Ejemplos de Uso

La base de datos homogeneizada de precariedad.mundial puede servir de base para el cálculo de un conjunto de indicadores sociolaborales y busca simplificar la comparación entre países. Para procesar la base de datos primero se debe abrir base_homogenea.RDS como dataframe.

# Cargar la base de datos homogeneizada
base <- readRDS("~/GitHub/precariedad.mundial/base_homogenea.RDS")

A continuación se presentan ejemplos de uso para el procesamiento de los datos y elaboración de gráficos. Parte de estos resultados fueron presentados por nuestro grupo de trabajo aquí y aquí).

Estructura del empleo en el sector privado

El dataframe permite caracterizar la estructura del mercado de trabajo según la información sobre categoría ocupacional en la variable en CATOCUP (Cuentapropista, Patrón y Asalariado/a), el tamaño del establecimiento productivo en TAMA (Pequeño, Mediano o Grande) y la complejidad en la calificación del puesto en la variable CALIF (Alta, Mediana, Baja). Vamos analizar ahora la estructura del mercado de trabajo para la fuerza de trabajo asalariada o cuentapropista del sector privado para todos los países del dataset utilizando estas variables.

Si se quiere analizar al sector privado se debe filtrar por SECTOR, que distingue sector público, privado y trabajadoras/es del hogar (SD). Además quitamos del dataframe los casos con datos no válidos en CALIF o TAMA y generamos etiquetas para los perfiles ocupacionales creados.

base_grupos <- base %>% 
  filter(CALIF %in%  c("Alta","Media","Baja")) %>% 
  filter(SECTOR == "Priv", !is.na(CALIF), !is.na(TAMA)) %>%
  mutate(grupos = case_when(CATOCUP == "Cuenta propia" ~ paste0("Cuentapropista - ",CALIF),
                            TRUE ~ paste0(TAMA, " - ",CALIF)),
         tamanio.calif = factor(grupos,
                                levels = 
                                  c("Cuentapropista - Baja",
                                    "Cuentapropista - Media",
                                    "Cuentapropista - Alta",
                                    "Pequeño - Baja",
                                    "Pequeño - Media",
                                    "Pequeño - Alta",
                                    "Mediano - Baja",
                                    "Mediano - Media", 
                                    "Mediano - Alta",
                                    "Grande - Baja",
                                    "Grande - Media",
                                    "Grande - Alta"
                                  ))) 

Luego podemos estimar el peso de cada perfil ocupacional según el entrecruzamiento de las variables CATOCUP, TAMA y CALIF, lo que nos da un total de 12 perfiles ocupacionales. Para calcular indicadores estadísticamente sigfnicativos recordar siempre ponderar por WEIGHT.

pesos_perfiles<- base_grupos %>% 
  group_by(PAIS,tamanio.calif) %>% 
  summarise(casos_pond = sum(WEIGHT,na.rm = T)) %>% 
  group_by(PAIS) %>% 
  mutate(particip.ocup= casos_pond/sum(casos_pond))

Por último graficamos información para todos los países del set incluidos dentro de precariedad.mundial y presentamos los datos en un orden preestablecido buscando una mejor visualización.

# Define your color palette
azul <- colorspace::diverge_hcl(n = 12, h = c(255, 330), l = c(40, 90))[c(4, 2, 1)]
verde <- colorspace::diverge_hcl(n = 12, h = c(130, 43), c = 100, l = c(70, 90))[c(4, 2, 1)]
naranja <- colorspace::diverge_hcl(n = 12, h = c(130, 43), c = 100, l = c(70, 90))[c(10, 11, 12)]
rojo <- colorspace::diverge_hcl(n = 12, h = 14, c = 100, l = c(70, 90))[c(10, 11, 12)]

paleta <- c(rojo, azul, naranja, verde)

# Load and prepare data
Paises <- read.xlsx("~/GitHub/precariedad.mundial/Fuentes Complementarias/Prod y Salarios.xlsx", sheet = "Paises")
paises_orden <- Paises %>% select(PAIS = nombre.pais, region, Orden, COD.OCDE)

# Plotting
pesos_perfiles %>% 
  left_join(paises_orden) %>% 
  filter(! COD.OCDE %in% c("BOL", "ROU", "BGR")) %>% 
  ggplot(aes(x = reorder(PAIS, Orden), y = particip.ocup, fill = tamanio.calif, group = tamanio.calif,
             label = scales::percent(particip.ocup, decimal.mark = ",", accuracy = 0.1))) +
  geom_col(position = "stack", alpha = 0.9) +  # Add transparency to the bars
  geom_text(position = position_stack(vjust = 0.5), size = 3, color = "black") +  # White text on bars
  labs(
    title = "Porcentaje sobre el empleo total según perfiles ocupacionales",
    caption = "Fuente: Repositorio precariedad.mundial"
  ) +
  theme_minimal(base_size = 18) +  # Use a minimal theme
  theme(
    plot.title = element_text(color = "#333333", size = 22, face = "bold"),
    plot.subtitle = element_text(color = "#555555", size = 16),
    plot.caption = element_text(color = "#777777", size = 12, hjust = 1),
    axis.title = element_blank(),
    axis.text.x = element_text(angle = 45, hjust = 1, color = "#555555"),
    axis.text.y = element_text(color = "#555555"),
    legend.position = "right",
    legend.direction = "vertical",
    legend.title = element_text(size = 14),
    panel.grid.major.y = element_line(color = "#dfe2e5"),
    panel.grid.minor.y = element_blank(),
    panel.grid.major.x = element_blank(),
    panel.grid.minor.x = element_blank(),
    plot.margin = margin(1, 1, 1, 1, "cm")
  ) +
  scale_fill_manual(values = paleta) +
  scale_y_continuous(labels = scales::percent) +
  facet_grid(cols = vars(region), space = "free", scales = "free_x") +
  guides(fill = guide_legend(title = "Tamaño - Calificación"))

