1 Justificación
La evidencia científica indica que una de las consecuencias del cambio climático, del calentamiento global, es el aumento en la temperatura de la atmósfera -efecto invernadero- que desertifica la tierra, incluyendo zonas dedicadas al cultivo de alimentos para el humano o animales de granja. Disminuye la tasa de rendimiento céteris páribus, lo que encarece los alimentos provocando un alza en el precio de los alimentos y por ende del costo de la vida, impactando fuertemente en el aumento de la pobreza a nivel global. El Índice de precios de los alimentos de la FAO se ha casi triplicado desde el 20031.
IPA FAO
Ambos fenómenos, cambio climático y pobreza están en una relación inseparable, por lo que calcular índices que cuantifiquen la magnitud de estos cambios resulta de extrema relevancia.
2 Preámbulo
Con la justificación antes dada, nos lanzamos al objetivo de construir 3 índices a nivel comunal en Chile:
- El índice de vulnerabilidad al cambio climático. El cual a su vez está descompuesto en uno físico y uno humano.
1.1. IVHCC
1.2. IVACC
El índice de bienestar humano
El IDH
Los dos primeros fueron determinados por el documento elaborado en Noviembre de 2019 por Sud-Austral Consulting SpA – NeoUrbanismo Consultores SpA: “DIAGNÓSTICO DEL CAMBIO CLIMÁTICO EN CHILE -Informe 2-”2
En el documento no se explicita el cómo se pesan éstos subíndices, pero una propuesta es:
\[ IVCC = \frac{IVACC + IVHCC}{2} \]
2.1 IVCC
2.1.1 IVHCC: Índice de vulnerabilidad humana al cambio climático
El Índice de Vulnerabilidad humana al cambio climático no está definido en el documento “DIAGNÓSTICO DEL CAMBIO CLIMÁTICO EN CHILE -Informe 2-”, sino que se recoge de un artículo de Henríquez, Aspee y Quense del 2016 “El IVHCC se generó a partir de lo descrito por Henríquez et. al. (2016)3, que se muestra en el cuadro 1:
El documento “DIAGNÓSTICO…” no considera la frecuencia de las catástrofes naturales, “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.”4, si bien en éste trabajo incluiremos el indicador Amenaza (queda pendiente por el momento qué desastres naturales considerar y cómo).
2.1.2 IVACC: Índice de vulnerabilidad ambiental al cambio climático
Para determinar el IVACC se utilizó el “Índice de Riesgo de DDTS de CONAF/SUD AUSTRAL (2016)”5, estudio que consideró capas raster y vectoriales para estimar el riesgo a la erosión actual y sequedad de la tierra. También se utilizaron modelos bioclimáticos de temperatura y erosión, donde la mínima unidad espacial de cálculo es el nivel comunal.
El Nuevo IVACC contendría:
Nuevo IVACC
2.2 IBH: Índice de bienestar humano
IBH
2.2.1 Críticas al IBH
No tiene sentido calcular el Coeficiente de Gini a nivel comunal por el nivel de segregación territorial que existe en Chile (y en latinoamérica en general). Recordemos que es una medida de la desigualdad. Normalmente se utiliza para medir la desigualdad en los ingresos, dentro de un país, pero puede utilizarse para medir cualquier forma de distribución desigual. El coeficiente de Gini es un número entre 0 y 1, donde 0 se corresponde con la perfecta igualdad (todos tienen los mismos ingresos) y donde el valor 1 se corresponde con la perfecta desigualdad (una persona tiene todos los ingresos y los demás ninguno). El índice de Gini es el coeficiente de Gini expresado en referencia a 100 como máximo, en vez de 1, y es igual al coeficiente de Gini multiplicado por 100. Una variación de dos centésimas del coeficiente de Gini (o dos unidades del índice) equivale a una distribución de un 7% de riqueza del sector más pobre de la población (por debajo de la mediana) al más rico (por encima de la mediana6).
La pobreza está incluída en el Índice de Desarrollo Humano.
2.3 IDH: Índice de desarrollo humano
IDH
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 per cápita. La metodología para el cálculo del IDH cambió el 2010.
2.4 Después del 2010
Life Expectancy Index (LEI): Índice de espectativa de vida.
