2.1 Factores asociados al desempleo

Siguiendo el trabajo desarrollado por ^{Cárdenas Hurtado et al. (2015)} para el análisis de la heterogeneidad en el mercado de trabajo en Colombia, se realiza una selección de variables explicativas que influyen en la dinámica de las tasas de desempleo, para realizar el ejercicio exploratorio enfocado al departamento de Antioquia.

En este orden de ideas, las variables explicativas de los diferenciales de desempleo regional se pueden encuadrar, según ^{Elhorst (2003)}, en una serie de variables de carácter endógeno y exógeno. Las primeras se refieren a la estructura poblacional de las localidades y su dinámica en relación con los mercados de trabajo regionales, y las segundas aluden a factores que no están directamente relacionados con la fuerza de trabajo ni con los mecanismos que permiten alcanzar el equilibrio del mercado laboral, pero que sí tienen incidencia en él indirectamente. En general, se puede decir que tanto factores endógenos como exógenos son convergentes a la hora de explicar los fenómenos que se dan dentro del mercado laboral, y las diferenciaciones que se presentan entre una región y otra. Así, ^{Elhorst (2003)} reconoce las siguientes variables como determinantes de las condiciones del mercado laboral:

Estructura demográfica: esta agrupación incluye variables como la tasa de natalidad, la estructura de edad y otros indicadores demográficos relacionados como determinantes del tamaño de la oferta de trabajo a largo plazo (^{Biffl, 1998}; ^{Chawla et al., 2007}; ^{Lerman y Schmidt, 1999}). El desempleo puede ser más persistente en aquellas regiones donde la tasa de crecimiento poblacional supera la del empleo, común en regiones con bajos índices de desarrollo y altas tasas de natalidad (^{Elhorst, 2003}). Esto ocurre cuando la creación de empleo no sigue el ritmo del crecimiento laboral. Además, si la población se compone mayoritariamente de jóvenes y adultos mayores, la región es más propensa a tener altas tasas de desempleo (^{Lottmann, 2012}).

^{Biffl (1998)} señala que la tasa de dependencia demográfica no necesariamente representa la proporción de las personas económicamente inactivas respecto al capital humano activo y que, por ende, factores como la composición por sexo y edad, y las políticas focalizadas, pueden afectar la participación femenina y de personas mayores en el mercado laboral. ^{Lerman y Schmidt (1999)} destacan la tendencia global del incremento de la participación de la población de entre 55 y 70 años, aunque estos cambios al alza parecen poco probables, incluso un crecimiento moderado de los trabajadores de más edad aumentaría significativamente el crecimiento de la población activa en general y afectaría la dinámica de los mercados laborales en varias regiones. En los trabajos referenciados, se aclara que la tasa de dependencia demográfica no necesariamente representa la proporción de las personas económicamente inactivas respecto al capital humano activo. En este sentido, se deben considerar elementos como la composición por sexo y edad, dado que, según el contexto cultural y las políticas focalizadas, pueden inducir variabilidad en la dinámica del mercado de trabajo al influenciar en alguna medida la participación femenina y de los jóvenes.

Participación laboral: al considerar la relación de variables de participación en la explicación de las diferencias regionales de desempleo se han encontrado resultados heterogéneos. Generalmente, se espera una relación positiva (probablemente no lineal) entre el desempleo y las tasas de participación. No obstante, se ha comprobado que las tasas de desempleo más altas suelen ir acompañadas de tasas de participación bajas. En este sentido, surgen algunas explicaciones. Primero, las bajas tasas de participación podrían reflejar bajos niveles de inversión en capital humano y bajos niveles de compromiso con la vida laboral (^{Fleisher y Rhodes, 1976}). Además, las bajas tasas de participación femenina suelen explicarse por la presencia de niños en el hogar, lo que implica una necesidad de ajuste de la mano de obra femenina al momento de elegir entre tener una familia y seguir una carrera profesional (^{Martínez Gómez, 2013}). Finalmente, tasas de participación mayores que las tasas de ocupación también podrían generar mayores niveles de desempleo (^{Blundell y MaCurdy, 1999}).