En el gráfico pueden observase los rasgos típicos de las estructuras del mercado de trabajo latinoamericanas. En los países de América Latina (ubicados a la izquierda del gráfico) es notoriamente mayor el porcentaje del empleo en perfiles de calificación baja y media, dentro de establecimientos de tamaño pequeño. También se nota una mayor importancia del cuentapropismo de baja y media calificación. En contraste, los países de mayor desarrollo productivo (ubicados hacia la derecha del gráfico) presentan una mayor participación del empleo en establecimientos grandes y puestos de alta calificación. En estos países el empleo por cuenta propia tiene un peso mucho menor en la estructura del empleo.

Expresiones de precariedad laboral para la población asalariada

El dataframe de precariedad.mundial tiene información sobre expresiones de precariedad laboral en términos de registración de la relación laboral, falta de aportes a la seguridad social, empleo temporario y empleo part-time involuntario. Para analizar la incidencia de éstas sobre la población asalariada se recomienda filtrar el dataframe para la población asalariada y eliminar casos no válidos para las variables de precariedad.

asalariados <- base_grupos %>% 
  filter(CATOCUP == "Asalariado") %>% 
  mutate(buen_empleo = ifelse(PRECAPT %in% c(0,NA) &
                                #   PRECAREG%in% c(0,NA) &
                                PRECASEG%in% c(0,NA) &
                                PRECATEMP%in% c(0,NA),"Si","No"))

Luego agrupamos los datos por PAIS y calculamos la incidencia de cada una de las expresiones de precariedad laboral en la fuerza de trabajo asalariada de cada mercado de trabajo a nivel nacional.

expresiones_pais <- asalariados %>% 
  group_by(PAIS) %>% 
  summarise(part_time = sum(WEIGHT[PRECAPT==1],na.rm = T)/sum(WEIGHT[PRECAPT %in% 0:1],na.rm = T),
            no_registro = sum(WEIGHT[PRECAREG==1],na.rm = T)/sum(WEIGHT[PRECAREG %in% 0:1],na.rm = T),
            no_seg_social = sum(WEIGHT[PRECASEG==1],na.rm = T)/sum(WEIGHT[PRECASEG %in% 0:1],na.rm = T),
            temporario = sum(WEIGHT[PRECATEMP==1],na.rm = T)/sum(WEIGHT[PRECATEMP %in% 0:1],na.rm = T),
  ) %>% 
  pivot_longer(cols = 2:ncol(.),names_to = "expresion",values_to = "valor")

Por último graficamos la incidencia de las expresiones de precariedad por pais.

expresiones_pais %>% 
  ggplot(aes(x = reorder(PAIS, valor), y = valor,
             label = scales::percent(valor, decimal.mark = ",", accuracy = 0.1))) +
  geom_col(position = "stack", fill = "#5bc0de", alpha = 0.5) +  # Lighter blue and transparency
  geom_text(position = position_stack(vjust = 0.5), size = 3, color = "black") +  
  labs(
    title = "Porcentaje de asalariados con expresión de precariedad",
    subtitle = "Expresiones evaluadas: | No registro | Falta de cobertura social | Part Time Involuntario | Empleo de duración determinada",
    caption = "Fuente: Repositorio precariedad.mundial"
  ) +
  theme_minimal(base_size = 18) +  # Clean, minimalist theme with larger text
  theme(
    plot.title = element_text(color = "#333333", size = 22, face = "bold"),  # Dark title
    plot.subtitle = element_text(color = "#555555", size = 16),  # Subtle subtitle color
    plot.caption = element_text(color = "#777777", size = 12, hjust = 1),  # Caption styling
    axis.title = element_blank(),
    axis.text.x = element_text(angle = 45, hjust = 1, color = "#555555"),  # Grey axis labels
    axis.text.y = element_text(color = "#555555"),
    legend.position = "left",
    legend.direction = "vertical",
    legend.title = element_text(size = 14),
    panel.grid.major.y = element_line(color = "#b0b0b0"),  # Light grey grid lines
    panel.grid.minor.y = element_blank(),
    panel.grid.major.x = element_blank(),
    panel.grid.minor.x = element_blank(),
    plot.margin = margin(1, 1, 1, 1, "cm")
  ) +
  facet_wrap(vars(expresion), ncol = 1) +
  scale_y_continuous(labels = scales::percent)