Abstract
Generamos tablas de ocupados, desocupados e inactivos en Chile por
mes, durante el periodo 2010-2021, sirviéndonos de las encuestas de
ocupación y desocupación del INE. Automatizamos la lectura de datos. Si
bien la tabla final es correcta, debiese tener 5840 filas, de los
ocupados. Se eliminan todas las filas que contengan a lo menos un 0,
tanto de desocupados como de inactivos.1
Al 2022, existen 346 comunas y 345 municipalidades, pues la municipalidad de Cabo de Hornos administra la agrupación de comunas de Cabo de Hornos y Antártica, las que a su vez se agrupan en 56 provincias.
La definición de ocupados es la PET (población en edad de trabajar) que durante la semana de referencia de la encuesta, dedicaron al menos una hora a alguna actividad para producir bienes o servicios a cambio de una remuneración o beneficio.
Deben cumplir las siguientes condiciones en la encuesta:
Mayor o igual de 15 años.
a1
La semana pasada, es decir, entre lunes y domingo, ¿trabajó por lo menos una hora? observemos los primeros 6 registros:
1 Sí
2 No
Independientemente de lo que acaba de decir, ¿hizo algún negocio, “pololo” u otra actividad por cuenta propia por lo menos durante una hora? observemos los primeros 6 registros:
1 Sí
2 No
Por ese trabajo, ¿recibió o recibirá un pago en dinero o en especie? observemos los primeros 6 registros:
1 Sí
2 No
Los desocupados son todas las PET que, no estando ocupadas durante la semana de referencia, han llevado a cabo actividades de búsqueda de un puesto de trabajo durante las últimas cuatro semanas (incluyendo la semana de referencia) y que están disponibles para trabajar en las próximas dos semanas (posteriores a la de referencia).
Deben cumplir las siguientes condiciones en la encuesta:
En las cuatro últimas semanas, hasta el domingo de la semana de referencia, ¿ha tratado de encontrar algún empleo o ha hecho alguna gestión para crear su propia empresa o negocio?
1 Sí
2 No
Si durante la semana pasada, hubiera encontrado un trabajo, ¿estaría disponible para comenzar a trabajar de este lunes que viene al otro?
1 Sí
2 No
Son todas las personas de la PET que no son clasificados como ocupadas ni como desocupadas (no busca o no disponible).
La población objetivo de la ENE (Encuesta Nacional de Empleo) corresponde a la población en edad de trabajar, esto es, personas de quince años o más. Todas las estimaciones de empleo se acotan a esta definición, por lo que los filtros ya se encuentran incorporados. No obstante, la información sociodemográfica está disponible para la totalidad de los integrantes de un hogar. Dado que la unidad de análisis corresponde a personas, en un contexto de diseño muestral polietápico, se utiliza un factor de expansión. Éste se interpreta como la cantidad de personas en la población que representa una persona en la muestra. De acuerdo con el diseño de la muestra, corresponde aplicar este factor a cada persona seleccionada.
En ese sentido, se deben tener dos consideraciones:
Factor tradicional (fact): Se basa en las proyecciones de población del Censo 2002, utilizando una metodología de cálculo que divide a la población por sexo y según dos tramos etarios (personas menores de 15 años y personas de 15 años o más) (INE, 2018).
Factor calibrado (fact_cal): Utiliza las proyecciones del Censo 2017 y una metodología llamada raking, de mayor precisión.
referencia: libro-de-códigos-base-ene-2021
Automatizamos la lectura de las base de datos de los trimestres comenzando en el mes de Febrero del 2010 (no existe la data para Chile en Enero del 2010)
recep <- data.frame()
for (f in 2:9){
g <- paste0("Encuesta nacional de empleo/2010/ene-2010-0",f,".csv")
g <- read.csv(g)
recep <- rbind(recep, g)
}
for (f in 10:12){
g <- paste0("Encuesta nacional de empleo/2010/ene-2010-",f,".csv")
g <- read.csv(g)
recep <- rbind(recep, g)
}# recepidrph: es el indicador único de las personas.
