Análisis sobre la Desigualdad en Suramérica
Ana María Orozco - Angela Castellanos - Hugo Reyes
7 de Junio del 2020
La Desigualdad la debemos entender como una forma desequilibrada de repartir las riquezas en una sociedad, teniendo como premisa que el 99% de la población mundial posee menos riqueza que el 1% más pudiente de la población del planeta, lo que trae como consecuencia un nivel de poder de adquisición muy límitado para la gran mayoría.
La Base de Datos utilizada para el presente análisis corresponde a los años 2010 - 2017 que es disponibilizada por la ONU, órgano competente para realizar éste estudio a nivel mundial.
Iniciaremos con la observación de los Indices de desigualdad a nivel general por continentes para luego enfocar nuestro análisis en Sudamérica.
globeMap <- read.csv("globeMap.csv")
library(ggplot2)## Warning: package 'ggplot2' was built under R version 3.6.3globeMap <- ggplot(globeMap, aes(x=long, y=lat, group = group)) + geom_polygon(aes(fill=Continent_Name)) + scale_fill_manual(values = c ("#b43142", "#fdf241", "#b0d031", "#c11b22", "#fe8c44", "#b17b34", "#6a988c")) + labs(title = "Continentes del Mundo", x = "Longitud", y= "Latitud")
globeMap
El Coeficiente de Gini nos da una perspectiva a nivel general de como medir la desigualdad a partir del nivel de ingresos; el índice de mayor valor representa la mayor desigualdad de un país en un rango de 0 y 1.
IHDI <- read.csv2("Coefficient_of_human_inequality.csv")
overallDist <- ggplot(IHDI,aes(x=value))
overallDist <- overallDist + geom_histogram(aes(y=..density..), binwidth=.5,colour="black", fill="white")
overallDist <- overallDist + geom_density(alpha=.2, fill="6c6a5e")
overallDist <- overallDist + geom_vline (aes ( xintercept = 19.9, color = 'blue'))
overallDist <- overallDist + geom_text (x=19.9, y=0.045, label="Mediana Global")
overallDist <- overallDist + labs(title = "Distribución Global de Desigualdad", subtitle = "Datos de 2010-2017", x = "Porcentaje del IHDI", y = "Densidad")
overallDist <- overallDist + theme(legend.position = "none")
overallDist
La Gráfica nos muestra que en el mundo hay una Mediana Global de 20, la cual parece aceptable frente al índice de desigualdad, pero claramente podemos observar algunos puntos que se alejan demasiado de esta realidad.
overallDist <- ggplot(IHDI, aes(x=as.factor(Continent), y=value, group = Continent))
overallDist <- overallDist + geom_point(aes(color=as.factor(Continent)), position=position_jitter(width=0.2,height=.2))
overallDist <- overallDist + geom_boxplot(aes(alpha=0.2))
overallDist <- overallDist + scale_color_manual(values = c("#596791" ,"#ca3355", "#acc11d", "#3b5c5d", "#f1e943", "#4146ca", "#e8737b", "#251141"))
overallDist <- overallDist + labs(title = "Distribución Global de Desigualdad por Continente", subtitle = "Datos de 2010-2017", caption = " 1: Africa, 2:Antartida, 3:Asia, 4:Europe, 5:North America, 6:Oceania, 7:South America", x = "Porcentaje de IHDI")
overallDist <- overallDist + theme(legend.position = "none")
overallDist
De acuerdo al gráfico de caja y bigotes se puede observar que el continente de mayor desigualdad es África, y el continente con menor nivel de desigualdad de acuerdo al coeficiente de Gini es el Europeo. El continente Sudamericano presenta una desigualdad por encima de la media mundial que es 20.
sudamerica <- read.csv("globeMap.csv")
library(ggplot2)
sudamerica <- subset(sudamerica, sudamerica$Continent_Name=="South America")
sudamerica <- ggplot(sudamerica, aes(x=long, y=lat, group = group)) + geom_polygon(aes(fill=Country_Name)) + scale_fill_manual(values = c ("#b43142", "#fdf241", "#fe8c44", "#43c7cb", "#a1c4e4", "#5b3f32", "#b0d031", "#c11b22", "#ffc5c5", "#6a988c", "#b17b34", "#252024")) + labs(title = "Paises de Suramerica", x = "Longitud", y= "Latitud")
sudamerica
Para el siguiente análisis, tomaremos como base Suramerica, Continente compuesto por 12 países entre los cuales, podemos encontrar algunos considerados como “en vía de desarrollo”.