Migración: la migración es un factor clave en las variables de participación, se ha reconocido que los flujos de migrantes en determinadas regiones y territorios tienen efectos sobre las tasas de participación y pueden acarrear un incremento en las tasas de desempleo. Siguiendo a ^{Pissarides y Wadsworth (1989)} y a ^{Blanchard y Katz (1992)}, los flujos de inmigrantes están estrechamente relacionados con las disparidades regionales en las condiciones del mercado laboral y el desempeño económico. Este efecto depende de las capacidades de capital humano y de infraestructura de la región. Si estas capacidades son fuertes, es probable que aumente la demanda de capital humano cualificado, ya que la productividad y la inversión tenderán a crecer (^{Eggert et al., 2010}; ^{Moretti, 2010}). Por el contrario, si las capacidades son bajas, la nueva población enfrentará desempleo de baja cualificación, ya que la demanda de este tipo de mano de obra no puede aumentar al mismo ritmo que la oferta (^{Walden, 2012}). Particularmente, en el caso colombiano se destaca la movilidad de mano de obra entre regiones impulsada por las disparidades económicas (^{Barón-Rivera, 2011}).

Las interrelaciones entre el desempleo y la migración se han estudiado extensamente. La inmigración puede aumentar el desempleo de los nativos que compiten directamente con los inmigrantes a corto plazo, pero sus efectos son insignificantes para la región receptora a largo plazo (^{Borjas, 2018}). En regiones emisoras, la posibilidad de emigrar eleva las demandas salariales, perpetuando el diferencial de desempleo interregional (^{Bhagwati y Hamada, 1974}; ^{Uhlig, 2006}). La inmigración puede reducir el desempleo nativo, ya que las empresas crean más puestos de trabajo (^{Ortega, 2000}). El nivel de cualificación también afecta al desempleo, los trabajadores cualificados tienden a trasladarse a otra región, mientras que los no cualificados tienden a abandonar la población activa (^{Mauro y Spilimbergo, 1999}).

Costos de transporte: los costos de desplazamiento son el resultado de las recientes suburbanizaciones observadas en la mayoría de las ciudades o regiones del mundo, y de la falta de sistemas de transporte eficientes (factor con mayor peso en los países en desarrollo o de ingresos bajos y medios). Se ha demostrado que los largos tiempos de desplazamiento y las grandes distancias entre las empresas y los centros suburbanos tienen efectos significativos en la duración del desempleo y en el desajuste del mercado laboral.

Salarios: el aumento de los salarios suele tener un efecto positivo en la oferta de trabajo y un efecto negativo en la demanda de trabajo. En los modelos sin fricciones, los salarios son el resultado del equilibrio del mercado de trabajo, hablándose en este caso de un desempleo voluntario. No obstante, las diferencias salariales entre regiones también se han entendido como consecuencia de las fricciones de movilidad entre regiones o ciudades, tanto de mano de obra como de empresas. Además, los salarios sirven como medida de la productividad, llevando a que diferenciales salariales entre regiones puedan deberse a diferencias en las capacidades productivas de dichas zonas.

Crecimiento regional: las regiones con buenos resultados económicos suelen presentar bajas tasas de desempleo y buenos indicadores de productividad. Este resultado puede englobarse en el concepto conocido como la ley de Okun (^{Okun, 1962}), que señala una correlación existente entre el desarrollo económico y los cambios en la tasa de desempleo.

Potencial de mercado: los factores de localización son importantes para la dinámica del mercado laboral; las empresas tienden a establecerse en regiones donde hay potencial de crecimiento de las ventas y perspectivas estables de consumo de los hogares (entre otros factores de decisión). En consecuencia, puede esperarse que las tasas de desempleo sean menores en esas regiones. Adicionalmente, algunos planteamientos sostienen que la innovación desempeña un papel fundamental en la reducción del desempleo, ya que los sectores innovadores atraen mano de obra cualificada y tienen efectos multiplicadores sobre el empleo en otros sectores.

Estructura económica: las regiones con una estructura productiva diversificada pueden verse menos afectadas por las perturbaciones sectoriales y, por lo tanto, mostrarán menores tasas de desempleo a lo largo del ciclo económico. Este hecho ha sido ampliamente comprobado en investigaciones empíricas. En otras palabras, una estructura productiva con mayor número de sectores podría sugerir mayor grado de absorción y movilidad de fuerza de trabajo.

Barreras económicas y sociales: se trata de variables económicas y sociales no observables que desincentivan la movilidad de la mano de obra entre regiones o ciudades y, por tanto, actúan como fricciones en los mercados laborales regionales. Las fricciones en los mercados inmobiliarios, los programas de bienestar y seguridad social, y la rigidez general de mercados laborales son algunas de las variables de este grupo.

