1 La ENAHO

La Encuesta Nacional de Hogares (ENAHO), la cual ayuda a efectuar sus investigaciones al Instituto Nacional de Estadística e Informática (INEI), nos permite mirar de cerca las condiciones de vida de las familias peruanas. A través de sus preguntas y respuestas, podemos entender cómo vive la gente, cómo trabaja y cómo se desenvuelve económicamente en nuestro país.

En este informe, se analizó los resultados más importantes de la ENAHO 2022. Especificamente las variables de empleo, desempleo y tipo de vivienda en las familias peruanas; las cuales ayudan demostrar las desigualdades socioeconómicas en el Perú y dan a entender cómo es la realidad de cada individuo.

2 Clasificando de personas empleadas y desempleadas

Para clasificar a una persona como empleada o desempleada, se utilizó un conjunto de tres preguntas específicas:

1. ¿La semana pasada, del [fecha inicio] al [fecha fin], tuvo usted algún trabajo?

2. Aunque no trabajó la semana pasada, ¿tiene algún empleo fijo al que próximamente volverá?

3. Aunque no trabajó la semana pasada, ¿tiene algún negocio propio al que próximamente volverá?

Estas preguntas aceptaban únicamente dos posibles respuestas: “1”, que correspondía a “Sí”, y “2”, equivalente a “No”.

Una persona era clasificada como empleada si respondía “Sí” a al menos una de las tres preguntas. Por el contrario, si respondía “No” a todas las preguntas, se le clasificaba como desempleada.

#CLASIFICANDO EMPLEADOS Y DESEMPLEADOS
  datos %>%
    mutate(Empl_o_Desem = ifelse(P501 == 1| P502 == 1 | P503 == 1, 'empleado' , 'desempleado')) -> datos
  
  datos |> filter(Empl_o_Desem == 'empleado') -> datos1
  datos1 |> select(Empl_o_Desem,P101) |> 
    rename(TIPO_DE_VIVIENDA = P101) -> datos1
  
  datos1 |> mutate(TIPO_DE_VIVIENDA = case_when
                   (TIPO_DE_VIVIENDA == 1 ~ "Casa independiente",                                
                     TIPO_DE_VIVIENDA == 2 ~ "Departamento en edificio",
                     TIPO_DE_VIVIENDA == 3 ~ "Vivienda en quinta",
                     TIPO_DE_VIVIENDA == 4 ~ "Vivienda en casa de vecindad",
                     TIPO_DE_VIVIENDA == 5 ~ "Choza o cabaña",
                     TIPO_DE_VIVIENDA == 6 ~ "Vivienda improvisada",
                     TIPO_DE_VIVIENDA == 7 ~ "Local no destinado para habitación humana",
                     TIPO_DE_VIVIENDA == 8 ~ "Otro")) -> datos1
  
  datos1 %>% filter(!is.na(TIPO_DE_VIVIENDA)) -> datos1
  
  #View(datos1)

  datos1 |>  count(TIPO_DE_VIVIENDA) |> 
    mutate(prop = n / sum(n) * 100) |> select(-n) -> datos1
  
  datos1 <- datos1 %>%
    mutate(TIPO_DE_VIVIENDA= reorder(TIPO_DE_VIVIENDA, -prop))

3 El empleo y desempleo en el Perú

El mercado laboral peruano en 2022 mostró una recuperación importante tras los desafíos generados por la pandemia, aunque persisten problemas estructurales en cuanto a calidad y estabilidad del empleo. La mayoría de la población en edad de trabajar participa activamente en el mercado laboral, ya sea ocupada o en búsqueda de empleo, aunque con condiciones y oportunidades que varían entre diferentes grupos de personas.

En términos generales, una mayoría de personas ha logrado mantenerse empleada, lo que refleja la recuperación económica del país. Sin embargo, una parte de la población enfrenta limitaciones en el acceso a empleos con beneficios y estabilidad, lo que crea desigualdades en las oportunidades laborales. Estas disparidades son más evidentes en algunos sectores y regiones, donde las condiciones de empleo tienden a ser menos favorables.

Por otro lado, la población desempleada, aunque es un grupo minoritario, enfrenta dificultades para ingresar o reincorporarse al mercado laboral. La mayoría de las personas desempleadas ha tenido experiencia laboral previa, lo que pone en evidencia la falta de continuidad en las oportunidades de trabajo.

En conclusión, si bien el mercado laboral ha mostrado avances importantes en términos de recuperación, las desigualdades en acceso y calidad de empleo siguen siendo un desafío central. La implementación de políticas públicas enfocadas en promover la formalidad y mejorar las condiciones laborales será crucial para alcanzar un mercado de trabajo más justo y equitativo.

