New Impacto de soluções de Indústria 4.0 no Mercado de Trabalho … · 2019. 6. 9. · nos anos...
Transcript of New Impacto de soluções de Indústria 4.0 no Mercado de Trabalho … · 2019. 6. 9. · nos anos...
Impacto de soluções de Indústria 4.0 no Mercado de Trabalho em Portugal
Alexandra Marisa Aparício da Silva
Dissertação
Mestrado em Economia
Orientado por
Joana Rita Pinho Resende
2018
ii
Agradecimentos
O final desta dissertação data o final do meu percurso enquanto estudante e gostava
de agradecer a algumas pessoas.
Professora Joana Resende, obrigada por me ter orientado e acompanhado neste
desafio chamado dissertação, pela disponibilidade, conselhos e ajuda.
Professora Anabela Carneiro, obrigada pela disponibilidade e ajuda durante todo o
processo nos Quadros de Pessoal.
Mãe, Pai, obrigada por me ajudarem a tornar a pessoa que sou hoje, por me ouvirem
e aconselharem em todos os momentos, por me acompanharem sempre ao longo de todos
os anos, por todo o amor e carinho.
Duarte, obrigada por seres tu. Por todo o apoio e amor que nos une, por todos os
momentos bons e maus, por me acompanhares durante estes (quase) nove anos, sei que o
continuarás a fazer e não queria de outra forma. Obrigada por tudo o que me tens dado e
tudo o que temos vivido. Obrigada por nunca me deixares desistir e por me fazeres acreditar
no impossível.
iii
Resumo
Desde o século XVIII que a indústria não tem parado de evoluir e de se reinventar
em consequência dos avanços tecnológicos. No entanto, os dias de hoje apresentam um
ritmo de inovação nunca antes visto causando uma disrupção na indústria, nos negócios e
no mundo - a Quarta Revolução Industrial ou Indústria 4.0 começou e trouxe com ela
enormes desafios sociais e económicos.
O objetivo desta dissertação passa por analisar os impactos sentidos no mercado de
trabalho com a implementação de soluções e processos digitais que caracterizam a Indústria
4.0. Para o efeito, será desenvolvido um estudo empírico: com recurso à base de dados
Quadros de Pessoal, procede-se à comparação da situação das empresas nos anos de 2007 e
2012 e procura-se avaliar em que medida a introdução de novas tecnologias poderá ter
resultado numa possível mudança na estrutura de emprego das empresas portuguesas a atuar
no setor das Indústrias Transformadoras. Será dada particular atenção ao fenómeno de
polarização do emprego associado às novas tecnologias digitais. Mais concretamente,
procede-se ao cálculo (ao nível da empresa) da variação do Routine Task Intensity Index (RTI)
nos anos de 2007 e 2012 e propõe-se um estudo econométrico onde se procuram identificar
quais as variáveis que afetam este índice.
Códigos JEL: D2, L86, M11, J21, J24
Palavras-chave: Indústria 4.0, Smart Factory, Digitalização, Emprego, Mercado de Trabalho,
Quadros de Pessoal
iv
Abstract
Since the XVIII century, the manufacturing sector has never stopped evolving and
reinventing itself as a result of the technological advances. However, the pace of innovation
nowadays as never been seen before causing a disruption in the industry sector, in business
models and in the whole economy at a global scale – the 4th Industrial Revolution or Industry
4.0 has started and it brought with her big social and economic challenges.
This dissertation aims at analyzing the impacts felt in the labor market with the
implementation of digital processes and solutions that lie on the basis of the concept of
Industry 4.0. To this end, an empirical study will be developed: using the Quadros de Pessoal
database. Focusing on 2007 and 2012, this dissertation will assess to what extent the
introduction of new technologies may have resulted in a possible change in the employment
structure of Portuguese companies operating in the Manufacturing Sector. The job
polarization in association with the new digital technologies will receive a particular attention.
More specifically, this work computes the variations (in 2007 and 2012) in the Routine Task
Intensity Index (RTI) evaluated at the firm level. Then, the thesis proposes an econometric
study to identify the main determinants affecting the behavior of this index.
JEL codes: D2, L86, M11, J21, J24
Key words: Industry 4.0, Smart Factory, Digitization, Job, Labor Market, Quadros de Pessoal
v
Índice
Introdução .................................................................................................................... 1
Revisão de Literatura ................................................................................................... 4
II.1 Contexto Histórico ....................................................................................................... 4
II.2 Enquadramento ............................................................................................................ 5
II.3 Crescimento e Emprego na Era da Digitalização e Automação ............................ 9
Metodologia e Análise de dados ................................................................................ 15
III.1 Descrição da Base de Dados ................................................................................... 17
III.2 Definição e Caracterização da Amostra ................................................................. 18
III.3 Análise dos Dados .................................................................................................... 19
III.3.1 Educação .................................................................................................... 19
III.3.2 Emprego .................................................................................................... 22
III.4 Análise de Dados e Estudo Empírico .................................................................... 27
III.4.1 Polarização do Emprego ......................................................................... 27
III.5 Modelo Econométrico ............................................................................................. 37
III.5.1 Especificação do Modelo ........................................................................ 37
III.5.2 Descrição das variáveis ............................................................................ 39
III.5.3 Resultados .................................................................................................. 41
Conclusões ................................................................................................................. 48
Referências Bibliográficas ......................................................................................... 50
Anexos ........................................................................................................................ 53
vi
Índice de Tabelas
Tabela 1 - % de cada setor ou grupo de setores para os anos 2007 e 2012 (tabela construída
pela autora com apoio nos QP) ..................................................................................................... 23
Tabela 2 - Dados sobre o setor das Indústrias Transformadoras para o ano 2007 e 2012
(tabela criada pela autora com apoio nos QP) ............................................................................. 25
Tabela 3 - RTI média e número de empresas para RTI negativa e positiva (tabela construída
pela autora com apoio nos Quadros de Pessoal) ........................................................................ 33
Tabela 4 - Dados relativos aos trabalhadores, mulheres, imigrantes e formados com ensino
superior com uma RTI positiva e negativa para 2007 e 2012 (tabela construída pela autora
com apoio nos Quadros de Pessoal) ............................................................................................. 34
Tabela 5 - Dados relativos aos trabalhadores por profissão (média de trabalhadores com essas
profissões por empresa) com uma RTI positiva e negativa para 2007 e 2012 (tabela construída
pela autora com apoio nos Quadros de Pessoal) ........................................................................ 35
Tabela 6 - Dados relativos aos trabalhadores por NUT II com uma RTI positiva e negativa
para 2007 e 2012 (tabela construída pela autora com apoio nos Quadros de Pessoal) ......... 36
Tabela 7 - Resultados da Estimação Probit da probabilidade de a empresa ter um índice
negativo de rotinização: a variável dependente RTIe = 1 (tabela construída pela autora e
regressão Probit calculada no programa econométrico STATA com dados dos QP) .......... 41
Tabela 8 - Efeitos Marginais Médios da estimação Probit da probabilidade de a empresa ter
um índice de intensidade de tarefas rotineiras negativo: a variável dependente RTIe = 1
(tabela construída pela autora e efeitos marginais calculados no programa econométrico
STATA com dados dos QP) .......................................................................................................... 44
Tabela 9 – Medidas implementadas pelo Portugal i4.0 (informação retirada de Deloitte
(2017)) ............................................................................................................................................... 55
Tabela 10 - Definição das variáveis geradas e utilizadas pela autora........................................ 57
Tabela 11 - Percentagem de trabalhadores para cada nível de escolaridade por área de
formação (tabela criada pela autora com apoio nos QP) ........................................................... 61
Tabela 12 – Nomenclatura organizada das CAE (tabela organizada pela autora) ................. 62
Tabela 13 – Atribuição das tarefas conforme ocupação dos trabalhadores (tabela criada pela
autora com apoio no artigo de Tiago Fonseca, Francisco Lima e Sónia C. Pereira (2018)) . 63
Tabela 14 – Definição das variáveis geradas e utilizadas pela autora para regressão Probit 66
vii
Índice de Figuras
Figura 1 - Tipo de tarefas desempenhadas pelos trabalhadores (figura criada pela autora com
apoio nos artigos citados anteriormente) ..................................................................................... 12
Figura 2 - Níveis de escolaridade dos trabalhadores em percentagem (gráfico criado pela
autora com informação retirada dos Quadros de Pessoal) ........................................................ 20
Figura 3 - Despesas em I&D (total e por setor) em euros entre 2005-2016 (quebra de série
em 2008 e 2013) (gráfico criado pela autora com informação retirada do PorData a 18 de
maio de 2018) ................................................................................................................................... 22
Figura 4 - Investigadores em I&D (total e por área científica) em milhares no período 2005-
2016 (quebra de série em 2008 e 2013) (gráfico criado pela autora com informação retirada
do PorData a 18 de maio de 2018) ............................................................................................... 23
Figura 5 - Total de Empresas (milhares) entre 2005-2016 (quebra de série em 2008) (gráfico
criado pela autora com informação retirada do PorData a 08 de Setembro de 2018) .......... 25
Figura 6 - Empresas do setor das Indústrias Transformadoras (milhares) entre 2005-2016
(quebra de série em 2008) (gráfico criado pela autora com informação retirada do PorData a
08 de Setembro de 2018) ................................................................................................................ 26
Figura 7 - % de Tarefas Totais Rotineiras, Manuais e Abstratas para os anos de 2007 e 2012
(gráfico criado pela autora com apoio dos Quadros de Pessoal) .............................................. 28
Figura 8 - % de Tarefas Rotineiras, Manuais e Abstratas consoante tamanho das empresas
em 2007 e 2012 (gráfico criado pela autora com apoio dos Quadros de Pessoal) ................. 29
Figura 9 – Taxa de investimentos das Indústrias Transformadoras no período de 2005 a 2016
(quebra de série em 2008) (gráfico criado pela autora com dados retirados do PorData a 11
de setembro de 2018) ...................................................................................................................... 30
Figura 10 – Taxa de investimentos de PME e GE no período de 2005 a 2016 (quebra de série
em 2008) (gráfico criado pela autora com dados retirados do PorData a 11 de setembro de
2018) .................................................................................................................................................. 30
Figura 11 - Densidade do RTI no ano 2007 (gráfico criado pela autora com apoio nos QP)
............................................................................................................................................................ 32
Figura 12 - Densidade do RTI no ano 2012 (gráfico criado pela autora com apoio nos QP)
............................................................................................................................................................ 32
Figura 13 - Entidades envolvidas no Portugal i4.0 (retirado de: https://www.industria4-
0.cotec.pt/ em 23 de novembro de 2017). ................................................................................... 53
viii
Figura 14 - Boletim Económico do Banco de Portugal: Projeções para Portugal em 2017-
2020 (retirado de: https://www.bportugal.pt/sites/default/files/anexos/pdf-
boletim/be_dez2017_p.pdf em 11 de janeiro de 2018). ............................................................ 54
Figura 15 - Taxa de desemprego (%) entre 2000-2017 (quebra de série em 2011) (gráfico
criado pela autora com informação retirada do Pordata a 06 de julho de 2018) ................... 54
Capítulo I
Introdução
“Devemos ter uma visão abrangente e globalmente compartilhada de como a tecnologia está a mudar as
nossas vidas e as das gerações futuras, como é a remodelação do contexto económico, social, cultural e humano
em que vivemos. As mudanças são tão profundas que, na perspetiva da história humana, nunca houve um
tempo de tantas promessas ou potenciais perigos” (Schwab, 2016, p.8).
Desde o aparecimento da máquina a vapor no século XVIII, que a indústria tem vindo a
crescer e a evoluir de uma forma inquestionável até aos dias de hoje. Nos anos mais recentes,
tem-se registado uma evolução drástica, em resultado da introdução de tecnologias digitais
de nova geração (robótica, machine learning, Big Data, impressão 3D, entre outras) que têm
alterado de forma muito significativa a cadeia de valor e o ecossistema de negócios industrial.
A este respeito, Schwab (2016) refere que a Quarta Revolução Industrial ou Indústria 4.0
está a adquirir uma proporção nunca antes vista.
Segundo Correia et al. (2016), a Indústria 4.0 centra-se na “total digitalização dos ativos físicos
e na sua integração em ecossistemas digitais com os vários parceiros da cadeira de valor”. Diferentes países
têm incentivado a esta mudança de paradigma no setor industrial, procurando motivar e
oferecer uma linha de orientação para as suas empresas se modernizarem e aumentarem a
sua competitividade. No caso Português1, a iniciativa “Portugal i4.0” da Estratégia Nacional
para Digitalização na Economia (Deloitte, 2017) ilustra este tipo de enquadramento
institucional, apresentando-se com um exemplo de política pública que procura estabelecer
um conjunto de orientações importantes para as empresas se tornarem mais eficientes,
reduzirem perdas, adaptarem procedimentos e inovação de processos, adaptarem modelos
de negócio e construírem bases para a transformação digital (CGI, 2017; Wee et al., 2015).
Apesar das muitas vantagens inerentes aos desenvolvimentos tecnológicos e económicos
potenciados pela Indústria 4.0, esta mudança de paradigma também tem sido associada a um
conjunto de desafios e dificuldades em temas como a requalificação de recursos humanos,
1 Esta dissertação foi orientada no âmbito do projeto NORTE-01-0145-FEDER-028540, cofinanciado pelo Programa Operacional Regional do Norte (NORTE 2020), através do Portugal 2020 e do Fundo Europeu de Desenvolvimento Regional (FEDER) e por fundos nacionais através da FCT – Fundação para a Ciência e a Tecnologia.
2
cíber-segurança, investimentos, colaboração, normalização e modernização de novas
tecnologias de informação (CGI, 2017).
Assim, num contexto de mudança acelerada, as empresas industriais têm de se reestruturar
para conseguirem ser bem-sucedidas. Para uma melhor perceção do que está a acontecer nas
empresas que estão a adotar soluções associadas à Indústria 4.0 (soluções i4.0) é fundamental
perceber qual o impacto destas soluções na criação de valor das empresas e quais as
mudanças que realizam, como evidencia Karim (2009). Para o efeito, a dissertação centra-se
no estudo da seguinte questão de investigação: “Quais as mudanças esperadas no mercado
de trabalho decorrentes da implementação de soluções i4.0?”. A resposta a esta questão irá
basear-se no estudo do mercado de trabalho em Portugal, utilizando para o efeito dados dos
Quadros de Pessoal e considerando os anos 2007 e 2012, sendo 2012 o último ano para o qual
foram disponibilizados microdados necessários ao estudo. Ainda que os anos em estudo
contemplem um horizonte temporal anterior à introdução (e consolidação) do termo
“Indústria 4.0”, contemplam já a implementação de soluções tecnológicas de digitalização e
automação (em menor escala e com menores investimentos inerentes aos que estão
atualmente em curso).
Desta forma, ainda que o estudo não permita aferir a totalidade dos impactos das soluções
i4.0 no mercado de trabalho (até porque se trata de um processo ainda em curso), pretende-
se que este trabalho elucide sobre alguns dos possíveis impactos que este fenómeno trará,
tratando-se naturalmente de uma análise conservadora dos referidos impactos, dado que o
estudo se foca num fase embrionária do fenómeno Indústria 4.0.
As motivações para a escolha desta questão centram-se na atualidade económica do tema
à escala global, atendendo ao grande impacto esperado das soluções i4.0 num futuro
próximo. Mais do que atualizações dos serviços e alterações na eficiência nas empresas, a
Indústria 4.0 prepara as empresas para manterem uma vantagem competitiva na indústria do
futuro (McKinsey Digital, 2015).
Os objetivos desta dissertação passam por desenvolver uma revisão de literatura sobre a
revolução industrial e digital registada (à escala global) ao longo dos últimos anos até à
atualidade; explicar a emergência da Indústria 4.0 e os resultados que tem trazido. Pretende-
se ainda realizar uma análise crítica sobre o impacto do fenómeno no mercado de trabalho
em Portugal (em termos agregados) e o impacto microeconómico nas empresas em resultado
da implementação de um processo específico de digitalização (com base nas novas soluções
digitais que surgem no contexto da Indústria 4.0). Para o efeito, serão identificados potenciais
3
ganhos e custos económicos, tendo por base os contributos recentes da literatura e, como
referido anteriormente será desenvolvido um estudo com base nos dados dos Quadros de
Pessoal.
Esta dissertação será dividida em quatro capítulos: este primeiro capítulo apresenta a
introdução do tema, no segundo capítulo apresenta-se a revisão da literatura subdividida em
três pontos – contexto histórico, enquadramento e o crescimento e emprego na era da
digitalização e automação – no terceiro capítulo apresenta-se a metodologia e análise dados,
dando especial destaque à educação e emprego, ao estudo da polarização de emprego (através
do cálculo do RTI individual por empresa) e à construção de um modelo econométrico Probit,
tendo em vista o apuramento dos determinantes do RTI por empresa para o período em
estudo. Por fim, no último capítulo serão apresentadas as conclusões finais.