Educación: los niveles de educación más altos reducen el riesgo de desempleo, aumentan la probabilidad de obtener mayores salarios y promueven la movilidad laboral entre regiones. Estudios empíricos han demostrado que el alto capital humano afecta indirectamente a la población menos educada en el mercado laboral. Aunque la calidad general de las competencias laborales no se limita al promedio de años de escolaridad, este indicador está negativamente correlacionado con la tasa de desempleo regional (^{Eggert et al., 2010}). Sin embargo, ^{Castillo-Robayo y García-Estévez (2019)} señalan que, a pesar de que la educación es un factor clave en la consecución de empleos formales, esto no garantiza automáticamente el empleo, especialmente entre la población joven. Estudios demuestran que, a pesar de tener buena formación, los jóvenes enfrentan altos niveles de desempleo o subempleo debido a la falta de oportunidades adecuadas. Según ^{Eggert et al. (2010)}, esta problemática lleva a la “fuga de cerebros”, concepto que explica la razón de que individuos altamente cualificados tienden a emigrar en busca de mejores oportunidades fuera de su región. En síntesis, la educación sí representa mayores posibilidades de empleabilidad, pero está condicionada por el nivel de desarrollo de las regiones, es decir que, en la mayoría de los casos, según las condiciones del mercado laboral de estas, se provocan distorsiones en la decisión de invertir en educación o no.

Sindicalización: desde un punto de vista teórico, el poder de negociación de los sindicatos ha sido tratado como una distorsión que desvía el mercado laboral de su equilibrio competitivo. De esta manera, se ha comprobado que la sindicalización está correlacionada con una menor dinámica de la demanda de mano de obra en los sectores sindicalizados y que también es una variable que influye en el mecanismo de fijación de los salarios.

Tasa de desempleo natural regional y persistencia: algunos autores sostienen que las diferencias en las tasas de desempleo regionales se deben a la persistencia y a la falta de convergencia entre los mercados de trabajo regionales (^{Brunello et al., 2000}; ^{Gomes y da Silva, 2009}; ^{Lanzafame, 2010}). La hipótesis de la tasa natural afirma que el desempleo solo puede desviarse de su nivel a largo plazo si se producen cambios estructurales, como en la composición de la cuota de mercado o choques de productividad. Este enfoque ha sido tratado a menudo como un problema puramente estadístico, por lo que ha sido ampliamente explorado en estudios empíricos donde se han identificado en el largo plazo dos importantes determinantes de brechas económicas regionales, uno asociada a la geografía y el otro al capital humano, en particular, asumido desde la calidad de la educación.

Es importante aclarar que en este apartado se listan los determinantes mencionados en el trabajo de referencia (^{Cárdenas Hurtado et al., 2015}), pero para el caso de Antioquia la limitación de datos hace que las categorías relacionadas con la sindicalización y la tasa de desempleo natural no se puedan capturar a través de variables observables. Si bien la Encuesta de Calidad de Vida del departamento recoge información relacionada con el mercado de trabajo, la estructura de datos se queda limitada para estos componentes.

En resumen, la literatura ha sugerido ampliamente las dimensiones que pueden tener relación con las tasas de desempleo a la hora de explicar su variabilidad entre regiones. Sin embargo, en la medida en que se desagrega la información a nivel municipal, la evidencia es menos robusta e incluso es, por decirlo, inexistente.

4.1 Análisis Factorial Múltiple

El Análisis Factorial Múltiple (AFM), desarrollado por ^{Escofier y Pagès (1998)}, es un análisis de componentes principales ACP, adaptado al tratamiento de tablas de datos que busca representar una nube de puntos en un espacio de menor dimensión por medio de la descripción de varios grupos de variables. Los grupos de variables pueden surgir de la utilización conjunta de variables de diferente naturaleza, cuantitativas y cualitativas, del empleo de tablas que provienen de otras tres dimensiones o del manejo de un mismo conjunto de variables medidas en distintos periodos de tiempo (^{Abascal Fernández y Landaluce Calvo, 2002}; ^{Pagès, 2014}).

El AFM tiene como objetivo destacar los principales factores de variabilidad de los datos, equilibradamente descritos por diversos grupos de variables. Proporciona indicadores y gráficos similares a los análisis factoriales, permitiendo estudiar relaciones entre grupos, medir similitudes entre variables dentro y entre grupos, así como entre individuos en relación con los diferentes grupos de variables, entre otros aspectos.

