Traducido del inglés al español - www.onlinedoctranslator.

com

ALOJADO POR Disponible en línea en www.sciencedirect.com

ScienceDirect

EconomiA 20 (2019) 191–210

Rotación, aprendizaje práctico y dinámica de la productividad en

Brasil
Leandro Pereira da Rocha a,B,∗, Valéria Lúcia Pero C, Carlos Henrique Corseuil a
a Instituto
de Pesquisa Econômica Aplicada (IPEA), Brasil
B Institutode Economía, Universidade Federal Fluminense (UFF), Brasil
C Instituto de Economía, Universidade Federal do Rio de Janeiro (UFRJ), Brasil

Recibido el 30 de julio de 2018; recibido en forma revisada el 15 de abril de 2019; aceptado el 22 de noviembre de 2019
On-line el 23 de diciembre de 2019

Abstracto

Este artículo analiza el efecto de la rotación laboral en la productividad de las empresas manufactureras brasileñas entre 1996 y 2013. Basamos
nuestro análisis en una teoría de aprender haciendo, donde la rotación daña la productividad al restringir las ganancias de eficiencia logradas por los
trabajadores cuando acumulan aprendizaje produciendo en la misma empresa. Estimamos una medida de aprendizaje que toma en cuenta la pérdida
de capital humano, resultante de la rotación, y su efecto sobre la productividad total de los factores (PTF). Nuestra medida de aprendizaje es
demostrado ser robusto y tiene una relación positiva consistente con tres diferentes estimaciones de la PTF.

Palabras clave: Aprender haciendo; Rotación laboral; Productividad

© 2019 Los Autores. Producción y el alojamiento de Elsevier es BV en nombre de la Asociación Nacional de Postgrado Cen-
ters en Economía, ANPEC. Esta un artículo de acceso abierto bajo la licencia CC BY-NC-ND (http://creativecommons.org/
licencias / by-nc-nd / 4.0 /).

1. Introducción

Una característica predominante en el mercado laboral brasileño ha sido su alta tasa de rotación. En las comparaciones internacionales, a
menudo se concluye que Brasil tiene una de las tasas más altas de rotación laboral entre los países con medidas disponibles (Gonzaga, 2003).

La primera década de la década de 2000 en Brasil estuvo marcada por el buen desempeño de la economía y el mercado laboral, con un
aumento del empleo formal y una disminución de las tasas de desempleo (Corseuil y Foguel, 2011). Además, el aumento en el nivel educativo
de la fuerza laboral que se produjo en la década del 90 continuó durante la década del 2000. Sin embargo, a pesar de estas muchas mejoras
en los resultados relacionados con el mercado laboral; hubo un estancamiento de la productividad laboral durante este período (IPEA, 2012).

En consecuencia, la alta tasa de rotación laboral se ha indicado como un límite al crecimiento de la productividad laboral en
Brasil (Gonzaga y Pinto, 2014; Corseuil et al., 2013). De hecho, un aumento en la tasa de rotación fue otra tendencia preocupante en
Brasil durante los años 2000. Hay al menos dos canales a través de los cuales la rotación laboral puede dañar la productividad a
nivel micro. La primera es a través de sus efectos sobre la acumulación de conocimientos a nivel de empresa;

∗ Autor correspondiente.
Dirección de correo electrónico: leandroprch@gmail.com (LP da Rocha).

https://doi.org/10.1016/j.econ.2019.11.001
1517-7580 © 2019 Los Autores. Producción y hospedaje por Elsevier BV en nombre de la Asociación Nacional de Centros de Postgrado en Economía,
ANPEC. Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
192 LP da Rocha y col. / EconomiA 20 (2019) 191–210

referido aquí como aprendizaje. Pero la alta rotación también puede tener consecuencias negativas para la productividad laboral a través de bajos
niveles de compromiso e inversión en formación profesional, tanto por parte de los trabajadores como de las empresas, ya que los beneficios futuros se
reducirían considerablemente en un entorno de alta rotación laboral.
El objetivo principal de este artículo es comprender los efectos de la rotación laboral en la productividad a nivel micro a través
del canal de aprendizaje. Para ello, estimamos una medida de componente de aprendizaje que tiene en cuenta la pérdida de
conocimiento resultante de la rotación.
Hay dos ramas principales de la literatura que relacionan la acumulación de conocimiento y el crecimiento de la productividad, a nivel
micro. La primera es la teoría del capital humano (Schultz, 1961; Becker, 1962), que postula cómo la productividad laboral a nivel individual
crece según la acumulación de habilidades. El nivel educativo individual juega un papel fundamental para esta teoría, así como la experiencia
en el mercado laboral. La escolarización posibilita la adquisición de conocimientos generales, que se complementan con los conocimientos
específicos adquiridos por el individuo a lo largo de su ciclo vital activo. Este conocimiento específico puede, a su vez, adquirirse mediante la
formación y la experiencia en el trabajo o mediante cursos especializados. La contraparte empírica de esta literatura relaciona la educación y
la experiencia con el salario a nivel individual. Una gran cantidad de artículos desdePicadora (1974) confirme las predicciones. En particular,
se con fi rma que el salario (por tanto, la productividad del trabajo) crece con la tenencia (Altonji y Shakotko, 1987).1 Esta rama de la literatura
plantea la rotación como un factor perjudicial para el crecimiento del salario (y del bienestar) individual.

La segunda es la teoría de "aprender haciendo" (Arrow, 1962), que postula cómo la productividad a nivel de empresa
crece de acuerdo con la experiencia práctica adquirida durante el proceso de producción. El mecanismo que plantea Arrow se
puede resumir en la siguiente frase: “es la propia actividad de producción la que da lugar a problemas para los que se seleccionan
respuestas favorables a lo largo del tiempo” (Arrow - ApudThompson, 2012). Según esta visión, el aprendizaje individual es parte de
un proceso más general denominado "aprendizaje organizacional". Esto ha inspirado otra cantidad considerable de artículos
empíricos que relacionan el costo unitario de producción (como un sustituto de la productividad) con la cantidad acumulada
producida.Thompson (2012) examina críticamente estos artículos empíricos señalando que la primera contribución académica se
remonta a Wright (1936). Según él, la evidencia está lejos de ser concluyente, al menos con respecto a dos cuestiones. Primero, el
aprendizaje no parece durar mucho tiempo. En segundo lugar, el aprendizaje parece no ser un proceso continuo, como se formula
en la formulación estándar de los modelos empíricos.2 Existe evidencia que favorece las interrupciones a lo largo de la curva de
aprendizaje.
Thompson (2007) cita tres razones para la ocurrencia de interrupciones, o depreciación del conocimiento, en el proceso productivo: (i)
cuando ocurre un cambio tecnológico en la producción, la experiencia pasada se vuelve irrelevante; (ii) las organizaciones a menudo fracasan
en el proceso de recordar experiencias porque tienen sistemas de memoria imperfectos o inadecuados; y (iii) el conocimiento tácito
transmitido a los empleados se pierde cuando dejan el trabajo. Teniendo en cuenta estas explicaciones, solo la tercera puede someterse a
pruebas directas. Por lo tanto, una nueva generación de periódicos decidió comprobar qué tan importante es aprender a depreciar o
"olvidar", basándose en información sobre la rotación laboral.Chiang (2004); Brachet y David (2011) son artículos cruciales en esta línea.3 El
último descubre que la rotación laboral es mucho más importante como fuente de "olvido" organizacional que la pérdida de habilidades o la
depreciación de los trabajadores retenidos por las empresas de ambulancias en Michigan. Por lo tanto, seguimos el enfoque deChiang (2004)
quien considera una medida empírica del aprendizaje basada en la acumulación de producción y descontada por las tasas de rotación. El
autor relaciona esta medida de aprendizaje con la productividad total de los factores a nivel de empresa. La principal ventaja de este enfoque
es la posibilidad de agrupar información para muchas industrias diferentes, en contraposición a una industria específica de fi nida
estrechamente que era el estándar en la literatura.
En el siguiente apartado exponemos nuestra base de datos, realizando la construcción de nuestras principales variables; así como la
especificación de nuestro modelo empírico que relaciona el aprendizaje con la productividad total de los factores. Los resultados obtenidos
para esta relación es el tema central de la tercera sección. Confirmamos una relación positiva entre aprendizaje y productividad incluso
después de tener en cuenta la posibilidad de “olvido” por rotación laboral. La cuarta sección está dedicada a un desafío metodológico
comúnmente apuntado a esta literatura, que se relaciona con una posible endogeneidad de la variable aprendizaje. Proponemos un modelo
alternativo y mostramos que los resultados son sólidos en todas las especificaciones del modelo. La sección final trae nuestras conclusiones.

