Trabajo Práctico
Jóvenes Desocupados
José Saint Germain
Introducción
En este informe se presentarán una serie de indicadores sobre el nivel de empleo y desempleo de la población joven en argentina, tomando como población joven a los individuos de entre 18 y 30 años. A su vez, se mostrará el nivel de ocupación de grupo etario desagregado por región, sexo y nivel educativo. Por último se mostrará la evolución de la tasa de desocupación a lo largo de casi tres años previos al cuarto trimestre de 2021.
El objetivo de este informe es visibilizar cómo la tasa de desocupación es visiblemente mayor que la tasa de la población general y que la del resto de gruops etarios mayores de 18 años. También se busca registrar la fuerte variación regional y la diferencia del Gran Buenos Aires con el resto de regiones; así como la brecha en la tasa de desocupación entre mujeres y varones y cómo la misma es afectada por el nivel educativo.
Como fuente se utiliza la base de la Encuesta Permanente de Hogares (EPH) publicada todos los trimestres por el Instituto de Estadística y Censos (INDEC). En este caso se recurrirá a la encuesta realizada en el cuarto trimestre de 2021 Para describir la variación temporal de la tasa de desocupación se utilizarán las bases individuales del EPH desde el segundo trimestre de 2016 (cuando se termina la emergencia estadística del INDEC) hasta el cuarto trimestre de 2021
#Cargamos los paquetes
library(eph,warn.conflicts = FALSE)
library(kableExtra,warn.conflicts = FALSE)
library(tidyverse,warn.conflicts = FALSE)
library(ggplot2,warn.conflicts = FALSE)
library(ggthemes,warn.conflicts = FALSE)
library(extrafont,warn.conflicts = FALSE)
#Cargamos las bases
anio <- 2016:2021
trimestre <- 1:4
base_i <- get_microdata(year = anio,
trimester = trimestre,
type="individual",
vars=c("ANO4","TRIMESTRE","REGION","PONDERA",
"CH04","CH06","ESTADO","CAT_OCUP","NIVEL_ED")) %>%
select(microdata) %>%
unnest(cols = c(microdata))
#Agregamos variables que utilizaremos en las tablas y gráficos
base_i <- base_i%>%
mutate(Grupo_edad=case_when(CH06<18~"Población menor de edad",
CH06%in%18:30~"Jóvenes",
CH06%in%31:65~"Adultos",
CH06>65~"Adultos mayores"),
REGION=case_when(REGION==01~"Gran Buenos Aires",
REGION==40~"Noroeste",
REGION==41~"Nordeste",
REGION==42~"Cuyo",
REGION==43~"Pampeana",
REGION==44~"Patagónica"),
Sexo=case_when(CH04==1~"Varón",
CH04==2~"Mujer"),
NIVEL_ED=factor(NIVEL_ED,
levels = c(7,1:6),
labels=c("Sin instruccion",
"Primaria incompleta",
"Primaria completa",
"Secundaria incompleta",
"Secundaria completa",
"Superior incompleto",
"Superior completo")),
Período=paste(ANO4,TRIMESTRE,sep="."))Nivel de desocupación en población joven
#Filtramos el trimestre con el que vamos a trabajar
a2021t4 <- base_i %>% filter(ANO4==2021&TRIMESTRE==4)
#Calculamos las variables necesarias para saber diversas variables laborales
##Población total
Ocupacion_total <- a2021t4 %>%
summarise(Grupo_edad="Población total",
Población=sum(PONDERA),
Ocupados=sum(PONDERA[ESTADO==1]),
Desocupados=sum(PONDERA[ESTADO==2]),
PEA=Ocupados+Desocupados,
'Tasa Actividad'=round(PEA*100/Población, 2),
'Tasa Empleo'=round(Ocupados*100/Población, 2),
'Tasa Desocupación'= round(Desocupados*100/PEA, 2))
##Por edad
Ocupacion_edad <- a2021t4 %>%
filter(CH06>=18) %>%
group_by(Grupo_edad) %>% summarise(Población=sum(PONDERA),
Ocupados=sum(PONDERA[ESTADO==1]),
