En general, no se sabe muy bien las carencias especificas de cada municipio de cada Estado. Dado esto, se implementan muchísimos programas sociales que terminan no teniendo tanto impacto o no son tan efectivos.

Algunos datos que motivaron mi elección de proyecto y tema:

Una de las limitantes que tuve en el proximo análisis es que no está en línea la información de la descripción de cada columna por lo que no se que significan muchas variables. Si hubiera tenido toda esa información, a lo mejor hubiera sido más acertado mi análisis o hubiera elegido diferente variable de análisis. (todos los datos que utilicé inferí lo que significaba la variable)

Descargar la base de datos.

datosp <- read.csv("/Users/student/Documents/ITAM/DataLab/trabajo/Indicadores_municipales_sabana_DA.csv")
attach(datosp)

Dividir los municipios y los datos por municipios.

aguascalientes <- datosp[which(datosp$nom_ent=='Aguascalientes'), ]
baja <- datosp[which(datosp$nom_ent=='Baja California'), ]
bajasur <- datosp[which(datosp$nom_ent=='Baja California Sur'), ]
campeche <- datosp[which(datosp$nom_ent=='Campeche'), ]
coahuila <- datosp[which(datosp$nom_ent=='Coahuila de Zaragoza'), ]
colima <- datosp[which(datosp$nom_ent=='Colima'), ]
chiapas <- datosp[which(datosp$nom_ent=='Chiapas'), ]
chihuahua <- datosp[which(datosp$nom_ent=='Chihuahua'), ]
cdmx <- datosp[which(datosp$nom_ent=='Distrito Federal'), ]
durango <- datosp[which(datosp$nom_ent=='Durango'), ]
guanajuato <- datosp[which(datosp$nom_ent=='Guanajuato'), ]
guerrero <- datosp[which(datosp$nom_ent=='Guerrero'), ]
Hidalgo <- datosp[which(datosp$nom_ent=='Hidalgo'), ]
mex <- datosp[which(datosp$nom_ent=='MÈxico'), ]
michoacan <- datosp[which(datosp$nom_ent=='Michoac·n de Ocampo'), ]
morelos <- datosp[which(datosp$nom_ent=='Morelos'), ]
nayarit <- datosp[which(datosp$nom_ent=='Nayarit'), ]
nuevo_leon <- datosp[which(datosp$nom_ent=='Nuevo Leon'), ]
oaxaca <- datosp[which(datosp$nom_ent=='Oaxaca'), ]
puebla <- datosp[which(datosp$nom_ent=='Puebla'), ]
queretaro <- datosp[which(datosp$nom_ent=='QuerÈtaro'), ]
san_luis <- datosp[which(datosp$nom_ent=='San Luis PotosÌ'), ]
sinaloa <- datosp[which(datosp$nom_ent=='Sinaloa'), ]
sonora <- datosp[which(datosp$nom_ent=='Sonora'), ]
tamaulipas <- datosp[which(datosp$nom_ent=='Tamaulipas'), ]
tlaxcala <- datosp[which(datosp$nom_ent=='Tlaxcala'), ]
veracruz <- datosp[which(datosp$nom_ent=='Veracruz de Ignacio de la Llave'), ]
yucatan <- datosp[which(datosp$nom_ent=='Yucat·n'), ]
zacatecas <- datosp[which(datosp$nom_ent=='Zacatecas'), ]

Para simplificar el análisis, solo me centraré en el estado de Nuevo León. Cabe destacar que este análisis se puede hacer para el resto de los 31 estados.

Caso Nuevo León

Haré un análisis preliminar de Nuevo León.

nrow(nuevo_leon)
## [1] 51
sum(nuevo_leon$pobtot_ajustada)
## [1] 4664076

Hay 51 municipios en Nuevo Leon y una población total ajustada de 4,664,076 habitantes.

Lo primero que haré es comparar la media de los municipios de NL en cuanto a pobreza con los del resto de los municipios.

mean(nuevo_leon$rankin_p)
## [1] 2192.667
nrow(datosp)
## [1] 2456

Puedo observar que en promedio, los municipios de NL se encuentran al rededor de la posición #2,192.667 en cuanto a su ranking de pobreza. Está bastate bien posicionado porque hay 2,456 municipios en la base de datos.

Proximamente, presentaré una gráfica de los municipios de N.L. ordenados de mayores carencias a menores carencias.

ggplot(data=nuevo_leon, aes(x=reorder(nom_mun, N_carencias),y=N_carencias)) + geom_bar(stat="identity", fill="#f68060", alpha=.6, width=.4)+ coord_flip() + theme_bw()+ theme(axis.text.x = element_text(angle = 90, hjust = 1))+ theme(text = element_text(size=8)) + theme(plot.title = element_text(color = "black", size = 12, face = "bold")) + xlab("Municipios Nuevo Leon") + ylab("Número de carencias")+ggtitle("Número de carencias por municipio en N.L.")