1 Un desarrollo más reciente de esta literatura muestra efectos heterogéneos de la tenencia sobre los salarios, dependiendo del nivel de escolaridad del trabajador (

Heckman y col., 2006) o tarea realizada (Gathmann y Schonberg, 2010; Guanziroli y Gonzaga, 2017).
2 De acuerdo con la formulación estándar, el costo disminuye con la producción de acuerdo con la regla de potencia.
3 Benkard (2000) también es una referencia importante en esta literatura, pero se ha basado en una tasa constante de olvido en lugar de utilizar datos sobre la rotación.
 LP da Rocha y col. / EconomiA 20 (2019) 191–210 193

2. Bases de datos y metodología

2.1. Bases de datos

En este estudio se utilizan dos bases de datos. El primero es el Informe Anual de Información Social (Relação
Anual de Informações Sociais - RAIS) del Ministerio de Trabajo y Empleo (Ministério do Trabalho e Emprego - MTE), y
el segundo es la Encuesta Industrial Anual (Pesquisa Industrial Anual - PIA) de el Instituto Brasileño de Geografía y
Estadística (Instituto Brasileiro de Geografía e Estatística - IBGE).
El RAIS es un registro administrativo solicitado a las personas jurídicas y otros empleadores formalizados con información sobre
las características de los empleados y puestos de trabajo en el año base. Como esta base es un censo de empleados y empleadores
formales, representa un enorme potencial para analizar el mercado laboral formal a nivel nacional. Los datos disponibles permiten
realizar una serie de cortes transversales analíticos según aspectos como región geográfica, sector económico, ocupación, género,
nivel de escolaridad, grupo de edad, entre otros. Los datos se refieren a información sobre puestos de trabajo, establecimientos,
facturación y retribuciones.
En su nivel más desagregado, el RAIS proporciona datos para cada trabajador. En este nivel, obtenemos datos relacionados con
el capital humano de los trabajadores: por ejemplo, edad, nivel educativo y remuneración. Luego, los datos se agregan por empresa
para obtener los indicadores relacionados con las características de la empresa. En este nivel, solo se filtran las empresas que
operan en el sector manufacturero para continuar de manera que la base de datos sea compatible con la Encuesta Industrial Anual
(PIA) del IBGE.
El PIA identifica las características estructurales básicas del sector empresarial de la actividad industrial a nivel
nacional y se realiza anualmente. La encuesta presenta datos sobre empleados, costos y gastos, ingresos, valor de
producción y el valor de la transformación industrial, entre otros. La clasi fi cación industrial se realiza en base a la
versión 2.04 de la Clasificación Nacional de Actividades Económicas (Classi fi cação Nacional de Atividades
Econômicas - CNAE).
Las dos bases de datos, agregadas a nivel de empresa, están interconectadas por medio de un identificador único. La variable
clave que permite vincular las dos bases de datos es el Registro Nacional de Personas Jurídicas (Cadastro Nacional de Pessoa
Jurídica - CNPJ). Una vez vinculados, obtenemos un panel de empresas desequilibrado para el período 1996-2013. Cabe señalar que
la fusión de las bases de datos se realizó dentro de una sala de confidencialidad del IBGE y que se respetaron todas las reglas de
confidencialidad estadística.
La variable monetaria del PIA utilizada para calcular la productividad (valor agregado) fue deflactada por el Índice de
Precios por Atacado-Oferta Global (Índice de Preços por Atacado-Oferta Global - IPA-OG) de la Fundación Getulio Vargas
(Fundação Getulio Vargas - FGV), la CNAE de tres dígitos. Cuando no fue posible hacerlo, se aplicó el deflactor de dos
dígitos. La variable salario del RAIS se deflactó utilizando el Índice de Precios al Consumidor Ampliado (Índice de Preços ao
Consumidor Amplo - IPCA) calculado por el IBGE.

2.2. Metodología

2.2.1. Definición y medición del volumen de negocios

El concepto de rotación laboral se asocia a menudo con la sustitución de un trabajador por otro en el mismo puesto de trabajo.
La contraparte empírica de este concepto generalmente se mide utilizando la siguiente fórmula:

tasa de rotación (tr) = min (contrataciones; separaciones) X(100)

trabajos

De hecho, incluso una separación no impulsada por la sustitución de trabajadores dañará el proceso de aprendizaje práctico que motiva
nuestro análisis. Por tanto, se utiliza una medida de rotación adicional, en la que consideramos cualquier separación. Esto se calcula de la
siguiente manera:

tasa de separación (td) = separaciones X(100)

trabajos

4 La versión 1.0 de la CNAE fue lanzada de 1996 a 2007. El cambio a la versión 2.0 ocurrió después de 2007. Este cambio requirió una conversión de la
clasificación sectorial de CNAE 1.0 a CNAE 2.0 en los años anteriores a 2007.
194 LP da Rocha y col. / EconomiA 20 (2019) 191–210

tabla 1
Tasa de rotación y tasa de separación, 1996-2013.

Año Tasa de rotación Tasa de separación

1996 42,9 78,4

1997 44,5 87,7
1998 37,6 85,3
1999 37,7 119,9
2000 44,0 106,8
2001 42,8 90,7
2002 38,2 75,4
2003 38,1 79,8
2004 40,1 71,0
2005 41,8 83,7
2006 41,7 78,7
2007 45,7 90,3
2008 64,1 116,9
2009 43,9 84,6
2010 52,0 95,7
2011 53,7 92,6
2012 48,1 66,6
2013 49,5 67,9

Fuente: RAIS (MTE).

La tasa de separación, similar a la tasa de rotación, se calcula a nivel de empresa y luego se las dos tarifas son
agrega.
tabla 1 muestra la evolución, entre 1996 y 2013, de las dos tasas calculadas para la muestra analizada en este estudio. La tasa de rotación
alcanzó el 49,5% en 2013 y alcanzó su punto máximo en 2008 con el 64,1%. La tasa de separación fue del 67,9% en 2013 y alcanzó su punto
máximo en 1999, cuando alcanzó el 119,9%. Se puede observar que la tasa de rotación basada en el concepto de sustitución de trabajadores
induce una evolución temporal más suave.
La trayectoria de la tasa de rotación en el período reciente muestra que se mantuvo en niveles entre el 37% y el 45% entre 1996 y
2007; alcanzó su punto máximo en 2008 y disminuyó levemente en 2009 debido a los efectos de la crisis internacional; a partir de
2010, la tasa de rotación se mantuvo en niveles más altos, oscilando entre el 48 y el 52%.
La tasa de separación tiene una mayor varianza en su evolución y niveles más altos. En años de crisis económica, como en 2008 y
1999-2000, la tasa superó el 100%.

2.2.2. Medición del aprendizaje

En los modelos de aprendizaje tradicionales, la contraparte empírica de la contribución de la acumulación de experiencia al
crecimiento de la productividad se define simplemente como producción pasada acumulada. En modelos más recientes, se
incorpora la posibilidad de que este aprendizaje sufra de “depreciación” u “olvido”. El punto de partida de estos modelos es la
siguiente definición de aprendizaje, basada en la acumulación de experiencia:

mies = δt (mieso-1 + qeso-1) (1)

dónde mieso es la experiencia acumulada por la empresa en producción hasta principios de año t, y mieso-1 es la
experiencia acumulada hasta el inicio del año inmediatamente anterior. El términoqeso-1 es la producción del
firme en t-1, medido en valor bruto de producción (VBP). La "depreciación" del aprendizaje está representada porδt, que está
delimitada entre 0 y 1. Tenga en cuenta que permitimos la variación en el tiempo de la depreciación, que contrasta con un estándar
Supuesto de una tasa fija de depreciación en modelos de acumulación de capital (físico).
En este artículo, se utiliza una medición directa como proxy de la tasa de depreciación variable en el tiempo; como se señaló
anteriormente, esta medición es la tasa de rotación (tr). Por lo tanto, seguimos Chiang (2004) en el uso de la siguiente medida para la
acumulación de experiencia:

mies = (1 - treso-1) (mieso-1 + qeso-1) (2)

En un caso extremo, si en el período t, una empresa decide reemplazar a todos sus empleados, entonces su tasa de rotación
será igual a 1. En este caso, se perderá todo su capital humano específico; es decir, su medida de aprendizaje será igual a cero.
 LP da Rocha y col. / EconomiA 20 (2019) 191–210 195

Tabla 2
Medidas de aprendizaje. 1997-2013.

