Análisis comparativo entre el sector de manufacturas e inmobiliarias en México

El Producto Interno Bruto trimestral ofrece, en el corto plazo, una visión oportuna, completa y coherente de la evolución de las actividades económicas del país, proporcionando información oportuna y actualizada, para apoyar la toma de decisiones. Tomando de base lo anterior mencionado, es así como realizaremos un análisis entre estos dos sectores tomando como fuente principal el Producto Interno Bruto (PIB de ahora en adelante).

El PIB es el valor monetario de los bienes y servicios finales producidos por una economía en un período determinado. EL PIB es un indicador representativo que ayuda a medir el crecimiento o decrecimiento de la producción de bienes y servicios de las empresas de cada país, únicamente dentro de su territorio. Este indicador es un reflejo de la competitividad de las empresas.

A continuación veremos datos provenientes de aquí: https://www.inegi.org.mx/temas/pib/#Tabulados

Importar los Datos

conociendo los datos

## 
## -- Column specification --------------------------------------------------------
## cols(
##   primarias = col_double(),
##   manufactura = col_double(),
##   inmobiliarias = col_double()
## )
## # A tibble: 6 x 3
##   primarias manufactura inmobiliarias
##       <dbl>       <dbl>         <dbl>
## 1   371390.    1698488.       998787.
## 2   369425.    1678576.      1010400.
## 3   377071.    1671630.      1017815.
## 4   362920.    1681706.      1027499.
## 5   363635.    1698171.      1040847.
## 6   393408.    1737834.      1052990.

Medidas de tendencia central

Las medidas de tendencia central son medidas estadísticas que pretenden resumir en un solo valor a un conjunto de valores. Representan un centro en torno al cual se encuentra ubicado el conjunto de los datos. Las medidas de tendencia central más utilizadas son: media, mediana y moda.

Media

La media es el valor promedio de un conjunto de datos numéricos, calculada como la suma del conjunto de valores dividida entre el número total de valores.

Media manufactura

## [1] 2370180

Media inmobiliarias

## [1] 1570802

Mediana

La mediana es un conjunto es un valor que se encuentra a la mitad de los otros valores, es decir, que al ordenar los número de menor a mayor, éste se encuentra justamente en medio entre los que están por arriba.

Mediana manufactura

## [1] 2372057

Mediana inmobiliarias

## [1] 1582417

Moda

La moda es el valor con mayor frecuencia en una de las distribuciones de datos.

Moda Manufactura

##   [1] 1591590 1630377 1671630 1678576 1681706 1698171 1698331 1698488 1737834
##  [10] 1760069 1766085 1769214 1781156 1796901 1812049 1888922 1921331 1977080
##  [19] 2021828 2087948 2100335 2111285 2152457 2152752 2157564 2166767 2183179
##  [28] 2188641 2212026 2218840 2224143 2231770 2234171 2239728 2242791 2243939
##  [37] 2245005 2246333 2249843 2251276 2253833 2254089 2283201 2296002 2316299
##  [46] 2316839 2320765 2325533 2329709 2331730 2331854 2342612 2344402 2351759
##  [55] 2364911 2366278 2377837 2387464 2413172 2421035 2422352 2428010 2439170
##  [64] 2442793 2444821 2456107 2457225 2468088 2470754 2472527 2473144 2473742
##  [73] 2474986 2483717 2491708 2502094 2522297 2540534 2558515 2558725 2563296
##  [82] 2570231 2575538 2590132 2593854 2636394 2681868 2686401 2727775 2733965
##  [91] 2752923 2770210 2770819 2772088 2774488 2787010 2805940 2834238 2837244
## [100] 2865578 2879245 2880133 2892737 2894845 2895683 2929393 2932418 2939272
## [109] 2939943 2953599 2978552 2981584

