Instrucciones

Usando la información generada por el CONEVAL y, publicada en su sitio de internet, generar lo siguiente.

EJERCICIO 1:

Utilizando el reporte “ANEXO ESTADíSTICO DE POBREZA A NIVEL MUNICIPIO 2010 Y 2015”CONEVAL., elegir un estado (y sus municipios), y representar el nivel de pobreza y pobreza extrema para los años 2010 y 2015. Esto es:

Importamos la base de datos:

edomex<-readOGR("C:/Users/Gerardo Ramos/OneDrive - Comisión Federal de Competencia Económica/Documents/CIDE METPOL/Manejo de bases de datos R/Actividad 4",
                      layer="edomexmun",encoding = "UTF-8")
## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\Gerardo Ramos\OneDrive - Comisión Federal de Competencia Económica\Documents\CIDE METPOL\Manejo de bases de datos R\Actividad 4", layer: "edomexmun"
## with 125 features
## It has 4 fields
# Yo nací en el Estado de México y he decidido trabajar con él para conocer más del comportamiento de las variables socioeconómicas de la Entidad en la que vivo.

# Graficamos nuestro estado seleccionado:
plot(edomex)

# Importamos los datos del CONEVAL con los indicadores de pobreza
# Dado que el archivo no se puede leer importar directamente por su estructura de origen, realicé algunos pasos para reestructurar la tabla y traerme los nombres de las columnas.

# En esta parte leo solo las filas que componen a los nombres de las columnas
colnom<-  read_xlsx("C:/Users/Gerardo Ramos/OneDrive - Comisión Federal de Competencia Económica/Documents/CIDE METPOL/Manejo de bases de datos R/Actividad 4/Concentrado_indicadores_de_pobreza/Concentrado, indicadores de pobreza.xlsx",skip = 3,n_max = 3,col_names = F, trim_ws = F)
## New names:
## * `` -> ...1
## * `` -> ...2
## * `` -> ...3
## * `` -> ...4
## * `` -> ...5
## * ...
# Transpongo los datos para hacer más fácil su limpieza y modificación
colnom<-data.frame(t(colnom))

# Quito caracteres especiales y espacios.
colnom$X1<-gsub(pattern = "\r\n","",colnom$X1) 
colnom$X1<-gsub(pattern = "*(leer nota al final del cuadro)","",colnom$X1)
colnom$X1<-gsub(pattern = "[[:punct:]]","",colnom$X1) 
colnom$X1<-gsub(pattern = " ",".",colnom$X1) 

colnom$X2<-gsub(pattern = "\r\n"," ",colnom$X2)
colnom$X2<-gsub(pattern = "[[:punct:]]","",colnom$X2)
colnom$X2<-gsub(pattern = " ",".",colnom$X2) 


for (i in 1:98){
if(is.na(colnom$X1[i])){ colnom$X1[[i]]<-colnom$X1[i-1]}
}

# Genero el nombre de las columnas

columnas<- c(rep(NA,98))

for (i in 1:98) {
  if(i>6){columnas[i] <- paste(colnom$X1[[i]],colnom$X2[[i]],sep = ".")} 
     else{columnas[i] <- colnom$X1[[i]]}
}

# Importo la tabla con las colas columnas que generé.

concentrado<- read_xlsx("C:/Users/Gerardo Ramos/OneDrive - Comisión Federal de Competencia Económica/Documents/CIDE METPOL/Manejo de bases de datos R/Actividad 4/Concentrado_indicadores_de_pobreza/Concentrado, indicadores de pobreza.xlsx",skip = 8, col_names = columnas, n_max = 2457)
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in BJ1053 / R1053C62: got 'n.d'
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in BV1053 / R1053C74: got 'n.d'
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in BV1951 / R1951C74: got 'n.d'
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in BJ2000 / R2000C62: got 'n.d'
# Fusiono la información de mi mapa con los datos del CONEVAL.
tabla<-merge(x=edomex@data,y=concentrado,by.x="CVEGEO",by.y="Clave.de.municipio",sort=FALSE)

