Facultatea de Cibernetică, Statistică și Informatică Economică

Specializare: Statistică și Previziune Economică

LUCRARE DE LICENȚĂ

IMPACTUL INTELIGENȚEI ARTIFICIALE

ASUPRA FORȚEI DE MUNCĂ

Coordonator științific: Absolvent:

Prof. Univ. Dr. Cristina Boboc Ghizdavu Anda Florentina

pag. 1
Cuprins
1. Introducere 3

2. Analiza riscului automatizării 8

2.1 Măsurarea riscului automatizării locurilor de muncă 9

2.2 Factorii care influențează riscul automatizării la nivel regional 14

3. Analiza indicatorilor forței de muncă 16

3.1 Ocuparea forței de muncă16

3.2 Productivitatea muncii 23

4. Analiza statistică multidimensională a impactului inteligenței artificiale asupra

forței de muncă 27
4.1 Analiza cluster 28

4.2 Analiza în componente principale 30

4.4 Regresia liniară multifactorială 33

5. Concluzii 38

6. Bibliografie 42

pag. 2
1.Introducere

Progresul alert al tehnologiei ajută în prezent la schimbarea rapidă a modului de lucru la

nivelul întregii societăți creând noi oportunități de locuri de muncă și îmbunătățind calitatea vieții.
Cu toate acestea, progresul tehnologic amenință stabilitatea companiilor de pe piață, ceea ce poate
duce la pierderea joburilor deoarece acest rapid progres tehnologic poate permite automatizarea
cerințelor care, anterior, puteau fi făcute manual de către oameni.

Cele mai noi tehnologii au pus bazele unui proces solid de procesare, generare și diseminare
a informației care va ajuta la îmbunătățirea productivității societății. Dezvoltarea tehnologiei a
apărut din progresul măsurabil al puterii calculatoarelor, produselor audio-vizuale și inteligenței
artificiale care include alte 3 concepte importante cum ar fi Big Data, Internet of Things și Cloud
Computing. Combinația acestor noi tehnologii au pus bazele revoluției digitale care va aduce
schimbări semnificative omenirii.

Termenul de Big Data a început sa fie folosit prima dată în anul 1990 datorită lui John
Mashey. Big Data este o noua tehnologie ce se ocupă cu analiza, sistematizarea și extracția
informațiilor din seturi de date ce sunt prea mari sau complexe pentru a fi prelucrate cu ajutorul
aplicațiilor dedicate preprocesării datelor. Conceptul de Big Data este asociat în prezent cu trei
caracteristici cheie: viteză, volum și varietate. Volumul se referă la cantitatea de date generată și
stocată și la dimensiunea setului de date ce poate genera informații relevante. Conceptul de varietate
ce definește termenul de Big Data descrie tipul și natura datelor analizate pentru extragerea de
informații, iar ultima caracteristică, viteza arată rapiditatea cu care datele au fost generate și
procesate. În momentul actual, Big Data este considerată o ramura din inteligența artificială ce se
ocupa cu analiza predictivă și analiza comportamentală a utilizatorilor.

Conceptul de rețea a dispozitivelor inteligente, ce poartă numele în prezent de Internet of

Things, a fost discutat încă din anul 1982 și presupune conexiunea simultana la internet a mai multor
dispozitive cu scopul de a putea comunica între ele. Ramura Internet of Things a evoluat datorită
convergenței mai multor tehnologii cum ar fi: analiza de date, învățarea automată, sisteme integrate
și senzorii de mărfuri. Pe piața de consum, această tehnologie este sinonimă cu produsele care
aparțin conceptului de locuință inteligentă ce conțin dispozitive și aparate ce suportă unul sau mai
multe ecosisteme comune și care pot fi controlate cu dispozitivul asociat acelui ecosistem.
Principalul scop al acestei tehnologii este de a dezvolta și mai mult pe piață conceptul de casă
pag. 3
automată ce va îmbunătății semnificativ viața de zi cu zi a oamenilor, dar și de a crea produse
inteligente ce își vor pune amprenta în importante industrii cum ar fi: medicina, transportul și
manufactura.

Termenul Cloud Computing a fost popularizat de compania Amazon in anul 2006 când
aceștia au scos pe piață un produs ce făcea referire la această tehnologie apărută încă din anul 1960
si acest concept presupune disponibilitatea la cerere a resurselor sistemului informatic, în special a
datelor de stocare și a puterii de calcul, fără o gestionare directă activă de către utilizator. Termenul
este folosit în general pentru a descrie centrele de date disponibile pentru mulți utilizatori pe
internet. Cloud computing se bazează pe partajarea resurselor pentru a atinge coerența și economiile
de scară. Această tehnologie le permite în prezent companiilor să evite sau să reducă la minimum
costurile de infrastructură IT. Disponibilitatea rețelelor de mare capacitate, computerele cu costuri
reduse și dispozitivele de stocare, precum și adoptarea pe scară largă a virtualizării hardware, a
arhitecturii orientate spre servicii și a computerelor autonome și utilitare a dus la creșterea cloud
computing-ului.

În prezent, există o paletă largă de definiții și terminologii folosite să descrie tehnologia 3D

printing ce este cunoscută pe piață si ca o parte principală din manufactura produselor aditive ce a
început să se dezvolte cu rapiditate încă de acum 30 de ani în urmă. Industria 3D printing este o
noua tehnologie revoluționară care a fost introdusă pe piață pentru prima dată în anul 1984 și
presupunea crearea unor obiecte solide cu orice formă geometrică în format 3D pornind de la un
model digital. O parte din actualele tehnologii ce printează modele 3D și ajută modul în care
societatea lucrează sunt: dispozitivele de extrudare, dispozitivele de procesare a luminii digitale și
laserul pentru selectarea metalelor. Această tehnologie, spre deosebire de manufactura propriu zisa,
ajută companiile din întreaga lume sa creeze diverse obiecte într-un timp de execuție mult mai scurt,
să evite irosirea materialelor și sa prelucreze obiectul destinat creării în funcție de posibilități
nelimitate.

Ramura tehnologiei care se ocupă cu proiectarea, construcția, operarea și aplicarea roboților,

precum și sistemele informatice pentru controlul lor și prelucrarea informației este robotica. Aceste
tehnologii se ocupă de mașini automate care pot lua locul oamenilor în medii periculoase sau
procese de fabricație sau seamănă cu oamenii în aspect, comportament sau cunoaștere. Mulți dintre
roboții de astăzi sunt inspirați de natura care contribuie la domeniul biologic din industria de

pag. 4
robotică. Acești roboți au creat, de asemenea, o ramură mai nouă de robotică ce poartă numele de
robotică moale.

Roboții creați cu ajutorul inteligenței artificiale sunt mașinării programabile cu ajutorul unui
calculator, capabile de a efectua și de a automatiza diverse acțiuni complexe. Aceștia pot fi ghidați
de un dispozitiv de control extern sau controlul poate fi incorporat în interiorul lor. Roboții pot fi
construiți folosind ca model, aspectul corpului uman, iar acest tip de roboți poartă numele de roboți
umanoizi, dar majoritatea roboților construiți sunt mașinării proiectate să îndeplinească diverse
sarcini fără a ține cont de modul în care arată.

3D ROBOȚI
PRINTING ROBOȚI UMANOIZI

INTELIGENȚA

ARTIFICIALĂ

BIG DATA INTERNET

CLOUD
OF THINGS
COMPUTING

Realizat de autor în
Microsoft Office Word
Fig1. Tehnologiile cheie in transformarea digitală

pag. 5
 Procesul de automatizare s-a produs cu secole în urmă, dar consecințele unei automatizări la
scară înaltă au intrat în atenția specialiștilor în anii recenți datorită dezvoltării noii ramuri numită
inteligența artificială. De exemplu, producerea motorului cu aburi de către Heron din Alexandria a
dus la automatizarea industriei de transport în prima parte a secolului XX. Algoritmii noi in
combinație cu creșterea puterii de procesare a calculatoarelor au făcut posibil ca roboții să se ocupe
de cerințele care până acum doar oamenii le puteau face. Inteligența artificială a potențat spectrul că
anumite funcții, care erau imposibil de automatizat până acum, ar putea fi făcute de roboți în viitor
în locul oamenilor. În ciuda faptului că roboții creați cu ajutorul inteligenței artificiale ar duce la
scăderea alarmantă a locurilor de muncă, inovațiile tehnologice au dus întotdeauna și la o creștere
mare a unor noi locuri de muncă, însă acest lucru ar lua un timp considerabil pentru a echilibra piața
forței de muncă. De asemenea, inteligența artificială ar putea afecta profilul cerințelor de calificare
ale locurilor de muncă și joburile cu înaltă calificare care, în trecut, erau protejate.