Medición del aprendizaje (tasa de rotación) Medición de aprendizaje (tasa de terminación)

Año
Significar Estándar Décimo Mediana 90º Significar Estándar Décimo Mediana 90º
desviación percentil percentil desviación percentil percentil

1997 14.36 1,66 12.42 14.19 16.60 14.25 1,68 12.27 14.10 16.52
1998 14,74 1,76 12,62 14,61 17.09 14.58 1,80 12.38 14.46 16,97
1999 15.05 1,81 12,83 14,96 17,43 14,83 1,84 12.58 14,76 17.26
2000 15.29 1,87 12,94 15.23 17,75 15.07 1,89 12,72 15.01 17.54
2001 15,34 1,95 12,88 15.31 17,89 15.16 1,97 12,70 15.11 17,71
2002 15.40 2,00 12,85 15.38 17,99 15.21 2.02 12,67 15.17 17,83
2003 15.46 2,04 12,89 15.42 18.13 15.27 2,06 12,70 15.22 17,97
2004 15.58 2,07 12,98 15.55 18.28 15.40 2.10 12,79 15.35 18.14
2005 15,66 2.11 12,97 15,64 18.42 15,50 2.14 12,81 15.46 18.32
2006 15,72 2.14 13.05 15,68 18.52 15,56 2.16 12,88 15.48 18.41
2007 15,81 2.12 13.18 15,76 18,61 15,65 2.15 13.00 15,57 18.47
2008 15,83 2.14 13.19 15,74 18,62 15,67 2.17 13.01 15.58 18.52
2009 15,80 2.14 13.18 15,70 18.59 15,64 2.16 13.02 15.52 18.48
2010 15,83 2.13 13.24 15,70 18,64 15,62 2.15 13.04 15.47 18.47
2011 15,79 2.14 13.21 15,63 18,61 15,63 2.16 13.03 15.46 18.48
2012 15,96 2.14 13,33 15,87 18,74 15,80 2.15 13.19 15,70 18,62
2013 16.01 2.12 13.42 15,90 18,79 15,83 2.15 13.23 15,70 18,63
Todos los años 15,56 2,08 13.01 15.43 18.31 15.39 2.11 12,82 15.25 18.17

Fuente: RAIS (MTE) y PIA (IBGE).

Sin embargo, si la empresa mantiene los mismos empleados, no hay entonces su tasa de rotación será igual a cero, y por lo tanto, habrá
pérdidas de aprendizaje debido a la "depreciación".
Además, en un intento de capturar el efecto que cualquier despido de trabajadores tiene en las empresas, utilizamos un método de aprendizaje
medición que utiliza la tasa de separación (sr) en lugar de la tasa de rotación por depreciación:

mies = (1 - tdeso-1) (mieso-1 + qeso-1) (3)

Los datos de separaciones, contrataciones y puestos de trabajo, además del cálculo de la tasa de rotación y la separación se índice,

obtienen a partir de datos RAIS. Después de ser agregados a nivel de empresa, los datos del RAIS se vinculan a los datos de PIA, a nivel además

de empresa, y en consecuencia, obtenemos los datos de producción, de modo que podamos estimar el modelo final.
Tabla 2 muestra la evolución de una serie de estadísticas para las medidas de aprendizaje que utilizan la tasa de rotación y la tasa de
separación. Ambas mediciones evolucionaron entre 1997 y 2013. La medición que utiliza el volumen de negocios tiene niveles más altos y
desviaciones estándar más bajas.

2.2.3. Indicador general de capital humano

La medida de aprendizaje descrita en este trabajo puede definirse sucintamente como la suma del capital humano adquirido en el
transcurso del proceso de producción de la empresa. Como se señaló anteriormente, el capital humano del trabajador se puede dividir en
capital humano general y capital humano específico. El primer tipo es el adquirido por el trabajador a lo largo de su vida (educación,
experiencia vital, etc.), mientras que el segundo tipo es el adquirido dentro de la empresa.
El objetivo de este trabajo es observar cómo las variaciones en el aprendizaje afectan el nivel de productividad de las empresas.
Con ese fin, un desafío es poder aislar el capital humano específico del capital humano en general.Abowd y col. (2005)y
Chiang (2004) estimar el capital humano a través del siguiente modelo:

wait = Xaitβ + ϕyo + εait (4)

La variable dependiente es el logaritmo del salario del individuo a trabajando en fi rme I en el año t. El componente Xait
representa un vector de las características individuales observadas, como la edad (medida en años) y el nivel de escolaridad
(tontos). El siguiente componente,ϕI, representa el efecto fijo de la empresa y el último término es el residuo del
modelo.
El salario del empleado viene dado por la suma del valor de mercado de sus características personales y las políticas de remuneración
específicas del empleador. Algunas características personales, como la experiencia en el mercado laboral, evolucionan con el tiempo,
196 LP da Rocha y col. / EconomiA 20 (2019) 191–210

Tabla 3
Medidas de General Humsssan Capital, 1996-2013.

Año Salario promedioa Capital humano (Medida 1) Capital humano (Medida 2)

1996 645,70 1,58 1,46

1997 724,70 1,59 1,48
1998 728,40 1,60 1,49
1999 701.10 1,61 1,50
2000 736,70 1,62 1,50
2001 730.10 1,62 1,50
2002 725,50 1,64 1,51
2003 769.20 1,65 1,52
2004 810.40 1,66 1,53
2005 829,60 1,68 1,54
2006 793.30 1,69 1,55
2007 761.20 1,70 1,55
2008 775.80 1,71 1,55
2009 782.70 1,73 1,57
2010 770,00 1,74 1,57
2011 847.10 1,75 1,57
2012 871,70 1,76 1,58
2013 897.60 1,77 1,59

Fuente: RAIS (MTE).

a Precios desde 2013.

mientras que otros, como la educación y algunos componentes no observados (como la "capacidad"), permanecen constantes. Se ignoran las
variaciones estocásticas de estos efectos personales, además de los efectos de las empresas.
La medición del capital humano general, que llamaremos h, se forma combinando el componente observable de
los individuos usando los parámetros estimados de la Ec. 4 (β̂). Así tenemos el siguiente:

hait = Xait β̂ (5)

Usamos dos medidas de capital humano general. La diferencia entre ellos está en la especificación de los maniquíes
educativos. La primera variable ficticia se agrega en las siguientes categorías: educación primaria incompleta, educación
secundaria incompleta y educación secundaria completa. La medición alternativa se agrega en educación primaria
incompleta, algo de educación terciaria y educación terciaria completa. La segunda clasificación se ve más afectada por los
movimientos en la educación terciaria.
Usamos los datos del RAIS en su nivel más desagregado para obtener información sobre los salarios, la edad y el nivel educativo de los
trabajadores. Las estimaciones se obtienen a nivel de trabajador y posteriormente se agregan a nivel de empresa para obtener los resultados
del modelo principal.
Tabla 3 muestra la evolución de estas dos medidas de capital humano general y sus principales componentes. Se puede
observar que las trayectorias de los salarios no están muy ligadas a la evolución de las mediciones del capital humano entre 1996 y
2013. Eso es sorprendente, pero nos recuerda que la evolución de los salarios también ha sido notablemente diferente a la de la
productividad del trabajo en Brasil durante este mismo período.

