¿Qué es la economía?

La economía es la ciencia social que estudia cómo las familias, empresas y gobiernos organizan los recursos disponibles que suelen ser escasos, para satisfacer las diferentes necesidades y así tener un mayor bienestar.

¿Qué es la reactivación económica?

La reactivación económica es un proceso mediante el cual se busca lograr que la economía de un país o de un lugar determinado tome buenos rumbos después de haberse sumergido en una crisis que afecta a la mayoría de la población.

¿Que son los agentes económicos?

Los agentes económicos son los actores, que toman las decisiones en un mercado, las cuales, generarán diversas consecuencias que afectan al sistema económico general, o de otra manera, también podemos definirlos como los intervinientes en la Economía, bajo un determinado sistema económico, y un conjunto de reglas de juego, donde buscarán optimizar su bienestar.

Existen distintos agentes económicos que mantienen la economía:

• La Familia constituye la unidad básica de consumo y está compuesta por personas que conforman un hogar.

• Las Empresas son las unidades básicas de producción o las encargadas de transformar factores productivos en: bienes y servicios para ofrecerlo a los otros agentes.

• El Estado tiene como función regular la economía del país, provee bienes públicos. Proporciona servicios públicos, asimismo administra los recursos públicos como el dinero de los impuestos.

¿Qué es el PIB?

Entendemos al PIB como el valor de todos los bienes y servicios finales producidos dentro de un país en un período de tiempo. El PIB solo mide cuánto se produce.

¿Por qué es importante la reactivación económica?

En primer lugar, porque genera empleo. Si se produce más, es esperable que las empresas demanden más personas para hacerlo. Sin embargo, para que eso ocurra deben existir personas sin empleo que además tengan las calificaciones requeridas para que sean contratadas por las empresas. En segundo lugar, producir más lleva a aumentos en la recaudación tributaria por lo que se eleva la capacidad de gasto del gobierno. El crecimiento económico financia el mayor gasto público. No obstante, una cosa es tener el dinero y otra muy distinta, saber gastarlo bien en objetivos que se relacionen directamente con el bienestar de los ciudadanos.

¿Qué es la tasa neta de matriculación?

La tasa neta de matriculación mide la relación que guardan los alumnos en las edades normativas inscritos para cursar un nivel o tipo educativo particular, respecto a la población de la misma edad; se considera una buena medida de la cobertura de la población en edad escolar oficial.

Series de tiempo

Una serie de tiempo es una secuencia de datos u observaciones, medidos en determinados momentos y ordenados cronológicamente. Visualmente, es una curva que evoluciona en el tiempo. Una serie de tiempo es un conjunto de observaciones sobre los valores que toma una variable (cuantitativa) a través del tiempo.

Análisis de correlación

El análisis de correlación consiste en un procedimiento estadístico para determinar si dos variables están relacionadas o no. El resultado del análisis es un coeficiente de correlación que puede tomar valores entre -1 y +1.

Histogramas

Un histograma es similar en apariencia a un diagrama de barras, pero en lugar de comparar categorías o buscar tendencias a lo largo del tiempo, cada barra representa cómo se distribuyen los datos en una única categoría. Cada barra representa un rango continuo de datos o el número de frecuencias de un punto de datos específico.

Dispersión lineal

La regresión lineal es una técnica de modelado estadístico que se emplea para describir una variable de respuesta continua como una función de una o varias variables predictoras. Puede ayudar a comprender y predecir el comportamiento de sistemas complejos o a analizar datos experimentales, financieros y biológicos.

Importar paquetes

library(pacman)
p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc","readr", "knitr","DT","dplyr", "ggplot2","plotly", "gganimate","gifski","scales", "readxl", "tidyverse","cluster", "factoextra","NbClust","tidyr", "hpackedbubble", "gridExtra", "psych", "GGally", "gridExtra", "lmtest", "corrplot", "car")

Importar datos

setwd("~/ESTADISTICA/Reactivacion Economica")
datos <- read_excel("Casos.xlsx")
pib <- read_excel("PIB_per_capita.xlsx")
movilidad <- read.csv("Movilidad.csv")
educacion <- read_excel("Educacion.xlsx")
desempleo <- read_excel("Desempleo.xlsx")
indicadores <- read.csv("indicadoresSectores.csv")
sonora <- read_excel("IMMSonora.xlsx")
sonoraCor <- read_excel("IMMSonoraCor.xlsx")
Fecha <- seq(from = as.Date("2020-02-26"), to = as.Date("2021-12-06"), by = 'day')
Fecha2 <- seq(from = as.Date("2020-02-26"), to = as.Date("2021-12-04"), by = 'day')

gcov <- ggplot(data = datos) +
  geom_line(aes(Fecha, Negativos, colour="Negativos")) +
  geom_line(aes(Fecha, Confirmados, colour="Confirmados")) +
  geom_line(aes(Fecha, Sospechosos, colour="Sospechosos")) +
  geom_line(aes(Fecha, Decesos, colour="Decesos")) +
  xlab("Fecha") +
  ylab("COVID-19 en México") +
  labs(colour="Casos")+
  ggtitle("Casos de COVID-19 en México") +
  scale_y_continuous(labels = comma)
ggplotly(gcov)