Education Index (EI): Índice de educación.
Income Index (II): Índice de ingreso.
el IDH es la media geométrica de los tres índices normalizados anteriores:
\[ HDI= (LEI \cdot EI \cdot II)^{(\frac{1}{3})} \]
3 IDH: Subíndice Ingreso per Cápita (IPIB)
3.1 Teoria
El \(GNIpc\), mide el ingreso anual del ciudadano promedio en función de la paridad del poder adquisitivo o PPA. El IGNI(II) utiliza un ingreso mínimo de $100 y un máximo de $75000. La idea es enfatizar la utilidad marginal decreciente de transformar los ingresos en capacidades humanas. Esto significa que la transformación logarítmica cóncava aclara la noción de que un aumento del GNI per cápita en $100 en un país donde el ingreso promedio es de solo $500 tiene un impacto mucho mayor en el nivel de vida que el mismo aumento de $100 en un país donde el el ingreso promedio es de $5000 o $50000. Si el INB per cápita de los ciudadanos de x es de 50.000 dólares. El índice de ingresos para el IDH sería (Log(50.000) - Log(100)) / (Log (75.000) - Log (100)) = 0,94.7
Como primer ejercicio lo haremos sólo sobre un año y considerando todas las ramas de actividad económica (RAE), si bien nuestro objetivo es construir una serie de tiempo entre el 2006 y el 2020 por RAE del siguiente tipo:
Tabla objetivo
4 Introducción
En ésta entrega analizaremos el PIB para todas las comunas y el 2017.
El gobierno de Chile nunca ha calculado el PIB a nivel comunal. Cuando particulares lo solicitan, el Banco Central de Chile entrega la siguiente respuesta:
Sobre su requerimiento, cumplo con informarle que el BCCh, en el marco de la elaboración y publicación de cuentas Nacionales, compila las estadísticas del PIB regional por clase de actividad económica, a precios corrientes y en volumen encadenado, con una periodicidad anual. Dado que el regional es el máximo nivel de desagregación geográfica del PIB, no se dispone de desglose por comuna, como el solicitado.
ésto es, no existe ésta información a nivel comunal; el BCCh no la calcula.
El 2015, el doctor en Ciencias Sociales A. Canales, dándose cuenta de ésta falta de información y de la relevancia de disponer de ella, se puso a la tarea de construirla y publicarla en un artículo8.
En la introducción a dicho paper, se enfatiza la relevancia que tal información reviste:
“En Chile, los datos sobre el Producto Interno Bruto, tanto a nivel agregado, como por ramas de actividad, sólo se ha estimado a nivel de regiones, y antiguamente, a nivel de provincias. Asimismo, tampoco se disponen de Censos Económicos, que en otros países, han permitido hacer adecuadas estimaciones del PIB a nivel de ciudades, comunas y microrregiones. En éste contexto, aún cuando las mediciones del PIB son metodológicamente consistentes y sistemáticas, no permiten hacer análisis y estimaciones de la dinámica económica y productiva en áreas menores a las regiones, lo cual no cabe duda, representa una muy seria limitación para el conocimiento, análisis, caracterización y proyección de la dinámica económica, social y demográfica a éstos niveles de análisis territorial. Por de pronto, la geografía económica de Chile queda así restringida a nivel de las diferencias y especializaciones de las Regiones, nivel demasiado agregado como para poder entender la dinámica de procesos y cambios económico-productivos de los territorios en Chile.”
Es entonces que Canales se lanzó a la tarea de construir una metodología que permita calcular el PIB a nivel comunal y desagregado por rama productiva.
Replicaremos en éste artículo éste trabajo y lo expandiremos al periodo 2006-2020.
5 Supuesto general
“la forma en que se distribuye la fuerza de trabajo ocupada en cada área geográfica menor, seguiría vis a vis la forma en que se distribuye el PIB en esas mismas áreas geográficas.”
o lo que es lo mismo:
La Productividad Media del Trabajo \((PmeL)\) en cada sector de actividad en alguna región, sería más o menos la misma en cada una de las provincias o comunas que la componen para el mismo sector de actividad económica.
