La oferta laboral en el Distrito Capital
Analizo la oferta laboral en el Distrito Capital, la que, recordemos, está formada por la población de 15 o más años ocupada, que desempeña una actividad económica, está trabajando; en tanto que la población desocupada es la población de 15 o más años que está en capacidad de realizar una actividad, tiene la disposición para realizarla, busca trabajo y no lo encuentra. Adicionalmente, está la población de 15 o más años que no ésta ocupada ni desempleada. Ambos grupos,población ocupada y población desocupada, conforman la población activa. La población económicamente inactiva: jubilados y pensionados, estudiantes, quienes desempeñan labores del hogar, y personas discapacitadas para trabajar.
Inicio el análisis observando la población total:
kable(vM[,c(1,2,5)], nombres=c("Grupos de edad",
"Personas",
"Variabilidad"),
format.args = list(decimal.mark = ",",
big.mark = "."),
caption="Distrito Capital. Variabilidad intercensal de la poblcion egun grupos de edad"
)| grupos | media | coef.var | |
|---|---|---|---|
| 16 | 75 + | 32.699 | 38,60 |
| 15 | 70-74 | 23.984 | 31,25 |
| 10 | 45-49 | 86.665 | 22,24 |
| 11 | 50-54 | 74.495 | 21,70 |
| 14 | 65-69 | 32.585 | 21,40 |
| 9 | 40-44 | 106.539 | 18,26 |
| 13 | 60-64 | 44.052 | 17,90 |
| 1 | 0-4 | 186.976 | 16,37 |
| 8 | 35-39 | 126.660 | 13,14 |
| 12 | 55-59 | 54.937 | 11,86 |
| 4 | 15-19 | 182.474 | 8,42 |
| 6 | 25-29 | 174.284 | 8,23 |
| 2 | 5-9 | 178.369 | 7,91 |
| 3 | 10-14 | 175.385 | 6,63 |
| 5 | 20-24 | 193.279 | 6,00 |
| 7 | 30-34 | 152.088 | 0,82 |
Los grupos de edad que mayor variaciónhan presentado en los treintas años transcurridos entre el censo de 1981 y el de 2011, han sido las pesonas de 75 y más años, seguidos del grupo de 70-74. En general, la mayor variación se presenta en grupos mayores de 40 años, excepto en el grupo de 55-59 años. El grupo que menos varió, y por tanto mantuvo un crecimiento estable, fue el grupo de 30-34 años.
ggplot(data=vM, aes(logMedia, coef.var,
label = grupos,
xlab= "Log de la poblacion media",
ylab= "Coeficiente de variación de la poblacion media ")) +
geom_text()
# promedio la poblacion 2001-2011
prom <-sum(poblacion[,4:5])/2
# porcentaje de la poblacion de 15 y mas
an <-cbind(pob_15Pro[1,2:4]/prom,
pob_15Pro[1,5:6]/1943901)
ot <- 1-an
etiquetas <-gsub("X", "",fechas)
an <-rbind(an,ot)
names(an)<-etiquetasbarplot(as.matrix(an),
col=c("gray25", "gray85"),
border="gray98",
ylim= c(0,1.2),
main= "Distrito Capital. Proporcion de\n la poblacion de 15 y mas edad",
legend.text = c("15+", "Resto"),
args.legend = list(x = "topleft",
ncol=2, bty="n"))
La población de 15 y más años representa la mayor proporción de la población del Distrito Capital entre 2008 y 2012; La población total femenina es ligeramente mayor a la masculina. En este lapso, la población femenina excede a la masculina entre 4 y, redondeando, 6 puntos porcentuales. Por otra parte, la población femenina tiene un decrecimiento de casi un punto porcentual, -0.58%, en tanto que la masculina crece en casi tres puntos,2.6%