Deoarece este aproape imposibil sa previzionezi cu o acuratețe de 100% câte locuri de muncă
vor fi automatizate în următorii ani, obiectivele acestei lucrări sunt:

 De a clasifica, folosind o analiză cluster, țările din Europa în funcție de dezvoltarea inteligenței
artificiale din fiecare țară
 De a vizualiza care sunt sectoarele de activitate ce influențează cel mai mult stabilitatea pieței
forței de muncă
 De a arăta cât de mare este impactul fiecărei componente artificiale asupra ratei de ocupare a
forței de muncă

Impactul automatizării asupra pieței forței de muncă regionale și locale depinde foarte mult
de caracteristicile economiei locale, așadar acesta este asimetric în toate locurile din interiorul
țărilor. Dimensiunile geografice ale automatizării au implicații importante pentru politicienii care
încearcă să producă o politică care asigură disponibilitatea unei bune calități a locurilor de muncă.
Automatizarea este cea mai importantă problemă care va afecta în viitor piața forței de muncă, dar
nu este singura schimbare care va afecta șomajul local. Alte probleme importante cum ar fi
schimbărilor demografice, creșterea migrației internaționale și dezvoltarea comerțului internațional
au importante implicații asupra stabilității forței de muncă.

Tehnologia poate afecta ocuparea forței de muncă și distribuția veniturilor prin diverse
canale, dar, într-un fel sau altul, răspândirea automatizării implică firme care cântăresc economiile

pag. 6
potențiale asupra costurilor forței de muncă, în raport cu costul investițiilor în noul echipament de
capital.

În procesul de automatizare a modului de producție, se va schimba și compoziția forței de muncă.

Cadrul de schimbare tehnologică îndemnată susține că nu există o deplasare a forței de muncă prin
schimbări tehnologice încorporate în capital. În schimb, tehnologia se presupune că îi completează
pe lucrătorii cu înaltă calificare și le oferă oportunități mai bune de angajare, precum și o primă de
calificare a câștigurilor comparativ cu cele ale lucrătorilor slab calificați.

Conform estimărilor Institutului Global al Forței de Muncă, o treime din locurile de muncă
vacante care necesită studii superioare vor fi înlocuite de un robot sau un program software care va
avea la bază un algoritm dezvoltat cu ajutorul inteligenței artificiale. Distribuția geografică a
locurilor de muncă ce prezintă un risc ridicat de automatizare variază în funcție de progresul
tehnologic din regiunile țărilor europene. De exemplu, țara cu cel mai mare procent al locurilor de
muncă ce vor fi automatizate este Slovacia, unde 40% din joburi sunt expuse automatizării în
următorii ani, iar la polul opus sunt anumite regiuni din Norvegia unde procentul joburilor cu risc
mare de automatizare este de doar 4%.

Pe de altă parte, s-a confirmat încă din 2011 că 60% din țările unde multe locuri de muncă
vor fi automatizate, vor fi capabile să creeze mai multe joburi cu risc scăzut de automatizare. Țările
cu un procent mic al locurilor de muncă expuse automatizării sunt cele extrem de urbanizate cu
servicii puternic comercializabile și cel în care lucrătorii au studii superioare. Regiunile cu o creștere
scăzută a productivității și cu o rată a șomajului mare vor fi cele mai afectate de automatizare în
viitor stabilizând piața forței de muncă.

pag. 7
2. Analiza riscului automatizării

Descoperirile tehnologice anterioare au arătat că automatizarea nu s-a răspândit în toate

industriile până acum. Acest lucru s-a întâmplat datorită faptului că sarcinile automate sunt mai
întâlnite doar în anumite sectoare. Așadar, domeniile cu un procent mai mare a locurilor de muncă
bazate pe sarcini de rutină vor experimenta, cel mai probabil, o restructurare a locurilor de muncă
datorită dezvoltării automatizării.

Un studiu recent a subliniat faptul că specializările regionale pot afecta riscul automatizării
în anumite zone. De exemplu, între jumătate și trei sferturi din angajați se vor confrunta cu
restructurări majore ale locurilor de muncă în acele zone unde riscul automatizării este mai mare.
Riscul descrește și în funcție de dimensiunea orașului deoarece orașele mai mari au o rată ridicată
de ocupare a forței de muncă în industriile unde sarcinile de muncă sunt rezistente automatizării.
Șocurile forței de muncă ce au fost cauzate de dezvoltarea inteligenței artificiale vor rămâne
geografic concentrate.

De asemenea, din cauza tehnologiei care avansează într-un ritm foarte alert, un procent mare
de angajați cu un nivel mediu și inferior de educație vor lua în calcul tranziția către alte domenii de
activitate. În plus, deoarece lipsa locurilor de muncă provocată de automatizare va fi concentrată
doar în anumite regiuni, un număr mare de noi locuri de muncă va apărea în regiuni complet diferite,
ceea ce va spori migrația inter-regiuni. Angajații care, recent, și-au pierdut jobul din cauza
automatizării, pot găsi un alt loc de muncă emigrând în alte zone unde cererea pentru activitatea din
acea industrie este mai mare. Mobilitatea geografică a forței de muncă crește, așadar, dinamismul
economiei, însă nu ajută la minimizarea inegalităților geografice.

Totuși, există o serie de factori ce ajută la limitarea migrației inter-regionale ca mecanism de

ajustare.

pag. 8
 În primul rând, mobilitatea forței de muncă dintr-o anumită regiune poate fi un mecanism de
ajustare structural foarte important, însă aceasta este o soluție pe termen scurt deoarece oamenii,
chiar dacă au reușit să își găsească un loc de muncă în altă regiune, vor fi restricționați întotdeauna
de obligații familiale care îi va obliga să se întoarcă acasă.

În al doilea rând, mobilitatea geografică este mult mai restrictivă cu angajații ce au un nivel
de educație inferior din cauza costurilor fixe ale deplasării care sunt proporțional mai mari
comparativ cu veniturile câștigare. Costurile fixe sunt similare pentru toți angajații indiferent de
nivelul salarial.

Așadar, este puțin probabil că mobilitatea geografică a forței de muncă poate compensa
inegalitatea cauzată de automatizare în rândul angajaților. De asemenea, guvernul ar trebuie sa
dezvolte o serie de politici publice care ar trebui să răspundă la șocurile locale și regionale cauzată
de progresul tehnologic ce vor afecta piața forței de muncă.

2.1 Măsurarea riscului automatizării locurilor de muncă

Principala provocare cu care se confruntă analiștii în estimarea numărului de locuri de muncă

ce prezintă un risc al automatizării este definirea sarcinilor de muncă expuse automatizării. Multe
studii recente au încercat să arate în ce mod, dezvoltarea capabilității digitale va afecta ocuparea
forței de muncă. Frey și Osborne sunt cei care au încercat să afle care sunt locurile de muncă
susceptibile ce vor fi automatizate datorită tehnicilor de învățare automată. Cei doi au ajuns la
concluzia că joburile ce necesită următoarele aptitudini sunt considerate a fi în siguranță în lupta cu
automatizarea:

 Aptitudini ce necesită creativitatea

 Aptitudini bazate pe inteligența socială
 Aptitudini legate de percepție și manipulare

Conform OECD, 14% din toate locurile de muncă prezintă un risc mare de automatizare, în
timp ce, pentru alte 32% există posibilitatea să fie afectate de modificări semnificative. Procentul
locurilor de muncă ce prezintă un risc ridicat de automatizare variază puternic de la țară la țară.
Conform literaturii, un job este considerat a fi la risc dacă probabilitatea de a fi automatizat este de
cel puțin 70%. Procentajul joburilor cu risc ridicat de automatizare variază între 5,7% în Norvegia
și 33,6% în Slovacia. Spre deosebire de partea de est și sud a Europei unde s-a înregistrat cel mai

pag. 9
mare risc al automatizării, partea de nord a Europei, cât și America de Nord (Canada și Statele
Unite) prezintă cel mai mic risc al automatizării.

Aceste diferențe dintre valorile riscului nu s-au înregistrat din cauza diferențelor dintre
economii, ci, mai degrabă, dintre organizarea diferită a locurilor de muncă din fiecare țară.

Figura 2. Procentul locurilor de muncă cu risc ridicat și mediu de automatizare

Sursă: Realizat de autor in Excel folosind baza de date OECD

Unele sectoare de activitate au un risc ridicat particular de automatizare. De exemplu,

locurile de muncă în industria alimentară, transporturi, manufactură, mecanică si alte industrii
elementare vor fi automatizate la scară înaltă comparativ cu oricare alte sectoare de activitate. Din
cauza asta, automatizarea se poate dovedi mai devastatoare pentru lucrătorii ce muncesc pe cont

pag. 10
propriu în aceste sectoare deoarece oamenii se pot reprofila către angajații ce folosesc deja modul de
lucru automatizat, datorită avantajelor pe care automatizarea le aduce, cum ar fi timpul de execuție
mai mic și costul de producție mai mic. Aproximativ 10% din totalul angajaților sunt angajați în
aceste 5 cele mai riscante industrii. Deoarece tehnologia este în continuă dezvoltare, locurile de
muncă din aceste industrii care nu vor putea fi automatizate, vor suferi schimbări semnificative. Din
cauza schimbărilor majore pe care automatizarea le va aduce în modul în care angajații lucrează,
aceștia vor avea nevoie de timp și pregătire suplimentară pentru a avea cel puțin un randament
asemănător ca înainte.

