Evidencia 1. Modelo de simulación: Análisis de incertidumbres y políticas propuestas
2024-06-10
Población: Indigenas
https://mariafernandadeluna.shinyapps.io/Empleabilidad_Indigena/
https://rpubs.com/ferchdelunaarocha/Evidencia1
https://rpubs.com/ferchdelunaarocha/Empleo_Indigena
Pregunta de investigación:
¿Cuál es el impacto de las becas educativas y la discriminación en el número de adultos indígenas en México que ganan más del salario mínimo?
Diagrama de flujo modelo original
Simulación del modelo
library(deSolve)
library(progress)
library(ggplot2)
library(cowplot)
# Establecer las condiciones iniciales de la variable de estado
inicial.conditions <- c(
adultos = 9349600,
jovenes = 4176000,
ninos = 4732800,
bebes = 2250400,
ancianos = 2691200,
indigenas_superior_salario = 1882087
)
# Definir el vector de tiempos para la simulación
times <- seq(0, 50, by = 1)
# Definir la función del modelo
model_indigenas <- function(t, state, parameters) {
with(as.list(c(state, parameters)), {
# Variables Auxiliares o endógenas
ninez <- ninos / periodo_ninez_prom
madurez <- jovenes / periodo_madurez_prom
PEA_Indigena <- (madurez + ninez) * tasa_de_disposicion_laboral
# Approx function that reduces aislamiento_geografico by migration% ej. 10% migration reduces aislamiento_geografico by 10%
migracion <- approx(c(0, 0.5), c(0, 0.3), xout = migracion_base)$y
aislamiento_geografico <- aislamiento_geografico - (aislamiento_geografico * migracion)
acceso_oportunidades_laborales <- oportunidades_base - aislamiento_geografico
desercion_escolar <- desercion_escolar_base + (desercion_escolar_base * discriminacion)
indigenas_acceso_educacion <- max((indigenas_acceso_educacion_base + becas_educativas - desercion_escolar),
((indigenas_superior_salario / (adultos + jovenes)) + becas_educativas - desercion_escolar))
tasa_contratacion <- max(tasa_contratacion, indigenas_acceso_educacion )
# Variables de flujo (son las que modifican a las variables de estado)
mortalidad_bebes <- tasa_mortalidad_bebes * bebes
nacimientos <- (adultos * tasa_natalidad_adultos) + (jovenes * tasa_natalidad_jovenes)
crecimiento <- bebes / periodo_crecimiento_prom
envejecimiento <- adultos / periodo_adultez_prom
mortalidad_adulto_mayor <- ancianos / periodo_envejecimiento_prom
contratacion_personas_indigenas <- PEA_Indigena * (tasa_contratacion - discriminacion) * acceso_oportunidades_laborales
desempleo_personas_indigenas <- (tasa_de_desempleo + (discriminacion * tasa_de_desempleo)) * indigenas_superior_salario
jubilacion <- indigenas_superior_salario / periodo_trabajo
# Variables de estado
dbebes <- nacimientos - mortalidad_bebes - crecimiento
dninos <- crecimiento - ninez
djovenes <- ninez - madurez
dadultos <- madurez - envejecimiento
dancianos <- envejecimiento - mortalidad_adulto_mayor
dindigenas_superior_salario <- contratacion_personas_indigenas - desempleo_personas_indigenas - jubilacion
if ((contratacion_personas_indigenas - desempleo_personas_indigenas - jubilacion + indigenas_superior_salario) < (adultos + jovenes)) {
dindigenas_superior_salario <- contratacion_personas_indigenas - desempleo_personas_indigenas - jubilacion
}
else {
dindigenas_superior_salario <- 0
}
# Devuelve los resultados de la variable de estado y las variables de flujo
return(list(c(dadultos, djovenes, dninos, dbebes, dancianos, dindigenas_superior_salario),
# Variables de flujo
nacimientos = nacimientos,
mortalidad_bebes = mortalidad_bebes,
crecimiento = crecimiento,
envejecimiento = envejecimiento,
mortalidad_adulto_mayor = mortalidad_adulto_mayor,
contratacion_personas_indigenas = contratacion_personas_indigenas,
desempleo_personas_indigenas = desempleo_personas_indigenas,
jubilacion = jubilacion
))
})
}
# Definir los parámetros del modelo. Están por fuera del sistema
parameters <- c(
periodo_crecimiento_prom = 4,
periodo_ninez_prom = 10,
periodo_madurez_prom = 10,
periodo_adultez_prom = 35,
periodo_trabajo = 35,
periodo_envejecimiento_prom = 10,
tasa_natalidad_adultos = 0.0479,
tasa_natalidad_jovenes = 0.0108,
tasa_mortalidad_bebes = 0.012,
tasa_de_disposicion_laboral = 0.645,
migracion_base = 0.094,
aislamiento_geografico = 0.13,