4
Capítulo II
Revisão de Literatura
II.1 Contexto Histórico
Desde o século XVIII que a indústria tem sofrido diversas alterações e desenvolvimentos
até chegar ao ponto que se encontra hoje, a chamada Indústria 4.0.
A primeira grande mudança no fabrico de bens e produtos ocorreu na Inglaterra com a
introdução da máquina a vapor e de novas técnicas de produção na Primeira Revolução
Industrial. Nesta altura, houve um aumento da produção de capital, rápido aumento da
produtividade e melhoria do nível de vida da população (Jensen, 1993). De seguida,
apareceram os sistemas ferroviários, navios a vapor, telégrafos e sistemas por cabo na
Segunda Revolução Industrial, a era de produção em massa, onde, com novas metodologias
aplicadas às novas formas tecnológicas, a produtividade continuava a aumentar e os custos e
os tempos de produção a diminuir, reduzindo os preços (Jensen, 1993). Na Terceira
Revolução Industrial iniciou-se uma disrupção na estrutura das empresas, foi introduzida a
internet e foram realizados avanços significativos na eletrónica, possibilitando a introdução
de sistemas robotizados e a introdução de sistemas de informação e provocando uma
diminuição nos preços de produção (Finkelstein e Newman, 1984).
Como continuação da era digital introduzida na Terceira Revolução, apareceu a Quarta
Revolução Industrial ou Indústria 4.0, conceito apresentado pela Alemanha, pensado em
2011 e adotado em 2013, com o nome Industrie 4.0. Esta nova era caracteriza-se pela utilização
de tecnologias digitais de nova geração na digitalização de processos industriais e na
interconetividade entre os produtos, cadeias de valor e modelos de negócio de forma a
impulsionar a produtividade no setor industrial e aumentar o grau de informação disponível
(European Commission, 2017). Juntamente a este conceito nasceu a Smart Factory, que não é
somente uma unidade de produção onde estão presentes alguns recursos digitais, mas antes
“A junção dos mundos virtuais e físicos através de sistemas cíber-físicos e a fusão resultante dos processos
técnicos com os processos de negócio a definir o rumo para a nova era industrial” (GTAI, 2014).
5
II.2 Enquadramento
A Indústria 4.0 foi considerada uma medida estratégica do governo alemão para
consolidar a sua liderança tecnológica através da prática comum de investigação e de
desenvolvimento nas empresas e de forma a limitar o afastamento entre os setores da
indústria através de uma vasta rede de contactos (European Commission, 2017). Após a
Alemanha ter avançado com a implementação de um programa estratégico explicitamente
vocacionado para facilitar e/ou promover a Quarta Revolução Industrial (Indústria 4.0) e
implementar avanços tecnológicos esquecidos ou desaproveitados, outros países seguiram o
exemplo, como o caso dos Estados Unidos, China, Japão e União Europeia, nomeadamente,
Portugal.
Em Portugal foi implementada a iniciativa “Portugal i4.0” da Estratégia Nacional para
Digitalização na Economia que tem como objetivo orientar um plano de medidas iniciais de
valorização, promoção e investimento na digitalização da economia portuguesa e no tecido
empresarial português. Atualmente, estão mais de 100 empresários e instituições em Portugal
envolvidas nesta iniciativa (Deloitte, 2017) (ver Anexo 1).
O aparecimento de todas as iniciativas à volta da Indústria 4.0 vieram da necessidade de
inovar, complementar ou melhorar processos produtivos estagnados ou ultrapassados,
alguns dos quais introduzidos ou revistos nas anteriores revoluções industriais (McKinsey
Digital, 2015). Efetivamente, o conceito da Indústria 4.0 tem tido um grande impacto nos
países e empresas e tem levado ao investimento de recursos bastante significativos por parte
das mesmas em, principalmente, tecnologias digitais (sensores e dispositivos de
conetividade), software e aplicações (como Manufacturing Execution Systems (MES)), formação
dos colaboradores e mudanças culturais e organizacionais2 (Correia et al., 2016) .
As empresas sentem necessidade de estar em constante evolução e, por essa razão,
verifica-se que uma das grandes motivações das empresas para a implementação das
tecnologias de nova geração que sustentam a Indústria 4.0 é a obtenção de vantagens
competitivas em relação às concorrentes, obtendo lucros superiores às restantes empresas,
criando e distribuído valor económico. Contudo, a materialização das soluções i4.0 em lucros
superiores depende dos recursos e capacidades distintivas da empresa que adota essas
2 Portugal pretende investir 4,5 mil milhões de euros na Indústria 4.0 nos próximos quatro anos (Informação retirada de https://www.dinheirovivo.pt/empresas/galeria/portugal-injeta-45-mil-milhoes-para-4-a-revolucao-industrial/ em 22 de dezembro de 2017).
6
soluções e apenas é sustentável quando, apesar dos esforços dos concorrentes para a alterar,
a vantagem permanece (Besanko et al.,2012).
As soluções i4.0 podem ser assentes em diversas tecnologias e inovações como Big Data3,
Robótica 4 , Sistemas cíber-físicos 5 , machine learning 6 , integração do sistema horizontal e
vertical7, Internet of Things8, Cloud9, impressão 3D10 e realidade aumentada11 de forma a irem
de encontro às necessidades de cada empresa (Lasi et al., 2014; Rüßmann et al., 2015).
Contudo, apesar de todas as vantagens que podem acompanhar a implementação destas
soluções, existem alguns desafios que ainda precisam de ser ultrapassados relativamente à
requalificação de recursos humanos, cíbersegurança, investimentos significativos em novas
tecnologias, colaboração entre trabalhadores (desde o chão de fábrica, serviços informáticos
até à gestão), normalização e modernização de novas tecnologias de informação (CGI, 2017).
Na fábrica do futuro, é desenvolvida uma nova integração com todos os componentes de
fabrico interconectados: máquina, logística e produto. A manutenção reativa e ou planeada
da máquina passará a preditiva, os processos de produção serão autónomos, controlados por
algoritmos, e será possível gerir os sistemas de fornecimento, produção e vendas de forma
autónoma e com a supervisão do ser humano - tornando-se uma fábrica inteligente (Smart
Factory) que produz produtos inteligentes (Keller et al., 2014).
A nível interno das empresas existem então alterações profundas, com impacto
significativo no modo como as entidades se posicionam no mercado e no modo como estão
organizadas internamente. Para não perderem competitividade e conseguirem reduzir custos,
têm de alterar a sua estratégia e o seu posicionamento, têm de redesenhar o modo como
operam, a gestão da cadeia de oferta, a organização das operações e a planificação do ciclo
3 Big Data é uma ferramenta que coleta, armazena e trata grandes volumes de dados (CGI, 2017); 4 Robótica é um conjunto de estruturas rígidas ou flexíveis com uma unidade de controlo programável (Rüßmann et al., 2015); 5 Sistemas cíber-físicos permitem monitorizar e controlar processos físicos com base em modelos digitais (CGI, 2017); 6 Machine Learning, campo da inteligência artificial (AI), permite aos sistemas informáticos aprender um sistema através de exemplos, erros e dados, utilizando algoritmos de aprendizagem automática (Domingos, 2017; Royal Society, 2017); 7 Integração do Sistema horizontal e vertical onde irá haver uma evolução das redes de integração de dados cruzados e uma cadeia de valor automatizada (Rüßmann et al., 2015); 8 Internet of Things permite conectar sistemas, dispositivos, sensores, ativos e pessoas através das diversas redes (CGI, 2017); 9 Cloud é um espaço de armazenamento disponível dentro de uma rede como a internet ou uma rede de empresa possibilitando trocas de informação com tempos de reação muito curtos (Rüßmann et al., 2015); 10 Impressão 3D é a construção de estruturas utilizando técnicas de adição da matéria-prima que podem ser-programáveis (Schwab, 2016); 11 Realidade aumentada consegue fornecer informações em tempo real aos trabalhadores levando à melhoria de tomada de decisões e procedimentos (Rüßmann et al., 2015).
7
de vida do produto. Existem numerosos desafios nesse processo, nomeadamente, os que
advém (i) da necessidade de partilha de dados entre os vários stakeholders da empresa
(acionistas, fornecedores, consumidores, meios publicitários, …); (ii) da integração de
tecnologias de informação (IT) para conectar os processos e (iii) dos avultados investimentos
em IT necessários à implementação integrada e eficaz de soluções de indústria 4.0 alinhados
com as prioridades das empresas, de forma a maximizar o retorno sobre o investimento
(CGI, 2017).
Estas soluções i4.0 permitem às empresas, fábricas, fornecedores, logística, clientes, entre
outros intervenientes, comunicar e aceder em tempo real a informações sobre produtos e
produção. É ainda possível otimizar cada secção, conforme a sua procura e o seu estado,
diminuindo custos e maximizando o lucro (Keller et al., 2014; Qin et al., 2016; Tupa et al.,
2017). Estes ganhos económicos resultam da capacidade das soluções i4.0 para melhorar a
eficiência das operações e a qualidade dos produtos, aumentando a produtividade, fazer uma
gestão eficaz do inventário, das ordens de produção e da utilização de ativos, diminuindo o
tempo até comercialização, aumentando a segurança no local de trabalho e a sustentabilidade
ambiental (CGI, 2017).
Após a introdução da digitalização de processos, a necessidade encontrada de trabalhar
com dados obtidos na cadeia de valor para aumentar a produtividade é satisfeita, criando
desafios, tais como a necessidade de processamento de grande quantidade de dados de forma
a que as empresas se tornem verdadeiramente digitais – Big Data e Data Analytics (Qin et al.,
2016).
Efetivamente, na era da Indústria 4.0, começa a existir (e espera-se que venha a continuar)
uma conexão entre pessoas, objetos e sistemas que formam redes dinâmicas, otimizadas,
complexas, em tempo real e com objetivo final de criar valor nas empresas, podendo ter
impactos em todo o processo produtivo (Tupa et al., 2017).
Juntamente com as novas mudanças em contextos industriais, virão também novos riscos
e inseguranças para as empresas, nomeadamente, a nível de segurança de dados. Um
problema que preocupa as empresas é a possibilidade de hackers conseguirem chegar aos
dados de fabrico e documentos técnicos e específicos da empresa, visto estar tudo
digitalizado. Garantir sistemas de controlo industrial e cíbersegurança é essencial, pois se se
quiser todos os benefícios da transformação, inovação e digitalização, a segurança é um dos
principais pontos a ter em atenção (CGI, 2017; Tupa et al., 2017).
8
Contudo, apesar de todo o impacto esperado através de soluções de Indústria 4.0,
fenómenos de digitalização e automação já existem há alguns anos e apenas “renasceram”
para as empresas que os estavam a desvalorizar. Nunca antes houve tamanha discussão sobre
estes tópicos e cada vez mais empresas querem estar a par do que está a acontecer no mundo
tecnológico. Mesmo com todo o investimento a ser realizado e os riscos que possam existir,
a Indústria 4.0 é uma tendência que começa a evidenciar-se cada vez mais e se as empresas
não avançarem com as tecnologias associadas a esta nova realidade, irão perder
competitividade (CGI, 2017).
9
II.3 Crescimento e Emprego na Era da Digitalização e
Automação
Com a implementação de soluções i4.0, na economia global, serão essencialmente
esperados impactos no Produto Interno Bruto (PIB), crescimento, consumo, emprego,
investimento, comércio e inflação, contudo é no crescimento e no emprego que assentam as
maiores preocupações (Rüßmann et al., 2015; Schwab, 2016).
A primeira variável, o crescimento, provoca opiniões distintas nos economistas. Alguns
defendem que as contribuições mais críticas da revolução industrial já foram realizadas e que
o impacto na produtividade está praticamente terminado (Gordon, 2012) e, no sentido
contrário, alguns acreditam que a tecnologia e inovação provocaram e irão continuar a
provocar aumentos na produtividade e no crescimento económico (Schwab, 2016;
Weitzman, 1998).
Segundo o Boletim Económico do Banco de Portugal (2017), espera-se um aumento da
produtividade até 2020 em conjunto com uma melhoria no mercado de trabalho. E, tanto a
nível de Portugal, como a nível mundial, as expectativas são que a atividade económica
continue a crescer, embora a um ritmo progressivamente menor (ver Anexo 2).
O impacto das tecnologias digitais no emprego tem sido uma preocupação não de hoje,
mas desde os primeiros desenvolvimentos nas fábricas, tendo sido ao longo dos anos sujeito
a várias análises e as opiniões são díspares. A introdução de automação nas fábricas,
nomeadamente com robôs, e a digitalização de processos origina uma substituição nos
diferentes tipos de fatores produtivos. O avanço tecnológico origina processos de
reestruturação necessários, gerando-se, por exemplo, um problema sobre o que acontecerá
aos trabalhadores, que poderão defrontar-se com problemas de desemprego ou que poderão
ser obrigados a requalificar-se com estas novas medidas (Autor, 2015).
Aquando das principais inovações como a máquina a vapor, a eletricidade e a linha de
montagem nas revoluções industriais houve sempre perdas de emprego e queda de alguns
setores, mas, rapidamente, surgiram outras oportunidades em empregos e setores outrora
desconhecidos ou inexplorados, aparecendo áreas mais produtivas e rentáveis. O que
aconteceu com os avanços tecnológicos referidos anteriormente, continuará a acontecer em
todas as disrupções nos negócios provocados por novos métodos ou inovações tecnológicas:
10
mudança de perspetivas de quais os trabalhos necessários, quem os deve realizar, onde e
como serão executados (Scarpetta, 2016).
Para Autor (2015) e Berg et al. (2016), os avanços na inteligência artificial e na robótica
irão permitir substituir trabalhos mais rotineiros e também complementar o ser humano ao
amplificar as competências de resolução de problemas, adaptabilidade e criatividade. Desta
forma, leva a um aumento de produção que pode resultar numa maior procura e ajustes da
oferta da mão-de-obra, tornando os trabalhadores mais produtivos até, eventualmente,
estimular a procura pelos seus serviços. Podem assim gerar-se situações de rendimentos
marginais crescentes, que podem conduzir a uma maior procura de mão-de-obra, não
obstante uma maior automação do processo produtivo. De facto, o que Acemoglu e Autor
(2010), Askt (2013), David H. Autor e Dorn (2013), Brynjolfsson e Mcafee (2014), Scarpetta
(2016), entre outros, defendem é que os processos de digitalização e automação estão a gerar
uma polarização do emprego, ou seja, existe uma maior procura por trabalhadores mais
qualificados 12 que conseguem capturar valor da tecnologia e por trabalhos menos
qualificados que estão encarregues de tarefas básicas que não podem ser substituídos por
tecnologia, já os trabalhadores afetos a atividades menos exigentes, mais rotineiras e mais
suscetíveis a automação, passam a ser menos procurados em resultado da evolução
tecnológica.
Além da polarização do emprego, o artigo de Autor e Dorn (2013) reflete também sobre
a polarização salarial, verificando a existência de maiores aumentos nos empregos e nos
salários para trabalhadores que realizam tarefas abstratas e para os que realizam tarefas
manuais, ou seja, para os trabalhadores que se encontram nos extremos dos tipos de
habilidades.
Para se conseguir interpretar os fenómenos de polarização, é necessário entender este
rápido crescimento dos empregos e salários nas ocupações na área dos serviços pois a
polarização é impulsionada pela interação entre duas forças – as preferências dos
consumidores (que preferem a variedade em vez da especialização) e o progresso tecnológico
não neutro (que diminui o custo de realizar tarefas rotineiras mas tem um impacto
comparativamente menor no custo de realizar tarefas manuais) ocorrendo uma deslocação
12 Nos diferentes setores de atividade, com a implementação de soluções i4.0, vai haver um aumento de procura por trabalhadores qualificados em tecnologias de informação (IT), recursos humanos e de gestão de clientes (ManpowerGroup, 2016).
11
dos trabalhadores de tarefas rotineiros para tarefas manuais, nomeadamente, em áreas de
serviços (Autor e Dorn, 2013).
Neste fenómeno, é possível observar facilmente uma divisão entre o tipo de tarefas
realizadas pelos trabalhadores numa dada empresa. Esta divisão foi apresentada pela primeira
vez, em 2003, por Autor, Levy e Murnane, que além de distinguirem habilidades de tarefas,
classificaram estas últimas em rotineiras (distinguindo tarefas rotineiras cognitivas e rotineiras
manuais), manuais e abstratas (que podem ser analíticas e cargos de gestão).
Estes autores apresentaram as tarefas rotineiras como as tarefas mais suscetíveis a serem
substituídas por processos digitais ou tarefas suficientemente definidas para que qualquer
pessoa as consiga realizar com distinção. Podem-se subdividir por tarefas rotineiras
cognitivas, como contabilidade ou trabalho com dados, e rotineiras manuais, como processos
repetitivos e de monitorização numa linha de montagem. Contudo, esta subdivisão, acabou
por entrar em declínio na década de 80. Para um país como Portugal, com lenta acumulação
de capital, nomeadamente, de capital tecnológico e com pouco trabalhadores altamente
qualificados, Fonseca, Lima, e Pereira (2018) defendem que ainda faz sentido uma distinção
destas tarefas, pois tanto as tarefas rotineiras cognitivas como as tarefas rotineiras manuais
têm grande importância em setores de serviços e indústria.
