6 Inds. Socioeconómicos

Construcción de Indicadores para Chile

6.1 Objetivos del Módulo

Definición de Indicadores Territoriales
Construcción de Indicadores Socioeconómicos

6.2 Indicadores Territoriales

6.2.1 Definición de Indicadores

¿Qué es un Indicador?:: Un indicador es un instrumento que provee información de una determinada condición, situación, actividad o resultado. Este instrumento nos permite definir un punto de comparación para establecer diferencias entre individuos o respecto a sí mismo en diferentes tiempos. Son construidos a través de análisis y operaciones técnicas y nos entregan una medida cuantitativa (valor) o una descripción cualitativa (caracterización) de la magnitud o criterio que se pretende medir u observar.

6.2.2 Indicadores Territoriales

El Centro de Inteligencia Territorial de la Universidad Adolfo Ibáñez, bajo proyecto denominado Matriz de Bienestar Humano Territorial (MBHT) construyó una serie indicadores territoriales, que buscan comprender las condiciones de los entornos urbanos y rurales, para construir soluciones que impacten positivamente en el bienestar de las personas y su hábitat.

El sistema MBHT consiste en 18 indicadores territoriales agrupados en 4 dimensiones, que corresponde a las dimensiones de Accesibilidad, Ambiental, Seguridad y Socoeconómicas, siendo esta última a la se replicará.

Figure 6.2: Dimensiones de la Matriz de Bienestar Humano Territorial

6.3 Construcción de Indicadores Socioconómicos

Las ciudades de Chile presentan altos índices de segregación (Sabatini, 2002), que reflejan la separación espacial de distintos grupos sociales (Ruiz-Tagle, 2014). La intensidad de este fenómeno hace imperativo el considerar la condición social como una dimensión estructurante en la evaluación de Políticas Públicas.

6.3.1 Censo 2017

Para la construcción de los indicadores territoriales que componen la dimensión seocioeconómica, se utiliza íntegramente información del Censo 2017.

¿Que es Censo 2017?:

Figure 6.4: Censo 2017 - Instituto Nacional de Estadísticas de Chile

El censo de población y vivienda es la operación estadística más importante que realiza el INE y en la cual participan todos los habitantes del país, ya que este es un insumo esencial para elaborar estimaciones y proyecciones de población tanto para el país, las regiones y las comunas.

El censo permite contar con información esencial para el adecuado diseño de políticas públicas y toma de decisiones privadas y públicas. El último censo de población y vivienda realizado fue en 2017. Sus resultados indican que la población efectivamente censada llegó a un total de 17.574.003 personas.

De ellas, 8.601.989 (48,9%) son hombres y 8.972.014 (51,1%), mujeres. El número de viviendas, en tanto, fue 6.499.355, de las cuales 6.486.533 (99,8%) corresponden a viviendas particulares y 12.822 (0,2%) a colectivas.

Para estos fines, se utilizaremos información censal agregada a nivel de manzanas obtenidos del Censo 2017, a continuación se explorará los insumos utilizados.

Funciones del Censo

Una de las principales fuentes de información del Sistema Estadístico Nacional (SEN): permite la elaboración del marco muestral de viviendas, que sirve de base para llevar a cabo diversas encuestas de hogares que se realizan en el país.
Referencia clave para la generación de políticas públicas: el censo entrega antecedentes y características sobre las viviendas, hogares y personas en territorios específicos. Esto permite resguardar la distribución de los recursos públicos dirigidos a las regiones y comunas, y entregar servicios a la población, como educación, salud y transporte.
Referencia para la investigación: los datos del censo proporcionan información sobre el total de la población censada, por lo que constituyen una base para la estimación de las proyecciones de población. Estas permiten saber el total de la población del país en el corto y mediano plazo, además de su distribución por sexo y edad.
Generación de estadísticas en áreas menores y grupos de población: es la única fuente de información que proporciona datos actualizados de población y vivienda al menor nivel de desagregación geográfica del país. Esto permite focalizar en las decisiones de política pública.