oportunidades_base = 1,
desercion_escolar_base = 0.081,
discriminacion = 0.262,
indigenas_acceso_educacion_base = 0.294,
becas_educativas = 0,
tasa_contratacion = 0.605,
tasa_de_desempleo = 0.026
)
# Seleccionar el método de integración a utilizar en la simulación, en este caso 'rk4' (Runge-Kutta de 4to orden)
intg.method <- "rk4"
# Realizar la simulación utilizando la función 'ode' del paquete deSolve
out1 <- ode(
y = inicial.conditions, # condiciones iniciales
times = times, # tiempo de simulación
func = model_indigenas, # función del modelo
parms = parameters, # parámetros del modelo
method = intg.method # método de integración
)
# Convertir los resultados de la simulación en un data frame
out1 <- as.data.frame(out1)
# Graficar la población de indígenas con salario superior a lo largo del tiempo
ggplot(out1, aes(x = time, y = indigenas_superior_salario)) +
geom_line() +
labs(y = "Indigenas con un Salario Superior al Minimo", x = "Tiempo") +
theme_minimal()
out1$sum_jovenes_adultos <- out1$jovenes + out1$adultos
# Graficar la suma de las poblaciones de jóvenes y adultos a lo largo del tiempo
ggplot(out1, aes(x = time, y = sum_jovenes_adultos)) +
geom_line(color = "blue") +
labs(y = "Suma de Jóvenes y Adultos", x = "Tiempo") +
scale_y_continuous(labels = scales::comma) +
theme_minimal()
out1$poblacion_total <- out1$jovenes + out1$adultos + out1$ninos + out1$bebes + out1$ancianos
# Graficar la suma de las poblaciones de jóvenes y adultos a lo largo del tiempo
ggplot(out1, aes(x = time, y = poblacion_total)) +
geom_line(color = "blue") +
labs(y = "Poblacion Total", x = "Tiempo") +
scale_y_continuous(labels = scales::comma) +
theme_minimal()
library(ggplot2)
out1_long <- tidyr::pivot_longer(out1, cols = c(jovenes, adultos, ninos, bebes, ancianos, indigenas_superior_salario),
names_to = "Variable", values_to = "poblacion")
# Graficar las poblaciones de jóvenes, adultos, niños, bebés y ancianos a lo largo del tiempo
ggplot(out1_long, aes(x = time, y = poblacion, color = Variable)) +
geom_line() +
labs(y = "Población", x = "Tiempo", color = "Variable") +
scale_y_continuous(labels = scales::comma) +
scale_color_manual(
values = c(
"adultos" = "red",
"ancianos" = "brown",
"bebes" = "green",
"indigenas_superior_salario" = "cyan",
"jovenes" = "blue",
"ninos" = "magenta"
),
labels = c(
"adultos" = "Adultos",
"ancianos" = "Ancianos",
"bebes" = "Bebés",
"indigenas_superior_salario" = "Indígenas con Salario Superior al Mínimo",
"jovenes" = "Jóvenes",
"ninos" = "Niños"
)
) +
theme_minimal() +
theme(legend.position = "bottom")
Diagrama de flujo modelo con politicas publicas
Explicacion de las politicas publicas
Interrelación de las Políticas Propuestas
Las tres políticas propuestas están diseñadas para trabajar juntas de manera sinérgica, abordando diferentes aspectos del desarrollo socioeconómico de la población indígena en México. A continuación se explica cómo se interrelacionan y complementan:
Política 1: Programa Integral de Educación Inclusiva
Esta política se centra en mejorar la educación para la población indígena, desde el acceso a la educación hasta la calidad de la misma. La mejora en la educación tiene un impacto directo en la empleabilidad y la capacidad de los individuos para participar en la economía.
Corto Plazo:
Ampliación de Becas Educativas: Más estudiantes indígenas podrán continuar su educación, reduciendo la deserción escolar. Capacitación de Maestros en Educación Intercultural: Mejora la calidad de la educación recibida, preparando mejor a los estudiantes para el futuro.
Mediano Plazo:
Construcción y Mejora de Infraestructuras Educativas: Facilita el acceso a la educación en comunidades remotas. Desarrollo de Materiales Educativos Culturales: Aumenta la relevancia y la aceptación de la educación en comunidades indígenas.
Largo Plazo:
Integración de la Cultura Indígena en el Currículo Nacional: Fomenta el respeto y la valorización de la cultura indígena, lo que puede mejorar la autoestima y el rendimiento escolar. Programas de Tutoría y Apoyo Escolar: Reduce la deserción y mejora los resultados académicos, preparando mejor a los estudiantes para el mercado laboral.