4 Gráfico

#GRAFICOS DE EMPLEADOS Y DESEMPLEADOS
  
  datos %>% select(Empl_o_Desem,P101) %>% 
    rename(TIPO_DE_VIVIENDA = P101) -> datos1
  
  datos1 |> mutate(TIPO_DE_VIVIENDA = case_when
                   (TIPO_DE_VIVIENDA == 1 ~ "Casa independiente",                                
                     TIPO_DE_VIVIENDA == 2 ~ "Departamento en edificio",
                     TIPO_DE_VIVIENDA == 3 ~ "Vivienda en quinta",
                     TIPO_DE_VIVIENDA == 4 ~ "Vivienda en casa de vecindad",
                     TIPO_DE_VIVIENDA == 5 ~ "Choza o cabaña",
                     TIPO_DE_VIVIENDA == 6 ~ "Vivienda improvisada",
                     TIPO_DE_VIVIENDA == 7 ~ "Local no destinado para habitación humana",
                     TIPO_DE_VIVIENDA == 8 ~ "Otro")) -> datos1
  
  
  datos1 %>% select(TIPO_DE_VIVIENDA, Empl_o_Desem) -> datos2
  
  datos2 %>% filter(!is.na(TIPO_DE_VIVIENDA)) -> datos2
  
  datos2 %>%filter(!is.na(Empl_o_Desem)) -> datos2

# Modificar el texto para dividirlo en dos líneas
  datos2 <- datos2 %>%
    mutate(
      TIPO_DE_VIVIENDA = str_replace(
        TIPO_DE_VIVIENDA,
        "Local no destinado para habitación humana",
        "Local no destinado\npara habitación humana"
      )
    )
  
  # Actualizar el gráfico
  ggplot(datos2, aes(x = fct_rev(fct_relevel(TIPO_DE_VIVIENDA,
                                             "Casa independiente",
                                             "Vivienda en casa de vecindad",
                                             "Departamento en edificio",
                                             "Choza o cabaña",
                                             "Vivienda en quinta",
                                             "Vivienda improvisada",
                                             "Local no destinado\npara habitación humana")),
                     fill = Empl_o_Desem)) +
    geom_bar(position = "dodge", color = '#5dade2') +
    scale_y_continuous(
      labels = scales::comma,  # Para mostrar las etiquetas con comas (por ejemplo, 10,000)
      limits = c(0, 60000)     # Establecer el rango del eje Y
    ) +
    labs(
      title = "¿Cómo se distribuye el empleo y desempleo según el tipo de vivienda?",
      subtitle =  "La gran mayoría de los habitantes viven en casas independientes, \ncon una alta proporción de empleo en esta categoría.",
      x = NULL, # Ocultar el título del eje X
      y = NULL,
      fill = "Condición laboral"
    ) +
    geom_text(
      aes(label = ..count.., group = Empl_o_Desem), # Muestra etiquetas separadas para cada categoría
      stat = "count", 
      position = position_dodge(width = 0.9), # Alinea con las barras
      hjust = -0.2, # Desplaza las etiquetas a la derecha
      size = 3,
      na.rm = TRUE # Elimina las etiquetas de valores faltantes
    ) +
    scale_fill_manual(values = c("grey", "#5dade2")) +
    theme_classic() +
    theme(
      plot.title = element_text(hjust = 0.5, face = "bold"),
      plot.subtitle = element_text(hjust = 0.5, size = 10),
      axis.text.x = element_blank(), # Ocultar los textos del eje X
      axis.ticks.y = element_blank(),
      axis.line.x = element_line(color = "gray"),
      axis.line.y = element_line(color = "gray"),
      axis.ticks.x = element_blank()
    ) +
    coord_flip() +
    gghighlight(
      TIPO_DE_VIVIENDA == "Casa independiente", # Condición para resaltar
      use_direct_label = FALSE, # Desactiva etiquetas automáticas de gghighlight
      unhighlighted_params = list(alpha = 0.6) # Atenuar las otras categorías
    )

5 Conclusiones

El gráfico muestra la distribución del trabajo y el desempleo según el tipo de vivienda, proporcionando una visión acerca de cómo las condiciones de vivienda interactúan con el mercado de trabajo en el escenario peruano. En este contexto, se nota que la mayoría de los residentes residen en viviendas independientes, que aglutinan la mayor cantidad de trabajadores. Este hecho podría indicar que este tipo de vivienda está vinculado a una estabilidad financiera superior, lo que podría indicar mejores ingresos y acceso a servicios fundamentales, propios de los sectores más estructurados del trabajo formal.

En comparación, los datos también muestran que una minoría de la población reside en viviendas menos tradicionales, tales como cabañas, viviendas improvisadas o espacios no diseñados para alojar a personas.

Pese a esto, esta minoría se encuentra con desafíos considerables tanto en lo que respecta a la estabilidad laboral como a la calidad de vida, mostrando una relación entre condiciones de vivienda deficientes y un incremento en la vulnerabilidad socioeconómica. Esto es especialmente significativo en un país como Perú, donde las desigualdades estructurales y el empleo no formal impactan a un segmento significativo de la población.

En este escenario, el estudio propone que las circunstancias de vivienda no solo evidencian las disparidades en el acceso a un trabajo digno, sino que también podrían afectar las posibilidades de inclusión económica. En Perú, donde las desigualdades territoriales son notables, este patrón podría estar vinculado con la acumulación de servicios, recursos y oportunidades en áreas urbanas en contraposición a la ruralidad, perpetuando de esta manera círculos de exclusión en áreas rurales con menos acceso a infraestructura adecuada.

Por lo tanto, este gráfico no solo ilustra una situación estadística, sino que también invita a pensar en cómo las políticas públicas deben abordar de forma holística tanto la calidad de la vivienda como las oportunidades de trabajo, en un intento de disminuir las desigualdades y fomentar el crecimiento sostenible del país.