Metodología trabajo final ODS grupo 4 GT-02

UNIVERSIDAD DE EL SALVADOR

FACULTAD DE CIENCIAS ECONÓMICAS

ESCUELA DE ECONOMÍA

CICLO I-2025

Asignatura:

Economía del Desarrollo I.

Docente:

Jonnathan Moisés Salazar Serrano.

Actividad:

“Trabajo final - Desarrollo sostenible y ODS bajo enfoque ortodoxo”

Grupo Teórico:

Estudiante:

Bolaños Peña, Abel Antonio BP18001

Lemus Mejía, Gracia María LM21017

López Rivas, Roxana Beatriz LR12002

Mónico Rogel, Jacqueline Patricia MR15093

Ciudad Universitaria, viernes 13 de junio de 2025.

Este trabajo siguió un enfoque cuantitativo–crítico basado en la construcción de indicadores sintéticos multivariados y en la deconstrucción del paradigma ortodoxo del desarrollo. Se enfatizó la necesidad de sintetizar múltiples dimensiones de los ODS en índices compuestos para facilitar la comparación regional y temporal, a la vez que se evalúa la coherencia de estos resultados con la teoría del crecimiento económico y la distribución de la renta, base del enfoque ortodoxo.

1. Instalación y carga de librerías

Primero, se instalaron y cargaron las librerías necesarias en R: Como en el ejemplo original de Bonilla et al, se usaron también funciones propias de normalización y ponderación.

# Cargar librerías necesarias
library(wbstats)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(tidyverse)

## -- Attaching core tidyverse packages ------------------------ tidyverse 2.0.0 --
## v forcats   1.0.0     v readr     2.1.4
## v ggplot2   3.3.6     v stringr   1.5.1
## v lubridate 1.9.2     v tibble    3.2.1
## v purrr     1.0.1     v tidyr     1.3.0

## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()
## i Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(magrittr)

## 
## Attaching package: 'magrittr'
## 
## The following object is masked from 'package:purrr':
## 
##     set_names
## 
## The following object is masked from 'package:tidyr':
## 
##     extract

library(ggplot2)
library(kableExtra)

## 
## Attaching package: 'kableExtra'
## 
## The following object is masked from 'package:dplyr':
## 
##     group_rows

library(writexl)
library(wbstats)
library(dplyr)
library(tidyverse)
library(magrittr)
library(hablar)

## 
## Attaching package: 'hablar'
## 
## The following object is masked from 'package:forcats':
## 
##     fct
## 
## The following object is masked from 'package:tibble':
## 
##     num
## 
## The following object is masked from 'package:dplyr':
## 
##     na_if

library(ggplot2)
library(plotly)

## 
## Attaching package: 'plotly'
## 
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## 
## The following object is masked from 'package:stats':
## 
##     filter
## 
## The following object is masked from 'package:graphics':
## 
##     layout

library(TSstudio)
library(readxl)
library(readr)
library(writexl)
library(kableExtra)
library(openxlsx)
library(ineq)
library(purrr)

2. Inventario de datos (ejemplo ODS 9)

Cada miembro del grupo recopiló los indicadores oficiales de la base de datos del Banco Mundial, agrupándolos según los ODS de su competencia:

ODS 1 a ODS 17: se documentaron códigos, descripciones, tipo (económica / social) y dirección esperada de correlación con cada meta.

# Metadatos de todos los indicadores
indicadores_disponibles <- wb_indicators(lang = "es")
datos_ejemplo <- wb_data(
  indicator  = "NV.IND.MANF.ZS",  # Manufactura % PIB (ODS 9)
  country    = "SLV",
  start_date = 2010,
  end_date   = 2024,
  lang       = "es"
)

# # Selección de indicadores ODS 9

ods9_indicators <- c(
  "NV.IND.MANF.ZS",    # Manufactura (% del PIB)
  "EG.ELC.ACCS.ZS",    # Acceso a electricidad (% población)
  "IT.NET.USER.ZS",    # Usuarios de Internet (% población)
  "GB.XPD.RSDV.GD.ZS"   # Gasto en I+D (% del PIB)
)

# Validación de conteo\stopifnot(length(ods9_indicators)==5)

Se descargó wb_indicators (lang = "es") {Esto limitó la obtención de datos ya que en “es” que son los datos en español la recopilación es menor que si se hubiera usado “en” que es en ingles, además que algunos países no tienen datos para los indicadores.}
Se filtraron indicadores por ODS (1–17).
Se registró en un Word: código, descripción, tipo (económico/social) y dirección de correlación esperada.