Política 2: Fomento del Emprendimiento y la Capacitación Laboral
Esta política complementa a la primera al proporcionar a los graduados las habilidades y oportunidades necesarias para encontrar empleo o crear sus propios negocios.
Corto Plazo:
Programas de Capacitación Laboral: Proporciona a los individuos las habilidades técnicas necesarias para acceder a empleos bien remunerados. Subsidios y Apoyos a Emprendedores Indígenas: Fomenta la creación de negocios locales, aumentando las oportunidades de empleo en las comunidades.
Mediano Plazo:
Centros de Desarrollo Empresarial: Apoya la creación y el crecimiento de negocios locales, proporcionando asesoría y recursos. Redes de Comercio Justo: Facilita la venta de productos indígenas, mejorando los ingresos de los emprendedores locales.
Largo Plazo:
Promoción de Exportaciones Indígenas: Abre nuevos mercados para productos indígenas, aumentando las oportunidades económicas. Programas de Mentoría Empresarial: Aumenta las tasas de éxito de nuevos negocios mediante el apoyo y la guía de empresarios experimentados.
Política 3: Incentivos para la Contratación de Personas Indígenas
Esta política cierra el círculo al crear un entorno favorable para la contratación de personas indígenas, facilitando su integración en el mercado laboral formal.
Corto Plazo:
Incentivos Fiscales para Empresas: Motiva a las empresas a contratar a personas indígenas, creando más oportunidades de empleo. Programas de Inclusión Laboral: Prepara a los individuos para el entorno laboral, reduciendo las barreras de entrada al empleo.
Mediano Plazo:
Alianzas con el Sector Privado: Establece conexiones entre las comunidades indígenas y las empresas, facilitando la creación de empleos. Monitoreo y Evaluación: Asegura que las políticas de inclusión laboral sean efectivas y se ajusten según sea necesario.
Largo Plazo:
Reconocimiento y Certificación de Habilidades: Valida las competencias adquiridas por las personas indígenas, mejorando sus perspectivas laborales. Promoción de la Diversidad en el Lugar de Trabajo: Fomenta un entorno inclusivo y diverso, lo que puede mejorar la retención y el éxito de los empleados indígenas.
Sinergia entre las Políticas
Educación y Empleabilidad:
La mejora en la educación (Política 1) prepara mejor a los individuos para los programas de capacitación laboral (Política 2), aumentando su empleabilidad. Los programas de capacitación laboral (Política 2) aseguran que las personas tengan las habilidades necesarias para aprovechar las oportunidades de empleo incentivadas por la Política 3.
Empleabilidad y Contratación:
Los incentivos fiscales y los programas de inclusión laboral (Política 3) facilitan la contratación de personas indígenas que han sido capacitadas mediante la Política 2.
Las alianzas con el sector privado (Política 3) crean más oportunidades de empleo para los graduados de los programas educativos y de capacitación (Política 1 y 2).
Educación y Contratación:
La integración de la cultura indígena en el currículo nacional (Política 1) y la certificación de habilidades (Política 3) ayudan a reducir la discriminación y mejoran la aceptación de las personas indígenas en el lugar de trabajo.
Al implementar estas políticas de manera interrelacionada, se crea un ciclo positivo de desarrollo donde la educación mejora la empleabilidad, la capacitación laboral aumenta las oportunidades de empleo, y los incentivos para la contratación aseguran que las personas indígenas puedan integrarse exitosamente en el mercado laboral, promoviendo así el desarrollo socioeconómico de las comunidades indígenas en México.
