LOS ROLES DEL EMPLEADOR Y CARACTERÍSTICAS DEL EMPLEADO PARA LA

PRODUCTIVIDAD DE LA PLANTA

PEKKA ILMAKUNNAS pekka.ilmakunnas@hkkk.fi

Escuela de Economía de Helsinki, FIN-00101 Helsinki, Finlandia

MIKA MALIRANTA mika.maliranta@etla.fi

Instituto de Investigación de la Economía Finlandesa (ETLA), FIN-00120 Helsinki, Finlandia

JARI VAINIOMA¨ KI jari.vainiomaki@uta.fi

FIN-33014 Universidad de Tampere, Finlandia

Resumen
Las relaciones de las características del trabajador y la productividad son examinadas usando
un conjunto de datos emparejados trabajador-planta de fabricación finlandesa. Se utilizan los
datos de panel para la estimación de perfiles de productividad y salario según la edad media,
antigüedad, y la educación. Medimos con el multilateral factor total de productividad Índice
de productividad. Encontramos que excedan de los rendimientos de salario a la antigüedad
de la planta específica productividad devuelve cuando la antigüedad es alta. Este resultado
apoya la hipótesis de que capital humano no es la firma específica y antigüedad relacionada
con salarios se utilizan para incentivo razones, pero puede también ser un síntoma de
influencias clasificación o insider en salarios formación. Edad media de la planta mejora la
productividad más que aumentos salariales Cuando la edad promedio es baja, pero para las
edades mayores la productividad y el salario vuelve a edad son bastante similares. Los
retornos a la educación en términos de salarios y la productividad son bastante cerca uno del
otro para niveles más altos de educación, pero Educación de nivel medio es mal pagada.

Clasificación JEL: D240, J240, J310, L600

Palabras clave: productividad total de los factores, salarios, datos vinculados empleador-
empleado, características del trabajador

1. Introducción
Hay una creciente interacción de los campos de la economía industrial y laboral. Los
mercados de trabajo afectan el comportamiento de las empresas en sus mercados de
productos y producto desempeño del mercado se refleja en la formación de demanda y salario
de mano de obra. Examinamos un tema donde esta conexión es especialmente clara: la
productividad de las plantas. En uno mano, el tema interesante desde el punto de vista de la
economía industrial es como una puede explicar la heterogeneidad en la productividad de la
planta con el hecho de que la '' calidad '' de la fuerza de trabajo varía según las plantas. Para
estudiar esto, tenemos que vincular la información en empleados a los datos de la planta. Por
otro lado, desde el punto de vista del mercado laboral investigación, una cuestión interesante
es si la formación de la salarial se basa en la productividad o en consideraciones de
incentivos. Para examinar esto, tenemos que vincular la productividad de la planta y
información del salario a los datos de edad del empleado, tenencia y educación. La creación
y uso de datos emparejados empleador – empleado es esencial para el análisis de muchos
industrial y mercado de trabajo cuestiones (véase, por ejemplo, Haltiwanger et al., 1999).
Sin embargo, el acceso a este tipo de información ha sidoraro. Una característica esencial d
elpresente trabajo es que tenemos tales empleador- empleado vinculado características de lo
s datos puede utilizarse para el análisis de productividad de la planta.
Hay varias teorías y argumentos sobre cómo las diferentes características de un trabajador
afectan su productividad y cómo esto se relaciona con su salario. Estos argumentos pueden
utilizarse como base para las hipótesis sobre la relación del nivel de planta productividad y
salario medio a las características del trabajador promedio. La edad y la experiencia de la
fuerza de trabajo son variables de control importante en modelos explicativos de la
productividad, si estas características varían considerablemente a través de las
plantas. Aunque existe una creencia generalizada en ese trabajo el rendimiento disminuye
con la edad, estudios psicológicos de nivel individual que se basan en evaluaciones de
desempeño o experimentos de laboratorio encontraron evidencia algo mixto (véase Waldman
y Avolio, 1986; McEvoy y Cascio, 1989). Se ha destacado que es esencial para tener también
en cuenta el efecto de la experiencia en este tipo de estudios, ya que los trabajadores de edad
pueden realizar muy bien en tareas que requieren experiencia (ver Warr, 1993). También en
la sabiduría económica convencional es que edad ralentiza el crecimiento de la productividad
de la economía, que conduce a un perfil de productividad edad cóncava. En el principio de
la carrera de trabajo de un empleado joven, sus aumentos de productividad rápida, tanto por
aprender por hacer y la capacitación en el trabajo. En la carrera más tarde, crecimiento de la
productividad frena y puede recurrir a una caída.. La influencia de la experiencia de cada
empresa, o antigüedad, en la productividad es menos clara. Habilidades son generales y no
específicos de la empresa, la productividad de un empleado debe ser tan alta después de un
interruptor de trabajo como antes de él. Arrendamiento corto debe entonces no reflejarse en
baja productividad, cuando se controla la edad de los empleados. Pero si las habilidades son
específicos de trabajo, los nuevos reclutas deben comenzar con baja productividad
independientemente de su experiencia anterior. La relación entre los perfiles de
productividad y salarios ha sido objeto de mucho debate en estudios teóricos y econométricos
(véase Hutchens, 1989, para un estudio de los temas). Modelos de capital humano específico
firme implican que en la carrera salarial excede la productividad marginal, pero el perfil de
productividad es más pronunciado que el perfil de salario para que en la posterior carrera
productividad supere el salario. Puesto que las habilidades específicas de la empresa en este
caso, la empresa paga los gastos de formación, que debe ser compensada por el perfil de
salario menos escarpado. Esto desalienta también la empresa de despedir a trabajadores con
experiencia. Si las habilidades no son específico firme pero general, el salario y perfiles de
productividad deben ser similares. Por otro lado, incentivo salarial modelos (véase, por
ejemplo, Lazear, 1998) sugieren que para mantener alta de incentivos de trabajo a la edad de
jubilación, los salarios en la carrera debe por debajo de la productividad marginal y en la
carrera más adelante encima de la productividad. Existen otros modelos que implican hacia
arriba inclinado antigüedad salarios perfiles en la ausencia de efectos de productividad
(véase, por ejemplo, Teulings y Hartog, 1998).

Partidos que ex post que buena sobreviven más tiempo y pueden ser puntos de apoyo a las
promociones. Los empleadores también pueden utilizar perfiles escarpados salario como
medio de clasificación de los trabajadores. Alta tasa de abandono los individuos tiene
incentivos para cambiar de empleo temprano, y los restantes tipos de baja tasa de abandono
tienen larga tenencias y altos salarios. El efecto de la tenencia en el salario también puede ser
relacionado con el poder de negociación de los iniciados, que puede garantizar aumentos
salariales constante que no están directamente relacionados con la productividad.
Especialmente en industrias de alto salario los insiders pueden extraer rentas de los nuevos
trabajadores. Por último, buscar modelos conducen a lo que los salarios altos se asocian con
más tiempo en el mercado laboral, desde que facilita una búsqueda más larga (véase, por
ejemplo, Manning, 2000). En el extremo, hay sólo buscar efectos sobre salario sin efectos
experiencia genuina basada en la productividad. En cualquier caso, los efectos de la tenencia
son menos relevantes en los modelos de búsqueda. Nuevos puestos de trabajo con una
antigüedad baja pueden resultar realmente de seleccionar ofertas de trabajo de alto salario.
El argumento de búsqueda implica que cuando ge está controlado, cada empresa antigüedad
tiene poco impacto en el salario. Otro impacto de las características personales de
productividad viene a través de la educación. Habilidades adquiridas en la educación antes
de la carrera de trabajo debe reflejarse en un perfil de productividad que se inicia en un nivel
superior sin educación. Es probable que habilidades adquiridas a través de la educación son
complementarias a la entrada de capital o tecnología. Cambio técnico puede ser sesgo de
habilidad, desde empleados educados pueden adaptarse más fácilmente al uso de nuevas
tecnologías (véase, por ejemplo, Bartel y Lichtenberg, 1987). Nueva tecnología es probable
que elevar la productividad de los más altamente educados que los menos educados. Para
evitar hacia arriba parciales productividad educación perfiles, por lo tanto es necesario tener
en cuenta la edad o año de cosecha de la planta. Hasta ahora, un problema importante en la
investigación sobre las conexiones de salarios y productividad a nivel micro ha sido la
dificultad de medir la productividad marginal de los individuos, aunque sus ingresos puede
ser medida con razonable precisión. Ha habido diferentes enfoques para medir perfiles de
edad-productividad en la economía (para estudios psicológicos, véase Waldman y Avolio,
1986; McEvoy y Cascio, 1989; Warr, 1993). Una es utilizar los datos sobre los salarios. Si
los salarios estuvieron relacionados directamente con la productividad, el perfil de edad-
ganancias también mediría el perfil de productividad. Sin embargo, esto es sólo en casos
especiales. La productividad apoderados que se han utilizado incluyen evaluaciones de
desempeño (Medoff y Abraham, 1980; Flabbi y Ichino, 2001), espera que el valor presente
de la indemnización de ciclo de vida como medida del valor presente esperado de la
productividad del ciclo de vida (Kotlikoff y Gokhale, 1992) y las tasas de la pieza que están
directamente relacionados con el comportamiento productivo (Shearer, 1996). Otra forma de
enfoque de que la cuestión es estudiar si la teoría sobre cada trabajador mantenga por
trabajador promedio a nivel de planta. Conjuntos de datos basados en el registro que
coincidan con la información sobre los empleados y sus empleadores proporcionan una forma
de medir y comparar los perfiles de salario y la productividad de los trabajadores. Hellerstein
y Neumark (1995), Hellerstein et al (1999) y Hægeland y Klette (1999) han utilizado
información sobre las acciones de los trabajadores en diferentes edades, educación, grupos
de etc. para modelar la calidad del trabajo en una función de producción estimada usando
datos a nivel de planta. Por esto estimar conjuntamente con una ecuación para el promedio
de los salarios, fueron capaces de comparar los perfiles de salario y productividad. CRE´pon
et al (2002) estiman que la influencia de las características del trabajador en la brecha de
productividad salario mediante un modelo de ecuación única.
En este trabajo, examinamos el efecto de los diversos componentes de capital humanos en la
productividad mediante el uso de datos del panel de la finlandesa plantas de fabricación que
se extiende con variables de medición de características del empleado así como las medidas
de características de las plantas. Nuestro enfoque difiere de la de Hellerstein y col. (1999) en
que usamos un índice de productividad (PTF) factor total multilateral en lugar de estimar una
función de producción. Además, utilizamos las características del trabajador promedio en
lugar de las acciones de los trabajadores en las diferentes categorías. La estructura del resto
del documento es como sigue. En la sección 2, presentamos nuestro enfoque para incorporar
la medición de la productividad calidad de trabajador y describir el índice de productividad
total de los factores que vamos a utilizar. Sección 3 se explica la construcción de los datos y
variables. A continuación presentamos en la estimación de la sección 4 resultados sobre los
modelos de planta factor total de productividad y salarios. Sección 5 incluye discusión sobre
algunos resultados suplementarios, y sección 6 concluye el papel.