La metodología del AFM se basa en el Análisis de Componentes Principales (ACP), donde se analizan tablas de datos, las cuales contienen J_c grupos o tablas de variables cuantitativas, J_q grupos o tablas de variables cualitativas (nominales) y J_o grupos o tablas de variables cualitativas (ordinales). El método se desarrolla en dos etapas:

Primero, se analiza cada grupo de variables o subtabla por separado, mediante un ACP para cada uno de los J_c y se realiza un análisis de correspondencias múltiples (ACM) para cada uno de los J_q y J_o.

En segundo lugar, se realiza un análisis global, donde se analiza la tabla yuxtapuesta X que toma la estructura que se muestra en la Figura 2. El análisis global es un ACP(X, M,D) donde las matrices X, M y D se estructuran así (^{Escofier y Pagès, 1998}):

X, es una matriz de datos transformados.

M, es una matriz de métrica.

donde M^Jc es la matriz de métrica para los conjuntos de variables cuantitativas conformada por los J_c bloques.

D es la matriz de pesos.

Fuente: adaptada de ^{Escofier y Pagès (1998)}.

Figura 2 Tabla de variables 

Cada subtabla ha sido ponderada por el inverso del primer valor propio del ACP. Esta ponderación equilibra el peso de los grupos en la obtención del primer factor. En este sentido, hay que señalar que, para las variables continuas, el AFM se comporta como un Análisis en Componentes Principales (ponderando las variables); para las variables nominales se comporta como un Análisis de Correspondencias Múltiples (ponderando las modalidades (^{Abascal Fernández y Landaluce Calvo, 2002}; ^{Escofier y Pagès, 1998}; ^{Pagès, 2014}).

4.2 Clúster

El análisis de clúster ayuda a visualizar e identificar patrones en los datos que contienen muchas variables, ayudando a clarificar relaciones en sistemas complejos. Para ello, la combinación de variables homogéneas en grupos reduce la dimensionalidad del sistema, elimina información redundante y propicia estructuras más simples de analizar. El clustering es un término general para métodos no supervisados que agrupan observaciones en función de su similitud (^{Abdi et al., 2013}; ^{Kassambara, 2017}). En la literatura existen muchas propuestas de clustering, que se pueden resumir en diversas categorías, de acuerdo con el criterio que se maneje, entre las más usadas se encuentran los procesos exclusivos y no exclusivos, los secuenciales y simultáneos, los jerárquicos y no jerárquicos, los aglomerativos y divisivos, los politéticos y monotéticos, los entrópicos y no entrópicos y los de agrupamientos descriptivos o sinópticos, entre otros (^{Johnson y Wichern, 2007}).

Uno de los enfoques más populares es el clustering k-means, perteneciente a los procesos jerárquicos, en el cual las observaciones se agrupan en k clústeres con la mínima variación dentro de cada clúster. Aunque existen muchas variaciones y algoritmos de k-means, el método original minimiza la suma de cuadrados dentro de los grupos (SCDG) para todas las variables, que es equivalente a la suma ponderada de las varianzas en los grupos:

Donde x_ijk es el valor de la variable j en el elemento i del clúster k, y x_jk es la media del clúster k. El criterio se define entonces como:

Con n_k siendo el número de elementos del clúster k y s² _jk la varianza de la variable j en dicho clúster. La varianza de cada variable en cada clúster es claramente una medida de heterogeneidad del grupo y al minimizar las varianzas de todas las variables en los grupos se obtienen clústeres homogéneos.

6.1 Resultados por dimensiones

El ACP aplicado descompone la inercia total de análisis. Los valores propios del análisis factorial se ilustran en la Figura 3, estos valores deben observarse en función del número de grupos de variables y de los valores propios de los análisis individuales. En el caso de los primeros cuatro valores propios, que son mayores a 1, significa que estos factores son elementos comunes a ciertos conjuntos de grupos y, por lo tanto, representan una dirección de inercia importante para esos conjuntos.

Fuente: elaboración propia.

Figura 3 Valores propios - Análisis Factorial Múltiple 

La Tabla 1 muestra la contribución porcentual de los principales factores calculados a la varianza total de los datos.

Se puede observar que la primera dimensión explica un 47,7% de la variabilidad total de toda la heterogeneidad, la dimensión 2, 3 y 4 explican un 11,41%, 7,02% y 4,61%, respectivamente.