Simulación del modelo con las politicas publicas
# Definir las condiciones iniciales de la variable de estado
inicial.conditions <- c(
adultos = 9349600,
jovenes = 4176000,
ninos = 4732800,
bebes = 2250400,
ancianos = 2691200,
indigenas_superior_salario = 1882087
)
# Definir el vector de tiempos para la simulación
times <- seq(0, 50, by = 1)
# Definir la función del modelo
model_indigenas_politicas_publicas <- function(t, state, parameters) {
with(as.list(c(state, parameters)), {
# Variables Auxiliares o endógenas
ninez <- ninos / periodo_ninez_prom
madurez <- jovenes / periodo_madurez_prom
PEA_Indigena <- (madurez + ninez) * tasa_de_disposicion_laboral * (1 + capacitacion_laboral + certificacion_habilidades)
# Approx function that reduces aislamiento_geografico by migration% ej. 10% migration reduces aislamiento_geografico by 10%
migracion <- approx(c(0, 0.5), c(0, 0.3), xout = migracion_base)$y
aislamiento_geografico <- aislamiento_geografico - (aislamiento_geografico * migracion)
acceso_oportunidades_laborales <- oportunidades_base - aislamiento_geografico + alianzas_privadas + subsidios_emprendedores
desercion_escolar <- desercion_escolar_base + (desercion_escolar_base * discriminacion) - monitoreo_evaluacion
indigenas_acceso_educacion <- max((indigenas_acceso_educacion_base + becas_educativas - desercion_escolar),
((indigenas_superior_salario / (adultos + jovenes)) + becas_educativas - desercion_escolar))
tasa_contratacion <- max(tasa_contratacion + incentivos_fiscales, indigenas_acceso_educacion + subsidios_emprendedores)
# Variables de flujo (son las que modifican a las variables de estado)
mortalidad_bebes <- tasa_mortalidad_bebes * bebes
nacimientos <- (adultos * tasa_natalidad_adultos) + (jovenes * tasa_natalidad_jovenes)
crecimiento <- bebes / periodo_crecimiento_prom
envejecimiento <- adultos / periodo_adultez_prom
mortalidad_adulto_mayor <- ancianos / periodo_envejecimiento_prom
contratacion_personas_indigenas <- PEA_Indigena * (tasa_contratacion - discriminacion) * acceso_oportunidades_laborales * (1 + diversidad_laboral)
desempleo_personas_indigenas <- (tasa_de_desempleo + (discriminacion * tasa_de_desempleo)) * indigenas_superior_salario
jubilacion <- indigenas_superior_salario / periodo_trabajo
# Variables de estado
dbebes <- nacimientos - mortalidad_bebes - crecimiento
dninos <- crecimiento - ninez
djovenes <- ninez - madurez
dadultos <- madurez - envejecimiento
dancianos <- envejecimiento - mortalidad_adulto_mayor
dindigenas_superior_salario <- contratacion_personas_indigenas - desempleo_personas_indigenas - jubilacion
if ((contratacion_personas_indigenas - desempleo_personas_indigenas - jubilacion + indigenas_superior_salario) < (adultos + jovenes)) {
dindigenas_superior_salario <- contratacion_personas_indigenas - desempleo_personas_indigenas - jubilacion
}
else {
dindigenas_superior_salario <- 0
}
# Devuelve los resultados de la variable de estado y las variables de flujo
return(list(c(dadultos, djovenes, dninos, dbebes, dancianos, dindigenas_superior_salario),
# Variables de flujo
nacimientos = nacimientos,
mortalidad_bebes = mortalidad_bebes,
crecimiento = crecimiento,
envejecimiento = envejecimiento,
mortalidad_adulto_mayor = mortalidad_adulto_mayor,
contratacion_personas_indigenas = contratacion_personas_indigenas,
desempleo_personas_indigenas = desempleo_personas_indigenas,
jubilacion = jubilacion
))
})
}
# Definir los parámetros del modelo. Están por fuera del sistema
parameters <- c(
periodo_crecimiento_prom = 4,
periodo_ninez_prom = 10,
periodo_madurez_prom = 10,
periodo_adultez_prom = 35,
periodo_trabajo = 35,
periodo_envejecimiento_prom = 10,
tasa_natalidad_adultos = 0.0479,
tasa_natalidad_jovenes = 0.0108,
tasa_mortalidad_bebes = 0.012,
tasa_de_disposicion_laboral = 0.645,
capacitacion_laboral = 0.15,
migracion_base = 0.094,
aislamiento_geografico = 0.13,
oportunidades_base = 1,
desercion_escolar_base = 0.081,
discriminacion = 0.262,
indigenas_acceso_educacion_base = 0.294,
becas_educativas = 0.15, # Ajustado para reflejar el impacto de la política de becas
tasa_contratacion = 0.605,
tasa_de_desempleo = 0.026,
capacitacion_laboral = 0.15, # Nuevo parámetro para la capacitación laboral
subsidios_emprendedores = 0.1, # Nuevo parámetro para subsidios a emprendedores
incentivos_fiscales = 0.15, # Nuevo parámetro para incentivos fiscales
alianzas_privadas = 0.12, # Nuevo parámetro para alianzas con el sector privado
monitoreo_evaluacion = 0.1, # Nuevo parámetro para monitoreo y evaluación