# Preparo la data para crear una tabla posteriormente
# porcentaje de las poblaciones masculinas
# y femeninas con respecto al total
porc1<-data.frame(poblacion = "Hombres (%)",
round(pob_15Pro[2,2:6]/pob_15Pro[1,2:6]*100,2))
porc2<-data.frame(poblacion = "Mujeres (%)",
round(pob_15Pro[3,2:6]/pob_15Pro[1,2:6]*100,2))
#Agrego esa informacion al marco de datos existente
poblacionTotal <- rbind(pob_15Pro[1:2,1:6],
porc1[1,1:6],
pob_15Pro[3, 1:6],
porc2[1,1:6])Creo la tabla
kable(poblacionTotal, row.names = FALSE,
caption="Distrito Capital. Poblacion de 15 y mas edad",
col.names = c("Poblacion",
"2008",
"2009",
"2010",
"2011",
"2012"),
booktabs = TRUE,
format.args = list(decimal.mark = ","
, big.mark = ".")) | Poblacion | 2008 | 2009 | 2010 | 2011 | 2012 |
|---|---|---|---|---|---|
| total | 1.586.988,00 | 1.597.102,00 | 1.607.766,00 | 1.618.212,00 | 1.628.296,00 |
| Hombre | 761.300,00 | 763.776,00 | 767.942,00 | 772.356,00 | 776.538,00 |
| Hombres (%) | 47,97 | 47,82 | 47,76 | 47,73 | 47,69 |
| Mujer | 825.689,00 | 833.325,00 | 839.823,00 | 845.855,00 | 851.758,00 |
| Mujeres (%) | 52,03 | 52,18 | 52,24 | 52,27 | 52,31 |
# extraigo los porcentajes
fuerza <- poblacionTotal[c(3,5),]
colnames(fuerza)[2:6] <- c(2008:2012)
# extraigo la diferencia en los porcentajes
diferencias <-matrix(fuerza[2,2:6]-fuerza[1, 2:6])
cambioH <-cambio(minuendo = poblacionTotal[1,3:6],
sustraendo = poblacionTotal[1,2:5],
divisor = poblacionTotal[1,2:5], 100)
cambioM <-cambio(minuendo = poblacionTotal[3,3:6],
sustraendo = poblacionTotal[3,2:5],
divisor = poblacionTotal[3,2:5], 100)layout(rbind(c(2,3),
c(1,1),
c(1,1)))
barplot(as.matrix(fuerza[,2:6]), beside=TRUE,
col=c("gray25", "gray85"),
border="gray96",
ylim=c(0,65),
main="Poblacion 15+ segun sexo")
legend("topright", legend=c("Hombre", "Mujer"),
col=c("gray25", "gray85"), pch=15,
ncol=2)
plot( c(2008:2012), diferencias, type="l",
col="darkblue",
yaxt="n",
ylim=c(4.0, 4.8),
xlab="",
ylab= "%",
main="Diferencia poblacion \nhombre-mujer (%)")
axis(2, at=c(4.1, 4.4,4.7), las=2, col="gray50",
col.ticks="gray50",col.axis="gray60")
axis(1,col.axis="gray60")
box(col="white")
plot( c(2009:2012), cambioH, type="n",
yaxt="n",
ylim=c(-0.3, 0.7),
xlab="",
ylab= "%",
main="Variacion poblacion \nsegun sexo (%)")
axis(2, at=c(-0.30, 0.7), las=2, col="gray50",
col.ticks="gray50",col.axis="gray60")
axis(1,col.axis="gray60")
lines(c(2009:2012), cambioH, type="l", col="gray25")
axis(4,at=c(0.60, 0.7),col.axis="gray25",
las=2)
lines(c(2009:2012), cambioM, type="l", col="gray85")
axis(4,at=c(-0.30, -0.08),col.axis="gray25",
las=2)
box(col="white")
Distrito Capital
names(indicadores)[2:6] <-gsub("X", "",
names(indicadores[2:6]))
indicadores[1,1]<-"De 15 y mas"kable(indicadores, row.names = FALSE,
format.args = list(decimal.mark = ","
, big.mark = ".")
