1.1 IVHCC: Índice de vulnerabilidad humana al cambio climático

El cual en conjunto de otro, el Índice de Vulnerabilidad Ambiental al Cambio Climático (IVACC) da como resultado un Índice de Vulnerabilidad al Cambio Climático (IVCC).

“El IVHCC se generó a partir de lo descrito por Henríquez et al (2016)², con la modificación de que no se considerará la amenaza potencial en el territorio, derivada de las zonas de catástrofe por eventos hidrometeorológicos, sino que solamente se utilizarán los indicadores de exposición, vulnerabilidad y resiliencia de la población.”

IVHCC

IVHCC

1.2 IVACC: Índice de vulnerabilidad ambiental al cambio climático

Para determinar el IVACC se uyilizó el Índice de Riesgo de DDTS de CONAF/SUD AUSTRAL (2016), pero considerando sólo la estimación de degradación de tierras y sequía, y en dónde la mínima unidad espacial de cálculo es el nivel comunal.

IVACC

IVACC

El Nuevo IVACC contendría:

IDH

1.3 IDH: Índice de desarrollo humano

IDH

donde: \(MaxEU\) la hemos tomado como la esperanza de vida a nivel nacional. El PNUD los establece en duro en 85 y 20 los máximos y mínimos años de esperanza de vida.

1.4 IBH: Índice de bienestar humano

IBH

Podemos observar que el indicador padre de todos es el Índice de Desarrollo Humano (IDH), dividido en tres subíndices relacionados a la esperanza de vida, la educación y la riqueza.

\[ IDH = \frac{1}{3}(IEV) + \frac{1}{3}(IE) + \frac{1}{3}(IPIB) \]

2.1 EYS

EYS: La esperanza de vida escolar a los seis años es el número medio de años de escolarización previsible en el sistema educativo desde los seis años, según la tasa neta de escolarización que existe en cada edad.

Es la suma de las tasas netas de escolarización entre 6 y 25 años³, siendo la Tasa neta de escolaridad la relación entre los efectivos escolares de cada nivel a un específico grupo de edad y la población de dicho grupo de edad.

Los años esperados de educación es el un cálculo de la cantidad de años que se espera que un estudiante asista a la escuela o la universidad. En la mayoría de los países, un título de maestría representa el nivel de educación más alto que se puede obtener, y obtenerlo refleja 18 años de educación. Esto significa que si todos los estudiantes de un país se matriculan en una maestría, el índice EYS de ese país sería 1.0.

Es el número de años de escolarización que un niño en edad de ingresar a la escuela puede esperar recibir, si los patrones predominantes en las tasas de matrícula específicas por edad persisten a lo largo de la vida escolar del niño.

El Método para calcular EYS:

Tomamos grupos de edad entre los 6 y los 25 años. Por ejemplo, en el grupo de los de 6 años, tomamos a todos los matriculados y los dividimos por la población total de esa edad y así hasta los 25.

Sumamos todos éstos valores y los dividimos por 18.

2.2 MYS 2020

MYS: la media de años de educación, es el cálculo del número promedio de años de educación que un persona mayor de 25 años ha recibido realmente . Se basa en los niveles de logro educativo de la población convertidos en años de escolaridad en función de la duración teórica de cada nivel educativo al que asiste. 15 años es el máximo proyectado de este indicador para 2025 y, por lo tanto, se utiliza como el máximo para el índice. Esto significa que un país cuyos ciudadanos hayan todos alcanzado los 15 años de educación a la edad de 25 años, tendría un índice MYS de 1.0.

Se asocia a la pregunta Censo-Casen: Cuántos años de escolaridad tiene? aplicado sólo a los mayores de 25 años.

2.3 Cálculo del MYS 2020

casen_2020 <<- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2020_e1.rds")
# casen_2020 <<- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2020_c.rds")
casen_2020 <- mutate_if(casen_2020, is.factor, as.character)

prome_educ <- casen_2020[,c("comuna","edad","esc2")]
prome_educ <- filter(prome_educ, edad > 25)
prome_educ <- prome_educ[!is.na(prome_educ[,c("esc2")]),]

comunas <- unique(prome_educ$comuna)

MYS <- data.frame()

for (i in comunas) {

  filtro <- filter(prome_educ, comuna == i)
  calculo_prom <- data.frame(
  comuna = i,
  prom_educ = mean(filtro$esc2)
)
MYS <- rbind(MYS,calculo_prom)
}

datatable(MYS)

