1 Comparación de la desigualdad entre los países de África y Colombia

1.1 Introducción

Las Naciones Unidas han descrito la desigualdad mundial como “un problema arraigado” considerando que en los ultimos 30 años la pobreza se ha incrementado entre los más pobres y la porción de riqueza de los más ricos sigue creciendo. Esto se debe a factores como los salarios de los trabajadores, las políticas económicas adoptadas en diferentes países y regiones del mundo, asuntos tributarios, tecnológicos, de género, entre otros. También se menciona las diferencias que se presentan en este desbalance de riqueza y pobreza según la región geográfica.

fuente: https://www.un.org/es/un75/inequality-bridging-divide

Las Naciones Unidas informa y comparte datos del Índice de Desarrollo Humano (IDH) el cual representa el avance promedio del desarrollo humano en las tres dimensiones básicas: i) esperanza de vida (salud), ii) educación e iii) ingresos. fuente: https://rpubs.com/Jsalam/854331

Contamos con este conjunto de datos para analizar desigualdades en diferentes paises y formular un pregunta de análisis de nuestro interes.

1.2 Pregunta de Investigación

Con la información presenta a través de los diferentes medios de comunicación de ONGs y entidades sin ánimo de lucro que buscan mejorar la calidad de vida de personas clasificadas en extrema probreza, tenemos la percepción de que África es uno de los continentes con mayor desigualdad a nivel mundial. Sin embargo, Colombia es un país con índices de violencia y desplazamiento elevados desde su fundación como República; los cuales se atribuyen a multiples factores tan antiguos como las divisiones de partidos políticos y en las últimas décadas con el narcotráfico, largas guerras con grupos armados al margen de la Ley como guerrillas y paramilitares, que han ocasionado desplazamientos y extrema pobreza.

Por lo anterior, planteamos realizar una comparación de los indices de algún pais Africa, un continente con índices elevados de pobreza en gran parte de su territorio, que haya prsentado el mismo indice de pobreza en 2010 con Colombia en el mismo periodo. Como Colombianos, percibimos nuestro pais como un lugar privilegiado en Sur America, ubicado geográficamente en una zona rica y estratégica a nivel mundial; queremos determinar con esta pregunta cómo ha sido el avance de ambos paises y qué podemos aprender si el pais comparado es un caso de exito para entender qué podemos mejorar en Colombia.

1.3 Estadísticas descriptivas

Realizamos una exploralación general de los datos y ajustamos los mismos de acuerdo a los objetivos y pregunta de investigación:

library(ggplot2)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(data.table)
## 
## Attaching package: 'data.table'
## The following objects are masked from 'package:dplyr':
## 
##     between, first, last
library(ggThemeAssist)

Coeficiente <- read.csv("../Final/Coefficient_of_human_inequality_2010-2019.csv", sep=";", stringsAsFactors=TRUE, dec = ",")
Educacion  <-  read.csv("../Final/Inequality_Education_2010-2019.csv", sep=";", dec = ",")
Ingresos  <-  read.csv("../Final/Inequality_Income_2010-2019.csv", sep=";", dec = ",")
Vida  <-  read.csv("../Final/Inequality_Life_Expectancy_2010-2019.csv", sep=";", dec = ",")
map_2022 <- read.csv2("../Final/map_2022.csv")
map_project <- filter(map_2022, region =='Africa' | Country_Name == 'Colombia')

ggplot(map_2022, aes(x = long, y = lat)) +
  geom_polygon(aes(group = group), color=as.factor(map_2022$region), fill=NA)+
  geom_polygon(data = map_project, aes(group = group), color=as.factor(map_project$region) ,fill = as.factor(map_project$region.code))+
  labs(title = "Regiones del Mundo - Africa y Colombia", caption = "territorios", x = "Longitude", y= "Latitude")+ theme_bw()

ggplot(map_project, aes(x = long, y = lat)) + 
  geom_polygon(aes(group = group), color=as.factor(map_project$region), fill=as.factor(map_project$region.code))+
  labs(title = "Comparación Principal - Paises de Africa VS Colombia")+ theme_bw()

1.3.1 Datos de Colombia

Examinemos el indice desde 2010 a 2019 en nuestro pais:

CoefColombia <- filter(Coeficiente, Country == 'Colombia')
CoefColombia$variable <- as.factor(CoefColombia$variable)

# Revisar los valores históricos de Colombia
ggplot(CoefColombia) +
  aes(x = variable, y = value, fill=variable) +
  stat_summary(geom = "bar", fun = "mean")+labs(title = "Colombia", x=" " , y = "Coeficiente", subtitle = "Comportamiento historico")+ theme(legend.position='none') +geom_text(aes(label=value),color="black",size=1.5,position=position_stack(vjust=0.5))

Del gráfico anterior, observamos que Colombia ha disminuido 6 puntos entre 2010 y 2019.