Figura 3. Procentul locurilor de muncă cu risc ridicat de automatizare pe sectorul de activitate

Sursă: Realizat de autor in Excel folosind baza de date OECD

Crearea de locuri de muncă în sectoarele cu un risc ridicat de automatizare va duce la

creșterea riscului unor cheltuieli publice mult mai mari. Principalul scop al programelor de
dezvoltare economică este crearea unui număr cât mai mare de locuri de muncă, însă, totodată,
guvernul dorește să asigure și o calitate superioară pentru angajați. Pentru a asigura o calitate la
nivel înalt, o serie de schimbări în activitatea muncii ar trebui să apară, iar salariul, securitatea și
condițiile în care angajații lucrează sunt principalele aspecte din câmpul muncii care ar trebui să

pag. 11
sufere schimbări semnificative. De asemenea, un alt element important în calitatea muncii este și
riscul automatizării în viitorul apropiat.

Regiunile pot fi clasificate în 4 categorii importante, indiferent, dacă angajații își vor pierde
locul de muncă sau vor obține un loc de muncă nou sau, indiferent, dacă angajații lucrează într-un
domeniu ce este cotat cu un risc ridicat sau scăzut de automatizare. Regiunile sunt clasificate în
funcție de numărul de locuri de muncă ce au fost create în intervalul de timp 2011 și 2016 și în plus
împărțite în funcție de tipul de ocupație în care au fost create locuri de muncă. Această clasificare
oferă informații pe termen lung, dar și scurt despre ocuparea forței de muncă la nivelul mai multor
regiuni, iar clasificarea arată astfel:

 Crearea unor locuri de muncă într-un sector de activitate cu risc scăzut de automatizare
 Crearea unor locuri de muncă într-un sector de activitate cu risc mare de automatizare
 Dispariția unor locuri de muncă într-un sector de activitate cu risc scăzut de automatizare
 Dispariția unor locuri de muncă într-un sector de activitate cu risc mare de automatizare

Regiunile care au creat locuri de muncă pentru ocupațiile cu risc scăzut de automatizare au ajutat
și la îmbunătățirea calității modului de lucru pe termen scurt și, de asemenea, au minimizat riscul
unei rate a șomajului mare din cauza automatizării. Pe de altă parte, regiunile care au reușit să creeze
un număr considerabil de joburi pentru sectoarele de activitate predispuse la un risc foarte mare de
automatizare, au reușit totodată să îmbunătățească calitatea modului de lucru a angajaților pe
termen scurt, însă au făcut acest lucru pe seama trecerii la o paletă de locuri de muncă și mai
riscante în viitor. Regiunile care se confruntă cu dispariția locurilor de muncă în domeniile care
prezintă un risc ridicat de automatizare sunt cele care au la bază un proces de schimbare structurală
cauzată de automatizare. În ultimul rând, regiunile în care au dispărut un număr mare de joburi
pentru sectoarele de activitate cu un risc mic de automatizare se confruntă cu cea mai mare
provocare deoarece, chiar dacă riscul de automatizare este scăzut, acestea tot înregistrează o scădere
a numărului de locuri de muncă și, în plus, crește riscul unei pierderi și mai mari a joburilor în viitor.

Câteva regiuni au reușit să facă tranziția către o gamă de joburi cu risc scăzut în perioada
2011 și 2016. În general, majoritatea regiunilor din Europa au pus bazele unei noi restructurări a
forței de muncă după criza din anul 2008 și au reușit să creeze multe locuri de muncă. Ca excepție
de la acest trend au fost țările din partea de sud a Europei din cauză că acestea au fost mult mai
afectate de criza economică. În plus, în multe țări, mai mult de jumătate din regiunile din Europa s-
au îndreptat către locurile de muncă cu un risc mai mic de automatizare.

pag. 12
 De exemplu, Catalania (Spania) este una dintre regiunile care a reușit să mute piața forței de
muncă spre un profil al locurilor de muncă cu un risc scăzut de automatizare. Din păcate,
comparativ cu alte regiuni, aceasta a pierdut mai multe locuri de muncă decât a reușit să creeze.

Bratislava (Slovacia) este una dintre regiunile care a ajutat la crearea de locuri de muncă în
ocupații cotate cu risc ridicat de automatizare. O altă regiune care a reușit să facă față provocărilor
de pe piață forței de muncă este Ardenne din Franța, unde chiar dacă, în intervalul de timp, aceasta
se confrunta cu o scădere de 6.5% a numărului de locuri de muncă, aceasta a reușit să stabilizeze
piața forței de muncă cu noi joburi.

Puține țări cum ar fi Cehia și Norvegia au reușit să genereze o creștere a locurilor de muncă
și să tranziteze joburile curente către sectoare de activitate cu risc foarte scăzut de automatizare în
toate regiunile. Totuși, multe țări au înregistrat și o scădere a numărului de locuri de muncă sau o
tranziție către sectoare cu risc ridicat de automatizare.

pag. 13
 Tabel 1. Procentul regiunilor pe țără care au creat sau au pierdut locuri de muncă în sectoare de
activitate cu risc ridicat și scăzut de automatizare

Sursă: Realizat de autor in Excel folosind baza de date OECD

2.2 Factorii care influențează riscul automatizării la nivel regional pe țară

Distribuția neuniformă a riscurilor automatizării ridică o problemă la nivel macroeconomic și

arată ce regiuni vor fi afectate cel mai mult de progresul inteligenței artificiale. Caracteristicile
identificate pentru fiecare regiune vor ajuta politicienii să stabilizeze inegalitățile forței de muncă ale
regiunilor cele mai afectate de automatizare.

Locurile de muncă automatizate la nivel înalt se află, cel mai probabil, în număr cât mai
mare în zonele unde productivitatea muncii este scăzută. Acest lucru se întâmplă deoarece regiunile
cu o productivitate scăzută folosesc mult mai puțin dispozitivele avansate automate. De când s-a
arătat că automatizarea tinde să crească productivitatea muncii, regiunile cu un nivel scăzut al
productivității muncii, au, de asemenea, și un număr mic de locuri de muncă sau activități
automatizate. Acest lucru arată că acele regiuni au un potențial mai mare pentru automatizarea
modului de lucru în viitor și prin urmare având un risc ridicat pentru pierderea unui număr mare de
locuri de muncă.

pag. 14
Figura4. Legătura dintre productivitatea muncii și procentul joburilor cu risc mare de automatizare

Sursă: Realizat de autor in Excel folosind baza de date OECD

Provocarea pentru un nivel scăzut al productivității este descurajată deoarece majoritatea

regiunilor se confruntă în plus și cu o rată mare a șomajului. Multe regiuni se confruntă în paralel cu
o serie de probleme cauzate de automatizare. De exemplu, pe de-o parte, trebuie să ofere locuri de
muncă cetățenilor într-un timp cât mai scurt, iar pe de altă parte trebuie să asigure un nivel de
angajare mare și o prosperitate ridicată a modului în care oamenii își desfășoară activitatea. Aceste
cazuri implică adesea un nivel mai mare de automatizare care poate să afecteze ocuparea forței de
muncă pe termen scurt. Acest lucru îl putem vizualiza și în figura de mai jos care arată că regiunile
cu o rată mare a șomajului au și mai multe locuri de muncă cu un risc ridicat de automatizare.

pag. 15
 Figura5. Legătura dintre rata șomajului și procentul joburilor cu risc mare de automatizare

Sursă: Realizat de autor in Excel folosind baza de date OECD

3.Analiza indicatorilor forței de muncă în Europa

3.1 Ocuparea forței de muncă

pag. 16
 Criza financiară care a izbucnit în anul 2008 a dus la o scădere foarte mare a ratei de ocupare a
forței de muncă la nivel internațional. Comparativ cu recesiunile din anii precedenți, rata de ocupare
a forței de muncă s-a redresat încet în următorii ani.

Rata de ocupare a forței de muncă este definită ca o măsura de extindere a resurselor forței
de muncă disponibile și, de asemenea, ne ajută sa vedem numărul de persoane disponibile să
muncească. Acest indicator este calculat ca un raport între numărul de persoane ce ocupă un loc de
muncă și numărul total de persoane. Ratele ocupării forței de muncă sunt sensibile la ciclurile
economice, dar pe termen lung, acest indicator este afectat semnificativ de politicile guvernamentale
de învățământ superior și sprijinire a veniturilor, dar și de politicile care facilitează angajarea
femeilor și grupurilor defavorizate. Persoanele angajate sunt cele cu vârsta de 15 ani sau peste, care
raportează că au lucrat în câmpul muncii pentru cel puțin o oră pe săptămâna sau au avut un loc de
muncă, dar au fost absente în timpul săptămânii de referință. Populația în vârstă de muncă se referă
la persoanele cu vârsta cuprinsă între 15 și 64 de ani. Acest indicator este ajustat sezonier și este
măsurat în termeni de mii de persoane în vârstă de 15 ani și peste sau ca procent din populația
activă.

