El presente documento consiste en un monitoreo mensual del empleo en el sector de las plataformas digitales de Chile, en base a la Encuesta Nacional de Empleo del Instituto Nacional de Estadísticas (INE). Esto, para el proyecto Hacia una regulación laboral efectiva para los trabajadores de plataformas digitales, financiado por la Friedrich-Ebert-Stiftung (FES) Chile.
Todos los datos son públicos y fueron descargados desde el sitio web del INE. La última actualización de los datos corresponde al trimestre Marzo - Abril - Mayo de 2026 (MAM 2026).
library(haven)
library(sjlabelled)
library(ggplot2)
library(dplyr)
library(lubridate)
library(magrittr)
library(scales)
library(knitr)
library(arrow)
if (!dir.exists("output")) {
dir.create("output")
}
if (!dir.exists("output/graficos")) {
dir.create("output/graficos")
}
if (!dir.exists("output/tablas")) {
dir.create("output/tablas")
}ds <- open_dataset("../../../../PROSPECTIVA SpA/minuta ENE/ene_empleo/output/data")
pd <- ds %>%
filter(ano_trimestre>=2020) %>%
select(periodo, fact_cal, plataformas_digitales) %>%
filter(plataformas_digitales == 1) %>%
group_by(periodo) %>%
summarise(plataformas = sum(fact_cal, na.rm = TRUE)) %>%
arrange(periodo) %>%
collect()
ocupados <- ds %>%
filter(periodo>="2020-02-01") %>%
filter(activ == 1) %>%
group_by(periodo) %>%
summarise(ocupados = sum(fact_cal, na.rm = TRUE)) %>%
arrange(periodo) %>%
collect()
pd <- merge(pd,ocupados,by="periodo")# Detalle
aux <- ds %>%
filter(periodo>="2020-02-01") %>%
group_by(periodo) %>%
summarise(n=n())%>%
collect()
nombres_plataformas <- ds %>%
filter(periodo>="2020-02-01") %>%
group_by(pd_especifique) %>%
summarise(ocupados_acumulado = sum(fact_cal, na.rm = TRUE)) %>%
mutate(ocupados_acumulado=round(ocupados_acumulado/nrow(aux))) %>%
arrange(-ocupados_acumulado) %>%
collect()
nombres_plataformas<-nombres_plataformas %>% filter(pd_especifique!="")
head(nombres_plataformas,10) %>% kable(caption = "Principales empresas de plataformas reportadas (promedio ocupados mensuales)", col.names = c("Plataformas","Ocupados mensualizado"),
format.args = list(big.mark = ".", scientific = FALSE))| Plataformas | Ocupados mensualizado |
|---|---|
| 54.504 | |
| 38.113 | |
| 36.730 | |
| UBER | 30.774 |
| FACEBOOK MARKETPLACE | 7.015 |
| FACEBOOK INSTAGRAM | 6.881 |
| UBER EATS | 4.727 |
| PEDIDOS YA | 3.861 |
| INSTAGRAM FACEBOOK | 3.573 |
| CORNERSHOP | 3.510 |
ggplot(pd, aes(x = periodo, y = plataformas)) +
geom_line(linewidth = 1.2, color = "#2C3E50") +
geom_point(size = 2.5, color = "#2C3E50") +
scale_y_continuous(
breaks = seq(0, max(pd$plataformas, na.rm = TRUE) + 50000, by = 50000),
labels = label_number(big.mark = ".", decimal.mark = ",")
) +
labs(
title = "Ocupados en plataformas digitales (2020-2026)",
subtitle = "Solo primera ocupación",
x = NULL,
y = "Número de personas",
caption = "Fuente: Elaboración propia en base a ENE"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold", size = 16),