As tarefas não-rotineiras são subdivididas em abstratas e manuais. As tarefas abstratas
exigem algo mais que as rotineiras, nomeadamente, capacidade de resolução de problemas,
intuição e criatividade. Uma máquina dificilmente consegue replicar processos abstratos e,
normalmente, as pessoas que trabalham nestas tarefas possuem um maior nível de
escolaridade, capacidade analítica e apenas usam os meios digitais como complemento ao seu
trabalho. As tarefas abstratas chegaram a subdividir-se em analíticas e cargos de gestão, mas
são geralmente consideradas na mesma categoria. Já as tarefas manuais exigem a adaptação
dos trabalhadores a cada situação, reconhecimento visual e interação pessoal. Tratam-se de
tarefas simples e muitas vezes inatas ao Homem, mas demasiado complexas para serem
replicadas por uma máquina (Autor et al., 2003) .
Na figura 1 pode-se ver os diferentes tipos de tarefas reconhecidas pelos autores.
12
Figura 1 - Tipo de tarefas desempenhadas pelos trabalhadores (figura criada pela autora com apoio nos artigos citados anteriormente)
Com a distinção dos diferentes tipos de tarefas, no artigo de Autor e Dorn (2013) são
descritas fontes de dados e existe uma avaliação dos mercados de trabalho locais, das tarefas
dos trabalhos e, em particular, da intensidade das tarefas rotineiras, usando diferentes
fórmulas para cada ponto anterior. Nesse trabalho são ainda realizados testes empíricos para
previsões sobre a adoção de computadores, especialização de tarefas, polarização salarial e
mobilidade geográfica.
O trabalho de Autor e Dorn (2013) é particularmente relevante para esta dissertação.
Efetivamente, no capítulo seguinte, será tido como foco o índice que analisa a intensidade
das tarefas rotineiras, denominado Routine Task Intensity Index (RTI) que resulta dos trabalhos
de Autor et al. (2003), que propôs pela primeira vez uma hipótese de rotinização resultado
da introdução de tecnologia, combinados com os requisitos apresentados pelo Dicionário de
Títulos Ocupacionais (DOT) do Departamento de Trabalho dos EUA. Com o cálculo deste
índice consegue-se perceber o nível de rotinização das empresas onde, se o índice foi baixo,
significa que há uma maior presença de tarefas abstratas e/ ou manuais, mas se o índice for
alto, há uma maior presença de tarefas rotineiras. Este índice já foi utilizado por outros
autores como Goos, Manning e Salomons (2014), De la Rica e Gortazar (2015) e Mahutga,
Curran e Roberts (2018).
Tipo de Tarefas
Rotineiras
Rotineiras Congnitivas
Rotineiras Manuais
Não-Rotineiras
Não-Rotineiras Abstratas
Tarefas Analíticas
Tarefas de Gestão
Não-Rotineiras Manuais
13
Contudo, aquando da avaliação dos efeitos da digitalização da indústria no mercado de
trabalho não se deve ter em conta apenas o que se perde com os avanços tecnológicos, mas
pensar no mecanismo económico central numa perspetiva mais geral, onde se tem em conta
a forma como a automação pode também afetar positivamente o mercado de trabalho,
acrescentando valor às novas tarefas realizadas. Além disso, o trabalho humano pode
também complementar as novas tecnologias em vez de ser substituído e, assim, os
trabalhadores não especializados e com tarefas substituíveis não têm de ser necessariamente
condenados pela automação ou digitalização se se investir em capital humano e em
estratégias de longo prazo para a produção de competências complementares em vez de
substitutas (Autor, 2015). Para Moretti (2010), por cada trabalho formulado pela indústria
de alta tecnologia, cerca de cinco empregos complementares podem e devem ser criados.
Assim, mesmo com custos de transação, pois alguns empregos acabam por desaparecer,
o efeito geral é positivo (Berg et al., 2016).
No entanto, há quem não tenha as mesmas perspetivas e argumente que a tecnologia tem
um impacto negativo ao nível do emprego e que muitas desigualdades nas economias
avançadas advêm da pressão tecnológica que tem existido ao longo dos anos, como
diminuição de salários e de investimentos em capital tradicional (Ford, 2015; Freeman, 2015).
Em suma, perante questões relacionadas com mercado de trabalho, são utilizados
argumentos que defendem um decréscimo na quantidade de trabalhos disponíveis em
resultado da introdução de novas tecnologias ou que o ritmo de substituição dos seres
humanos por máquinas está a aumentar a taxa de destruição de emprego e outros que
avançam no sentido inverso. Borland e Coelli (2017) realizaram um estudo para a Austrália,
Autor (2015) para os Estados Unidos, Gregory et al., (2016) para a Europa e chegaram a
conclusões semelhantes: não existem evidências de que a adoção de tecnologias tenha
diminuído a quantidade total de trabalho disponível e que exista um efeito acelerado da
mudança tecnológica no mercado de trabalho com a introdução de novas tecnologias.
Segundo Borland e Coelli (2017), com as mudanças no Mercado de Trabalho recorrentes
da adoção de novas tecnologias tem de se ter em conta algumas proposições frequentemente
encontradas (mas que ainda não estão rigorosamente demonstradas), como por exemplo:
▪ As novas tecnologias são mais transformadoras que as tecnologias anteriores;
▪ (Suposta) destruição de empregos devido às novas tecnologias;
▪ Novas tecnologias fazem com que os trabalhadores percam os empregos ou
sejam forçados a mudar de emprego com mais frequência do que antes;
14
▪ As categorias dos trabalhadores terão de ser alteradas para acompanhar as
mudanças tecnológicas.
É assim muito importante desenvolver estudos rigorosos que permitam perceber quais
são os resultados reais da presença de novas tecnologias nos empregos – a possível destruição
de postos de trabalho, leva ou não à necessidade de criação ou adaptação de outros?; o
deslocamento de trabalhadores cujos trabalhos pareciam anteriormente seguros significa ou
não uma diminuição agregada dos empregos? Segundo Borland e Coelli (2017) estas são
ainda questões em aberto uma vez que as medidas que pretendem demonstrar os altos níveis
de rotatividade nos empregos falham e, muitas vezes, é esquecido que a destruição de
empregos devidos a avanços tecnológicos foi sempre uma das principais características do
desenvolvimento económico (Borland e Coelli, 2017).
15
Capítulo III
Metodologia e Análise de dados
O objetivo desta dissertação passa por entender qual o impacto que a Indústria 4.0 e a
constante evolução da digitalização e automação têm tido no Mercado de Trabalho,
nomeadamente, em termos das características dos postos de trabalho (e.g. grau de rotina) e
das habilitações literárias dos trabalhadores.
Por forma a contribuir para analisar esta questão, nesta dissertação, será utilizada a base
de dados dos Quadros de Pessoal (QP) para os anos de 2007 e 2012. A utilização de dados o
mais recente possível era fundamental para perceber os resultados provocados pela
implementação da Indústria 4.0, que se trata de um fenómeno atual. No entanto, devido à
indisponibilidade de dados a partir de 2012, irá ser feita uma análise até esta data. Apesar de
a implementação oficial do conceito da Indústria 4.0 em Portugal apenas ter sido realizada
em 2013, a presença de novas tecnologias nas empresas já vem de antes e pretende-se com
este estudo tentar detetar algumas mudanças já visíveis em variáveis como a escolaridade e
empregabilidade, correlacionar com os fenómenos tecnológicos e prever quais os impactos
atuais resultantes da implementação de tecnologias digitais (que ainda que anteriores às
soluções i4.0, estão muitas vezes na base destas soluções).
A escolha do ano de 2007 como ponto de partida para a análise justifica-se por razões de
simplificação de tratamento de dados, visto que a partir deste ano, as nomenclaturas nos QP
alteraram. O ano de 2012 corresponde ao último ano para o qual havia dados disponíveis.
Assim, num primeiro momento (secção III.3.1 e III.3.2), serão analisadas, em termos
agregados, as mudanças na educação dos trabalhadores ocorridas no período em estudo para
acompanhar as novas tendências e as alterações nos empregos de cada setor com apoio nos
dados fornecidos pelos QP e dados retirados do site PorData.
Esta análise agregada será acompanhada com uma análise de microdados (secção III.4.1),
retirados dos QP, que serão utilizados para calcular o Índice de Intensidade de Tarefas
Rotineiras (RTI) para o setor das Indústrias Transformadoras, com uma ligeira modificação
comparativamente ao índice proposto por Autor e Dorn (2013). Mais concretamente, em
vez de se calcular este índice ao nível das ocupações, onde os autores as agrupam por grupos
de análise, o índice será aplicado a cada empresa por forma a identificar as características das
16
empresas que estão mais expostas a uma evolução menos favorável deste indicador. Com
este índice será possível examinar parâmetros sobre as características dos trabalhadores em
cada empresa, assim como a intensidade de tarefas rotineiras consoante o tipo de empresa.
Após este estudo, será aplicada uma regressão linear através de um modelo econométrico
de escolha binária - Probit - onde serão analisadas as variáveis que influenciam este índice e
de que forma (secção III.5).
17
III.1 Descrição da Base de Dados
A base de dados dos Quadros de Pessoal utilizada encontra-se disponível na Faculdade de
Economia da Universidade do Porto (FEP) em parceria com o Gabinete de Estratégia e
Estudos do Ministério da Economia (GEE). Esta base é elaborada através de um inquérito
anual e obrigatório fornecido a todas as empresas do setor privado português com, pelo
menos, um trabalhador por conta de outrem (TCO). Os trabalhadores de Administração
Pública, os trabalhadores por conta própria e os trabalhadores familiares não remunerados
não preenchem este inquérito.
Os QP fornecem dados do período de 1985 a 2012 e cobrem então todo o setor privado
em Portugal com, pelo menos, um TCO apresentando características das empresas,
estabelecimentos e respetivos trabalhadores.
Para os anos em estudo e, sem qualquer alteração na base de dados, em 2007 existem
inicialmente 3.224.098 trabalhadores e 354.925 empresas e em 2012 existem 2.617.333
trabalhadores e 274.388 empresas.
Nas características das empresas podem ser encontradas informações sobre o seu ano de
constituição, número de identificação (ID), natureza jurídica, capital social, localização, setor
de atividade (CAE), volume de negócios, número de estabelecimentos e número de
trabalhadores. Nos estabelecimentos é fornecida a informação sobre a que empresa
pertencem, localização, setor de atividade económica (CAE) e número de trabalhadores.
Relativamente aos trabalhadores é reportada a empresa ou estabelecimento onde trabalham,
o seu número de identificação (ID), dados demográficos (nacionalidade, género, data de
nascimento, idade), data de admissão, antiguidade na empresa, data da última promoção,
instrumento de regulamentação coletiva do trabalho (IRCT), habilitações literárias, nível de
qualificação, classificação portuguesa das profissões (CPP), situação na profissão, tipo de
contrato, remunerações auferidas, horas de trabalho semanais.
Como no registo de cada trabalhador, onde cada um tem um número de identificação,
existe também o número de identificação da empresa ou do estabelecimento onde trabalha,
é possível cruzar os dados dos trabalhadores com as respetivas empresas ou
estabelecimentos.
18
III.2 Definição e Caracterização da Amostra
Durante a realização da dissertação, nem todos os dados serão analisados. Primeiramente
e, para minimização de erros e/ou enviesamentos dos resultados, foram eliminados dados
duplicados, ou seja, trabalhadores que apresentavam para todas as variáveis analisadas
características exatamente iguais. Foram também excluídos os trabalhadores com erros no
número de identificação e os valores extremos dos salários (outliers), isto é, foram eliminados
os trabalhadores com remunerações 1% mais altas e 1% mais baixas. Eliminaram-se também
as empresas que não possuíam trabalhadores em determinados anos, assim como as
empresas que tiveram vendas nulas e capital social nulo.
De seguida, para o estudo em específico, restringiram-se os indivíduos da amostra ao
intervalo de idades entre os 15 anos e os 64 anos, inclusive.
Foi também necessário gerar algumas variáveis ao nível dos trabalhadores relativas à
idade, género, imigração, nível de escolaridade (educação básica, secundária, pós-secundária
e superior), Classificação Portuguesa das Profissões (CPP) e tipo de tarefas desempenhadas
(tarefas abstratas, rotineiras e manuais já distinguidas na secção II.3 da Revisão de Literatura)
e ao nível das empresas relativas ao seu Código de Atividades Económicas (CAE), tamanho
(microempresas (ME), pequenas e médias empresas (PME) e grandes empresas (GE)) e
localização (regiões a nível NUT II).
Todas as variáveis geradas e utilizadas durante esta dissertação estão apresentadas no
Anexo 5, tabela 10 (variáveis presentes na secção III.3 e III.4) e no Anexo 9, tabela 14
(variáveis presentes na secção III.5).
19
III.3 Análise dos Dados
III.3.1 Educação
Desde 2000 que o número de empregos em Portugal tem oscilado. Em 2008, ocorria o
maior pico da taxa de desemprego consequência da crise financeira global e da exposição da
economia Portuguesa à mesma. No entanto, com a ajuda de reformas no mercado de
trabalho, em 2013, a taxa de desemprego acabava por diminuir e o crescimento económico
tornava-se positivo (OCDE, 2015) (ver Anexo 3, figura 15). O emprego em Portugal tem
sido uma preocupação recorrente aos longo dos anos pois, segundo Parente et. al (2014), o
Mercado de Trabalho depende da vitalidade da economia, ou seja, da capacidade de se
preservar e criar empregos e de implementar políticas educativas bem sucedidas.
Relativamente a este último ponto, nestes últimos anos, Portugal atravessou diferentes
dinâmicas económicas, com momentos de expansão e recessão onde existiram diferentes
impulsos para uma maior escolaridade dos jovens. Em 2008 eram obrigatórios nove anos de
escolaridade, em 2009 houve um alargamento para doze anos e havia uma grande motivação
por parte de Portugal em aproximar-se da realidade europeia, de forma a conseguir melhores
resultados na economia e nas empresas (Capucha, 2009; Parente et al., 2014).
Em consequência destas mudanças, será de esperar uma evolução da população em idade
ativa com ensino secundário e ensino superior devido às mudanças ocorridas na regulação
laboral e com a mudança de perspetivas futuras de emprego, pois um maior nível de
escolaridade possivelmente levará a melhores empregos e a procura por parte das empresas
de trabalhadores mais qualificados tem vindo a aumentar (Lima, 2010).
No gráfico 4, está representada a estratificação dos trabalhadores portugueses, tendo em
conta o nível de escolaridade. Mais concretamente, na figura são representadas as
percentagens dos trabalhadores com os diferentes níveis de escolaridade:
20
Figura 2 - Níveis de escolaridade dos trabalhadores em percentagem (gráfico criado pela autora com informação retirada dos Quadros de Pessoal)
Como observado na figura 2, cada vez há mais indivíduos a ter o ensino superior como
maior nível de escolaridade completo, tendo havido um decréscimo no Ensino Básico e
Ensino Secundário como máximos níveis de escolaridade. Cada vez mais, após o ensino
secundário, os jovens optam por ingressar no ensino superior com perspetivas de melhores
empregos futuros.
De facto, o investimento em educação em Portugal é altamente justificável para que se
consiga acompanhar a introdução de novas tecnologias e os restantes países mais avançados
(Fonseca et al., 2018).
Adicionalmente, vários autores defendem que no futuro as oportunidades irão surgir em
funções de gestão e para especialistas, o trabalho industrial e o nível de competências exigido
serão totalmente diferentes – empreendedorismo, liderança e engenharia serão das
características mais procuradas – logo os currículos terão de ser adaptados a esta nova
realidade, direcionando a uma formação superior mais vocacionada a estas habilidades
(Rüßmann et al., 2015; Siemens, 2017).
Assim, discriminaram-se os níveis de escolaridade por áreas de formação (ver anexo 6,
tabela 11) onde se pode observar que áreas diretamente relacionadas com os novos
fenómenos da Indústria 4.0 como “Ciência Sociais e do Comportamento”, “Ciências
0
10
20
30
40
50
60
70
2007 2008 2009 2010 2011 2012
Ensino Básico Ensino Secundário Ensino Pós-Secundário Ensino Superior
21
Empresariais”, “Informática” e “Engenharias e Técnicas afins” apresentam um aumento nos
ingressos ao Ensino Superior, principalmente, ao nível da Licenciatura. Como já referido,
apesar de até 2012 ainda não se conseguirem observar os impactos das soluções de i4.0, os
avanços tecnológicos nas empresas e indústrias já aconteciam (mas em menor escala), o que
já se materializou num aumento na escolaridade em, principalmente, áreas relacionadas com
as Ciências Empresarias e Engenharias.