Recordemos que \(PmeL\) se define como el cuociente entre el volumen de la producción y la cantidad de trabajadores (u horas de trabajo) utilizadas para obtener ese nivel de producción, asumiendo céteris páribus:
\[ PmeL = \frac{Q}{L}\]
siendo \(PmeL\) la contribución que cada unidad de ese factor realiza al total producido.
Recurrimos a métodos indirectos, basados en supuestos que permitan estimar los coeficientes que se requieren para descomponer el PIB regional a nivel de comunas.
Los datos los obtenemos de los Censos de Población y las CASEN -probablemente también a las Encuestas de Empleo-, para obtener información respecto a la composición de la fuerza de trabajo ocupada por sectores de actividad económica, ésta última tarea, abordada en una segunda entrega a futuro.
6 Los problemas metodológicos
Ahora bien, al usar éste modelo de descomposición del PIB para las comunas en Chile, nos enfrentamos con tres problemas metodológicos.
Las categorías usadas en la descomposición del PIB por sectores económicos, debiese ser muy similar, si no es que la misma, que la usada para la descomposición de la fuerza de trabajo ocupada. Es decir, que la codificación usada en una y otra medida (PIB y Empleo), debiesen ser altamente compatibles. Sin embargo, ello no siempre es así. Aún cuando hay un alto grado de compatibilidad, es claro que la clasificación del Empleo es mucho más desagregada que la clasificación usada para medir el PIB, y además, no siempre coinciden biunívocamente.
La dimensión espacial de cada medida. Las empresas y establecimientos económicos, ofrecen información del PIB desde el lugar de producción. En el caso del empleo, en cambio, obtenemos la información a partir de los lugares de residencia de la fuerza de trabajo, los cuales, no necesariamente coinciden con los lugares donde realizan su actividad productiva.
Para resolver éstos sesgos, utilizamos la información que ofrece el Censo de población, así como de las CASEN y las Encuestas de Empleo de años recientes.
En todos estos casos, la encuesta no sólo registra el lugar (comuna) de residencia del trabajador, sino también el lugar donde él trabaja, esto es, la comuna donde se ubica la empresa para la cual trabaja. Ésto nos permite redistribuir la fuerza de trabajo ocupada, ya no por lugar de residencia, sino por lugar (comunas) de actividad, y de ese modo, usar ésta nueva distribución de la fuerza de trabajo ocupada, como parámetros en la descomposición del PIB regional9.
Mientras más desagregado sea el modelo de descomposición, menos riesgo hay en que el supuesto de igual productividad media genere sesgos en las estimaciones.
7 La matemática
Tenemos el PIB de una región y queremos descomponerlo a nivel comunal por RAE.
Lo que sigue son los pasos a seguir para descomponer por rama de actividad económica el PIB a nivel comunal. Es el caso más general que realizaremos en la próxima entrega. Como veremos, para al caso agregado, el cálculo resulta ser mucho más simple.
7.1 Primer paso
Iniciamos con dos identidades:
\[\begin{equation} PIB = \sum_{i=1}^m(PIBC_j) \tag{7.1} \end{equation}\]
\[\begin{equation} PIB = \sum_{i=1}^n(PIBS_i) \tag{7.2} \end{equation}\]
Donde:
\(C_j\): comuna j
\(S_i\): sector de actividad económica i
7.2 Segundo paso
Multipliquemos la ecuación (5.2) por 1:
\[\begin{equation} PIB = \sum_{i=1}^n(PIBS_i * LS_i / LS_i) \tag{7.3} \end{equation}\]
Donde:
\(LS_i\) corresponde al volumen de trabajadores ocupados en el sector de actividad “i” en la región correspondiente.
7.3 Tercer paso
Reagrupemos:
\[\begin{equation} PIB = \sum_{i=1}^n(PIBS_i/LS_i)*LS_i \tag{7.4} \end{equation}\]
pero:
\[\begin{equation} PMS_i = PIBS_i / LS_i \tag{7.5} \end{equation}\]
donde:
\(PMS_i\) corresponde al Producto Medio por trabajador en el sector de actividad “i”, para la Región correspondiente.