)| poblacion | 2008 | 2009 | 2010 | 2011 | 2012 |
|---|---|---|---|---|---|
| De 15 y mas | 1.586.988,0 | 1.597.102,0 | 1.607.766,0 | 1.618.212,0 | 1.628.296,0 |
| Activa | 1.040.298,0 | 1.036.431,0 | 1.043.538,0 | 1.039.312,0 | 1.073.065,0 |
| Ocupada | 963.324,0 | 969.918,0 | 975.378,0 | 967.013,0 | 1.000.101,0 |
| Desocupada | 76.974,0 | 66.514,0 | 68.160,0 | 72.298,0 | 72.964,0 |
| Inactiva | 546.690,0 | 560.670,0 | 564.228,0 | 578.900,0 | 555.230,0 |
| Tasa de actividad (%) | 65,6 | 64,9 | 64,9 | 64,2 | 65,9 |
| Tasa de ocupación (%) | 92,6 | 93,6 | 93,5 | 93,0 | 93,2 |
| Tasa de desocupación (%) | 7,4 | 6,4 | 6,5 | 7,0 | 6,8 |
| Tasa de inactividad (%) | 34,4 | 35,1 | 35,1 | 35,8 | 34,2 |
La fuerza laboral en Distrito Capital se mantuvo entre 64.9 y 65.9 por ciento de la población mayor de 15 años. Recordemos que esta población constituye un poco más del 80% de la población total del Distrito Capital. Lo que implica que, aproximadamente, de cada 10 personas en el Distrito Capital, 6 forman parte de la fuerza laboral. La estabilidad de la fuerza laboral sugiere que en el lapso analizado, al menos 4 personas pudieron, potencialmente, optar por no buscar activamente empleo, y, posiblemente, ser sostenida por otro miembro de la familia.
Un poco más de un tercio de la población total del Distrito Capital pertenece a esa parte de la fuerza labora que se dedican a quehaceres del hogar, son estudiantes, discapacitados para trabajar o están en otra situción. Son la población inactiva.
De la fuerza laboral, en promedio, el 92.6% de la población obtuvo empleo. Esto, con respecto a la población total del Distrito Capital representa aproximadamente el 52%. Es decir, cinco de cada 10 personas obtuvieron, en promedio, empleo entre 2008 y 2012. Si tomamos en cuenta la relación entre el número de personas ocupadas y el número de personas inactivas, cada persona ocupada sostuvo, en promedio, a dos personas.
Tomando en cuenta el índice nacional de precios al consumidor en el lapso 2008-2012 y la tasa de desempleo (desocupación) del primer semestre, época de cada año en la que esta tasa suele ser más alta, observamos que, al disminuir la inflación la tasa de desempleo se incrementa. Entre 2008 y 2010, por cada cuatro puntos porcentuales de inflación hubo un punto porcentual de desempleo; en 2012, momento en el que la inflación promedio se ubicó en el nivel más bajo, la relación inflación/desempleo disminuyó y por cada punto porcentual de desempleo hubo 3 puntos de inflación
inpc <- c("2008"=30.9,"2009"=25.1, "2010"=27.2,
"2011"=27.6, "2012"= 20.1)
des <-data.frame(empleo1[7,seq(2,11, by=2)])plot(matrix(inpc/des), type="l", xaxt="n",
xlab="", ylab = "Relacion", las=2,
main="Relacion tasa de inflacion/tasa de desempleo")
box(col="gray94")
Examinando el desempleo de acuerdo con el sexo de la persona
# reordeno los niveles de la variable semestres
# para que en la visualizacion julio se muestre en primer lugar
do1$semestres <- factor(do1$semestres,
ordered = TRUE,
levels = c("Jul", "Dic"))
# convierto en fecha la variable anio
do2 <-creaFecha(do1, semestres, anios, pegar=TRUE)qplot(fechas, values,
data=do2,
xlab="", ylab="Tasa", col=etiqueta,
main="Distrito Capital. Tasa de desocupacion\n segun variacion") + geom_line()
La desocupacción femenina tendió a ser más alta que la masculina, especialmente entre el 2011 y el 2012, s bien en 2008-2009 fue inferior a la tasa de desocupación
# reordeno los niveles de la variable semestres
# para que en la visualizacion julio se muestre en primer lugar
inactividadS$semestres <- factor(inactividadS$semestres,
ordered = TRUE,
levels = c("Jul", "Dic"))
inactivos <-creaFecha(do1, semestres, anios, pegar=TRUE)qplot(fechas, values,
data=inactivos,
xlab="", ylab="Tasa", col=etiqueta,
main="Distrito Capital. Tasa de inactividad\n segun variacion") + geom_line()
La tasa de inactividad es negativa entre 2008 y 2010, lo que es consistente con el nivel de ocupación femenina en ese mismo periodo.