En la Tabla 2 se resume la información relacionada con la contribución de los grupos de variables definidos sobre los factores calculados.

Se observa que los bloques de variables que más peso tienen en la dimensión 1 son los aspectos educativos. Edu_c (7,38) relacionada con la cobertura en educación básica, media y superior, acceso a internet y presencia y oferta de instituciones de educación privada. Edu_f2 (7,08), Edu_f3 (7,43) y Edu_f4 (7,55), relacionadas con la educación de la población ocupada e inactiva, asociado a la acumulación de capital humano en los grandes centros urbanos y Wag_c, relacionado con los salarios, este componente de denominará Capital Humano.

En la dimensión 2, las características más importantes están relacionadas con factores demográficos: la distribución poblacional (Demo_c), con una alta presencia de población afrodescendiente (14,7); la distribución etaria de las mujeres (Demo_f2), vinculada a la población dependiente femenina, jóvenes o de avanzada edad (12,51); y la participación (Part_f1 (8,91) y Part_f2 (9,17)), principalmente sobre el estado civil. Esta dimensión se denominará Configuración Demográfica. La Figura 4 muestra la distribución gráfica de las dimensiones 1 y 2 en relación con cada grupo.

Fuente: elaboración propia.

Figura 4 Correlación entre grupos y dimensiones - Plano 1 y 2 

En la dimensión 3, que explica un 7,02% de la varianza total, el mayor peso corresponde a un factor de migración (Mig_c 21,43), seguido por factores relacionados con la educación de inactivos y desempleados (Edu_f3 10,75, Edu_f2 9,42 y Edu_f1 10,31). Esta dimensión está directamente vinculada a la migración interna entre municipios y hacia las capitales o municipios más grandes, motivada por la búsqueda de oportunidades educativas o laborales. Por tanto, esta dimensión se denomina Migración Intradepartamental.

La dimensión 4 explica un 4,61% de la variabilidad total y está influenciada por los factores Edu_f1 (27,72), Mig_c (15,27), Esbr_c (10,74) y Demo_c (9,71). Esta dimensión abarca la distribución de los desempleados por nivel educativo, la migración, los grupos étnicos y las barreras económicas en los municipios, sugiriendo dificultades de acceso al mercado laboral. Por ello, se define como Vulnerabilidad Social. La Figura 4 muestra la distribución gráfica de las dimensiones 3 y 4 en relación con los grupos que los conforman.

En el análisis factorial realizado no se incluyó la tasa de desempleo entre las variables de análisis, para evitar sesgar los resultados. El objetivo es verificar si la distribución de los municipios a lo largo de las dimensiones identificadas muestra algún patrón relacionado con las tasas de desempleo, que pueda asociarse con los determinantes descritos en la literatura, aproximados por las variables mencionadas. Para ello, se proyectaron los municipios en los planos de los factores calculados y se realizó un análisis de conglomerados.

6.2 Resultados por municipio

Se proyectará ahora los municipios sobre los planos formados por pares de factores. Estas proyecciones permiten explorar la heterogeneidad de una nube de municipios, permitiendo analizar la estructura de inercia de nubes separadas de municipios (Figura 5).

Fuente: elaboración propia.

Figura 5 Representación de los municipios - Plano 1 

Los municipios proyectados a lo largo de la primera dimensión están ordenados de acuerdo con las capacidades de capital humano en relación con los aspectos educativos, como cobertura en educación básica, media y superior, acceso a internet, presencia de instituciones educativas privadas, distribución de la población inactiva asociada al capital humano y salarios. En el lado positivo del eje se identifican municipios con altos niveles de capital humano, oferta educativa y mejores salarios, como Envigado, Sabaneta, Itagüí, Medellín, Caldas, Copacabana, Bello, La Estrella, Rionegro y La Ceja. Estos municipios se caracterizan por una elevada cobertura educativa, gracias a la presencia de universidades públicas y privadas, un mayor acceso a internet, una amplia oferta de instituciones de educación básica y media, tanto públicas como privadas, así como centros de formación para el trabajo, entre otros factores. Esto refleja la centralidad del departamento de Antioquia, aunque no necesariamente se traduce en bajas tasas de desempleo.