Sustituyendo:
\[\begin{equation} PIB = \sum_{i=1}^n(PMSi \cdot LSi) \tag{7.6} \end{equation}\]
7.4 Cuarto paso
Desagregación por unidad territorial menor.
Por otro lado sabemos que el volumen de trabajadores ocupados en el sector de actividad “i” en una región es igual a la suma de éste volumen de todas las comunas de la región de la que se trate:
\[\begin{equation} LS_i = \sum_{j=1}^m(LS_iC_j) \tag{7.7} \end{equation}\]
donde:
\(C_j\) son las comunas de la región (según sea el nivel de desagregación que se disponga de la fuerza de trabajo ocupada según su lugar de actividad). Es decir, los trabajadores ocupados en el sector de actividad “i” en esa región, corresponden a la suma de los trabajadores ocupados en el mismo sector de actividad en cada comuna que pertenece a esa región.
Sustituyendo obtenemos las siguientes 3 ecuaciones equivalentes:
\[\begin{equation} PIB = \sum_{i=1}^n(PMS_i \cdot \sum_{j=1}^m(LS_iC_j)) \tag{7.8} \end{equation}\]
\[\begin{equation} PIB = \sum_{i=1}^n(PMS_i \cdot LS_iC_1 + PMS_i \cdot LS_iC_2 + PMS_i \cdot LS_iC_3 + \thinspace ... ) \tag{7.9} \end{equation}\]
\[\begin{equation} PIB = PMS_1 \cdot LS_1C_1 + PMS_1 \cdot LS_1C_2 + PMS_1 \cdot LS_1C_3 + \thinspace ... + PMS_1 \cdot LS_1C_m \\ + PMS_2 \cdot LS_2C_1 + PMS_2 \cdot LS_2C_2 + PMS_2 \cdot LS_2C_3 + \thinspace ... + PMS_2 \cdot LS_2C_m \\[10pt] + PMS_n \cdot LS_nC_1 + PMS_n \cdot LS_nC_2 + PMS_n \cdot LS_nC_3 + \thinspace ... + PMS_n \cdot LS_nC_m \tag{7.10} \end{equation}\]
7.5 Quinto paso
Reagrupemos ésta suma, ordenándola por comunas y no por sectores:
Donde m es la cantidad de comunas y n la cantidad de sectores económicos.
\[\begin{equation} PIB = PMS_1 \cdot LS_1C_1 + PMS_2 LS_2C_1 + PMS_2 \cdot LS_3C_1 + ... + PMS_n \cdot LS_nC_1 \\ + PMS_1 \cdot LS_1C_2 + PMS_2 \cdot LS_2C_2 + PMS_3 \cdot LS_3C_2 + ... + PMS_n \cdot LS_nC_2 \\[10pt] + PMS_1*LS_1C_m + PMS_2*LS_2C_m + PMS_3*LS_3C_m + ... + PMS_n*LS_nC_m \tag{7.11} \end{equation}\]
7.6 Sexto paso
7.6.1 PIB comunal
Ahora bien, siguiendo el mismo principio que usamos para el PIB regional, tenemos que el PIB comunal también debiera corresponder a la suma del PIB sectorial de la comuna, o lo que es lo mismo:
\[\begin{equation} PIBC_1 = PMS_1 \cdot LS_1C_1 + PMS_2 \cdot LS_2C_1 +...+ PMS_n \cdot LS_nC_1 \tag{7.12} \end{equation}\]
\[\begin{equation} PIBC_2 = PMS_1 \cdot LS_1C_2 + PMS_2 \cdot LS_2C_2 +...+ PMS_n \cdot LS_nC_2 \tag{7.13} \end{equation}\]
Y así para todas las comunas que conforman la Región.
El PIB de una región es igual a la suma del PIB de sus comunas
\[\begin{equation} PIB = PIBC_1 + PIBC_1 + PIBC_1 +...+ PIBC_m \tag{7.14} \end{equation}\]
\[\begin{equation} PIB = \sum_{i=1}^m(PIBC_i) \tag{7.15} \end{equation}\]
7.7 Séptimo paso
Si queremos hacer el cálculo a nivel agregado (para todos los sectores de la actividad económica) resulta todo mucho más sencillo.