Podemos ver como las zonas prioritarias para el estaado son: Monterrey, Guadalupe y Apodaca.

Ahora, haré el mismo análisis anterior pero para medir la pobreza por municipio.

ggplot(data=nuevo_leon, aes(x=reorder(nom_mun, -N_pobreza),y=N_pobreza)) + 
        geom_point(size=2, color="orange") + 
        geom_segment(aes(x=nom_mun, 
                         xend=nom_mun, 
                         y=0, 
                         yend=N_pobreza)) + 
        labs(title="Pobreza por municipio en N.L.") + 
        theme(axis.text.x = element_text(angle=65, vjust=0.6)) + 
        theme_bw() + theme(axis.text.x = element_text(angle = 90, hjust = 1)) + theme(text = element_text(size=8)) +
        xlab("Municipios Nuevo Leon") + ylab("Pobreza")

Haciendo el mismo análisis para la pobreza, es interesante notar que son diferentes los municipios que se encuentran en mayor necesidad que los que presentan mayores carencias. A pesar de esto, se me hizo raro que Monterrey fuera en municipio con mayor pobreza.

Uno de los problemas que debría ser prioritario resolver es la falta de agua.

ggplot(nuevo_leon, aes(x=porc_snaguaent10)) + geom_boxplot(color="steelblue", fill="steelblue", alpha=0.7) + theme_bw() + theme(axis.text.y=element_blank()) + xlab("% sin agua") + ggtitle("Porcentaje hogares sin agua")

Estos datos son preocupantes ya que el 50% de los municipios en NL, hay por lo menos 6% de hogares sin acceso a agua en el 2010. Además, hay cuatro municipios en los que mínimo el 25% de los horares no cuentan con agua. Sería importante priorizar que llegue el agua a estos municipios.

head(reorder(nuevo_leon$nom_mun, -(nuevo_leon$porc_snaguaent10)))
## [1] Abasolo     Agualeguas  Los Aldamas Allende     Anahuac     Apodaca    
## 2317 Levels: Dr. Arroyo Salinas Victoria Galeana ... Zumpango

Podemos notas que los municipios de Dr. Arroyo, Salinas Victoria, Galeana Mier y Noriega Gral. Zaragoza son estos 4 municipios que están carentes de agua. En especial, en el municipio de Dr. Arroyo el 50% de los hogares no cuentan con este servicio básico.

Ahora, cree una gráfica de una de las variables que tenemos datos en 1990, 200 y 2010 para ver como se ha comportado en el tiempo. La variable que seleccioné fue energía.

ggplot(nuevo_leon, aes(x=as.numeric(nom_mun))) + geom_point(aes(y = porc_vivsnenergia00, color="% viviendas sin energía 1990")) + geom_line(aes(y= porc_vivsnenergia00, color="% viviendas sin energía 1990")) + geom_point(aes(y = porc_vivsnenergia05, color="% viviendas sin energía 2000")) + geom_line(aes(y= porc_vivsnenergia05, color="% viviendas sin energía 2000"))+ geom_point(aes(y = porc_vivsnenergia10, color="% viviendas sin energía 2010")) + geom_line(aes(y= porc_vivsnenergia10, color="% viviendas sin energía 2010")) + xlab("municipios") + theme(axis.text.x=element_blank()) + ylab("% viviendas sin energía") + ggtitle("Viviendas sin energía")

Como podemos apreciar, en general las viviendas con energía (el cual es un servicio básico) se ha generalizado en la mayoría de los municipios: la línea rosa son los datos de 1990, la línea verde del 2000 y la línea azul del 2010.

Hay 8 dimensiones para medir la pobreza en México, una de las cuales es el rezago educativo. No hay carencia en cuanto a educación si el promedio de individuos en hogar: asistió a la escuela de 3-15 años Y después de los 16 años acudió a la secundaria. La siguiente gráfica muestra el rezago educativo por municipio en 1990, 2000 y 2010.

ggplot(nuevo_leon, aes(x=as.numeric(nom_mun))) + geom_point(aes(y = p_rez_edu_90, color="p_rez_edu_1990")) + geom_line(aes(y= p_rez_edu_90, color="p_rez_edu_1990")) + geom_point(aes(y = p_rez_edu_00, color="p_rez_edu_2000")) + geom_line(aes(y= p_rez_edu_00, color="p_rez_edu_2000"))+ geom_point(aes(y = p_rez_edu_10, color="p_rez_edu_2010")) + geom_line(aes(y= p_rez_edu_10, color="p_rez_edu_2010")) + xlab("municipios") + theme(axis.text.x=element_blank()) + ylab("población con rezago educativo") + ggtitle("Rezago educativo")

promedio_rezago_edu_1990 <- mean(nuevo_leon$p_rez_edu_90)
promedio_rezago_edu_2000 <- mean(nuevo_leon$p_rez_edu_00)
promedio_rezago_edu_2010 <- mean(nuevo_leon$p_rez_edu_10)

data.table(promedio_rezago_edu_1990,promedio_rezago_edu_2000,promedio_rezago_edu_2010)
##    promedio_rezago_edu_1990 promedio_rezago_edu_2000
## 1:                 28.30196                 24.67843
##    promedio_rezago_edu_2010
## 1:                 21.64868

Aunque si ha disminuido el rezago educativo, no ha habido un cambio drástico desde 1990. Esto es tomando en consideración que Nuevo León es de los Estados con mayores ingresos de toda la república por lo que tendría mayor area de oportunidad de hacer un impacto en sus habitantes.