Desocupados=sum(PONDERA[ESTADO==2]),
PEA=Ocupados+Desocupados,
'Tasa Actividad'=round(PEA*100/Población, 2),
'Tasa Empleo'=round(Ocupados*100/Población, 2),
'Tasa Desocupación'= round(Desocupados*100/PEA, 2))
#Unimos los datos por edad y de la población total
Ocupacion <- bind_rows(Ocupacion_edad,Ocupacion_total) %>%
select(Grupo_edad,'Tasa Actividad','Tasa Empleo','Tasa Desocupación') %>%
rename(.,'Grupo etario'=Grupo_edad)
# Objetos auxiliares
actividad_t <- paste0(Ocupacion[4,2], "%")
ocupados_t<- paste0(Ocupacion[4,3], "%")
desocupados_t<- paste0(Ocupacion[4,4], "%")
actividad_j <- paste0(Ocupacion[3,2],"%")
ocupados_j <- paste0(Ocupacion[3,3],"%")
desocupados_j <- paste0(Ocupacion[3,4],"%")
actividad_a <- paste0(Ocupacion[1,2],"%")
ocupados_a <- paste0(Ocupacion[1,3],"%")
desocupados_a <- paste0(Ocupacion[1,4],"%")
# Edito esteeticamente el formato salida del tabulado
Ocupacion %>% kbl() %>%
kable_paper(bootstrap_options = "striped", full_width = F)| Grupo etario | Tasa Actividad | Tasa Empleo | Tasa Desocupación |
|---|---|---|---|
| Adultos | 79.16 | 75.69 | 4.38 |
| Adultos mayores | 12.86 | 12.58 | 2.21 |
| Jóvenes | 62.84 | 54.03 | 14.02 |
| Población total | 46.85 | 43.59 | 6.97 |
Como se observa en la tabla, la población total de la Encuesta presenta tasas de actividad del 46.85%, una tasa de ocupación del 43.59% y un nivel de desocupación del 6.97%. Sin embargo, si focalizamos en la población joven los datos son más preocupantes: mientras que la tasa de actividad es de 62.84%(un poco más de un tercio de la de la población total), sus tasas de ocupación llegan a 54.03%y las de desocupacion a 14.02%. La brecha con la población adulta menor a 65 años es aún mayor, pues la misma presenta tasas de actividad, de ocupación y de desocupación del 79.16%,75.69% y 4.38%, respectivamente.
Desocupación Joven por Región
#Calculamos las tasas por región
Ocupacion_region <- a2021t4 %>%
filter(Grupo_edad=="Jóvenes") %>%
group_by(REGION) %>%
summarise(Población=sum(PONDERA),
Ocupados=sum(PONDERA[ESTADO==1]),
Desocupados=sum(PONDERA[ESTADO==2]),
PEA=Ocupados+Desocupados,
'Tasa Actividad'=round(PEA*100/Población, 2),
'Tasa Empleo'=round(Ocupados*100/Población, 2),
'Tasa Desocupación'= round(Desocupados*100/PEA, 2)) %>%
select('REGION','Tasa Actividad','Tasa Empleo','Tasa Desocupación')%>%
rename(.,"Región"=REGION)
# Objetos auxiliares
desocupados_gba <- paste0(Ocupacion_region[2,4], "%")
desocupados_pampeana <- paste0(Ocupacion_region[4,4], "%")
desocupados_cuyo <- paste0(Ocupacion_region[1,4], "%")
# Edito esteeticamente el formato salida del tabulado
Ocupacion_region %>% kbl() %>%
kable_paper(bootstrap_options = "striped", full_width = F) | Región | Tasa Actividad | Tasa Empleo | Tasa Desocupación |
|---|---|---|---|
| Cuyo | 66.14 | 58.78 | 11.14 |
| Gran Buenos Aires | 66.19 | 56.32 | 14.91 |
| Nordeste | 53.91 | 48.83 | 9.42 |
| Noroeste | 55.25 | 48.61 | 12.01 |
| Pampeana | 61.72 | 52.23 | 15.37 |
| Patagónica | 53.85 | 48.89 | 9.20 |
Al desagregar los datos por región se obtienen variaciones interesantes de destacar: mientras el Gran Buenos Aires presenta los valores de desocupación más altos (14.91%) y la región pampeana se mantiene en valores similares a la media (12.01%), el resto de las regiones presentan valores inferiores. De entre ellas destaca la región cuyana con una tasa de desocupación del 11.14%.