1.3.2 Datos de Paises de Africa

Revisemos los coeficientes de todos los paises de Africa, identificando valores que se encuentren en rango similar al de Colombia:

1.3.2.1 Coeficiente en Paises de Africa en 2010

Todos <- merge(x=Coeficiente,y=map_2022,by="ISO3")
Africa <- filter(Todos, region =='Africa')

GrafiAfrica <- Africa
GrafiAfrica$Country <- as.factor(GrafiAfrica$Country)
Grafi2010<- filter(GrafiAfrica, variable ==2010)

Grafi2010<- Grafi2010[!is.na(Grafi2010$value),]#Eliminar paises sin datos
#str(Grafi2010)
Graf <- distinct(Grafi2010, ISO3, value)

#str(Graf)
Graf$ISO3 <- as.factor(Graf$ISO3)

grafica <- ggplot(Graf)
grafica <- grafica + aes(x=ISO3, y= value, fill=ISO3)
grafica <- grafica + geom_col(alpha = 0.5)
grafica <- grafica+labs(title = "Coeficiente de Africa en 2010", x="Paises",y = "Coeficiente",caption = "Datos tomados de las Naciones Unidas")+theme(legend.position = "none", axis.text.x = element_text(angle = 90, hjust = 1))+geom_text(aes(label=value),color="black",size=1.5,position=position_stack(vjust=0.5))
grafica

1.3.2.2 Coeficiente de Paises de Africa en 2019

Grafi2019<- filter(GrafiAfrica, variable ==2019)

Grafi2019<- Grafi2019[!is.na(Grafi2019$value),]#Eliminar paises sin datos
#str(Grafi2010)
Graf2019 <- distinct(Grafi2019, ISO3, value)

#str(Graf)
Graf2019$ISO3 <- as.factor(Graf2019$ISO3)

Graf2019 <- distinct(Grafi2019, ISO3, value)

#str(Graf)
Graf2019$ISO3 <- as.factor(Graf2019$ISO3)

grafica2019 <- ggplot(Graf2019)
grafica2019 <- grafica2019 +aes(x=ISO3, y= value, fill=ISO3)
grafica2019 <- grafica2019 + geom_col(alpha = 0.5)
grafica2019 <- grafica+labs(title = "Coeficiente de Africa en 2019", x="Paises",y = "Coeficiente",caption = "Datos tomados de las Naciones Unidas")+theme(legend.position = "none", axis.text.x = element_text(angle = 90, hjust = 1))+geom_text(aes(label=value),color="black",size=1.5,position=position_stack(vjust=0.5))
grafica2019

De acuerdo a esta gráfica, los países en Africa con un indice similar a los registrados por Colombia(27.5) en 2010 fueron: -MAR: Morocco/Marruecos - 27,2 -TZA: Tanzania - 27,9

MAR no cuentan con datos en 2019 por lo cual no podemos comparar su comportamiento total con el de Colombia; sin embargo, Tanzania y algun otro que presente valores cercanos y datos en todos los años.

Es importante resaltar que GAB: Gabòn, tiene un indice de 20.4, inferior a Colombia en 2019. Lo cual representa un dato a tener en cuenta, teniendo en cuenta la introducción de esta investigación.

1.3.2.3 Historico de coeficiente de Paises de Africa en 2019

Presentamos entonces un historico de los años 2010 a 2019 de todos los paises de africa que registraron un coheficiente en un rango similar al de Colombia.

dataAfrica <- Coeficiente
c <- c("AGO","BDI","BEN","BFA","BWA","CAF","CIV","CMR","COD","COG","COM","DJI","DZA","EGY","ERI","ETH","MYT","GAB","GHA","GIN","GMB","GNB","GNQ","KEN","LBR","LBY","LSO","MAR","MDG","MLI","MOZ","MRT","MUS","MWI","NAM","NER","NGA","RWA","ESH","SDN","SSD","SEN","SHN","SLE","SOM","STP","SYC","TCD","TGO","TUN","TZA","UGA","ZAF","ZMB","
ZWE")

dataAfrica <- filter(dataAfrica, ISO3 %in% c)
dataAfrica$variable <- as.factor(dataAfrica$variable)
dataAfrica2 <- filter(dataAfrica, value >20 & value <30.0)
dataAfrica$value <- as.factor(dataAfrica$variable)

chart <- ggplot(dataAfrica2, aes(x=variable, y=value, fill=value))
chart <- chart + geom_col()
chart <- chart + facet_wrap(~ISO3)
chart <- chart + scale_fill_viridis_c(option="magma",limits = c(10,30)) 
chart <- chart + labs(title = "Comportamiento del Coeficiente con valores entre 20 y 30 en Paises Africa ",  caption = "Fuente UN", x = "año", y= "valor") 
chart <- chart + theme(axis.text.x = element_text(angle = 90))
chart

