Trabajo Final de Visualizacion de Datos
Héctor Quiñones - Robert Caicedo
26/6/2021
Análisis de indicadores de desigualdad en el mundo, Sudamérica y Colombia
1. Introducción
El Índice de desarrollo humano ajustado por desigualdad (IDHD) es una medida del nivel de desarrollo humano promedio de las personas en una sociedad, teniendo en cuenta la desigualdad. El Índice de Desarrollo Humano (IDH) es diferente al IDHD. El IDHD es menor que el IDH cuando hay desigualdad, ya que el IDHD combina el promedio de logros de un país en salud, educación e ingresos, con la distribución de estos logros en la población, descontando del promedio un valor de acuerdo con el nivel de desigualdad existente. En igualdad perfecta, el IDH y el IDHD son iguales; a mayor diferencia entre ambos, mayor es la desigualdad. En ese sentido, el IDHD es el nivel real de desarrollo humano, mientras que el IDH puede ser visto como el potencial índice de desarrollo humano que se podría alcanzar de no haber desigualdad. La diferencia entre IDH e IDHD es la pérdida de desarrollo humano por desigualdad y el coeficiente de desigualdad humana es calculado como un promedio no ponderado de desigualdad a través de las tres dimensiones.
Fuente: PUND
2. Pregunta de investigación
A raíz de las protestas y el estallido social ocurrido en Colombia recientemente, los cuales tienen su origen en la desigualdad en términos de educación, salud e ingresos, se quiere dar respuesta a la pregunta: ¿En Colombia existe una brecha de desigualdad significativa si se comparan sus indicadores con los países de sudamérica y el mundo?
Para dar respuesta a esta pregunta, se tomará como referencia la información sobre el IDHD y algunos indicadores que miden la desigualdad en el periodo entre 2010 y 2017. Esta información fue elaborada por el Programa de las Naciones Unidas para el Desarrollo (PUND).
3. Descripción del dataset
Primero, se realizó un análisis descriptivo de la información disponible. Se puede observar que el dataset cuenta con 9 variables, entre las que se destacan,los indicadores de desigualdad, el país, el continente, el año y el valor del indicador; en total suman 16.112 registros.datos <- read.csv("C:/Users/i5 decima G/OneDrive/Escritorio/Trabajo_Final_Inequidad_HDI/Trabajo_Final_Inequidad_HDI/inequalityAllIndexes2010-2017.csv")
str(datos)## 'data.frame': 16112 obs. of 9 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ dimension : chr "Inequality" "Inequality" "Inequality" "Inequality" ...
## $ indicator_id : int 135006 135006 135006 135006 135006 135006 135006 135006 135006 135006 ...
## $ indicator_name: chr "Coefficient of human inequality" "Coefficient of human inequality" "Coefficient of human inequality" "Coefficient of human inequality" ...
## $ iso3 : chr "AFG" "ALB" "DZA" "AGO" ...
## $ country_name : chr "Afghanistan" "Albania" "Algeria" "Angola" ...
## $ Continent : chr "AS" "EU" "AF" "AF" ...
## $ variable : chr "X2010" "X2010" "X2010" "X2010" ...
## $ value : num NA 12.7 NA 38.8 19 10.9 7.7 7.3 13.4 14 ...Los indicadores presentes en el dataset se pueden observar en la siguiente tabla:
| Indicadores en el dataset |
|---|
| Coeficiente de desarrollo humano ajustado por desigualdad (IDHD) |
| Pérdida general de desarrollo humano por desigualdad) |
| Coeficiente de desigualdad humana |
| Índice de desigualdad en la expectativa de vida |
| Índice de desigualdad en la educación |
| índice de desigualdad en el ingreso |
| Porcentaje de desigualdad en la expectativa de vida |
| Porcentaje de desigualdad en la educación |
| Porcentaje de desigualdad en el ingreso |
4. Estadística descriptiva del IDHD global
Se realizó estadística descriptiva al indicador IDHD de todos los países del dataset:# Limpieza de datos del indicador IDHD global
idhd <- subset(datos, datos$indicator_name=='Inequality-adjusted HDI (IHDI)')
idhd$Continent[is.na(idhd$Continent)] <- 'NAm'
idhd <- na.omit(idhd)
# Análisis descriptivo del IDHD global
library(summarytools)## Registered S3 method overwritten by 'pryr':
## method from
## print.bytes Rcppdescr(idhd$value, round.digits = 3)## Descriptive Statistics
## idhd$value
## N: 1153
##
## value
## ----------------- ----------
## Mean 0.559
## Std.Dev 0.191
## Min 0.197
## Q1 0.386
## Median 0.566
## Q3 0.731
## Max 0.897
## MAD 0.255
## IQR 0.345
## CV 0.341
## Skewness -0.022
## SE.Skewness 0.072
## Kurtosis -1.209
## N.Valid 1153.000
## Pct.Valid 100.000Podemos observar que a nivel global, el IDHD promedio es de 0.559, con una desviación estándar de 0.191; esto indica que el IDHD global, tiene un coeficiente de variación de 0.341 (34.1%), lo que indica que el IDHD global tiene una variablidad significativa, y por lo tanto, hay heterogeneidad en los datos, es decir, que el promedio no es un valor representativo para todos los puntos del dataset. El valor mínimo de IDHD es de 0.197 y el mayor valor es de 0,897, lo que indica que existe una brecha de desarrollo y desigualdad entre países. El coeficiente de asímetría es negativo, pero muy cercano a cero (-0.022) lo que indica que los datos se distribuyen equitativamente alrededor del promedio. La curtosis en menor a 3, lo que indica, que los datos no tienden a agruparse hacia el promedio. La desviación absoluta promedio es del 25.5%.