IHDI2 <- read.csv2("Coefficient_of_human_inequality.csv")
SouthAmericaIHDI <- subset (IHDI2, IHDI2$Continent == 7)
summary(SouthAmericaIHDI)## X dimension indicator_id
## Min. :40285 Inequality:95 Min. :135006
## 1st Qu.:43384 1st Qu.:135006
## Median :48341 Median :135006
## Mean :47436 Mean :135006
## 3rd Qu.:51440 3rd Qu.:135006
## Max. :54538 Max. :135006
##
## indicator_name iso3
## Coefficient of human inequality:95 ARG : 8
## BOL : 8
## BRA : 8
## CHL : 8
## COL : 8
## ECU : 8
## (Other):47
## country_name Continent year
## Argentina : 8 Min. :7 X2010 :12
## Bolivia (Plurinational State of): 8 1st Qu.:7 X2011 :12
## Brazil : 8 Median :7 X2013 :12
## Chile : 8 Mean :7 X2014 :12
## Colombia : 8 3rd Qu.:7 X2015 :12
## Ecuador : 8 Max. :7 X2016 :12
## (Other) :47 (Other):23
## value
## Min. :13.90
## 1st Qu.:18.30
## Median :21.80
## Mean :21.64
## 3rd Qu.:24.60
## Max. :36.70
## library(ggplot2)
overallDist <- ggplot(IHDI2,aes(x=value))
overallDist <- overallDist + geom_histogram(aes(y=..density..), binwidth=.5,colour="black", fill="light blue")
overallDist <- overallDist + geom_density(alpha=.2, fill="#b43142")
overallDist <- overallDist + geom_vline (aes ( xintercept = 21.8, color = 'blue'))
overallDist <- overallDist + geom_text (x=21.8, y=0.036, label="Mediana Sudamerica")
overallDist <- overallDist + labs(title = "Distribución de Desigualdad en Sudamérica", subtitle = "Datos del 2010-2017", x = "Porcentaje de IHDI", y = "Densidad")
overallDist <- overallDist + theme(legend.position = "none")
overallDist
Si comparamos la mediana global que es igual a 20 con la mediana de Sudamérica que es igual a 23, se puede observar que no existe variación significativa.
IHDI <- read.csv2("Coefficient_of_human_inequality.csv")
SouthAmericaIHDI <- subset (IHDI, IHDI$Continent == 7)
library(ggplot2)
heatmap <- ggplot(SouthAmericaIHDI, aes(x=country_name, y=year, fill=value))
heatmap <- heatmap + geom_tile()
heatmap <- heatmap + scale_fill_viridis_c(option="magma", limits = c(0,50))
heatmap <- heatmap + theme(axis.text.x = element_text(angle = 90))
heatmap <- heatmap + labs(title = "Índice de Desigualdad en Sudamerica", subtitle = "Datos de 2010-2017", x = "País", y="Año")
heatmap
Revisando el comportamiento de los paises por nivel de ingreso, podemos observar que Bolivia es el país que más afecta este flagelo y que al pasar de los años, ha tenido transiciones positivas muy leves. Luego encontramos a Colombia, Ecuador, Perú y Paraguay, los cuales muestran un comportamiento constante pero sin ninguna evolución hacia “un mundo mejor”.