2. Mano de obra, calidad, productividad y salario

Nuestro enfoque es diferente de la de Hellerstein y Neumark (1995), en. et al (1999) y

Hægeland y Klette (1999). Utilizan las acciones de los trabajadores en grupos de diferentes
características definidos por edad, educación, etc. para formar una calidad entrada de trabajo
ajustado que fue utilizado en la producción de Cobb-Douglas o translog funciones y
ecuaciones de salario. Los coeficientes estimados de las características de mano de obra Dile
directamente cómo las características afectan a la productividad marginal del trabajo y
salario. En cambio utilizamos una medida de productividad que tiene teóricamente deseable
propiedades y también da resultados empíricamente plausibles. Calculamos una multilateral
TFP índice y explicar con las características del medio empleado, como edad, antigüedad y
la educación, junto con las características de la planta, con el fin de examinar sus efectos de
productividad. Los resultados se comparan con los de las ecuaciones de salarios donde se
incluyen las mismas características de trabajador. La comparación se hace mediante el
cálculo de los retornos a las características del trabajador en términos de productividad y
salarios. En teoría, el impacto de las características del trabajador en la productividad y el
salario puede ser evaluado como sigue. Supongamos que una empresa elige su calidad de
mano de obra, es decir, la combinación de características del trabajador, óptimo. Las
ganancias de la firma son p pY ¼ wL rK, donde p es el precio, Y verdadero valor agregado,
entrada capital K, horario de trabajo L y w y r son los precios de entrada. La calidad del
trabajo fuerza q (este índice puede ser una función de varias características del trabajador)
afecta a la salida, pero también influye en los costos, ya que el salario promedio por trabajo
de más alta calidad es más alto: la función de producción es Y ¼ FðK; L; qÞ y el salario es
w ¼ wðqÞ. Maximización de beneficio con respecto a q implica la condición pðqY = qqÞ ¼
Lðqw = qqÞ, que puede ser escrito como pYðq lnY = qqÞ ¼ wLðq ln w = lnY qqÞ o ðq =
qqÞ = ð1 SÞ ¼ ¨ ðq ln w = qqÞ, donde 1 S es la proporción de ingresos de trabajo (que costo
es igual a compartir si los beneficios son cero).

Asumir primero que calidad de mano de obra afecta acapital y el trabajo neutral y la funció
n de producción es Y ¼eyqFðK; LÞ. Si la función de salarios tiene la forma w ¼ w0erq,
la condición anterior es y = ð1 SÞ ¼ r. Si se regresa lnY yln w en q, los efectos estimados
de las características deltrabajador en la producción y salario son y y r,respectivamente. Por
lo tanto, el impacto estimado de lacalidad de mano de obra en el logaritmo de la producció
ndebe ser dividido por la proporción de mano de obra antesde que se compara con el efecto
de la calidad de mano deobra en el logaritmo del salario. Por otro lado, si la entradade man
o de obra L es aumentada por la calidad de mano deobra, la mano de obra de calidad ajusta
da es L eyq 1/4 L y lafunción de producción es Y ¼ FðK; L Þ. La condición para la calidad
de trabajo óptima puede serescrita como ðq lnY = q ln L Þðq ln L = qqÞ = ð1 SÞ ¼ r y ¼.E
sto sigue puesto que cuando se maximizan los beneficioscon respecto a L, q lnY = q ln L es
igual a la proporción demano de obra. En este caso el cálculo del impacto de lascaracterísti
cas del trabajador sobre los logaritmos de laproducción y salarios son SÞy ð1 y r, respectiva
mente,
mientras que y y r deben ser comparados. Otra vezdebemos dividir el efecto estimado de la
calidad de mano deobra en lnY según la proporción de mano de obra.

La interpretación de los resultados de la estimacióndepende de si se supone aumentar la ma

no de obra oefectos de la calidad de trabajo neutral, pero en amboscasos la escala la estimac
ión de la proporción de mano deobra es necesario. Estos resultados sostienen para una
empresa que elige calidad de mano de obra para maximizar beneficios en un entorno estático.
Las desviaciones de la norma derivada, por lo tanto, dan una idea sobre otras consideraciones,
como incentivos o capital humano de cada empresa, en la fijación de los salarios.
Si examinamos la productividad por estimar una función de producción, encontramos varias
dificultades, como la elección de la forma funcional correcta, endogeneidad de entradas y los
problemas de errores en variables especialmente en la entrada de capital. También es bien
sabido que las funciones de producción de nivel de empresa o planta producen coeficientes
excesivamente bajas para la entrada de capital (por ejemplo, Griliches y Mairesse, 1998). Por
lo tanto, medir la productividad total de los factores directamente utilizando el índice
multilateral de productividad introducido por cuevas et al., (1982). Una gran ventaja de su
modelo es que permite la tecnología para no-neutral difieren entre las plantas y con el tiempo
en términos de los coeficientes de los términos de primer orden de la función translog.
Extendemos el modelo Cuevas et al., (1982) suponiendo que la entrada de mano de obra es
aumentada por un término de calidad, que luego forma parte de la diferencia tecnológica
entre plantas. TFP se calcula directamente y luego explicado por las características de la
planta también, por ejemplo, en Baily et al (1992). Extendemos este enfoque incluyendo
también las características del trabajador y concentrándose en las laderas de los perfiles de
productividad y salarios con respecto a estas características. Tenga en cuenta que '' la
productividad total de los factores '' se refiere a la producción de residual que no puede
explicarse por observado cantidades de mano de obra y capital, sin tomar en calidad de mano
de obra cuenta. El propósito es entonces el estudio cuánto de la residual se puede atribuir a
la calidad de mano de obra. La función de producción translog para la planta i en el año t está
dada por:
donde L ¼ expðyqitÞL es trabajo de calidad ajustada de entrada. La qit de calidad de mano
de obra será especificado a continuación en función de la edad media, la educación y la
experiencia de la fuerza de trabajo. Los subíndices i y t en algunos de los parámetros indica
los elementos específicos de planta y tiempo de la tecnología. La asunción de constante
vuelve a escala implica el parámetro restricciones bKit þ bLit ¼ 1; bKL þ bKK ¼ 0 y bKL þ
bLL ¼ 0. Con estas limitaciones y utilizando la definición de la calidad ajustan entrada de
mano de obra L que la función de producción puede escribirse en la forma

Donde el término en el paréntesis de la derecha es igual a la proporción de mano de obra q

lnY = q ln L. Se procede mediante la formación de un índice de la TFP que medidas TFP en
planta i en el año t con respecto a las otras plantas y períodos de tiempo. Como se muestra
en cuevas et al (1982), asumiendo que la minimización de costos, es posible obtener de (2)
un índice multilateral de productividad cuando planta i en el año t es comparado con una
planta de referencia hipotética:
La productividad laboral de la planta de referencia se denota aquí y ~ = L ~ y la intensidad
de capital por K ~ = L ~. La planta de referencia se define por el medio geométrico de la
salida ðY ~ ðL entradas y Þ ~ y K ~ Þ en todas las plantas en todos los períodos. Formamos
la planta de referencia por separado para cada sector dos o tres dígitos (15 sectores). Sit es la
proporción de costo de capital de entrada en planta en el año t y S indica el porcentaje de
costo de capital promedio entre todas las plantas en una determinada industria en todo el
período. Como se muestra arriba, las acciones de trabajo que se utilizará para construir el
índice de la PTF pueden calcularse de las entradas de trabajo observado L y el salario
observado aunque este último puede reflejar calidad de mano de obra. Los detalles de la
construcción de las acciones de coste se dan en el Apéndice 2.