5. Análisis visual del IDHD Global
Para iniciar el análisis, se realizó un histograma para visualizar la distribución del IDHD global:
# Histograma del IDHD promedio global
library(ggplot2)
histo_global <- ggplot(idhd, aes(x=idhd$value)) + geom_histogram(aes(y=..density..), fill="firebrick2", colour="black") + geom_density(fill="green", alpha=0.2)
histo_global## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Hay una distribución trimodal del IDHD, lo que indica que hay tres grupos de países: los que tienen un IDHD menor que el promedio, los que tienen un IDHD similar al promedio y aquellos con un valor superior al promedio.
A continuación se muestra un gráfico con los valores promedio de IDHD por año:# Grafico de barras del IDHD global por año
idhd_prom <- round(mean(idhd$value),digit=3)
grafico <- ggplot(idhd, aes(variable, value, fill=variable)) + geom_bar(fun=mean, stat='summary') +
scale_fill_brewer(type="seq", palette=3)
grafico <- grafico + theme(panel.background = element_rect(fill="gray79"),axis.text.x=element_text(angle=90, size=8, hjust=1), panel.grid.major=element_blank(),panel.grid.minor=element_blank())
grafico <- grafico + geom_hline(yintercept=mean(idhd$value), color='red', size=1.5) + geom_text(aes(x='X2017',y=0.6),label=paste("Promedio Global =",idhd_prom),hjust=1,size=4, color='red')
grafico <- grafico + labs(title="IDHD Global por Año", x="Año", y="IDHD promedio")
grafico
Se puede observar que el promedio global es de 0.559. También se observó que año tras año, el valor del IDHD va en aumento, esto indica que, a nivel global, se mejoran las condiciones de desarrollo humano progresiamente. Esto indica que por un lado, los países están mejorando las condiciones de vida de la población y por el otro, las mejores condiciones de vida, se están distribuyendo de manera más equitativa entre la población. Es probable que estos avances sucedan principalmente en los países en vías de desarrollo, los cuales tienen una brecha de desarrollo notable en comparación con los países más industrializados, sin embargo, es necesario un análisis más prufundo de la información para una conlusión más precisa de los avances en desarrollo, desigualdad y la brecha entre países.
Como se evidenció en el histograma, se pueden identificar tres grupos de países; para dar respuesta a la pregunta de investigación, es necesario identificar en qué grupo se encuentran los países de sudamérica. En el siguiente gráfico se observa el IDHD promedio por continentes en el periodo 2010 - 2017.# Gráfico IDHD de cada continente por año
grafico <- ggplot(idhd, aes(variable, value, fill=Continent)) + geom_bar(fun='mean', stat='summary')
grafico <- grafico + theme(axis.text.x= element_text(angle=90, size=8, hjust=1))
grafico<- grafico + facet_grid(.~Continent)
grafico
Se pueden observar diferencias importantes entre continentes. Se infiere que África es el continente menos desarrollado y más desigual mientras que Europa es mucho más desarrollado y equitativo que el resto de continentes. En el caso de Sudamérica, se observa que está en un nivel medio, similar a Norteamérica y Asia. En el caso de Oceanía, se observa una tendencia anormal, lo que indica que debe haber algún inconveneinte con los datos. Exceptuando a Oceanía, se observa que la tendencia ascendente del IDHD está presente en todos los continentes.
En el siguiente gráfico de densidad por continentes, se puede apreciar la forma en que los países están agrupados:# Gráfico de densidad por continentes
d_con <- ggplot(idhd, aes(x=value, fill=Continent, color=Continent))
d_con <- d_con + geom_density(alpha=.3)
d_con <- d_con + scale_fill_brewer(type = "qual", palette = "Paired")
d_con <- d_con + scale_color_brewer(type = "qual", palette = "Paired")
d_con <- d_con + labs(title = "IDHD por por continentes", subtitle = "2010-2017", caption = "Fuente: UN", x = "Percentage", y="Density (Fequency per inequality percentage)")
d_con
Se puede apreciar que el IDHD de los países del continente africano tiende a formar un grupo homogéneo al rededor de un valor relativamente bajo, esto indica una gran diferencia en desarrollo con el resto del mundo. en el caso de Sudamérica, se observan dos picos, lo que indica el agrupamiento de 2 grupos de países con diferente nivel de desarrollo e igualdad, siendo el grupo de países con IDHD similar al global, el grupo predominante, el otro grupo, muestra mejores cifras en cuanto a desarrollo y desigualdad. Es necesario para el estudio determinar a qué grupo pertenece Colombia. En cuanto a Europa, se observan también dos picos en la distribución, sin embargo, para ambos grupos el nivel de desarrollo e igualdad es elevado.