Situación de la ocupación
# reordeno los niveles de la variable semestres
# para que en la visualizacion julio se muestre en primer lugar
o1$semestres <- factor(o1$semestres,
ordered = TRUE,
levels = c("Jul", "Dic"))
o2<-creaFecha(do1, semestres, anios, pegar=TRUE)qplot(fechas, values,
data=o2,
xlab="", ylab="Tasa", col=etiqueta,
main="Distrito Capital. Tasa de ocupacion\n segun variacion") + geom_line()
Ocupación según rama de actividad
resumen_Ramas <- porRamaS %>%
group_by(abreviacion) %>%
summarise(minimo = min(ocupados),
mediana= median(ocupados),
maximo = max(ocupados))
rR <-apilar(resumen_Ramas[,2:4],
etiqueta=resumen_Ramas$abreviacion)qplot(values/1000,etiqueta, data=rR,
geom="jitter", col=ind,
ylab="",
xlab="Miles de personas",
size=values/1000) +
scale_colour_manual(values=mispaletas,
name="Valor:")
Las tres actividades que mayor número de ocupados presentan, y por enden son las ramasde producción más activas en el Distrito Capital, son Servicios comunales, sociales y personales, con un promedio de 370 mil personas en los ocho semestres analizados, seguido de Comercio, restaurantes y hoteles, 217 mil personas, y Establecimientos financieros, seguros y bienes muebles, con 103 mil persona ocupadas en promedio.
Las acividades que tradicionalmente generan productos, mismos productos que deberían ser los ofertados a través del comercio, y en torno a los cuales se esperaría que se generan la mayoría de los servicios, ocupan muy pocas personas, lo que nos sugiere que son actividades más bien marginales, o pequeñas en el Distrito Capital, como por ejemplo las Actividades agrícolas, pecuarias y caza. Ciertamente, dado que Caracas es una ciudad en la que prodmina el aspecto urbano, se espera que las actividades agrícolas sean escasas, y que predomine el comercio y los servicios. Pero el tamaño y peso de estas actividades nos sugieren el grado de vulnerabilidad que puede presentar Caracas, en materia de empleo de y de suministros, en casos de presentarse periodos recesión más o menos largos.
kable(leyendaRamas, col.names = c("Rama","Codigo" ),
row.names = FALSE)| Rama | Codigo |
|---|---|
| Actividades agrícolas, pecuarias y caza | Aapyc |
| Explotación de hidrocarburos, minas y canteras | Edhmyc |
| Industria manufacturera | Indm |
| Electricidad, gas y agua | Egya |
| Construcción | Cnst |
| Comercio, restaurantes y hoteles | Cryh |
| Transporte, almacenamiento y comunicaciones | Tayc |
| Establecimientos financieros, seguros y bienes inmuebles | Efsybi |
| Servicios comunales, sociales y personales | Scsyp |
| Actividades no bien especificadas y/o no declaradas | Anbeynd |
qplot(abreviacion, ocupados/1000, data= porRamaS,
geom = "boxplot",
xlab = "Rama de actividad",
ylab = "Ocupacion (Miles de personas)") 
Efectivamente, durante los 8 semestres anlizados, la actividad Servicios sociales ocupó al mayor número de personas en Distrito Capital, con un mínimo de ocupados de aproximadamente 350 mil personas, y un máximo de 390 mil. Las activiidades agrícolas fueron la que menor número de personas emplearon en este mismo lapso.