Características del Censo

Empadronamiento individual: se registra a cada persona, hogar y vivienda de forma individual, al igual que sus características.
Territorio definido y universalidad: se establece de manera clara el territorio considerado, ya que se busca registrar a todas las personas, hogares y viviendas de un área en un momento determinado.
Simultaneidad: se recoge información de toda la población del territorio establecido en un mismo momento.
Periodicidad y continuidad: se promueve que los censos se realicen de manera regular en el tiempo, para así generar información comparable entre un período y otro.

6.3.2 Cargar Insumos del Censo

Para los indicadores que se crearán a continuación se utilizará una base proveniente de la consolidación de las bases del censo, denominadas microdatos de Personas, Viviendas y Hogares provenientes de los resultados de la Encuesta del Censo 2017 del Instituto Nacional de Estadísticas, Chile.

library(sf)
library(dplyr)

# ruta de insumos
path_insumos <- "data/socioeconomicos/insumos/"

Lectura de Insumos y selección de región de estudio, en este caso seleccionará la Región de Coquimbo compuesta por las provincias de Elqui, Limarí y Choapa. Sus principales centros urbanos son la Conurbación La Serena-Coquimbo con 506 391 habitantes, seguida de Ovalle con 121.269 habitantes según el Censo chileno de 2017.

# selección de región
reg <-  "R04"

# Lectura de insumo espacial
path_file <- paste0(path_insumos, reg, "_INSUMO_SOCIOECONOMICO.shp")
censo <- st_read(path_file, quiet = T)

Visualización de Tabla de Información head()

Table 6.1: Visualización de registros de insumos del Censo 2017 para indicadores socioeconómicos

ID_MANZ	MANZ_EN	NOM_COM	COD_COM	NOM_REG	COD_REG	NOM_PROV	COD_PROV	ZONA	ID_MANZCIT	AREA	geometry
4101071001900	URBANO	LA SERENA	4101	REGIÓN DE COQUIMBO	4	ELQUI	41	4101071001	4101071001900001	2873.376	POLYGON ((292811 6685815, 2...
4101071001900	URBANO	LA SERENA	4101	REGIÓN DE COQUIMBO	4	ELQUI	41	4101071001	4101071001900002	1256.480	POLYGON ((293056 6685511, 2...
4102101001900	URBANO	COQUIMBO	4102	REGIÓN DE COQUIMBO	4	ELQUI	41	4102101001	4102101001900001	1230.344	POLYGON ((285917.8 6664517,...
4102101001900	URBANO	COQUIMBO	4102	REGIÓN DE COQUIMBO	4	ELQUI	41	4102101001	4102101001900002	3877.142	POLYGON ((286085 6664254, 2...
4102101001900	URBANO	COQUIMBO	4102	REGIÓN DE COQUIMBO	4	ELQUI	41	4102101001	4102101001900003	34392.873	POLYGON ((286082.4 6663489,...
4106101001900	URBANO	VICUÑA	4106	REGIÓN DE COQUIMBO	4	ELQUI	41	4106101001	4106101001900001	4033.107	POLYGON ((310231.6 6684580,...

6.4 Indicador de Escolaridad del jefe de hogar (IEJ)

Para la construcción de este indicador se utilizó el promedio de años de estudio de jefes de hogar (EJH), que es una variable censal numérica (“ESCOLARIDAD”, en tabla de personas del censo 2017) que registra el nivel del curso más alto aprobado, medida en años sucesivos desde la enseñanza básica hasta estudios de postgrado.

Se calcula el promedio de esta variable para todos los jefes de hogar en cada manzana. Esta variable es representativa del capital cultural de cada hogar y está altamente correlacionada con el nivel de ingresos en Chile (Agostini et al, 2016).