Variación desocupación por sexo y región
Ahora bien, si a esa variación regional la desagregamos dependiendo del sexo:
#Construimos los datos
Ocupacion_region_s <- a2021t4 %>%
filter(Grupo_edad=="Jóvenes") %>%
group_by(REGION,Sexo) %>%
summarise(Población=sum(PONDERA),
Ocupados=sum(PONDERA[ESTADO==1]),
Desocupados=sum(PONDERA[ESTADO==2]),
PEA=Ocupados+Desocupados,
'Tasa Actividad'=round(PEA*100/Población, 2),
'Tasa Empleo'=round(Ocupados*100/Población, 2),
Tasa_Desocupación= round(Desocupados*100/PEA, 2)) %>%
select('REGION','Sexo',Tasa_Desocupación)
#Calculamos la brecha entre ambas tasas
Brecha <- Ocupacion_region_s %>%
spread(.,key=Sexo,value=Tasa_Desocupación) %>%
mutate(brecha=Mujer-Varón)
#Objetos auxiliares
Br_GBA <- paste0(Brecha[2,4], "%")
Br_Cuyo <- paste0(Brecha[1,4], "%")
Br_NEA <- paste0(Brecha[3,4], "%")
Br_Pat <- paste0(Brecha[6,4], "%")
#Gráfico
ggplot(data = Ocupacion_region_s) +
aes(x = REGION, y = Tasa_Desocupación, fill = Sexo) +
geom_bar(stat = "identity",
position = position_dodge(),
color = "black")+
labs(title="Tasa de Desocupación joven",
subtitle = "por región y sexo",
caption="Elaboracion propia en base a EPH-INDEC",
y="Tasa de desocupación (%)",
x=NULL,
fill='Sexo')+
theme_clean()
La brecha en la desocupación (la diferencia entre la tasa de desocupación femenina y la mesculina) en el Gran Buenos Aires es la menor (0.229999999999999%), a pesar de ser la región con mayores tasas de desocupación. En el costado opuesto, si bien Cuyo es la región con menor desocupación, expresa una brecha del 2.59%. Después, el Nordeste es la región con mayor brecha al mostrar un 3.07%. Por último, la región patagónica es la única región del país en donde los varones presentan mayores tasas de desempleo que las mujeres; obteniendo, haciendo el mismo cálculo, una brecha del -2.7%.
Desocupación por sexo y nivel educativo
Ocupacion_NivEd_s <- a2021t4 %>%
filter(Grupo_edad=="Jóvenes") %>%
group_by(Sexo,NIVEL_ED) %>%
summarise(Población=sum(PONDERA),
Ocupados=sum(PONDERA[ESTADO==1]),
Desocupados=sum(PONDERA[ESTADO==2]),
PEA=Ocupados+Desocupados,
'Tasa Actividad'=round(PEA*100/Población, 2),
'Tasa Empleo'=round(Ocupados*100/Población, 2),
Tasa_Desocupación= round(Desocupados*100/PEA, 2))
#Brechas
Brecha_nived <- Ocupacion_NivEd_s %>%
select('Sexo','NIVEL_ED',Tasa_Desocupación) %>%
spread(.,key=Sexo,value=Tasa_Desocupación) %>%
mutate(brecha=Mujer-Varón)
#Objetos auxiliares
Br_SupInc <- paste0(Brecha_nived[6,4], "%")
Br_PrimInc <- paste0(Brecha_nived[2,4], "%")
Br_SinInst <- paste0(Brecha_nived[1,4], "%")
Des_V_SinInst <- paste0(Ocupacion_NivEd_s[8,5], "%")
#Gráfico
ggplot(data = Ocupacion_NivEd_s) +
aes(x = NIVEL_ED, y = Tasa_Desocupación, fill = Sexo) +
geom_bar(stat = "identity",
position = position_dodge(),
color = "black")+
labs(title="Tasa de Desocupación joven",
subtitle = "por máximo nivel educativo alcanzado y sexo",
caption="Elaboracion propia en base a EPH-INDEC",
y="Tasa de desocupación (%)",
x=NULL,
fill='Sexo')+
theme_clean()+
coord_flip()
Como expresa el gráfico, la brecha en la tasa de desocupación se mantiene en todos los niveles educativos. Por supuesto, no se considerarán la franja con estudios superiores completos debido a que el hecho de graduarse en ese nivel dependerá directamente de la edad del encuestado y de la cantidad de años que dure su formación. El grupo con menor brecha es el superior incompleto (-0.49%), mientras que grupos como el de primaria incompleta tiene un brecha mucho del 39.94%.