En esta gráfica se puede observar los casos confirmados, los negativos, los que son sospechosos y los decesos por COVID, observándola podemos como los picos de casos confirmados coinciden con los picos de casos negativos, así como también coinciden con los picos de decesos, esto debido a que mientras más casos confirmados haya también habrá más personas muertas por COVID.

Tasa de desempleo en México

desempleo.ts <- ts(desempleo, start = c (2020, 1), frequency = 12)
plot(desempleo.ts)

En esta gráfica vemos la tasa de desempleo en México los años 2020 y 2021. Se puede apreciar que la mayor tasa de desempleo se dio en el primer pico de contagios de COVID, esto puede deberse a varios factores, pero el mayor factor fue debido a que las personas dejaron de consumir servicios y salir de su casa y esto afecto a muchos negocios.

gcov <- ggplot(data = pib) +
  geom_line(aes(Año, PIB, colour="PIB per cápita")) +
  xlab("Año") +
  ylab("PIB per cápita") +
  ggtitle("PIB per cápita de México") +
  scale_y_continuous(labels = comma)
ggplotly(gcov)

En esta gráfica se muestra el PIB per cápita de México en los últimos 10 años. Se puede ver como antes del inicio de la pandemia subía de manera constante, pero con la llegada de la pandemia en 2020 el PIB per cápita bajo casi un 7%, cosa que no había pasado en ningún año anterior y esto nos deja claro que se debe a la pandemia.

gcov <- ggplot(data = educacion) +
  geom_line(aes(Año, Preescolar, colour="Preescolar")) +
  geom_line(aes(Año, Primaria, colour="Primaria")) +
  geom_line(aes(Año, Secundaria, colour="Secundaria")) +
  xlab("Año") +
  ylab("Tasa neta de matriculación") +
  ggtitle("Tasa neta de matriculación según nivel educativo") +
  scale_y_continuous(labels = comma)
ggplotly(gcov)

Con esta gráfica podemos ver la tasa neta de matriculación según el nivel educativo desde preescolar hasta secundaria, con ella podemos ver como la tasa neta de matriculación de primaria es siempre la mas alta y la mas constante y en el año 2020 con la pandemia bajo muy poco por lo que podriamos decir que no afecto tanto al igual que en secundaria, por el contrario, la tasa neta de matriculación de preescolar bajo un 5.8%, esto se puede deber a varios factores, uno de los mas claros es el miedo de los padres a dejar que sus hijos asistan a clases, ya que a diferencia de los estudiantes de primaria o de secundaria que pueden tomar clases en linea, los de presscolar no pueden.

movilidad2 <- ggplot(movilidad)+
  geom_line(aes(Fecha2, Lugaresdetrabajo, colour="Lugares de trabajo"))+
  geom_line(aes(Fecha2, supermercadosfarmacias, colour="Supermercados y farmacias"))+
  geom_line(aes(Fecha2, Parques, colour="Parques"))+
  geom_line(aes(Fecha2, Estacionesdetransito, colour="Estaciones de tránsito"))+
  geom_line(aes(Fecha2, Comerciorecreacion, colour="Recreación y comercio"))+
  geom_line(aes(Fecha2, Residencial, colour="Lugares residenciales"))+
  labs(title="Reporte de movilidad",x="Fecha",y="Procentaje de cambio de movilidad")
ggplotly(movilidad2)

Podemos ver como al principio la movilidad es bastante normal ya que no hay una gran varianza entre los días, sin embargo, a partir de mediados de marzo esto cambia, ya que se puede ver un gran aumento en supermercados, farmacias y estaciones de tránsito, esto se debe a que en esas fechas comenzaron a aumentar los casos de COVID en México, por lo que es normal que las personas quisieran comprar alimentos ya que había miedo de salir de casa y las estaciones de tránsito ya que las personas que estaban fuera de su ciudad querían regresar rápido, sin embargo la movilidad en estaciones de tránsito duro poco, ya que esta disminuyo rápidamente. También por estas fechas es cuando disminuyo la movilidad en parques, lugares de trabajo, recreativos y comercio, esto debido igualmente a el comienzo de los contagios de COVID en México. Además, podemos notar que las personas comenzaron a quedarse en casa más tiempo.