Este índice tiene la característica deseable que se basa en la función translog, es una
aproximación de segundo orden a la verdad, pero la tecnología desconocida. Si la verdadera
tecnología está translog, el índice es exacto, es decir, es un índice superlativo. El método
también permite que la tecnología subyacente variar entre empresas. Como destacado por
cuevas et al., (1982), el índice multilateral es especialmente útil para datos de panel ya que
trata a todas las empresas y periodos de tiempo simétricamente. Presentamos a continuación
en pruebas sección 4 KI que el índice TFP da resultados que son sensibles. Un inconveniente
del método es que se necesitan hipótesis bastante fuertes en el comportamiento del firme, es
decir, factores reciben sus productos marginales bajo condiciones de competencia. Nota, sin
embargo, que este supuesto se refiere a la optimización de la entrada de trabajo L, dada la
calidad de mano de obra q y salario w. Nuestro interés es examinar cómo la elección de la
firma de calidad de mano de obra se refleja en su productividad y el salario. Como siempre
en funciones de producción, las entradas pueden ser endógenas. Sin embargo, puesto que no
se estiman los parámetros de la función de producción, no es ningún problema de
endogeneidad en el sentido econométrico tradicional.
Nuestro objetivo es explicar el índice TFP (3) y los salarios medios por características de las
plantas y las características del trabajador incluidos en qit y forman parte de la planta y las
diferencias tecnológicas específicos de la planta. Debido a la forma logarítmica del índice de
TFP, esto también da el impacto de las características en el logaritmo de la producción,
después de los impactos del capital y el trabajo se ha tenido en cuenta. Puesto que el índice
se deriva de la función subyacente que exhibe trabajo aumento calidad efectos, podemos
interpretar las estimaciones como los coeficientes de las características del trabajador
multiplicados por el porcentaje de mano de obra. Tenga en cuenta que nos habíamos asumido
que trabajador características afectan producción neutral, el índice de calidad laboral
aparecería solamente en la constante b0. En este caso cuando las características del trabajador
se utilizan para explicar la TFP, directamente sería estimar su impacto en la producción. Sin
embargo, para hacer los resultados comparables a los resultados de la ecuación de salarios,
nos debemos otra vez escalarlos según la proporción de mano de obra.
Cuando retrocede la productividad y el salario promedio de planta de las características del
trabajador, es importante tener en cuenta que no es sólo el nivel promedio de la edad y
habilidades lo que importa. Las mismas características promedio pueden presentarse de muy
diferentes distribuciones de características entre los empleados. Supongamos, por ejemplo,
que todos los individuos tienen aumento similar y cóncavo perfiles salariales. Entonces una
cierta edad promedio con una variación de edad pequeña dentro de una planta corresponde a
un salario promedio más alto de la misma edad promedio con una variación de edad grande.
Desviaciones estándar u otras medidas de distribución dentro de la planta de las
características del trabajador, por tanto, pueden ser relevantes. El mismo argumento es
aplicable a la productividad. Otro argumento a favor de la inclusión de medidas de la
variabilidad de las características del trabajador se presenta si la ecuación de salarios de nivel
de la planta es considerada como una agregación de ecuaciones de salarios de Mincer de
nivel individual. Si la variable dependiente en las ecuaciones de nivel micro es el logaritmo
del salario y en la ecuación de nivel de planta el logaritmo del salario medio (más que el
promedio de salarios logarítmicos), puede ser necesario incluir términos de varianza en la
ecuación del nivel de la planta (véase Apéndice 1 y Bloom et al., 2002).
Por último, la productividad de una organización puede depender del eslabón en el proceso.
En el anillo '' o '' los trabajadores de la función de producción de diferentes calidades no se
puede sustituir por los demás. Por lo tanto, los trabajadores que tienen las mismas habilidades
será emparejado juntos (Kremer, 1993). Un impacto negativo de los términos de la desviación
estándar en la productividad podría ser consistente con la teoría del anillo o. Un impacto
positivo puede presentarse en organizaciones multiniveles donde la productividad se mejora
cuando hay trabajadores en varias categorías de habilidad, por ejemplo, alta habilidad de
supervisión y empleados de investigación y trabajadores manuales calificados inferiores.