2.2.4. Factor total de productividad

Para la medición de la productividad, seguimos los enfoques deMessa (2014), que calcula la productividad total de los factores
(PTF) utilizando métodos econométricos aplicados a datos a nivel de plantas manufactureras brasileñas. Comenzando con una función de
producción Cobb-Douglas, tal que el producto (Y) de la empresa i en el tiempo t es el resultado de la combinación de capital (K) y trabajo
(L) factores debido a la tecnología (A), tenemos los siguientes:

Yt = AesoKβKeso Lβeso
L

El cálculo de la PTF se puede realizar utilizando diferentes metodologías. Este estudio adopta las siguientes tres estimaciones,
que se utilizan comúnmente en la literatura: (i) mínimos cuadrados ordinarios, (ii) el método Olley-Pakes y (iii) el método Levinsohn-
Petrin. La descripción a continuación sigue de cerca los temas correspondientes enMessa (2014). Las estimaciones de la PTF se
calculan sobre la base de los datos de PIA.
 LP da Rocha y col. / EconomiA 20 (2019) 191–210 197

I) Mínimos cuadrados ordinarios

El método más simple para obtener una medición de la productividad es ejecutar una regresión simple mediante mínimos
cuadrados ordinarios (MCO). El objetivo de este método es estimar los parámetros de manera que las desviaciones (vector de error)
entre los valores observados y estimados sean mínimas. Extrayendo el logaritmo de la función de producción descrita
anteriormente, obtenemos lo siguiente:

yes = β0 + βKkeso + βlleso + εeso (6)

Las letras minúsculas representan el logaritmo natural de las respectivas variables, el βs representan los parámetros a
estimar y es el término de error. Sin embargo, a pesar de la simplicidad de usar este método, puede resultar en problemas
que violen ciertos supuestos del método MCO y arrojen estimadores sesgados.
Al estimar la función de producción, el término de error (las desviaciones en relación a la media) de la ecuación que se
está asociando con la PTF también puede tener alguna relación con las variables explicativas. Este problema, conocido
como simultaneidad, daña los supuestos básicos del método MCO. Para superar estos problemas de endogeneidad del
método OLS, la literatura presenta algunas alternativas, por ejemplo, laOlley y Pakes (1996) y Levinsohn y Petrin
(2003) métodos.

I) Método Olley-Pakes

La medida propuesta por Olley y Pakes (1996) estima una función de producción de manera consistente, considerando el problema de la
endogeneidad. Los autores utilizan una variable observable como proxy de la productividad; para ser un buen proxy, la variable elegida debe
correlacionarse tanto como sea posible con la productividad. El método Olley-Pakes utiliza la variable de flujo de inversión de las empresas
como proxy.
A partir de (6), podemos dividir el residuo en dos partes: εes = ωeso + ϑeso , en el cual ω se compone de características
inobservables que influyen en la decisión de las empresas y ϑ es el choque idiosincrásico. De los resultados encontrados enOlley
y Pakes (1996), los autores asumen que ω es una secuencia de tiempo que aumenta estocásticamente y que la inversión fl ujo
se puede escribir como i = fωeso , keso ), en el cual F es una función monótona en ω. Invertir f, tenemos ωes = g (yoeso , keso ) .
Por lo tanto, (6) se puede reescribir de la siguiente manera:

yes = βlleso + ϕ (yoeso , keso) + ϑeso (7)

dónde ϕ (yoeso , keso) = βkkeso + soldado americanoeso + keso )

donde se puede estimar mediante un polinomio de tercer orden. Así, de (7), obtenemos la estimaciónβ̂l. Para obtener la estimación de βk,
nos apoyamos en la innovación en productividad, con base en la expectativa del último período: ζ = ωeso -E [ωeso |ωeso-1].
Por lo tanto, reescribimos (7) de la siguiente manera:

yeso - β̂lles = βkkeso + h (ϕeso-1 - βkkeso) + ζeso + ϑeso (8)

De (8), obtenemos una estimación consistente para βk.

I) Método Levinsohn-Petrin

Para superar el problema resultante de la variable de flujo de inversión utilizada en el método Olley-Pakes, Levinsohn
y Petrin (2003) proponen otra variable que se utilizará como proxy de la productividad. Para estos autores, los gastos con insumos
intermedios son más eficientes para capturar la dinámica de la productividad.
La primera etapa del método Levinsohn-Petrin es análoga a la de Olley y Pakes (1996) descrito en (7). La única
diferencia es la sustitución de variable.I—Que representa los fl ujos de inversión— con variable metro, cuales
representa los costos intermedios, de manera que metroes = f (meso , keso ). Así, obtenemos la estimación de β̂l.
Para la segunda etapa, cualquier candidato β∗ k se utiliza, con el objetivo de calcular un valor predicho para ωt para todos
periodos t:

ω̂es = yeso - β *kkeso - β̂lleso (9)

198 LP d

Gráfico 1. Media de la PTF mediante MCO y de aprendizaje mediante la tasa de rotación

(1996-2013). Fuente: RAIS (MTE) y PIA (IBGE). Elaboración propia.

Usando los valores obtenidos en (9), una aproximación consistente (no paramétrica) para E [ωeso |ωeso-1] se da a través del
valor predicho de la regresión.
2-1 + γ3ωt 3-1 + εt
ω̂t = γ0 + γ1ωt-1 + γ2ωt (10)

Después de obtener β̂yo β∗ k, y E [ω ˆ eso |ωeso-1], nosotros puede calcular los residuos de la función de producción de modo que w podemos

luego obtenga la estimación para β̂.kEste es adquirido a través de la solución al siguiente problema:
∑∑ [ˆ ]
min (y eso
- * β kkeso
- βˆ l -mi
iluminado ωeso
ω -eso 1) 2 (11)
βk* I t

Cuadro 4 muestra la evolución, entre 1996 y 2013, de una serie de estadísticas para los tres métodos de cálculo de la PTF
utilizados en este estudio. El método MCO tiene un valor logarítmico de 9,956 en 2013, superior a la media del período (9,710), y
tiene, en promedio, una desviación estándar más baja. Los métodos Olley-Pakes y Levinsohn-Petrin presentan niveles superiores,
con valores de 11,810 y 11,890, respectivamente, en 2013, que también son superiores a los valores de todos los años analizados.

2.2.5. Estimación de los efectos del aprendizaje sobre la PTF

El objetivo aquí es encontrar los efectos de la tasa de rotación sobre la productividad laboral a través del aprendizaje. Por lo tanto, para
encontrar el efecto deseado, de acuerdo conChiang (2004), se estima la siguiente ecuación:

pincharijt = γ0 + γj + γvvyo + γt t + γhheso + γmimieso + tuijt (12)

donde pincharijt es la medida de la PTF de la empresa i en el sector j en el momento t; γj es el efecto específico del sector de actividad definido
por la Clasificación Nacional de Actividades Económicas; vI es el momento de la entrada de las empresas; t es un maniquí anual
introducido para capturar el progreso tecnológico de toda la industria; heso es la medida del capital humano; mieso es el logaritmo de la
medida de aprendizaje, ees = registro (Eeso). Por último, túijt denota el término de error.

3. Resultados

En esta sección se presentan los resultados de los modelos discutidos en la sección metodológica. Destacaremos los efectos que
tiene la rotación sobre la productividad a través del aprendizaje. Los gráficos presentados en esta sección buscan reforzar la
relación entre el grado de aprendizaje y el nivel de productividad de las empresas. Para ello, se presentan tres medidas de PTF,
como se describe en la sección 1.2.4.

3.1. Relación entre aprendizaje y productividad

Gráfico 1-4 se grafican agrupando la información de todas las empresas de la muestra. EnGráficos 1 y 2, se estima la productividad
el uso de OLS mientras el aprendizaje se mide utilizando la depreciación basada en la tasa de rotación en Gráfico 1 y tasa de separación en
11.54 11,81 11,81 11 11 1 11.59 11,50 11.41 11.39 11.35 11.36 11 11 1 11.43 11.53 11.53 11.43 METRO O
.72
.1 6. .32
.1 4. ean lley-P

6 59 5 48
akes

1,47
1,29
1,28
1. 1. 1 1,48
1,40 1,50 1,52
1,52 1,52
1. 1. 1 1,56 1,55 ción
1,58
1,57 S
desviación
32 3. 51 5. tandard
5 38 4 57

9,93
10,43 10,43 10 10 1 10.06 9,92
9,79
9,71 9,69
9,68 9. 9. 9 9,66
9,66 9.52
9,66 por-
percentilDécimo
65 7.
. . 0 2.
28 0 66
0 09

11.59 11.80 11.80 11 11 1 11.58 11.52 11.45 11.42 11.39 11.40 11 11 1 11.54 11,67 11,67 11.57 METRO

. . 1 6.
71 . . 1 5.
37 edian

5 59 4 58

13.23 13.34 13.32 13 13 1 13.28 13.25 13.17 13.18 13.13 13.14 13 13 1 13.17 13.24 13.23 13.11 por-
percentil90º
.29
.3 2. .07
.3 2.
8 26 2 26

11,63 11,89 11,91 11 11 1 11,63 11,61 11.54 11.51 11.46 11.47 11 11 1 11.51 11.60 11,61 11.47 METRO L
. . 1 7.
81 . . 1 5.
43 ean evinsohn-P