certificacion_habilidades = 0.15, # Nuevo parámetro para certificación de habilidades
diversidad_laboral = 0.15 # Nuevo parámetro para promoción de la diversidad laboral
)
# Seleccionar el método de integración a utilizar en la simulación, en este caso 'rk4' (Runge-Kutta de 4to orden)
intg.method <- "rk4"
# Realizar la simulación utilizando la función 'ode' del paquete deSolve
out2 <- ode(
y = inicial.conditions, # condiciones iniciales
times = times, # tiempo de simulación
func = model_indigenas_politicas_publicas, # función del modelo
parms = parameters, # parámetros del modelo
method = intg.method # método de integración
)
# Convertir los resultados de la simulación en un data frame
out2 <- as.data.frame(out2)
# Cargar el paquete ggplot2 para la visualización de datos
# Graficar la población de indígenas con salario superior a lo largo del tiempo
ggplot(out2, aes(x = time, y =indigenas_superior_salario)) +
geom_line() +
labs(y = "Indigenas con un Salario Superior al Minimo", x = "Tiempo") +
scale_y_continuous(labels = scales::comma) +
theme_minimal()
out2_long <- tidyr::pivot_longer(out2, cols = c(jovenes, adultos, ninos, bebes, ancianos, indigenas_superior_salario),
names_to = "Variable", values_to = "poblacion")
# Graficar las poblaciones de jóvenes, adultos, niños, bebés y ancianos a lo largo del tiempo
ggplot(out2_long, aes(x = time, y = poblacion, color = Variable)) +
geom_line() +
labs(y = "Población", x = "Tiempo", color = "Variable") +
scale_y_continuous(labels = scales::comma) +
scale_color_manual(
values = c(
"adultos" = "red",
"ancianos" = "brown",
"bebes" = "green",
"indigenas_superior_salario" = "cyan",
"jovenes" = "blue",
"ninos" = "magenta"
),
labels = c(
"adultos" = "Adultos",
"ancianos" = "Ancianos",
"bebes" = "Bebés",
"indigenas_superior_salario" = "Indígenas con Salario Superior al Mínimo",
"jovenes" = "Jóvenes",
"ninos" = "Niños"
)
) +
theme_minimal() +
theme(legend.position = "bottom")
Incertedumbres Modelo Original
# Parámetros de las incertidumbres 9, 10 y 11
p1 <- seq(0, 0.5, by = 0.02) # Migración
p2 <- seq(0, 0.3, by = 0.01) # Aislamiento Geográfico
p3 <- seq(0, 0.3, by = 0.01) # Deserción Escolar Base
# Combine all stressors
Xs_inc <- expand.grid(list(
migracion_base = p1,
aislamiento_geografico = p2,
desercion_escolar_base = p3
))
Xs_inc$Run.ID <- 1:nrow(Xs_inc) # Para saber a qué experimento corresponde cada valor
# Map all Xs into the model
out_all_inc <- list()
# Establecemos el loop
pb <- progress_bar$new(format = "[:bar] :percent eta: :eta", total = nrow(Xs_inc), clear = FALSE, width = 60)
for (i in 1:nrow(Xs_inc)) {
pb$tick() # Actualiza la barra de progreso
# Variables exógenas o parámetros
parameters.Xs_inc <- c(
periodo_crecimiento_prom = 4,
periodo_ninez_prom = 10,
periodo_madurez_prom = 10,
periodo_adultez_prom = 35,
periodo_trabajo = 35,
periodo_envejecimiento_prom = 10,
tasa_natalidad_adultos = 0.0479,
tasa_natalidad_jovenes = 0.0108,
tasa_mortalidad_bebes = 0.012,
tasa_de_disposicion_laboral = 0.645,
migracion_base = Xs_inc$migracion_base[i],
aislamiento_geografico = Xs_inc$aislamiento_geografico[i],
oportunidades_base = 1,
desercion_escolar_base = Xs_inc$desercion_escolar_base[i],
discriminacion = 0.262,
indigenas_acceso_educacion_base = 0.294,
becas_educativas = 0.15, # Valor fijo
tasa_contratacion = 0.605,
tasa_de_desempleo = 0.026,
capacitacion_laboral = 0.20, # Valor fijo
subsidios_emprendedores = 0.12, # Valor fijo
incentivos_fiscales = 0.15, # Valor fijo
alianzas_privadas = 0.15, # Valor fijo
monitoreo_evaluacion = 0.10, # Valor fijo
certificacion_habilidades = 0.15, # Valor fijo
diversidad_laboral = 0.15 # Valor fijo
)
# Simulación del modelo
out3_inc <- ode(y = inicial.conditions,
times = times,
func = model_indigenas_politicas_publicas, # nombre de la función del modelo
parms = parameters.Xs_inc,
method = intg.method)
# Convertir el objeto out3_inc (que es una matriz) a un data frame para facilitar el manejo.
out3_inc <- data.frame(out3_inc)
out3_inc$Run.ID <- Xs_inc$Run.ID[i]
out_all_inc <- append(out_all_inc, list(out3_inc))
}
pb$terminate() # Finalizar la barra de progreso
# Concatenar resultados
out_all_inc <- do.call("rbind", out_all_inc)
# Combinar out_all_inc y Xs_inc
out_all_inc <- merge(out_all_inc, Xs_inc, by="Run.ID")Incertidumbre 1: Variación en la Migración
Descripción: Este parámetro representa el nivel de migración dentro y fuera de las comunidades indígenas. Un mayor valor indica un mayor grado de migración, lo que afecta la composición demográfica y las dinámicas laborales de la población.