3. Construcción de las Variables y fuentes de datos

Los códigos de identificación únicos para personas, empresas y plantas utilizan en diferentes
registros forma la columna vertebral de la red de registro finlandesa por el que se pueden
integrar diferentes fuentes de información convenientemente para propósitos de estadística.
El registro mercantil, estadísticas de empleo y estadísticas industriales son tres registros
básicos mantenidos por estadística de Finlandia que son relevantes para el ejercicio actual
construir un conjunto de datos del empleador – empleado vinculado. (Un análisis detallado
de la vinculación es presentado en un documento separado, Ilmakunnas et al., 2001).
El Registro Mercantil de la base de datos de estadística de Finlandia cubre todo registrado
los empleadores y las empresas y sus plantas. Incluye información sobre las clasificaciones
como industria y algunas variables básicas como ventas y empleo. Sin embargo, esta
información es insuficiente para los propósitos presentes, por lo que deben ser suplementado
de otras fuentes. El papel del negocio registro de nuestros datos es que mantiene la empresa
y planta de los códigos utilizados en nuestras otras fuentes de datos.
Las estadísticas industriales compilan anualmente amplia información sobre la actividad
económica de plantas de fabricación. Es nuestra principal fuente para las variables nivel de
planta como producción, empleo total y capital social. La serie de datos a nivel de planta de
las estadísticas industriales está disponible para el período 1975-1994. Esto cubre todas las
plantas de fabricación que tienen al menos cinco empleados. Después de 1994 hay una rotura
importante en las prácticas de colección de datos, que dicta el último año.
Las estadísticas industriales incluye una gran variedad de variables de salida y entradas de
las plantas. Medimos la producción con valor agregado, que se convierte en términos reales
usando el nivel de la industria (industrias de dos o tres dígitos 15) los índices implícitos de
precios obtenidos de las cuentas nacionales. Utilizamos horas reales trabajadas como la
medida de entrada de mano de obra. En cuanto a medidas de capital social, ellos no figuran
en los cuestionarios desde 1985. Las estimaciones de entrada capital fueron derivadas para
una gran mayoría de las plantas con un método de inventario perpetuo que hace uso de figuras
de inversión. Las inversiones se convierten en términos reales con deflactores implícitos de
precios obtenidas de las cuentas nacionales.
Se construyeron dos estimaciones: una para maquinaria y equipo y otra para edificios y
construcciones (véase Maliranta, 1997, para más detalles). Parece que la calidad de la
maquinaria y equipo de medida es superior a la de edificios y construcciones. Como los
servicios de capital del primero son sustanciales, maquinaria y equipo de la capital se prefiere
como un proxy de la entrada de capital total. El cálculo de las acciones de costo se explica
en el Apéndice 2. Otras variables de nivel de planta de las estadísticas industriales incluyen
ubicación geográfica, la proporción de las rentas pagadas al valor de la maquinaria, un
indicador de propiedad extranjera, las inversiones recientes y promedio de horas por
trabajador. También se incluyeron indicadores para plantas que van a desaparecer en tres
años y en un año.
Este es el efecto de "sombra de la muerte" sugerido por Griliches y Regev (1995).
Clasificamos las plantas a grupos según su edad. Formamos seis grupos de generación
(cohortes) por separado para cada industria en función del orden de aparición de las plantas
en Estadísticas Industriales. Los dos grupos más nuevos son las clases de deciles y el resto
de los grupos son grupos de quintiles. La generación está indicada por variables dummy
GENA (más reciente) a GENF (más antiguo). La otra variable dependiente en el presente
estudio es el registro del salario promedio en el ln(WAGE) de la planta calculado dividiendo
el total de los salarios pagado por horas de los empleados. Desinflar el salario directamente,
sino utilizar tiempo maniquíes, maniquíes de la industria y sus interacciones, dummies
regionales y las interacciones de variables dummy regionales y de la industria. Estas variables
indicadoras de control a la inflación, pero también para la variación en la utilización de la
capacidad de las industrias, el cambio técnico que es común a todas las instalaciones de una
industria, cambios en las diferencias de precios regionales y nivel de precio de industria.
Información sobre la estructura y características de la fuerza de trabajo de las plantas es
limitada en las estadísticas industriales, por lo que se obtiene de nuestra segunda fuente de
datos principal, la base de datos de estadísticas de empleo. Esta base de datos reúne
información sobre la actividad económica de los individuos y sus características de fondo de
un gran número de diferentes registros administrativos. Para cada persona depende de una
única planta que aparece en el registro mercantil como su patrono principal durante la última
semana de cada año. Las estadísticas de empleo con eficacia cubre toda la población de
Finlandia. Hay sobre 2 millones de empleados en el registro y dependiendo del año unos
350.000-450.000 trabajo en el sector de manufactura en plantas de más de 16.000. Formamos
un conjunto de datos de panel a nivel de planta de la información a las personas mediante el
cálculo de promedios de nivel de planta de las características de fondo de los empleados. Este
conjunto de datos es el mismo que el utilizado en Vainioma¨ ki (1999), pero agregados a los
totales para el presente trabajo. Cuando las características del trabajador de esta fuente se
combinan con los datos a nivel de planta de la estadística Industrial anterior, el período de
datos es 1988 – 1994.
En este trabajo, nos interesa especialmente características tales como edad, educación y
experiencia. Para las plantas del que tenemos información sobre al menos dos empleados,
hemos calculado las siguientes características del empleado promedio (en años): edad (años),
experiencia específica de la planta o antigüedad (SEN) y escolaridad (EDU). Los años de
escolaridad se basan en información detallada sobre los grados educativos de las personas,
que se transforman a años y años para completar el grado. También se calcularon las
desviaciones estándar de la edad, años de antigüedad y años de educación dentro de cada
planta. Estas son la denominan AGESTD, SENSTD y EDUSTD, respectivamente.
El proceso que llevó a la muestra final de plantas fue la siguiente. Empezamos con todas las
instalaciones de la estadística Industrial, sobre 7.000-8.000 plantas anualmente. Luego nos
hemos concentrado en las plantas de producción activa (omitiendo, por ejemplo, cuartel
general y unidades auxiliares). Este es el subconjunto de aproximadamente 6.000 plantas
anualmente que las características del trabajador vinculado se realizaron.
El porcentaje de plantas activas de todas las plantas es aproximadamente de 75 a 85%, pero
en términos de empleo son más grandes que el promedio, por lo que su cuota de empleo es
aproximadamente el 95% cada año. A continuación, retuvo sólo las plantas para las cuales
fue posible construir el indicador de productividad total de los factores. En esta etapa, el
número de plantas disminuye sustancialmente a unos 5.000 al año, o a 60 – 70% de todas las
instalaciones de la estadística Industrial, por muchas razones. En primer lugar, carece de una
estimación apropiada de la entrada de capital (stock de maquinaria), que es necesaria para la
medición de la PTF, para un número de plantas. Estas plantas son generalmente más
pequeñas que aumenta de tamaño de planta promedio, así que media y los restos de parte de
empleo en cerca de 85 a 90%. Además, se construyó el indicador PTF sólo para aquellas
plantas cuyo valor (real) ln por hora y ln(real) el valor añadido por stock de maquinaria) no
difirió más de 4,4 desviaciones estándar de la media del sector correspondiente.

Valores extremos del índice de TFP fueron seleccionadas de una manera similar. Finalmente,
para el subconjunto de plantas usadas en el análisis de regresión, se requiere que también las
características de la fuerza de trabajo están disponibles. Esto disminuye el número de plantas
a raíz de unas 4.000 plantas anualmente. Es notable que la productividad laboral aumenta un
poco en cada paso del información, excepto la última, pero hay apenas cualquier diferencia
entre los conjuntos de datos en promedio de los salarios por trabajador (véase Ilmakunnas et
al., 2001, para un análisis detallado). La tabla 1 muestra la estadística descriptiva de las
características del trabajador promedio en el conjunto de datos que se utilizó en las
estimaciones.

4. Estimación resultados

Las ecuaciones de productividad y ganancias estimadas tienen la siguiente especificación

general
En la ecuación de la productividad, la variable dependiente Z es el registro de la ln(TFP) de
indicador productividad de factor total multilateral, y en la ecuación de ingresos el registro
del promedio salarial por hora ln(WAGE) las variables de características del trabajo
explicativo son el registro de la edad promedio de los ln(AGE) empleados, el registro de
ln(SEN) de la antigüedad promedio de cada empresa y el promedio de años pasó en la
escolaridad por los empleados de EDU y diferentes potencias de estas variables. También se
incluyen los logaritmos de las desviaciones de estándar dentro de la planta de años de edad,
la antigüedad y la educación. Estas ecuaciones se estimaron mediante OLS combinados, pero
también efectos aleatorios y fijos estimadores fueron utilizados para el control de la IA de
efectos de la planta. En la operación y estimaciones de efecto aleatorio la planta específica
otras variables de control Xit incluyen la relación de rentas pagados el valor de la maquinaria,
indicador de propiedad extranjera, inversiones recientes, promedio de horas por trabajador, ''
sombras de la muerte '', la planta variables de generación (GENA-GENF), industria y
dummies de tiempo y sus interacciones, dummies regionales y las interacciones de la
industria y dummies regionales. Se cayeron las variables de tiempo invariante, como
ubicación geográfica y modelos de la industria, en el modelo de efectos fijos. En esta sección,
presentamos los resultados de las estimaciones agrupadas y las estimaciones de efectos fijos
y aleatorios se discuten en la sección 5 de este artículo. En principio es posible que hay
omitido factores que afectan la productividad y habilidades. Sin embargo, puesto que el
conjunto de variables de control específicos de la planta es grande, creemos que el sesgo
potencial no es grave. Puesto que nuestra atención en este artículo es sobre la relación entre
las características del trabajador y la productividad, no Divulgamos los coeficientes de estas
variables de planta y tiempo, excepto los indicadores de generación de planta. Comentaremos
brevemente sobre los coeficientes de las variables de la planta al final de esta sección.

También nos interesaba la forma correcta de los perfiles de productividad y salarios. La

especificación fue probada mediante la inclusión de varias potencias de las características del
trabajador promedio. Resultó que las formas de los perfiles de productividad no eran muy
sensibles a la combinación exacta de las potencias de las variables más allá de la segunda o
tercera potencia. También investigamos si los residuos de (4) mostraron alguna relación con
la edad, la antigüedad o las variables de escolaridad. Esto fue hecha con un no paramétrica
kernel smoother explicando los residuos con una de las variables características del
trabajador a la vez. Esto indica que nuestra especificación funciona razonablemente bien
dentro de la gama relevante de las variables: edad de 25 a 55, sensor de 1 a 20 y EDU de 10
a 15 años. Más allá de estos rangos, el número de observaciones es demasiado pequeño para
establecer conclusiones fiables sobre las formas de los perfiles. También se compararon los
resultados con y sin transformación de registro de las variables. Resultó que es mejor utilizar
el logaritmo natural de la edad y el SEN, pero no de EDU.
Los resultados de la estimación de las ecuaciones de productividad estimadas con MCO
agrupados se muestran en la tabla 2. Modelo TFP1 tiene, además de las características de la
planta que no son reportados en la tabla, sólo registro de años de antigüedad promedio, sus
poderes y registro de la desviación estándar de años de antigüedad como variables
explicativas. Modelo TFP2 tiene las correspondientes variables de edad en lugar de
antigüedad. Modelo TFP3 tiene dos conjuntos de variables, y modelo TFP4 incluye también
las variables de educación. Finalmente, el modelo TFP5 también incluye las variables de
generación de planta. Cuadro 3 presenta estimaciones correspondientes de las ecuaciones de
salarios (modelos W1 a W5). En esta sección, se concentran en los modelos completos (TFP5
y W5) y discutir los otros modelos en la sección 5 de este artículo.