Moda inmobiliarias

##   [1]  998786.5 1010400.0 1017815.1 1027499.3 1040846.8 1052990.5 1061997.4
##   [8] 1071085.9 1081899.1 1090147.5 1100050.2 1108722.8 1121553.8 1130838.5
##  [15] 1140772.0 1148461.8 1152976.5 1162436.3 1169150.5 1176209.7 1180001.7
##  [22] 1188178.1 1194145.0 1202344.2 1214119.5 1227782.5 1241755.1 1252100.9
##  [29] 1265115.5 1277347.8 1289301.5 1300858.7 1315843.3 1328261.4 1336191.8
##  [36] 1345491.7 1346509.0 1354713.5 1368670.8 1378940.5 1395531.7 1402297.5
##  [43] 1420959.0 1435916.0 1449865.7 1466334.0 1471072.0 1471404.9 1484691.7
##  [50] 1496019.1 1501011.5 1515406.3 1539661.1 1560846.7 1568628.7 1578234.6
##  [57] 1586600.3 1608974.7 1626808.6 1637882.7 1645685.8 1665057.0 1672874.1
##  [64] 1673078.5 1678430.7 1679159.3 1699994.1 1702526.6 1713141.9 1728565.7
##  [71] 1752428.3 1762721.3 1777521.0 1779450.1 1792507.4 1813614.3 1822601.4
##  [78] 1829997.1 1842771.2 1843496.9 1847655.2 1852728.3 1857708.6 1867323.0
##  [85] 1880929.2 1886702.1 1901156.9 1912307.3 1918526.3 1942484.3 1946775.7
##  [92] 1957807.3 1958684.1 1977714.4 1985272.8 1997899.6 1998123.1 1998584.3
##  [99] 2006775.5 2018933.9 2029323.8 2029454.1 2038797.5 2043916.1 2045017.9
## [106] 2052070.5 2059907.9 2062074.7 2069001.6 2071895.5 2073988.6 2074242.0

Rango y amplitud

El rango es un valor numérico que indica la diferencia entre el valor máximo y el mínimo de una población o muestra estadística. La amplitud o longitud de una clase es el número de valores o variables que concurren a una clase determinada, se ha considerado que lo más importante es dar un ancho o longitud de clase a todos los intervalos de tal manera que respondan a la naturaleza de los datos y al objetivo que se persigue y esto se logra con la practica. Amplitud o Rango es el intervalo entre el valor máximo y el valor mínimo; por ello, comparte unidades con los datos. Permite obtener una idea de la dispersión de los datos, cuanto mayor es el rango, más dispersos están los datos (sin considerar la afectación de los valores extremos).

Manufactura

maximo <- max(PIB$manufactura) #valor más grande
maximo
## [1] 2981584
minimo <- min(PIB$manufactura) #valor más chico
minimo
## [1] 1591590
rango <- (maximo-minimo) #amplitud 
rango 
## [1] 1389993

Inmobilaria

maximo <- max(PIB$inmobiliarias) #valor más grande
maximo
## [1] 2074242
minimo <- min(PIB$inmobiliarias) #valor más chico
minimo
## [1] 998786.5
rango <- (maximo-minimo) #amplitud
rango
## [1] 1075455

Cuartiles y tendencia central

Los cuartiles son valores que dividen una muestra de datos en cuatro partes iguales. Utilizando cuartiles puede evaluar rápidamente la dispersión y la tendencia central de un conjunto de datos, que son los pasos iniciales importantes para comprender sus datos.

Manufactura

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## 1591590 2206180 2372058 2370180 2591063 2981584

Inmobiliarias

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  998787 1261862 1582417 1570802 1870725 2074242

Grafico de caja y bigote

Los diagramas de Caja-Bigotes (boxplots o box and whiskers) son una presentación visual que describe varias características importantes, al mismo tiempo, tales como la dispersión y simetría.

Para su realización se representan los tres cuartiles y los valores mínimo y máximo de los datos, sobre un rectángulo, alineado horizontal o verticalmente.

Grafico de caja y bigote de manufactura

Grafico de caja y bigote de inmobiliarias

Con toda esta información, facilmente nos podemos percatar que el sector de la manufactura está en un constante crecimiento más alto a comparación del sector inmobiliario, pero ¿Por qué se debe esta gran diferencia en México?