IEJ = ESCOLAR

Cálculo Indicador de Escolaridad del jefe de hogar (IEJ)

censo <- censo %>% 
  mutate( IEJ = ifelse(PERSONAS ==0, NA, ESCOLAR))

Para efectos de visualización se enfocará los resultados en las zonas urbanas de la comuna de La Serena en todos los indicadores que se presentarán.

la_serena_urb <- censo %>% 
  filter(COD_COM == 4101 & MANZ_EN == "URBANO")

Visualizar la Variable de IEJ comuna de La Serena URBANO:

ggplot() +
  geom_sf(data = la_serena_urb, aes(fill = IEJ), color =NA, 
          alpha=0.8,  size= 0.1)+
  scale_fill_distiller(palette= "YlGnBu", direction = 1)+
  ggtitle("Indicador de Escolaridad del jefe de hogar (IEJ) - Urbano" ) +
  theme_bw() +
  theme(panel.grid.major = element_line(colour = "gray80"), 
        panel.grid.minor = element_line(colour = "gray80"))

Figure 6.5: Indicador de Escolaridad del jefe de hogar (IEJ) - Urbano

# mapview::mapview(censo %>% filter(COD_COM == 4101 & MANZ_EN == "URBANO"),
                 # zcol = "IEJ", layer.name = "IEJ")

Visualizar la Variable de IEJ comuna de La Serena RURAL:

la_serena_rural <- censo %>% filter(COD_COM == 4101 & MANZ_EN == "RURAL")

ggplot() +
  geom_sf(data = la_serena_rural, aes(fill = IEJ), color =NA, 
          alpha=0.8,  size= 0.1)+
  scale_fill_distiller(palette= "YlGnBu", direction = 1)+
  ggtitle("Indicador de Escolaridad del jefe de hogar (IEJ) - Rural" ) +
  theme_bw() +
  theme(panel.grid.major = element_line(colour = "gray80"), 
        panel.grid.minor = element_line(colour = "gray80"))
# mapview::mapview(censo %>% filter(COD_COM == 4101 & MANZ_EN == "RURAL"),
                 # zcol = "IEJ", layer.name = "IEJ")

Figure 6.6: Indicador de Escolaridad del jefe de hogar (IEJ) - Rural

6.5 Indicador de Empleo (IEM)

Para este indicador se usó la proporción de población activa sin empleo que es la fracción de las personas que no tienen empleo y están buscando uno, respecto al total de personas en condiciones y con deseo de trabajar en cada manzana.

Esta variable es similar al cálculo de desempleo, pero calculada a escala de manzanas y en un tiempo específico, por lo que representa las brechas potenciales que existen para acceder al empleo en barrios específicos (MDS, 2019).

IEM = 1- \left(\frac{P17\_4}{P17\_ACT} \right)

Cálculo Indicador de Empleo (IEM)

P17_4: Trabajo la semana pasada, opción 4: “Se encontraba buscando empleo”
P17_ACT: Total de Actividades Remuneradas (no es pregunta del Censo)

# P17: Trabajo la semana pasada
# opción `4`: "Se encontraba buscando empleo"
# P17_ACT: Total de Actividades Remuneradas

censo <- censo %>% mutate( CESA_DENS = P17_4 / P17_ACT)

# Invertir el valor de indicador 1
censo <- censo %>% mutate( IEM = 1 - CESA_DENS )

De aquí continuación se realizarán cartografías solo a zonas urbanas a efecto de limitar la extensión del presente documento, pero el cálculo urbano se puede efectuar perfectamente aplicando un filtro como se ejemplifico en el indicador anterior. Ahora, se procede a filtrar por zonas urbanas

la_serena_urb <- censo %>% filter(COD_COM == 4101 & MANZ_EN == "URBANO")

Visualizar la Variable de IEM comuna de La Serena URBANO:

ggplot() +
  geom_sf(data = la_serena_urb, aes(fill = IEM), color =NA, 
          alpha=0.8,  size= 0.1)+
  scale_fill_distiller(palette= "PuBu", direction = 1)+
  ggtitle("Indicador de Empleo (IEM) - Urbano" ) +
  theme_bw() +
  theme(panel.grid.major = element_line(colour = "gray80"), 
        panel.grid.minor = element_line(colour = "gray80"))

Figure 6.7: Indicador de Empleo (IEM) - Urbano

# mapview::mapview(la_serena_urb, 
#                  zcol = "IEM", layer.name = "IEM")

6.6 Indicador de Participación Juvenil en empleo y estudio (IPJ)

Para la construcción de este indicador se utilizó la proporción de jóvenes entre 14 y 24 años que no trabajan ni estudian: es la fracción de jóvenes en este rango edad que no trabajan ni estudian, respecto al total de este segmento etario en cada manzana.