2 64 6 58

1,17
1,29 1,15
1. 1. 1 1,27 1,28
1,29 1,30
1,30
1,31
1. 1. 1 1,34
1,37 1,39 ción
1,39 S
desviación
etrin
19 2. 30 3. tandard
2 24 3 35

10.10 10.49 10,52 10 10 1 10.14 10.07 10.01 9,93 9,92

9,90 9. 10 1 9,94
10.01 10.03 9,90 por-
percentilDécimo
89. 0
.38
.0 2. 0.
7 16 1 00

11.55 11,81 11,83 11 11 1 11.55 11.53 11.45 11.40 11.37 11.39 11 11 1 11.43 11.51 11.51 11.37 METRO

. . 1 6.
73 . . 1 4.
35 edian

5 57 7 48

13.22 13,36 13.35 13 13 1 13.22 13.23 13.15 13.16 13.12 13.11 13 13 1 13.17 13.29 13.28 13.13 90º
percentil

. . 3 2.
28 . . 3 2.
05
3 19 2 26
200 LP d

Gráfico 2. Media de la PTF utilizando MCO y de aprendizaje

Fuente: RAIS (MTE) y PIA (IBGE). Propia preparación

Gráfico 3. Media de PTF utilizando Olley-Pakes y de lea

Fuente: RAIS (MTE) y PIA (IBGE). Propia preparación

Gráfico 4. Media de la PTF con Levinsohn-Petrin y de aprendizaje con la tasa de rotación (1996-2013).
Fuente: RAIS (MTE) y PIA (IBGE). Elaboración propia
 LP d 201

Gráfico 5. Media de la PTF utilizando MCO y de aprendizaje 96-2013).

Fuente: RAIS (MTE) y PIA (IBGE). Propia preparación

Gráfico 6. Media de la PTF mediante Olley-Pakes y de aprendizaje mediante la tasa de rotación, según Cnae a nivel de tres dígitos (1996-2013).
Fuente: RAIS (MTE) y PIA (IBGE). Elaboración propia

Gráfico 2. En ambos gráficos, existe una amplia dispersión entre empresas, pero la relación entre aprendizaje y TFP
muestra una clara tendencia positiva. Ambas medidas de aprendizaje muestran correlaciones muy similares con la TFP. Por lo tanto,
los gráficos restantes se mostrarán solo con la medida de aprendizaje que usa la tasa de rotación como depreciación.
La tendencia positiva también se observa en Gráficos 3 y 4, en el que la productividad se mide por los Olley-Pakes y
Métodos de Levinsohn-Petrin, respectivamente.
Por tanto, como se esperaba, a pesar de la alta dispersión entre las distintas empresas, se puede observar una clara relación entre el
aprendizaje en una empresa y la productividad, independientemente de la medida de depreciación utilizada o del método por el cual se
estima la PTF.
En Gráfico 5-7 , las relaciones entre la PTF y el aprendizaje se agrupan al nivel de tres dígitos de la CNAE (112
grupos). En la medición de la PTF por OLS, la relación se dispersa entre los grupos; sin embargo, se puede observar una tendencia
positiva. La dispersión disminuye cuando se utiliza el método de Olley-Pakes para calcular la PTF, pero se mantiene la tendencia
positiva. La tendencia positiva entre los grupos también se observa cuando se utiliza el método Levinsohn-Petrin.
Finalmente, Gráfico 8-10 muestre la media de la PTF y el aprendizaje por grupos de tamaño de empresa. Definimos el tamaño de la
empresa como el número medio de empleados que tiene la empresa en la muestra. Los gráficos muestran que existe una relación positiva
entre el tamaño de la empresa y la medición del aprendizaje: cuanto más grande es la empresa, mayor es la capacidad de acumulación de
conocimientos. Esta ventaja de las grandes empresas se refleja en su productividad. En los gráficos, podemos observar la relación positiva
entre el tamaño de la empresa y la PTF. Por lo tanto, al examinar el tamaño de las empresas, tenemos una relación muy positiva entre la
medición de la PTF y la medición del aprendizaje.
202 LP d

Gráfico 7. Media de PTF con Levinsohn-Petrin yo git level (1996-2013).

Fuente: RAIS (MTE) y PIA (IBGE). Propia preparación

Gráfico 8. Media de la PTF utilizando MCO y de aprendizaje

Fuente: RAIS (MTE) y PIA (IBGE). Propia preparación

Gráfico 9. Media de la PTF con Olley-Pakes y del aprendizaje con la tasa de rotación, por grupos de tamaño de empresa
(1996-2013). Fuente: RAIS (MTE) y PIA (IBGE). Elaboración propia

3.2. Efectos estimados del aprendizaje específico de la empresa sobre la productividad

Las estimaciones presentadas aquí buscan aislar los efectos del aprendizaje específico de la empresa sobre la productividad. Esto se hizo
controlando los efectos fijos de la industria, el tiempo de operación y el capital humano general, como se calcula en la sección 4.2.1. También se incluyen
variables ficticias anuales para controlar los shocks macroeconómicos.
 LP d 203

Gráfico 10. Media de la PTF con Levinsohn-Petrin y de aprendizaje con la tasa de rotación, por grupos de tamaño de empresa (1996-2013).
Fuente: RAIS (MTE) y PIA (IBGE). Elaboración propia

Los resultados de la Ec. (12), que estima los efectos del aprendizaje sobre la PTF, se presentan en Tablas 5 y 6. Las mesas
tienen tres columnas de resultados que muestran los tres métodos para calcular la PTF. EnCuadro 5, en el que utilizamos la tasa de
rotación como medida de la depreciación, los resultados indican una relación positiva significativa entre el aprendizaje y la
productividad. Tabla 6, que utiliza la tasa de separación como depreciación, también muestra una relación positiva y significativa
entre aprendizaje y productividad.
Los resultados sobre los efectos del aprendizaje son consistentes y muy significativos, con niveles muy cercanos entre los
diferentes análisis. Cuando la variable dependiente (PTF) se calcula por MCO (primeras columnas de ambas tablas), el efecto de
aprendizaje es aproximadamente 11% (primera fila), independientemente de cómo se considere la depreciación en la medida de
aprendizaje. Cuando la variable dependiente (PTF) se calcula mediante los métodos de Olley-Pakes o Levinsohn-Petrin (segunda y
tercera columnas), el efecto de aprendizaje es mayor que el calculado por MCO y la elasticidad es aproximadamente del 26%. El
capital humano general tiene un efecto positivo y significativo en todos los análisis. Sin embargo, la magnitud de este efecto es más
sensible en comparación con las medidas alternativas para la productividad y la depreciación del aprendizaje.
Finalmente, a pesar del signo negativo ya pesar de ser signi fi cativa, la variable “año de entrada”, que capta el efecto de los diferentes
deaños de entrada de la empresa, tiene un efecto casi nulo.

4. Robustez

4.1. Mejoras metodológicas

La estimación de (12) puede verse comprometida por la endogeneidad del término de aprendizaje. Tenga en cuenta que este término es
una función de la producción en el período anterior. Como consecuencia, se convierte en una función de la productividad en el período
anterior (como hemos definido la productividad como un componente de la producción). Si asumimos que la productividad tiene alguna
persistencia temporal --o ejemplo, si su evolución se aproxima mediante un proceso auto AR (1) (modelo autorregresivo de proceso de orden
1) -, hay muchas posibilidades de que nuestro término de aprendizaje se correlacione con el error de Eq.(1). Esto sesgaría el
Estimación MCO para γe (nuestro coeficiente de interés).

pincharijt = γ0 + γj + γvvyo + γt t + γhheso + γmig (pinchazoeso-1) + tuijt

La introducción de un efecto fijo solo complicaría aún más el asunto, ya que la transformación de variable necesaria para
eliminar el efecto fijo (la primera diferencia, por ejemplo) fortalecería la correlación entre el término de error
(transformado) y el término de aprendizaje (transformado). Para el modelo transformado, esta correlación se mantendría
incluso en ausencia de cualquier persistencia temporal.5

5 Este es un problema ampliamente discutido en economía desde la contribución fundamental de Nickel (1981). En la década de 1990, Arellano y sus coautores sugirieron formas

de sortear este problema con la ayuda de variables instrumentales. Sin embargo, contribuciones recientes en la literatura de instrumentos débiles muestran que estas formas

pueden agravar el problema en lugar de atenuarlo.