Tomemos como ejemplo la comuna de Arica:
A nivel Regional:
- \(PMS_1 = \frac{Q}{L}\)
Donde:
\(Q\): volumen de la producción regional: se ontiene de las bases de datos del Banco Central.
\(L\): la cantidad de trabajadores de la región.
Recordemos el supuesto con el que iniciamos:
La Productividad Media del Trabajo (PmeL) en cada sector de actividad en alguna región, sería más o menos la misma en cada una de las provincias o comunas que la componen para el mismo sector de actividad económica.
A nivel Comunal:
- \(LS_1C_1\) corresponde al volumen de trabajadores ocupados en la comuna de Arica.
De esa forma, la ecuacion (4.12) nos sirve de base de estimación del PIB por comunas, tanto total, como desagregado por sectores de actividad económica.
8 Las bases de datos
8.1 El PIB regional por año
Ésta información la rescatamos de las bases de datos del Banco Central de Chile10.
Chile al día de hoy consta de 16 regiones, pero las bases de datos del Banco Central consta de 15. El problema es la región de Ñuble.
El 05 de septiembre de 2017, fue publicada en el Diario Oficial la Ley N° 21.033, que crea la XVI región de Ñuble y las provincias de Diguillín, Punilla e Itata . Junto con definir la conformación de la nueva región político – administrativa, la ley define la dotación de servicios de la Administración del Estado y Judiciales necesarios para el funcionamiento como tal de la nueva región, la cual entrará en vigencia un año después de la promulgación en el Diario Oficial, es decir, en septiembre de 2018.
La división electoral naturalmente experimentará algunos cambios, debido a que la creación de la región de Ñuble afecta la composición del distrito electoral 19 y de la 10° circunscripción senatorial, quedando la nueva región representada en el Congreso Nacional por dos senadores y cinco diputados, una vez que la nueva región se encuentre en régimen y se produzca la renovación de representantes al parlamento en el año 2021.
De acuerdo con la conformación definida por la ley 21.033, la región de Ñuble estará compuesta por las veintiún comunas que componían la provincia de Ñuble (Región del Biobío), y tendrá como capital regional a la comuna de Chillán. La región contará con tres provincias: Diguillín, Punilla e Itata, las que a su vez tendrán como capitales provinciales a las comunas de Bulnes, San Carlos y Quirihue, respectivamente.
PIB regional 2013-2020
8.2 La población ocupada por región.
Ocupamos la Casen del 2017
8.3 La cantidad de personas que trabajan en la comuna de sus empresas
Debemos obtener el dato de la comuna donde se ubica el lugar de trabajo de las personas. Para ello recurrimos a las encuestas de empleo11
# casen_2020 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2020_e1.rds")
Encuesta de empleo
Formulario de la Encuesta de empleo
Leemos la base de datos ene-2021-08-jas.sav.
b18_codigo: ¿En qué comuna o localidad se ubica la empresa, negocio, institución o actividad por cuenta propia donde realizó su trabajo la semana de referencia?
2021 Julio – Septiembre
9 El método
Dividiremos el PIB regional por la cantidad de personas ocupadas en cada región.
El valor anterior lo multiplicaremos por la población ocupada de cada comuna pero de la comuna donde está su empresa. Es muy importante comprender que estamos calculando el PIB en aquella comuna donde se encuentra la empresa en relación a los trabajadores que ella están empleados.
El PIB percápita lo obtenemos dividiendo el valor anterior por la población comunal.
9.1 Leemos el PIB regional del 2017 (en miles de millones de pesos):
9.2 Metodología del 2010
En éste trabajo abordaremos la construcción del PIB a nivel comunal como insumo en la construcción de la dimensión del nivel de vida decente:
\[ IGNI(II) = \frac{ln(GNIpc) - ln(100)}{ln(75000) - ln(100)} \]
Donde:
II es el Índice de ingreso, y
\(GNIpc\) es el PIB per cápita.
Por definición, II es 1 cuando el GNI per cápita es de $75000 y 0 cuando el GNI per cápita es de $100.12
Existen dos supuestos:
- En promedio, dentro de una comunidad considerada dentro de una unidad territorial -en éste caso comunas- el PIB per cápita no puede ser menor a US$100 ($6.830 pesos mensuales).