2.4 Cálculo del EYS 2017

casen_2017 <<- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2017_c.rds")
# casen_2017 <<- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2017_c.rds")
casen_2017 <- mutate_if(casen_2017, is.factor, as.character)

Factor

Subseteamos un rango de edades entre 6 y 25 años:

prueba_cat <- casen_2017[,c("expc","comuna","edad","e3")]
prueba_cat <- xtabs(expc~comuna+edad+e3, data = prueba_cat)
prueba_cat <- as.data.frame(prueba_cat)
prueba_cat$edad_f <- as.numeric(prueba_cat$edad)-1  
prueba_cat <- filter(prueba_cat, edad_f >= 6 & edad_f <= 25)

Cálculo de la proporción por edad de 6 a 25 años de la gente que estudia en relación con la que debería estar estudiando por comuna:

EYS <- data.frame()
for (j in unique(prueba_cat$comuna)) {
  prueba <- filter(prueba_cat, comuna == j & e3 == "Sí") 
  pob_edad <- filter(prueba_cat, comuna == j) 
  
  tb2 <- data.frame()
  for (i in prueba$edad_f) {
    filtro <- filter(prueba, edad_f == i)
    filtro2 <- filter(pob_edad, edad_f == i)
    
    
    tabla <- data.frame(
      comuna = j,
      edad = i,
      prop = filtro$Freq/sum(filtro2$Freq)
    )
    
    tb2 <- rbind(tb2,tabla)
    
  }
 EYS <- rbind(EYS,tb2)
}
datatable(EYS, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
          options = list(dom = 'Bfrtip',
          buttons = list('colvis', list(extend = 'collection',
          buttons = list(
          list(extend='copy'),
          list(extend='excel',
            filename = 'tabla'),
          list(extend='pdf',
            filename= 'tabla')),
          text = 'Descargar')), scrollX = TRUE))

2.5 Prueba para Valdivia

filter(EYS, comuna == "Valdivia")

##      comuna edad      prop
## 1  Valdivia    6 1.0000000
## 2  Valdivia    7 1.0000000
## 3  Valdivia    8 1.0000000
## 4  Valdivia    9 1.0000000
## 5  Valdivia   10 1.0000000
## 6  Valdivia   11 1.0000000
## 7  Valdivia   12 1.0000000
## 8  Valdivia   13 1.0000000
## 9  Valdivia   14 1.0000000
## 10 Valdivia   15 0.9875570
## 11 Valdivia   16 1.0000000
## 12 Valdivia   17 0.9399773
## 13 Valdivia   18 0.8624277
## 14 Valdivia   19 0.6557297
## 15 Valdivia   20 0.7058824
## 16 Valdivia   21 0.6048872
## 17 Valdivia   22 0.5903226
## 18 Valdivia   23 0.4913397
## 19 Valdivia   24 0.3218557
## 20 Valdivia   25 0.2792208

prueba_edad <- casen_2017[,c("expc","comuna","edad","e3")]
prueba_edad <- filter(prueba_edad, comuna == "Valdivia", edad == 17)
prueba_edad <- xtabs(expc~comuna+edad+e3, data = prueba_edad)
prueba_edad <- as.data.frame(prueba_edad) 
prueba_edad

##     comuna edad e3 Freq
## 1 Valdivia   17 No  159
## 2 Valdivia   17 Sí 2490

Calculemos en duro para la edad 17:

2490/(2490+159)

## [1] 0.9399773

3.1 EYS

EYS_2 <- data.frame()
for (l in unique(EYS$comuna)) {
  filter <- filter(EYS, comuna == l) 
  filter <- filter[!is.na(filter[,c("prop")]),]
  
  tabla <- data.frame(
    comuna = l,
    prop = sum(filter$prop)
  )
  EYS_2 <- rbind(EYS_2,tabla)
}
datatable(EYS_2)

3.2 IE

EI_2 <- data.frame()

comunas_c <- unique(EYS$comuna)

for (l in 1:length(comunas_c)) {
    
  filter <- filter(EYS, comuna == comunas_c[l])  
  
  tabla <- data.frame(
  comuna = comunas_c[l],
  
  EI = ((EYS_2$prop[l]/18) + (MYS$prom_educ[l]/15)) / 2)
  
  EI_2 <- rbind(EI_2,tabla)
  # print(tabla)
}
datatable(EI_2)

saveRDS(EI_2,"IE.rds")