Comparación de los perfiles de salario y productividad da una indicación de que teorías

parecen ser apoyada por los datos. Los perfiles de los modelos finales TFP5 y W5 se
presentan en la figura 1.La figura describe cuánto ln(TFP) y ln(WAGE) difieren de sus
valores en el nivel inicial de la variable en el eje horizontal (un año para SEN, 25 años de
edad y 10 años para EDU). Por lo tanto, no se deben comparar los niveles de los perfiles de
productividad y salarios. En cualquier caso, estamos interesados en las formas de los perfiles
en lugar de en sus niveles. Como se discutió en la sección 2, el perfil estimado de la
productividad debe ser interpretado para ser el verdadera productividad perfil multiplicado
por el porcentaje de mano de obra. Sin embargo, cuando se evaluó en una proporción
constante de trabajo promedio, esto solo cambia el perfil. Por lo tanto, no es un problema en
la interpretación de la figura 1.

Nota: No se reportan los coeficientes de las variables siguientes: inversiones recientes,

alquileres pagados/valor de la maquinaria, promedio de horas por trabajador, sombra de
muerte, propiedad extranjera, dummies regionales, dummies de sector, dummies año,
interacciones de la industria y muñecos tiempo

Las curvas en el primer panel de la figura 1 se basan en los coeficientes de ln(SEN) y sus
poderes de modelos TFP5 en la tabla 2 y W5 en la tabla 3 y un rango de valores de SEN. Los
perfiles de los otros modelos se discuten a continuación. El perfil de antigüedad-
productividad implicado en las estimaciones del modelo final TFP5 es invertido en forma de
U. El perfil inicialmente crece abruptamente con un corto paso por la planta, pero alcanza su
punto máximo ya a los tres años y después disminuye lentamente con el tiempo. Después de
10 años, antigüedad disminuye productividad en comparación con los trabajadores
recientemente contratados. Los coeficientes de las variables de generación de planta
muestran que las nuevas generaciones de la planta son superiores a los mayores, que reflejan
los efectos vintage (véase también Maliranta, 1998). La desviación estándar de antigüedad
dentro de la planta no es significativa en las estimaciones agrupadas. En el modelo W5 hay
es un constante, aunque frenar aumento de salario cuando la antigüedad aumenta, como se
muestra en el primer panel de la figura 1. La desviación estándar de la antigüedad es positiva
y muy significativa en la ecuación de salarios, en contraste con la ecuación de
productividad. Puede ser una indicación de una variación grande de perfiles salariales a nivel
individual.
Como se muestra en la sección 2, óptimo seleccionado calidad de mano de obra debe tener
el mismo impacto marginal en los logaritmos de la producción y salario, con la anterior escala
según la proporción de mano de obra. Estos impactos se pueden medir por los resultados en
términos de productividad y salario por un año adicional de antigüedad u otras características,
es decir, las laderas de los perfiles de productividad y salarios. El primer panel de la figura 2
presenta el efecto sobre los logaritmos de la productividad y el salario de un año adicional de
antigüedad.
Nota: No se reportan los coeficientes de las variables siguientes: inversiones recientes,
alquileres pagados/valor de promedio de horas por trabajador, sombra de muerte, propiedad
extranjera, dummies regionales, industria de la maquinaria, Dummies, dummies año,
interacciones de dummies industria y tiempo.

Puesto que la proporción de mano de obra varía con el tiempo y en distintas industrias,
tenemos para simplicidad divide las ganancias de productividad por 0,7. Esto es cerca de la
mano de obra promedio costo compartido para la fabricación total, 0,704 en el período 1988
– 1994.
Cuando los rendimientos son positivos, el perfil correspondiente está aumentando y alcanza
su punto máximo cuando el regresa a cero. Los retornos a la antigüedad en términos de salario
permanecen positivos en todo, aunque disminuya lentamente. Los rendimientos en términos
de productividad, a su vez, declinación muy rápidamente y se convierten en negativos en
cerca de cuatro años de antigüedad. La forma del perfil de productividad-antigüedad parece
indicar que la firma habilidades específicas se adquieren rápidamente. Los rendimientos de
productividad y el salario son iguales a aproximadamente tres años de antigüedad, pero de lo
contrario las formas de las curvas son tales que la fijación de salarios por antigüedad no puede
basarse en la productividad. A continuación, pasamos a los perfiles de edad de productividad
y edad-salario. Las curvas en el panel central de la figura 1 se basan otra vez en los
coeficientes de las variables de edad en
Tablas 2 y 3 y los valores de media de edad en el eje horizontal que están en el rango
correspondiente en los datos. En el modelo final TFP5 el perfil de la productividad está
aumentando hasta 40 años de edad media. El perfil de edad-salario tiene una forma
cóncava. Cuando todos los factores son controlados (modelo W5), el salario alcanza su punto
máximo en la edad de 42. La desviación estándar de edad no es significativa en el modelo
TFP5, mientras que en la ecuación de salarios W5 tiene un impacto significativamente
negativo. Esto es exactamente lo que cabría esperar si todos los trabajadores tienen cóncavo
similar edad-salario perfiles inducidos por ejemplo por general experimentan efectos en
Unión salarios negociados.
El segundo panel de la figura 2 muestra la edad. Los rendimientos en términos ofproductivity
aumentan con la edad hasta 31 años y después empezar a declinar lentamente. Los retornos
en términos salariales son más de 2% al principio y casi linealmente aEdad. Igualdad de los
rendimientos se produce en aproximadamente 33 años. Antes de esa apuesta de edad eturns
son más altos, pero después de 33 años de edad el salario y la productividad no difieren
mucho. Los resultados pueden ser interpretados para apoyar al general
capital humano, por lo menos para ver la edad superior, dado que la experiencia general más
estrechamente relacionada con la edad.
Por último, examinamos los perfiles de productividad y salario para la educación de modelos
TFP5 y W5 (véase el último panel en la figura 1). Las estimaciones implican que después de
la educación básica de nueve años la productividad primero aumenta con el aumento de ritmo
hasta 12 años de educación promedio y después de eso ralentiza el crecimiento de la
productividad. El salario promedio comienza a aumentar casi linealmente al aumentan los
años de Educación de educación básica, pero el crecimiento se ralentiza después de 12
años. Sin embargo, la t-valores para las variables de educación en la ecuación de salarios son
muy bajas, por lo que las conclusiones sobre la forma del perfil salario deben considerarse
como provisional. (Si se estima el modelo
sin las otras variables de las características de trabajador, las variables de educación son
importantes y el perfil salarial es más pronunciado.) La desviación estándar de años de
educación tiene un impacto significativamente positivo tanto en la productividad y el
salario. La productividad de una planta se incrementa cuando hay una gran variedad de
habilidades. Esto es consistente con las ideas de diversidad multinivel de organización o
trabajador mejorar productividad mezclando los trabajadores más educados y menos
educados. Así, el resultado no es consistente con la teoría del anillo o.

El último panel de la figura 2 muestra los retornos a la educación. En niveles bajos de

educación, primero aumentan los rendimientos de productividad de años de educación
adicional. Los rendimientos alcanzan 16% a los 12 años de educación y después de eso
comienza a declinar lentamente. El salario vuelve inicialmente aproximadamente 6% al año
y comienza a declinar lentamente después de 12 años de educación. Los rendimientos en
términos de salario andproductivity son los más cercanos uno al otro para los más altos
niveles de la educación. General,
sin embargo, la educación se paga '' mal '' y fijación de los salarios no se basa en la
productividad. Esto es especialmente cierto para la gama media de años de educación. Sin
embargo, puesto que los coeficientes de las variables de educación se estiman bastante
impreciso, es probable que para una amplia gama de valores para los años de educación los
rendimientos difiere significativamente de unos a otros.

En general, los resultados anteriores apoyar al capital humano general. Aunque también hay
habilidades específicas de la empresa, bastante rápido son adoptados. Sin embargo, el nivel
de salario muestra efectos de la antigüedad claro. Las diferentes formas de los perfiles de
salario y productividad pueden interpretarse de maneras alternativas. Por un lado, los
resultados apoyan a vista (1998) de Lazear antigüedad salario base puede utilizarse para
mantener los incentivos de productividad alta.Otra interpretación es que también son
mecanismos de clasificación o influencias internas en la determinación de los salarios, que
no están relacionados con la productividad. El
hecho de que los retornos a la antigüedad en términos salariales son continuamente positivos,
pero los retornos a la edad se convierten en negativo puede indicar que el efecto de
arrendamiento puro en salarios es más fuerte que el efecto de la búsqueda. (Como se explica
abajo, este no mantenga si se utiliza la estimación de efectos fijos).