Simple, ¿Qué tienen en común un automóvil, los muebles y los aparatos electrónicos, tus útiles escolares y la leche envasada?.

Todos estos productos y muchos más que utilizas o consumes diariamente se elaboran en la industria manufacturera.

La industria manufacturera es la actividad económica por medio de la cual se transforman las materias primas en bienes y artículos.

Tan solo en 2018, había 579,828 establecimientos dedicados a las manufacturas en México. Sus actividades son muy variadas, por ejemplo, producción de alimentos y bebidas, así como elaboración de maquinaria y productos textiles, entre otros.

A nivel nacional, en 2018 había 6,493,020 personas que trabajan en esta industria.

Comparada con otros sectores de la economía, la manufactura ocupa el tercer lugar por el número de personas que trabajan en ella; en esta industria, el número de hombres es mayor que el de mujeres.

Mapa de México donde nos muestra la participación de cada estado en la industria de la manufactura

Fuente: INEGI. Censos Económicos 2019.

Como puedes observar en el mapa, las entidades con mayor producción manufacturera son Coahuila de Zaragoza, Nuevo León, Jalisco, Guanajuato, Querétaro, estado de México, Ciudad de México y Puebla.

De acuerdo con el informe “Perspectivas Económicas” realizado por la Organización para la Cooperación y el Desarrollo Económicos (OCDE), se prevé que luego de una caída de 9.2% en 2020, el PIB se recupere y crezca 3.6% en el 2021 y 3.4% en 2022. Dicho crecimiento económico vendrá impulsado por las exportaciones, sobre todo de las empresas manufactureras integradas en las cadenas de valor mundiales.

“El crecimiento del PIB en 2021 será debido, en parte, al efecto arrastre ocasionado por el rebote en la segunda mitad del 2020. Las exportaciones del sector manufacturero son muy robustas, ya que están fuertemente vinculadas a las perspectivas de crecimiento de Estados Unidos. La adopción de un plan de infraestructuras, financiado principalmente por el sector privado, y los tipos de interés más bajos contribuirán a la recuperación parcial de la inversión”, refiere el documento.

Por otra parte, según el Gobierno de México el sector inmobiliario en México radica en que la vivienda es una de las necesidades básicas del ser humano, en torno a la cual se llevan a cabo una gran cantidad de actividades cotidianas. Por eso, para garantizar la calidad de vida, además de considerar la cantidad de personas que tienen un lugar donde vivir, es importante considerar los materiales con los que está construida, la ubicación geográfica, sus dimensiones, así como la disponibilidad de infraestructura básica y servicios, entre otros aspectos.

SITUACIÓN DE LA VIVIENDA EN MÉXICO

Según información de la Encuesta Nacional de Ingresos y Gastos de los Hogares (ENIGH), en 2010 el parque habitacional era de 28.5 millones de viviendas particulares habitadas, de las cuales, 20.3 millones (71.2%) eran propias o estaban siendo pagadas por los propietarios.

De las viviendas propias 7.3 millones de sus propietarios (36.1%) las mandaron construir, 6.8 millones (33.4%) las construyeron ellos mismos y 5.3 millones (25.9 %) compró la vivienda construida, y el resto fue obtenido por los propietarios de otro modo.

Recordemos que a pesar de la situación mundial la demanda de inmuebles no se detuvo al ser un producto de primera necesidad, y las propiedades en renta mantuvieron al sector en movimiento aunque se enfrentó a problemas debido a la pérdida de empleos. Pero si se toman en cuenta factores como el mantenimiento de las bajas tasas de interés y los plazos accesibles para financiamiento por parte de las instituciones bancarias y que las autoridades han anunciado planes económicos para revitalizar el sector de la construcción, dan certeza de que el mercado no se va a detener.

Que los procesos para impulsar el otorgamiento de créditos sean menos complicados será de gran ayuda para acelerar la comercialización inmobiliaria.

