Por: Arturo Nepomuceno, Ana Paula Meillon, Abigail Arenas, Ximena Flores e Isaac Tienda
La pregunta de investigación que se estará respondiendo en el transcurso de este trabajo es la siguiente: ¿Cuáles son las principales barreras sociales y raciales que impactan la participación de la comunidad afromexicana en el mercado laboral, y en qué magnitud afectan las oportunidades de inclusión en el mercado laboral? Esta pregunta plantea la existencia de barreras que hacen de la inclusión en el mercado laboral de la comunidad afromexicana un proceso más complicado y que requiere de mayor, no solo en preparación profesional o capacidades, sino por su origen racial y contexto social. Un indicador de esto es la tasa de desempleo entre la población afromexicana, la cual es de 8.2%, mientras que la tasa nacional es de 3.6% (Juárez, 2022). Igualmente, un estudio de la Comisión Nacional para Prevenir y Erradicar la Discriminación (CONAPRED) reveló que el 32% de los casos de quejas en la institución fueron de discriminación en el ámbito laboral (CONAPRED, 2023). Y, aún y cuando esta población accede a un empleo, un informe del Banco Mundial acerca de la situación de les afrodescendientes en Latinoamérica indicó que este demográfico obtiene menores ingresos en el mercado laboral, incluso cuando obtienen un título técnico o universitario (Banco Mundial, 2022)
A pesar de contar con una población actual de 2.1 millones de personas, de las cuales 1.4 millones forman parte de la Población Económicamente Activa, la discriminación institucional aún sigue presente, aunque con avances por parte del gobierno (Juárez, 2022). El reconocimiento de la comunidad afromexicana en la Constitución Política de los Estados Unidos Mexicanos estuvo ausente hasta el año 2019, en donde se estableció la importancia del bienestar y la inclusión social de los pueblos y comunidades afromexicanas en el Plan Nacional de Desarrollo (CEPAL, 2022). Aunado a esto, en 2015, por primera vez el INEGI incorporó en su Encuesta Intercensal una pregunta para identificar a la población negra, afromexicana o afrodescendiente. Al igual que con la autoadscripción indígena, se privilegió un criterio de autoadscripción cultural (Oxfam International, 2019).
Sin embargo, la problemática tiene antecedentes importantes en donde la comunidad afromexicana ha experimentado barreras de discriminación, especialmente dentro del ámbito laboral. De acuerdo con la ENADIS 2022, se encontró que más de la mitad de la población afrodescendiente de 12 años en adelante en México siente que es percibida como extranjera por la mayoría de la gente. Además, la mayoría señaló que la discriminación por apariencia es una de sus mayores problemáticas, junto con aquella al buscar empleo (UNESCO, 2023). Incluso, es hasta 46% menos probable que los hombres afrodescendientes lleguen al quintil superior de riqueza (Oxfam International, 2019).
En este blog se construirá un diagrama causal que ilustrará las relaciones entre variables como la cuota de diversidad e inclusión de las empresas, los años de experiencia laboral previa, la percepción de discriminación, tasas de empleo y desempleo, entre otras. Posteriormente, se elaborará un diagrama de flujo que se implementará en el software R, generando gráficas y visualizaciones que ayuden a comprender el comportamiento de las distintas variables. Finalmente, se analizarán los resultados del modelo y se extraerán conclusiones sobre el impacto de las barreras sociales y raciales en la participación de la comunidad afromexicana en el mercado laboral mexicano.