En contraste, los municipios con bajos índices de capital humano, salarios bajos y malas condiciones educativas se encuentran principalmente en la subregión de Urabá (Murindó, San Juan de Urabá, Vigía del Fuerte y Mutatá), en la subregión del Bajo Cauca (Nechí, El Bagre y Zaragoza), en la subregión de Occidente (Anzá) y en la subregión Norte (Valdivia y Briceño). Estos municipios son los que se proyectan en el lado más alejado a la izquierda del eje, como se muestra en la Figura 5. Cabe señalar que este estudio exploratorio no controla la calidad de la educación en los municipios de Antioquia, lo cual puede generar dudas sobre la interpretación de algunos resultados.

En relación con la segunda dimensión, relacionada a los factores demográficos, se observa que en el segundo cuadrante se encuentran la mayoría de los municipios de la subregión del Urabá y algunos del Bajo Cauca que poseen una alta presencia de población afrodescendiente y altas tasas de desempleo, posiblemente relacionadas a factores culturales y tasas de natalidad elevadas, lo que reduce la participación de las mujeres en el mercado laboral. En contraste, municipios cercanos a la centralidad, con poca presencia de población afrodescendiente y bajas tasas de desempleo, se ubican en el lado negativo del eje. Esto es consistente con el significado de este eje: municipios con altas (bajas) tasas de desempleo y una configuración demográfica particular (destacándose la población afrodescendiente, indígena y dependiente femenina) se encuentran en el lado positivo (negativo) del eje.

Las proyecciones para el primer plano principal son reveladoras y ofrecen una visión inicial de la estructura del mercado laboral en los municipios de Antioquia (Figura 5). La distancia de cada proyección al origen mide cuán promedio son los municipios a lo largo de estas dimensiones: cuanto mayor es la distancia, más diferentes son del resto de la muestra. En este plano se observan resultados interesantes, como Envigado, Sabaneta y Rionegro, proyectados en el cuarto cuadrante, con mano de obra altamente calificada y bajas tasas de desempleo en relación con su configuración demográfica. También se destaca el Municipio de Bello en el primer cuadrante, que posee mano de obra calificada, pero una alta tasa de desempleo según su configuración demográfica, lo que sugiere que la economía local no está demandando suficientes trabajadores educados y puede estar sesgada a otras actividades.

Analizando la tercera dimensión (Figura 6) en relación con la migración, municipios muy periféricos como Valdivia, Puerto Nare, Segovia y Murindó muestran altas tasas de emigración, donde la población busca oportunidades educativas o laborales en los centros económicos de la subregión o en el Valle de Aburrá. Mientras que, municipios como Guarne, La Unión, Guatapé, Girardota e Itagüí tienen bajas tasas de emigración, pero altos índices de inmigración. En esta dimensión se logra observar que la mayoría de los municipios se encuentran ubicados cerca al cero. Problemas como la violencia, bajos salarios, educación deficiente en todas las etapas escolares (a pesar de los esfuerzos de cobertura), mayores porcentajes de población joven sin compromiso marital, falta de oportunidades y una estructura económica débil que no absorbe trabajadores poco calificados ni ofrece suficientes oportunidades a los jóvenes, son las principales razones para la migración intradepartamental.

Fuente: elaboración propia.

Figura 6 Representación de los municipios - Plano 2 

En las proyecciones a lo largo de la cuarta dimensión, se encuentran municipios con un alto grado de vulnerabilidad social, tanto positiva como negativa. Entre los municipios con puntuaciones más bajas en esta dimensión negativa se encuentran: Remedios, Puerto Nare, Segovia, Carolina del Príncipe, Olaya y Nechí, que dependen principalmente de la extracción de minerales y minería. Por el otro lado, municipios con puntuaciones positivas incluyen a Nariño, Turbo, Urrao, Concordia y Betania, que tienen una vocación agrícola. En ambos extremos de la lista, estos municipios se destacan por tener variables con alta incidencia, como la distribución de los desempleados por nivel educativo, migración y barreras económicas y sociales, violencia, poca cobertura educativa, entre otras. En esta dimensión, los municipios con menores indicadores de vulnerabilidad social están más cercanos al cero, mientras que aquellos más alejados del cero muestran altas tasas de vulnerabilidad.

6.3 Resultados por clústeres

El análisis de clústeres revela una significativa heterogeneidad entre los municipios de Antioquia en términos de capital humano y configuración demográfica. Cada clúster tiene características únicas que reflejan las realidades socioeconómicas y demográficas de diferentes regiones. A continuación, se detallan algunos aspectos relevantes en términos de educación, salarios, distribución poblacional y demografía (Figura 7).

Fuente: elaboración propia.