Los resultados implican que desde el punto de vista de un empleado '' promedio '', cambio de
puestos de trabajo a menudo no es óptimo, ya que con más antigüedad dentro de una empresa
puede beneficiarse de una paga más alta. Para un trabajador individual, la conmutación es
beneficiosa, si el salario inicial en el nuevo puesto de trabajo es mayor que el salario en el
antiguo trabajo. Desde el punto de vista de las empresas, la discrepancia de los perfiles de
salario y productividad hace rentable tener rotación en la fuerza de trabajo. Con entrada y
salida de empleados,
las empresas podrían beneficiarse de la alta productividad y bajos salarios de los trabajadores
nuevos.
También podemos comparar los modelos de salario a resultados obtenidos con datos
individuales para ver si hay sesgos de agregación implicados cuando trabajamos con datos a
nivel de planta. Asplund (1999) analiza los estudios finlandeses de ganancias y el capital
humano. (Observe que los resultados mencionados aquí son de diferentes estudios). En la
tenencia individual de cada empresa nivel tiene solamente un efecto positivo menor con
esencialmente un plano wageprofile. Cuando la tenencia y su plaza se incluyen, a menudo
no es significativo el coeficiente del término cuadrado y el coeficiente de la tenencia implica
un efecto de salario que es, según el estudio, 0.5 – 0.7% por un año adicional. Esto es
consistente con nuestros resultados. Cuando tenencia debajo de un año se incluye por
separado, para el primer año es más alto, otra vez constantemente con nuestros resultados. En
un estudio donde se incluye como indicadores de edad edad, el efecto de la edad se invierte
en forma de U con un pico en el grupo de edad 45-49 en 1990 y en el grupo 40-44 en la
década de 1980. Esto está cerca de lo que obtuvimos con una variable continua edad. Por
último, la rentabilidad a un año adicional de escolaridad es un poco más de 8%. Nuestra
estimación es algo inferior. En conjunto, nuestros resultados obtenidos con datos a nivel de
planta parecen coincidir bastante bien con los obtenidos a nivel individual. Por lo tanto, el
sesgo de agregación en la ecuación de salarios no parece ser demasiado serio, que da razón
para creer que también la ecuación de productividad trabaja bien.
Aunque nuestro énfasis ha sido sobre los efectos de las características del trabajador,
mencionamos brevemente los principales resultados sobre el impacto de las características
de la planta (estos coeficientes no se muestran en las tablas). Nuestras estimaciones para el
modelo TFP5 implican que las plantas de propiedad extranjeras tienen un efecto positivo y
estadísticamente significativo de la productividad de aproximadamente 15,2%. Hay un efecto
claro '' sombra de la muerte '', ya que la productividad es 9.0% menor de tres años y
11.0%% inferior a un año antes de la salida de la planta. Los efectos salario son claramente
diferentes a los de productividad. Según las estimaciones de modelo W5 las plantas de
propiedad extranjeras tienen 8.1%% sueldos más altos que el nacional propiedad de los. '' La
sombra de la muerte '' se refleja también en los salarios pero a una notablemente un grado
más pequeño. El salario promedio es de 2,6% menor de tres años y 1.7%% un año
inferior antes de salir. Estos resultados apoyan la opinión de que hay diferencias más
pequeñas en salarios a través de las plantas que en la productividad de fabricación finlandesa.
Puesto que nuestro análisis se basa en un índice TFP basado en acciones factor observado,
es útil comparar cómo este enfoque describe la tecnología, en comparación con la estimación
de una función de producción translog directamente. Formamos las plantas de referencia de
15 diferentes industrias obtener las condiciones necesarias para la ecuación (3). El índice
TFP fue formado entonces para las plantas en cada industria mediante estos puntos de
referencia. Ilustramos las propiedades del índice en algunas industrias de cuatro
dígitos. Puesto que el nivel de la industria en las ilustraciones es más desagregado que la
avería 15-sector utilizada para los puntos de referencia, hemos ajustado el ln TFP niveles de
modo que el nivel de productividad promedio es cero en cada industria bajo
consideración. Como comparación, se estimó que una constante vuelve a la función de
producción translog de escala para las mismas 15 industrias que fueron utilizados como
puntos de referencia. Usando las estimaciones se calcularon ln TFP para plantas en industrias
de cuatro dígitos. Otra vez, ln TFP fue ajustada para tener cero promedio. Para las plantas en
cada industria de cuatro dígitos por lo tanto tenemos dos combinaciones alternativas de ln
TFP y niveles de entrada.

La figura 3 muestra los isoquants implicadas en los dos métodos para las industrias de cuatro
dígitos en 1994. Hemos elegido las industrias que tienen por lo menos 100 plantas y
presentan los resultados para seis industrias (productos de panadería 3117, prendas de vestir
3220, muebles y accesorios 3320, impresión y publicación de 3420, productos minerales no
metálicos 3699 y metal estructural productos 3813, según clasificación CIIU Rev. 2). Dan
una visión general sobre el funcionamiento de los métodos. La estructura de producción se
puede describir por una combinación de ln TFP, L/Y, y K/Y en un espacio
tridimensional. Dispone de una superficie para estos datos usando un método de regresión
local (cargador, 1999). En este método una relación polinómica se incorpora a los datos
dentro de una ventana de suavizado definida un ancho de banda. En la ventana de suavizado
se ponderan las observaciones para que aquellos que cerca del punto de ajuste tienen más
peso. El contorno de las parcelas o isoquants de las superficies equipadas se muestran en la
figura 1, donde los puntos indican las observaciones de la planta. El eje vertical en los paneles
de la figura 1
indica la relación laboral y relación de eje horizontal la salida de capital. Las líneas sólidas
son los isoquants del índice TFP y las discontinuas líneas de la función translog
estimada. Tenga en cuenta que estos isoquants son iguales ln TFP contornos en lugar de
igualdad tradicional salida de contornos. Esto explica por qué los valores de los isoquants en
las figuras declinación cuando nos alejamos del origen. Los isoquants pueden ser inexactos
cuando el número de observaciones dentro de un área es pequeño.

La figura 3 muestra que a veces ambos métodos dan un cuadro razonablemente similar en la
estructura subyacente de la tecnología. Este es el caso por ejemplo en industrias 3117 y
3220. Sin embargo, en algunas ocasiones los dos enfoques hacen un panorama diferente en
la estructura de producción. Por ejemplo, la productividad total relativa de los factores de las
plantas en la industria 3420 que tiene un montón de capital relativa a la salida es mucho
menor según el método de índice de PTF que según el enfoque econométrico. Esto es porque
este último implica un isoquant plana en la capital / dimensión de salida, mientras que los
contornos implícita por el índice de PTF está más cercano de típico isoquants '' libros
''. También obtenemos evidencia de este análisis ilustrativo que a veces no se tiene la
propiedad de convexidad. En muchos casos, la especificación de producción translog no dió
un muy buen ajuste. En definitiva, estas investigaciones indican que el método de índice de
productividad produce una descripción razonable y útil de la tecnología de producción.
5. complementarias resultados

Brevemente comentaremos sobre algunas estimaciones complementarias sin mostrar los

perfiles de productividad y salarios. En primer lugar, se discuten los modelos donde sólo
algunos de

las características del trabajador son incluidos (TFP1, TFP2, TFP3, TFP4, W1, W2, W3 y
W4). En segundo lugar, describimos los resultados de la estimación de ecuaciones de salarios
con intensidad de capital incluida como variable explicativa. En tercer lugar, presentamos los
resultados de las estimaciones de efectos fijos y aleatorios.

Al interpretar los perfiles de productividad, se debe tener en cuenta que esencialmente

reflejan efectos transversales. Para cualquier planta solo con una fuerza de trabajo de una
determinada edad o antigüedad, productividad se puede aumentar con el tiempo. Sin
embargo, el crecimiento en la productividad disminuye cuando la fuerza de trabajo envejece
o gana la antigüedad específica de la planta. Por otro lado, nuevas plantas tienen una menor
fuerza de trabajo y, debido a la técnica de cambio, perfiles de mayor productividad que los
antiguos. Aconsejarse por lo tanto podemos ver perfiles de productividad edad o antigüedad-
productividad perfiles
combinar puntos en las partes empinadas de los perfiles de alta productividad de las nuevas
plantas y las partes planas de los perfiles de productividad más baja de las viejas plantas. Esto
puede producir perfiles de productividad que se inclinación hacia abajo después de un
pico. Esto debe interpretarse como baja productividad relativa en plantas con una fuerza de
trabajo mayor o más experimentada. Cuando la cosecha de la planta es controlada, por lo
tanto esperaríamos a ver los perfiles de productividad más altos. El mismo argumento se
aplica a los perfiles de salario.