plot.subtitle = element_text(color = "gray40"),
axis.text = element_text(color = "gray30"),
panel.grid.minor = element_blank(),
panel.grid.major.x = element_blank(),
plot.caption = element_text(size = 9, color = "gray50")
)
## quitar plataformas de arriendo dptos y streaming
nombres_plataformas_para_filtrar <- subset(nombres_plataformas_para_filtrar,
!(pd_especifique %in%
c("YOUTUBE",
"AIRBNB",
"BOOKING",
"WHATSAPP YOUTUBE",
"TWITCH")))
pd_ley21431 <- ds %>%
filter(periodo>="2020-02-01" & plataformas_digitales == 1 ) %>%
filter(pd_especifique %in% nombres_plataformas_para_filtrar$pd_especifique) %>%
group_by(periodo) %>%
summarise(ocupados = sum(fact_cal, na.rm = TRUE)) %>%
collect()
pd_ley21431 <- pd_ley21431 %>% arrange(-desc(periodo))
head(nombres_plataformas_para_filtrar,10) %>% kable(caption = "Principales empresas de plataformas reportadas, Ley 21431", col.names = c("Plataformas","Ocupados mensualizado"),
format.args = list(big.mark = ".", scientific = FALSE))| Plataformas | Ocupados mensualizado |
|---|---|
| UBER | 30.774 |
| UBER EATS | 4.727 |
| PEDIDOS YA | 3.861 |
| CORNERSHOP | 3.510 |
| MERCADOLIBRE | 2.932 |
| DIDI | 2.317 |
| RAPPI | 2.048 |
| INDRIVER | 1.785 |
| CABIFY | 729 |
| AMIDA | 356 |
ggplot(pd_ley21431, aes(x = periodo, y = ocupados)) +
geom_line(linewidth = 1.2, color = "#2C3E50") +
geom_point(size = 2.5, color = "#2C3E50") +
scale_y_continuous(labels = label_number(big.mark = ".", decimal.mark = ",")) +
labs(
title = "Ocupados en plataformas digitales Ley 21.431 (2020-2026)",
subtitle = "Solo primera ocupación.",
x = NULL,
y = "Número de personas",
caption = "Fuente: Elaboración propia en base a ENE"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold", size = 16),
plot.subtitle = element_text(color = "gray40"),
axis.text = element_text(color = "gray30"),
panel.grid.minor = element_blank(),
panel.grid.major.x = element_blank(),
plot.caption = element_text(size = 9, color = "gray50")
)
ggsave(
filename = "output/graficos/grafico_ocupados_ley21431.png",
plot = last_plot(),
width = 13.33,
height = 7.5,
units = "in",
dpi = 300
)## gráfica conjunta
pd <- pd %>% select(periodo,plataformas) %>% mutate(tipo="todas") %>%
rename(ocupados=plataformas)
pd_ley21431 <- pd_ley21431 %>% select(periodo,ocupados) %>% mutate(tipo="ley21431")
pd_ley21431 <- bind_rows(pd,pd_ley21431)
ggplot(pd_ley21431, aes(x = periodo, y = ocupados, color = tipo, group = tipo)) +
geom_line(linewidth = 1.2) +
geom_point(size = 2.5) +
scale_color_manual(values = c("todas" = "#2C3E50", "ley21431" = "#E74C3C")) +
scale_y_continuous(labels = label_number(big.mark = ".", decimal.mark = ","),
breaks = seq(0, max(pd_ley21431$ocupados, na.rm = TRUE), by = 50000)) +
labs(
title = "Ocupados en plataformas digitales (2020-2026)",
subtitle = "Solo primera ocupación. Todas y Ley 21.431.",
x = NULL,