Actualmente la demanda de propiedades en venta tiene un mayor peso hacia los segmentos de interés social e interés medio, es decir, propiedades que no rebasan los 3 millones de pesos, con un 44% de la demanda total. Le sigue el segmento residencial con un 31% de participación (3-7 millones de pesos) mientras que el segmento residencial plus representa el 24% de la demanda total (propiedades que rebasan los 7 millones de pesos).

Segmentación de la demanda inmobiliaria

Rango intercuartil

El rango intercuartílico IQR (o rango intercuartil) es una estimación estadística de la dispersión de una distribución de datos. Consiste en la diferencia entre el tercer y el primer cuartil. Mediante esta medida se eliminan los valores extremadamente alejados. El rango intercuartílico es altamente recomendable cuando la medida de tendencia central utilizada es la mediana (ya que este estadístico es insensible a posibles irregularidades en los extremos).

Manufactura

# IQR (Inter Quartil Range) = Q3-Q1
RIC = IQR(PIB$manufactura)
RIC
## [1] 384883.3
# Límite superior (Maximun)
Q3 <-  2591063
limitesuperior <- (Q3+1.5*RIC)
limitesuperior
## [1] 3168388
#Límite Inferior (Mínimo)
Q1 <- 2206180
limiteinferior <- (Q1+1.5*RIC)
limiteinferior
## [1] 2783505

Inmobiliarias

# IQR (Inter Quartil Range) = Q3-Q1
RIC = IQR(PIB$inmobiliarias)
RIC
## [1] 608862.7
# Límite superior (Maximun)
Q3 <-  1870725 
limitesuperior <- (Q3+1.5*RIC)
limitesuperior
## [1] 2784019
#Límite Inferior (Mínimo)
Q1 <- 1261862
limiteinferior <- (Q1+1.5*RIC)
limiteinferior
## [1] 2175156

Analisis de frecuencia

## 
## Attaching package: 'fdth'
## The following object is masked from 'package:modeest':
## 
##     mfv
## The following objects are masked from 'package:stats':
## 
##     sd, var

Frecuencias absolutas, relativas y acumuladas

Frecuencia Absoluta: es la definición que entenderíamos habitualmente como frecuencia estadística. Básicamente es el conteo de operaciones que se repiten en una muestra o experimento.

Frecuencia Relativa: se trata simplemente del cociente entre la frecuencia absoluta (calculada según las indicaciones del punto anterior) y el tamaño de la muestra o el número de veces que se haya realizado un experimento.

Frecuencias acumuladas: Del mismo modo que realizamos los dos cálculos indicados en los párrafos anteriores, tanto las frecuencias absolutas y como las frecuencias relativas pueden ser mostradas de forma acumulada.

Manufactura

##               Class limits  f   rf rf(%)  cf  cf(%)
##  [1575674.365,1755140.009)  9 0.08  8.04   9   8.04
##  [1755140.009,1934605.653)  8 0.07  7.14  17  15.18
##  [1934605.653,2114071.298)  5 0.04  4.46  22  19.64
##  [2114071.298,2293536.942) 21 0.19 18.75  43  38.39
##  [2293536.942,2473002.586) 27 0.24 24.11  70  62.50
##   [2473002.586,2652468.23) 16 0.14 14.29  86  76.79
##   [2652468.23,2831933.874) 11 0.10  9.82  97  86.61
##  [2831933.874,3011399.518) 15 0.13 13.39 112 100.00