3. Obtención y preparación de datos

# Países por región + El Salvador
countries_region <- c(
  "CAN","USA","MEX",         # Norteamérica
  "BLZ","GTM","HND","NIC","CRI","PAN",  # Centroamérica
  "HTI","CUB","JAM","DOM",  # Caribe
  "COL","VEN","PER","CHL","BOL","ARG","BRA",  # Sudamérica
  "SLV"                           # El Salvador
)

# 3.4 Descargar datos ODS9 2010–2024
data_ods9 <- wb_data(
  indicator  = ods9_indicators,
  country    = countries_region,
  start_date = 2010,
  end_date   = 2024,
  lang       = "es"
)

# 3.5 Asignar región
data_ods9 <- data_ods9 %>%
  mutate(region = case_when(
    iso3c %in% c("CAN","USA","MEX")                   ~ "Norteamérica",
    iso3c %in% c("BLZ","GTM","HND","NIC","CRI","PAN") ~ "Centroamérica",
    iso3c %in% c("HTI","CUB","JAM","DOM")            ~ "Caribe",
    iso3c %in% c("COL","VEN","PER","CHL","BOL","ARG","BRA") ~ "Sudamérica",
    iso3c == "SLV"                                       ~ "El Salvador"
  ))

4. Resumen estadístico y visualizaciones

Con wb_data() se descargaron series entre los años 2010–2023 por país y región.

Limpieza: rellenado “down–up” de NA. Descriptivas: media, desviación, min y max con summarize(across(...)). Boxplots y series temporales con ggplot2.

Así se hizo en el ejemplo original para El Salvador .

# Estadísticas descriptivas por región
estad_ods9 <- data_ods9 %>%
  group_by(region) %>%
  summarize(across(all_of(ods9_indicators),
                   list(mean = ~mean(.x, na.rm=TRUE),
                        sd   = ~sd(.x, na.rm=TRUE),
                        min  = ~min(.x, na.rm=TRUE),
                        max  = ~max(.x, na.rm=TRUE)),
                   .names = "{col}_{fn}"))
estad_ods9 %>% kable(format = "html", caption = "Descriptivas ODS9 por región")

Descriptivas ODS9 por región
region	NV.IND.MANF.ZS_mean	NV.IND.MANF.ZS_sd	NV.IND.MANF.ZS_min	NV.IND.MANF.ZS_max	EG.ELC.ACCS.ZS_mean	EG.ELC.ACCS.ZS_sd	EG.ELC.ACCS.ZS_min	EG.ELC.ACCS.ZS_max	IT.NET.USER.ZS_mean	IT.NET.USER.ZS_sd	IT.NET.USER.ZS_min	IT.NET.USER.ZS_max	GB.XPD.RSDV.GD.ZS_mean	GB.XPD.RSDV.GD.ZS_sd	GB.XPD.RSDV.GD.ZS_min	GB.XPD.RSDV.GD.ZS_max
Caribe	13.42832	3.9334461	7.673248	24.47841	84.23214	24.2925960	37.2	100	48.14750	24.33476	8.37	85.2	0.4361631	0.0988444	0.27192	0.60767
Centroamérica	11.94282	4.2783391	4.982167	19.42673	91.82143	5.8626256	80.1	100	44.64524	20.41581	10.00	85.4	0.1765940	0.1658248	0.01497	0.55627
El Salvador	15.67616	0.7099447	14.003302	16.38749	96.17857	2.4826098	91.6	100	38.32143	18.51325	15.90	67.7	0.1217500	0.0533814	0.03397	0.18078
Norteamérica	13.95116	4.5087747	9.015477	21.37379	99.81667	0.3348947	99.0	100	76.32381	17.81400	31.10	94.6	1.6636193	1.0947784	0.25782	3.58623
Sudamérica	11.92949	1.9675176	8.525428	16.31750	97.72551	3.3307784	88.0	100	60.42065	17.31381	22.40	94.5	0.4791794	0.3604816	0.05530	1.37093

# Boxplot: Manufactura % PIB
ggplot(data_ods9, aes(x = region, y = NV.IND.MANF.ZS, fill = region)) +
  geom_boxplot() +
  labs(title = "Manufactura (% PIB) por región", y = "% PIB") +
  theme_minimal()

## Warning: Removed 36 rows containing non-finite values (stat_boxplot).

# Serie temporal: Gasto en I+D
ggplot(data_ods9, aes(x = as.integer(date), y = GB.XPD.RSDV.GD.ZS, color = region)) +
  geom_line() +
  labs(title = "Gasto en I+D (% PIB) 2010–2024", x = "Año", y = "% PIB") +
  theme_minimal()

## Warning: Removed 39 row(s) containing missing values (geom_path).

5. Correlaciones teóricas vs. empíricas

Se definió la matriz teórica según la literatura ortodoxa:

PIB y exportaciones → correlación positiva. Gini y pobreza extrema → correlación negativa.

Con cor() se calculó la matriz empírica y se compararon.