Esta variable representa un riesgo de exclusión socioeconómica en el período de transición entre el ambiente educativo y el laboral, siendo característico de trayectorias de deserción escolar que conducen al desempleo y que podrían incrementar el riesgo de adopción de comportamientos delictivos (MDS, 2019).

Luego, el indicador se normalizó con su inverso aditivo, para asegurar que el valor máximo, sea lo más deseable y el 0 lo menos deseable, convirtiéndose así en un indicador de empleo.

IPJ = 1 - \left(\frac{J\_NINI}{E15A24} \right)

Cálculo Indicador de Participación Juvenil en empleo y estudio (IPJ)

J_NINI: Jóvenes que no trabajan ni estudian P17 E15A24: Jóvenes entre 15 y 24 años de edad

censo <- censo %>% mutate( NINI_DENS = J_NINI / E15A24)  
censo <- censo %>% mutate( NINI_DENS = ifelse(NINI_DENS > 1, 1, NINI_DENS))  
censo <- censo %>% mutate( IPJ = 1 - NINI_DENS )

la_serena_urb <- censo %>% filter(COD_COM == 4101 & MANZ_EN == "URBANO")

Visualizar la Variable de IPJ comuna de La Serena URBANO:

ggplot() +
  geom_sf(data = la_serena_urb, aes(fill = IPJ), color =NA, 
          alpha=0.8,  size= 0.1)+
  scale_fill_distiller(palette= "Purples", direction = 1)+
  ggtitle("Indicador de Participación Juvenil en empleo y estudio (IPJ) - Urbano" ) +
  theme_bw() +
  theme(panel.grid.major = element_line(colour = "gray80"), 
        panel.grid.minor = element_line(colour = "gray80"))

Figure 6.8: Indicador de Participación Juvenil enempleo y estudio (IPJ) - Urbano

# mapview::mapview(la_serena_urb, 
#                  zcol = "IPJ", layer.name = "IPJ")

6.7 Indicador de Resiliencia de Hogares (IRH)

En particular, la monoparentalidad es ampliamente reconocida en la literatura internacional como una situación familiar frágil, que puede afectar las trayectorias de vida de los hijos, en términos de un mayor riesgo de mortalidad (Amato & Patterson, 2017), inestabilidad psicológica (Theodoritsi, Daliana & Antoniou, 2018), problemas de salud (Duriancik & Goff, 2019) y otros.

En suma, el Indicador de Resiliencia de Hogares (en base a la monoparentalidad), en complemento a otras variables, es conceptualmente relevante para evaluar riesgos no monetarios de condiciones sociales.

Este indicador es el inverso aditivo de la proporción de hogares monoparentales dentro de una manzana. Los hogares monoparentales son aquellos con hijos que viven con un solo progenitor, lo que se asocia en diversas formas a la condición social, que abarcan desde un menor ingreso, problemas de salud y delincuencia, entre otros (MDS, 2019).

Al contrario, los hogares biparentales permiten el apoyo entre progenitores y los hogares sin hijos tienen menores exigencias de gasto y tiempo relacionadas con la paternidad, por lo que se considera que en general son más resilientes.