Impacto: La migración puede influir en la disponibilidad de mano de obra y en la estructura familiar, impactando el desarrollo socioeconómico de las comunidades indígenas.
p9 <- ggplot(out_all_inc, aes(x = time, y = indigenas_superior_salario, group = Run.ID, colour = migracion_base)) +
geom_line() +
scale_color_gradient(low = "red", high = "green", name = "Migración") +
scale_y_continuous(labels = scales::comma) +
labs(y = "Indígenas con Salario Superior al Mínimo") +
theme_minimal() +
ggtitle("Variación en la Migración") +
theme(legend.position = "bottom")
p9
Incertidumbre 2: Variación en el Aislamiento Geográfico
Descripción: Este parámetro mide el grado de aislamiento geográfico de las comunidades indígenas. Un mayor valor indica un mayor nivel de aislamiento, lo que puede limitar el acceso a recursos, servicios y oportunidades económicas.
Impacto: El aislamiento geográfico puede restringir las oportunidades de empleo y acceso a servicios esenciales, afectando negativamente el desarrollo socioeconómico de las comunidades.
p10 <- ggplot(out_all_inc, aes(x = time, y = indigenas_superior_salario, group = Run.ID, colour = aislamiento_geografico)) +
geom_line() +
scale_color_gradient(low = "green", high = "red", name = "Aislamiento Geográfico") +
scale_y_continuous(labels = scales::comma) +
labs(y = "Indígenas con Salario Superior al Mínimo") +
theme_minimal() +
ggtitle("Variación en el Aislamiento Geográfico") +
theme(legend.position = "bottom")
p10
Incertidumbre 3: Variación en la Deserción Escolar Base
Descripción: Este parámetro representa la tasa de deserción escolar base entre la población indígena. Un mayor valor indica una mayor tasa de deserción, lo que afecta negativamente el nivel educativo y las oportunidades laborales de los individuos.
Impacto: La deserción escolar elevada limita las oportunidades de empleo y desarrollo profesional, perpetuando ciclos de pobreza y exclusión social.
p11 <- ggplot(out_all_inc, aes(x = time, y = indigenas_superior_salario, group = Run.ID, colour = desercion_escolar_base)) +
geom_line() +
scale_color_gradient(low = "green", high = "red", name = "Deserción Escolar Base") +
scale_y_continuous(labels = scales::comma) +
labs(y = "Indígenas con Salario Superior al Mínimo") +
theme_minimal() +
ggtitle("Variación en la Deserción Escolar Base") +
theme(legend.position = "bottom")
p11
Políticas
Parámetros que consideraremos como parte de nuestras políticas
# Parámetros de las incertidumbres 1 a 8
x1 <- seq(0, 0.2, by = 0.05) # Capacitación Laboral
x2 <- seq(0, 0.3, by = 0.1) # Subsidios a Emprendedores
x3 <- seq(0, 0.1, by = 0.05) # Incentivos Fiscales
x4 <- seq(0, 0.2, by = 0.05) # Alianzas Privadas
x5 <- seq(0, 0.3, by = 0.05) # Monitoreo y Evaluación
x6 <- seq(0, 0.25, by = 0.05) # Certificación de Habilidades
x7 <- seq(0, 0.3, by = 0.05) # Diversidad Laboral
x8 <- seq(0, 0.1, by = 0.05) # Becas Educativas
# Combine all stressors
Xs_unc <- expand.grid(list(
capacitacion_laboral = x1,
subsidios_emprendedores = x2,
incentivos_fiscales = x3,
alianzas_privadas = x4,
monitoreo_evaluacion = x5,
certificacion_habilidades = x6,
diversidad_laboral = x7,
becas_educativas = x8
))
Xs_unc$Run.ID <- 1:nrow(Xs_unc) # Para saber a qué experimento corresponde cada valor
# Map all Xs into the model
out_all_unc <- list()
# Establecemos el loop
pb <- progress_bar$new(format = "[:bar] :percent eta: :eta", total = nrow(Xs_unc), clear = FALSE, width = 60)
for (i in 1:nrow(Xs_unc)) {
pb$tick() # Actualiza la barra de progreso
# Variables exógenas o parámetros
parameters.Xs_unc <- c(
periodo_crecimiento_prom = 4,
periodo_ninez_prom = 10,
periodo_madurez_prom = 10,
periodo_adultez_prom = 35,
periodo_trabajo = 35,
periodo_envejecimiento_prom = 10,
tasa_natalidad_adultos = 0.0479,