PIB

## primarias 
##             Class limits  f   rf rf(%)  cf  cf(%)
##  [347526.129,383831.592) 10 0.09  8.93  10   8.93
##  [383831.592,420137.055) 21 0.19 18.75  31  27.68
##  [420137.055,456442.518) 18 0.16 16.07  49  43.75
##  [456442.518,492747.981) 24 0.21 21.43  73  65.18
##  [492747.981,529053.444) 13 0.12 11.61  86  76.79
##  [529053.444,565358.907)  8 0.07  7.14  94  83.93
##   [565358.907,601664.37) 15 0.13 13.39 109  97.32
##   [601664.37,637969.833)  3 0.03  2.68 112 100.00
## 
## manufactura 
##               Class limits  f   rf rf(%)  cf  cf(%)
##  [1575674.365,1755140.009)  9 0.08  8.04   9   8.04
##  [1755140.009,1934605.653)  8 0.07  7.14  17  15.18
##  [1934605.653,2114071.298)  5 0.04  4.46  22  19.64
##  [2114071.298,2293536.942) 21 0.19 18.75  43  38.39
##  [2293536.942,2473002.586) 27 0.24 24.11  70  62.50
##   [2473002.586,2652468.23) 16 0.14 14.29  86  76.79
##   [2652468.23,2831933.874) 11 0.10  9.82  97  86.61
##  [2831933.874,3011399.518) 15 0.13 13.39 112 100.00
## 
## inmobiliarias 
##               Class limits  f   rf rf(%)  cf  cf(%)
##  [988798.6608,1127071.883) 13 0.12 11.61  13  11.61
##  [1127071.883,1265345.105) 16 0.14 14.29  29  25.89
##  [1265345.105,1403618.328) 13 0.12 11.61  42  37.50
##   [1403618.328,1541891.55) 11 0.10  9.82  53  47.32
##   [1541891.55,1680164.772) 13 0.12 11.61  66  58.93
##  [1680164.772,1818437.995) 10 0.09  8.93  76  67.86
##  [1818437.995,1956711.217) 15 0.13 13.39  91  81.25
##  [1956711.217,2094984.439) 21 0.19 18.75 112 100.00

Dist nos brinda una tabla con los cálculos de la distribución de frecuencias

Poligonos e histogramas

En este caso nos enfocaremos principalmente en Manufactura e inmobiliarias

#Absolutos
plot(dist, type="fh")

plot(dist, type="fp")

#Acumulados
plot(dist, type="cfh")

plot(dist, type="cfp")

#Relativos

plot(dist, type="rfh")

plot(dist, type="rfp")

Medidas de dispersión: rango, varianza, desviación, estándar y coeficiente de variación

El rango es un valor numérico que indica la diferencia entre el valor máximo y el mínimo de una población o muestra estadística.

La varianza es una medida de dispersión que representa la variabilidad de una serie de datos respecto a su media

La desviación típica es otra medida que ofrece información de la dispersión respecto a la media. Es la raíz cuadrada de la varianza.

Coeficiente de variación. Su cálculo se obtiene de dividir la desviación típica entre el valor absoluto de la media del conjunto y por lo general se expresa en porcentaje para su mejor comprensión.

Manufactura

range(PIB$manufactura, na.rm = TRUE)
## [1] 1591590 2981584
min(PIB$manufactura, na.rm = TRUE)
## [1] 1591590
max(PIB$manufactura, na.rm = TRUE)
## [1] 2981584
max(PIB$manufactura, na.rm = TRUE) - min(PIB$manufactura, na.rm = TRUE)
## [1] 1389993

Inmobiliaria

range(PIB$inmobiliarias, na.rm = TRUE)
## [1]  998786.5 2074242.0
min(PIB$inmobiliarias, na.rm = TRUE)
## [1] 998786.5
max(PIB$inmobiliarias, na.rm = TRUE)
## [1] 2074242
max(PIB$inmobiliarias, na.rm = TRUE) - min(PIB$inmobiliarias, na.rm = TRUE)
## [1] 1075455

Luego, para conocer el rango de los valores se debe restar el valor máximo al mínimo

Manufactura

var(PIB$manufactura, na.rm = TRUE)
## [1] 130102816410
sd(PIB$manufactura, na.rm = TRUE)
## [1] 360697.7

Inmobiliaria

var(PIB$inmobiliarias, na.rm = TRUE)
## [1] 1.15122e+11
sd(PIB$inmobiliarias, na.rm = TRUE)
## [1] 339296.4