y = "Número de personas",
color = NULL,
caption = "Fuente: Elaboración propia en base a ENE"
) +
theme_minimal(base_size = 13) +
theme(
legend.position = "bottom",
plot.title = element_text(face = "bold", size = 16),
plot.subtitle = element_text(color = "gray40"),
axis.text = element_text(color = "gray30"),
panel.grid.minor = element_blank(),
panel.grid.major.x = element_blank(),
plot.caption = element_text(size = 9, color = "gray50")
)
ggsave(
filename = "output/graficos/grafico_ocupados.png",
plot = last_plot(),
width = 13.33,
height = 7.5,
units = "in",
dpi = 300
)nombres <- ds %>% names()
sexo <- ds %>%
filter(periodo>="2020-02-01" &
plataformas_digitales == 1 &
pd_especifique %in% nombres_plataformas_para_filtrar$pd_especifique) %>%
group_by(periodo, sexo) %>%
summarise(
ocupados = sum(fact_cal, na.rm = TRUE)
) %>%
mutate(percent=round(ocupados/sum(ocupados)*100,1)) %>%
collect()
sexo <- sexo %>% arrange(-desc(periodo))
sexo %>% group_by(sexo) %>% summarise(percent=mean(percent)) %>%
mutate(sexo= c("hombre","mujer"),
percent=round(percent,2)) %>%
kable(caption = "Promedio de distribución por sexo")| sexo | percent |
|---|---|
| hombre | 84.99 |
| mujer | 15.01 |
formalidad <- ds %>%
filter(periodo>="2020-02-01" &
plataformas_digitales == 1 &
pd_especifique %in% nombres_plataformas_para_filtrar$pd_especifique) %>%
group_by(periodo, ocup_form) %>%
summarise(
ocupados = sum(fact_cal, na.rm = TRUE)
) %>%
mutate(percent=round(ocupados/sum(ocupados)*100,2)) %>%
collect()
formalidad <- formalidad %>% arrange(-desc(periodo))
formalidad %>%
ggplot(aes(x = periodo, y = percent, color = as.factor(ocup_form),
group = as.factor(ocup_form))) +
geom_line(linewidth = 1.2) +
geom_point(size = 2.5) +
scale_y_continuous(
labels = label_percent(scale = 1, suffix = "%"),
limits = c(0, 100)
) +
scale_color_manual(
values = c("1" = "#1D9E75", "2" = "#D85A30"),
labels = c("1" = "Formal", "2" = "Informal")
) +
labs(
title = "Ocupados en plataformas digitales Ley 21.431 (2020-2026)",
subtitle = "Según formalidad en primera ocupación",
x = NULL,
y = "Porcentaje",
color = NULL,
caption = "Fuente: Elaboración propia en base a ENE"
) +
theme_minimal(base_size = 13) +
theme(
legend.position = "bottom",
plot.title = element_text(face = "bold", size = 16),
plot.subtitle = element_text(color = "gray40"),
axis.text = element_text(color = "gray30"),
panel.grid.minor = element_blank(),
panel.grid.major.x = element_blank(),
plot.caption = element_text(size = 9, color = "gray50")
)
formalidad %>%
tail(2) %>%
mutate(ocup_form=c("Formales","Informales"),
ocupados=round(ocupados)) %>%
kable(caption = "Distribución por formalidad en último periodo con datos",
format.args = list(big.mark = ".", scientific = FALSE))| periodo | ocup_form | ocupados | percent |
|---|---|---|---|
| 2026-04-01 | Formales | 25.712 | 35.36 |
| 2026-04-01 | Informales | 46.997 | 64.64 |