Ilustrativamente, podemos ver las diferencias del IDHD entre continentes en el siguiente mapa:# Cálculo de promedios por región
idhd_sa <- subset(idhd, idhd$Continent=='SA')
prom_sa <- mean(idhd_sa$value)
idhd_na <- subset(idhd, idhd$Continent=='NAm')
prom_na <- mean(idhd_na$value)
idhd_af <- subset(idhd, idhd$Continent=='AF')
prom_af <- mean(idhd_af$value)
idhd_eu <- subset(idhd, idhd$Continent=='EU')
prom_eu <- mean(idhd_eu$value)
idhd_as <- subset(idhd, idhd$Continent=='AS')
prom_as <- mean(idhd_as$value)
idhd_oc <- subset(idhd, idhd$Continent=='OC')
prom_oc <- mean(idhd_oc$value)
globeMap <- read.csv("C:/Users/i5 decima G/OneDrive/Escritorio/Trabajo_Final_Inequidad_HDI/Trabajo_Final_Inequidad_HDI/globeMap.csv")
ggplot(globeMap, aes(x = long, y = lat, group = group)) +
geom_polygon(aes(fill=Continent_Name))+
scale_fill_manual(values = c("#009e73","#f0e442","#0072b2","#d55e00","#cc79a7","navy","black","blue"))+
labs(title = "Regiones del mundo - IDHD Promedio", caption = "Territorios vacíos no tienen índice", x = "Longitud", y= "Latitud")+ theme_bw() + geom_text(aes(x=-45,y=-10),label=round(prom_sa, digit=3),hjust=1, size=3.5, color='white') + geom_text(aes(x=-90,y=45),label=round(prom_na, digit=3),hjust=1, size=3.5, color='black') + geom_text(aes(x=20,y=20),label=round(prom_af, digit=3),hjust=1, size=3.5, color='black')+ geom_text(aes(x=30,y=50),label=round(prom_eu, digit=3),hjust=1, size=3.5, color='black')+
geom_text(aes(x=90,y=35),label=round(prom_as, digit=3),hjust=1, size=3.5, color='black')+
geom_text(aes(x=145,y=-25),label=round(prom_oc, digit=3),hjust=1, size=3.5, color='black')
Se puede apreciar que Sudamérica tiene un promedio de IDHD de 0.578, que lo ubica en el tercer lugar detrás de Europa y Oceanía, pero como se ha podido visualizar, existen diferencias entre países dentro del mismo continente, por lo que es necesario mirar con mayor detalle, las diferencias entre países dento del continente sudamericano.
6. Estadistica descriptiva de Sudamérica
# Gráfico de lineas de sudamerica
library(ggrepel)
library(summarytools)
sudamerica <- subset(idhd, idhd$Continent=='SA')
descr(sudamerica$value, round.digits=3)## Descriptive Statistics
## sudamerica$value
## N: 95
##
## value
## ----------------- ---------
## Mean 0.578
## Std.Dev 0.070
## Min 0.402
## Q1 0.530
## Median 0.562
## Q3 0.648
## Max 0.710
## MAD 0.059
## IQR 0.112
## CV 0.121
## Skewness 0.182
## SE.Skewness 0.247
## Kurtosis -0.659
## N.Valid 95.000
## Pct.Valid 100.000Se puede apreciar que el IDHD de Sudamérica tiene una desviación estándar de 0.07, con un coeficiente de variación de 12.1%, lo que indica una mayor homogeneidad entre los países si se compara con los datos globales. El coeficiente de asimetría es positivo, lo que indica una tendencia de los datos a agruparse hacia valores menores al promedio.
7. Análisis visual de IDHD de Sudamérica
Para el análisis, se inicia con un gráfico de tendencia entre los países de Sudamérica para observar la evolución del indicador a traves del tiempo y el lugar que ocupa Colombia:# Gráfico de lineas (tendencia)
library(ggrepel)
grafico_sa <- ggplot(sudamerica, aes(variable, value, group=country_name, color=country_name)) + geom_line(size=1) + geom_point() + theme_light() + geom_label_repel(data = subset(sudamerica, variable == "X2017"), aes(label=iso3, hjust=0.5), size=3, color="black") + theme(legend.position = "none") + scale_colour_brewer(type="qual", palette="Paired") + theme(panel.background = element_rect(fill="gray60"),axis.text.x=element_text(angle=90, size=8, hjust=1), panel.grid.major=element_blank(),panel.grid.minor=element_blank()) + labs(title = "Gráfico de Tendencia del IDHD por países de Sudamérica")
grafico_sa
En Sudamérica el IDHD en general ha presentado una tendencia de crecimiento entre los años 2010 a 2017, siendo los de mejor índice Chile, Argentina y Uruguay; aunque Bolivia es el país con IDHD menor igual presenta una evolución notable en el periodo analizado.