Las cinco actividades que mayor número de personas han ocupado en orden decreciente han sido Servicios comunales, sociales y personales, Comercio, resturantes y hoteles, Establecimientos financieros, seguros y bienes inmuebles, Industria manufacturera, Transporte, almacenamiento y comunicaciones. Entre las cinco sumaron un promedio de, aproximadamente, 768 mil personas ocupadas.
Al hacer un zoom sobre la data, puedo visualizar mejor la distribución de estas cinco ramas de actividad por número de personas ocupadas:
qplot(abreviacion, ocupados/1000, data= porRamaS,
geom = "boxplot",
xlab = "Sector productivo",
ylab = "Ocupacion (Miles de personas)") +
coord_cartesian(ylim=c(80,400))
En cuatro las cinco actividades con mayor número de personas ocupadas, parece que la ocupación es mayor en los primeros semestres de cada uno de los años analizados, en tanto que en la otra, concretamente en la Industria manufacturera, la ocupación parece ser mayor en los segundos semestres.
Las cinco actividades restantes, Construcción, Actividades no bien especificadas y/o no declaradas, Explotación de hidrocarburos, minas y canteras, Electricidad y agua, y Actividades agrícolas, pecuarias y caza, emplearon alrededor de 87 mil personas. Es decir, por cada persona empleada en estos cinco grupos, había casi 9 personas en aquellas cinco actividades anteriores. Examino de estas cinco actividades, las cuatro que tienen menor número de personas ocupadas:
qplot(abreviacion, ocupados/1000, data= porRamaS,
geom = "boxplot",
main = "Distrito Capital. Ocupacion segun sectores productivos\n2008-2012",
xlab = "Sector productivo",
ylab = "Ocupacion (Miles de personas)") +
coord_cartesian(ylim=c(0,2))
De este grupo, el que mayor número de personas ha ocupado es Actividades no bien especificadas y no bien definidas. Es bastante probable que un buen número de personas que trabajan en esta actividad sean parte del la bunonería, un aspecto de la economía informal. Al igual que en el grupo anterior, en estas actividades la ocupación parece aumentar, en general, durante el primer semestre de cada año.
Verifico
mispaletas <-c("#CDB380","#036564" ,"#033649" ,"#031634",
"#554236", "#F77825", "#D3CE3D","#60B99A",
"#7C8071","#C44D58","#4B4452")qplot(periodo, ocupados,
col=abreviacion, data=porRamaS,
main= "Distrito Capital. Ocupacion segun sectores productivos\n2008-2012",
xlab="",
ylab= "Ocupacion (Milres de personas") +
geom_jitter() +
scale_colour_manual(values=mispaletas,
name="Sector:") 
Veo ahora qué actividad y en qué periodo tuvo el mayor número de personas ocupada en los ocho semestres analizados:
mayor_ocupacion <- porRamaS[which(
porRamaS$ocupados >= quantile(porRamaS$ocupados,
probs=0.75)),]kable(mayor_ocupacion[,c(1,2,6)],
row.names = FALSE,
col.names=c("Sector", "Empleados", "Lapso"),
format.args = list(decimal.mark = ","
, big.mark = "."))| Sector | Empleados | Lapso |
|---|---|---|