204 LP da Rocha y col. / EconomiA 20 (2019) 191–210

Cuadro 5
Efecto del aprendizaje sobre la productividad de las empresas utilizando la tasa de rotación.

(1) (2) (3)

Variables OLS OLLEY-PAKES LEVINSOHN-PETRIN

Aprendiendo 0,171 *** 0,349 *** 0,355 ***

(0,002) (0,002) (0,002)
Capital humano 0,613 *** 0,299 *** 0,152 ***
(0.022) (0.022) (0.022)
Años de funcionamiento -0,009 *** -0,008 *** -0,009 ***
(0,000) (0,000) (0,000)
1998 -0,022 *** -0,132 *** -0,138 ***
(0,004) (0,004) (0,004)
1999 -0,170 *** -0,332 *** -0,332 ***
(0,005) (0,005) (0,005)
2000 -0,170 *** -0,356 *** -0,343 ***
(0,006) (0,006) (0,006)
2001 -0,193 *** -0,410 *** -0,385 ***
(0,006) (0,006) (0,006)
2002 -0,347 *** -0,582 *** -0,552 ***
(0,007) (0,007) (0,007)
2003 -0,304 *** -0,566 *** -0,528 ***
(0,007) (0,007) (0,007)
2004 -0,350 *** -0,625 *** -0,576 ***
(0,007) (0,007) (0,007)
2005 -0,339 *** -0,629 *** -0,572 ***
(0,007) (0,007) (0,007)
2006 -0,333 *** -0,641 *** -0,575 ***
(0,007) (0,007) (0,007)
2007 -0,317 *** -0,627 *** -0,551 ***
(0,007) (0,007) (0,007)
2008 -0,295 *** -0,620 *** -0,539 ***
(0,008) (0,008) (0,008)
2009 -0,274 *** -0,606 *** -0,523 ***
(0,008) (0,008) (0,008)
2010 -0,239 *** -0,570 *** -0,476 ***
(0,008) (0,008) (0,008)
2011 -0,171 *** -0,523 *** -0,410 ***
(0,008) (0,008) (0,008)
2012 -0,130 *** -0,498 *** -0,370 ***
(0,008) (0,008) (0,008)
2013 -0,121 *** -0,511 *** -0,375 ***
(0,008) (0,008) (0,009)
Constante 6.465 *** 6.377 *** 6.564 ***
(0.038) (0.039) (0.038)
Observaciones 322,451 322,451 322,451
R-cuadrado 0.521 0,790 0,729

Fuente: RAIS (MTE) y PIA (IBGE), 1996-2013. Notas:

Error estándar entre paréntesis. Significancia: ***

p <0.01, ** p <0.05, * p <0.1. Efecto fijo: CNAE 4
dígitos.

4.1.1. Evitando la endogeneidad

ComoComo hemos visto anteriormente, nuestro marco teórico subyacente a la estimación de la productividad asume que la producción se
puede ser descompone en un conjunto de términos relacionados con el uso de factores y un término de eficiencia que corresponde a la
En el productividad. marco teórico que subyace a los términos de aprendizaje, se menciona que este se determina específicamente por el
por el uso de factores (en particular, el trabajo). La eficiencia no sería un determinante del aprendizaje, sino una consecuencia del mismo.
 LP da Rocha y col. / EconomiA 20 (2019) 191–210 205

Tabla 6
Efecto del aprendizaje sobre la productividad de las empresas utilizando la tasa de separación.

(1) (2) (3)

Variables OLS OLLEY-PAKES LEVINSOHN-PETRIN

Aprendiendo 0,167 *** 0,339 *** 0,347 ***

(0,002) (0,002) (0,002)
Capital humano 0,665 *** 0,407 *** 0,255 ***
(0.022) (0.022) (0.022)
Años de funcionamiento -0,009 *** -0,007 *** -0,008 ***
(0,000) (0,000) (0,000)
1998 -0,014 *** -0,109 *** -0,113 ***
(0,005) (0,005) (0,005)
1999 -0,152 *** -0,288 *** -0,287 ***
(0,005) (0,005) (0,005)
2000 -0,153 *** -0,317 *** -0,304 ***
(0,006) (0,006) (0,006)
2001 -0,180 *** -0,380 *** -0,357 ***
(0,006) (0,006) (0,006)
2002 -0,332 *** -0,549 *** -0,519 ***
(0,007) (0,007) (0,007)
2003 -0,288 *** -0,532 *** -0,495 ***
(0,007) (0,007) (0,007)
2004 -0,331 *** -0,588 *** -0,540 ***
(0,007) (0,007) (0,007)
2005 -0,326 *** -0,603 *** -0,548 ***
(0,007) (0,007) (0,007)
2006 -0,320 *** -0,611 *** -0,549 ***
(0,007) (0,007) (0,007)
2007 -0,307 *** -0,602 *** -0,528 ***
(0,007) (0,007) (0,007)
2008 -0,285 *** -0,596 *** -0,516 ***
(0,008) (0,008) (0,008)
2009 -0,261 *** -0,581 *** -0,499 ***
(0,008) (0,008) (0,008)
2010 -0,221 *** -0,534 *** -0,442 ***
(0,008) (0,008) (0,008)
2011 -0,163 *** -0,503 *** -0,393 ***
(0,008) (0,008) (0,008)
2012 -0,123 *** -0,479 *** -0,353 ***
(0,008) (0,008) (0,008)
2013 -0.108 *** -0,484 *** -0,350 ***
(0,008) (0,008) (0,009)
Constante 6.455 *** 6.366 *** 6.529 ***
(0.038) (0.039) (0.038)
Observaciones 310,266 310,266 310,266
R-cuadrado 0.527 0,793 0,735

Fuente: RAIS (MTE) y PIA (IBGE), 1996-2013. Notas:

Error estándar entre paréntesis. Significancia: ***

p <0.01, ** p <0.05, * p <0.1. Efecto fijo: CNAE 4
dígitos.

Por lo tanto, una medida alternativa de aprendizaje debería eliminar el término de eficiencia (productividad) de producción. Es decir,
podemos definir la siguiente medida alternativa al término de aprendizaje:

mies = δ (Eeso-1 + qeso-1 - pinchareso-1) (14)

Eq. (6) nos permite escribir la expresión anterior como:

mies = δ (Eeso-1 + β0 + βKkeso-1 + βlleso-1)

206 LP da Rocha y col. / EconomiA 20 (2019) 191–210

Tabla 7
Efecto de la medida de aprendizaje alternativa sobre la productividad de la empresa utilizando la tasa de rotación.

(1) (2) (3)

Variables OLS OLLEY-PAKES LEVINSOHN-PETRIN

Aprendiendo 0,170 *** 0,342 *** 0,344 ***

(0,002) (0,002) (0,002)
Capital humano 0,617 *** 0,318 *** 0,181 ***
(0.022) (0.022) (0.022)
Años de funcionamiento -0,009 *** -0,008 *** -0,009 ***
(0,000) (0,000) (0,000)
1998 -0,021 *** -0,128 *** -0,131 ***
(0,004) (0,004) (0,004)
1999 -0,169 *** -0,326 *** -0,318 ***
(0,005) (0,005) (0,005)
2000 -0,169 *** -0,352 *** -0,328 ***
(0,006) (0,006) (0,006)
2001 -0,192 *** -0,406 *** -0,369 ***
(0,006) (0,006) (0,006)
2002 -0,346 *** -0,579 *** -0,535 ***
(0,007) (0,007) (0,007)
2003 -0,302 *** -0,565 *** -0,514 ***
(0,007) (0,007) (0,007)
2004 -0,349 *** -0,626 *** -0,563 ***
(0,007) (0,007) (0,007)
2005 -0,338 *** -0,631 *** -0,562 ***
(0,007) (0,007) (0,007)
2006 -0,331 *** -0,643 *** -0,565 ***
(0,007) (0,007) (0,007)
2007 -0,316 *** -0,630 *** -0,543 ***
(0,007) (0,007) (0,007)
2008 -0,294 *** -0,624 *** -0,531 ***
(0,008) (0,008) (0,008)
2009 -0,272 *** -0,612 *** -0,517 ***
(0,008) (0,008) (0,008)
2010 -0,238 *** -0,576 *** -0,469 ***
(0,008) (0,008) (0,008)
2011 -0,170 *** -0,529 *** -0,405 ***
(0,008) (0,008) (0,008)
2012 -0,129 *** -0,504 *** -0,364 ***
(0,008) (0,008) (0,008)
2013 -0,120 *** -0,517 *** -0,368 ***
(0,008) (0,008) (0,009)
Constante 6.479 *** 6.467 *** 6.687 ***
(0.038) (0.038) (0.039)
Observaciones 322,448 322,438 321,876
R-cuadrado 0.520 0,789 0,719

Fuente: RAIS (MTE) y PIA (IBGE), 1996-2013. Notas:

Error estándar entre paréntesis. Significancia: ***

p <0.01, ** p <0.05, * p <0.1. Efecto fijo: CNAE 4
dígitos.