819.7*100/12## [1] 6830.833- En promedio, dentro de una comunidad considerada dentro de una unidad territorial -en éste caso comunas- puede ganar más de US$75000 anualmente ($5.123.125 pesos mensuales).
819.7*75000/12## [1] 512312510 El código
10.1 Cálculo del pib regional.
Para ello dividimos el PIB por la población, ambas a nivel de la misma region:
10.1.1 Calculamos el PIB de las regiones para 2017:
pib_region <- readxl::read_xls("PIBR_Act.xls", sheet = 1)## New names:
## * `` -> ...2
## * `` -> ...3
## * `` -> ...4
## * `` -> ...5
## * `` -> ...6
## * ...pib_region <- cbind(seq(1,99),pib_region)
pib_region <- pib_region[76:91,c(3,16)]
colnames(pib_region) <- c("region","pib_r")
names(pib_region[2]) <- "pib_region"
pib_region## region pib_r
## 76 AyP 1126.3275023871322
## 77 TPCA 3336.5409907437452
## 78 ANTOF 13641.542664026969
## 79 ATCMA 3539.3464333994598
## 80 COQ 4135.1426541702613
## 81 VALPO 12390.246348372737
## 82 RM 62372.103825084108
## 83 LGBO 6463.9265623222127
## 84 MAULE 4597.7484472949864
## 85 BBIO 10633.90725011416
## 86 ARAUC 3786.6208275873878
## 87 RIOS 1900.8891039207545
## 88 LAGOS 4427.382296785876
## 89 AYSEN 849.55379853385273
## 90 MAG 1596.7778776332425
## 91 Total 147809.4374034042410.1.2 Cálculo de la población activa por región
casen_2017 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2017_c.rds")
casen_2017 <- mutate_if(casen_2017, is.factor, as.character)
tabla_reg <-xtabs(expc~region+o1, data = casen_2017)
tabla_reg <- as.data.frame(tabla_reg)
names(tabla_reg)[3] <- "per_reg"
tabla_reg <- filter(tabla_reg, o1 == "Sí")
tabla_reg <- data.frame(lapply(tabla_reg, as.character), stringsAsFactors=FALSE)
tabla_reg$region[tabla_reg$region == "Región de Arica y Parinacota"] <- "AyP"
tabla_reg$region[tabla_reg$region == "Región de Tarapacá"] <- "TPCA"
tabla_reg$region[tabla_reg$region == "Región de Antofagasta"] <- "ANTOF"
tabla_reg$region[tabla_reg$region == "Región de Atacama"] <- "ATCMA"
tabla_reg$region[tabla_reg$region == "Región de Coquimbo"] <- "COQ"
tabla_reg$region[tabla_reg$region == "Región de Valparaíso"] <- "VALPO"
tabla_reg$region[tabla_reg$region == "Región Metropolitana de Santiago"] <- "RM"
tabla_reg$region[tabla_reg$region == "Región del Libertador Gral. Bernardo O’Higgins"] <- "LGBO"
tabla_reg$region[tabla_reg$region == "Región del Maule"] <- "MAULE"
tabla_reg$region[tabla_reg$region == "Región del Biobío"] <- "BBIO"
tabla_reg$region[tabla_reg$region == "Región de La Araucanía"] <- "ARAUC"
tabla_reg$region[tabla_reg$region == "Región de Los Ríos"] <- "RIOS"
tabla_reg$region[tabla_reg$region == "Región de Los Lagos"] <- "LAGOS"
tabla_reg$region[tabla_reg$region == "Región de Aysén del Gral. Carlos Ibáñez del Campo"] <- "AYSEN"