Coeficiente de variación

Manufactura

sd(PIB$manufactura)/mean(PIB$manufactura)
## [1] 0.1521816
library(FinCal)
## Warning: package 'FinCal' was built under R version 4.0.4
coefficient.variation(sd=sd(PIB$manufactura), avg = mean(PIB$manufactura))
## [1] 0.1521816

Inmobiliaria

sd(PIB$inmobiliarias)/mean(PIB$inmobiliarias)
## [1] 0.216002
library(FinCal)
coefficient.variation(sd=sd(PIB$inmobiliarias), avg = mean(PIB$inmobiliarias))
## [1] 0.216002

Gráfico de dispersión (scatterplot)

Los gráficos de dispersión se usan para trazar puntos de datos en un eje vertical y uno horizontal, mediante lo que se trata de mostrar cuánto afecta una variable a otra.

Cada fila de la tabla de datos la representa un indicador cuya posición depende de sus valores en las columnas que se establecen en los ejes X e Y. Se pueden usar varias escalas en el eje Y cuando se desea comparar varios indicadores con rangos de valor significativamente distintos. Se puede establecer una tercera variable para que se corresponda con el color o el tamaño (por ejemplo, un gráfico de burbujas) de los indicadores, lo que agregaría otra dimensión más al gráfico.

Manufactura

Inmobiliaria

Partiendo de la iformación que nos pueden ofrecer las graficas, podemos notar que en la industria de la manufactura el crecimiento es brusco y si tendencia alcista, pero en los ultimos tiempos esta tuvo una gran baja en su rendimiento.

Entre todas las industrias en México, la referente a la manufactura ha sido una de las más golpeadas por los cambios que la pandemia ocasionó en el consumidor.

Según cifras del Instituto Nacional de Estadística y Geografía (Inegi), en el Indicador Mensual de la Actividad Industrial referente al primer trimestre del año, solo de febrero a abril de 2020 la actividad manufacturera en México cayó en general 38%.

A medida que la pandemia se ha prolongado, las empresas de fabricación enfrentan desafíos importantes. Algunos negocios han tenido que cerrar temporalmente en respuesta a las restricciones gubernamentales o la caída de la demanda; sin embargo, también existen otros negocios que han enfrentado aumentos significativos en la demanda.

A diferencia de otras industrias, el sector manufacturero en México tiene una peculiar desventaja: no es viable el trabajo remoto.

Particularmente el problema yace en que el personal de fabricación de primera línea no puede llevar su trabajo a la relativa seguridad de sus hogares. Un problema de eso lo podemos observar en los gastos e ingresos del segmento textil, un sector golpeado por el freno total de sus actividades y la poca capacidad de maniobra de recortar gastos (algo que implicaría recortar puestos de trabajo que no generan).

Por otro lado. Según con el informe “Situación Inmobiliaria México” extraído de: https://www.bbvaresearch.com/publicaciones/situacion-inmobiliaria-mexico-segundo-semestre-2020/?utm_source=twitter&utm_medium=social&utm_campaign=rrssresearch&utm_term=01102020 correspondiente al segundo semestre de 2020, el PIB de la construcción atraviesa por su depresión más prolongada. Esto se debe, en gran medida, por la emergencia sanitaria de la pandemia del COVID-19, pero también por la ausencia de un Plan Nacional de Infraestructura en la actual administración que revela la falta de rumbo y, por lo tanto, baja la expectativa de la recuperación. Sin planificación e inversión que la dirija, el bajo costo del financiamiento no constituirá un aliciente para la reactivación y la certidumbre que se requiere para que el sector privado forme parte de la palanca de crecimiento.

La obra civil sigue contrayéndose como resultado de una menor inversión. El sector público suele tener mayor participación en este rubro por las obras de infraestructura. Tan sólo el valor bruto de las obras energéticas cayó más de 37% en el 2T20; mientras que el correspondiente al sector de comunicaciones y transporte promedió una variación de -29.1%.