Después de los picos iniciales todo se estabilizo, sin embargo se puede notar como las personas comenzaban a salir más cada vez, esto se puede ver ya que a la vez que la movilidad en las casas baja, las otras variables aumentan, una cosa muy interesante es que las variables de los lugares residenciales y lugares de trabajo están muy relacionadas, ya que cuando la variable de los lugares residenciales baja, la de lugares de trabajo sube, esto obviamente es debido a que cuando las personas van a trabajar tienen que salir de su hogar.

Algo que está muy claro es que los contagios de COVID hacen que las personas cambien su manera de moverse, sin embargo, esto a veces no es suficiente para evitar que las personas salgan, ya que podemos ver que en fechas navideñas las personas no les importo que hubiera pandemia y se juntaron una gran cantidad de personas en estaciones de tránsito, esto con el objetivo de ir con familiares por las fechas que eran. Y unos días después de que esto pasara, podemos ver como se dispara la movilidad en farmacias, ya que hubo muchos contagios debido a estas fechas navideñas.

También podemos ver como en el pico de contagios más grande las personas evitaron ir a parques y estaciones de tránsito, aunque esto nuevamente no dura mucho ya que las personas nuevamente comienzan a ir a estos lugares poco a poco, este comportamiento se repite bastante ya que las personas no quieren aprender la lección.

Análisis de correlación

datos <- as.data.frame(read.csv("Regresion.csv"))
ggpairs(datos, lower = list(continuous = "smooth"), diag = list(continuous = "barDiag"), axisLabels = "none")

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Aqui hacemos un diagrama de dispersión de los todas las variables en el que podemos ver como las variables que estan mas correlacionadas tienen una forma de diagonal que aumenta de manera constante.

corrplot(cor(dplyr::select(datos, Comerciorecreacion, supermercadosfarmacias, Parques, Estacionesdetransito, Lugaresdetrabajo, Residencial, COVID)),
         method = "number", tl.col = "black")

Aqui se muestra de manera mas simple para poder analizarla mejor

ff <- data.frame(indicadores)

f <- ff %>% 
  ggplot(aes(x=poblacion, y=personal.ocupado.total, size=produccion.bruta.total, colour=municipio)) +
  geom_point(alpha=0.8)+
geom_text(aes(label = municipio), hjust = 0, vjust = 0)+
  scale_size_continuous(range = c(1, 9))+
  labs(title="Carrera a la 'Reactivación económica'", x = "Población" , y = "Personal ocupado", colour= "Municipio", size="Producción bruta")+
  scale_y_continuous(labels = comma)+
  scale_x_continuous(labels = comma)
ggplotly(f)

En esta gráfica se muestran algunos de los municipios de Sonora, estos se representan como un círculo cada uno y mientras más grande sea este círculo significa que su producción bruta total es mayor, además, los círculos que estén más a la derecha significan que tienen más población y la altura representa el personal ocupado. Con esto podemos ver que Hermosillo lleva la ventaja ya que tiene la mayor población, el mayor personal ocupado y la mayor producción bruta total.

datatable(sonora)

• POB_TOT: Población total
• PROD: Producción bruta total
• PERS_OCU: Personal ocupado
• ANALF: Porcentaje de población analfabeta de 15 años o más
• SBASC: Porcentaje de población de 15 años o más sin educación básica
• OVSDE: Porcentaje de ocupantes en viviendas particulares habitadas sin drenaje ni excusado
• OVSEE: Porcentaje de ocupantes en viviendas particulares habitadas sin energía eléctrica
• OVSAE: Porcentaje de ocupantes en viviendas particulares habitadas sin agua entubada
• OVPT: Porcentaje de ocupantes en viviendas particulares habitadas con piso de tierra
• VHAC: Porcentaje de viviendas particulares con hacinamiento
• PL.5000: Porcentaje de población que vive en localidades menores a 5 000 habitantes
• PO2SM: Porcentaje de población ocupada con ingresos de hasta 2 salarios mínimos
• IM_2020: Índice de marginación, 2020
• IMN_2020: Índice de marginación normalizado, 2020

Análisis de correlación

sonoraCor <- read_excel("IMMSonoraCor.xlsx")
corrplot(cor(dplyr::select(sonoraCor, POB_TOT, PROD, PERS_OCU, ANALF, SBASC, OVSDE, OVSEE, OVSAE, PO2SM, IM_2020)),
         method = "number", tl.col = "black")

Podemos ver que hay muchos factores que pueden afectar a la economía y por lo tanto a la reactivación económica, identificamos que los más importantes son sin duda el Analfabetismo, el porcentaje de población mayor a 15 años sin educación básica y el índice de marginación. Es por esto que creemos que para una reactivación económica sostenible es muy importante mejorar la educación en el país