¿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.

Referencia: https://aleph.org.mx/que-es-la-economia-breve-resumen#:~:text=De%20esta%20forma%2C%20%C2%BFqu%C3%A9%20es%20la%20econom%C3%ADa%20en,comportamiento%20y%20las%20acciones%20de%20los%20seres%20humanos.

¿Qué es la reactivación económica?

Se denomina reactivación económica al 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.

Referencia: https://enciclopedia.banrepcultural.org/index.php?title=Reactivaci%C3%B3n_econ%C3%B3mica

¿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:

• Familias o economías domesticas: toman decisiones sobre qué consumir

• Empresas: toman decisiones sobre la producción y la distribución.

• Sector público: crea leyes para regular la forma de actuar de los otros agentes económicos en el mercado, redistribuye la renta y ofrece el precio más bajo o gratuitamente bienes y servicios que la sociedad cree que deben poder recibir toda la población como lo son el mismo ejército, salud, educación, agua, etc., aunque hay que destacar que esto último depende del tipo de gobierno de cada país.

• Sector externo: este sector esta formada ya sea por un grupo de inversionistas o instituciones extranjeras que son calves para llevar a cabo estrategias que pretende implementar el sector público para mantener las necesidades de un país.

• El Estado: el cual, es cual trata de regular a todos los agentes económicos y se considera que tiene la actividad económica más compleja; el Estado viene siendo prácticamente el Gobierno en su totalidad.

Referencia: https://laeconomia.com.mx/agentes-economicos/

¿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.

Referencia: https://www.cuentame.inegi.org.mx/economia/pib.aspx

¿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.

Referencia: https://gestion.pe/blog/economiaparatodos/2016/06/por-que-es-necesario-reactivar-la-economia.html

Casos de Covid

covid_confirmados <- ggplot(datos)+
  geom_line(aes(Fecha, Confirmado, colour="Confirmados"))+
  geom_line(aes(Fecha, Sospechosos, colour="Sospechosos"))+
  geom_line(aes(Fecha, Negativos, colour="Negativos"))+
  geom_line(aes(Fecha, Decesos, colour="Decesos"))+
  labs(title="Casos de Covid",x="Fecha",y="Número de casos")
ggplotly(covid_confirmados)

En esta gráfica podemos ver el número de casos confirmados de Covid durante los últimos 2 años, se pueden apreciar los distintos picos de contagios que han ocurrido, aunque pudiéramos pensar que los casos han disminuido con respecto a los años anteriores, la realidad es que es todo lo contrario ya que los picos de contagio no han hecho más que hacerse más grandes, y mas el ultimo pico que paso, ya que es más del triple de grande respecto al anterior.

¿Pero porqué pasa esto? Es normal pensar que los contagios serían menores ahora que las vacunas se aplican a la población del país, sin embargo es por esto mismo que hay más contagios que nunca, ya que las personas piensan que por estar vacunados es imposible que se contagien y dejan de tomar las medidas adecuadas.

También podemos ver como los contagios se comportan de manera cíclica, ya que los picos siempre son durante las mismas épocas, estas serían durante el verano y durante año nuevo, esto se debe a que las personas salen de vacaciones o celebran con sus familias y esto causa que el virus se propague fácilmente.

Se puede observar como los picos de casos coinciden siempre, esto debido a que mientras más contagiados haya, más decesos habrá, también habrá más sospechosos y más negativos.

Tasa de desempleo en México

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

En esta gráfica se puede ver la tasa de desempleo en México durante los años 2020, 2021 e inicios de 2022, podemos ver como la mayor tasa de desempleo se dio en el primer pico de contagios de Covid, esto claro debido a que las personas dejaron de consumir servicios y no salían de su casa, por lo que esto afectó a muchos negocios y por lo tanto muchas personas se quedaron sin empleo.

Producto Interno Bruto anual per cápita en México desde 1960

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

Como se puede ver en la gráfica, el PIB va escalando según los años, después del año 2000 se observa que el PIB per cápita sube de una manera muy rápida esto se puede deber a que las empresas están produciendo más bienes y prestando más servicios, esto representa mayores ingresos para las empresas, al mismo tiempo una mayor economía para el estado.

También se puede ver que, en el año 2020 el PIB decae, desde luego, esa caída se debe al Coronavirus y a la pandemia, la gente perdió sus empleos y las empresas no generan tantas ganancias.