Datos del último año
region <- ds %>%
filter(periodo>="2025-03-01" &
plataformas_digitales == 1 &
pd_especifique %in% nombres_plataformas_para_filtrar$pd_especifique) %>%
group_by(periodo, region) %>%
summarise(
ocupados = sum(fact_cal, na.rm = TRUE)
) %>%
mutate(percent=round(ocupados/sum(ocupados)*100,2)) %>%
collect()
region %>% group_by(region) %>% summarise(percent=mean(percent)) %>%
mutate(percent=round(percent,2),
region=c(
" 1 Tarapacá",
" 2 Antofagasta",
" 3 Atacama",
" 4 Coquimbo",
" 5 Valparaíso",
" 6 O'Higgins",
" 7 Maule",
" 8 Biobío",
" 9 La Araucanía",
" 10 Los Lagos",
" 11 Aysén",
" 12 Magallanes",
" 13 Metropolitana",
" 14 Los Ríos",
" 15 Arica y Parinacota",
" 16 Ñuble"
)) %>%
kable(caption = "Promedio de distribución por región últimos 12 meses")| region | percent |
|---|---|
| 1 Tarapacá | 2.08 |
| 2 Antofagasta | 2.04 |
| 3 Atacama | 0.93 |
| 4 Coquimbo | 4.82 |
| 5 Valparaíso | 8.77 |
| 6 O’Higgins | 1.48 |
| 7 Maule | 3.66 |
| 8 Biobío | 6.34 |
| 9 La Araucanía | 2.15 |
| 10 Los Lagos | 2.86 |
| 11 Aysén | 0.15 |
| 12 Magallanes | 0.95 |
| 13 Metropolitana | 60.04 |
| 14 Los Ríos | 1.17 |
| 15 Arica y Parinacota | 1.41 |
| 16 Ñuble | 1.18 |
Datos del último año
nacionalidad <- ds %>%
filter(periodo>="2025-03-01" &
plataformas_digitales == 1 &
pd_especifique %in% nombres_plataformas_para_filtrar$pd_especifique) %>%
group_by(periodo, nacionalidad) %>%
summarise(
ocupados = sum(fact_cal, na.rm = TRUE)
) %>%
mutate(percent=round(ocupados/sum(ocupados)*100,2)) %>%
collect()
nacionalidad %>% group_by(nacionalidad) %>%
summarise(percent=mean(percent)) %>%
arrange(-percent) %>%
head(3) %>%
mutate(nacionalidad=c("Chilena (152)",
"Venezuela (862)",
"Colombia (170)"),
percent=round(percent,2)) %>%
kable(caption = "Promedio de distribución por nacionalidad últimos 12 meses. 3 principales")| nacionalidad | percent |
|---|---|
| Chilena (152) | 63.91 |
| Venezuela (862) | 25.20 |
| Colombia (170) | 5.12 |
nacionalidad_2022 <- ds %>%
filter(periodo>="2022-03-01" & periodo<="2024-03-01" &
plataformas_digitales == 1 &
pd_especifique %in% nombres_plataformas_para_filtrar$pd_especifique) %>%
group_by(periodo, nacionalidad) %>%
summarise(
ocupados = sum(fact_cal, na.rm = TRUE)
) %>%
mutate(percent=round(ocupados/sum(ocupados)*100,2)) %>%
collect()
nacionalidad_2022 %>% group_by(nacionalidad) %>% summarise(percent=mean(percent)) %>%
arrange(-percent) %>%
head(3) %>%
mutate(nacionalidad=c("Chilena (152)",
"Venezuela (862)",
"Colombia (170)"),
percent=round(percent,2)) %>%
kable(caption = "Promedio de distribución por nacionalidad en 2022-2023. 3 principales")| nacionalidad | percent |
|---|---|
| Chilena (152) | 58.71 |
| Venezuela (862) | 34.47 |
| Colombia (170) | 3.69 |
Datos del último año
edad <- ds %>%
filter(periodo>="2025-03-01" &
plataformas_digitales == 1 &
pd_especifique %in% nombres_plataformas_para_filtrar$pd_especifique) %>%