É então de esperar que a procura por estas áreas continue a aumentar pois como defende
Autor (2015), com os novos avanços tecnológicos, nunca houve uma melhor altura para ser
um trabalhador com habilidades especiais ou com a educação correta de forma a usar a
tecnologia como forma de criar e adquirir valor. Pelo contrário, habilidades “comuns” são
facilmente substituídas por tecnologias digitais.
22
III.3.2 Emprego
Depois de uma quebra acentuada dos níveis de emprego (e correspondente aumento nos
níveis de desemprego), a partir de 2013 registou-se uma inversão na situação de desemprego
em Portugal (ver Anexo 3, figura 15) e foram criados mais empregos nas Indústrias
Transformadoras, Atividades de Saúde e Apoio Social, Comércio e Atividades ligadas ao
Alojamento, Restauração e similares (turismo) (Mateus, 2017).
Paralelamente às alterações nos postos de trabalho e à introdução continua de novas
tecnologias nas indústrias, nomeadamente, as soluções i4.0, existe uma despesa crescente em
investigação e desenvolvimento (I&D), maioritariamente por parte das Empresas e do
Ensino Superior (figura 3), onde a área das Ciências de Engenharia e Tecnologia tem sido
alvo de maior dinamismo (figura 4). Muitos dos investimentos realizados em I&D têm
acontecido decorrentes de medidas implementadas pela Iniciativa Portugal i4.0 (Deloitte,
2017)13.
Figura 3 - Despesas em I&D (total e por setor) em euros entre 2005-2016 (quebra de série em 2008 e 2013) (gráfico criado pela autora com informação retirada do PorData a 18 de maio de 2018)
13 Para mais informações sobre as medidas implementadas pela Iniciativa Portugal i4.0 consultar o Anexo 4, tabela 9.
0,0
200 000,0
400 000,0
600 000,0
800 000,0
1 000 000,0
1 200 000,0
1 400 000,0
20
05
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
Empresas Estado Ensino Superior Instituições Privadas sem Fins Lucrativos
23
Figura 4 - Investigadores em I&D (total e por área científica) em milhares no período 2005-2016 (quebra de série em 2008 e 2013) (gráfico criado pela autora com informação retirada do PorData a 18 de maio de 2018)
Com o apoio dos QP, analisaram-se as CAE – Código de Atividades Económicas a 1 letra
- para os anos 2007 e 2012 onde se agruparam as atividades por diferentes categorias AB, C,
DE, F, G, H, K, M, N e W (ver anexo 7, tabela 12). A última categoria W resultou da junção
de setores pouco relevantes para o assunto desta dissertação ou/e com valores pouco
significativos. A Tabela 1 apresenta as percentagens de empresas em cada setor ou grupo de
setores nos anos 2007 e 2012:
Tabela 1 - % de cada setor ou grupo de setores para os anos 2007 e 2012 (tabela construída pela autora com apoio nos QP)
2007 2012 Variação (pp)
AB 1,71 1,84 0,13
C 27,08 25,06 -2,02
DE 0,82 1,3 0,48
F 12,87 8,38 -4,49
G 20,97 20,43 -0,54
H 5,75 5,68 -0,07
K 2,68 3,16 0,48
M 3,38 4,18 0,8
N 9,24 9,61 0,37
W 15,49 20,37 4,88
0,0
2 000,0
4 000,0
6 000,0
8 000,0
10 000,0
12 000,0
14 000,0
16 000,0
2 0 0 5 2 0 0 7 2 0 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6
Ciências Exactas e Naturais Ciências Médicas e da Saúde
Ciências de Engenharia e Tecnologia Ciências Sociais e Humanidades
24
Na tabela anterior é possível observar que o setor das indústrias transformadoras (C)
representa uma atividade de grande peso na economia privada, mas este setor juntamente
com o setor da construção (F), do comércio por grosso e retalho (G) e do transporte e
armazenamento (H) sofreram um decréscimo de 2007 para 2012, sendo que a variação destes
últimos dois setores é pouco significativa.
As Indústrias Transformadoras14 serão um setor fortemente atingido pelo fenómeno
Indústria 4.0, tal como esperado pela Estratégia de Fomento Industrial para o Crescimento
e o Emprego 2014-2020 do Governo de Portugal (2013), que prevê um aumento da
representatividade do setor em 2,6 pontos percentuais (p.p.) entre 2015 e 2020. Dado o
dinamismo económico que se espera que este setor venha a registar, para efeitos do estudo
empírico, optou-se por realizar uma análise específica a este setor.
Após filtrar os dados dos Quadros de Pessoal e restringir o estudo ao setor das Indústrias
Transformadoras, pode-se constatar os seguintes dados para os anos 2007 e 2012
representado na Tabela 2:
14 O setor das Indústrias Transformadoras é representado por indústrias alimentares, de bebidas, tabaco, vestuário, couro, madeira, cortiça (exceto mobiliário) e fabricação de obras de cestaria e espartaria, pasta, papel, cartão, impressão e reprodução de suportes gravados, coque, produtos petrolíferos refinados e de aglomerados de combustíveis, produtos químicos e fibras sintéticas ou artificiais (exceto produtos farmacêuticos), produtos farmacêuticos, artigos de borracha e matérias plásticas, outros produtos minerais não metálicos, indústrias metalúrgicas de base, fabricação de produtos metálicos (exceto máquinas e equipamentos), equipamentos informáticos, equipamentos para comunicações e produtos eletrónicos e óticos, equipamento elétrico, máquinas e equipamentos, veículos automóveis, reboques, semirreboques e componentes para veículos automóveis, outros equipamentos de transporte, fabricação de mobiliário e de colchões, outras.
25
Tabela 2 - Dados sobre o setor das Indústrias Transformadoras para o ano 2007 e 2012 (tabela criada pela autora com apoio nos QP)
2007 2012
Número de Empresas com CAE1l = “C” 29.166 24.501
Número de Trabalhadores em Empresas
com CAE1l = “C”
655.418 531.190
Número médio de Trabalhadores por
Empresa
22,47 21,68
Número mínimo de Trabalhadores por
Empresa
1 1
Número máximo de Trabalhadores por
Empresa
3.375 3.970
Nos anos de 2007 e 2012, os dados fornecidos pelos QP são semelhantes, sendo apenas
observável um decréscimo no número de empresas e respetivos trabalhadores representados
nestes anos. A evolução negativa destes fatores pode ser justificada tendo em conta que os
anos em estudo correspondem aos anos de crise em Portugal. Analisando a figura 5, pode-
se observar um decréscimo acentuado do número total de empresas em Portugal,
nomeadamente, entre 2008 e 2012.
Figura 5 - Total de Empresas (milhares) entre 2005-2016 (quebra de série em 2008) (gráfico criado pela autora com informação retirada do PorData a 08 de Setembro de 2018)
950 000
1000 000
1050 000
1100 000
1150 000
1200 000
1250 000
1300 000
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
26
Se se discriminar o número total de empresas por setor, no setor das Indústrias
Transformadoras, representado na figura 6, é também observável uma diminuição no
número de empresas no período em estudo, chegando-se às mesmas conclusões retiradas
dos QP.
Figura 6 - Empresas do setor das Indústrias Transformadoras (milhares) entre 2005-2016 (quebra de série em 2008) (gráfico criado pela autora com informação retirada do PorData a 08 de Setembro de 2018)
Com a crise, muitas empresas foram afetadas e tiveram como principais problemas, a
incapacidade de pagamento dos clientes e a queda da procura. Assim, foram inevitáveis
medidas de redução de trabalhadores através de, principalmente, congelamento de
contratações, não renovação de contratos a prazo e despedimentos individuais (Martins,
2016). Os resultados destas medidas são visíveis na tabela 2 com o decréscimo de
trabalhadores no setor das Indústrias Transformadoras e a média de trabalhadores por
empresa neste setor.
Apesar de o número máximo de trabalhadores por empresa aumentar de 3375 para 3970,
os impactos da crise foram maioritariamente sentidos por empresas mais pequenas, sendo
este aumento visualizado nas grandes empresas.
0
20 000
40 000
60 000
80 000
100 000
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
27
III.4 Análise de Dados e Estudo Empírico
III.4.1 Polarização do Emprego
Como já referido anteriormente na Secção II.3, o fenómeno de Polarização do Emprego
tem vindo a ser referido como uma nova realidade pelos mais variados autores e é de esperar
que com a cada vez maior implementação das tecnologias digitais, mais este fenómeno se
venha a salientar. De uma forma geral, o aumento do uso de tecnologias de informação nos
Estados Unidos, na Europa e na Austrália tem efetivamente coincidido com este fenómeno
(Borland e Coelli, 2017).
Assim, neste capítulo, irá ser realizado um estudo sobre a Polarização do Emprego em
Portugal, onde primeiramente os trabalhadores presentes nos QP irão ser distinguidos por
cada tipo de tarefas – Rotineira (Rotineira Cognitiva e Rotineira Manual), Abstrata e Manual
- com apoio do artigo Fonseca et al., (2018). A discriminação realizada para esta dissertação
está representada no Anexo 8, tabela 13 e, como referido anteriormente, irá ser analisado
apenas o setor das Indústrias Transformadoras.
Após serem categorizadas as tarefas apresentadas nos QP como Tarefas Rotineiras,
Abstratas e Manuais em cada empresa, foi possível calcular as percentagens de trabalhadores
a desempenhar cada tipo de tarefas de uma forma global para toda a base de dados, em 2007
– 61,5% são tarefas rotineiras (das quais 79,92% são rotineiras manuais e 21,67% são
rotineiras cognitivas), 29,63% são tarefas manuais e 8,9% são tarefas abstratas - e em 2012 –
55,44% são tarefas rotineiras (das quais 84,4% são rotineiras manuais e 17,35% são rotineiras
cognitivas), 26,9% são tarefas manuais, 17,65% são tarefas abstratas (Figura 7).
28
Figura 7 - % de Tarefas Totais Rotineiras, Manuais e Abstratas para os anos de 2007 e 2012 (gráfico criado pela autora com apoio dos Quadros de Pessoal)
Com estes valores é observável um decréscimo dos trabalhadores a desempenhar tarefas
rotineiras e um aumento de trabalhadores afetos a tarefas abstratas. Estes resultados já seriam
de esperar devido à possível substituição ou deslocação dos trabalhadores afetos a tarefas
rotineiras (como por exemplo, os trabalhadores numa linha de produção) em resultado da
introdução de novas tecnologias digitais de nova geração ou outras tecnologias diferentes das
utilizadas por uma dada empresa (por exemplo, digitalização dos processos de uma linha de
produção ou implementação de automação) e a procura por trabalhadores afetos a tarefas
abstratas, mais qualificados e mais formados nas áreas de IT ou de gestão para a introdução
destas mudanças nas empresas.
Para uma análise mais específica e, como existem empresas com dimensões diferentes,
efetuou-se uma divisão entre Microempresas (ME), Pequenas e Médias Empresas (PME) e
as Grandes Empresas (GE), ou seja, se o número de trabalhadores for inferior a 10, é uma
ME, se for igual ou superior a 10 mas inferior a 250 trabalhadores é uma PME, se for igual
ou superior a 250 é uma GE15. No gráfico seguinte consegue-se perceber a variação entre
tarefas no ano de 2007 e 2012 para os três tipos de empresa. De uma forma geral, as ME e
as PME já possuíam menos trabalhadores rotineiros e menos trabalhadores abstratos do que
as GE, no entanto, existem mais trabalhadores abstratos nas ME do que nas PME pois para
essas microempresas funcionarem, têm de ser viáveis economicamente e, se contam com
15 Informação retirada do artigo 100º do Código do Trabalho.
% Tarefas em 2007
Tarefas Rotineiras Tarefas Manuais
Tarefas Abstratas
% Tarefas em 2012
Tarefas Rotineiras Tarefas Manuais
Tarefas Abstratas
29
poucos trabalhadores, devem desenvolver um conjunto amplo de atividades (incluindo
atividades abstratas) necessárias ao bom funcionamento dessa microempresa.
De 2007 para 2012, houve uma diminuição idêntica de trabalhadores rotineiros nos três
tipos de empresas e também um aumento semelhante dos trabalhadores abstratos, mas nas
GE houve um aumento ligeiramente superior de trabalhadores abstratos comparativamente,
principalmente, às ME. As GE contam com mais capital para investir em novas tecnologias
e em recursos humanos mais especializados ou formações para os trabalhadores atuais, no
entanto, a maior necessidade de crescimento das PME impulsiona ao investimento de novos
processos e a uma melhor resposta às mudanças nos mercados, possivelmente, mais
rapidamente que nas GE (OCDE, 2000). De facto, na figura 9 é observável uma taxa de
investimento16 significativa por parte das Indústrias Transformadoras nos intervalos de 2007
a 2008 e de 2010 a 2011 e, como mostra a figura 10 (que representa a taxa de investimentos
das PME e GE do total dos setores), apesar de ter havido um decréscimo entre 2008 e 2012,
existe investimento por parte das PME e das GE.
Relativamente aos trabalhadores afetos a tarefas manuais, esta variável registou uma maior
variação nas GE.
Figura 8 - % de Tarefas Rotineiras, Manuais e Abstratas consoante tamanho das empresas em 2007 e 2012 (gráfico construído pela autora com apoio dos Quadros de Pessoal)
16 A taxa de investimento é um indicador do esforço realizado por uma empresa para aumentar a sua capacidade de produção (por exemplo, aquisição de máquinas ou de outros equipamentos para a empresa) (informação complementar aos dados da figura 9 retirados do PorData a 11 de setembro de 2018).
0
10
20
30
40
50
60
70
ME PME GE ME PME GE
2007 2012
T. Rotineiras T. Manuais T. Abstratas
30
Figura 9 – Taxa de investimentos das Indústrias Transformadoras no período de 2005 a 2016 (quebra de série em 2008) (gráfico criado pela autora com dados retirados do PorData a 11 de setembro de 2018)
Figura 10 – Taxa de investimentos de PME e GE no período de 2005 a 2016 (quebra de série em 2008) (gráfico criado pela autora com dados retirados do PorData a 11 de setembro de 2018)
Após a discriminação de todas as tarefas, é possível calcular o índice de intensidade das
tarefas rotineiras (RTI) referido no Capítulo anterior.
Este índice é calculado através da seguinte fórmula:
𝑹𝑻𝑰𝒌 = 𝐥𝐧(𝑻𝒌,𝒂𝑹 ) − 𝐥𝐧(𝑻𝒌,𝒂
𝑴 ) − 𝐥𝐧(𝑻𝒌,𝒂𝑨 ) (1),
0,0
5,0
10,0
15,0
20,0
25,0
30,0
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
Indústriastransformadoras
0,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
PME
GE
31
onde 𝑻𝒌,𝒂𝑹 , 𝑻𝒌,𝒂
𝑴 e 𝑻𝒌,𝒂𝑨 representam, respetivamente, as tarefas rotineiras, tarefas manuais e
tarefas abstratas para cada ocupação k no ano a.
Neste índice, são criados grupos de ocupações discriminados pelo tipo de tarefas
incluídas, ou seja, para cada grupo criado, são analisadas as tarefas rotineiras, manuais e
abstratas correspondentes de forma a se conseguir concluir sobre o impacto de cada uma
delas e chegar ao índice de intensidade de tarefas rotineiras. Quando o RTI apresenta valores
negativos, as ocupações apresentadas são maioritariamente inerentes a tarefas manuais e/ ou
abstratas mas, pelo contrário, quando indica valores positivos, as ocupações têm um número
superior de tarefas rotineiras (Autor e Dorn, 2013).
No entanto, nesta dissertação, o RTI irá ser adaptado para que a variação no grau de
rotina das tarefas seja avaliada ao nível da empresa (entre 2007 e 2012) – em vez de ser para
cada grupo de ocupações, ou seja, ficará:
𝑹𝑻𝑰𝒆 = 𝐥𝐧(𝑻𝒆,𝒂𝑹 ) − 𝐥𝐧(𝑻𝒆,𝒂
𝑴 ) − 𝐥𝐧(𝑻𝒆,𝒂𝑨 ) (2),
onde 𝑻𝒆,𝒂𝑹 , 𝑻𝒆,𝒂
𝑴 e 𝑻𝒆,𝒂𝑨 representam, respetivamente, as tarefas rotineiras, tarefas manuais e
tarefas abstratas para cada empresa e no ano a.
Uma razão para esta alteração no índice foi o facto de recentemente ter sido realizado um
estudo ao nível das ocupações para Portugal por Fonseca et al. (2018).
Para se chegar ao valor destas tarefas, primeiramente, definiram-se todas as ocupações
dos trabalhadores presentes nos dados por rotineiras, manuais ou abstratas (ver anexo 8,
tabela 13). Para tal foram criadas três variáveis dummy - abstrata, rotineira e manual – onde
cada trabalhador estava alocado a cada uma (por exemplo, um trabalhador afeto à ocupação
“diretor” estava definido como um trabalhador de tarefas abstratas e por aí em diante).