Lo que hace explícita la relación con el uso de factores.

Nótese que la medida presentada en (14) permite la estimación de un modelo análogo al expresado en (12). Tabla 7
a continuación informa los resultados de esa estimación, donde la depreciación en el aprendizaje se basa en la tasa de rotación. Vemos que nuestros
resultados anteriores son robustos, en el sentido de que la elasticidad sigue siendo positiva y relativamente más baja cuando el PTF se estima utilizando
MCO.Tabla 8 muestra que se aplica la misma conclusión una vez que se utiliza la tasa de separación para la depreciación.
 LP da Rocha y col. / EconomiA 20 (2019) 191–210 207

Tabla 8
Efecto de la medida de aprendizaje alternativa sobre la productividad de la empresa utilizando la tasa de separación.

(1) (2) (3)

Variables OLS OLLEY-PAKES LEVINSOHN-PETRIN

Aprendiendo 0,166 *** 0,333 *** 0,337 ***

(0,002) (0,002) (0,002)
Capital humano 0,668 *** 0,421 *** 0,279 ***
(0.022) (0.022) (0.022)
Años de funcionamiento -0,009 *** -0,007 *** -0,008 ***
(0,000) (0,000) (0,000)
1998 -0,0134 *** -0,105 *** -0,105 ***
(0,005) (0,005) (0,005)
1999 -0,151 *** -0,284 *** -0,274 ***
(0,005) (0,005) (0,005)
2000 -0,152 *** -0,315 *** -0,291 ***
(0,006) (0,006) (0,006)
2001 -0,179 *** -0,378 *** -0,342 ***
(0,006) (0,006) (0,006)
2002 -0,331 *** -0,548 *** -0,505 ***
(0,007) (0,007) (0,007)
2003 -0,287 *** -0,533 *** -0,484 ***
(0,007) (0,007) (0,007)
2004 -0,330 *** -0,589 *** -0,531 ***
(0,007) (0,007) (0,007)
2005 -0,325 *** -0,606 *** -0,540 ***
(0,007) (0,007) (0,007)
2006 -0,319 *** -0,615 *** -0,541 ***
(0,007) (0,007) (0,007)
2007 -0,306 *** -0,606 *** -0,522 ***
(0,007) (0,007) (0,007)
2008 -0,283 *** -0,601 *** -0,510 ***
(0,008) (0,008) (0,008)
2009 -0,260 *** -0,587 *** -0,494 ***
(0,008) (0,008) (0,008)
2010 -0,221 *** -0,541 *** -0,437 ***
(0,008) (0,008) (0,008)
2011 -0,162 *** -0,511 *** -0,389 ***
(0,008) (0,008) (0,008)
2012 -0,123 *** -0,486 *** -0,349 ***
(0,008) (0,008) (0,008)
2013 -0.107 *** -0,491 *** -0,345 ***
(0,008) (0,008) (0,009)
Constante 6.468 *** 6.450 *** 6.645 ***
(0.038) (0.039) (0.039)
Observaciones 310,267 310,262 309,843
R-cuadrado 0.526 0,792 0,726

Fuente: RAIS (MTE) y PIA (IBGE), 1996-2013. Notas:

Error estándar entre paréntesis. Significancia: ***

p <0.01, ** p <0.05, * p <0.1. Efecto fijo: CNAE 4
dígitos.

4.2. Medición del capital humano

En la sección 1.2.3, mencionamos dos formas alternativas de medir el índice de capital humano de una empresa. Hasta ahora, todos
de los resultados se han basado en uno de estos procedimientos. El objetivo de esta subsección es mostrar si los resultados son
adecuados dada esta elección de variables. Todos los resultados hasta ahora se han basado en el índice que combina una educación
secundaria completa con niveles más altos de educación para la variable ficticia de educación superior. La alternativa
208 LP da Rocha y col. / EconomiA 20 (2019) 191–210

Cuadro 9
Efecto del aprendizaje en la productividad de la empresa utilizando la tasa de rotación y la medida alternativa de capital humano.

(1) (2) (3)

Variables OLS OLLEY-PAKES LEVINSOHN-PETRIN

Aprendiendo 0,168 *** 0,341 *** 0,343 ***

(0,002) (0,002) (0,002)
Capital humano (alternativa) 0,688 *** 0,383 *** 0,218 ***
(0.023) (0.022) (0.022)
Años de funcionamiento -0,009 *** -0,008 *** -0,009 ***
(0,000) (0,000) (0,000)
1998 -0,0207 *** -0,127 *** -0,130 ***
(0,004) (0,004) (0,004)
1999 -0,167 *** -0,325 *** -0,317 ***
(0,005) (0,005) (0,005)
2000 -0,166 *** -0,350 *** -0,327 ***
(0,006) (0,006) (0,006)
2001 -0,187 *** -0,404 *** -0,368 ***
(0,006) (0,006) (0,006)
2002 -0,339 *** -0,576 *** -0,534 ***
(0,007) (0,007) (0,007)
2003 -0,294 *** -0,561 *** -0,512 ***
(0,007) (0,007) (0,007)
2004 -0,337 *** -0,620 *** -0,560 ***
(0,007) (0,007) (0,007)
2005 -0,323 *** -0,624 *** -0,558 ***
(0,007) (0,007) (0,007)
2006 -0,313 *** -0,635 *** -0,561 ***
(0,007) (0,007) (0,007)
2007 -0,293 *** -0,620 *** -0,537 ***
(0,007) (0,007) (0,007)
2008 -0,268 *** -0,612 *** -0,524 ***
(0,007) (0,007) (0,007)
2009 -0,244 *** -0,599 *** -0,509 ***
(0,007) (0,007) (0,007)
2010 -0,207 *** -0,561 *** -0,461 ***
(0,007) (0,007) (0,007)
2011 -0,136 *** -0,514 *** -0,396 ***
(0,007) (0,007) (0,008)
2012 -0,093 *** -0,488 *** -0,354 ***
(0,008) (0,008) (0,008)
2013 -0,083 *** -0.500 *** -0,359 ***
(0,008) (0,008) (0,008)
Constante 6.479 *** 6.432 *** 6.667 ***
(0.036) (0.036) (0.036)
Observaciones 322,448 322,438 321,876
R-cuadrado 0.522 0,789 0,719

Fuente: RAIS (MTE) y PIA (IBGE), 1996-2013. Notas:

Error estándar entre paréntesis. Significancia: ***

p <0.01, ** p <0.05, * p <0.1. Efecto fijo: CNAE 4
dígitos.

La medida considera el nivel de educación secundaria completo utilizando una variable ficticia que representa un nivel de educación
intermedio. Tablas 9 y 10 presentar resultados análogos a los mostrados en Tablas 7 y 8 pero utilizando esta forma alternativa de considerar
la educación secundaria en el índice de capital humano. Está claro que nuestras principales conclusiones no se ven afectadas por esta
elección de variable.
 LP da Rocha y col. / EconomiA 20 (2019) 191–210 209

Tabla 10
Efecto del aprendizaje en la productividad de la empresa utilizando la tasa de separación y la medida alternativa de capital humano.