group_by(periodo, tramo_edad) %>%
summarise(
ocupados = sum(fact_cal, na.rm = TRUE)
) %>%
mutate(percent=round(ocupados/sum(ocupados)*100,2)) %>%
collect()
edad %>%
group_by(tramo_edad) %>%
summarise(percent=round(mean(percent),1)) %>%
mutate(tramo_edad=
c("15 a 19 años",
"20 a 24 años",
"25 a 29 años",
"30 a 34 años",
"35 a 39 años",
"40 a 44 años",
"45 a 49 años",
"50 a 54 años",
"55 a 59 años",
"60 a 64 años",
"65 a 69 años",
"70 años o más")) %>%
kable(caption = "Promedio de distribución por edad últimos 12 meses")| tramo_edad | percent |
|---|---|
| 15 a 19 años | 1.2 |
| 20 a 24 años | 5.2 |
| 25 a 29 años | 14.1 |
| 30 a 34 años | 23.7 |
| 35 a 39 años | 19.3 |
| 40 a 44 años | 11.4 |
| 45 a 49 años | 8.1 |
| 50 a 54 años | 6.1 |
| 55 a 59 años | 5.6 |
| 60 a 64 años | 3.7 |
| 65 a 69 años | 0.7 |
| 70 años o más | 1.2 |
# library(haven)
# ene_last <- read_dta("~/Library/CloudStorage/OneDrive-UniversidadCatólicadeChile/PROSPECTIVA SpA/minuta ENE/ene_empleo/input/ene-2026-03-fma.dta")
# ene_last %>% select("plataformas_digitales", "pd_especifique", "b19" , "dependencia_segunda" , "sda_pd", "sda_pd_especifique" )
segunda <- ds %>%
filter(periodo>="2020-02-01" & sda_pd == 1 & plataformas_digitales!=1) %>%
filter(sda_pd_especifique %in% nombres_plataformas_para_filtrar$pd_especifique) %>%
group_by(periodo) %>%
summarise(ocupados = sum(fact_cal, na.rm = TRUE)) %>%
collect()
segunda <- segunda %>% arrange(-desc(periodo))
nombres_2da <- ds %>%
filter(periodo>="2020-02-01" & sda_pd == 1 & plataformas_digitales!=1) %>%
group_by(sda_pd_especifique) %>%
summarise(ocupados_acumulado = sum(fact_cal, na.rm = TRUE)) %>% filter(sda_pd_especifique %in% nombres_plataformas_para_filtrar$pd_especifique) %>%
mutate(ocupados_acumulado=round(ocupados_acumulado/nrow(aux))) %>%
arrange(-ocupados_acumulado) %>%
collect()
head(nombres_2da,10) %>% kable(caption = "Principales empresas de plataformas reportadas, Ley 21431 (segunda ocupación)", col.names = c("Plataformas","Ocupados mensualizado"),
format.args = list(big.mark = ".", scientific = FALSE))| Plataformas | Ocupados mensualizado |
|---|---|
| UBER | 2.736 |
| UBER EATS | 639 |
| CORNERSHOP | 390 |
| INDRIVER | 302 |
| MERCADOLIBRE | 281 |
| PEDIDOS YA | 255 |
| RAPPI | 193 |
| DIDI | 168 |
| CABIFY | 166 |
| UBER DIDI | 93 |
segunda <- segunda %>% select(periodo,ocupados) %>% mutate(tipo="segunda_ley21431")
pd_ley21431 <- bind_rows(pd_ley21431,segunda)
segunda <- pd %>% select(periodo) %>% mutate(ocupados = (pd_ley21431[pd_ley21431$tipo == "ley21431", "ocupados"] + pd_ley21431[pd_ley21431$tipo == "segunda_ley21431", "ocupados"])) %>% mutate(tipo="ley21431_1y2")
pd_ley21431 <- bind_rows(pd_ley21431,segunda)
pd_ley21431 %>%
filter(tipo!="todas") %>%
ggplot(aes(x = periodo, y = ocupados, color = tipo, group = tipo)) +
geom_line(linewidth = 1.2) +
geom_point(size = 2.5) +
scale_color_manual(values = c("segunda_ley21431" = "#2C3E50",