recep_interes <- recep[,c(6,12,14,15,18,19,27,28,29,134,87,113)]
names(recep_interes)[2] <- "cod_comuna"cod_com <- readxl::read_xlsx("codigos_comunales.xlsx")names(cod_com)[6] <- "cod_comuna"
names(cod_com)[7] <- "Comuna"
cod_com$cod_comuna <- as.integer(cod_com$cod_comuna)cod_com <- cod_com[,c(6,7)]
o_y_d_2010_2_interes_codigo <- merge(recep_interes, cod_com, by = "cod_comuna")o_y_d_2010_2_interes_codigo$a1 = ifelse(is.na(o_y_d_2010_2_interes_codigo$a1),
"NA",
o_y_d_2010_2_interes_codigo$a1)
o_y_d_2010_2_interes_codigo$a2 = ifelse(is.na(o_y_d_2010_2_interes_codigo$a2),
"NA",
o_y_d_2010_2_interes_codigo$a2)
o_y_d_2010_2_interes_codigo$a3 = ifelse(is.na(o_y_d_2010_2_interes_codigo$a3),
"NA",
o_y_d_2010_2_interes_codigo$a3)
o_y_d_2010_2_interes_codigo$e2 = ifelse(is.na(o_y_d_2010_2_interes_codigo$e2),
"NA",
o_y_d_2010_2_interes_codigo$e2)
o_y_d_2010_2_interes_codigo$e11 = ifelse(is.na(o_y_d_2010_2_interes_codigo$e11),
"NA",
o_y_d_2010_2_interes_codigo$e11)# o_y_d_2010_2 %>% count(idrph)Empleo
Se denomina empleo a la generación de valor a partir de la actividad producida por una persona. Es decir, el empleado contribuye con su trabajo y conocimientos en favor del empleador, a cambio de una compensación económica conocida como salario. https://economipedia.com/definiciones/empleo.html
o_y_d_2010_2_interes_codigo_ocupados <- filter(o_y_d_2010_2_interes_codigo, edad >= 15 & a3 == 1 & (a1 == 1 | a2 == 1 ))ab <- o_y_d_2010_2_interes_codigo_ocupados
b <- ab$Comuna
c <- ab$cod_comuna
d <- ab$mes_encuesta #mes
e <- ab$ano_encuesta #anio
f <- ab$sexo #sexo
aaa <- xtabs(ab$fact_cal ~ unlist(b) + unlist(c) + unlist(d)+ unlist(e)+ unlist(f),ab)
aaa <- as.data.frame(aaa)
aaa <- aaa[aaa$Freq != 0,]names(aaa)[1] <- "Comuna"
names(aaa)[2] <- "Código"
names(aaa)[3] <- "Mes"
names(aaa)[4] <- "Año"
names(aaa)[5] <- "Sexo 1:h 2:m"
names(aaa)[6] <- "Ocupados"
aaa$clave <- paste(aaa$Código,aaa$Mes,aaa$Año,aaa$`Sexo 1:h 2:m`,sep="")
aaa <- data.frame(aaa)desocupados_e_inactivos <- o_y_d_2010_2_interes_codigo[ !(o_y_d_2010_2_interes_codigo$idrph %in% o_y_d_2010_2_interes_codigo_ocupados$idrph), ]
o_y_d_2010_2_interes_codigo_desocupados <- filter(desocupados_e_inactivos, (e2 == 1 & e11 == 1 ))ab <- o_y_d_2010_2_interes_codigo_desocupados
b <- ab$Comuna
c <- ab$cod_comuna
d <- ab$mes_encuesta #mes
e <- ab$ano_encuesta #anio
f <- ab$sexo #sexo
bbb <- xtabs(ab$fact_cal ~ unlist(b) + unlist(c) + unlist(d)+ unlist(e)+ unlist(f),ab)
bbb <- as.data.frame(bbb)
bbb <- bbb[bbb$Freq != 0,]names(bbb)[1] <- "Comuna"
names(bbb)[2] <- "Código"
names(bbb)[3] <- "Mes"
names(bbb)[4] <- "Año"
names(bbb)[5] <- "Sexo 1:h 2:m"
names(bbb)[6] <- "Desocupados"
bbb$clave <- paste(bbb$Código,bbb$Mes,bbb$Año,bbb$`Sexo 1:h 2:m`,sep="")
bbb <- data.frame(bbb)o_y_d_2010_2_interes_codigo_inactivos <- filter(desocupados_e_inactivos, (e2 == 2 & e11 == 2 ))ab <- o_y_d_2010_2_interes_codigo_inactivos
b <- ab$Comuna
c <- ab$cod_comuna
d <- ab$mes_encuesta #mes
e <- ab$ano_encuesta #anio
f <- ab$sexo #sexo
ccc <- xtabs(ab$fact_cal ~ unlist(b) + unlist(c) + unlist(d)+ unlist(e)+ unlist(f),ab)
ccc <- as.data.frame(ccc)
ccc <- ccc[ccc$Freq != 0,]
# ocupados_desocupados_e_inactivosnames(ccc)[1] <- "Comuna"
names(ccc)[2] <- "Código"
names(ccc)[3] <- "Mes"
names(ccc)[4] <- "Año"
names(ccc)[5] <- "Sexo 1:h 2:m"
names(ccc)[6] <- "Inactivos"
ccc$clave <- paste(ccc$Código,ccc$Mes,ccc$Año,ccc$`Sexo 1:h 2:m`,sep="")
ccc <- data.frame(ccc)Se unen las tres columnas
aaaa <- merge( aaa, bbb, by="clave")bbbb <- merge(aaaa, ccc, by="clave")bbbb <- bbbb[,-c(1,8,9,10,11,12,14,15,16,17,18)]datatable(bbbb, 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 = 'ocupados_desocupados_e_inactivos'),
list(extend='pdf',
filename= 'ocupados_desocupados_e_inactivos')),
text = 'Download')), scrollX = TRUE))