De manera visual más representativa geográficamente, se puede apreciar las diferencias de IDHD entre países:# Gráfico de líneas de sudamerica
map_sa <- subset(globeMap, globeMap$Continent_Name=='South America')
map_sa[,14] <- rnorm(nrow(map_sa))
colnames(map_sa)[14]<- c("idhd")
prom_arg <- subset(sudamerica,sudamerica$iso3=="ARG")
prom_arg <- round(mean(prom_arg$value), digit=3)
prom_bol <- subset(sudamerica,sudamerica$iso3=="BOL")
prom_bol <- round(mean(prom_bol$value), digit=3)
prom_bra <- subset(sudamerica,sudamerica$iso3=="BRA")
prom_bra <- round(mean(prom_bra$value), digit=3)
prom_chl <- subset(sudamerica,sudamerica$iso3=="CHL")
prom_chl <- round(mean(prom_chl$value), digit=3)
prom_col <- subset(sudamerica,sudamerica$iso3=="COL")
prom_col <- round(mean(prom_col$value), digit=3)
prom_ecu <- subset(sudamerica,sudamerica$iso3=="ECU")
prom_ecu <- round(mean(prom_ecu$value), digit=3)
prom_guy <- subset(sudamerica,sudamerica$iso3=="GUY")
prom_guy <- round(mean(prom_guy$value), digit=3)
prom_per <- subset(sudamerica,sudamerica$iso3=="PER")
prom_per <- round(mean(prom_per$value), digit=3)
prom_pry <- subset(sudamerica,sudamerica$iso3=="PRY")
prom_pry <- round(mean(prom_pry$value), digit=3)
prom_sur <- subset(sudamerica,sudamerica$iso3=="SUR")
prom_sur <- round(mean(prom_sur$value), digit=3)
prom_ury <- subset(sudamerica,sudamerica$iso3=="URY")
prom_ury <- round(mean(prom_ury$value), digit=3)
prom_ven <- subset(sudamerica,sudamerica$iso3=="VEN")
prom_ven <- round(mean(prom_ven$value), digit=3)
map_sa$idhd[map_sa$Three_Letter_Country_Code == "ARG"] <- prom_arg
map_sa$idhd[map_sa$Three_Letter_Country_Code == "BOL"] <- prom_bol
map_sa$idhd[map_sa$Three_Letter_Country_Code == "BRA"] <- prom_bra
map_sa$idhd[map_sa$Three_Letter_Country_Code == "CHL"] <- prom_chl
map_sa$idhd[map_sa$Three_Letter_Country_Code == "COL"] <- prom_col
map_sa$idhd[map_sa$Three_Letter_Country_Code == "ECU"] <- prom_ecu
map_sa$idhd[map_sa$Three_Letter_Country_Code == "GUY"] <- prom_guy
map_sa$idhd[map_sa$Three_Letter_Country_Code == "PER"] <- prom_per
map_sa$idhd[map_sa$Three_Letter_Country_Code == "PRY"] <- prom_pry
map_sa$idhd[map_sa$Three_Letter_Country_Code == "SUR"] <- prom_sur
map_sa$idhd[map_sa$Three_Letter_Country_Code == "URY"] <- prom_ury
map_sa$idhd[map_sa$Three_Letter_Country_Code == "VEN"] <- prom_ven
ggplot(map_sa, aes(x = long, y = lat, group = group)) + geom_polygon(aes(fill=idhd)) +
theme_bw() + scale_fill_viridis_c(direction=-1,begin=0.1, end=0.6) + labs(title = "IDHD en países de Sudamérica")
8. Estadistica descriptiva de Indicadores de desigualdad en Sudamérica
# Resumen estadístico por indicador
datos$Continent[is.na(idhd$Continent)] <- 'NAm'
datos_sud <- na.omit(datos)
datos_sud <- subset(datos_sud, datos_sud$Continent=="SA")
ind_1 <- subset(datos_sud, datos_sud$indicator_name=="Coefficient of human inequality")
ind_2 <- subset(datos_sud, datos_sud$indicator_name=="Inequality in education (%)")
ind_3 <- subset(datos_sud, datos_sud$indicator_name=="Inequality in income (%)")
ind_4 <- subset(datos_sud, datos_sud$indicator_name=="Inequality in life expectancy (%)")
ind_5 <- subset(datos_sud, datos_sud$indicator_name=="Overall loss in HDI due to inequality (%)")
descr(ind_1$value)## Descriptive Statistics
## ind_1$value
## N: 95
##
## value
## ----------------- --------
## Mean 21.64
## Std.Dev 4.73
## Min 13.90
## Q1 18.20
## Median 21.80
## Q3 24.80
## Max 36.70
## MAD 4.89
## IQR 6.30
## CV 0.22
## Skewness 0.49
## SE.Skewness 0.25
## Kurtosis 0.14
## N.Valid 95.00
## Pct.Valid 100.00descr(ind_2$value)## Descriptive Statistics
## ind_2$value
## N: 95
##
## value
## ----------------- --------
## Mean 16.97
## Std.Dev 6.01
## Min 6.10
## Q1 11.70
## Median 17.20
## Q3 21.80
## Max 30.20
## MAD 7.26
## IQR 9.80
## CV 0.35
## Skewness 0.07
## SE.Skewness 0.25
## Kurtosis -1.01
## N.Valid 95.00
## Pct.Valid 100.00descr(ind_3$value)## Descriptive Statistics
## ind_3$value
## N: 96
##
## value
## ----------------- --------
## Mean 33.60
## Std.Dev 6.56
## Min 20.30
## Q1 28.40
## Median 33.45
## Q3 37.35
## Max 54.20
## MAD 6.30
## IQR 8.92
## CV 0.20
## Skewness 0.62
## SE.Skewness 0.25
## Kurtosis 0.54
## N.Valid 96.00
## Pct.Valid 100.00descr(ind_4$value)## Descriptive Statistics
## ind_4$value
## N: 96
##
## value
## ----------------- --------
## Mean 14.37
## Std.Dev 5.19
## Min 5.90
## Q1 10.45
## Median 13.70
## Q3 17.25
## Max 29.00
## MAD 4.82
## IQR 6.50
## CV 0.36
## Skewness 0.71
## SE.Skewness 0.25
## Kurtosis 0.11
## N.Valid 96.00
## Pct.Valid 100.00descr(ind_5$value)## Descriptive