Si bien el sector ha logrado un crecimiento de su ocupación laboral en apenas 1%, esto se explica porque la industria de la construcción es intensiva en mano de obra y podría estar constituyendo un refugio en el mercado laboral de otros sectores. Como consecuencia, la productividad laboral sigue disminuyendo, dado que la producción se contrae.

El saldo de la cartera de crédito a la construcción recuperó el crecimiento. Pasó de 642 mil mdp en el primer trimestre a 658 mil mdp al cierre del mes de junio, equivalente a un 4% real. Este aumento del portafolio sectorial se asocia a la necesidad de liquidez por parte de las empresas constructoras y en parte impulsado ante el menor costo que representó por las continuas disminuciones de la tasa de referencia como por los programas de apoyo que diseñaron las autoridades financieras y el sistema bancario. Hasta ahora se mantiene la morosidad de este portafolio en niveles bajos, sólo 1.4%.

Si bien se ha visto un retroceso para la banca en cifras acumuladas para los primeros seis meses del año 2020; en términos de cifras anualizadas aún es posible ver un avance marginal de apenas 0.5%. Esto se debe al desempeño positivo que han tenido los segmentos residenciales el último año, que han logrado mantener la inercia del empleo generado un par de años atrás, las bajas tasas de interés hipotecarias y el fortalecimiento del salario real.

En el ciclo actual de la economía, en donde la pandemia por el COVID-19 ha ocasionado una pérdida de empleos superior a la de la crisis de 2009, también será clave la desaceleración en el precio de los insumos, consecuencia de la caída en los proyectos para edificación. Las menores tasas de crecimiento del índice de precios de la vivienda están reflejando la combinación de estos dos factores. Es por ello, que el informe “Situación Inmobiliaria” considera que la aceleración en los ritmos de apreciación podría tomar tiempo, pues aunque las tasas de interés hipotecarias están experimentando bajas significativas, el empleo formal, principal determinante de la demanda por financiamiento, podría tardar dos o tres años en recuperar su nivel previo a la crisis.

Estadística inferencial

La estadística inferencial es una parte de la estadística que comprende los métodos y procedimientos que por medio de la inducción determina propiedades de una población estadística, a partir de una parte de esta. Su objetivo es obtener conclusiones útiles para hacer deducciones sobre una totalidad, basándose en la información numérica de la muestra.

Matriz de coeficientes de correlación

La matriz de correlación muestra los valores de correlación de Pearson, que miden el grado de relación lineal entre cada par de elementos o variables. Los valores de correlación se pueden ubicar entre -1 y +1. Sin embargo, en la práctica, los elementos por lo general tienen correlaciones positivas. Si los dos elementos tienden a aumentar o disminuir al mismo tiempo, el valor de correlación es positivo.

##               primarias manufactura inmobiliarias
## primarias     1.0000000   0.8979538     0.9614170
## manufactura   0.8979538   1.0000000     0.9115337
## inmobiliarias 0.9614170   0.9115337     1.0000000
## 
## Call:
## lm(formula = manufactura ~ inmobiliarias, data = PIB)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -714292  -87804   24752  100100  323637 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   8.480e+05  6.697e+04   12.66   <2e-16 ***
## inmobiliarias 9.690e-01  4.168e-02   23.25   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 149000 on 110 degrees of freedom
## Multiple R-squared:  0.8309, Adjusted R-squared:  0.8294 
## F-statistic: 540.5 on 1 and 110 DF,  p-value: < 2.2e-16

Podemos concluir que el PIB en relación con las dos variables; Sector Manufactura e Inmobiliario, continuan en un crecimiento constante, pero donde el sector inmobiliario basandonos en las graficas este tiende a tener un crecimiento alcista más laxo. Por otro lado, el sector de la manufactura, como podemos comprobar ha tenido un crecimiento mucho más fuerte ya que sin manufactura la inmobiliaria no existiría, por ende, tiende a tener un crecimiento más alto y rápido, pero que ha tenido sus ciertos momentos de tendencias bajistas muy bruscas. Todo esto nos ayuda a mantener un panorama más amplio de lo que estás dos variables pueden aportar al PIB.