# Empírica
data_corr <- data_ods9 %>%
  select(all_of(ods9_indicators)) %>%
  drop_na()
cor_emp_ods9 <- cor(data_corr)
cor_emp_ods9 %>% round(2) %>% kable(caption = "Correlación empírica ODS9")

Correlación empírica ODS9
	NV.IND.MANF.ZS	EG.ELC.ACCS.ZS	IT.NET.USER.ZS	GB.XPD.RSDV.GD.ZS
NV.IND.MANF.ZS	1.00	-0.08	-0.42	-0.25
EG.ELC.ACCS.ZS	-0.08	1.00	0.67	0.42
IT.NET.USER.ZS	-0.42	0.67	1.00	0.54
GB.XPD.RSDV.GD.ZS	-0.25	0.42	0.54	1.00

# Teóricas (comentarios):
# - Manufactura ↔ Electricidad (+)
# - I+D ↔ Internet (+)
# - Electricidad ↔ Internet (+)

6. Estructura factorial (PCA)

Se propusieron tres factores:

Crecimiento económico
Bienestar social
Sostenibilidad ambiental

Cada variable se asigna a un factor de acuerdo a estudios del Banco Mundial y la teoría clásica del desarrollo.

# Escalar datos
pca_data_ods9 <- scale(data_corr)
# PCA
pca_ods9 <- prcomp(pca_data_ods9, center = FALSE, scale. = FALSE)

# Cargas PC1-PC2
df_cargas_ods9 <- as.data.frame(pca_ods9$rotation[,1:2])
colnames(df_cargas_ods9) <- c("PC1","PC2")
df_cargas_ods9 %>% kable(caption = "Cargas factoriales ODS9")

Cargas factoriales ODS9
	PC1	PC2
NV.IND.MANF.ZS	-0.3375451	0.8705741
EG.ELC.ACCS.ZS	0.5166514	0.4870955
IT.NET.USER.ZS	0.6055066	0.0129801
GB.XPD.RSDV.GD.ZS	0.5024902	0.0683393

# Scree Plot
plot(pca_ods9, type = "l", main = "Scree Plot PCA ODS9")

7. Normalización y ponderación

Se implementaron dos métodos:

Min–max: (x – min)/(max – min). Z-score: (x – μ)/σ.

En pruebas de sensibilidad, los rankings regionales apenas variaron, validando la robustez del método.

8. Ponderación de variables

Dos enfoques:

Pesos iguales (1/n).
PCA: tomamos el primer componente principal. En el ejemplo base, también se introdujo el método CRITIC de Pérez Alas (entropía y correlaciones) para comparar.

9. Construcción de índices sintéticos

Se calcularon:

Índice_eq: media de variables normalizadas. Índice_pca: suma ponderada por cargas de PCA.

Luego, se graficaron series 2010–2024 con ggplot2 para

# Normalización min-max
dat_norm_ods9 <- data_ods9 %>%
  mutate(across(all_of(ods9_indicators), ~(. - min(., na.rm=TRUE))/(max(., na.rm=TRUE)-min(., na.rm=TRUE)),
                .names = "min_{col}"))

# Pesos iguales
dat_norm_ods9 <- dat_norm_ods9 %>%
  rowwise() %>%
  mutate(IndexODS9_eq = mean(c_across(starts_with("min_")), na.rm=TRUE)) %>%
  ungroup()

# Pesos PCA
pesos_ods9 <- pca_ods9$rotation[,1]
pesos_ods9 <- pesos_ods9 / sum(pesos_ods9)

# Calcular índice con pesos PCA
dat_norm_ods9 <- dat_norm_ods9 %>%
  rowwise() %>%
  mutate(IndexODS9_pca = sum(pesos_ods9 * c_across(all_of(ods9_indicators)), na.rm=TRUE)) %>%
  ungroup()

# Gráfico de serie del índice PCA
ggplot(dat_norm_ods9, aes(x = as.integer(date), y = IndexODS9_pca, color = region)) +
  geom_line() +
  labs(title = "Índice Sintético ODS9 (PCA)", x = "Año", y = "Índice") +
  theme_minimal()

10. Resultados y trayectorias

Para visualización y manipulaicón de Índices en un entorno mas amigable, se exportaron los resultados a Excel

# Preparar tablas
tabla_resumen_ods9 <- estad_ods9
tabla_indice_ods9  <- dat_norm_ods9 %>% select(iso3c, country, date, IndexODS9_eq, IndexODS9_pca)

write_xlsx(
  list(
    "Descriptivas_ODS9" = tabla_resumen_ods9,
    "Cargas_PCA_ODS9"   = df_cargas_ods9,
    "Indices_ODS9"      = tabla_indice_ods9
  ),
  path = "Resultados_Metodologia_ODS9.xlsx"
)

El presente apartado metodológico en RMarkdown servío como base para la sección de análisis crítico y recomendaciones del informe final. El análisis final constituye un informe en formato PDF que integra los apartados metodológicos previas, incluyendo las críticas derivadas de la deconstrucción del enfoque ortodoxo del desarrollo, y se acompaño de una presentación que resume los principales hallazgos, conclusiones y recomendaciones de la investigación.