Formula de calcul a indicatorului folosit în analiză:

numărul persoanelor ce ocupă un loc de muncă

Rata de ocupare a forței de muncă (%) = *100
numărul total de persoane

În anul 2018, pentru țările care fac parte din Uniunea Europeană, rata de ocupare a forței de
muncă pentru persoanele cu vârsta cuprinsă între 20 și 64 de ani a fost de 73,1%, cea mai mare
valoare anuală înregistrată vreodată. Însă, chiar dacă media ratei de ocupare a forței de muncă pentru
toate țările Uniunii Europene a avut o valoare foarte mare, există diferențe semnificative între țări.
De exemplu, Suedia este statul cu cea mai mare rată a ocupării forței de muncă de 80,2%. Pe de altă
parte, țările care nu sunt membre ale Uniunii Europene, dar care au înregistrat valori ale ratei de
ocupare a forței de muncă mai mari sunt Elveția cu o rată de 82,5% și, respectiv, Islanda cu o rată de
86,5%.

pag. 17
 European Union (28 countries)
70.0

69.0

68.0

67.0

66.0

65.0

64.0

63.0

62.0

61.0

60.0
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018

Figura 6. Evoluția ratei ocupării forței de muncă în Suedia comparative cu Uniunea Europeană

Sursă: Realizat de autor in Excel folosind bada de date Eurostat

În anul 2010, consiliul european a pus bazele unei noi strategii, în care accentul a fost pus pe
dezvoltarea economiei țărilor europene. Un alt principal obiectiv a fost creșterea ratei de ocupare a
forței de muncă până în anul 2020 la cel puțin 75%.

În anul 2018, paisprezece state membre ale Uniunii Europene au avut o rată egală sau mai
mare cu 75%, respectiv șase membre nordice și baltice (Danemarca, Suedia, Finlanda, Estonia,
Lituania, Letonia) precum și Anglia, Germania, Malta, Cehia, Portugalia, Austria și Slovenia. Însă,
țările care au fost departe de obiectivul Uniunii Europene, cu o rată mai mica decât 70%, sunt
Croația, Italia, România, Spania și Belgia, iar cea mai mica rată a ocuparii forței de muncă a fost în
Grecia.

Între anii 2002 și 2018, rata de ocupare a forței de muncă pentru populația cu vârsta între 20
și 64 ani a crescut cu 6,4%, de la 66,8% la 73,2%. Totuși, multe țări au experimentat diferite situații
în privința creșterii ocupării forței de muncă pe parcursul anilor. Rata a crescut în toate țările
europene între anii 2002 și 2018, mai puțin in Grecia și Cipru unde rata ocupării forței de muncă a
înregistrat o scădere de 3 puncte procentuale și respectiv 1 punct procentual.

pag. 18
 Figura7. Evoluția ratei ocupării forței de muncă în UE comparativ cu România și Grecia

Sursă: Realizat de autor in Excel folosind baza de date Eurostat

În ceea ce privește rata ocupării forței de muncă pe genuri, aceasta a înregistrat o valoare mai
mare între anii 2002 și 2018 pentru femei în aproape toată țările, exceptând Latvia și Lituania. Rata
ocupării forței de muncă pentru femei a crescut pe parcursul celor 16 ani cu 9,2%. Țările care au
avut cea mai mare crestere au fost Malta (+29%), Bulgaria (+16%) și Germania (+14%). In anul
2018, țările cu cea mai mare rată au fost Suedia (80,4%) și, de asemenea, Islanda (83,2%). La polul
opus, cu cea mai mica rată a ocupării forței de muncă se află Grecia și Italia cu o rata de doar 49% și
respectiv 53%.

Rata de ocupare a forței de muncă pentru bărbați a fost mult mai limitată, înregistrând o
creștere de doar 3,5% pe parcursul anilor 2002 și 2018. Pentru bărbați, rata de ocupare chiar a scăzut
în cele 11 state membre Uniunii Europene. De exemplu, în Grecia rata a scăzut de la 78,4% în anul
2002 la 70% în anul 2018, având o scădere de 8,3%. O altă țară impactată de scăderea ratei de
ocupare a fost Cipru, unde a scăzut de la 85,8% în anul 2002 la 79,3% în anul 2018, înregistrând o
scădere de aproximativ 6,5%.

pag. 19
 Diferența dintre ratele de ocupare a forței de muncă între bărbați și femei a scăzut constat la
nivel european de la 17.3% la 11.6% în anul 2018. Același trend a fost observat în toate țările
membre mai puțin Bulgaria, Estonia, Ungaria, Polonia, Slovacia și România.

Scăderea accentuată s-a observant mai ales în Malta unde diferența dintre ratele de ocupare
pe genuri a fost de 24,3% datorită creșterii ratei pentru femei, și de asemenea, în Spania unde
diferența a fost de 17,4%.

Figura8. Evoluția ratei ocupării forței de muncă în UE pe genuri

Sursă: Realizat de autor in Excel folosind baza de date Eurostat

Ratele de angajare pot varia considerabil și în funcție de nivelul de educație. Rata medie
europeană de ocupare a forței de muncă a persoanelor cu vârsta cuprinsă între 25 și 64 de ani care au
absolvit un ciclu terțiar a fost în anul 2018 de 85,8%, mult mai mare decât pentru cei care au obținut
doar o educație primară sau inferioară unde valoarea medie a ratei a fost de doar 56,8%. Rata de
angajare a persoanelor care au absolvit cel puțin un ciclu de învățământ secundar sau postliceal non-
terțial se situează cel mult între cele două rate anterioare, la 76,4%. Pe baza datelor prezentate mai
sus, se indică faptul că odată cu creșterea nivelului de educație, crește și probabilitatea de a obține
un loc de muncă. Pe de altă parte, pe lângă faptul că persoanele cu un nivel de educație inferior au
cea mai mică rată de angajare, aceștia sunt și cei mai afectați de pierderea locurilor de muncă la
pag. 20
apariția crizelor economice. Rata de ocupare a forței de muncă pentru aceste persoane a scăzut cu
5% între anii 2007 și 2013 la nivelul Uniunii Europene.

De exemplu, în anul 2018, în Slovacia, rata de ocupare a forței de muncă pentru persoanele
cu un nivel inferior de educație a fost de 37,9%; această rată este mult mai mică decât rata de
angajare a persoanelor cu un nivel mediu (76,9%) și un nivel superior de educație (82,6%).

Această situație este similară și in Bulgaria și Croația unde diferența între rata de angajare este mare
în funcție de nivelul de educație a persoanelor apte pentru a munci. În Croația și Bulgaria, rata de
angajare pentru persoanele cu un nivel inferior de educație a fost în anul 2018 de 37,5% și respectiv
47%, cu o diferență semnificativă față de rata de angajare pentru persoanele cu un nivel mediu de
educație, unde în Croația a fost de 68%, iar în Bulgaria de 78,5%.

De asemenea, ponderea persoanelor care au mai mult de un loc de muncă este mică, iar
persoanele cu un nivel superior de educație au mai multe șanse să obțină și un al doilea loc de
muncă decât persoanele cu un nivel mediu sau inferior de educație. În Europa, în anul 2018, 5%
dintre persoanele cu studii superioare aveau mai mult de un loc de muncă, în timp ce această
pondere era de doar 2,8% și 3,8% pentru cei cu nivel mediu sau inferior de educație. Ponderea
persoanelor care au mai mult de un loc de muncă cu un nivel ridicat de educație a fost cea mai
ridicată în Țările de Jos (10,1%), Estonia (9,8%), Suedia (8,8%) și Danemarca (8,3%). Diferența
dintre persoanele cu un nivel scăzut și nivelul înalt de educație pentru persoanele cu mai mult de un
loc de muncă a fost puternic vizibilă în Letonia (diferență de 6,9%), urmată de Estonia (diferență de
6,7%), Portugalia (diferență de 5,6%) și Olanda (diferență de 4,9%). Cu toate acestea, în unele țări,
ponderea persoanelor care au mai mult de un loc de muncă a fost ușor mai ridicată în rândul
persoanelor cu un nivel scăzut de educație decât în rândul celor cu un nivel ridicat de educație; cea
mai mare diferență în această direcție a fost în Franța, unde diferența dintre cele doua nivele de
educație a fost de 1,8%.

În ceea ce privește ocupația, persoanele cu un nivel de pregătire profesională au reprezentat

cel mai mare grup din Europa cu 20% persoane angajate. Acest lucru a fost urmat de angajații din
servicii și vânzări cu 16,4%, iar apoi de tehnicieni și profesioniști asociați cu un procent de persoane
angajate de 16,3%. La polul opus sunt lucrătorii calificați în agricultură, silvicultură și pescuit (3%)
și angajații forțelor armate (0,6%).