Pero, ¿Realmente el PIB nos ayuda a tener una visión clara para medir el desarrollo?

El PIB no distingue entre producción buena y mala. ¿Cómo deberíamos decidir entonces qué es bueno y qué es malo?

La clave está en “bruto”, la última palabra del acrónimo. Porque nuestro principal baremo para medir el éxito económico, el PIB, no resta nada. Es decir, no tiene en cuenta ninguno de los posibles efectos secundarios nocivos causados por la producción. Talar un añoso árbol de caoba para hacer una mesa se considera estrictamente un beneficio económico. Si una fábrica vierte sus desechos en un río cercano, también es una acción de lo más positiva. De hecho, si las futuras generaciones deciden limpiar sus cursos de agua contaminados, lo que les cueste volverá a contribuir al PIB.

Probablemente, más allá del plástico, el efecto colateral más destructivo de la producción lo que los economistas denominan una “externalidad”, lo cual no resulta de mucha ayuda es el carbono consecuencia de nuestra vida ávida de energía. La emisión de carbono contribuye al PIB. Cuanto más generamos, mejor funcionan nuestras economías. Si el mundo se fríe en el proceso, pues que se fría.

Simon Kuznets, inventor de la contabilidad nacional, creó en 1934 una serie de indicadores, entre ellos el PIB, que permitían saber cuánto producía un país, cuánto consumía o cuánto ganaba. Como sabemos, el PIB representa el valor de todos los servicios y bienes producidos por una economía durante un período de tiempo, normalmente un año. Se podría pensar que cuánto mayor es el PIB, mayor es la riqueza del país. El uso del PIB como indicador del bienestar es y ha sido criticado desde su invención por el propio Kuznets. Una cosa era tener un indicador sencillo para medir la producción de un país y que diera orientaciones en el establecimiento de políticas económicas y otra muy distinta utilizarlo como indicador del bienestar y progreso de una nación. El problema, una vez más, comenzó cuando los políticos empezaron a utilizar los datos de su crecimientos como resultado de sus decisiones en el gobierno y su uso electoralista. Como suele ser habitual, esto lo ha distorsionado todo, a pesar de las críticas vertidas desde la propia profesión. Kuznets manifestó tras su primera aplicación que “es muy difícil deducir el bienestar de una nación a partir de su renta nacional (per cápita)” y años más tarde ante la sordera política declaró ante el congreso:

Grupos internacionales como la Organization for Economic Cooperation and Development (web), economistas e incluso líderes políticos europeos manifiestan su malestar con el uso exclusivo del PIB como medida del éxito/fracaso. Su propio autor lo advirtió desde inicio. No es una medida precisa para medir la prosperidad de una sociedad y ya no se ajusta a los objetivos políticos de los líderes porque la realidad ha cambiado.

Según el PIB y las medidas estándares no cabe duda de que el hombre de salario alto vive mejor, gana más, gasta más y su actividad económica es más robusta. Sin embargo no sabemos si esto es así, si su mujer vive mejor, si el consumo de algunos de sus bienes son malos, por ejemplo la alarma de su casa es un indicador de su seguridad personal, su stress y sus gastos médicos es un indicador de su salud, la polución, los atascos de tráfico para ir a trabajar hablan de su contribución a la contaminación de su medioambiente. No sabemos si el hombre de renta alta vive más allá de sus medios y por lo tanto no se puede predecir el futuro de su calidad de vida. Lo único que podemos intuir es que vive en un tiempo prestado (borrowed time) como un banco sobreapalancado.

Ahora teniendo una tesis y una antítesis de lo al PIB se refiere, es momento de preguntarnos si realmente es importante realizar un analisis comparativo solo desde la perspectiva del PIB para hacernos conclusiones precipitadas de lo que realmente puede estar pasando en las industrias manufactureras e inmobiliarias.

En todo caso, ambos desde el punto de vista del PIB están en constante desarrillo positivo.