes and wage inequality in the Bulgarian economy. Eastern Journal of European Studies, 9(2), 205-227.
  38. Milanovic, B. (2017). Desigualdad mundial. Un nuevo enfoque para la era de la globalización. Fondo de Cultura Económica.
  39. Minian, I., & Martínez, A. (2018). El impacto de las nuevas tecnologías en el empleo en México. Problemas del desarrollo. Revista Latinoamericana de Economía, 195(49), 27-53. http://doi.org/10.22201/iiec.20078951e.2018.195.64001
  40. Oaxaca, R. (1973). Male-female wage differentials in urban labor markets. International Economic Review, 14(3), 693-709. https://doi.org/10.2307/2525981
  41. Orozco, M.E., Espinosa, R. Fonseca, C., & Vélez, R. (2019). Informe de movilidad social en la Ciudad de México 2019. Centro de Estudios Espinosa Yglesias.
  42. Piketty, T. (2014). El capital en el siglo XXI. Fondo de Cultura Económica.
  43. Posso, C. M., & Medina, C. A. (2018). Cambio técnico y polarización en el mercado laboral. Evidencia para Colombia. El Trimestre Económico, 85(338), 365-410. https://doi.org/10.20430/ete.v85i338.349
  44. Solow, R. M. (1956). A contribution to the theory of economic growth. The Quarterly Journal of Econom-
    ics    , 70(1), 65-94. https://doi.org/10.2307/1884513
  45. Tinbergen, J. (1974). Substitution of graduate labor by other. Kyklos, 27(2), 217-226.
  46. Varela, R. & Tavares, R. (2023). Cambio tecnológico y desigualdad de ingresos en México. Contaduría y Ad-ministración, 69(3), 247-270. https://doi.org/­10.22201/­fca.24488410e.2024.4704
  47. Wang, X. (2020). Labor market polarization in Britain and Germany. A cross-national comparison using longitudinal household data. Labour Economics, (65). https://doi.org/10.1016/j.labeco.2020.101862
DyS watermark

Anexo

Cuadro A1. Primera etapa de la corrección del sesgo de selección (modelo Probit)

Variable Bajo Alto
Escolaridad -0.0476*** -0.0349***
(0.0024) (0.0015)
Edad -0.0211*** -0.0028
(0.0039) (0.0019)
Edad cuadrática 0.0001*** -0.0001**
(0.0000) (0.0000)
Mujer 0.0887*** 0.0781***
(0.0189) (0.0116)
Rural 0.2684*** 0.0416***
(0.0315) (0.0133)
Soltero -0.2709*** -0.2093***
(0.0212) (0.0119)
Constante 1.5123*** 0.9600***
  (0.0865) (0.0448)
Rho -0.6774 -0.8272
Sigma 0.6768 0.7815
Mills -0.4585** -0.6464***
(0.0280) (0.0096)
Observaciones 38 313 91 804

Nota: errores estándar robustos entre paréntesis. ***p < 0.01, **p < 0.05.

Fuente: elaboración propia con datos de la Enoe, correspondientes al tercer trimestre de 2024.

Cuadro A2. Descomposición de la brecha salarial sin corrección por nivel de automatización a nivel regional

Región Bajo riesgo Alto riesgo Diferencia Explicada No explicada Obs. bajo
riesgo 		Obs. alto
riesgo
Descomposición de la brecha salarial (coeficientes)
Noroeste 9.386*** 9.118*** 0.268*** 0.138*** 0.129*** 4 857 9 985
(0.0137) (0.0086) (0.0162) (0.0105) (0.0144)
Norte 9.337*** 9.006*** 0.331*** 0.190*** 0.141*** 10 162 22 829
(0.00894) (0.00602) (0.0108) (0.00737) (0.00944)
Occidente 9.228*** 8.865*** 0.363*** 0.223*** 0.140*** 6 702 16 993
(0.0129) (0.00807) (0.0152) (0.0105) (0.0137)
Centro 9.238*** 8.668*** 0.570*** 0.367*** 0.203*** 5 788 15 871
(0.0193) (0.00933) (0.0214) (0.0148) (0.0174)
Sur 9.073*** 8.507*** 0.566*** 0.431*** 0.135*** 10 804 26 130
  (0.0137) (0.00903) (0.0164) (0.0126) (0.0145)    
Región Bajo riesgo Alto riesgo Diferencia Explicada No explicada
Descomposición de la brecha salarial (MXN)
Noroeste 11 920.32 9 117.95 2 802.38 1 443.01 1 359.36
Norte 11 350.31 8 151.85 3 198.46 1 835.97 1 362.48
Occidente 10 178.16 7 079.79 3 098.37 1 903.41 1 194.96
Centro 10 280.46 5 813.86 4 466.60 2 875.86 1 590.74
Sur 8 716.73 4 949.29 3 767.44 2 868.85 898.59

Nota: ***p < 0.01.

Fuente: elaboración propia con datos de la Enoe, correspondientes al tercer trimestre de 2024.

Cuadro A3. Descomposición de la brecha salarial por nivel de automatización a nivel regional con corrección de sesgo de selección

Región Bajo riesgo Alto riesgo Diferencia Explicada No explicada Obs. Bajo
riesgo 		Obs. Alto
riesgo
Descomposición de la brecha salarial (coeficientes)
Noroeste 9.579*** 9.307*** 0.272*** 0.138*** 0.134*** 4 857 9 985
(0.0331) (0.0152) (0.0365) (0.0105) (0.0357)
Norte 9.497*** 9.184*** 0.313*** 0.190*** 0.123*** 10 162 22 829
(0.0194) (0.00921) (0.0215) (0.00737) (0.0209)
Occidente 9.476*** 9.122*** 0.355*** 0.223*** 0.132*** 6 702 16 993
(0.0247) (0.0115) (0.0272) (0.0105) (0.0261)
Centro 9.500*** 9.119*** 0.381*** 0.367*** 0.0142 5 788 15 871
(0.124) (0.0192) (0.125) (0.0148) (0.126)
Sur 9.316*** 8.862*** 0.454*** 0.431*** 0.0236 10 804 26 126
(0.0169) (0.0113) (0.0203) (0.0126) (0.0192)
Región Bajo riesgo Alto riesgo Diferencia Explicada No explicada
Descomposición de la brecha salarial (MXN)
Noroeste 14 457.95 11 014.85 3 443.10 1 746.87 1 696.23
Norte 13 319.71 9 740.04 3 579.67 2 172.96 1 406.71
Occidente 13 042.91 9 154.49 3 888.42 2 442.58 1 445.83
Centro 13 359.73 9 127.07 4 232.66 4 077.13 155.53
Sur 11 114.44 7 058.59 4 055.85 3 850.38 205.47

Nota: ***p < 0.01.

Fuente: elaboración propia con datos de la Enoe, correspondientes al tercer trimestre de 2024.