Cuando se controla sólo la antigüedad (modelo TFP1 en la tabla 2), el perfil de antigüedad
productividad es ligeramente menor, pero tiene la misma forma, como en el modelo final
TFP5. También edad media esté controlado (modelo TFP3), cambios de perfil abajo, lo que
indica que cuando no se controla edad, antigüedad recoge parte del efecto de edad. Modelo
TFP4, donde también se controla el educación, el perfil vuelve a estar mayor, pero todavía
inferior al perfil TFP5. Parece que en los modelos TFP1 al TFP4 las variables de antigüedad
han recogido algunos de lo efecto vintage de la planta. De hecho, las plantas más viejas tienen
mayor antigüedad promedio: en 1988 fue 3,3 años en generación de A, en contraste a 11,1
años entre plantas de generación F. Cuando se controla la generación de la planta, el perfil
de productividad refleja mejor la verdadera influencia de la antigüedad.

Cuando se controla sólo la antigüedad (modelo W1), el perfil de antigüedad salarios

implicado en las estimaciones en la tabla 3 es inicialmente más que perfil W5, pero aumento
de los salarios se retrasa antes. Si se controla la edad (modelo W3), el salario es mucho
menor. Cuando también se controla la educación (W4), el perfil nuevo es mayor, y los
maniquíes de generación planta aumentan aún más en el modelo final W5. De nuevo parece
que cuando no se controla la generación de planta, antigüedad recoge el efecto vintage de la
planta. En el modelo donde sólo la edad es controlado (TFP2), el perfil de edad productividad
es inicialmente elevado y alcanza su pico ya 34 años. Si también se controlan las variables
de antigüedad, el perfil cambia de puesto para arriba (TFP3). Como un gran número de
antigüedad años probablemente lento crecimiento de la productividad y porque los años de
antigüedad y la edad se correlacionan positivamente, el desempeño relativo de las plantas
contar con personal en años avanzados mejora después del control de la antigüedad. El
resultado que el
efecto de la productividad de la edad mejora cuando se controla la experiencia concuerda con
estudios psicológicos (ver Warr, 1993). En cuanto a los perfiles de edad-salario, modelos W2
y W3 implican perfiles de salarios ligeramente más altos que el modelo final W5.

Una explicación potencial para el éxito de las plantas de personal joven que viene del hecho
de que generalmente las generaciones más jóvenes están más educados tan los más
viejos. Los años pasados en la educación son controlados en el modelo TFP4, que implica un
perfil más bajo de la era de la productividad que TFP3, es decir, las diferencias de
productividad entre trabajadores de diferentes edades son más pequeñas. Algunas de las
diferencias en el rendimiento de la productividad entre las plantas pueden explicarse por
diferencias en la educación.

Las nuevas plantas tienen personal más joven (edad promedio empleado se correlacionó
positivamente con la edad de la planta en nuestros datos). También tienen la tecnología más
moderna que requiera a trabajadores mejor educados que las plantas más viejas que usan
mayores cosechas de capital. Cuando este hecho se controla en el modelo TFP5, el
desempeño relativo de las plantas que tienen más personal mejora aunque la diferencia en los
perfiles TFP4 es pequeño. También el perfil de edad-salario W4 es cerca de perfil W5. Los
resultados parecen sugerir que la edad en sí no es necesariamente una carga en términos de
baja productividad, sino más bien los factores que a menudo están asociados con él:
tecnología que no está actualizada, baja rotación de los trabajadores y baja educación.

En algunas estimaciones hemos añadido la relación capital-trabajo LN ()K/L) como una

variable explicativa en la ecuación de salarios. En principio, capital no debe afectar el salario
si demanda de trabajo se basa en el salario igual a dado productividad marginal (para un
trabajador con determinadas características) o fijación de los salarios se basa en
consideraciones de incentivos. Puesto que la fijación de los salarios puede diferir de las
condiciones de competencia, el capital puede tener un papel en la ecuación. Por ejemplo, si
el salario se determina (al menos en parte) por negociación, irreversible capital social puede
mejorar la posición negociadora de los trabajadores. Las estimaciones están en la tabla A1
en el Apéndice 3. Cuando la intensidad de capital se incluye en la ecuación de salarios, su
coeficiente es positivo y altamente significativo. Esto es consistente con la mejor posición de
negociación de los trabajadores. Las estimaciones implican, sin embargo, que bastante hay
pequeños cambios en el salario de perfiles cuando lnK/L) () está incluido. Nuestros
resultados sustantivos en la sección anterior por lo tanto no son dependientes
en la exclusión o inclusión de capital en la ecuación de salarios.

Tenga en cuenta que Baily et al (1992) discutir el uso del salario como una medida de la
calidad de mano de obra, ya que no tienen ninguna información directa sobre las
características del trabajador. Por lo tanto, trataron de salario como un factor explicativo de
TFP. En contraste con esto, somos capaces de medir directamente la calidad del
trabajo. Baily et al (1992) también utiliza PTF como un factor explicativo para salarios, ya
que en las empresas de alta productividad, los trabajadores pueden ser capaces de negociar
salarios más altos. Nos hemos contablemente esto la variable intensidad de capital.

Aunque en los modelos presentados anteriormente hemos incluido muchas características de

la instalación, puede haber efectos no observables, por ejemplo, capacidad de gestión, que
afectan la productividad y se correlacionan con variables explicativas. Entonces ser parcial
nuestras estimaciones OLS. Tenga en cuenta que este factor también afectaría a los salarios,
aunque por supuesto pueden existir otras características no observables que influyen en el
salario.

Para controlar la heterogeneidad inobservable, hemos estimado los modelos también con
efectos fijos y aleatorios. Las estimaciones se presentan en la tabla A2 en el Apéndice 3. Con
efectos aleatorios, la antigüedad-productividad y productividad edad perfiles están inclinadas
hacia abajo, pero menos empinada si se caen las desviaciones estándar de las características
del trabajador. Muchos de los términos de orden superior son insignificantes. Los perfiles de
salario son más cercanos a los obtenidos con la estimación agrupada. La inclusión de efectos
fijos de la planta cambia el perfil de antigüedad-productividad hacia abajo y la productividad
comienza a caer ya
en una antigüedad muy bajo. El perfil de edad de productividad es caída, pero no exactamente
determinado. El perfil de antigüedad salario no aumenta a lo largo, y el perfil de edad-
ganancias es cóncava, pero mucho más bajo que en la estimación combinada. Estimación de
efectos fijos también produce un efecto negativo de la productividad y un efecto muy
pequeño salario positivo de la educación.

Cuando los efectos fijos de la planta se incluyen muchas de las características de la planta
tienen menor impacto en la productividad y el salario (no se muestra en la tabla). Exterior
propiedad plantas tienen 6.1% una mayor productividad. La sombra de efecto muerte es
3.1% baja productividad tres años antes de la salida y 8.8%% menos un año antes de la
salida. Después de la inclusión de la planta fija de efectos la brecha salarial entre extranjeros
de propiedad y propiedad nacional las plantas cae a 1.9%, que es todavía significativamente
diferentes de cero. Por otro lado, la sombra de la muerte no tiene un impacto estadísticamente
significativo sobre el salario.
Estos resultados demuestran que las formas de los perfiles de productividad y salario son
sensibles al método de estimación. ¿Cómo debemos entonces interpretar los resultados de
productividad y salario perfiles? El sesgo de inadvertida factores como capacidad de gestión
surge de la correlación de este factor con las otras variables explicativas. Si los gerentes más
capaces por ejemplo, eligen una más productiva fuerza de trabajo (más educada), los efectos
de la educación estimado en parte reflejan los efectos de capacidad. Por lo tanto, los perfiles
estimados reflejan efectos de '' verdadera '' educación y otros factores que influyen en ''
profundos '' como capacidad gerencial. Esto es, sin embargo, en gran medida irrelevante para
la pregunta dirección. Examinamos si los perfiles de productividad y salarios son
similares. En ambos casos debemos observar similares perfiles de productividad y salarios
Si la determinación de los salarios se basa en la productividad. Además, puede afirmarse que
en este tipo de planta de panel datos la estimación de efectos fijos elimina gran parte de la
variación en los datos y aumenta los efectos de errores de medición (Griliches y Mairesse,
1998). Una indicación del fracaso de la estimación de efectos fijos es que no produce el tipo
de perfiles de nivel de planta salario que son coherentes con los perfiles de salario de nivel
individual. También el resultado de que educación no tiene ningún efecto de productividad
en la estimación de efectos fijos es consistente con la opinión de que en la etapa de entrada
en cada planta elige un nivel de habilidad que es bastante persistente en el tiempo, aunque
entre las plantas puede haber grandes diferencias incluso dentro de las industrias
estrechamente definidas (véase Haltiwanger et al., 2000). Alternativamente, nueva
tecnología en las plantas existentes puede tener largo retrasa antes de que sus efectos
aparezcan en forma de una mayor productividad. Por lo tanto puede ser preferible utilizar un
conjunto de controles de nivel de planta en lugar de efectos fijos de la planta.