(1) (2) (3)

Variables OLS OLLEY-PAKES LEVINSOHN-PETRIN

Aprendiendo 0,163 *** 0,331 *** 0,336 ***

(0,002) (0,002) (0,002)
Capital humano (alternativa) 0,740 *** 0,491 *** 0,321 ***
(0.023) (0.022) (0.022)
Años de funcionamiento -0,009 *** -0,007 *** -0,008 ***
(0,000) (0,000) (0,000)
1998 -0,013 *** -0,105 *** -0,105 ***
(0,005) (0,005) (0,005)
1999 -0,150 *** -0,283 *** -0,274 ***
(0,005) (0,005) (0,005)
2000 -0,149 *** -0,313 *** -0,290 ***
(0,006) (0,006) (0,006)
2001 -0,174 *** -0,375 *** -0,340 ***
(0,006) (0,006) (0,006)
2002 -0,323 *** -0,543 *** -0,502 ***
(0,007) (0,007) (0,007)
2003 -0,279 *** -0,529 *** -0,481 ***
(0,007) (0,007) (0,007)
2004 -0,318 *** -0,582 *** -0,526 ***
(0,007) (0,007) (0,007)
2005 -0,309 *** -0,597 *** -0,534 ***
(0,007) (0,007) (0,007)
2006 -0,299 *** -0,604 *** -0,533 ***
(0,007) (0,007) (0,007)
2007 -0,282 *** -0,593 *** -0,512 ***
(0,007) (0,007) (0,007)
2008 -0,255 *** -0,585 *** -0,499 ***
(0,007) (0,007) (0,007)
2009 -0,230 *** -0,569 *** -0,482 ***
(0,007) (0,007) (0,007)
2010 -0,187 *** -0,521 *** -0,424 ***
(0,007) (0,007) (0,007)
2011 -0,126 *** -0,489 *** -0,375 ***
(0,007) (0,007) (0,008)
2012 -0,084 *** -0,464 *** -0,333 ***
(0,008) (0,008) (0,008)
2013 -0,067 *** -0,469 *** -0,330 ***
(0,008) (0,008) (0,008)
Constante 6.470 *** 6.421 *** 6.631 ***
(0.037) (0.036) (0.036)
Observaciones 310,267 310,262 309,843
R-cuadrado 0.527 0,792 0,726

Fuente: RAIS (MTE) y PIA (IBGE), 1996-2013. Notas:

Error estándar entre paréntesis. Significancia: ***

p <0.01, ** p <0.05, * p <0.1. Efecto fijo: CNAE 4
dígitos.

5. Consideraciones finales

El reciente crecimiento de la economía brasileña se ha producido con bajas ganancias de productividad, incluso comparado con otros
países con un nivel de desarrollo similar. Una posible explicación es la alta rotación laboral, que tiene efectos negativos en el aprendizaje.
Este desplazamiento excesivo entre puestos de trabajo se asocia a bajos niveles de compromiso e inversión en formación profesional, tanto
de los trabajadores como de las empresas, con consecuencias para la productividad laboral.
210 LP da Rocha y col. / EconomiA 20 (2019) 191–210

En este trabajo, estudiamos el efecto que la alta rotación en el mercado laboral tuvo sobre la productividad de las empresas
manufactureras brasileñas entre 1996 y 2013. Primero, se describió el comportamiento de la tasa de rotación del mercado laboral
formal brasileño en las últimas décadas. La tasa de rotación se ha mantenido alta y se indicó que es uno de los obstáculos para el
crecimiento de la productividad.
Usamos la literatura sobre el aprendizaje práctico, que afirma que las ganancias de productividad intraempresariales pueden ocurrir a
través de ganancias de eficiencia logradas a través de la acumulación de aprendizaje que resulta del acto de producir. Estimamos una medida
de aprendizaje para capturar la pérdida de capital humano resultante de la rotación y el efecto que esto tiene en la PTF.
La PTF se calculó mediante tres métodos diferentes: MCO, método de Olley-Pakes y método de Levinsohn-Petrin. Al
correlacionar nuestra medición de aprendizaje con las estimaciones de la PTF, encontramos una relación positiva utilizando
diferentes especificaciones.
En el análisis empírico, buscamos aislar el capital humano específico de los trabajadores con la variable de aprendizaje, utilizando una
estimación del capital humano general como control. Así, como resultado, obtuvimos un efecto más preciso del aprendizaje acumulado
durante la producción realizada en la empresa. Los resultados finales muestran que la medida de aprendizaje estimada, en la que la rotación
tiene un impacto negativo, tiene un efecto positivo en la PTF. Tenemos una indicación de la importancia del aprendizaje específico de la
empresa para obtener ganancias de productividad en la industria.
Así, una forma de apalancar la productividad en Brasil sería a través de la implementación de políticas públicas que
prioricen medidas dirigidas a reducir las tasas de rotación laboral y aumentar el grado de negociación entre empresas y
empleados.

Referencias

Abowd, JM, Haltiwanger, J., Jarmin, R., Lane, J., Lengermann, P., Mccue, K., Mckinney, K., Sandusky, K., 2005. La relación entre humanos
Capital, productividad y valor de mercado: acumulación de microevidencia. En: Midiendo el capital en la nueva economía. University of Chicago
Press, págs. 153–204.
Altonji, J., Shakotko, R., 1987. ¿Los salarios aumentan con la antigüedad laboral? Rev. Econ. Semental. 54 (3), 437–459.
Arrow, KJ, 1962. Las implicaciones económicas de aprender haciendo. Rev. Econ. Semental. 29 (junio), 155-173.
Becker, GS, 1962. Inversión en capital humano: un análisis teórico. J. Polit. Econ., 9–49.
Benkard, CL, 2000. Aprender y olvidar: la dinámica de la producción de aviones. Soy. Econ. Rev. 90 (septiembre), 1034-1054.
Brachet, T., David, G., 2011. Sobre los determinantes del olvido organizacional. Soy. Econ. J. Microecon. 3 (3), 100-123.
Chiancg, H., 2004. Aprender haciendo, rotación de trabajadores y dinámica de productividad. Econometr. Soc., No 593.
Corseuil, CH, Foguel, M., 2011. Expansão Econômica E Aumento Da Formalização Das Relações De Trabalho: Uma Abordagem Através Das
Contratações. IPEA, Río de Janeiro (Texto para Discussão, no 1571).
Corseuil, CH, Foguel, M., Gonzaga, G., Ribeiro, EP, 2013. A Rotatividade Dos Jovens No Mercado De Trabalho Formal Brasileiro. Anais do 41o
Encontro Nacional de Economia, Anpec.
Gathmann, C., Schonberg, U., 2010. ¿Qué tan general es el capital humano? Un enfoque basado en tareas. J. Labor Econ. 28 (1), 1-49.
Gonzaga, G., 2003. Rotación laboral y legislación laboral en Brasil. Economa 4 (1), 165–222.
Gonzaga, G., Pinto, RC, 2014. Rotatividade do trabalho e incentivos da legislação trabalhista. En: BONELLI, R., VELOSO, F., Veloso (Eds.),
Panorama do mercado de trabalho no Brasil. Rio de Janeiro.
Guanziroli, T., Gonzaga, G., 2017. Tarea-Heterogeneidad en la acumulación de capital humano ”(Mimeo). Rio de Janeiro.
Heckman, JJ, Lochner, L., Todd, PE, 2006. Funciones de ganancias, tasas de rendimiento y efectos del tratamiento: la ecuación de Mincer y B Eyond, vol.
1., 1ª ed. Elsevier, págs. 307–458, cap. 07.
Instituto de PesquisaEconômicaAplicada - IPEA, 2012. ProdutividadeNoBrasil NosAnos 2000-2009: AnáliseDasContasNacionais. Comunicados
hacer IPEA no 133.
LevinsohN, J., Petrin, A., 2003. Estimación de funciones de producción utilizando insumos para controlar los inobservables. Rev. Econ. Semental. 70 (2), 317–341.
Messa, A., 2014. Metodologias de cálculo da produtividade total dos fatores e da produtividade da mão de obra. En: NEGRI, F., CAVALCANTE,
LR (Eds.), Produtividade No Brasil: Desempenho E Determinantes, 2014. Abdi, Ipea, Brasília, págs. 87-110, Cap. 3.
Picadora, JA, 1974. Escolaridad, experiencia y ganancias. NBER 1974, 41–63.
Olley, GS, Pakes, A., 1996. La dinámica de la productividad en la industria de equipos de telecomunicaciones. Econometrica 64, 1263-1297.
Schultz, TW, 1961. Inversión en capital humano. Soy. Econ. Rev., 1-17.
Thompson, P., 2007. ¿Cuánto olvidaron los constructores navales de Liberty? Administrar. Sci. 53 (6), 908–918.
Thompson, P., 2012. La relación entre el costo unitario y la cantidad acumulada y la evidencia del aprendizaje organizacional en la práctica. J. Econ.
Perspect. 26 (3), 203–224.
Wright, TP, 1936. Factores que afectan el costo de los aviones. Aeronáutico. Sci. (3 de febrero), 122-128.