tabla_reg$region[tabla_reg$region == "Región de Magallanes y de la Antártica Chilena"] <- "MAG"
tabla_reg## region o1 per_reg
## 1 ANTOF Sí 247481
## 2 AyP Sí 62317
## 3 ATCMA Sí 112771
## 4 Región de Ayséndel Gral. Carlos Ibáñez del Campo Sí 47024
## 5 COQ Sí 281377
## 6 ARAUC Sí 389440
## 7 LAGOS Sí 360279
## 8 RIOS Sí 147750
## 9 MAG Sí 68597
## 10 Región de Ñuble Sí 180741
## 11 TPCA Sí 147030
## 12 VALPO Sí 751037
## 13 BBIO Sí 615231
## 14 LGBO Sí 385048
## 15 MAULE Sí 426897
## 16 RM Sí 326656110.1.3 Hacemos un merge, borramos la columna o1 y agregamos una columna con la Productividad Media del Trabajo y lo llevamos a pesos:
pib_region_con_poblacion <- merge(tabla_reg,pib_region, by = "region")
pib_region_con_poblacion$o1 <- NULL
pib_region_con_poblacion[, c(2,3)] <- sapply(pib_region_con_poblacion[, c(2,3)], as.numeric)
pib_region_con_poblacion$PMT <- (pib_region_con_poblacion$pib_r/pib_region_con_poblacion$per_reg)*1000000000
pib_region_con_poblacion## region per_reg pib_r PMT
## 1 ANTOF 247481 13641.543 55121576
## 2 ARAUC 389440 3786.621 9723246
## 3 ATCMA 112771 3539.346 31385254
## 4 AyP 62317 1126.328 18074161
## 5 BBIO 615231 10633.907 17284414
## 6 COQ 281377 4135.143 14696093
## 7 LAGOS 360279 4427.382 12288760
## 8 LGBO 385048 6463.927 16787327
## 9 MAG 68597 1596.778 23277663
## 10 MAULE 426897 4597.748 10770159
## 11 RIOS 147750 1900.889 12865578
## 12 RM 3266561 62372.104 19094119
## 13 TPCA 147030 3336.541 22692927
## 14 VALPO 751037 12390.246 16497518Agregamos codigo de region:
cod <- read_xls("subdere_codigos_comunas_regiones.xls")
names(cod)[3] <- "region"
cod[2] <- NULL
cod[3:6] <- NULL
region_PMT <- unique(merge(x = pib_region_con_poblacion, y = cod, all.x = TRUE))
region_PMT## region per_reg pib_r PMT Código Región
## 1 ANTOF 247481 13641.543 55121576 02
## 10 ARAUC 389440 3786.621 9723246 09
## 42 ATCMA 112771 3539.346 31385254 03
## 51 AyP 62317 1126.328 18074161 15
## 55 BBIO 615231 10633.907 17284414 08
## 88 COQ 281377 4135.143 14696093 04
## 103 LAGOS 360279 4427.382 12288760 10
## 133 LGBO 385048 6463.927 16787327 06
## 166 MAG 68597 1596.778 23277663 12
## 177 MAULE 426897 4597.748 10770159 07
## 207 RIOS 147750 1900.889 12865578 14
## 219 RM 3266561 62372.104 19094119 13
## 271 TPCA 147030 3336.541 22692927 01
## 278 VALPO 751037 12390.246 16497518 05Multiplicamos por la población que desde la Encuesta nacional de Empleo, por comuna, trabaja en la región estudiada y obtenemos el PIB comunal:
Calculamos la cantidad de población que va a trabajar a la comuna en estudio
10.1.4 Leemos la encuesta de empleo
library(foreign)
library(dplyr)
empleo_2021 <- read.spss("ene-2021-08-jas.sav", to.data.frame=TRUE)## re-encoding from UTF-810.1.5 Expandimos la población que trabaja en la comuna estudiada.