# Cargar el paquete deSolve para utilizar funciones de resolución de ecuaciones diferenciales
library(deSolve)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.2 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.4.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.2 ✔ tidyr 1.3.0
## ✔ purrr 1.0.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
# Establecer las condiciones iniciales de la variable de estado
inicial.conditions <- c(poblacion_afro_empleada_formal = 700000)
# Definir el vector de tiempos para la simulación
times <- seq(0, 10, by = 1) #
# Definir la función del modelo
model_afro <-function(t, state, parameters){
with(as.list(c(state, parameters)),{
# Variables Auxiliares o endógenas
tasa_de_rechazo_personas_afro <- (personas_afro_rechazadas_en_reclutamiento/poblacion_economicamente_activa_afro) - cuota_diversidad_inclusion_de_empresa - años_de_experiencia_previa_afro
# Variables de flujo (son las que modifican a las variables de estado)
empleo_formal_poblacion_afro <- poblacion_economicamente_activa_afro * tasa_empleo_formal_afromexicanos
desempleo_poblacion_afro <- poblacion_economicamente_activa_afro * (tasa_desempleo_formal_afromexicanos + tasa_de_rechazo_personas_afro)
# Variable de estado (se establece su ecuación diferencial de ahí viene la d)
dpoblacion_afro_empleada_formal <- empleo_formal_poblacion_afro - desempleo_poblacion_afro
# Devuelve los resultados de la variable de estado
return(list(c(dpoblacion_afro_empleada_formal)))
})
}
# Definir los parámetros del modelo (variables exógenas)
parameters <- c(poblacion_economicamente_activa_afro = 1400000,
cuota_diversidad_inclusion_de_empresa = 0.3,
años_de_experiencia_previa_afro = 0.1, # Efecto supuesto de los años de experiencia en la tasa de rechazo
personas_afro_rechazadas_en_reclutamiento = 100000,
desempleados_afro = 800000,
empleados_formales_afro = 700000,
tasa_empleo_formal_afromexicanos = 0.6,
tasa_desempleo_formal_afromexicanos = 0.4)
# Seleccionar el método de integración a utilizar en la simulación, en este caso 'rk4' (Runge-Kutta de 4to orden)
intg.method <- c("rk4")
# Realizar la simulación utilizando la función 'ode' del paquete deSolve
out <- ode(
y = inicial.conditions, #condiciones iniciales
times = times, #tiempo de simulación
func = model_afro, #función del modelo
parms = parameters,
method = intg.method
)
# Graficar los resultados de la simulación
graph <- as.data.frame(out)
# Load ggplot2 library
library(ggplot2)
# Create the plot
library(ggpubr)
ggplot(graph, aes(x = time, y = poblacion_afro_empleada_formal)) +
geom_line() +
theme_minimal() +
ggtitle("Empleo de personas afromexicanas con una cuota de diversidad de \n inclusión de 30 personas diversas por cada 100 empleadas") +
theme(plot.title = element_text(face = "bold")) +
scale_y_continuous(labels = scales::comma)
Banco Mundial. (2022). Inclusión Afrodescendiente en la educación. Banco Internacional de Reconstrucción y Fomento. https://documents1.worldbank.org/curated/en/099056005022316092/pdf/IDU05497146208ea8042190919d0d27079d7a405.pdf
CEPAL. (2021). El futuro del trabajo y la población afrodescendiente en América Latina en el marco del COVID-19 y la recuperación transformadora con igualdad. CEPAL. https://repositorio.cepal.org/server/api/core/bitstreams/5a6835bb-28d9-4a61-acfe-ccde8e29a3d2/content
CONAPRED. (2023). Discriminación de los pueblos y comunidades afrodescendientes. Secretaría de Gobernación. https://www.conapred.org.mx/wp-content/uploads/2023/11/FT_Afrodescendientes_Noviembre2023.pdf
Juárez, B. (2022). Mercado laboral: retos y consejos para la inclusión de personas afrodescendientes. El Economista. https://www.eleconomista.com.mx/capitalhumano/Mercado-laboral-Retos-y-consejos-para-la-inclusion-de-personas-afrodescendientes-20220804-0085.html
Oxfam International. (2019). Por mi raza hablará la desigualdad. Unidad de Género EDOMEX. https://unidaddegenerosgg.edomex.gob.mx/sites/unidaddegenerosgg.edomex.gob.mx/files/files/Biblioteca%202022/G%C3%A9nero%2C%20Pueblos%20Originarios%20y%20Poblacion%20Afrodescediente/GPP-6%20Por%20mi%20raza%20hablara%CC%81%20la%20desigualdad.%20OXFAM%20Me%CC%81xico.pdf
UNESCO. (2023, 21 septiembre). ¡México también es Afro! UNESCO. https://www.unesco.org/es/articles/mexico-tambien-es-afro