Statistics
## ind_5$value
## N: 95
##
## value
## ----------------- --------
## Mean 22.22
## Std.Dev 4.86
## Min 14.30
## Q1 18.70
## Median 22.40
## Q3 25.50
## Max 38.10
## MAD 4.89
## IQR 6.25
## CV 0.22
## Skewness 0.54
## SE.Skewness 0.25
## Kurtosis 0.26
## N.Valid 95.00
## Pct.Valid 100.00#library(psych)
#describeBy(datos_sud ~indicator_name)datos_sud_bp <- datos_sud[which(datos_sud$indicator_name=="Coefficient of human inequality"|datos_sud$indicator_name=="Inequality in education (%)"|datos_sud$indicator_name=="Inequality in income (%)"|datos_sud$indicator_name=="Inequality in life expectancy (%)"|datos_sud$indicator_name=="Overall loss in HDI due to inequality (%)"),]
boxplotSud <- ggplot(datos_sud_bp, aes(x=as.factor(Continent), y=value, fill = indicator_name))
boxplotSud <- boxplotSud + geom_point(aes(color=indicator_name),position=position_jitter(width=0.2,height=.2))
boxplotSud<- boxplotSud + geom_boxplot(aes(alpha=0.2))
boxplotSud <- boxplotSud + labs(title = "Gráficos de distribución de los indicadores de desigualdad para Sudamérica", subtitle = "Consolidado 2010-2017", x = "Indicadores de desigualdad")
boxplotSud<- boxplotSud + theme(legend.position = "none") + facet_grid(.~indicator_name)
boxplotSud
Coeficiente de desigualdad
El valor menor de coeficiente de desigualdad es 13.90 y el más alto es 36.70. El promedio es de 21.64, es decir la mitad de los datos aquí presentados tiene un coeficiente de desigualdad por encima de 36.70. La distancia promedio de los coeficientes y el promedio (MAD) es de 4.89, es decir hay una variabilidad alta en los datos (desigualdad) de este periodo, los coeficientes de desigualdad de cada país de Sudamérica presentan en promedio una variación del 22% con respecto a la media del continente.
Desigualdad en la educación
El promedio de desigualdad en educación es de 16.97%, con una desviación estándar de 7.26%, esto representa un 35% de separación con respecto a la media, es decir, en promedio existe una alta dispersión de los datos. El valor más alto en desigualdad en educación es de 30.20% y el más bajo de 6.10%.
Desigualdad en los ingresos
Con respecto a la desigualdad en los ingresos en Sudamérica la información refleja una media de 33.60, una alta desviación de 6.30 con un 20% de separación de la media, el 75% de la información de la desigualdad en los ingresos son superiores a 28.40, el máximo valor es de 54.20 y el mínimo es de 20.30.
Desigualdad en la expectativa de vida
La desigualdad en la expectativa de vida presenta tiene una media de 14.37%, una desviación de 4.82%, un máximo de 29% y un mínimo de 5.90%.
Pérdida de desarrollo humano por desigualdad
La pérdida generada por la desigualdad en el indicador de desarrollo humano en Sudamérica en general tiene una media de 22.22%, es decir, tiene un peso alto; el 75% de los datos tiene un peso superior a 18.70% sobre el indicador de desarrollo. El valor máximo es de 38.10% y el mínimo de 14.30%.
9. Análisis de los indicadores de desigualdad de Sudamérica
Para el análisis de los indicadores, primero se realizó un mapa de calor:
# Mapa de Calor de indicadores por países
datos$Continent[is.na(idhd$Continent)] <- 'NAm'
datos_hm <- na.omit(datos)
datos_hm_index <- subset(datos_hm, (datos_hm$indicator_name=="Inequality in education (%)"|
datos_hm$indicator_name=="Inequality in income (%)"|
datos_hm$indicator_name=="Inequality in life expectancy (%)"|
datos_hm$indicator_name=="Overall loss in HDI due to inequality (%)"|
datos_hm$indicator_name=="Coefficient of human inequality") &
datos_hm$Continent=="SA")
#datos_hm$variable=="X2017")
datos_hm_index$value = scale (datos_hm_index$value)
heatmap_paises <- ggplot(datos_hm_index, aes(country_name, indicator_name, fill=value)) + geom_tile() + scale_fill_viridis_c(direction=1, begin = 0) + theme(axis.text.x=element_text(angle=90, size=8, hjust=1)) + labs(title = "Indicadores de desigualdad para países de Sudamérica", x="Países", y="Indicadores",size=1)
heatmap_paises
En este gráfico podemos observar diferentes aspectos de los indicadores de desigualdad. Los valores mayores reflejan una mayor desigualdad y los valores menores una baja desigualdad, si revisamos el aspecto de desigualdad en los ingresos vemos como los países de Brasil, Colombia, Paraguay y Suriname presentan los mayores indicadores (mayor desigualdad) y en países como Argentina, Chile y Uruguay la desigualdad en la educación es menor; con respecto a la expectativa de vida los menores valores de desigualdad pertenecen a Argentina, Chile, Uruguay y Brasil.