| Indm | 112.376 | 2008-07-31 |
| Cryh | 226.456 | 2008-07-31 |
| Scsyp | 348.617 | 2008-07-31 |
| Cryh | 218.129 | 2008-12-31 |
| Scsyp | 357.180 | 2008-12-31 |
| Indm | 116.211 | 2009-07-31 |
| Cryh | 213.588 | 2009-07-31 |
| Scsyp | 369.472 | 2009-07-31 |
| Cryh | 217.923 | 2009-12-31 |
| Scsyp | 360.932 | 2009-12-31 |
| Cryh | 209.839 | 2010-07-31 |
| Scsyp | 381.623 | 2010-07-31 |
| Cryh | 217.209 | 2010-12-31 |
| Scsyp | 379.683 | 2010-12-31 |
| Cryh | 228.594 | 2011-07-31 |
| Scsyp | 366.768 | 2011-07-31 |
| Cryh | 214.375 | 2011-12-31 |
| Efsybi | 117.994 | 2011-12-31 |
| Scsyp | 371.435 | 2011-12-31 |
| Cryh | 210.636 | 2012-07-31 |
| Efsybi | 116.133 | 2012-07-31 |
| Scsyp | 387.305 | 2012-07-31 |
| Cryh | 231.615 | 2012-12-31 |
| Efsybi | 114.547 | 2012-12-31 |
| Scsyp | 389.486 | 2012-12-31 |
Examino la tendencia en el número de personas en cada sector productivo en los ocho semestres analizados
qplot(periodo, ocupados/1000, data= porRamaS)+
geom_line() +
facet_wrap(~abreviacion,
scales="free_y",
ncol=5)
Ocupación según tipo de trabajador
resumen_trabajo <- por_trabajo %>%
group_by(etiqueta) %>%
summarise(minimo = min(values),
mediana= median(values),
maximo = max(values))
rR2 <-apilar(resumen_trabajo[,2:4],
etiqueta=resumen_trabajo$etiqueta)qplot(values/1000,etiqueta, data=rR2,
geom="jitter", col=ind,
ylab="",
xlab="Miles de personas",
size=values/1000) +
scale_colour_manual(values=mispaletas,
name="Valor:")
La clase de trabajo que más empleo generó en el periodo analizado fue el de Empleados y obreros, con un promedio de 699 mil personas ocupadas, seguida de Trabajadores por por cuenta propia con con promedio de, redondeando, 212 mil personas ocupadas.
trabajadores <-agrega_fechas(tipoA) Ocupación según tipo de profesión
resumen_pro <- profesionS %>%
group_by(etiqueta) %>%
summarise(minimo = min(values),
mediana= median(values),
maximo = max(values))
rR3 <-apilar(resumen_pro[,2:4],
etiqueta=resumen_pro$etiqueta)qplot(values/1000,etiqueta, data=rR3,
geom="jitter", col=ind,
ylab="",
xlab="Miles de personas",
size=values/1000) +
scale_colour_manual(values=mispaletas,
name="Valor:")
profesiones <-agrega_fechas(trabajadorA)Ocupación según sector productivo de la economía
profesiones <-agrega_fechas(trabajadorA)Ocupación según sectores
barplot(ll, las=2, col=mispaletas,
border = mispaletas,
legend.text = df[,1],
yaxt="n",
ylim=c(0,1.2),
args.legend = list(ncol=3, bty="n"))
axis(2, at=c(0,0.2,0.4,0.6,0.8,1), col="gray90",
las=2, cex.axis=0.75 )
resumen_sec <- sectores %>%
group_by(etiqueta) %>%
summarise(minimo = min(values),
mediana= median(values),
maximo = max(values))
rR4 <-apilar(resumen_sec[,2:4],
etiqueta=resumen_sec$etiqueta)qplot(values/1000,etiqueta, data=rR4,
geom="jitter", col=ind,
ylab="",
xlab="Miles de personas",
size=values/1000) +
scale_colour_manual(values=mispaletas,
name="Valor:")
No hay comentarios.:
Publicar un comentario