Posteriormente, para cada empresa, somaram-se todos os trabalhadores alocados à mesma
e, consequentemente, ficaram revelados o total de trabalhadores por empresa e o total de
trabalhadores por tarefa por empresa. Uma vez calculado o total de trabalhadores por tarefa
por empresa, tornou-se possível calcular o índice ao nível da empresa.
32
Desta forma e, com os dados dos QP, foi possível calcular o RTI para cada empresa17
com as densidades para 2007 e 2012 representadas na figura 11 e 12, respetivamente e
obtiveram-se as informações representadas na Tabela 3:
Figura 11 - Densidade do RTI no ano 2007 (gráfico criado pela autora com apoio nos QP)
Figura 12 - Densidade do RTI no ano 2012 (gráfico criado pela autora com apoio nos QP)
Como observável nas figuras 11 e 12, de um ano para o outro o número de empresas com
RTI>0 diminuiu e o número de empresas com RTI≤0 tem vindo a aumentar, havendo uma
maior distribuição dos dois tipos de empresa. Ainda assim, a distribuição das empresas em
17 Para algumas empresas os dados eram escassos relativamente aos trabalhadores (por exemplo, empresas que só tinham um trabalhador associado) e acontecia não existirem dados para alguns tipos de tarefas. Tal situação levava a um log nulo que não permitia o cálculo do índice. Assim, somou-se a todas as tarefas o valor 0,01 de forma a não existirem valores nulos e não se perderem dados importantes para os resultados finais.
33
função do seu RTI não é simétrica, registando-se um maior número de empresas com RTI
positivo do que negativo (sobretudo em 2007).
Tabela 3 - RTI média e número de empresas para RTI negativa e positiva (tabela construída pela autora com apoio nos Quadros de Pessoal)
2007 2012
RTI média 2,45 1,7
Número de Empresas com RTI≤0 10295 10927
Número de Empresas com RTI>0 18871 13574
Com esta tabela observa-se um decréscimo da RTI, como esperado, pois as empresas
começam a ter um índice de intensidade de tarefas rotineiras inferior com a introdução de
novas tecnologias, ou seja, com o decréscimo do número de trabalhadores afetos a tarefas
rotineiras. Relativamente ao número de empresas, com RTI nulo ou negativo, houve um
ligeiro aumento de 606 empresas representadas nos QP e, com RTI positivo, houve um
decréscimo bastante significativo em 5271 empresas representadas.
Segundo Fonseca et al. (2018), a polarização do emprego em Portugal tem sido
impulsionada pela tecnologia de uma forma subtil, no entanto, o estudo destes autores
remete ao período temporal de 1985 a 2007 e, com a introdução de novas tecnologias que
tem ocorrido nos últimos anos, com especial destaque a partir da introdução de soluções
i4.0, esse impulso já deve acontecer com uma maior relevância.
Para uma análise mais específica, dividiram-se as empresas da amostra em dois segmentos:
as que apresentam valores negativos ou nulos e as que apresentam valores positivos pois,
como referido anteriormente, com um RTI nulo ou negativo, as tarefas desempenhadas pelos
trabalhadores são maioritariamente abstratas e/ou manuais, mas se o RTI foi positivo, as
tarefas dos trabalhadores são maioritariamente rotineiras. Assim, torna-se importante esta
separação para se conseguir analisar as variáveis consoante uma maior presença de tarefas
rotineiras ou não que vão levar a concluir sobre uma possível Polarização do Emprego.
Na tabela 4 estão identificadas a média por empresa, do número de trabalhadores, de
mulheres, de imigrantes e de trabalhadores com ensino superior consoante o RTI seja
negativo/nulo ou positivo:
34
Tabela 4 - Dados relativos aos trabalhadores, mulheres, imigrantes e formados com ensino superior com uma RTI positiva e negativa para 2007 e 2012 (tabela construída pela autora com apoio nos Quadros de Pessoal)
2007 2012
RTI≤0 RTI>0 RTI≤0 RTI>0
Média de Trabalhadores
por empresa
34,11 16,11 31,09 14,1
Média de Mulheres por
empresa 10,09 7,96 9,96 7,12
Média de imigrantes por
empresa 0,84 0,28 0,71 0,21
Média de Trabalhadores
com Ensino Superior por
empresa
2,5 0,47 3,12 0,47
Através da tabela 4 é possível observar, de 2007 para 2012, um decréscimo no número de
trabalhadores em geral, mulheres e imigrantes em empresas com o índice de intensidade de
tarefas rotineiras nulo ou negativo e em empresas com índice positivo. Como observado
anteriormente, houve um aumento no número de empresas com RTI nulo ou negativo de
um ano para outro, logo pode significar a saída de alguns trabalhadores das empresas em
questão derivado da implementação de novos processos digitais ou autónomos, levando ao
decréscimo observado das médias referente às três primeiras variáveis. Já o decréscimo
perante o RTI positivo pode ser justificado pelo decréscimo das empresas representadas. Na
média de trabalhadores com ensino superior, é possível observar um aumento de 2,5 para
3,12 em empresas com índice nulo ou negativo, o que já era de esperar, pois empresas com
menos tarefas rotineiras, necessitam de pessoal mais qualificado e especializado, havendo
uma maior procura por trabalhadores com ensino superior.
Na tabela 5 estão representados os trabalhadores por ocupação consoante o RTI seja
negativo ou positivo:
35
Tabela 5 - Dados relativos aos trabalhadores por profissão (média de trabalhadores com essas profissões por empresa) com uma RTI positiva e negativa para 2007 e 2012 (tabela construída pela autora com apoio nos Quadros de Pessoal)
2007 2012
RTI≤0 RTI>0 RTI≤0 RTI>0
Diretores e Executivos 0,72 0,28 0,83 0,32
Especialistas 1,17 0,14 1,58 0,19
Técnicos 3,31 0,59 3,87 0,6
Trabalho Administrativo 2,99 1,23 2,68 1,02
Serviços Pessoais e
Segurança 0,39 0,21 0,31 0,12
Atividades de Agricultura 0,18 0,012 0,11 0,008
Atividades de Indústria,
Construção e Artificies 10,7 8,12 8,89 5,24
Operadores de
instalações, máquinas e
montagem
7,69 2,82 6,95 4,57
Trabalhadores Manuais
Qualificados 3,97 0,76 3,66 0,51
Relativamente às profissões que cada trabalhador exerce dentro deste setor, consegue-se
observar um aumento de “diretores e executivos”, “especialistas” e “profissionais” e uma
diminuição perante as restantes. Como apresentado no Anexo 8, tabela 12, estas três
profissões são classificadas como tarefas abstratas, ou seja, tarefas inerentes a maiores
qualificações e especializações logo mais procuradas pelas empresas atualmente mais
tecnológicas.
As restantes profissões são divididas por tarefas manuais ou rotineiras onde as primeiras
continuam a ser procuradas pela necessidade pois, como visto na secção II.3 da Revisão de
Literatura, estas tarefas não são simples de rotinização pois implicam fatores a que as
máquinas ou sistemas digitais não conseguem chegar. Já as tarefas rotineiras, como referido
nessa mesma secção, tendem a diminuir com os avanços tecnológicos.
36
Por última, na tabela 6 estão apresentados as médias dos trabalhadores por região NUT
II (Norte, Centro, Lisboa, Alentejo, Algarve e ilhas) para os dois grupos de empresas em
confronto (isto é, empresas com RTI ≤0 e empresas com RTI>0):
Tabela 6 - Dados relativos aos trabalhadores por NUT II com uma RTI positiva e negativa para 2007 e 2012 (tabela construída pela autora com apoio nos Quadros de Pessoal)
2007 2012
RTI≤0 RTI>0 RTI≤0 RTI>0
Média de Trabalhadores
por empresa no Norte
13,45 8,99 12,9 8,74
Média de Trabalhadores
por empresa no Centro 8,89 3 8,73 2,3
Média de Trabalhadores
por empresa em Lisboa 6,34 1,3 5,47 0,93
Média de Trabalhadores
por empresa no Alentejo 1,59 0,51 1,45 0,45
Média de Trabalhadores
por empresa no Algarve 0,26 0,11 0,14 0,09
Média de Trabalhadores
por empresa nas Ilhas 0,6 0,25 0,18 0,07
Esta análise pretende avaliar a existência de uma possível correlação entre as empresas
com menores ou maiores níveis de rotinização e as regiões com universidades mais
procuradas pelos estudantes, com mais centros de investigação (nomeadamente a nível de
IT), incubadoras de startups ou com as maiores indústrias do país que são, maioritariamente,
o Norte, Centro e Lisboa.
A tabela revela uma diminuição de 2007 para 2012 de todas as variáveis por razões já
justificadas aquando a análise da tabela 4. Alheio a esse decréscimo, como se esperava, existe
uma maior presença na região Norte, seguida da região Centro e, por último, Lisboa. Essa
presença é refletida tanto para empresas com um RTI nulo/negativo, como com um RTI
positivo, no entanto, as primeiras têm uma maior frequência.
37
III.5 Modelo Econométrico
III.5.1 Especificação do Modelo
Após o cálculo e análise do RTI nas empresas do setor das Indústrias Transformadoras e
de algumas variáveis consoante o efeito nulo/negativo ou positivo deste índice, falta analisar
alguns possíveis determinantes que influenciam o comportamento deste índice e assim
identificar possíveis fatores conducentes da Polarização do Emprego de 2007 para 2012 já
descoberta anteriormente. Tendo em vista este objetivo, vai ser aplicado um modelo
econométrico de escolha binária denominado Probit, no qual se procura identificar as
determinantes da probabilidade de as empresas apresentarem RTI nulo ou negativo.
Como já analisado anteriormente, o 𝑅𝑇𝐼𝑒 analisa o tipo de tarefas dentro de uma empresa
e, ao longo da dissertação, conclui-se que se o RTI for nulo ou negativo, significa que há uma
menor presença de tarefas rotineiras e uma maior presença de tarefas abstratas e/ou manuais,
mas se for positivo sucede-se o oposto. Se o número de tarefas rotineiras diminuir e as tarefas
abstratas e manuais se mantiverem ou aumentarem numa dada empresa estamos perante uma
situação de Polarização do Emprego.
Assim, assume-se que o 𝑅𝑇𝐼𝑒 depende das tarefas rotineiras de cada empresa e, que pode
ser expresso por:
𝑅𝑇𝐼𝑒∗ =𝑿𝒆𝜷 + 𝑢𝑒 (3)
onde 𝑿𝒆 é o vetor das variáveis explicativas, 𝜷 é o vetor dos coeficientes desconhecidos e o
𝑢𝑒é a perturbação aleatória.
Para o estudo desta dissertação o modelo especificado será o seguinte18:
𝑅𝑇𝐼𝑒∗ =𝛽1 + 𝛽2𝑖𝑑𝑎𝑑𝑒 + 𝛽3𝑖𝑑𝑎𝑑𝑒
2 + 𝛽4𝑝𝑚𝑢𝑙ℎ𝑒𝑟 + 𝛽5𝑝𝑖𝑚𝑖𝑔 + 𝛽6𝑝𝑒𝑑𝑠𝑒𝑐 +
𝛽7𝑝𝑒𝑑𝑝𝑠𝑒𝑐 + 𝛽8𝑒𝑑𝑝𝑠𝑢𝑝 + 𝛽9𝑝𝑝𝑟𝑜𝑓1 + 𝛽10𝑝𝑝𝑟𝑜𝑓2 + 𝛽11𝑝𝑝𝑟𝑜𝑓3 + 𝛽12𝑝𝑝𝑟𝑜𝑓4 +
𝛽13𝑝𝑝𝑟𝑜𝑓5 + 𝛽14𝑝𝑝𝑟𝑜𝑓7 + 𝛽15𝑝𝑝𝑟𝑜𝑓8 + 𝛽16𝑝𝑝𝑟𝑜𝑓9 + 𝛽17𝑑𝑝𝑚𝑒 + 𝛽18𝑑𝑔𝑒 +
𝛽19𝑑𝑛𝑜𝑟𝑡𝑒 + 𝛽20𝑑𝑐𝑒𝑛𝑡𝑟𝑜 + 𝛽21𝑑𝑙𝑖𝑠𝑏𝑜𝑎 + 𝛽22𝑑𝑎𝑙𝑒𝑛𝑡𝑒𝑗𝑜 + 𝛽23𝑑𝑖𝑙ℎ𝑎𝑠 + 𝑢𝑒(3.1)
18 As variáveis presentes nesta regressão estão descritas em detalhe na próxima secção.
38
Mais precisamente, para efeitos deste estudo, o modelo é estimado tendo como unidade
de análise a empresa. A variável dependente 𝑅𝑇𝐼𝑒∗ é uma variável latente que representa a
utilidade de uma empresa ter uma intensidade das tarefas rotineiras nula ou negativa. Assim,
define-se uma variável binária 𝑅𝑇𝐼𝑒 que assume o valor 1 se a 𝑅𝑇𝐼𝑒∗ da empresa é negativa e
assume o valor 0 se a 𝑅𝑇𝐼𝑒∗ é positiva:
𝑅𝑇𝐼𝑒 = {1, 𝑅𝑇𝐼𝑒
∗ ≤ 00, 𝑅𝑇𝐼𝑒
∗ > 0 (3.2)
Os modelos de escolha binária que vai ser utilizado, o Probit, é estimado pelos Método da
Máxima Verosimilhança (ML) que permite perceber como cada variável explicativa afeta a
probabilidade de um evento ocorrer. As estimativas do método ML são os valores dos
parâmetros que têm uma maior probabilidade de gerar uma amostra de dados observáveis se
as suposições do modelo forem verdadeiras (Long e Freese, 2001).
A probabilidade estimada de uma empresa ter um RTI≤ 0 é então dada por:
F(𝑿𝒆′𝜷) = Pr[𝑅𝑇𝐼𝑒 = 1|𝑋𝑒̂ ] = Pr[𝑿𝒆�̂� + 𝑢𝑒 > 0] = Pr[−𝑢𝑒 < 𝑿𝒆𝜷] = ɸ(𝑿𝒆
′𝜷) (4)
onde 𝑢𝑒 representa o termo de perturbação, que se assume seguir uma distribuição normal
reduzida, o que significa que ɸrepresenta uma função de distribuição normal definida como,
ɸ(𝑥) = ∫1
√2𝜋𝑒−
1
2𝑡2𝑑𝑡
𝑥
−∞ (4.1)
Um problema da aplicação do modelo Probit surge na interpretação das estimativas
obtidas. Após a aplicação deste modelo, só se pode avaliar as estimativas pelo sinal observado
(positivo ou negativo) e não pelos valores diretamente. Assim, após o cálculo do modelo
Probit no programa STATA, terão de ser calculados os seus efeitos marginais (Wooldridge,
2012). O efeito marginal de uma j-ésima variável explicativa é dado por:
𝑑𝑃[𝑅𝑇𝐼𝑒=1|𝑋𝑒]
𝑑𝑋𝑒,𝑗=
𝑑𝐹(𝑋𝑒′𝛽)
𝑑𝑋𝑒′𝛽
𝛽𝑗 (5)
39
III.5.2 Descrição das variáveis
Tendo em consideração as análises de dados apresentada ao longo deste trabalho, no vetor
de regressões 𝑿𝒆 foram escolhidas as variáveis representadas no anexo 9, tabela 14 – idade
(𝑖𝑑𝑎𝑑𝑒, 𝑖𝑑𝑎𝑑𝑒2), género (𝑝𝑚𝑢𝑙ℎ𝑒𝑟), nacionalidade (𝑝𝑖𝑚𝑖𝑔), educação (𝑝𝑒𝑑𝑠𝑒𝑐, 𝑝𝑒𝑑𝑝𝑠𝑒𝑐,
𝑝𝑒𝑑𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟), profissão (𝑝𝑝𝑟𝑜𝑓1 , 𝑝𝑝𝑟𝑜𝑓2 , 𝑝𝑝𝑟𝑜𝑓3 , 𝑝𝑝𝑟𝑜𝑓4 , 𝑝𝑝𝑟𝑜𝑓5 , 𝑝𝑝𝑟𝑜𝑓7 , 𝑝𝑝𝑟𝑜𝑓8 ,
𝑝𝑝𝑟𝑜𝑓9 ), tamanho da empresa (𝑑𝑝𝑚𝑒, 𝑑𝑔𝑒) e região da empresa (𝑑𝑛𝑜𝑟𝑡𝑒 , 𝑑𝑐𝑒𝑛𝑡𝑟𝑜 ,
𝑑𝑙𝑖𝑠𝑏𝑜𝑎, 𝑑𝑎𝑙𝑒𝑛𝑡𝑒𝑗𝑜, 𝑑𝑖𝑙ℎ𝑎𝑠).
Como a regressão é aplicada ao nível da empresa, foi criada uma variável para idade média
dos trabalhadores de cada empresa, tendo-se incluindo também esta variável ao quadrado.