Si revisamos el gráfico en forma vertical podemos observar como Bolivia es el país que presenta colores más claros a través de todos sus indicadores, esto significa que no son buenos comparados con los otros países, en Colombia observamos que el peor indicador esta relacionado con la desigualdad en los ingresos y el mejor esta relacionado con la expectativa de vida.
Es así como en los tres aspectos aquí analizados vemos como los países del sur (Argentina, Uruguay y Chile) presentan los mejores indicadores individuales y a nivel general como se ha mencionado a lo largo del reporte.
Para ilustrar el nivel de similitud entre los países, se realizó un dendrograma combinando el desempeño de los países en los indicadores de desigualdad seleccionados:# Dendrograma de los países de Sudamérica
library(ggdendro)##
## Attaching package: 'ggdendro'## The following object is masked from 'package:summarytools':
##
## label# Cálculo distancias
dendro_index <- subset(datos_hm_index, datos_hm_index$variable=="X2017")
dendro_index <- dendro_index[c(4,6,9)]
dataset1 <- subset(dendro_index, dendro_index$indicator_name=="Coefficient of human inequality")
dataset2 <- subset(dendro_index, dendro_index$indicator_name=="Overall loss in HDI due to inequality (%)")
dataset3 <- subset(dendro_index, dendro_index$indicator_name=="Inequality in life expectancy (%)")
dataset4 <- subset(dendro_index, dendro_index$indicator_name=="Inequality in income (%)")
dataset5 <- subset(dendro_index, dendro_index$indicator_name=="Inequality in education (%)")
library(data.table)
setnames(dataset1, "value", "Coefficient of human inequality")
colnames(dataset1[3])## [1] "Coefficient of human inequality"dataset1 <- dataset1[c(2,3)]
dataset1[3] <- dataset2[3]
setnames(dataset1, "value", "Overall loss in HDI due to inequality (%)")
dataset1[4] <- dataset3[3]
setnames(dataset1, "value", "Inequality in life expectancy (%)")
dataset1[5] <- dataset4[3]
setnames(dataset1, "value", "Inequality in income (%)")
dataset1[6] <- dataset5[3]
setnames(dataset1, "value", "Inequality in education (%)")
rownames(dataset1) <- dataset1$country_name
dataset1_dist <- dist(dataset1)## Warning in dist(dataset1): NAs introducidos por coerciónclusters <- hclust(dataset1_dist)
dendrograma <- ggdendrogram(clusters, size=2, rotate=TRUE) + labs(title = "Dendrograma de desigualdad Sudamérica")
dendrograma
De acuerdo al dendrograma, se puede observar que Perú y Ecuador son muy similares y próximos a Venezuela y Guyana, aquí podemos identificar claramente un cluster.
Uruguay, Argentina y Chile forman otro cluster siendo los dos primeros muy similares. El último grupo está formado por Colombia y Brasil en un primer nivel, con similitudes sucesivas de Suriname, Paraguay y Bolivia. Este grupro representa a los países con mayor desigualdad general.
Para determinar la relación entre los indicadores de desigualdad, se realizó un correlograma:
# Correlograma
library(corrplot)## corrplot 0.89 loadeddatacor <- dataset1[c(2,3,4,5,6)]
datacor## Coefficient of human inequality
## Argentina -0.914186811
## Bolivia (Plurinational State of) 0.456618497
## Brazil 0.166193644
## Chile -0.798016870
## Colombia 0.131342661
## Ecuador -0.275252134
## Guyana -0.391422075
## Paraguay 0.352065550
## Peru -0.333337104
## Suriname 0.003555726
## Uruguay -0.914186811
## Venezuela (Bolivarian Republic of) -0.646995946
## Overall loss in HDI due to inequality (%)
## Argentina -0.86771883
## Bolivia (Plurinational State of) 0.46823549
## Brazil 0.24751260
## Chile -0.70508092
## Colombia 0.21266162
## Ecuador -0.22878416
## Guyana -0.36818809
## Paraguay 0.43338451
## Peru -0.29848612
## Suriname 0.09649168
## Uruguay -0.86771883
## Venezuela (Bolivarian Republic of) -0.61214496
## Inequality in life expectancy (%)
## Argentina -1.4253346
## Bolivia (Plurinational State of) 0.3985335
## Brazil -1.2743136
## Chile -1.8203124
## Colombia -0.9955058
## Ecuador -0.9141868
## Guyana -0.2636351
## Paraguay -0.4378901