Cu toate acestea, ocupația nu oferă decât o imagine restrânsă a caracteristicilor economice,

sociale și culturale ale persoanelor angajate. Din acest motiv, a fost introdusă o clasificare mai largă

pag. 21
numită ESEG (Grupurile Socio-Economice Europene), care combină ocupația cu statutul în
ocuparea forței de muncă. Folosind această clasificare, persoanele cu un nivel de pregătire
profesional (20%) au rămas cel mai mare grup din Uniunea Europeană în 2018, dar de data aceasta
au urmat angajații cu statut inferior cu un procent de 18,2% .

Figura9. Procentul de persoane angajate în funcție de profesie în Europa

Sursă: Realizat de autor in Excel folosind baza de date Eurostat

În Europa, proporția forței de muncă pentru grupa de vârstă 20-64 care a optat pentru
reducerea numărului de ore lucrate a crescut încet, dar în mod constant, de la 14,9% în 2002 la 19%
în 2015, apoi a scăzut marginal la 18,5% în anul 2018. În 2018, procentul cel mai mare al
muncitorilor care optează pentru locurile de muncă cu jumătate de normă a fost înregistrat în Olanda
(46,8%), urmată de Austria, Germania, Belgia, Anglia, Suedia și Danemarca. În schimb, locurile de
muncă cu jumătate de normă erau relativ neobișnuite în Bulgaria, unde 1,8% din persoanele ce
ocupă un loc de muncă au optat pentru un program cu jumătate de normă. Începând cu 2002, toate
statele europene au înregistrat o creștere a procentului de locuri de muncă cu normă redusă, cu
excepția României unde s-a înregistrat o scădere de 3,1%.

Puțin mai puțin de o treime (30,8%) dintre femeile cu vârste cuprinse între 20 și 64 de ani
care au fost angajate în țările europene au lucrat cu jumătate de normă în 2018, proporție mult mai

pag. 22
mare decât procentul corespunzătoare pentru bărbați (8,0%). Aproximativ trei sferturi (73,8%)
dintre femei și oarecum mai puțin de un sfert din bărbații (23,0%) angajați în Țările de Jos au lucrat
cu jumătate de normă în 2018, cele mai ridicate rate dintre statele membre ale Uniunii Europene.
Cea mai mare creștere a procentului locurilor de muncă cu jumătate de normă între 2002 și 2018 a
fost cea a femeilor din Italia (15,6%, de la 16,8% la 32,4%) și a bărbaților în Elveția (7,9%, de la
9,1% la 17%). Pe de altă parte, cea mai mare scădere a procentului locurilor de muncă cu jumătate
de normă pentru femei a fost în Islanda (-11,8%, de la 42,3% la 30,5%), iar pentru bărbații în
Lituania (-3,2 %, de la 8,3% la 5,1%).

Din 2002 până în 2018, ponderea persoanelor cu contract permanent a scăzut ușor în țările
din Europa, în timp ce ponderea angajaților cu contract temporar a înregistrat o creștere de la 11,2%
în anul 2002 la 13,2% în anul 2018. Numărul de persoane angajate temporar variază în rândul
statelor membre ale Europei. Procentul cel mai mare de persoane care au încheiat un contract
temporar a fost înregistrat în 2018 în Spania (26,4%), Polonia (23,9%) și Portugalia (21,5%). La
celălalt capăt, cea mai mică pondere a persoanelor cu contracte temporare se regăsesc în România
(1,1%), Lituania (1,4%) și Letonia (2,6%).

Figur10. Procentul de persoane angajate cu un contract temporar în Europa

Sursă: Realizat de autor in Excel folosind baza de date Eurostat

pag. 23
3.2 Productivitatea muncii

Scăderea productivității forței de muncă a venit în ciuda creșterii digitalizării și

automatizării. La începutul secolului, 100000 de roboți industriali au fost livrați în fiecare an în
întreaga lume. Până în anul 2016, numărul roboților industriali a ajuns la 300000. În majoritatea
țărilor europene, numărul roboților industriali per anagajat s-a dublat pe parcursul ultimilor 15 ani.
Multe modele economice estimează că dezvoltarea digitalizării și sporirea folosirii roboților
industriali vor duce la o creștere a productivității mult mai mare. Cu toate acestea, încetinirea
creșterii productivității muncii și a volatilității ocupării forței de muncă indică schimbarea locurilor
de muncă existente. Totuși, chiar dacă toate analizele specialiștilor indică schimbarea majoră a
joburilor în viitor, aceasta schimbare nu va fi universală. De exemplu, unii angajați vor beneficia de
noua tehnologie care le va îmbunătăți modul în care lucrează și, de asemenea, îi va ajuta să obțina
un salariu mai mare. Pe de altă parte, alți angajați vor încerca să se adapteze noului mediu de lucru și
să facă față unor pierderi consistente de locuri de muncă.

Productivitatea muncii este definită ca fiind produsul intern brut (PIB) real pe numărul de
persoane ce ocupă un loc de muncă. Aceast indicator explică cel mai bine folosirea intrărilor forței
de muncă iar, contribuția forței de muncă este definită ca totalul orelor lucrate de toate persoanele
implicate. Datele provin din numărul mediu de ore lucrate înmulțit cu măsura corespunzătoare și
coerentă a ocupării forței de muncă pentru fiecare țară în parte. Prognoza se bazează pe o evaluare a
climatului economic în fiecare țară și pe economia mondială, utilizând o combinație de analize
bazate pe modele și o analiză a experților. Acest indicator se măsoară ca un indice.

Formula de calcul pentru productivitatea muncii este:

Produsul intern brut

Productivitatea muncii =
Numărul persoanelor ce ocupă un loc de muncă

În calculul productivității muncii, anul de referință al produsului intern brut este 2010, iar numărul
total de persoane ce ocupă un loc de muncă va include toate industriile de pe piața forței de muncă.
PIB-ul pe persoană angajată este destinat să ofere o impresie de ansamblu asupra productivității
economiilor naționale exprimate în raport cu media Uniunii Europene. Conform Eurostat, dacă
indicele unei țări este mai mare de 100, nivelul PIB-ului pe țară al unei persoane ocupate este mai
mare decât media UE și invers.

pag. 24
 Creșterea productivității muncii în țările europene rămâne la un nivel scăzut. Încă din anul
2010, creșterea anuală a productivității muncii a incetinit până la 0,9%, aproximativ jumătate din
valoarea indicatorului înregistrat în timpul perioadei dinaintea crizei economice. În urma unei
creșteri slabe a productivității și a ratei investițiilor în multe economii, PIB-ul pe locuitor a fost
susținut de creșterea utilizării forței de muncă, deoarece rata ocupării forței de muncă a atins recent
nivele record în majoritatea țărilor.

Figura11. Creșterea productivității muncii în țările din Uniunea Europeană în 2017

Sursă: Realizat de autor in Excel folosind baza de date OECD

În multe țări, creșterea ocupării forței de muncă a fost înregistrată în industriile cu o

productivitate scăzută, scăzând astfel productivitatea totală a muncii. Unele țări, cum ar fi Finlanda,
Belgia, Italia și Spania, au luat parte la distrugerea netă a locurilor de muncă în industrii ce
prezentau un nivel mediu a productivității muncii. Mai multe locuri de muncă, ce presupuneau
activități cu o productivitate scăzută, au dus, de asemena, la un număr mai mare de joburi cu salarii
sub nivelul mediu din majoritatea economiilor. Deși, creșterea salariului real, ajustat de inflație, a
inceput să se consolideze în multe economii, în anii recenți, aeasta a rămas sub nivelul mediu
dinaintea crizei. Totuși, în multe țări, s-au înregistrat semne ca nivelul salariului și nivelul creșterii
productivității muncii incep sa se stabilizeze.

pag. 25
 Pe de altă parte, recuperarea investițiilor rămâne la un nivel modest. În unele țări, ca de
exemplu Canada și Anglia, slabirea pieței forței de muncă și presiunea asupra nivelului de salarizare
le-a permis companiilor să amâne deciziile investițiilor.

Figura12. Țările cu cea mai mica creștere a productivității muncii de-a lungul timpului

Sursă: Realizat de autor in Excel folosind baza de date OECD

Încetinirea creșterii productivității muncii în manufactură s-a împrăștiat în aproape toate sub-
sectoarele acestei industrii, de la sub-ramura tehnologiei informației ce presupune activități de înaltă
calificare și producerea unor dispozitive performante cum ar fi calculatoarele, la o sub-ramura ce
presupune muncitori mai putin calificați și anume producerea produselor textile. Creșterea
productivității in manufactura a dus la surclasarea productivității muncii în servicii. În sectorul
afacerilor, pentru multe țări, creșterea productivității muncii în ultimii 15 ani a fost determinată în
principal de serviciile alimentare, de transport și de distribuție. În perioada dinaintea crizei, creșterea
puternică a productivității muncii din finanțe și asigurări a jucat un rol puternic, insă contribuția
acestor două sectoare este mai slabă în prezent.