Para a idade média espera-se um efeito negativo, pois estas empresas irão procurar pessoal
mais jovem e qualificado e com o aumento da média de idades, a probabilidade de uma
empresa ter um RTI≤0 será cada vez menor, por isso o uso do 𝑖𝑑𝑎𝑑𝑒2.
Para as variáveis género, nacionalidade, educação e profissão, como eram variáveis das
características dos trabalhadores, foi necessário desenvolver um processo de agregação de
dados por forma a obter informação agregada ao nível das empresas onde esses trabalhadores
estão inseridos. Para o efeito, foram geradas umas novas variáveis que representam a
percentagem de mulheres, percentagem de imigrantes, percentagem de trabalhadores
consoante o seu nível de escolaridade e percentagem de trabalhadores consoante a sua
profissão, por empresa.
Nesta regressão, espera-se que tanto para as percentagens de mulheres como para as
percentagens de imigrantes um efeito negativo, uma vez que, como se viu anteriormente na
secção III.4.1, houve um decréscimo na média de mulheres e de imigrantes nas empresas
analisadas de 2007 e 2012 apesar que, no caso desta última variável, apenas se ter registado
um decréscimo pouco significativo.
Em relação à variável da educação, espera-se que a percentagem de trabalhados com
educação pós-secundária (𝑝𝑒𝑑𝑝𝑠𝑒𝑐) ou com educação secundária (𝑝𝑒𝑑𝑠𝑒𝑐) tenha um efeito
negativo e com educação superior (𝑝𝑒𝑑𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟) tenha um efeito positivo, uma vez que se
espera que as empresas com RTI≤0 tenham uma maior procura por indivíduos mais
qualificados e especializados, nomeadamente, indivíduos com uma formação superior numa
dada área, principalmente em áreas de gestão e engenharias, como previsto na secção III.3.1.
40
A variável profissão tem um efeito esperado positivo nas áreas de gestão, mais especializas
e mais técnicas, definidas anteriormente como tarefas abstratas: “diretores e executivos”
(𝑝𝑝𝑟𝑜𝑓1), “especialistas” (𝑝𝑝𝑟𝑜𝑓2) e “técnicos” (𝑝𝑝𝑟𝑜𝑓3), assim como nas áreas manuais
de “serviços pessoais e de segurança” (𝑝𝑝𝑟𝑜𝑓5) e “atividades de indústria, construção e
artificies” ( 𝑝𝑝𝑟𝑜𝑓7 ) definidas como tarefas manuais. Nas restantes (“trabalho
administrativo” (𝑝𝑝𝑟𝑜𝑓4), “operadores de instalações, máquinas e montagens” (𝑝𝑝𝑟𝑜𝑓8) e
“trabalhadores manuais qualificados” (𝑝𝑝𝑟𝑜𝑓9)), espera-se um efeito negativo.
A variável da região é uma variável dummy e é esperado que para as regiões com maior
número de empresas e com maiores centros de investigação, como o Norte, Centro e Lisboa,
exista um efeito esperado positivo. Em relação às restantes variáveis, possivelmente, irão ter
um menor efeito no índice, mas como na secção III.4.1 a informação sobre estas regiões é
bastante limitada, é difícil prever.
Por último, a variável do tamanho das empresas também é uma variável dummy e seria de
esperar que estes tipos de empresas, PME e GE, tivessem um efeito positivo, no entanto, na
secção III.4.1, pode-se observar na figura 10, que os anos em estudo não foram dos melhores
anos de investimentos, excetuando dois picos no setor das Indústrias Transformadores entre
2007 e 2008 e 2011 e 2012 (figura 9), mas os tipos de empresas que realizaram esses
investimentos não são conhecidas.
Neste caso, para efeitos de avaliação dos coeficientes de uma forma eficiente, em todos
os conjuntos de variáveis será omitida uma categoria, nomeadamente, a educação pós-
secundária na escolaridade, as “atividades de agricultura” nas profissões, o Algarve nas
regiões e as microempresas (ME) no tamanho da empresa.
Os resultados do modelo econométrico serão apresentados na secção seguinte.
41
III.5.3 Resultados
A regressão econométrica assente na especificação do modelo Probit anteriormente
apresentado foi estimada para cada um dos anos 2007 e 2008. Os resultados da estimação
estão apresentados na tabela seguinte:
19Tabela 7 - Resultados da Estimação Probit da probabilidade de a empresa ter um índice negativo de
rotinização: a variável dependente 𝑅𝑇𝐼𝑒 = 1 (tabela construída pela autora e regressão Probit calculada no programa econométrico STATA com dados dos QP)
Variável 2007 2008
Idade
𝐈𝐝𝐚𝐝𝐞𝟐
-0.0265***
(0.00504)
0.0004***
(0.00007)
-0.1169**
(0.00604)
0.0003***
(0.00008)
Género
Mulher
-2.8026***
(0.04377)
-2.2041***
(0.04535)
Nacionalidade
Imigrante
0.4245***
(0.10589)
0.5604***
(0.13262)
Escolaridade
Educação Secundária
Educação Pós-Secundária
Educação Superior
Categoria Omitida: Educação Básica
0.3867
(0.43042)
0.2593***
(0.06213)
0.8377***
(0.11640)
-0.1018
(0.10332)
-0.0520
(0.10333)
0.7431***
(0.12495)
19 (i) Os asteriscos *, ** e *** correspondem aos níveis de significância de 1%, 5% e 10%, respetivamente. As
variáveis com valores que não contém nenhum asterisco, não são estatisticamente significativas.
(ii) Os valores apresentados correspondem às estimativas dos coeficientes e respetivos desvios padrão entre
parenteses.
(iii) Para mais informações sobre as variáveis, consultar o Anexo 9, tabela 14.
42
(continuação da tabela 7)
Profissão
Diretores e Executivos
Especialistas
Técnicos
Trabalho administrativo
Serviços pessoais e de segurança
Atividades de indústria, construção e
artificies
Operadores de instalações, máquinas
e montagens
Trabalhadores manuais qualificados
Categoria Omitida: Atividades de
Agricultura
2.7271***
(0.10927)
2.1274***
(0.20366)
0.7454***
(0.10942)
-3.0133***
(0.13642)
2.0050***
(0.10738)
-0.2659***
(0.08211)
-2.2647***
(0.10143)
2.2666***
(0.10461)
2.0131***
(0.11579)
3.1659***
(0.20862)
2.7326***
(0.1281)
-3.1324***
(0.14189)
1.7633***
(0.13604)
-0.2406**
(0.09533)
-2.1624***
(0.11058)
2.7745***
(0.11845)
Variáveis Dummy para NUT II
Norte
Centro
Lisboa
Alentejo
Ilhas
Categoria Omitida: Algarve
0.0134***
(0.00048)
0.0185***
(0.00062)
0.0185***
(0.00089)
0.0181***
(0.01272)
0.0118***
(0.00137)
0.0157***
(0.00059)
0.0216***
(0.00081)
0.0173***
(0.00109)
0.01645***
(0.00137)
0.0234***
(0.00517)
43
(continuação da tabela 7)
Tamanho da Empresa
PME
GE
Categoria Omitida: ME
0.1246***
(0.02318)
-1.6015***
(0.18467)
0.0727***
(0.02509)
-2.6263***
(0.22757)
Constante 0.4547***
(0.06279)
0.14066***
(0.07128)
Número de Observações
Likelihood Ratio: LR 𝒒𝒖𝒊𝟐(24)
(Prob>𝒒𝒖𝒊𝟐)
Pseudo 𝑹𝟐
29166
12793.89
(0.0000)
0.3378
24501
12598.51
(0.0000)
0.3741
Para ambos os anos, 2007 e 2012, as estimativas são feitas sobre as amostras completas,
𝑁2007=29166 e 𝑁2012=24501. Estas estimações foram realizadas através do programa
econométrico STATA e ambas convergiram em seis iterações com um log likelihood de -
12539.709 e -10540.277 para 2007 e 2012, respetivamente. O log likelihood é sempre um valor
negativo porque a própria probabilidade apresentada na regressão é sempre entre 0 e 1 (Long
e Freese, 2001)
Nos resultados obtidos com o teste ML, os dois anos têm em comum a variável “educação
secundária” como uma variável não significativa, que se vai optar por ignorar. No ano de
2012, também a variável e “educação pós-secundária” é estatisticamente não significativa.
Aquando a estimação destas regressões, também são dadas algumas informações gerais
sobre o modelo apresentadas na última linha da tabela 7. O likelihood ratio (ou rácio de máxima
verosimilhança) é o valor do qui-quadrado da razão de verosimilhança (que testa a hipótese
nula de que todos os coeficientes associados às variáveis independentes são simultaneamente
iguais a zero (Long e Freese, 2001)) e, neste caso, a estatística do teste é 12793.89 e 12598.51
para o ano de 2007 e 2012, respetivamente.
Na linha abaixo é apresentado o p-value desse teste (0.0000) e como é inferior a qualquer
nível de significância (1%, 5% ou 10%) significa que o modelo é estatisticamente
significativo. Por fim, é apresentado o pseudo 𝑹𝟐 (também conhecido como 𝑹𝟐 de
McFadden) com valores 0.3378 (aproximadamente 34%) e 0.3741 (aproximadamente 37%)
44
para os anos 2007 e 2012, respetivamente, contudo, contrariamente ao 𝑹𝟐 determinado em
regressões OLS, o pseudo 𝑹𝟐 não tem uma interpretação imediata.
Como já referido na secção III.5.1, em conjunto com a regressão realizada pelo modelo
econométrico Probit, serão também calculados os efeitos marginais médios (tabela 8) para
uma análise mais fina do impacto dos principais determinantes que afetam a probabilidade
de uma empresa apresentar um RTI≤0.
20Tabela 8 - Efeitos Marginais Médios da estimação Probit da probabilidade de a empresa ter um índice de
intensidade de tarefas rotineiras negativo: a variável dependente 𝑅𝑇𝐼𝑒 = 1 (tabela construída pela autora e efeitos marginais calculados no programa econométrico STATA com dados dos QP)
Variável 2007 2012
Idade
𝐈𝐝𝐚𝐝𝐞𝟐
-0.0064***
(0.00122)
0.0001***
(0.00003)
-0.0028***
(0.00147)
0.0007***
(0.00002)
Género
Mulher
-0.6813***
(0.00829)
-0.5365***
(0.00939)
Nacionalidade
Imigrante
0.1032***
(0.02572)
0.1364***
(0.03224)
Escolaridade
Educação Pós-Secundária
Educação Superior
0.0940***
(0.10464)
0.2036***
(0.02823)
-0.0247
(0.09042)
0.1809***
(0.03035)
20 (i) Os asteriscos *, ** e *** correspondem aos níveis de significância de 1%, 5% e 10%, respetivamente. As
variáveis com valores que não contém nenhum asterisco, não são estatisticamente significativas.
(ii) Os valores apresentados correspondem às estimativas dos efeitos marginais médios (dy/dx) e respetivos
desvios padrão entre parenteses.
(iii) Para mais informações sobre as variáveis, consultar o Anexo 9, tabela 14.
(iv) A variável estatisticamente não significativa “educação secundária” foi ignorada para esta tabela.
45
(continuação da tabela 8)
Variáveis Dummy para Profissão
Diretores e Executivos
Especialistas
Técnicos
Trabalho administrativo
Serviços pessoais e de segurança
Atividades de indústria, construção e
artificies
Operadores de instalações, máquinas e
montagens
Trabalhadores manuais qualificados
0.6630***
(0.02578)
0.5172***
(0.04929)
0.1812***
(0.02654)
-0.7326***
(0.03228)
0.4874***
(0.02567)
-0.0646***
(0.01995)
-0.5506***
(0.02402)
0.5510**
(0.02483)
0.4900***
(0.02767)
0.7706***
(0.05014)
0.6652***
(0.03033)
-0.7625***
(0.03342)
0.4292***
(0.03277)
-0.0586***
(0.02319)
-0.0563***
(0.02628)
0.6753**
(0.02782)
Variáveis Dummy para NUT II
Norte
Centro
Lisboa
Alentejo
Ilhas
0.0033***
(0.00011)
0.0045***
(0.00015)
0.0045***
(0.00021)
0.0044***
(0.00031)
0.0028***
(0.00033)
0.0038***
(0.0001)
0.0053***
(0.0002)
0.0042***
(0.0003)
0.0040***
(0.0003)
0.0057***
(0.00126)
Tamanho da Empresa
PME
GE
0.0303***
(0.00562)
-0.3893***
(0.04474)
0.0177***
(0.0610)
-0.6393***
(0.05497)
46
Após realizada a estimação Probit e calculados os respetivos efeitos marginais médios para
os anos 2007 e 2012, os resultados obtidos em ambos os anos são bastante semelhantes e a
maioria vai de encontro com o esperado na secção anterior.
A primeira variável “idade”, considerando as atuais condições em termos de idade média
e máxima de reforma, apresenta um efeito negativo como se esperava, pois existe uma maior
procura por trabalhadores mais jovens e, com o aumento da média de idades, a probabilidade
de uma empresa ter um RTI≤0 diminui.
A variável “mulher” também apresenta um efeito negativo para ambos os anos, como já
se esperava pela análise realizada na secção III.4.1, pois com o aumento de 1 p.p. na
percentagem de mulheres afetas a uma empresa, a probabilidade de uma empresa ter RTI≤0
decresce. No entanto, é importante notar que de 2007 para 2012, esse impacto negativo
diminuiu em 14,48 p.p.
Já a variável “imigrante” apresenta um efeito positivo, ou seja, se se aumentar a
percentagem de imigrantes numa dada empresa, a probabilidade dessa empresa ter RTI≤0
também aumenta. Adicionalmente, no período em análise, houve um aumento de 3,32 p.p.
nesse efeito positivo. Contudo, tal não corresponde aos efeitos esperados pois as variações
apresentadas na secção III.4.1 e a percentagem de imigrantes nas empresas estudadas tem
um valor bastante reduzido.
Nas variáveis relativas à educação, em 2012, apenas se pode analisar a “educação superior”
onde, em comum com o ano de 2007, apresenta um efeito positivo como se esperava. Com
o aumento de 1 p.p. na percentagem de trabalhadores com ensino superior, aumenta também
a probabilidade de uma empresa ter RTI≤0. Tal acontece porque uma maior educação e
especialização dada pelo ensino superior, levará a trabalhadores com conhecimentos mais
atuais que as empresas procuram para estarem a par dos progressos tecnológicos. Em 2007,
também se pode analisar a “educação pós-secundária” que apesar de pouco significativa, tem
um efeito também positivo.
Relativamente às profissões, as profissões “diretores e executivos”, “especialistas”,
“técnicos”, “serviços pessoais e de segurança”, “atividades de agricultura” e “trabalhadores
manuais qualificados” têm efeitos positivos, ou seja, se uma empresa aumentar a sua
percentagem de trabalhadores com estas profissões, a probabilidade de ser uma empresa com
RTI≤0 também aumenta. Tal justifica-se pelo facto de as três primeiras variáveis serem
associadas a tarefas abstratas e as três últimas a tarefas manuais, pois como se viu
anteriormente, empresas com RTI≤0 têm maioritariamente tarefas abstratas e/ou manuais e
47
empresas com RTI>0 o oposto (por isso as restantes variáveis afetas a tarefas rotineiras têm
um efeito negativo).
Ao nível das dummies para regiões, todas têm um efeito positivo, ou seja, empresas
localizadas nestas regiões aumentam probabilidade de empresas terem RTI≤0
(comparativamente ao grupo omisso, correspondente às empresas na região do Algarve).
Esses efeitos não eram os esperados, contudo convém relembrar que, com a omissão de uma
das regiões (Algarve), esses efeitos positivos apenas indicam que a região de comparação base
tem uma probabilidade inferior às restantes, o que poderá fazer sentido atendendo à estrutura
de especialização da economia algarvia (fortemente alavancada no setor dos serviços, em
particular no turismo).
Por último, temos a variável dummy referente ao tamanho das empresas, onde as pequenas
e médias empresas (PME) têm um efeito positivo, logo uma empresa com esta característica
aumenta a probabilidade de ser uma empresa com RTI≤0. Já as grandes empresas (GE) têm
um efeito negativo que não era esperado. Contudo, como já referido anteriormente, apesar
de se se esperar grandes investimentos por parte deste tipo de empresas com a
implementação de soluções i4.0, nos anos em estudo a taxa de investimentos foi decrescente.
De uma forma geral, as variáveis relativas à imigração, educação pós-secundária, educação
superior, as profissões “diretores e executivos”, “especialistas”, “técnicos”, “serviços
pessoais e de segurança” e “trabalhadores manuais qualificados”, todas as regiões analisadas
e as PME apesar de a níveis diferentes, têm impactos positivos na probabilidade de uma
empresa ter um RTI≤0.