Otro factor por el cual se podría priorizar las políticas públicas dentro de NL es enfocar programas y servicios alimenticios a los municipios en donde hay más necesidad.

ggplot(data=nuevo_leon, aes(x=reorder(nom_mun, -pobreza_alim_10),y=pobreza_alim_10, fill=-pobreza_alim_10)) + geom_bar(stat="identity", alpha=1, width=.8)+ theme_bw()+ theme(axis.text.x = element_text(angle = 90, hjust = 1))+ theme(text = element_text(size=8)) + theme(plot.title = element_text(color = "black", size = 12, face = "bold")) + xlab("Municipios Nuevo Leon") + ylab("Pobreza alimenticia 2010") + ggtitle("Pobreza Alimenticia por municipio en N.L.")

En este caso, Mier y Noriega, Gral. Zaragoza, Dr. Arroyo y Arramberri tienen pobreza alimenticia muy por encima de los otros municipios.

Ahora, regresaré a los datos generales con todos los estados. Me interesó hacer una regresión lineal sencilla solo para probar la causalidad entre el número de personas en situación de pobreza y ciertos rezagos. En este caso, las variables independientes que utilicé fueron el coefficiente de gini del 2010, el número de habitantes con rezago educativo, el número de habitantes con rezago de salud y el número de habitantes sin seguro social.

regrepob <- lm(N_pobreza ~ gini_10 + N_ic_rezedu + N_ic_asalud + N_ic_segsoc + porc_pob_15_analfa10, data=datosp)
summary(regrepob)
## 
## Call:
## lm(formula = N_pobreza ~ gini_10 + N_ic_rezedu + N_ic_asalud + 
##     N_ic_segsoc + porc_pob_15_analfa10, data = datosp)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -93571  -1171   -413    743  92299 
## 
## Coefficients:
##                        Estimate Std. Error t value Pr(>|t|)    
## (Intercept)          -2.208e+03  1.513e+03  -1.460  0.14451    
## gini_10               6.022e+03  3.718e+03   1.620  0.10536    
## N_ic_rezedu           5.919e-01  3.067e-02  19.300  < 2e-16 ***
## N_ic_asalud          -2.828e-01  1.818e-02 -15.549  < 2e-16 ***
## N_ic_segsoc           6.733e-01  1.679e-02  40.102  < 2e-16 ***
## porc_pob_15_analfa10  6.722e+01  1.852e+01   3.629  0.00029 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 7696 on 2450 degrees of freedom
## Multiple R-squared:  0.9747, Adjusted R-squared:  0.9746 
## F-statistic: 1.884e+04 on 5 and 2450 DF,  p-value: < 2.2e-16

Los resultados obtenidos fueron como lo esperé: los rezagos en educación, salud y la falta de seguridad social

Conclusiones

En los inventarios del CONEVAL aparecen 6,491 programas y acciones de desarrollo social en todo el país (152 federales, 2,528 estatales y 3,811 municipales), todos ellos, muy similares entre sí, duplicados, empalmados o con objetivos que no tienen ver con resolver el problema de la pobreza. Creo que en general, los programas en México de enfoque social han sido extremadamente ineficientes y poco exitosos (si hubiera sido de otra forma, veríamos más resultados). México está plagado de programas sociales que no resuelven los problemas de fondo. Por ejemplo, en Prospera de los 136 programas creados para combatir carencias sociales, solo 14 han tenido resultados exitosos, según el Índice de Desempeño de los Programas Públicos Federales (INDEP) 2017, elaborado por la organización Gestión Social y Cooperación (Gesoc). Dado esto, creo que es sumamente importante hacer un análisis como el anterior para realmente lograr que las políticas sociales sean acertivas. Es decir, ¿qué es lo que realmente necesita esa comunidad? ¿cuáles son sus carencias principales? ¿cual es el mayor riesgo y problema que enfrenta el municipio? Con datos, creo podríamos redirigir las estrategias y programas sociales para que mínimo hagan llegar eficientemente los servicios básicos así como un mayor ingreso a la población pobre. **creo que este estudio creado a proundidad (y mejor) para cada estado y sus respectivos municipios sería muy valioso.