tabla_matp <- xtabs(fact_cal~b18_codigo, data = empleo_2021)
tabla_matp <- as.data.frame(tabla_matp)
tabla_matp <- tabla_matp[tabla_matp$Freq != 0, ]
names(tabla_matp)[1] <- "Comuna"hay que agregar a la tabla tabla_matp, el codigo de region:
cod <- read_xls("subdere_codigos_comunas_regiones.xls")
names(cod)[7] <- "Comuna"
cod[2:6] <- NULL
trab <- unique(merge(x = cod, y = tabla_matp, all.x = TRUE))
datatable(trab, extensions = 'Buttons', escape = FALSE, rownames = TRUE,
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 = 'Download')), scrollX = TRUE))Ahora unimos trab y region_PMT por Código Región
trab_region_PMT <- (merge(x = trab, y = region_PMT, all.x = TRUE))
datatable(trab_region_PMT, extensions = 'Buttons', escape = FALSE, rownames = TRUE,
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 = 'Download')), scrollX = TRUE))Multiplicamos Freq (la cantidad de personas que van a trabajar a la comuna en estudio) con el PTM para obtener el PIB comunal
trab_region_PMT$PIB_comunal <- trab_region_PMT$PMT*trab_region_PMT$Freq
datatable(trab_region_PMT, extensions = 'Buttons', escape = FALSE, rownames = TRUE,
options = list(dom = 'Bfrtip',
buttons = list('colvis', list(extend = 'collection',
buttons = list(
list(extend='copy'),
list(extend='excel',
filename = 'tabla'),
list(extend='pdf',
filename= 'tabla')),
text = 'Download')), scrollX = TRUE))Multiplicamos por la poblacion que va a trabajar a la comuna en estudio y obtenemos el PIBpc_comunal
trab_region_PMT$PIBpc_comunal <- trab_region_PMT$PIB_comunal*trab_region_PMT$Freq
datatable(trab_region_PMT, extensions = 'Buttons', escape = FALSE, rownames = TRUE,
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 = 'Download')), scrollX = TRUE))Dividimos por la poblacion TOTAL existente en la comuna de estudio:
cantidad_de_poblacion <- readxl::read_xlsx("C:/Users/chris/OneDrive/Documentos/GitHub/ds_demografia_Chile/proyecciones_y_densidades/POBLACION-POR-COMUNA-2020.xlsx")
trab_region_PMT_per_capita <- (merge(x = trab_region_PMT, y = cantidad_de_poblacion, all.x = TRUE))IPIB
# trab_region_PMT_per_capita$PIB_comunal_per_capita <- trab_region_PMT_per_capita$PIBpc_comunal/trab_region_PMT_per_capita$`2020`
trab_region_PMT_per_capita$ln <- log(trab_region_PMT_per_capita$PIBpc_comunal)
trab_region_PMT_per_capita$IPIB <- ((trab_region_PMT_per_capita$ln )-log(100))/(log(75000)-log(100))terminamos
datatable(trab_region_PMT_per_capita, extensions = 'Buttons', escape = FALSE, rownames = TRUE,
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 = 'Download')), scrollX = TRUE))11 Referencias
https://www.fao.org/worldfoodsituation/foodpricesindex/es/↩︎
Servicio de consultoría: Cambio Climático dentro del SEIA↩︎
Henríquez, C.; Aspee, N. & y J. Quense. 2016. Zonas de catástrofe por eventos hidrometeorológicos en Chile y aportes para un índice de riesgo climático. Revista de Geografía Norte Grande, 63: 27-44.↩︎
Sud-Austral Consulting SpA – NeoUrbanismo Consultores SpA: “DIAGNÓSTICO DEL CAMBIO CLIMÁTICO EN CHILE -Informe 2-”Servicio de consultoría: Cambio Climático dentro del SEIA. pp. 20.↩︎
https://www.researchgate.net/publication/311910528_ACTUALIZACION_DE_CIFRAS_Y_MAPAS_DE_DESERTIFICACION_DEGRADACION_DE_LA_TIERRA_Y_SEQUIA_EN_CHILE_A_NIVEL_DE_COMUNAS↩︎
La mediana es el valor que ocupa el lugar central de todos los datos cuando éstos están ordenados de menor a mayor.↩︎
https://bizfluent.com/info-7746218-indicators-economic-development.html↩︎
“Chile, 2009. Descomposición del PIB Regional por Provincias, Comunas y según grandes sectores de actividad” https://www.researchgate.net/publication/300995816_Chile_2009_Descomposicion_del_PIB_Regional_por_Provincias_Comunas_y_segun_grandes_sectores_de_actividad↩︎
https://www.ine.cl/estadisticas/sociales/mercado-laboral/ocupacion-y-desocupacion↩︎
“Banco Central de Chile”https://www.bcentral.cl/web/banco-central/areas/estadisticas/pib-regional↩︎
https://www.ine.cl/estadisticas/sociales/mercado-laboral/ocupacion-y-desocupacion↩︎