## Peru -0.9955058
## Suriname -1.0884417
## Uruguay -1.4834195
## Venezuela (Bolivarian Republic of) -1.3091646
## Inequality in income (%)
## Argentina 0.4682355
## Bolivia (Plurinational State of) 1.1652551
## Brazil 1.7344879
## Chile 1.0839362
## Colombia 1.6764029
## Ecuador 1.0142342
## Guyana 0.3869165
## Paraguay 2.0597637
## Peru 0.7586603
## Suriname 1.8041898
## Uruguay 0.4101505
## Venezuela (Bolivarian Republic of) 0.3985335
## Inequality in education (%)
## Argentina -1.80869536
## Bolivia (Plurinational State of) -0.20555017
## Brazil 0.02678971
## Chile -1.65767444
## Colombia -0.27525213
## Ecuador -0.92580381
## Guyana -1.28593062
## Paraguay -0.58891098
## Peru -0.75154889
## Suriname -0.71669791
## Uruguay -1.66929143
## Venezuela (Bolivarian Republic of) -1.03035675dcor <- cor(datacor)
correlograma <- corrplot(dcor, type="upper")
correlograma## $corr
## Coefficient of human inequality
## Coefficient of human inequality 1.0000000
## Overall loss in HDI due to inequality (%) 0.9983650
## Inequality in life expectancy (%) 0.6948814
## Inequality in income (%) 0.7836820
## Inequality in education (%) 0.9148941
## Overall loss in HDI due to inequality (%)
## Coefficient of human inequality 0.9983650
## Overall loss in HDI due to inequality (%) 1.0000000
## Inequality in life expectancy (%) 0.6584284
## Inequality in income (%) 0.8172060
## Inequality in education (%) 0.9133454
## Inequality in life expectancy (%)
## Coefficient of human inequality 0.6948814
## Overall loss in HDI due to inequality (%) 0.6584284
## Inequality in life expectancy (%) 1.0000000
## Inequality in income (%) 0.1709461
## Inequality in education (%) 0.4967328
## Inequality in income (%)
## Coefficient of human inequality 0.7836820
## Overall loss in HDI due to inequality (%) 0.8172060
## Inequality in life expectancy (%) 0.1709461
## Inequality in income (%) 1.0000000
## Inequality in education (%) 0.6969120
## Inequality in education (%)
## Coefficient of human inequality 0.9148941
## Overall loss in HDI due to inequality (%) 0.9133454
## Inequality in life expectancy (%) 0.4967328
## Inequality in income (%) 0.6969120
## Inequality in education (%) 1.0000000
##
## $corrPos
## x y corr
## [1,] 1 5 1.0000000
## [2,] 2 4 1.0000000
## [3,] 2 5 0.9983650
## [4,] 3 3 1.0000000
## [5,] 3 4 0.6584284
## [6,] 3 5 0.6948814
## [7,] 4 2 1.0000000
## [8,] 4 3 0.1709461
## [9,] 4 4 0.8172060
## [10,] 4 5 0.7836820
## [11,] 5 1 1.0000000
## [12,] 5 2 0.6969120
## [13,] 5 3 0.4967328
## [14,] 5 4 0.9133454
## [15,] 5 5 0.9148941# Gráfico de densidad de los indicadores de desigualdad
plot <- ggplot(datos_hm_index, aes(x=value, fill=indicator_name, color=indicator_name))
plot <- plot + geom_density(alpha=.3)
plot <- plot + scale_fill_brewer(type = "qual", palette = "Set1")
plot <- plot + scale_color_brewer(type = "qual", palette = "Set1")
plot <- plot + labs(title = "Indicadores de desigualdad Sudamérica", subtitle = "2010-2017", caption = "Fuente: UN", x = "Percentage", y="Densidad (Frecuencia)")
plot
Se puede notar que la distribución de densidad del coeficiente de inequidad humana y la pérdida general de HDI debido a inequdad es similar, lo que evidencia que el indicador mide exactamente lo mismo. Con respecto a los indicadores de las tres dimensiones, se puede apreciar que que la desigualdad en la expectativa de vida es la menor en la región, lo que indica que en general, los países han podido establecer políticas eficaces para mejorar la salud de sus habitantes en todos los estratos sociogeográficos. El indicador de desigualdad en la educación muestra que hay una mayor dispersión en los resultados, sin embargo, se observa que el nivel de desigualdad es relativamente bajo. El que sí muestra unos resultados bajos es el indicador de desigualdad en el ingreso, lo que permite inferir que la riqueza no se distribuye equitativamente entre la población y por lo tanto es, es una de las mayores causas de desigualdad en la región.