tasa_natalidad_jovenes = 0.0108,
tasa_mortalidad_bebes = 0.012,
tasa_de_disposicion_laboral = 0.645,
migracion_base = 0.094, # Valor fijo
aislamiento_geografico = 0.13, # Valor fijo
oportunidades_base = 1,
desercion_escolar_base = 0.081, # Valor fijo
discriminacion = 0.262,
indigenas_acceso_educacion_base = 0.294,
becas_educativas = Xs_unc$becas_educativas[i],
tasa_contratacion = 0.605,
tasa_de_desempleo = 0.026,
capacitacion_laboral = Xs_unc$capacitacion_laboral[i],
subsidios_emprendedores = Xs_unc$subsidios_emprendedores[i],
incentivos_fiscales = Xs_unc$incentivos_fiscales[i],
alianzas_privadas = Xs_unc$alianzas_privadas[i],
monitoreo_evaluacion = Xs_unc$monitoreo_evaluacion[i],
certificacion_habilidades = Xs_unc$certificacion_habilidades[i],
diversidad_laboral = Xs_unc$diversidad_laboral[i]
)
# Simulación del modelo
out3_unc <- ode(y = inicial.conditions,
times = times,
func = model_indigenas_politicas_publicas, # nombre de la función del modelo
parms = parameters.Xs_unc,
method = intg.method)
# Convertir el objeto out3_unc (que es una matriz) a un data frame para facilitar el manejo.
out3_unc <- data.frame(out3_unc)
# Filtrar los resultados para que el valor máximo no supere los 30 millones de personas
out3_unc$Run.ID <- Xs_unc$Run.ID[i]
out_all_unc <- append(out_all_unc, list(out3_unc))
}
pb$terminate() # Finalizar la barra de progreso
# Concatenar resultados
out_all_unc <- do.call("rbind", out_all_unc)
# Combinar out_all_unc y Xs_unc
out_all_unc <- merge(out_all_unc, Xs_unc, by="Run.ID")Cada uno de estos parámetros se puede ajustar para simular diferentes escenarios y evaluar su impacto en el desarrollo socioeconómico de la población indígena en México.
Política 1: Variación en la capacitacion laboral
Descripción: Este parámetro representa el nivel de programas de capacitación laboral ofrecidos a la población indígena. Un mayor valor indica un mayor grado de capacitación laboral disponible, lo que debería mejorar las habilidades y la empleabilidad de los individuos.
Impacto: Afecta directamente la tasa de disposición laboral de la población indígena, aumentando la cantidad de personas que pueden participar activamente en el mercado laboral.
p1 <- ggplot(out_all_unc, aes(x = time, y = indigenas_superior_salario, group = Run.ID, colour = capacitacion_laboral)) +
geom_line() +
scale_color_gradient(low = "red", high = "green", name = "Capacitación Laboral") +
scale_y_continuous(labels = scales::comma) +
labs(y = "Indígenas con Salario Superior al Mínimo") +
theme_minimal() +
ggtitle("Variación en la Capacitación Laboral") +
theme(legend.position = "bottom")
p1
Política 2: Variación en los Subsidios a Emprendedores
Descripción: Este parámetro mide el nivel de subsidios y apoyos económicos disponibles para los emprendedores indígenas. Un mayor valor indica más recursos y apoyo financiero para iniciar y mantener negocios.
Impacto: Fomenta la creación y sostenibilidad de negocios indígenas, aumentando las oportunidades de empleo y el desarrollo económico dentro de las comunidades.
p2 <- ggplot(out_all_unc, aes(x = time, y = indigenas_superior_salario, group = Run.ID, colour = subsidios_emprendedores)) +
geom_line() +
scale_color_gradient(low = "red", high = "green", name = "Subsidios a Emprendedores") +
scale_y_continuous(labels = scales::comma) +
labs(y = "Indígenas con Salario Superior al Mínimo") +
theme_minimal() +
ggtitle("Variación en los Subsidios a Emprendedores") +
theme(legend.position = "bottom")
p2
Política 3: Variación en los Incentivos Fiscales
Descripción: Este parámetro representa los incentivos fiscales ofrecidos a las empresas para contratar a personas indígenas. Un mayor valor indica mayores beneficios fiscales para las empresas que emplean a trabajadores indígenas.