Tasa neta de matriculación según nivel educativo

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)

En esta gráfica podemos ver como ha ido variando la tasa neta de matriculación según el nivel educativo, se puede observar como la tasa de preescolar subió bastante desde el año 2000, la de primaria siempre ha estado bastante estable y la de secundaria también ha estado subiendo desde el año 2000, sin embargo en el año 2020 se puede ver como la tasa de preescolar bajo un 5.8%, lo cual es bastante notorio, además podemos ver que en los otros niveles educativos no hubo una reducción asi, esto se debe principalmente a que los padres tienen miedo a que sus hijos se contagien y por lo tanto no los dejan ir a la escuela y al ser muy pequeños no sabían cómo tomar clases en línea a diferencia de los niños de primaria y secundaria, los cuales ya podrían tomar clases en linea sin problema y por esta razón la tasa en esos niveles no disminuyó de esa manera.

Reporte de movilidad

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)

En esta gráfica podemos observar cómo las personas se movían, podemos ver claras relaciones respecto a los casos de contagiados de Covid, la relación más obvia es la del comienzo, ya que las personas tenían miedo ya que el Covid era un virus que llegó de la nada por lo que era obvio que causaría cierto pánico.

Este pánico provocaría que las personas se comenzarán a quedar en sus casas y dejaran de ir a trabajar y lo hicieran desde casa, sin embargo había personas que no se podían permitir esto ya que si no trabajan un dia no tendrían ni siquiera para comer, es importante resaltar que cuando el índice de movilidad en los hogares aumenta se reduce en los demás.

Algo interesante es que cuando el índice de movilidad en supermercados y farmacias sube repentinamente, poco después ocurre un pico de contagios de Covid, por lo que se podría predecir en base a esto.

Claro que mientras iba pasando el tiempo las personas comenzaban a perder el miedo, por lo que comenzaban a salir mas de sus casas y esto también ocasiona que los contagios sigan subiendo mas y mas.

Correlación entre la movilidad y los contagios de Covid

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

Aquí podemos ver como las variables se correlacionan entre sí. Podemos ver que los contagios se correlacionan más con los lugares de comercio y farmacias.

Además podemos ver que se correlaciona de manera negativa con los lugares de trabajo ya que cuando la pandemia empezó y los contagios subían las personas no iban a trabajar.

Carrera a la reactivación económica

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")

Se puede ver como existen diversos factores que afectan la economía y por consiguiente a la reactivación económica, los más importantes que podemos notar son el Analfabetismo, el porcentaje de población mayor a 15 años sin educación básica y por último el índice de marginación. Esto hace más visible como la educación tiene un impacto tan grande en la economía de un país, ya que es necesaria y sin duda alguna para tener una reactivación económica sostenible es realmente importante mejorar la educación del país.

Análisis de series de tiempo

El análisis de series de tiempo tiene muchas aplicaciones en diversos campos de la ciencia. Por ejemplo, en la economía continuamente se está expuesto a observaciones de los mercados financieros, indicadores de empleo, índices o indicadores del nivel de producción, índices de precios, etc.

La siguiente serie de tiempo mostrará la variación existente en el Producto Interior Bruto per cápita anual para México desde 2010 hasta 2020.

pib_ts <- ts(pibMex [,2], frequency = 4, start = 2010)
pib_ts

##       Qtr1  Qtr2  Qtr3  Qtr4
## 2010 14.73 14.89 15.03 15.15
## 2011 15.27 15.34 15.64 15.75
## 2012 15.85 15.98 16.08 16.22
## 2013 16.26 16.16 16.31 16.41
## 2014 16.52 16.73 16.78 16.97
## 2015 17.06 17.26 17.47 17.43
## 2016 17.53 17.60 17.77 17.97
## 2017 18.06 18.13 18.05 18.29
## 2018 18.50 18.53 18.56 18.51
## 2019 18.57 18.57 18.57 18.36
## 2020 18.17 15.11 16.98 17.54

plot(pib_ts)

Podemos observar como se ha movido el Producto Interno Bruto anual en México, en trillones de pesos mexicanos.

Buscamos datos faltantes

anyNA(pib_ts)

## [1] FALSE

No existen datos faltantes por lo tanto podemos continuar.

Descomposición de la serie de tiempo

La descomposición de una serie de tiempo se utiliza para identificar y calcular aquellos componentes existentes en la serie de tiempo y la forma en que se relacionan con el propósito de contruir predicciones. Esta se utilizará para ver como se relacionan los componentes de la serie de tiempo.

pib_dec <- pib_ts %>%
decompose(type="multiplicative") %>%
autoplot()
pib_dec

En este caso se realizo la descomposicion de la serie de tiempo de los datos del Producto Interno Bruto anual para México.