IRH = 1 - \left(\frac{MONOPAR}{HOG\_N} \right)

Cálculo de Indicador de Resiliencia de Hogares (IRH)

MONOPAR: Hogares Monoparentales
HOG_N: Número de Hogares

censo <- censo %>% mutate( MONO_DENS = MONOPAR / HOG_N)
censo <- censo %>% mutate( MONO_DENS = ifelse(MONO_DENS > 1, 1, MONO_DENS))  
censo <- censo %>% mutate( IRH = 1 - MONO_DENS)

la_serena_urb <- censo %>% filter(COD_COM == 4101 & MANZ_EN == "URBANO")

Visualizar la Variable de IRH comuna de La Serena URBANO:

ggplot() +
  geom_sf(data = la_serena_urb, aes(fill = IRH), color =NA, 
          alpha=0.8,  size= 0.1)+
  scale_fill_distiller(palette= "PuRd", direction = 1)+
  ggtitle("Indicador de Resiliencia de Hogares (IRH) - Urbano") +
  theme_bw() +
  theme(panel.grid.major = element_line(colour = "gray80"), 
        panel.grid.minor = element_line(colour = "gray80"))

Figure 6.9: Indicador de Resiliencia de Hogares (IRH) - Urbano

# mapview::mapview(la_serena_urb, 
#                  zcol = "IRH", layer.name = "IRH")

6.8 Indicador de Calidad de la Vivienda (IVI)

El indicador de calidad de vivienda es una variable sintética de todas las materialidades de la vivienda. Inicialmente, se construyó como un indicador de mala calidad, tomando un valor más alto cuando la calidad de la vivienda es peor y es más bajo cuando es mejor. Fue elaborado como un promedio lineal del 3 sub-indicadores de paredes, suelo y techo. Cada uno de estos sub-indicadores registra el porcentaje de viviendas de la manzana que tienen paredes, suelo o techo considerado insuficiente. Las construcciones consideradas insuficientes son las siguientes:

Paredes: Material de los muros exteriores

paredes= \frac{(P03A\_4 + P03A\_5 + P03A\_6)}{TOTAL\_V}

P03A_4: Tabique sin forro interior (madera u otro)
P03A_5: Adobe, barro, quincha, pirca u otro artesanal tradicional
P03A_6: Materiales precarios (lata, cartón, plástico, etc.)

Techo: Material en la cubierta del techo

techo= \frac{(P03B\_4 + P03B\_6 + P03B\_7)}{TOTAL\_V}

P03B_4: Fonolita o plancha de fieltro embreado
P03B_6: Materiales precarios (lata, cartón, plásticos, etc.)
P03B_7: Sin cubierta sólida de techo

Suelo: Material de construcción del piso

suelo= \frac{(P03C\_4 + P03C\_5)}{TOTAL\_V}

P03C_4: Capa de cemento sobre tierra
P03C_5: Tierra

censo <- censo %>%
  mutate(paredes = (P03A_4 + P03A_5 + P03A_6)/TOTAL_V,
         techo = (P03B_4 + P03B_6 + P03B_7)/TOTAL_V,
         suelo = (P03C_4 +  P03C_5)/TOTAL_V)

# eliminar valores infinitos de la división anterior
censo <- censo %>%
  mutate(paredes = ifelse(paredes > 1, 1, paredes), 
         techo = ifelse(techo > 1, 1, techo), 
         suelo = ifelse(suelo > 1, 1, suelo))

Cálculo Indicador de Calidad de la Vivienda (IVI)

IVI= 1 - \left(\frac{paredes+ suelo+ techo}{3}\right)

censo <- censo %>%  mutate(IVI = (paredes+ suelo+ techo)/3)
censo <- censo %>%  mutate(IVI =  1 - IVI) # invertir sentido

la_serena_urb <- censo %>% filter(COD_COM == 4101 & MANZ_EN == "URBANO")

Visualizar la Variable de IVI comuna de La Serena URBANO:

ggplot() +
  geom_sf(data = la_serena_urb, aes(fill = IVI), color =NA, 
          alpha=0.8,  size= 0.1)+
  scale_fill_distiller(palette= "YlOrRd", direction = 1)+
  ggtitle("Indicador de Calidad de la Vivienda (IVI) - Urbano") +
  theme_bw() +
  theme(panel.grid.major = element_line(colour = "gray80"), 
        panel.grid.minor = element_line(colour = "gray80"))