1. (10%) Para el año 2010, considerando la división (cut) por cuantiles, representar en un mapa la distribución de la pobreza de los municipios.

df<-data.frame(edomex@data)
edomex@data$pobreza2010 <- tabla$Pobreza.Porcentaje.2010

quant <- cut(edomex@data$pobreza2010, 5)
quant <- as.vector(sort(unique(quant)))
cuts <- as.numeric(str_sub(quant, 2, 5))
cuts <- c(cuts, Inf)

colores<- colorBin( palette="Reds", domain=edomex$pobreza2010, na.color="transparent", bins=cuts)


labs <- paste("Municipio : ",edomex$NOMGEO,"<br/>",
  "% Pobreza 2010 : ", round(edomex$pobreza2010, 2)) %>%  lapply(htmltools::HTML)

leaflet(data=edomex) %>% 
  addTiles() %>% 
  addPolygons(label = labs,fillColor = colores(edomex$pobreza2010),
              fillOpacity = 1.5,
              color = "black")%>%
  addLegend(pal = colores, values = cuts , opacity = 0.7, title = "Pobreza 2010",
            position = "topright")

Análisis

En este mapa se observa que el porcentaje de la población en pobreza para el año dos mil diez superó el 74 % en algunos municipios, mientras que los niveles mínimos de pobreza se encontraban por encima del 20%.

2. (10%) Para el año 2015, considerando la división (cut) por cuantiles, representar en un mapa la distribución de la pobreza de los municipios.

edomex@data$pobreza2015 <- tabla$Pobreza.Porcentaje.2015

quant2 <- cut(as.numeric(edomex@data$pobreza2015), 5)
quant2 <- as.vector(sort(unique(quant2)))
quant2 <- str_sub(quant2, 2, 5)
quant2[4] <- str_sub(quant2[4], 1,2)
quant2<- as.numeric(quant2)

cuts2 <- c(quant2, Inf)
colores <- colorBin( palette="Reds", domain=(as.numeric(edomex$pobreza2015)), na.color="transparent", bins=cuts2)

labs2 <- paste(
  "Municipio : ",edomex$NOMGEO,"<br/>",
  "% Pobreza 2015 : ", round(as.numeric(edomex$pobreza2015), 2)) %>%  lapply(htmltools::HTML)


leaflet(data=edomex) %>% 
  addTiles() %>% 
  addPolygons(label = labs2,fillColor = colores(as.numeric(edomex$pobreza2015)),
              color = "black",
              fillOpacity = 1.5) %>%
  addLegend(pal = colores, values = cuts2 , opacity = 0.7, title = "Pobreza 2015",
            position = "topright")

Análisis

Si comparamos este mapa con el anterior, es posible observar que los niveles de pobreza incrementaron el minimo ahora se ubica en 26.2 % y el máximo supera los 76.6 %. Adicionalmente se puede observar que varios municipios incrementaron la intensidad del color, lo que implica que se ve el reflejo de un incremento en los niveles de pobreza.

3. (10%) Para el año 2010, considerando la división (cut) por cuantiles, representar en un mapa la distribución de la pobreza extrema de los municipios.

edomex@data$pobreza.ext.2010 <- tabla$Pobreza.extrema.Porcentaje.2010


min(edomex@data$pobreza.ext.2010)
## [1] 1.462541
quant3 <- cut(as.numeric(edomex@data$pobreza.ext.2010), 5)
quant3 <- as.vector(sort(unique(quant3)))
quant3 <- as.numeric(str_sub(quant3, 2, 5))
cuts3 <- c(quant3, Inf)
colores <- colorBin( palette="Reds", domain=(as.numeric(edomex$pobreza.ext.2010)), na.color="transparent", bins=cuts3)


labs3 <- paste(
  "Municipio : ",edomex$NOMGEO,"<br/>",
  "% Pobreza 2015 : ", round(as.numeric(edomex$pobreza.ext.2010), 2)) %>%  lapply(htmltools::HTML)


leaflet(data=edomex) %>% 
  addTiles() %>% 
  addPolygons(label = labs3,fillColor = colores(as.numeric(edomex$pobreza.ext.2010)),
              color = "black",
              fillOpacity = 1.5) %>%
  addLegend(pal = colores, values = cuts3 , opacity = 0.7, title = "Pobreza extrema 2010",
            position = "topright")

Análisis

En este mapa se observa que el porcentaje de la población en pobreza extrema para el año dos mil diez superó el 42.80 % en algunos municipios, mientras que los niveles mínimos de pobreza extrema se encontraban en 1.14%. Además se aprecia que los municipios con mayor nivel de pobreza se encuentran situados en el oeste del Estado.