Figura 7 Clúster de los municipios - Plano 1 

El clúster 1 (rojo) está compuesto principalmente por los municipios de la subregión del Urabá y Bajo Cauca, caracterizados probablemente por una baja cobertura educativa, limitado acceso a internet, alta presencia de población afrodescendiente y una distribución demográfica diversa. Además, estos municipios muestran salarios más bajos en comparación con otros clústeres. Este clúster refleja una región con grandes desafíos en la acumulación de capital humano y características demográficas particulares asociados a una población con alta dependencia económica, lo que lleva a un contexto con posiblemente bajas tasas de ahorro que afectan la inversión en capital físico y social. Además, se observa una baja participación femenina en el mercado de trabajo laboral, y estas economías dependen en gran medida de sectores primarios como la agricultura, minería y pesca.

El clúster 2 (verde) está compuesto por municipios del Magdalena Medio, Norte, Nordeste, Occidente y Suroeste antioqueño, caracterizados por presentar niveles intermedios de cobertura educativa y salarios. La distribución poblacional y etaria en estos municipios podría ser más homogénea en comparación con otros clústeres. Este clúster representa municipios con niveles moderados de capital humano y una configuración demográfica estable. La economía de estos municipios está centrada en el sector primario y puede ser una mezcla de minería y agricultura.

El clúster 3 (azul) está integrado en su mayoría por municipios del Valle de Aburrá y Oriente, el cual presenta altos niveles de cobertura educativa, acceso a internet y salarios más elevados. La acumulación de capital humano es significativa debido a la presencia de grandes centros urbanos, siendo estas aglomeraciones facilitadoras al momento de ofrecer servicios. En cuanto a su configuración demográfica, su distribución poblacional es diversa, con una alta presencia de población dependiente femenina. Este clúster refleja una región con un alto capital humano y una configuración demográfica compleja. La economía es predominantemente urbana e industrial, con alto potencial de mercado al tener grandes proyectos de infraestructura conectándola con diferentes puertos y mercados internos y externos de gran relevancia.

Por último, el clúster 4 (morado), está compuesto por los municipios de Medellín, Rionegro, Envigado y Sabaneta, caracterizados por tener una amplia cobertura educativa y salarios relativamente altos. La educación de la población inactiva también es considerable. La distribución etaria de las mujeres y la participación demográfica muestran una variedad de características. Este clúster representa una región en crecimiento con una buena acumulación de capital humano y diversidad demográfica. La economía es diversa, con un equilibrio entre industria, turismo y agricultura.

La Figura 8 muestra la distribución geográfica de los conglomerados y cómo varía la tasa de desempleo entre ellos. Si bien los gráficos de caja y bigotes muestran algún grado de solapamiento, se distingue una diferencia significativa en el comportamiento de la tasa de desempleo. El clúster 1 presenta una mediana intermedia con alta dispersión y valores extremos, lo que refleja una considerable heterogeneidad. Por otro lado, el clúster 2 tiene una menor variabilidad, con datos más concentrados cerca de la mediana. En cuanto a los clústeres 3 y 4, comparten una mediana similar, pero con diferencias notables en la dispersión. El clúster 3 exhibe una alta variabilidad y un sesgo negativo en su distribución, mientras que el clúster 4 muestra una menor dispersión, indicando una mayor uniformidad en las tasas de desempleo. Estos clústeres están geográficamente centrados en el departamento, donde se encuentran los municipios más desarrollados, lo que explica por qué muestran niveles medios de desempleo similares.

Fuente: elaboración propia.

Figura 8 Distribución de clúster departamental 

El clúster 2 abarca una variedad mayor de municipios, con un nivel de desempleo medio inferior a los antes mencionados. En este caso, tenemos municipios más rurales, con menor tasa de participación y posiblemente más informalidad. Entonces, si bien el indicador de desempleo es más favorable en este grupo, las condiciones de los trabajadores pueden ser de menor calidad que aquellas de los clústeres 3 y 4. En cuanto al clúster 1, geográficamente ubicado en el norte del departamento, muestra tasas de desempleo relativamente altas, pero no por fuera de lo observado en el resto del departamento. Estos patrones indican que, si bien los determinantes identificados y utilizados en el análisis se vinculan al desempleo, en relación con los clústeres parecen estar agrupando los municipios del departamento según características del mercado laboral que van más allá del desempleo, pero que resaltan las diferencias en las diferentes subregiones del departamento.