Validación cruzada

La validación cruzada o cross-validation es una técnica utilizada para evaluar los resultados de un análisis estadístico y garantizar que son independientes de la partición entre datos de entrenamiento y prueba.

test_datos <- tail(pib_ts, 8)  #20% para pruebas
train_datos <- head(pib_ts, length(pib_ts)-8) #80% para entrenamiento

Holt-Winters

datosHW <- HoltWinters(train_datos, seasonal = "multiplicative")
datosHW

## Holt-Winters exponential smoothing with trend and multiplicative seasonal component.
## 
## Call:
## HoltWinters(x = train_datos, seasonal = "multiplicative")
## 
## Smoothing parameters:
##  alpha: 0.8758086
##  beta : 0.04552094
##  gamma: 0.9888066
## 
## Coefficients:
##          [,1]
## a  18.5200257
## b   0.1090110
## s1  1.0010476
## s2  0.9974213
## s3  0.9975426
## s4  0.9994762

Forecast

pib_forecast <- forecast(object = datosHW, h = 8)

Visualizando resultados

pib_ts %>%
  autoplot(series = "actual") +
  autolayer(pib_forecast$fitted, series = "train") +
  autolayer(pib_forecast$mean, series = "test") +
  theme_minimal()

## Warning: Removed 4 row(s) containing missing values (geom_path).

Datos reales VS Datos del modelo ARIMA

Procederemos a observar los resultados del modelo ARIMA de manera gráfica.

train_datos %>%
  autoplot(series= "Datos reales") +
  autolayer (pib_auto$fitted, series = "SARIMA Auto") +
  theme_minimal()

Podemos observar como el modelo ARIMA se parece en gran medida a los datos reales y por su parte logra hacer una predicción sin tantos errores.

Analisis de los cambios diferenciales en la serie de tiempo

tsdisplay(pib_diff)

datos2 <- as.data.frame(movilidad_covid_regresion)
round(cor(x = datos2, method="pearson"), 3)

##                        Comerciorecreacion supermercadosfarmacias Parques
## Comerciorecreacion                  1.000                  0.951   0.926
## supermercadosfarmacias              0.951                  1.000   0.865
## Parques                             0.926                  0.865   1.000
## Estacionesdetransito                0.952                  0.904   0.912
## Lugaresdetrabajo                    0.688                  0.646   0.689
## Residencial                        -0.800                 -0.714  -0.770
## Confirmados                         0.159                  0.219   0.044
## Sospechosos                        -0.175                 -0.129  -0.246
## Negativos                           0.322                  0.384   0.103
## Decesos                            -0.474                 -0.443  -0.573
##                        Estacionesdetransito Lugaresdetrabajo Residencial
## Comerciorecreacion                    0.952            0.688      -0.800
## supermercadosfarmacias                0.904            0.646      -0.714
## Parques                               0.912            0.689      -0.770
## Estacionesdetransito                  1.000            0.847      -0.898
## Lugaresdetrabajo                      0.847            1.000      -0.890
## Residencial                          -0.898           -0.890       1.000
## Confirmados                           0.060           -0.040       0.083
## Sospechosos                          -0.305           -0.414       0.501
## Negativos                             0.177           -0.083      -0.037
## Decesos                              -0.505           -0.357       0.402
##                        Confirmados Sospechosos Negativos Decesos
## Comerciorecreacion           0.159      -0.175     0.322  -0.474
## supermercadosfarmacias       0.219      -0.129     0.384  -0.443
## Parques                      0.044      -0.246     0.103  -0.573
## Estacionesdetransito         0.060      -0.305     0.177  -0.505
## Lugaresdetrabajo            -0.040      -0.414    -0.083  -0.357
## Residencial                  0.083       0.501    -0.037   0.402
## Confirmados                  1.000       0.660     0.688   0.250
## Sospechosos                  0.660       1.000     0.422   0.398
## Negativos                    0.688       0.422     1.000   0.272
## Decesos                      0.250       0.398     0.272   1.000

modelo <- lm(Decesos ~ Lugaresdetrabajo,data = datos2)
summary(modelo)

## 
## Call:
## lm(formula = Decesos ~ Lugaresdetrabajo, data = datos2)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -650.48 -206.62  -34.62  177.27 1038.34 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       344.315     12.718   27.07   <2e-16 ***
## Lugaresdetrabajo   -5.336      0.504  -10.59   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 290.5 on 767 degrees of freedom
## Multiple R-squared:  0.1275, Adjusted R-squared:  0.1264 
## F-statistic: 112.1 on 1 and 767 DF,  p-value: < 2.2e-16