În ultimii 15 ani, multe țări și-au îmbunătățit competitivitatea prin menținerea

costurilor pieței forței de muncă atât in manufactură, cât și în sectorul serviciilor din sectorul public.
Venituile de pe piața forței de muncă au înregistrat scăderi considerabile, în special, în sectorul
manufacturii. Cele mai mari scăderei ale veniturilor în manufactură au fost înregistrate în Grecia

pag. 26
( de la 58% in anul 2001 la 45% în anul 2017) și Polonia ( de la 66% în anul 2001 la 53% în anul
2017). Pe de altă parte, cele mai mari scăderi ale veniturilor in sectorul serviciilor din domeniul
public au fost înregistrate în Belgia ( de la 85% în anul 2001 la 75% în anul 2017) și Irlanda ( de la
56% în anul 2001 la 43% în anul 2017).

Figura13. Productivitatea medie a muncii în manufactură în intervalul 2014-2018

Sursă: Realizat de autor in Excel folosind baza de date OECD

pag. 27
4. Analiza statistică multidimensională a impactului inteligenței artificiale
asupra forței de muncă

Prin analiza statistică multidimensională realizată în acest capitol vom vedea care sunt țările
afectate cel mai mult de dezvoltarea inteligenței artificiale la nivel european și ce impact are
automatizarea asupra forței de muncă. Analiza statistică a cuprins 27 de țări din Europa: Belgia,
Bulgaria, Cehia, Danemarca, Germania, Grecia, Spania, Franța, Croația, Italia, Cipru, Latvia,
Lituania, Luxemburg, Ungaria, Olanda, Austria , Polonia, Portugalia, România, Slovenia, Slovacia,
Finlanda, Suedia, Anglia, Norvegia și Serbia. Variabilele folosite în analiză sunt rata ocupării forței
de muncă în anul 2016 și procentul roboților din 8 industrii importante de pe piața forței de muncă
din anul 2016 cum ar fi:

 Transport: roboții destinați acestui sector de activitate ajută la transportul atât al produselor,
cât și al persoanelor ajutând totodată la minimizarea costurilor și eficientizarea modului de
lucru.
 Manufactură: industria cu cel mai mare risc de automatizare deoarece cuprinde toate
profesiile elementare care au la bază lucrul manual. De exemplu, o serie de industrii ce vor fi
automatizate în cel mai scurt timp în viitor sunt: industria alimentară, industria agricolă,
industria chimică, industria de prelucrare a metalelor.
 Comerț: automatizarea acestui sector presupune dotarea întreprinderilor cu dispozitive
inteligente create cu ajutorul inteligenței artificiale cum ar fi sisteme automate de plată, de
cântărire, de scanare a prețurilor. Aceste dispozitive inteligente vor duce la minimizarea
personalului existent deoarece lucrul manual pe care aceștia îl făceau poate fi înlocuit de
acestea.
 Construcții: industria cu cel mai mic grad de automatizare în care activitățile periculoase au
reușit să fie automatizate cu ajutorul dispozitivelor de ultimă generație. De exemplu, multe
întreprinderi folosesc drone pentru a monitoriza sau a inspecta stadiul unor proiecte. De
asemenea, automatizarea acestui sector este strâns legată cu ramura internet of things ce
presupune construcția caselor inteligente unde toate dispozitivele vor comunica între ele.
 Telecomunicații: serviciile noi, inovative orientate către clienți folosite pentru a îmbunătăți
modul în care aceștia folosesc produsele au reușit să se dezvolte și mai mult în anii recenți cu
ajutorul tehnologiilor noi .
 Cercetare: automatizarea în acest sector va avea un impact important asupra societății
deoarece va ajuta la dezvoltarea rapidă a altor industrii triviale pentru societate. De exemplu,
pag. 28
 medicina este principala ramură care se va dezvolta datorită cercetării, dar și datorită
aparatelor dezvoltate cu ajutorul inteligenței artificiale.
 Suport administrativ: acest sector de activitate va suferi puține pierderi ale locurilor de
muncă deoarece presupune în mare parte interacțiunea umană, iar aceste cerințe vor putea fi
automatizate cu greu. Chiar și așa există anumite activități care vor fi afectate, ca de exemplu
recrutarea unor persoane noi, oferirea de noi informații.
 IT: automatizarea acestei ramuri care a pus bazele inteligenței artificiale ar duce la un
progres și mai avansat al procesului de automatizare. Chiar și sectorul IT va suferi o
restructurare a modului în care oamenii își desfășoară activitatea deoarece se dorește o
creștere a productivității muncii. Un exemplu al automatizării acestui sector ar fi scoaterea
pe piață a unor programe ce ajută utilizatorii sa lucreze într-un mod mai simplu și mai rapid
din interfață, dar generând în același timp un cod sursă bazat pe acțiunile anterioare ale
utilizatorului.

4.1 Clusterizarea țărilor din Europa

Analiza cluster este o metodă statistică ce își propune să grupeze un set de observații în clase de
entități similare. Se dorește gruparea celor 27 de țări europene în funcție de procentul roboților din
cele 8 industrii importante de pe piața forței de muncă pentru a vizualiza care sunt cele mai
dezvoltate țări din punct de vedere al dezvoltării inteligenței artificiale și al automatizării modului în
care oamenii lucrează.

Determinarea numărului optim de clustere

O metodă importantă pentru determinarea numărului optim de clustere în care ar trebui să fie
clasificate observațiile setului de date este metoda Elbow care analizează procentul de variație
explicată de fiecare cluster format și alege numărul optim astfel încât, dacă s-ar mai adăuga în plus
un cluster, modelarea datelor nu ar fi mai bună. Variația explicată de fiecare cluster este calculată ca
un raport între variația dintre grupe și variația totală.

Din graficul de mai jos putem observa că numărul optim de clustere care au fost formate pentru a
grupa țările europene în funcție de progresul automatizării este 4.

pag. 29
 Figura14. Numărul optim de clustere folosind metoda Elbow

Sursă: Realizat de autor in R Studio folosind baza de date Eurostat

Clusterizarea neierarhică folosind algoritmul k-means

Analiza cluster a fost realizată cu ajutorul algoritmului statistic K-means care este o metodă ce
partiționează cele n observații în k clustere. Fiecare observație aparține clusterului care avea
valoarea acesteia cât mai aprope de valoarea medie ce servește ca prototip al grupului.

În figura 15 de mai jos sunt prezentate atât clusterele formate, cât și componența acestora.

Figura15. Reprezentarea grafică a celor 4 clustere

Sursă: Realizat de autor in R Studio folosind baza de date Eurostat

pag. 30
Clusterul 1 este format din cele mai dezvoltate țări din punct de vedere al automatizării modului de
lucru și cuprinde 9 țări precum Germania, Italia, Latvia, Franța, Ungaria, Slovenia, Finlanda, Anglia,
Norvegia. Latvia și Ungaria sunt unele dintre țări unde s-a înregistrat un nivel scăzut al
productivității muncii în perioada 1995-2018, iar acest lucru a pus bazele unei dezvoltari accelerate
a inteligenței artificiale. Germania, Norvegia, Finlanda, Anglia, deși au parte de o stabilitate a pieței
forței de muncă cu un nivel al productivității mare, o rată de ocupare a forței de muncă ridicată și o
rată mica a șomajului sunt țările care investesc cel mai mult în tehnologiile ce ajută populația să își
desfășoare activitatea într-un mod cât mai eficient.

Clusterul 2 cuprinde țările cu o dezvoltare medie a inteligenței artificiale ce stă la baza automatizării
locurilor de muncă. Acesta conține 6 țări europene precum Belgia, Lituania, Grecia, Croația,
Romania, Serbia. Companiile din Belgia, Croația și România investesc constant în dezvoltarea
inteligenței artifciale deoarece aceste țări se confruntă cu o lipsă de forță de muncă majoră ce
amenință stabilitatea companiilor de pe piață. Pe de altă parte, Lituania, cât și Grecia sunt alte țări cu
o productivitate scăzută a muncii pe o perioadă îndelungată de timp, iar dezvoltarea inteligenței
artificiale ar ajuta la stabilitatea acestui indicator.

Cluster 3 este caracteriat de o dezvoltare slabă a automatizării joburilor de pe piața forței de muncă.
Acesta cuprinde 8 țări ca de exemplu Cehia, Danemarca, Spania, Austria, Polonia, Portugalia,
Olanda, Suedia. Țările nordice precum Suedia, Olanda, Danemarca sunt cele cu o rată de angajare
ridicată, iar dezvoltarea inteligenței artificiale ar fi dus la o amenințare a acestui indicator economic.
Pe de altă parte, Polonia, Portugalia, Cehia și Spania sunt țările unde guvernele din aceste țări sunt
sceptice în ceea ce privește automatizarea locurilor de muncă deoarece nu au vrut să se confrunte cu
o instabilitate a indic piaței forței de muncă și nu au susținut dezvoltarea acestor noi tehnologii.