No entanto, algumas destas variáveis tiveram um decréscimo na sua probabilidade de
2007 para 2012, nomeadamente, “educação superior”, “diretores e executivos”, “serviços
pessoais e de segurança”, as regiões Lisboa e Alentejo e as PME. Porém, se se recuar ate às
secções II.2 e II.3 da Revisão da Literatura e secções III.3.1 e III.3.2 da análise de dados que
referem os resultados que começam a aparecer nas empresas efeito dos fenómenos inerentes
da Indústria 4.0, pode-se concluir que essas variáveis, provavelmente, irão sofrer um aumento
positivo nos seus impactos e na probabilidade de uma empresa ter RTI≤0.
48
Capítulo IV
Conclusões
Após a realização desta dissertação, a primeira conclusão que se pode tirar é que a
Indústria está realmente a mudar a um ritmo cada vez mais acelerado e que,
consequentemente, o Mercado de Trabalho também está a ser afetado. Em Portugal, os
efeitos ainda não são relevantes como em outros países do mundo, mas com todos os
incentivos e iniciativas, como o “Portugal i4.0”, as empresas não irão tardar a mudar os seus
processos e organização.
Através das análises de dados estatísticos realizadas para a educação e o emprego em
Portugal, conseguiu-se observar o impacto que a escolaridade tem tido principalmente a nível
do ensino superior. Os jovens cada vez mais ingressam em cursos superiores especializados
e atuais de forma a ir de encontro ao que as empresas atuais procuram e perspetivar melhores
empregos futuros.
Em relação ao emprego, com a introdução de novos avanços tecnológicos inerentes da
implementação de soluções (como soluções i4.0), tem ocorrido uma crescente preocupação
e despesa em investigação e desenvolvimento por parte das diversas organizações (como
empresas e universidades) para conseguir analisar e implementar esses novos fenómenos.
Nesta dissertação, com o foco no setor das Indústrias Transformadoras (setor onde se
espera um grande aumento de representatividade com a Indústria 4.0), foi possível estudar
os fenómenos de rotinização nas empresas. Esse fenómeno que discrimina as várias tarefas
desempenhadas nas empresas por tarefas rotineiras, manuais e abstratas demonstrou uma
tendência que tem vindo a ser estudada em outros países – as tarefas rotineiras têm vindo a
diminuir e as tarefas abstratas e manuais a aumentar – e denomina-se por Polarização do
Emprego. Após a análise de dados dos Quadros de Pessoal foi possível concluir que em Portugal
isso também tem vindo a acontecer, com tendência a ter ainda mais alcance.
As empresas portuguesas têm vindo a investir em capital tecnológico e humano
especializado de forma a conseguirem acompanhar as suas concorrentes, pois com algumas
empresas a implementarem soluções i4.0 que podem diminuir custos e aumentar a
produtividade e ganhos, as outras terão de acompanhar ou perdem vantagem competitiva.
49
Mas não só a discriminação das tarefas revela esses resultados, também o cálculo do
denominado Índice de Intensidade de Tarefas Rotineiras (RTI) aplicado a cada empresa
apresentou essas mesmas conclusões. Esse índice quando negativo ou nulo revela uma
menor presença de tarefas rotineiras, mas maior presença de tarefas abstratas e/ou manuais
e, para os anos em estudo (2007 e 2012), houve um decréscimo nesse índice.
Nesses anos e, para empresas com um índice nulo ou negativo, houve um aumento de
trabalhadores com ensino superior, um aumento de trabalhadores com profissões inerentes
a tarefas abstratas e manuais, uma diminuição dos trabalhadores com profissões inerentes a
tarefas rotineiras e, por último, uma maior presença dessas empresas no Norte, Centro e
Lisboa.
Contudo, apesar de as conclusões serem o que se esperava pelo desenvolvimento da
revisão de literatura e da análise de dados, era importante perceber que variáveis afetavam
esse índice. Assim, para finalizar esta dissertação, foi aplicado um modelo econométrico
Probit para perceber a influência de algumas variáveis analisadas anteriormente.
A regressão aplicada acabou por revelar situações que já se previam onde o ensino
superior e a maioria das profissões afetas a tarefas abstratas e/ ou manuais demonstraram ter
um impacto positivo na probabilidade de uma determinada empresa ter um RTI nulo ou
negativo.
Em conclusão, comprovou-se que as conclusões esperadas pela revisão de literatura sobre
a revolução industrial e digital registada à escala global também se reflete em Portugal e o
fenómeno de Polarização do Emprego existe. Com a introdução da Indústria 4.0, as
empresas têm se alterado e têm investido em avanços tecnológicos como processos digitais
ou autónomos e, com a reorganização inerente a essas atualizações nas empresas, estão a
haver mudanças na estrutura dos recursos humanos, tanto na introdução de indivíduos mais
qualificados e mais especializados nos temas atuais e de IT, como na realocação ou formação
aos trabalhadores já existentes de forma a conseguirem acompanhar as novas mudanças.
O tempo de crise por que Portugal passava no período em estudo não foi muito favorável
para perceber se estes fenómenos vão realmente eliminar empregos, mas como visto na
revisão de literatura, os trabalhadores podem não ser necessariamente substituídos, mas
podem complementar os novos processos e mudanças que estão a acontecer.
Para trabalho futuro, seria importante fazer esta análise para anos mais recentes e
aprofundar nas empresas as soluções e estratégias que têm implementado e qual o impacto
nos seus trabalhadores afetos a tarefas rotineiras.
50
Referências Bibliográficas
Acemoglu, D., e Autor, D. (2010), "Skills, tasks and technologies: implications for employment and earnings", Handbook of labor economics, Vol.4, pp.1043-1171.
Askt, D. (2013), "What can we learn from past anxiety over automation?", The Wilson Quartely.
Autor, D. H. (2015), "Why Are There Still So Many Jobs? The History and Future of Workplace Automation", Journal of Economic Perspectives, Vol. 29.
Autor, D. H., e Dorn, D. (2013), "The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market", American Economic Review, Vol.103, Nº5, pp. 1553–1597.
Autor, D. H., Levy, F., e Murnane, R. J. (2003), "The Skill Content of Recent Technological Change: An Empirical Exploration", The Quarterly Journal of Economics, Vol.118, Nº4, pp. 1279–1333.
Banco de Portugal. (2017), "Boletim Económico Junho 2017", https://www.bportugal.pt/sites/default/files/anexos/pdf-boletim/bol_econ_junho17_p.pdf, acedido em 14 outubro 2018.
Berg, A., Buffie, E. F., e Zanna, L.-F. (2016), "Robots, Growth, and Inequality", FINANCE & DEVELOPMENT, Vol.53, Nº3.
Besanko, D., Dranove, D., Schaefer, S., e Shanley, M. (2012), Economics of Strategy (6ª edição), Nova Iorque: Wiley.
Borland, J., e Coelli, M. (2017), "Are Robots Taking Our Jobs?", The Australian Economic Review, Vol.50, Nº4, pp. 377–97.
Brynjolfsson, E., e Mcafee, A. (2014), The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies, Estados Unidos: W. W. N. & Company, Ed..
CGI. (2017), "Industry 4.0: Making your business more competitive", https://www.cgi.com/sites/default/files/white-papers/manufacturing_industry-4_white-paper.pdf, acedido em 10 outubro 2018.
Correia, A. B., Deus, P., e Baptista, J. R. (2016), "Indústria 4.0: Construir a empresa digital", PWC Portugal, Vol. 1.
De la Rica, S., e Gortazar, L. (2016), "Differences in Job De - Routinization in OECD
countries : Evidence from PIAAC", IZA Discussion Paper Nº9736, Institute for the study of Labor (IZA).
Deloitte. (2017), Indústria 4.0. Portugal, https://www.industria4-0.cotec.pt/programa/medidas/, acedido em 15 novembro 2017.
Domingos, P. (2017), A revolução do Algoritmo Mestre: Como a aprendizagem automática está a mudar o mundo. Editora Manuscrito.
European Commission. (2017). Germany: Industrie 4.0, https://ec.europa.eu/growth/tools-databases/dem/monitor/sites/default/files/DTM_Industrie%204.0.pdf, acedido em 30 outubro 2017.
51
Finkelstein, J., e Newman, D. (1984). The Third industrial revolution: A special challenge to managers, Organizational Dynamics, Vol.13, Nº1, pp. 53-65.
Fonseca, T., Lima, F., e Pereira, S. C. (2018), "Job polarization, technological change and routinization: Evidence for Portugal", Labour Economics, Vº51, pp. 317–339.
Ford, M. (2015), Rise of the Robots: Technology and the Threat of Mass Unemployment, Oneworld Publications, Nova Iorque.
Freeman, R. (2015), "Who owns the robots rules the world", IZA World of Labor, Maio.
Goos, M., Manning, A., e Salomons, A. (2014), "Explaining job polarization: Routine-biased technological change and offshoring", American Economic Review, Vol.104, Nº8, pp. 2509–2526.
Gordon, R. (2012), "Is U.S. Economic Growth Over? Faltering Innovation Confronts the Six Headwinds", NBER Working paper Nº 18315, National Bureau of Economic Research.
Governo de Portugal. (2013), "Estrategia de Fomento Industrial para o Crescimento e Emprego 2014-2020", Lisboa.
Gregory, T., Salomons, A., e Zierahn, U. (2016), "Racing With or Against the Machine? Evidence from Europe", Centre for European Economic Research, Vol.53, Nº16, pp. 1–67.
GTAI. (2014). Industrie 4.0 - Smart Manufacturing for the Future, https://www.manufacturing-policy.eng.cam.ac.uk/documents-folder/policies/germany-industrie-4-0-smart-manufacturing-for-the-future-gtai/view acedido em 31 outubro 2017.
Jensen, M. C. (1993), "The Modern Industrial Revolution , Exit , and the Failure of Internal Control Systems the Failure of Internal Control Systems", Journal of Finance, Vol.48, Nº3, pp. 831–880.
Karim, S. (2009), "Business Unit Reorganization and Innovation in New Product Markets", Management Science, Vol.55, Nº7, pp. 1237–1254.
Keller, M., Rosenberg, M., Brettel, M., e Friederichsen, N. (2014), "How Virtualization, Decentrazliation and Network Building Change the Manufacturing Landscape: An Industry 4.0 Perspective", International Journal of Mechanical, Aerospace, Industrial, Mechatronic and Manufacturing Engineering, Vol.8, Nº1, pp. 37–44.
Lasi, H., Fettke, P., Kemper, H.G., Feld, T., e Hoffmann, M. (2014), "Industry 4.0: Making your business more competitive", CGI Group, Vol. 6, Nº4, pp. 239-242.
Lima, F. (2010), "A relação entre o nível de escolaridade e o mercado de trabalho em 2009", Estatísticas de Emprego, 1oT.
Long, J. S., e Freese, J. (2001). Regression Models for Categorical Dependent Variables Using STATA. Stata Press.
Mahutga, M. C., Curran, M., e Roberts, A. (2018), "Job tasks and the comparative structure of income and employment: Routine task intensity and offshorability for the LIS*", International Journal of Comparative Sociology, Vol.59, Nº2, pp. 81–109.
ManpowerGroup. (2016), "The Skills Revolution", http://manpowergroup.com/wps/wcm/connect/5943478f-69d4-4512-83d8-
52
36bfa6308f1b/MG_Skills_Revolution_FINAL.pdf?MOD=AJPERES&CACHEID=5943478f-69d4-4512-83d8-36bfa6308f1b, acedido em 30 outubro 2017.
Martins, F. (2016), "A reação das empresas portuguesas à crise económica e financeira: principais choques e canais de ajustamento", Banco de Portugal.
Mateus, C. (2017), Indústria contratou 79 mil, retirado de http://expressoemprego.pt/noticias/industria-contratou-79-mil/4374, acedido em 4 maio 2017.
McKinsey Digital. (2015), "Industry 4.0 - how to navigate digitization of the manufacturing sector", McKinsey & Company, pp. 1–62.
Moretti, E. (2010), "Local multipliers", American Economic Review, Vol.100, Nº2, pp. 373–377.
OCDE, (2000), "Small and Medium-sized Enterprises: Local Strength, Global Reach", Policy Brief, pp. 1–8.
OCDE, (2015), "Labour Market Reforms in Portugal 2011-2015", OCDE, pp. 13–24.
Parente, C., Neto, H. V., Ramos, M., Cruz, S. A., e Marcos, E. V. (2014), "Os jovens pouco escolarizados no mercado de trabalho portugues". Analise Social, Vol. 49, Nº210, pp. 75-102
Qin, J., Liu, Y., e Grosvenor, R. (2016), "A Categorical Framework of Manufacturing for Industry 4.0 and beyond", Procedia CIRP, Vol.52, pp. 173–178.
Royal Society. (2017), Machine learning: the power and promise of computers that learn by example.
Rüßmann, M., Lorenz, M., Gerbert, P., Waldner, M., Justus, J., Engel, P., e Harnisch, M. (2015),"Industry 4.0. The Future of Productivity and Growth in Manufacturing", Boston Consulting, pp. 1–5.
Scarpetta, S. (2016), "What future for work?", The OECD Observer. Nº305
Schwab, K. (2016), The Fourth Industrial Revolution, World Economic Forum.
Siemens. (2017) "Indústria 4.0 e Portugal", Siemens Portugal, https://w5.siemens.com/portugal/web_nwa/pt/AcademiaSiemens/noticias/press_releases/2017/Documents/PARTE_3_Industria_4_0_em_Portugal.pdf, acedido em 31 outubro 2017.
Tupa, J., Simota, J., e Steiner, F. (2017), "Aspects of Risk Management Implementation for Industry 4.0", Procedia Manufacturing, Vol.11, pp.1223–1230.
Weitzman, M. L. (1998), "Recombinant Growth", The Quarterly Journal of Economics, Vol. 113, pp. 331-360.
Wooldridge, J. M. (2012), Introductory Econometrics: A modern approach (5ª edição), South-Western, Cengage Learning.
53
Anexos
Anexo 1 – Entidades envolvidas na iniciativa Portugal i4.0
Figura 13 - Entidades envolvidas no Portugal i4.0 (retirado de: https://www.industria4-0.cotec.pt/ em 23 de novembro de 2017).
54
Anexo 2 – Projeções para Portugal em 2017-2020
Figura 14 - Boletim Económico do Banco de Portugal: Projeções para Portugal em 2017-2020 (retirado de: https://www.bportugal.pt/sites/default/files/anexos/pdf-boletim/be_dez2017_p.pdf em 11 de janeiro de 2018).