"ley21431" = "#E74C3C",
"ley21431_1y2"="#6A0DAD")) +
scale_y_continuous(labels = label_number(big.mark = ".", decimal.mark = ","),
breaks = seq(0, max(pd_ley21431$ocupados, na.rm = TRUE), by = 10000)) +
labs(
title = "Ocupados en plataformas digitales Ley 21.431 (2020-2026)",
subtitle = "Primera y segunda ocupación",
x = NULL,
y = "Número de personas",
color = NULL,
caption = "Fuente: Elaboración propia en base a ENE"
) +
theme_minimal(base_size = 13) +
theme(
legend.position = "bottom",
plot.title = element_text(face = "bold", size = 16),
plot.subtitle = element_text(color = "gray40"),
axis.text = element_text(color = "gray30"),
panel.grid.minor = element_blank(),
panel.grid.major.x = element_blank(),
plot.caption = element_text(size = 9, color = "gray50")
)
ggsave(
filename = "output/graficos/grafico_ocupados_ley21431_1_2.png",
plot = last_plot(),
width = 13.33,
height = 7.5,
units = "in",
dpi = 300
)
pd_ley21431 %>% tidyr::pivot_wider(names_from = tipo,values_from = ocupados) %>% writexl::write_xlsx("output/tablas/numero_plataformas.xlsx")nuevas <- ds %>%
filter(periodo=="2026-04-01" | periodo=="2022-04-01" &
plataformas_digitales == 1 ) %>%
filter(pd_especifique %in% nombres_plataformas_para_filtrar$pd_especifique) %>%
group_by(periodo,pd_especifique) %>%
summarise(ocupados = sum(fact_cal, na.rm = TRUE)) %>%
collect()
nuevas <- nuevas %>%
mutate(ocupados=round(ocupados)) %>%
tidyr::pivot_wider(names_from = periodo, values_from = ocupados,
values_fill = 0)
nuevas %>%
mutate(variacion_porc=round((`2026-04-01` - `2022-04-01`)/`2022-04-01`*100,1),
`2026-04-01`=round(`2026-04-01`),
`2022-04-01`=round(`2022-04-01`)) %>%
arrange(-variacion_porc, -`2026-04-01`) %>%
kable(caption = "Empresas de plataformas Ley 21431 con mayor crecimiento últimos 4 años")| pd_especifique | 2022-04-01 | 2026-04-01 | variacion_porc |
|---|---|---|---|
| BOOSMAP | 0 | 1145 | Inf |
| PICKER UP | 0 | 592 | Inf |
| MERCADOLIBRE INSTAGRAM | 0 | 533 | Inf |
| AMIDA | 0 | 404 | Inf |
| ZUBALE | 0 | 236 | Inf |
| UBER DIDI | 0 | 192 | Inf |
| WHATSAPP UBER | 0 | 178 | Inf |
| ONLYFANS | 0 | 174 | Inf |
| INSTAGRAM TIKTOK WHATSAPP | 0 | 172 | Inf |
| PREPLY | 0 | 161 | Inf |
| WHATSAPP INDRIVER | 0 | 148 | Inf |
| PICKER | 0 | 124 | Inf |
| VALDISHOPPER | 0 | 111 | Inf |
| BEHANCE | 0 | 66 | Inf |
| MARKETPLACE WHATSAPP | 0 | 48 | Inf |
| MERCADOLIBRE | 898 | 4098 | 356.3 |
| DIDI | 1604 | 5295 | 230.1 |
| INDRIVER | 947 | 2504 | 164.4 |
| UBER EATS | 4285 | 10353 | 141.6 |
| CABIFY | 336 | 682 | 103.0 |
| UBER | 21708 | 39475 | 81.8 |
| DIDI UBER | 200 | 307 | 53.5 |
| PEDIDOS YA | 4497 | 4203 | -6.5 |
| RAPPI | 4548 | 1508 | -66.8 |
| YAPO | 188 | 0 | -100.0 |
| BEAT | 1007 | 0 | -100.0 |
| CORNERSHOP | 7131 | 0 | -100.0 |
| SAWU | 920 | 0 | -100.0 |
| SHOPPER | 458 | 0 | -100.0 |
| TRANSVIP | 795 | 0 | -100.0 |
| FOXER | 2641 | 0 | -100.0 |