Cluster 4 este format din cele mai slab dezvolate țări din Europa în ceea ce priveste progresul
inteligenței artificiale. Acesta cuprinde 4 țări precum Bulgaria, Cipru, Luxemburg, Slovacia.
Deoarece guvernele acestor țări nu au fost îngrijorate de evoluția indicatorilor specifici pieței forței
de muncă, aceștia înregistrând valori medii în ceea ce privește rata șomajului și productivitatea
muncii, guvernele au ales să nu susțină prin investiții dezvoltarea automatizării la scară înaltă a
modlui de lucru.

pag. 31
4.2Analiza în componente principale

Analiza în componente principale este o procedură statistică ce folosește transformările

ortogonale pentru a transforma observațiile unor variabile posibil corelate într-un set nou de
observații a unor variabile necorelate numite componente principale sau componente artificiale.
Analiza în componente principale a dezvoltării inteligenței artificiale cuprinde procentul roboților
destinați automatizării din toate cele 8 sectoare de activitate descrise mai sus din anul 2016.

Analiza matricei de corelație

O primă imagine asupra variabilității datelor analizate este dată de matricea de corelație
dintre variabilele observate. Corelațiile puternice sunt cele care indică variabilele între care există o
strânsă legătură, deci aduc redundanță informaționlă în setul de date și ajută la construirea
componentelor principale. Din analiza corelogramei putem observa că procentul roboților din ICT,
telecomunicații, suport administrative și transport generează cele mai mari corelații, deci aceste
variabile vor contribui cel mai mult la formarea componentelor principale.

Figura16. Matricea de corelație

Sursă: Realizat de autor in R Studio folosind baza de date Eurostat

Analiza valorilor proprii. Varianța componentelor principale.

pag. 32
 Prin valorile proprii calculate în tabelul de mai jos putem observa varianța primelor 3
componente principale individual, procentual și procentual cumulat. Prima componentă principală
este mult mai semnificativă decât celelalte componente și acoperă aproximativ 36% din
variabilitatea totală a datelor, a doua componentă formată explică 17% din variabilitatea datelor, iar
a treia componentă principală doar 14%. În total, cele 3 componente principale formate explică
aproximativ 67% din variația totală a datelor.

Tabel 2. Procentul variației explicate de fiecare componentă

Sursă: Realizat de autor in R Studio folosind baza de date Eurostat

Conform criteriilor Cattell și Kraiser sunt semnificative primele 3 componente principale

formate, aspect scos în evidență și de graficul distribuției de variație reprezentat in figura de mai jos
unde panta dreptei valorilor proprii se modifică la cea de-a treia componentă artificială.

pag. 33
 Figura17. Graficul valorilor proprii (Scree plot)

Sursă: Realizat de autor in R Studio folosind baza de date Eurostat

Corelațiile factoriale

Corelațiile factoriale reprezintă coeficienții de corelație liniară dintre variabilele observate și

componentele artificiale formate și reflect contribuția fiecărei variabile la construirea componentei
principale. În tabelul 3 sunt prezentate corelațiile factoriale pentru cele mai semnificative
componente. De asemenea, aceste corelații factoriale ne ajută la asocierea unei semnificații concrete
componentelor princiapele, semnificație care ne ajută să vizualizăm ce au în comun variabilele
analizate cu componenta formată.

Tabel 3. Corelațiile factoriale

Sursă: Realizat de autor in R Studio folosind baza de date Eurostat

Prima componentă principală – denumită generic automatizarea industriilor ce au la bază

interacțiunea umană - este puternic corelată în sens pozitiv cu procentul roboților din
telecomunicații, ICT, suport administrativ, comerț, cercetare și construcții.

A doua componentă artificială – numită generic automatizarea marilor industrii - este puternic
corelată negativ cu procentul roboților din transport și puternic corelată pozitiv cu procentul
robotilor din manufactură.

A treia componentă principală – denimită generic automatizarea sectorului IT – este negativ corelată
cu procentul roboților din Telecomunicații si domeniul ICT.

pag. 34
 Figura18. Cercul corelațiilor factoriale

Sursă: Realizat de autor in R Studio folosind baza de date Eurostat

4.3 Regresia liniară multifactorială

Pentru a vedea în ce măsură componentele principale fomate din variabilele ce descriu

dezvoltarea inteligenței artificiale influențează rata de ocupare a forței de muncă s-a realizat un
model de regresie multifactorial unde variabila dependentă este rata de ocupare a forței de muncă
din anul 2016, iar variabilele independente sunt componentele artificiale aflate in cadrul analizei în
componente principale și anume automatizarea industriilor ce au la bază intercațiunea umană,
automatizarea marilor industrii și automatizarea sectorului IT.

Modelul de regresie prezentat în tabelul 4 este valid cu o probabilitate foarte apropiată de

100%, iar acesta acoperă aproximativ 51% din variația datelor, restul de 49% fiind reprenzentată de
alte variabile semnficative care nu au fost surprinse de model.

pag. 35
 Tabel 4. Output regresia liniară multifactorială

Sursă: Realizat de autor in Sas folosind baza de date Eurostat

Verificarea validității modelului:

Testarea validității modelului de regresie a fost realizată cu ajutorul testului F care are următoarele
ipoteze:

H0: β1 = β2 = β3 =0

H1: (ℨ) βi ≠ 0, i ꞓ{1,2,3}

Deoarece valoarea probabilității modelului de regresie de 0.0004 este mai mică decât valoarea

nivelului de semnificație α de 0,05, respingem ipoteza nulă și acceptăm ipoteza alternativă,

concluzionând cu o probabilitate de 95% că modelul de regresie este valid din punct de vedere
statistic.

pag. 36
Verificarea validității coeficienților modelului:

Testarea validității din punct de vedere statistic a parametrilor modelului de regresie a fost realizată
cu ajutorul testului Student. Din output-ul Sas prezentat mai sus putem observa că valoarea

probabilității asociată testului este mai mică decât nivelul de semnificație α de 0,05 pentru toți
coeficienții și putem concluziona că parametrii modelului de regresie multifactorial sunt
semnificativ diferiți de 0.

Ecuația modelului de regresie multifactorial:

Y^ =58.13+ 2.38∗Componenta 1+ 2.77∗Componenta 2+3.58∗Componenta 3

Unde Y^ este rata de ocupare a forței de muncă, Componenta1 reprezintă automatizarea industriilor
ce au la bază interacțiunea umană, Componenta2 reprezintă automatizarea marilor industrii, iar
componenta 3 reprezintă automatizarea sectorului IT.

Testarea homoscedasticității erorilor modelului de regresie

Pentru a verifica dacă erorile modelului de regresie sunt homoscedastice sau heteroscedastice am
folosit testul White care are urmatoarele ipoteze:

H0: erorile modelului ɛi sunt homoscedastice

H1: erorile modelului ɛi sunt heteroscedastice

Testul White urmează asimptotic o distriubuție ꭓ2, iar valoarea probabilității (0,32) este mai mare

decât nivelul de semnificație α ales de 0,05, astfel nu avem suficiente motive să respingem ipoteza
nulă și putem concluziona cu o probabilitate de 95% că erorile modelului de regresie sunt
homoscedastice.

Tabel 5. Testarea homoscedasticității

Sursă: Realizat de autor în SAS folosind baza de date Eurostat

pag. 37
Normalitatea erorilor modelului de regresie

Normalitatea reziduurilor este o condiție esențială pentru evaluarea calității estimatorilor modelului
de regresie. Verificarea ipotezei de normalitate a erorilor modelului de regresie presupune
comparația distribuției erorilor cu clopotul lui Gauss care este caracterizat printr-un coefficient de
asimetrie de 0 și un coeficient de boltire de 3. În figura 19 putem observa ca reziduurile modelului
de regresie urmează o distribuție aproximativ normală.

Figura19. Distribuția erorilor modelului

Sursă: Realizat de autor in Sas folosind baza de date Eurostat

Autocorelarea erorilor modelului de regresie

Prezența autocorelării erorilor modelulului de regresie presupune existența unei covarianțe nenule
între erorile din ecuația de regresie. Pentru a verifica dacă erorile modelului sunt autocorelate de
ordinul 1 am folosit testul Durbin-Watson care are următoarele ipoteze:

H0: erorile modelului ɛi nu sunt autocorelate

H1: erorile modelului ɛi sunt autocorelate

pag. 38
 Tabel 6. Testarea autocorelării erorilor

Sursă: Realizat de autor în Sas folosind baza de date Eurostat

Valoarea testului Durbin-Watson obținută este aproximativ 1,8, iar aceasta aparține intervalului
(1,65; 2,31), deci putem astfel concluziona că reziduurile modelului de regresie nu sunt autocorelate.