Anexo 3 – Taxa de Desemprego em Portugal (2000-2017)
Figura 15 - Taxa de desemprego (%) entre 2000-2017 (quebra de série em 2011) (gráfico criado pela autora com informação retirada do Pordata a 06 de julho de 2018)
0,0
2,0
4,0
6,0
8,0
10,0
12,0
14,0
16,0
18,0
20
00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
55
Anexo 4 – Medidas implementadas pela Iniciativa Portugal i4.0
Tabela 9 – Medidas implementadas pelo Portugal i4.0 (informação retirada de Deloitte (2017))
Medidas implementadas pelo Portugal i4.0
Fo
rmaç
ão e
cap
acit
ação
de
Rec
urs
os
Hum
anos
- Valorização e expansão do projeto “Ciência na Escola”
- Garantia de competências digitais
- Literacia digital e competências digitais
- Movimento Código Portugal
- Reedição do projeto “Pense Indústria -Nova Geração”
- Cursos técnicos i4.0
- Criação de oferta formativa em i4.0 nos Institutos de Ensino Superior
(Politécnico)
- Programas de “Robôs Demonstradores” nos Institutos de Ensino Superior
(Politécnico)
- Criação de oferta formativa em i4.0 Instituições de Ensino Superior
(universitário)
- Criação de um Consórcio de Escolas de Engenharia de Língua Portuguesa
(CEELP)
- Política de vistos dirigida aos trabalhadores mais qualificados
- Criação de uma Cátedra i4.0
- Investigação em i4.0
- Academia Siemens 4.0
- Conversão de engenheiros para as áreas de Software e Engenharia de
Sistemas de Informação
- Requalificação e integração professional
- Promoção de Learning Factories
- Ações de formação para profissionais
-Atelier Digital
- Programa de Competências Digitais
- Programas Ação-Indústria
- Tourism Digital Academy
56
(continuação da tabela 9)
Co
op
eraç
ão t
ecn
oló
gica
- Bosch Digital
- ADIRA Industry4.0
- Projeto Footure 4.0
- Criação de um programa de Open Daysi4.0
- Reedição do evento Hey! Hackathon
- Criação de uma matriz de avaliação de maturidade i4.0
- Ciência Aberta e Inovação Aberta
- Programa de inovação 5G
- Balcões do Conhecimento
- Born from Knowledge
- Promoção e valorização do papel das autarquias em iniciativas i4.0
- Promoção da partilha de experiências e conhecimento no âmbito da i4.0
- Criação de Rede de Digital Champions Nacional
- CTT E-commercein a box
- Roadshow Robótica
- Exposição 560
- Desenvolvimento de estudo sobre cibersegurança no contexto i4.0
- Prémios ACEPI Navegantes XXI
- Consórcio PSA Mangualde
- Balcão Único Digital de interação entre as empresas do setor do Turismo e
o Estado
- Plataforma integradora de dados de interesse para empresas de turismo
- Digital Tourism Fórum
- Huawei Portugal Innovation & Experience Center
IoT Smart Agriculture
Sta
rtup
i4.0
- Aceleradora, Incubadora e Centro de Prototipagem para a Indústria 4.0
“4AC-Industry 4.0”
- Promoção de estratégias de inovação no tecido empresarial nacional
- Centro de inovação e desenvolvimento turístico
- Digital Tourism Hackathon
Fin
anci
amen
to/ A
po
io a
o
Inves
tim
ento
- Avisos específicos i4.0
- Linha de crédito de apoio às exportações i4.0
- Reforço do papel dos Centros Tecnológicos
- Acelerador para concurso de incentivos à digitalização no turismo
57
Anexo 5 - Definição das variáveis geradas e utilizadas na secção III.3 e III.4
Tabela 10 - Definição das variáveis geradas e utilizadas pela autora
Variável Código21
Variáveis Trabalhadores
Faixa etária: [15, 64] anos
idade
Género:
1 se Mulher, 0 se é Homem
mulher
Nacionalidade:
1 se Imigrante, 0 se é Português
imig
Variáveis Dummy para a Educação
Escolaridade:
Sem Educação = 1 se o indivíduo não tem nenhum grau de
educação, 0 se não
Educação Básica = 1 se o indivíduo tem educação básica completa,
0 se não
Educação Secundária = 1 o indivíduo tem educação secundária
completa, 0 se não
Educação Pós-Secundária = 1 o indivíduo tem educação pós-
secundária completa, 0 se não
Educação Superior = 1 o indivíduo tem educação superior
completa (pelo menos licenciatura), 0 se não
Bacharelato = 1 o indivíduo tem bacharelato, 0 se não
Licenciatura = 1 o indivíduo tem licenciatura, 0 se não
Mestrado = 1 o indivíduo tem mestrado, 0 se não
Doutoramento = 1 o indivíduo tem doutoramento, 0 se não
sem_educ
edbasic
edsec
edpsec
edsup
educ_bach
educ_lic
educ_mes
educ_dou
21 Os códigos apresentados na idade, na classificação portuguesa das profissões (CPP) e nos setores de atividade económica (CAE) são os códigos originais dos Quadros de Pessoal, os restantes, foram variáveis geradas e os códigos foram atribuídos pela autora.
58
(continuação da tabela 10)
Escolaridade por área de formação
Ciências Sociais e do Comportamento = 1 se individuo tem
formação nesta área (pelo menos licenciatura), 0 se não
Ciências Empresarias = 1 se individuo tem formação nesta área
(pelo menos licenciatura), 0 se não
Informática = 1 se individuo tem formação nesta área (pelo menos
licenciatura), 0 se não
Engenharia e Técnicas afins = 1 se individuo tem formação nesta
área (pelo menos licenciatura), 0 se não
ed_csocias
ed_cemp
ed_inf
ed_eng
Variáveis Dummy para Profissão (CPP)
CPP:
Diretores e Executivos = 1 se indivíduos têm esta profissão, 0 se
não
Especialistas = 1 se indivíduos têm esta profissão, 0 se não
Técnicos = 1 se indivíduos têm esta profissão, 0 se não
Trabalho administrativo = 1 se indivíduos têm esta profissão, 0 se
não
Serviços pessoais e de segurança = 1 se indivíduos têm esta
profissão, 0 se não
Atividades de agricultura = 1 se indivíduos têm esta profissão, 0 se
não
Atividades de indústria, construção e artificies = 1 se indivíduos
têm esta profissão, 0 se não
Operadores de instalações, máquinas e montagens = 1 se
indivíduos têm esta profissão, 0 se não
Trabalhadores manuais qualificados = 1 se indivíduos têm esta
profissão, 0 se não
𝑝𝑟𝑜𝑓1
𝑝𝑟𝑜𝑓2
𝑝𝑟𝑜𝑓3
𝑝𝑟𝑜𝑓4
𝑝𝑟𝑜𝑓5
𝑝𝑟𝑜𝑓6
𝑝𝑟𝑜𝑓7
𝑝𝑟𝑜𝑓8
𝑝𝑟𝑜𝑓9
59
(continuação da tabela 10)
Variáveis Dummy por tipo de tarefas desempenhadas
Tarefas:
Abstrata = 1 se indivíduo realiza este tipo de tarefas numa dada
empresa, 0 se não
Rotineira = 1 se indivíduo realiza este tipo de tarefas numa dada
empresa, 0 se não
Rotineira Manual = 1 se indivíduo realiza este tipo de tarefas
numa dada empresa, 0 se não
Rotineira Cognitiva = 1 se indivíduo realiza este tipo de tarefas
numa dada empresa, 0 se não
Manual = 1 se indivíduo realiza este tipo de tarefas numa dada
empresa, 0 se não
abstrata
rotineira
rot_manual
rot_cognitiva
manual
Variáveis Empresas
Variáveis Dummy por setor de atividade (CAE)
CAE a 2 dígitos (caemp2d)
Primário = 1 se empresa pertence a este setor, 0 se não
Indústrias Transformadoras = 1 se empresa pertence a este setor, 0
se não
Eletricidade, gás e água = 1 se empresa pertence a este setor, 0 se
não
Construção = 1 se empresa pertence a este setor, 0 se não
Comércio por grosso e retalho = 1 se empresa pertence a este
setor, 0 se não
Alojamento, restauração e similares = 1 se empresa pertence a este
setor, 0 se não
Transporte e comunicações = 1 se empresa pertence a este setor, 0
se não
Bancos = 1 se empresa pertence a este setor, 0 se não
Consultoria, científicas e técnicas afins = 1 se empresa pertence a
este setor, 0 se não
A, B
C
D, E
F
G
I
H, J
K
M
Atividades administrativas = 1 se empresa pertence a este setor, 0
se não
Outros = 1 se empresa pertence a outros setores, 0 se não
N
W
60
(continuação da tabela 10)
Variáveis Dummy para regiões das empresas (NUT II)
Regiões NUT II:
Norte = 1 se empresa se situa nesta região, 0 se não
Centro = 1 se empresa se situa nesta região, 0 se não
Lisboa = 1 se empresa se situa nesta região, 0 se não
Alentejo = 1 se empresa se situa nesta região, 0 se não
Algarve = 1 se empresa se situa nesta região, 0 se não
Ilhas (Madeira e Açores) = 1 se empresa se situa nesta região, 0 se
não
Estrangeiro = 1 se empresa se situa nesta região, 0 se não
(categoria omitida)
norte
centro
lisboa
alentejo
algarve
ilhas
estrangeiro
Variáveis Dummy para tamanho da empresa
ME, PME e GE:
ME = 1 se empresa tem menos de 10 trabalhadores, 0 se não
PME = 1 se empresa tem 10 ou mais trabalhadores e menos de
250 trabalhadores, 0 se não
GE = 1 se empresa tem 250 ou mais trabalhadores, 0 se não
me
pme
ge
61
Anexo 6 - % de trabalhadores por nível de escolaridade por área de formação
Tabela 11 - Percentagem de trabalhadores para cada nível de escolaridade por área de formação (tabela criada pela autora com apoio nos QP)
Ano Bacharelato Licenciatura Mestrado Doutoramento
Ciê
nci
as S
oci
ais
e d
o
Co
mp
ort
amen
to
2007 0,07% 0,85% 0,04% 0,01%
2008 0,06% 0,90% 0,05% 0,01%
2009 0,06% 0,97% 0,05% 0,01%
2010 0,06% 1,04% 0,06% 0,01%
2011 0,06% 1,05% 0,07% 0,01%
2012 0,06% 1,11% 0,08% 0,01%
Ciê
nci
as E
mp
resa
riai
s 2007 0,49% 1,79% 0,10% 0,01%
2008 0,46% 1,93% 0,11% 0,01%
2009 0,45% 2,10% 0,12% 0,01%
2010 0,43% 2,34% 0,13% 0,01%
2011 0,42% 2,44% 0,15% 0,01%
2012 0,42% 2,63% 0,19% 0,01%
Info
rmát
ica
2007 0,07% 0,36% 0,03% 0%
2008 0,07% 0,41% 0,03% 0%
2009 0,08% 0,44% 0,03% 0%
2010 0,08% 0,50% 0,04% 0%
2011 0,08% 0,53% 0,05% 0%
2012 0,08% 0,60% 0,06% 0%
En
gen
har
ias
e
Téc
nic
as a
fins
2007 0,52% 1,45% 0,08% 0,02%
2008 0,50% 1,64% 0,09% 0,02%
2009 0,48% 1,80% 0,12% 0,02%
2010 0,46% 1,97% 0,15% 0,02%
2011 0,43% 2,02% 0,20% 0,02%
2012 0,42% 2,10% 0,23% 0,02%
62
Anexo 7 – Nomenclatura das CAE
Tabela 12 – Nomenclatura organizada das CAE (tabela organizada pela autora)
A+B Atividades Primárias
C Indústrias Transformadoras
D+E Eletricidade, gás, vapor e água
F Construção
G Comércio por grosso e retalho
H Transportes e armazenamento
K Atividades financeiras e de seguros
M Atividades de consultoria, científicas, técnicas e similares
N Atividades administrativas e de serviços de apoio
I+J+L+O+P+Q+R+S+T+U=W Outras atividades
63
Anexo 8 – Tarefas por ocupação dos trabalhadores
Tabela 13 – Atribuição das tarefas conforme ocupação dos trabalhadores (tabela criada pela autora com apoio no artigo de Tiago Fonseca, Francisco Lima e Sónia C. Pereira (2018))
CNP Descrição Tarefa
Diretores e Executivos
11+12+13 Diretores e Gestores Executivos Abstrata
Especialistas e Técnicos
21 Especialistas em ciências físicas,
matemáticas, engenharias e técnicas afins
Abstrata
22 Profissionais de Saúde Abstrata
23 Professores Abstrata
24 Especialistas em Finanças, Contabilidade,
Organização, Administrativa, Relações Públicas
e Comerciais
Abstrata
25 Especialistas em Tecnologias de Informação
e Comunicação (TIC)
Abstrata
26 Especialistas em assuntos jurídicos, sociais,
artísticos e culturais
Abstrata
31 Técnicos e profissões das Ciências e
Engenharia, a nível intermédio
Abstrata
32 Técnicos e Profissionais, de nível intermédio
de saúde
Abstrata
33 Técnicos das áreas financeiras,
administrativa e dos negócios, a nível
intermédio
Abstrata
34 Técnicos de nível intermédio dos serviços
jurídicos, sociais, desportivos, culturais e
similares
Rotineira (Cognitiva)
35 Técnicos das tecnologias de informação e
comunicação
Abstrata
Trabalho Administrativo
41 Empregados de escritório, secretários em
geral e operadores de processamento de dados
Rotineira (Cognitiva)
42 Pessoal de apoio direto a clientes Rotineira (Cognitiva)
64
(continuação da tabela 13)
43 Operadores de dados, de contabilidade,
estatística, de serviços financeiros e
relacionados com o
registo
Rotineira (Cognitiva)
44 Outro pessoal de apoio de tipo
administrativo
Rotineira (Cognitiva)
Serviços Pessoais e de Segurança
51 Trabalhadores dos serviços pessoais Manual
52 Vendedores Rotineira (Cognitiva)/
Rotineira (Manual)/ Manual22
53 Trabalhadores dos Cuidados Pessoais e
similares
Manual
54 Pessoal dos serviços de proteção e segurança Manual
Agricultura
61 Agricultores e trabalhadores qualificados da
agricultura e produção animal, orientados para
o mercado
Manual
62 Trabalhadores qualificados da floresta, pesca
e caça, orientados para o mercado
Manual
Indústria, Construção e Artífices
71 Trabalhadores qualificados da construção e
similares, exceto eletricista
Manual
72 Trabalhadores qualificados da metalurgia,
metalomecânica e similares
Manual
73 Trabalhadores qualificados da impressão, do
fabrico de instrumentos de precisão, joalheiros,
artesãos e similares
Rotineira (Manual)
74 Trabalhadores qualificados em eletricidade e
em eletrónica
Rotineira (Manual)
22 Segundo o artigo de Tiago Fonseca, Francisco Lima e Sónia C. Pereira (2018), a ocupação 52 pode representar três tipos de tarefas (rotineira cognitiva, rotineira manual e manual) consoante o tipo de vendedores (representantes de vendas, trabalhadores de caixa e outros, respetivamente). Para facilitar a atribuição de tarefas a cada tipo de ocupação, optou-se por omitir esta variável.
65
(continuação da tabela 13)
75 Trabalhadores da transformação de
alimentos, da madeira, do vestuário e outras
indústrias e artesanato
Rotineira (Manual)
Operadores de Instalações e Máquinas e Trabalhadores de Montagem
81 Operadores de instalações fixas e máquinas Rotineira (Manual)
82 Trabalhadores da montagem Rotineira (Manual)
83 Condutores de veículos e operadores de
equipamentos móveis
Manual
Trabalhadores Manuais Qualificados
91 Trabalhadores de limpeza Manual
92 Trabalhadores não qualificados da
agricultura, produção animal, pesca e floresta
Manual
93 Trabalhadores não qualificados da indústria
extrativa, construção, indústria transformadora
e transportes
Manual
94 Assistentes na preparação de refeições Manual
95 Vendedores ambulantes (exceto de
alimentos) e prestadores de serviços na rua
Manual
96 Trabalhadores dos resíduos e de outros
serviços elementares
Manual
66
Anexo 9 – Definição das variáveis geradas e utilizada na secção III.5
Tabela 14 – Definição das variáveis geradas e utilizadas pela autora para regressão Probit
Variável Código23
Variáveis para a Empresa
Idade – média de idades por empresa
idade
𝑖𝑑𝑎𝑑𝑒2
Mulher – percentagem de mulheres por empresa
pmulher
Imigrantes – percentagem de imigrantes por empresa
pimig
Escolaridade:
Educação Básica – percentagem de trabalhadores com ensino
básico por empresa (variável omitida)
Educação Secundária – percentagem de trabalhadores com ensino
secundário por empresa
Educação Pós-Secundária – percentagem de trabalhadores com
ensino pós-secundário por empresa
Educação Superior – percentagem de trabalhadores com ensino
superior por empresa
pedbas
pedsec
pedpsec
pedsup
23 Códigos atribuídos pela autora.
67
(continuação da tabela 14)
Profissão:
Diretores e Executivos – percentagem de indivíduos com esta
profissão por empresa
Especialistas – percentagem de indivíduos com esta profissão por
empresa
Técnicos – percentagem de indivíduos com esta profissão por
empresa
Trabalho administrativo – percentagem de indivíduos com esta
profissão por empresa
Serviços pessoais e de segurança – percentagem de indivíduos com
esta profissão por empresa
Atividades de agricultura – percentagem de indivíduos com esta
profissão por empresa (categoria omitida)
Atividades de indústria, construção e artificies – percentagem de
indivíduos com esta profissão por empresa
Operadores de instalações, máquinas e montagens – percentagem
de indivíduos com esta profissão por empresa
Trabalhadores manuais qualificados – percentagem de indivíduos
com esta profissão por empresa
𝑝𝑝𝑟𝑜𝑓1
𝑝𝑝𝑟𝑜𝑓2
𝑝𝑝𝑟𝑜𝑓3
𝑝𝑝𝑟𝑜𝑓4
𝑝𝑝𝑟𝑜𝑓5
𝑝𝑝𝑟𝑜𝑓6
𝑝𝑝𝑟𝑜𝑓7
𝑝𝑝𝑟𝑜𝑓8
𝑝𝑝𝑟𝑜𝑓9
Variáveis Dummy para regiões das empresas (NUT II)
Regiões NUT II:
Norte = 1 se empresa se situa nesta região, 0 se não
Centro = 1 se empresa se situa nesta região, 0 se não
Lisboa = 1 se empresa se situa nesta região, 0 se não
Alentejo = 1 se empresa se situa nesta região, 0 se não
Algarve = 1 se empresa se situa nesta região, 0 se não (variável
omitida)
Ilhas (Madeira e Açores) = 1 se empresa se situa nesta região, 0 se
não
dnorte
dcentro
dlisboa
dalentejo
dalgarve
dilhas
68
(continuação da tabela 14)
Variáveis Dummy por tamanho da empresa
ME, PME e GE:
ME = 1 se empresa tem menos de 10 trabalhadores, 0 se não
(variável omitida)
PME = 1 se empresa tem 10 ou mais trabalhadores e menos de
250 trabalhadores, 0 se não
GE = 1 se empresa tem 250 ou mais trabalhadores, 0 se não
dme
dpme
dge