La gráfica anterior muestra los paises con coeficiente entre 20 y 30, identificando a:

  • EGY:Egypt
  • TZA:Tanzania

Los cuales tienen registros en todos los años y coinciden con el promedio registrado por Colombia. Incluiremos dentro del estudio a GAB: gabón, el cual registra datos en 2010, 2013 hasta 2019, como caracteristica particular este pais, tiene un menor indice que Colombia.

2 Análisis

2.1 Comparacion de Eduacion

Educacion <- filter(Educacion, ISO3 %in% c("EGY","TZA","GAB","COL"))

chart <- ggplot(Educacion, aes(x=variable, y=value))
chart <- chart + geom_point()+ geom_line()
chart <- chart + facet_wrap(.~ISO3)
chart <- chart + labs(title = "Comparación Inequidad en Educación ",  caption = "Fuente UN", x = "año", y= "valor") 
chart <- chart + theme(axis.text.x = element_text(angle = 90))+ xlim(2009, 2020)
chart

En este aspecto observamos que Colombia presenta una disminución de inequidad con respecto a los otros paises, siendo estos registros muy similares a los de Tanzania. Importante resaltar la diferencia en las curvas de todos los paises seleccionados para el estudio con Gabón, el cual, aparentemente no registra cambios del 2013 al 2019 en este aspecto.

2.2 Comparacion de Ingresos

Ingresos <- filter(Ingresos, ISO3 %in% c("EGY","TZA","GAB","COL"))

chart <- ggplot(Ingresos, aes(x=variable, y=value))
chart <- chart + geom_point()+ geom_line()
chart <- chart + facet_wrap(.~ISO3)
chart <- chart + labs(title = "Comparación Inequidad en Ingresos ",  caption = "Fuente UN", x = "año", y= "valor") 
chart <- chart + theme(axis.text.x = element_text(angle = 90))+ xlim(2009, 2020)
chart

La inequidad en los ingresos registra valores opuestos a los presentados en el aspecto de Educación. Siendo este mucho mas alto en Colombia vs los otros paises del analisis. Gabon y Tanzania presentan un comportamiento constante para este aspecto mientras que Egipto, muestra un crecimiento significativo para el año 2014 y 2015. Finalmente, un aspecto a resaltar es que Colombia es el único pais del estudio que marca un decrecimiento en este aspecto a diferencia de los otros paises presentes, manteniendo valores altos frente a los otros paises del analisis.

2.3 Comparacion de Expectativa de Vida

Vida <- filter(Vida, ISO3 %in% c("EGY","TZA","GAB","COL"))

chart <- ggplot(Vida, aes(x=variable, y=value))
chart <- chart + geom_point()+ geom_line()
chart <- chart + facet_wrap(.~ISO3)
chart <- chart + labs(title = "Comparación Expectativa de Vida ",  caption = "Fuente UN", x = "año", y= "valor") 
chart <- chart + theme(axis.text.x = element_text(angle = 90))+ xlim(2009, 2020)
chart

Todos los paises presentes en este analisis, registran un comportamiento similar en este aspecto, decreciendo la inequidad en cuanto a la Expectativa de Vida, pese al decrecimiento general, Gabon y Tanzania, registran valores en un rango mas elevados que Egipto y Colombia.

2.4 Comparacion de coeficientes - Boxplot

CoeficienteC <- filter(Coeficiente, ISO3 %in% c("EGY","TZA","GAB","COL"))

#Revisando la informacion desde 2013 a 2019
CoeficienteCF <- filter(CoeficienteC, variable %in% c(2013,201,2015,2016,2017,2018,2019))

# Code copied from Esquisse
ggplot(data = CoeficienteC) +
  aes(x = ISO3, y = value, fill = ISO3, color = ISO3) +
  geom_boxplot() +
  theme(legend.position = "none", axis.text.x = element_text(angle = 90, hjust = 1))

# Code copied from Esquisse
ggplot(data = CoeficienteCF) +
  aes(x = ISO3, y = value, fill = ISO3, color = ISO3) +
  geom_boxplot() +
  theme(legend.position = "none", axis.text.x = element_text(angle = 90, hjust = 1))

En la primera grafica no eliminanos los datos faltantes para Gabón, lo cual explica la diferencia entre las gráficas.

3 Conclusión