Figure 6.10: Indicador de Calidad de la Vivienda (IVI) - Urbano

# mapview::mapview(la_serena_urb, 
#                  zcol = "IVI", layer.name = "IVI")

6.9 Indicador de Suficiencia de Viviendas (ISV)

El indicador de Suficiencia de Viviendas se construyó inicialmente como un indicador de hacinamiento. Se realizó a partir de 2 variables que indican el número de viviendas que se encuentran en situación de hacinamiento y el número de viviendas que se encuentran en situación de hacinamiento severo. El indicador corresponde a la suma de 2 veces las viviendas en situación de hacinamiento severo con las viviendas en situación de hacinamiento normal, dividido por el total de viviendas.

Luego, el indicador se normalizó con su inverso aditivo, para asegurar que el valor máximo, sea lo más deseable y el 0 lo menos deseable. Con esto se obtuvo el indicador de suficiencia de viviendas.

El indicador de sificiencia de la vivienda debe ser normalizado, por lo cual se usará la función de normalización minmax (Equation 6.1) que se describe a continuación:

x^{\prime}=\frac{x-min(x)}{max(x)-min(x)} \tag{6.1}

# función de normalización
minmax <- function(x) {
  x <- (x - min(x, na.rm = TRUE)) / 
    (max(x, na.rm = TRUE) - min(x, na.rm = TRUE))
  return(x)
}

Cálculo de Indicador de Suficiencia de Viviendas (ISV)

ISV = 1 - minmax(NIV\_HAC2 + (2 \times NIV\_HAC3)

NIV_HAC2: >= 2.5 personas por habitación (Hacinamiento)
NIV_HAC3: >= 5 personas por habitación (Hacinamiento severo)

censo <- censo %>% mutate(ISV = NIV_HAC2 + (2 * NIV_HAC3))
censo <- censo %>% mutate(ISV = 1 - minmax(ISV))

la_serena_urb <- censo %>% filter(COD_COM == 4101 & MANZ_EN == "URBANO")

Visualizar la Variable de ISV comuna de La Serena URBANO:

ggplot() +
  geom_sf(data = la_serena_urb, aes(fill = ISV), color =NA, 
          alpha=0.8,  size= 0.1)+
  scale_fill_distiller(palette= "YlOrRd", direction = 1)+
  ggtitle(" Indicador de Suficiencia de Viviendas (ISV) - Urbano") +
  theme_bw() +
  theme(panel.grid.major = element_line(colour = "gray80"), 
        panel.grid.minor = element_line(colour = "gray80"))

Figure 6.11: Indicador de Suficiencia de Viviendas (ISV) - Urbano

# mapview::mapview(la_serena_urb, 
#                  zcol = "ISV", layer.name = "ISV")

6.10 Consolidación de Dimensión Socioeconómica

Selección de Variables de Interés

# names(censo)
soc <- censo %>% 
  dplyr::select(ID_MANZ:PERSONAS, IEJ, IEM, IPJ, IRH, IVI, ISV)

Visualización de los Indicadores

comuna <- soc %>% filter(COD_COM == 4101 & MANZ_EN == "URBANO")
mapview(comuna, zcol = "IEJ") + mapview(comuna, zcol = "IEM")+
  mapview(comuna, zcol = "IPJ") + mapview(comuna, zcol = "IRH")+
  mapview(comuna, zcol = "IVI") + mapview(comuna, zcol = "ISV")

Guardar Resultados

# guardar shapefile
path_file_out <- paste0("../data/socioeconomicos/resultados/",
                    reg, "_ind_socioeconomicos.shp")
st_write(soc, path_file_out)

#guardar en RDS
path_file_out_rds <- paste0("../data/socioeconomicos/resultados/",
                    reg, "_ind_socioeconomicos.rds")
saveRDS(soc, path_file_out_rds)