Impacto: Incrementa la contratación de personas indígenas en el mercado laboral formal, reduciendo las tasas de desempleo y mejorando la inclusión económica.
p3 <- ggplot(out_all_unc, aes(x = time, y = indigenas_superior_salario, group = Run.ID, colour = incentivos_fiscales)) +
geom_line() +
scale_color_gradient(low = "red", high = "green", name = "Incentivos Fiscales") +
scale_y_continuous(labels = scales::comma) +
labs(y = "Indígenas con Salario Superior al Mínimo") +
theme_minimal() +
ggtitle("Variación en los Incentivos Fiscales") +
theme(legend.position = "bottom")
p3
Política 4: Variación en las Alianzas Privadas
Descripción: Este parámetro mide el grado de colaboración entre el sector privado y las comunidades indígenas. Un mayor valor indica más alianzas y colaboraciones, lo que facilita el acceso a oportunidades laborales y recursos.
Impacto: Mejora las oportunidades de empleo y desarrollo económico mediante la creación de redes y apoyo entre las empresas y las comunidades indígenas.
p4 <- ggplot(out_all_unc, aes(x = time, y = indigenas_superior_salario, group = Run.ID, colour = alianzas_privadas)) +
geom_line() +
scale_color_gradient(low = "red", high = "green", name = "Alianzas Privadas") +
scale_y_continuous(labels = scales::comma) +
labs(y = "Indígenas con Salario Superior al Mínimo") +
theme_minimal() +
ggtitle("Variación en las Alianzas Privadas") +
theme(legend.position = "bottom")
p4
Política 5: Variación en el Monitoreo y Evaluación
Descripción: Este parámetro representa el nivel de monitoreo y evaluación de las políticas implementadas. Un mayor valor indica un seguimiento más riguroso y una evaluación continua de los programas y políticas.
Impacto: Asegura la efectividad de las políticas y permite ajustes basados en datos y resultados, mejorando el impacto de las intervenciones a largo plazo.
p5 <- ggplot(out_all_unc, aes(x = time, y = indigenas_superior_salario, group = Run.ID, colour = monitoreo_evaluacion)) +
geom_line() +
scale_color_gradient(low = "red", high = "green", name = "Monitoreo y Evaluación") +
scale_y_continuous(labels = scales::comma) +
labs(y = "Indígenas con Salario Superior al Mínimo") +
theme_minimal() +
ggtitle("Variación en el Monitoreo y Evaluación") +
theme(legend.position = "bottom")
p5
Política 6: Variación en la Certificación de Habilidades
Descripción: Este parámetro mide la extensión de los programas de certificación de habilidades para la población indígena. Un mayor valor indica un mayor acceso a la certificación formal de competencias y habilidades.
Impacto: Mejora las perspectivas laborales al proporcionar a los individuos certificaciones reconocidas que validan sus habilidades y competencias, facilitando su empleabilidad.
p6 <- ggplot(out_all_unc, aes(x = time, y = indigenas_superior_salario, group = Run.ID, colour = certificacion_habilidades)) +
geom_line() +
scale_color_gradient(low = "red", high = "green", name = "Certificación de Habilidades") +
scale_y_continuous(labels = scales::comma) +
labs(y = "Indígenas con Salario Superior al Mínimo") +
theme_minimal() +
ggtitle("Variación en la Certificación de Habilidades") +
theme(legend.position = "bottom")
p6
Política 7: Variación en la Diversidad Laboral
Descripción: Este parámetro representa el grado de promoción de la diversidad en el lugar de trabajo. Un mayor valor indica una mayor aceptación y promoción de la diversidad laboral.
Impacto: Fomenta un entorno de trabajo inclusivo y diverso, mejorando la retención y el éxito de los empleados indígenas en el mercado laboral.
p7 <- ggplot(out_all_unc, aes(x = time, y = indigenas_superior_salario, group = Run.ID, colour = diversidad_laboral)) +
geom_line() +
scale_color_gradient(low = "red", high = "green", name = "Diversidad Laboral") +
scale_y_continuous(labels = scales::comma) +
labs(y = "Indígenas con Salario Superior al Mínimo") +
theme_minimal() +
ggtitle("Variación en la Diversidad Laboral") +
theme(legend.position = "bottom")
p7
Política 8: Variación en las Becas Educativas
Descripción: Este parámetro mide la disponibilidad y el alcance de las becas educativas para estudiantes indígenas. Un mayor valor indica más apoyo financiero para la educación.
Impacto: Reduce la deserción escolar y mejora el acceso a la educación de calidad, preparando mejor a los estudiantes para el mercado laboral y aumentando sus oportunidades de desarrollo personal y profesional.
p8 <- ggplot(out_all_unc, aes(x=time, y=indigenas_superior_salario, group=Run.ID, colour=becas_educativas)) +
geom_line() +
scale_color_gradient(low = "red", high = "green") +
scale_y_continuous(labels = scales::comma) +
theme_minimal() +
ggtitle("Variación en las Becas Educativas")
p8