6. conclusiones

Han examinado las relaciones de las características del trabajador (edad, educación y
antigüedad) y características de productividad, de la planta de la planta utilizando un conjunto
de datos emparejados empleador – empleado de la fabricación finlandesa. Este tipo de
conjuntos de datos ofrece grandes posibilidades para el análisis de la
productividad. (Ilmakunnas y Maliranta, 2003, presente relacionados con trabajo con el
trabajador comparte variables como explicativas en la estimación de la función de producción
con datos finlandesas).
Es interesante comparar nuestros resultados con los obtenidos en otros estudios. La mayoría
de las investigaciones correspondientes ha utilizado las acciones de los trabajadores en
valores medios algo tan diferentes categorías por edad y otras variables de características del
trabajador. También se han utilizado variables de control diferentes. Sin embargo, todavía
podemos sacar algunas comparaciones. Hellerstein y Neumark (1995) usando datos israelíes
y Hellerstein et al (1999) utilizando datos de Estados Unidos encuentran que la productividad
y el salario aumentan con la edad, excepto para el grupo de edad más antigua, y sus patrones
son bastante similares. Concluyen que los salarios reflejan en la productividad y los
resultados son consistentes con el capital humano general. Crepon et al (2002) utilizan datos
franceses y concluir que la relación ofproductivity y la edad es inversa en forma de U, pero
el salario aumenta en edad. Los olderworkers están sobrepagados por lo tanto, en
comparación con la productividad. Hægeland y Klette(1999) utilizan datos de noruegos y
que aumentan la productividad y el salario con la educación y el alto nivel de educación más
o menos corren por productividad. Medio-levelpotential experiencia (edad menos años de
educación) le da una mayor productividad de poca experiencia, pero con larga experiencia
productividad disminuye aunque todavía permanece más alto que con corta
experiencia. Experiencia de nivel medio es mal pagado, pero la prima salarial por larga
experiencia corresponde a la prima de productividad. Concluyen que el perfil de experiencia
salario refleja sólo en parte el perfil de productividad.

Nuestros resultados difieren de los obtenidos con los datos de Israel y Estados Unidos, ya
que encontramos evidencia contra la fijación de los salarios basados en la productividad
cuando se refiere a edad. Obviamente ambas diferencias institucionales entre países y
diferencias en las características de enfoque y trabajador utilizadas pueden explicar los
resultados. El noruego resultados en educación son algo similares a los nuestros y los
resultados de la experiencia en general son más o menos comparables a nuestros resultados
sobre la edad. Finalmente, los resultados franceses sobre el efecto de la edad sobre
productividad y salarios parecen estar de acuerdo con la nuestra. Ninguno de los otros
estudios han examinado el impacto de la antigüedad. Encontramos que se diferencian los
efectos de la productividad y el salario de la antigüedad, para que la fijación de salarios por
antigüedad no refleja la productividad. Las diferencias en los perfiles de salario y la
productividad pueden ser interpretadas para ser consecuente con Lazear de efectos
incentivos, o como alternativa con clasificación o insider influencias en la determinación de
los salarios.

Nuestro método de estudio difiere de los otros estudios. En vez de estimar una función de
producción, utilizamos el factor observado acciones para calcular un índice multilateral de
TFP y explican por características del trabajador y de la planta.Creemos que nuestro enfoque
es especialmente útil para datos de panel para hacer comparaciones a través de las
plantas. Además, evita el problema que Estimado funciones de producción típicamente dan
irrazonablemente bajos coeficientes de capital. Nuestra comparación de estimar funciones
translog y calcular que el índice TFP directamente muestra que nuestro método produce en
algunos isoquants de industrias están más cerca de un típico caso de '' libro ''. Una desventaja
del método es que se basa en supuestos bastante fuertes sobre el comportamiento de las
empresas. Más análisis comparativo de diversos enfoques para estimar perfiles de
productividad y de salarios es un tema interesante para futuras investigaciones. Ambos
enfoques también es necesario abordar la inclusión de la capacidad gerencial en el análisis
de una manera que no acabar con las diferencias de planta de Cruz en la productividad de los
datos, ya que es más probable que el componente de la variación total que nos informa sobre
la importancia de la capacidad de gestión. Para ello sería necesario alguna información
directa acerca de las diferencias en las prácticas de manejo entre las plantas.

Apéndice 1.

La variación de las características del trabajador y salarios La picadora estándar salarial

ecuación para individuo k en la planta me con años de educación
EDU Ki (ignorando la experiencia y la edad para la simplicidad) es LN ð Salario Ki Þ
¼ un þ m EDU Ki.
Asumir que el salario es lognormally distribuido. Entonces lnðsalarioskiÞ con cuenta normal
distribución planta significa E ½ LN ð Salario Þ_ me y la varianza s 2 me . Salario promedio
por planta es por lo tanto E ½ Salario _ me ¼ exp ð E ½ LN ð Salario Þ_ me þ 1
2 s 2 me Þ y el logaritmo del salario promedio es LN ð E ½ Salario _ me Þ
¼ E ½ LN ð Salario Þ_ me þ 12 s 2 me . Reemplazar ½lnðsalarioÞ_ por una þ mEDU y s 2
me por m 2 var ð EDU Þ me , donde EDU me y var ð EDU Þ me son plantas de media y
varianza de la educación, respectivamente. Esto finalmente da una ecuación para el logaritmo
del salario promedio de la planta lnðE½salario_Þ ¼ una þ m EDU me þ 12 m2 varðEDUÞ.

Apéndice 2.
Cálculo de las acciones del Factor En la práctica comparten el costo de capital S se para cada
planta en el índice TFP (2) se calcula como sigue (véase Maliranta, 1997). Hacemos uso de
la contabilidad nacional de ambos y las estadísticas industriales. El costo total de los factores
es definido por TOTCOSTse ¼ Wse ? L se þ C b ? BK se þ C m ? MK se ; ð A 1 Þ en W es
el precio de la entrada de mano de obra (salarios y seguridad social y otros pagos
complementarios), BK es la construcción de entrada de capital y MK es maquinaria entrada
de capital. Los términos Cb ? A. C. se y C m ? MC se son los costos nominales de
edificio capital de de entrada y maquinaria de entrada, respectivamente. La capital de entrada
costo compartido en la planta i en el año t puede calcularse como

donde W se ? L se es tomado de la estadística Industrial y el capital maquinaria costo entrada

se supone que es 20 % de la acción de maquinaria (aquí medido en precios corrientes). Por
desgracia, no tenemos información relativamente confiable en edificios y otra capital social
a nivel de planta. Por lo tanto, al construir el indicador PTF hacemos el supuesto de que el
coste de capital total por costo de capital de maquinaria es el mismo para todas las plantas en
una determinada industria (industrias de dos o tres dígitos 15) un año dado. Así para cada
planta en un sector sostiene que

En otras palabras, en derivar el indicador PTF, permitir que la relación varía entre las
industrias y cambiar con el tiempo. En el nivel de producción la proporción ha disminuido
constantemente de 1.7 a 1.3 en el período de la 1985 a 1994. En otras palabras, ha aumentado
la importancia relativa de la acción de la maquinaria, cuando se evaluó con el porcentaje de
costo. Con la incorporación (A3) en (A2) obtenemos

Para determinar un t para cada industria ajustar las cifras para que en cada industria y cada
año la cuota de entrada capital total en nuestra muestra de plantas se calcula de acuerdo con
de las cuentas nacionales. Por lo tanto postulamos que para nuestra simple de plantas de la
siguiente ecuación es:

donde S t es compartir el costo de entrada de capital en la industria en cuestión, que se obtiene

de la contabilidad nacional asumiendo 5 % tasa de interés de . Las acciones del factor de
capital derivado de esta manera son algo más pequeñas que los medidos con ingresos. Para
que las acciones de costo de acuerdo con los ingresos, la tasa de interés implícita debe ser
unos 10-15% dependiendo de la industria. Tenga en cuenta que el promedio de la industria
costo cuota S en la ecuación (3)

Resolviendo (A5) obtenemos

Cuando esto se inserta en (A4) se obtienen la planta y la entrada de capital específicos costo
acciones. Por lo tanto, asumimos que cada planta en una industria comparte el mismo precio
para una unidad de capital. El precio unitario de mano de obra en cambio es permitido variar
a través de las plantas.

Nota: FE ¼ efectos, RE ¼ de efectos aleatorios. No se reportan los coeficientes de las

variables siguientes: inversiones recientes, alquileres pagados/valor de la maquinaria,
promedio de horas por trabajador, sombra de muerte, la propiedad extranjera, dummies
regionales ðno en FEÞ, industria Dummies ðno en FEÞ, dummies año.