En un análisis más específico para el caso de Colombia en el siguiente gráfico se puede observar el desempeño de Colombia en los 5 indicadores de desigualdad y se comparan con Sudamérica:# Mapa de radar de Colombia
library(fmsb)
datos_col <- subset(datos_hm, (datos_hm$indicator_name=="Inequality in education (%)"|
datos_hm$indicator_name=="Inequality in income (%)"|
datos_hm$indicator_name=="Inequality in life expectancy (%)"|
datos_hm$indicator_name=="Overall loss in HDI due to inequality (%)"|
datos_hm$indicator_name=="Coefficient of human inequality") &
datos_hm$country_name=="Colombia")
datos_sud <- subset(datos_hm, (datos_hm$indicator_name=="Inequality in education (%)"|
datos_hm$indicator_name=="Inequality in income (%)"|
datos_hm$indicator_name=="Inequality in life expectancy (%)"|
datos_hm$indicator_name=="Overall loss in HDI due to inequality (%)"|
datos_hm$indicator_name=="Coefficient of human inequality") &
datos_hm$Continent=="SA")
promedio_sud1 <-aggregate(datos_sud$value, list(datos_sud$indicator_name), mean)
promedio_col1 <-aggregate(datos_col$value, list(datos_col$indicator_name), mean)
promedio_col <- data.frame(t(promedio_col1[-1]))
promedio_sud <- data.frame(t(promedio_sud1[-1]))
colnames(promedio_col) <- promedio_col1[, 1]
min_max <- data.frame(c(50,0), c(50,0),c(50,0),c(50,0),c(50,0))
colnames(min_max)<-colnames(promedio_col)
colnames(promedio_sud) <- promedio_sud1[, 1]
promedio_colsud <- rbind(promedio_col,min_max,promedio_sud)
rownames(promedio_colsud) <- c("Colombia","Max", "Min", "Sudamérica")
df_colsud <- promedio_colsud[c("Max", "Min", "Colombia","Sudamérica"),]
grafica_radar <- function(data, color = "red",
vlabels = colnames(data), vlcex = 0.8,
caxislabels = NULL, title = NULL, ...){
radarchart(
data, axistype = 1,
pcol = color, pfcol = scales::alpha(color, 0.2), plwd = 1, plty = 1,
cglcol = "lightcyan4", cglty = 1, cglwd = 0.8,
axislabcol = "lightcyan4",
vlcex = vlcex, vlabels = vlabels,
caxislabels = caxislabels, title = title, ...
)
}
op <- par(mar = c(1, 2, 2, 2))
grafica_radar(
data = df_colsud,caxislabels = c("0%", "10%", "20", "30%", "40%", "50%"),
color = c("red", "blue"), seg=5, vlcex=0.8, title="Indicadores de desigualdad en Colombia"
)
legend(
x = "bottom", legend = rownames(df_colsud[-c(1,2),]), horiz = TRUE,
bty = "n", pch = 20 , col = c("red", "blue"),
text.col = "black", cex = 1, pt.cex = 1.5
)
par(op)Se observa que a nivel general, Colombia es un país con una desigualdad mayor que el promedio de Sudamérica, ya que en 4 de los 5 indicadores, el desempeño de Colombia es peor. En la dimensión de expectativa de vida, la desigualdad en COlombia es igual a la del continente, en cuanto a la educación existe una ligera brecha de desigualdad.
En donde sí se observa una brecha de desigualdad importante entre Colombia y sus vecinos, es en el indicador de desigualdad en el ingreso. En cuanto al coeficiente de desigualdad y a la pérdida de HDI por desigualdad, tambien se observa que en Colombia el resultado es peor que el promedio de la región.
10. Conclusiones
En el contexo global, los países africanos son los que presentan menores índices de desarrollo e igualdad, mientras que Europa como región, es la que mejores inidcadores presenta. En este contexto, Sudamérica ocupa un nivel intermedio entre estos extremos; sin embargo, existen ciertas diferencias entre los países del contiente, siendo Chile, Argentina y Uruguay, los países que mejores números de IDHD y de indicadores de desigualdad presentan; el resto de países, en los que se incluye Colombia, tienen un desempeño menor en estos indicadores y por ende, son países menos desarrollados y con peor gestión de sus dirigentes para poder brindar una mejor calidad de vida a todos sus cuidadanos. De acuerdo con lo anterior y analizando los resultados en los indicadores de desigualdad en Colombia, se puede establecer que en este país existe una brecha de desigualdad notable en el contexto regional, que se vuelve más grave teniendo en cuenta que Sudamerica como grupo dista mucho del desempeño de países Europeos, que pueden ser tomados como el modelo a seguir en busca de lograr una sociedad más igualitaria.
Esta desigualdad en Colombia es más notoria en los ingresos, por lo que se estima que un gran porcentaje de colombianos no tienen los medios económicos para llevar una vida digna y justa. Por todo lo mencionado, se concluye que Colombia es un país con una desigualdad importante, principalemente en los ingresos, y es por ello que la crisis social que atraviesa el país, es consecuencia de la negligencia de los gobiernos del país por establecer políticas de estado que permitan a los colombianos más vulnerables poder acceder a unos ingresos dignos, generar riqueza, la posibilidad de recibir una educación de calidad y de poder disfrutar de bienes y servicios disponibles para la clase alta y media, tal y como sucede en países denominados de primer mundo.
11. Bibliografía
- Human Development Reports - Inequality-adjusted Human Development Index (IHDI), http://hdr.undp.org/en/content/inequality-adjusted-human-development-index-ihdi?utm_source=EN&utm_medium=GSR&utm_content=US_UNDP_PaidSearch_Brand_English&utm_campaign=CENTRAL&c_src=CENTRAL&c_src2=GSR&gclid=CjwKCAjwzruGBhBAEiwAUqMR8FRmr36cBAmgCitnkKTjXYBS6RZhBNkUFD4ux5zG6Fj_w52v_Xto2BoCoq0QAvD_BwE