0 d1 d2 4-d2 4-d1 4

0 1,65 2.31 2.74 4

1,25
Regiunea 1 Regiunea 2 Regiunea 3 Regiunea 4 Regiunea 5

Sursă: Realizat de autor în Microsoft Office Word

Astfel, modelul de regresie multifactorial folosit pentru a vedea ce componente influențează cel mai
mult rata de ocupare a forței de muncă este valid cu o probabilitate de aproximativ 100% și explică
aproximativ 51% din variația totală a datelor. De asemenea, am demonstrat prin aplicarea testelor de
mai sus că toate ipotezele modelului de regresie multifactorial sunt satisfăcute, deci reziduurile
modelului sunt homoscedastice, nu se autocorelează și urmează o distribuție aproximativ normal. În
plus, coeficienții modelului de regresie influențează rata de ocupare a forței de muncă aproximativ
în aceeași măsură, însă cel mai mare impact il are componenta 3 adică automatizare din sectorul IT,
urmată apoi de automatizarea marilor industrii și de automatizarea industriilor ce au la bază
intercațiunea umană.

pag. 39
Concluzii

Deși procesul de automatizare al locurilor de muncă s-a întâmplat cu mulți ani în urmă,
expansiunea acestuia a început să fie vizibilă și să amenințe stabilitatea pieței forței de muncă odată
cu dezvoltarea la scară înaltă a tehnologiilor ce au dus la formarea noii ramuri numită inteligența
artificială.

Inteligența artificială este o ramură vastă formată la rândul ei din alte 3 domenii importante
cum ar fi cloud computing, 3d-printing și big data care au ajutat la eficientizare modului de lucru al
societăți prin reducerea costurilor și a timpului de execuție a anumitor cerințe, dar și la
îmbunătațirea modului în care societatea își desfășoară activitatea. Deși majoritatea populației se
temea de o reducere drastică a numărului de locuri de muncă, specialiștii au confirmat că
restructurarea pieței forței de muncă va consta totodată și în apariția unor locuri de muncă noi, însă
diferența dintre numărul de joburi care vor dispărea și vor apărea vor ajunge la un punct de echilibru
în timp, la început dominând locurile de muncă ce vor fi automatizate. De asemenea, locurile de
muncă noi ce vor fi create datorită automatizarii presupune noi aptitudini pe care oamenii ar trebui
să le dobândească pe baza unor procese noi de învățare oferite de angajatori. Impactul automatizării
va fi diferit și în funcție de nivelul de pregătire al angajaților, astfel încât, persoanele cu un nivel
mediu sau scăzut de pregătire care sunt predispuși unui risc mai mare de automatizare vor fi nevoiți
să ia în calcul tranziția către alt sector de activitate

De asemenea, guvernul ar trebui să se gândească la noi politici care au scopul de a limita

inegalitățile ce apar din cauza automatizării locurilor de muncă pentru anumite nivele de pregătire al
angajaților, dar și pe cele care apar din cauza automatizării doar în anumite regiuni geografice.
Totodată, inegalitățile care apar din cauza poziționării geografice pot duce și la creșterea numărului
de emigranți inter-regiuni.

Automatizarea s-a răspândit în special în sectoarele unde predomină sarcinile bazate pe o

rutină zilnică. De exemplu, manufactura este primul sector ce va suferi restructurări majore ale forței
de muncă deoarece este caracterizată de activitățile manulae bazate o rutină. Manufactura nu este
singurul sector de activitate unde automatizarea va avea un impact major, transportul, construcțiile,

pag. 40
telecomunicațiile, dar și comerțul sunt alte industrii importante ce vor suferi de o reducere a
numărului de locuri de muncă.

În ceea ce privește legătura dintre automatizarea locurilor de muncă și indicatorii ce

caracterizează piața forței de muncă s-a observat că există o legătură inversă între productivitatea
muncii și riscul de automatizare. Un nivel al productivității cât mai mare este principalul obiectiv al
companiilor de pe piațiă, iar când acesta începe să scadă, automatizare locurilor de muncă ce au
înregistrat un randament scăzut este principalul factor care ar ajuta la stabilizarea sau chiar creșterea
acestui indicator.

Pe de altă parte, atunci cand riscul automatizării crește, există, totodată, și o creștere a ratei
șomajului ce amenință piața forței de muncă, existând astfel o legătură pozitivă între cei doi
indicatori. Guvernul ar trebui să minimizeze prin politici aferente șocurile pe care piața forței de
muncă le suportă din cauza dezvoltării inteligenței artificiale, grăbind procesul de creare a locurilor
de muncă și de instruire a angajaților.

Analiza cluster a oferit o imagine de ansamblu pentru patru grupuri ce clasifică țările
europene în funcție de dezvoltarea inteligenței artificiale și implicit de automatizarea în timp a
locurilor de muncă. Germania, Italia, Latvia, Franța, Ungaria, Slovenia, Finlanda, Anglia, Norvegia
sunt cele mai dezvoltate țări din Europa în ceea ce privește gradul de dezvoltate al noile tehnologii
ce grăbește procesul de automatizarea. Aceste țări au susținut dezvoltarea inteligenței artificiale
pentru a beneficia de un mod de lucru eficient.

Cluterul 2 caracterizat printr-o dezvoltare medie a inteligenței artificiale a cuprins țări precum
Belgia, Lituania, Grecia, Croația, Romania, Serbia și au grăbit procesul de dezvoltare deoarece
aceste țări se confruntau cu o lipsă majoră de forță de muncă și o productivitate scăzută.

Clusterul 3 este format din 8 țări europene precum Cehia, Danemarca, Spania, Austria, Polonia,
Portugalia, Olanda, Suedia. Aceste țări au parte de o dezvoltare slabă a inteligenței artificiale
deoarece evoluția indicatorilor economici ce cacterizează piața forței de muncă a fost una destul de
bună pe parcursul timpului și nu a fost nevoie de implicarea guvernului în dezvoltarea automatizării.

Bulgaria, Cipru, Luxemburg, Slovacia sunt țările ce se caracterizează printr-o dezvoltare foarte slabă
a procesului de automatizare a locurilor de muncă. Guvernele din aceste țări nu au investit în
dezvoltarea procesului de automatizare a locurilor de muncă pentru că indicatorii pieței forței de

pag. 41
muncă nu au înregistrat valori semnificativ mai mici astfel încât să fie nevoie de o restructurare a
forței de muncă.

Analiza în componente principale a jutat la construirea a 3 componente artificiale,

necorelate ce sunt formate din variabilele inițiale introduse în analiză.

 Prima componentă a fost denumită automatizarea industriilor ce au la bază interacțiunea

umană deoarece este puternic corelată în sens pozitiv cu următoarele variabile: procentul
roboților din telecomunicații, ICT, suport administrativ, comerț, cercetare și construcții.
 A doua componentă artificială a fost denumită automatizarea marilor industrii deoarece a
fost formată din cele mai mari sectoare de activitate și anume transportul și manufactura. Cea
de-a doua componentă este corelată în sens pozitiv cu procentul roboților din manufactură și
în sens negative cu procentul roboților din transport.
 A treia componentă a fost denumită generic automatizare sectorului IT deoarece este formată
din procentul roboților din sectorul IT și sectorul telecomunicațiilor. Aceasta este corelată în
sens negativ cu cele două variabile.

Regresia statistică multifactorială a ajutat la cuantificarea impactului celor 3 componente

artificiale asupra ratei de ocupare a forței de muncă, cel mai mare impact avându-l cea de-a treia
componentă și anume automatizarea sectorului IT, urmată apoi de automatizarea marilor
industrii și automatizarea industriilor ce au la bază interacțiunea umană.

Deoarece automatizarea locurilor de muncă este un subiect relativ nou ce a prins contur
odată cu dezvoltarea inteligenței artificiale, s-a arătat că, odată cu automatizare anumitor locuri
de muncă ce sunt bazate pe o rutina, își vor face apariția pe piață noi joburi ce vor duce la
stabilitatea în timp a pieței forței de muncă. De asemenea, guvernul trebuie să se implice prin
politici corespunzătoare pentru a proteja piața forșei de muncă de șocurile provocate din cauza
automatizării, dar și pentru a le asigura cetățenilor condițiile necesare pentru a se integra din nou
în câmpul muncii.

pag. 42
Bibliografie

1. Boboc C., 2007. Analiza Statistică Multidimensională. Aplicații în cadrul studiului și

produselor. București: Meteor Press.
2. OECD, 2018. Job Creation and Local Economic Development. Preparing for the future of
work.
3. United Nation, 2017. Trade and development report. Robots, industrialization and inclusive
growth.
4. Georgios Petropoulos. The impact of artificial intelligence on employment.
5. Frontier Economics, 2018. The impact of artificial intelligence on work.
6. OECD, 2019. Compendium of Productivity Indicators.
7. Eurostat, 2019. European Union employment indicators.
8. Eurostat, 2016.
9. OECD 2016.

pag. 43