4. (10%) Para el año 2015, considerando la división (cut) por cuantiles, representar en un mapa la distribución de la pobreza extrema de los municipios del estado elegido.

edomex@data$pobreza.ext.2015 <- tabla$Pobreza.extrema.Porcentaje.2015


quant4 <- cut(as.numeric(edomex@data$pobreza.ext.2015), 5)
quant4 <- as.vector(sort(unique(quant4)))
quant4 <- as.numeric(str_sub(quant4, 2, 5))
cuts4 <- c(quant4, Inf)
colores <- colorBin( palette="Reds", domain=(as.numeric(edomex$pobreza.ext.2015)), na.color="transparent", bins=cuts4)


labs4 <- paste(
  "Municipio : ",edomex$NOMGEO,"<br/>",
  "% Pobreza 2015 : ", round(as.numeric(edomex$pobreza.ext.2015), 2)) %>%  lapply(htmltools::HTML)


leaflet(data=edomex) %>% 
  addTiles() %>% 
  addPolygons(label = labs4,fillColor = colores(as.numeric(edomex$pobreza.ext.2015)),
              color = "black",
              fillOpacity = 1.5) %>%
  addLegend(pal = colores, values = cuts4 , opacity = 0.7, title = "Pobreza extrema 2015",
            position = "topright")

Análisis

Si comparamos este mapa con el anterior, es posible observar que los niveles de pobreza Extrema disminuyeron en general, ahora el nivel máximo de pobreza extrema no supera el 30 %, sin embargo, se aprecia que los municipios del Oeste no disminuyeron su nivel de pobreza tanto como aquellos municipios que se encuentra cerca de la Ciudad de México.

5. (10%) ¿La pobreza extrema se distribuye de manera aleatoria en los municipios? Es decir, ¿hay grupos o zonas específicas del estado elegido donde se concentran porcentajes mayores de la pobreza extrema?

Análisis

Si únicamente observaramos la pobreza en el Estado de México como se muestra en los primeros 2 mapas de este documento, sería complicado decir que existen zonas especificas, si bien pareciera que en la zona oeste y sur del Estado de México es donde se concentra un poco más la pobreza, aún es posible ver que existen varios municipios de las regiones Centro, Norte y Este que también presentan altos porcentajes de pobreza.

Sin embargo, cuando presentamos la pobreza extrema que existe en el estado, se puede ver claramente que la zona Oeste y Sur son las regiones en donde se concentra más la pobreza extrema. Pueden existir diversas hipótesis que traten de explicar este hecho y una de ellas puede ser que son los municipios que están más alejados de la Ciudad de México, la cual es un lugar donde hay más oferta de trabajo y esto suele ser atractivo para la población que vive en los municipios colindantes y buscan el trabajo en la Ciudad y esto podría influir positivamente en el ingreso de esta poblción que se podría desplazar hacia la ciudad en busca de trabajo, hecho que no sería factible para los municipios más lejanos pues el costo de trasladarse es mayor. Otra posible hipótesis podría ser un fenómeno de urbanización que consista en que mientras más cerca esté un municipio de una ciudad mejores condiciones socioeconómicas existirán en el municipio cercano.

Los mapas no permiten comprobar las hipótesis anteriores, pero brindan un panorama muy amplio que permite justificar una investigación más a fondo.

Por ahora, estos mapas solo nos muestran que existen regiones especificas que concentran la pobreza extrema y gracias a ellos podríamos proponer políticas públicas que pretendan enfrentar el problema en las regiones más afectadas.