#Mejorar tablas, agregarles títulos y cambiar el nombre de las variables
PEA_V_SinInst <- Ocupacion_NivEd_s %>%
select(NIVEL_ED,Sexo,PEA) %>%
spread(.,key=Sexo,value=PEA) %>%
rename(.,'Nivel educativo'=NIVEL_ED)
Desocup_V_SinInst <- Ocupacion_NivEd_s %>%
select(NIVEL_ED,Sexo,Tasa_Desocupación) %>%
spread(.,key=Sexo,value=Tasa_Desocupación) %>%
rename(.,'Nivel educativo'=NIVEL_ED)
Sin_inst <- PEA_V_SinInst %>%
left_join(.,Desocup_V_SinInst,by='Nivel educativo') %>%
select('Nivel educativo',Mujeres.=Mujer.x,Varones.=Varón.x,Mujeres=Mujer.y,Varones=Varón.y)
Sin_inst %>% kbl() %>%
kable_classic() %>%
kable_paper(bootstrap_options = "striped", full_width = F) %>%
add_header_above(c(" " = 1, "PEA" = 2, "Tasa de Desocupación (%)"=2)) %>%
add_header_above(c(" " = 1,"Población joven sin instrucción" = 4))|
Población joven sin instrucción
|
||||
|---|---|---|---|---|
|
PEA
|
Tasa de Desocupación (%)
|
|||
| Nivel educativo | Mujeres. | Varones. | Mujeres | Varones |
| Sin instruccion | 517 | 135 | 75.82 | 100.00 |
| Primaria incompleta | 15576 | 49351 | 68.04 | 28.10 |
| Primaria completa | 58169 | 157078 | 6.89 | 10.57 |
| Secundaria incompleta | 269488 | 548540 | 16.61 | 15.02 |
| Secundaria completa | 518013 | 680394 | 18.60 | 12.30 |
| Superior incompleto | 464442 | 428649 | 13.14 | 13.63 |
| Superior completo | 238518 | 183764 | 7.54 | 8.95 |
Como efectivamente podemos observar, la población masculina económicamente activa no es 0, sino que el total de encuestados de esa porción de la población está ocupado; mientras la población femenina presenta valores en la tasa de desocupación que superan el 50%.
Variación temporal de la desocupación joven desgregado por sexo
Lo que queremos observar aquí es cómo fue variando el desempleo joven durante desde 2016. Para eso replicamos el análisis sobre la tasa de desempleo para los úlitmos once trimestres y los comparamos con la tasa de desempleo de los otros grupos etarios.
#Filtro la base
Ocupacion_2016.2021 <- base_i %>%
filter(CH06>=18) %>%
group_by(ANO4,TRIMESTRE,Período,Grupo_edad,Sexo) %>% summarise(Población=sum(PONDERA),
Ocupados=sum(PONDERA[ESTADO==1]),
Desocupados=sum(PONDERA[ESTADO==2]),
PEA=Ocupados+Desocupados,
'Tasa Actividad'=round(PEA*100/Población, 2),
'Tasa Empleo'=round(Ocupados*100/Población, 2),
'Tasa Desocupación'=round(Desocupados*100/PEA,2)) %>%
select(Período,'Tasa Desocupación',Grupo_edad,Sexo)
#Armo el gráfico
ggplot(data = Ocupacion_2016.2021) +
aes(x = Período,
y = `Tasa Desocupación`,
group=Grupo_edad,
color=Grupo_edad) +
facet_wrap('Sexo')+
geom_line()+
geom_point()+
theme(legend.title = 'Grupo etario')+
theme_classic()+
labs(title="Tasa de desocupación por grupo etario y sexo",
subtitle="Segundo trimestre 2016 / Cuarto trimestre 2021",
caption="Elaboracion propia en basa a EPH-INDEC",
y="Tasa de Desocupación(%)",
x=NULL,
color='Grupo etario')+
theme(plot.title = element_text(size = 15),
axis.text.x = element_text(angle = -50,size = 7,hjust = 0))
Lo que se observa a simple vista en el gráfico no es sólo la consistencia temporal de la brecha de tasa de desocupación entre grupos etarios sino también la mayor brecha entre las mujeres adultas y jóvenes que entre los hombres. Además, en toda la serie la tasa de desocupación en hombres jóvenes nunca alcanzó los niveles de desocupación de las mujeres jovenes.
Conclusión
Lo que se buscó expresar en este informe es cómo los problemas de desocupación en nuestro país afectan desigualmente a diferentes porcciones de nuestra población. En primer lugar, afecta con más fuerza a las poblaciones menores de 30 años; segundo, el Gran Buenos Aires expresa valores mayores que el resto de las regiones; tercero, la brecha entre varones y mujeres en la tasa de desocupación se expresa en casi todas las regiones y para todos los niveles educativos; quinto, esta brecha entre varones y muejeres jóvenes se mantiene al menos desde 2016.