educacion <- read.csv2("Ineq_in_education.csv")
educacion <- subset(educacion, educacion$Continent==7)
overallDist <- ggplot(educacion, aes(x=as.factor(country_name), y=value, group = country_name))
overallDist <- overallDist + geom_point(aes(color=as.factor(country_name)), position=position_jitter(width=0.1,height=.2))
overallDist <- overallDist + geom_boxplot(aes(alpha=0.2))
overallDist <- overallDist + scale_color_manual(values = c("#b43142", "#fdf241", "#fe8c44", "#43c7cb", "#a1c4e4", "#5b3f32", "#b0d031", "#c11b22", "#ffc5c5", "#6a988c", "#b17b34", "#252024"))
overallDist <- overallDist + labs(title = "Distribución de Desigualdad en Sudamerica", subtitle = "Datos del 2010-2017", x = "Porcentaje de IHDI", y = "Valor")
overallDist <- overallDist + theme(legend.position = "none")
overallDist
Se puede observar que en el Indice de Desigualidad en Educación para los 12 paises que componen el continente sudamericano, Boliva, Brazil, Perú, Colombia y Ecuador se encuentran por encima de la mediana global y de la mediana para el continente sudamericano. Para el caso de Argentina se puede determinar que presenta el menor indice de desigualdad en Educación en comparación con los demás paises de Sudamerica, ubicándose por debajo de la mediana global, sin embargo, al interior del país se puede observar que su media no es equitativa, ya que tiene zonas limitadas donde la educación sigue siendo desigual.
expectativavida <- read.csv2("Ineq_Life_Expectancy.csv")
expectativavida <- subset(expectativavida, expectativavida$Continent==7)
chart <- ggplot(expectativavida, aes(x=year, y=value, fill=value))
chart <- chart + geom_col()
chart <- chart + facet_wrap(.~iso3)
chart <- chart + scale_fill_viridis_c(option="plasma")
chart <- chart + labs(title = "Desigualdad en la Expectativa de Vida en Sudamerica", x = "Año", y= "Valor")
chart <- chart + theme(axis.text.x = element_text(angle = 90))
chart
Respecto al anterior mapa de calor, se puede observar que los paises como Bolivia, Guyana y Paraguay presentan un nivel alto en el indice de desigualdad en la expectativa de vida, traducida como que tanto tiempo una persona puede vivir en dicho país y que tan saludable se siente.
indiceedu <- read.csv2("Ineq_in_education.csv")
indicevida <- read.csv2("Ineq_Life_Expectancy.csv")
indiceingreso <- read.csv2("Ineq_Income.csv")
subindiceedu <- subset(indiceedu, indiceedu$Continent == 7)
subindicevida <- subset(indicevida, indicevida$Continent == 7)
subindiceingreso <- subset(indiceingreso, indiceingreso$Continent == 7)
subindiceagregado <- subindiceedu
subindiceagregado <- rbind(subindiceagregado, subindicevida)
subindiceagregado <- rbind(subindiceagregado, subindiceingreso)
plot <- ggplot(subindiceagregado, aes(x=value, fill=indicator_name, color=indicator_name))
plot <- plot + geom_density(alpha=.3)
plot <- plot + scale_fill_brewer(type = "qual", palette = "Set2")
plot <- plot + scale_color_brewer(type = "qual", palette = "Set2")
plot <- plot + labs(title = "Índices de Desigualdad en Sudamerica", subtitle = "Datos de 2010-2017", x = "Porcentaje", y="Densidad (Frec. por % de Inequidad)")
plot
Este gráfico nos muestra que dentro de los índices de desigualdad, la esperanza de vida es la que más afecta a Suramerica, lo cual indica que la salud no ha tenido un progreso importante en la Región debido al escaso acceso a la tecnología para mejorar la atención y el derecho a un servicio de salud de calidad, reduciendo de manera considerable el tiempo de vida de la sociedad. Los ingresos y la educación no muestran una diferencia marcada, pero podemos decir que Suramerica es una región donde su nivel de desarrollo económico y social se ve limitado a la cantidad de personas que pueden acceder a una educación de calidad y por ende, difícilmente logrará una tendencia positiva en la transición hacía un país desarrollado.
Conclusiones
Al analizar el indice de desigualdad para las variables de ingresos, educación y expectiva de vida, se puede observar que Bolivia es el país con mayor desigualdad, el pais con menor desigualdad es Uruguay.
Tanto la salud como la educación son vitales para disminuir la desigualdad en la Región. Un adecuado manejo de los impuestos recolectados permitirá invertir en desarrollo y adquisición de nuevas tecnologías para una mejor atención en salud y una mejora en la infraestructura de los paises. El acceso gratis a educación de alta calidad, logrará que hayan nuevos proyectos y por ende, más empleo y consumo de la sociedad para impulsar la economía.