# Estos son los paquetes que utilizamos:
#| eval: true
library(rio)
library(tidyverse)
library(ggthemes)
library(ggThemeAssist)
library(dplyr)
library(plotly)
library(gganimate)
library(gapminder)
library(treemapify)
library(treemap)
library(patchwork)
library(zoo)
library(scales)
library(vembedr)
library(ggimage)
library(countrycode)
library(tidyr)
library(gt)
library(hrbrthemes)
library(countrycode)
library(ggimage)
library(sf)
library(rnaturalearth)
library(rnaturalearthdata)
library(mapdata)
library(maps)
library(ggrepel)
library(tmap)
library(gridExtra)
library(glue)
library(sjPlot)
library(devtools)
library(gclus)
library(corrplot)
library(knitr)
library(kableExtra)
library(viridis)
library(viridis)
library(magick)
# Cargamos todos los datos que utilizaremos a lo largo del trabajo:
archivo_de_destino <- here::here("datos", "pob_mujeres.csv")
df_pob_mujeres <- rio::import(archivo_de_destino)
archivo_de_destino <- here::here("datos", "pob_hombres.csv")
df_pob_hombres <- rio::import(archivo_de_destino)
archivo_de_destino <- here::here("datos", "ratio_de_pobreza.csv")
df_ratio_pobreza <- rio::import(archivo_de_destino)
archivo_de_destino <- here::here("datos", "precio_vivienda.csv")
df_precio_vivienda <- rio::import(archivo_de_destino)
archivo_de_destino <- here::here("datos", "precio_vivienda.csv")
df_tabla_precio <- rio::import(archivo_de_destino)
archivo_de_destino <- here::here("datos", "tasa_paro.csv")
df_tasa_paro <- rio::import(archivo_de_destino)
archivo_de_destino <- here::here("datos", "tasa_paro_formacion.csv")
df_paro_formacion <- rio::import(archivo_de_destino)
archivo_de_destino <- here::here("datos", "tasa_paro_paises.csv")
df_tasa_paro_paises <- rio::import(archivo_de_destino)
archivo_de_destino <- here::here("datos", "salario_medio_grupo_edad.csv")
df_salario_medio_edad <- rio::import(archivo_de_destino)
archivo_de_destino <- here::here("datos", "salario_medio_nivel_formacion.csv")
df_salario_medio_formacion <- rio::import(archivo_de_destino)
archivo_de_destino <- here::here("datos", "employment_rate.csv")
df_tasa_empleo <- rio::import(archivo_de_destino)
archivo_de_destino <- here::here("datos", "gasto_medio.csv")
df_gasto_medio <- rio::import(archivo_de_destino)
# Modificamos los datos:
# Población hombres y mujeres jóvenes
df_pob_mujeres <- df_pob_mujeres %>%
group_by(Year) %>%
summarise(Total_Mujeres_16a25 = sum(Total))
df_pob_hombres <- df_pob_hombres %>%
group_by(Year) %>%
summarise(Total_Hombres_16a25 = sum(Total))
df_total_separada <- left_join(df_pob_mujeres, df_pob_hombres)
# Riesgo de pobreza o exclusión social
df_ratio_pobreza <- janitor::clean_names(df_ratio_pobreza)
names(df_ratio_pobreza)
#> [1] "grupo_de_edad" "sexo" "periodo" "total"
df_ratio_pobreza <- df_ratio_pobreza %>% mutate(total = stringr::str_replace(total, "," , "." ))
str(df)
#> function (x, df1, df2, ncp, log = FALSE)
df_ratio_pobreza <- df_ratio_pobreza %>% mutate(total = as.numeric(total))
# Precio de la vivienda
df_precio_vivienda <- janitor::clean_names(df_precio_vivienda)
names(df_precio_vivienda)
#> [1] "tipo_vivienda" "variacion" "periodo" "total"
df_precio_vivienda <- df_precio_vivienda %>% mutate(total = stringr::str_replace(total, "," , "." ))
df_precio_vivienda <- df_precio_vivienda %>% mutate(total = as.numeric(total))
df_precio_vivienda <- df_precio_vivienda %>%
filter(variacion == "Variación anual") %>%
tidyr:::separate.data.frame(., periodo, into = c("year", "trimestre"), sep = "T") %>%
tidyr::drop_na()
df_precio_vivienda <- df_precio_vivienda %>%
group_by(year) %>%
summarise(media = mean(total)) %>%
ungroup()
# Tabla precio de la vivienda
df_tabla_precio <- janitor::clean_names(df_tabla_precio)
names(df_tabla_precio)
#> [1] "tipo_vivienda" "variacion" "periodo" "total"
df_tabla_precio <- df_tabla_precio %>% mutate(total = stringr::str_replace(total, "," , "." ))
df_tabla_precio <- df_tabla_precio %>% mutate(total = as.numeric(total))
df_tabla_precio <- df_tabla_precio %>%
tidyr:::separate.data.frame(., periodo, into = c("year", "trimestre"), sep = "T") %>%
tidyr::drop_na()
df_tabla_precio <- df_tabla_precio %>%
filter(variacion == "Variación anual") %>%
group_by(year) %>%
summarise(media = mean(total)) %>%
arrange(desc(media)) %>%
head(4) %>%
ungroup()
# Gasto medio
df_gasto_medio <- df_gasto_medio %>%
rename(grupos = "Grupos de gasto") %>%
select(grupos, Total)
df_gasto_medio <- janitor::clean_names(df_gasto_medio)
names(df_gasto_medio)
#> [1] "grupos" "total"
df_gasto_medio <- df_gasto_medio %>% mutate(total = stringr::str_replace(total, "," , "." ))
df_gasto_medio <- df_gasto_medio %>% mutate(total = as.numeric(total))
df_gasto_medio <- separate(df_gasto_medio, grupos, into = c("codigo", "grupo"), sep = " ", extra = "merge", remove = FALSE)
df_gasto_medio <- df_gasto_medio %>%
select(grupo, total)
# Tasa de empleo
df_tasa_empleo <- df_tasa_empleo %>%
rename(Pais = LOCATION, Año = TIME, Valor = Value) %>%
select(Pais, Año, Valor) %>%
drop_na() %>%
mutate(iso2 = countrycode(sourcevar = Pais,
origin = "iso3c",
destination = "iso2c", warn = FALSE))
# Tasa de paro
df_tasa_paro$total <- sub(",", ".", df_tasa_paro$total)
df_tasa_paro$total <- as.numeric(df_tasa_paro$total)
df_tasa_paro$periodo <- as.yearqtr(df_tasa_paro$periodo, format = "%YT%q")
# Tasa de paro juvenil por nivel formativo
df_paro_formacion <- janitor::clean_names(df_paro_formacion)
names(df_paro_formacion)
#> [1] "sexo" "grupos_de_edad"
#> [3] "nivel_de_formacion_alcanzado" "periodo"
#> [5] "total"
df_paro_formacion <- df_paro_formacion %>% mutate(total = stringr::str_replace(total, "," , "." ))
str(df)
#> function (x, df1, df2, ncp, log = FALSE)
df_paro_formacion <- df_paro_formacion %>% mutate(total = as.numeric(total)) El futuro de los jóvenes
20/12/23
Índice
Introducción
Datos del trabajo
Testimonios
Definiciones
¿Qué dicen los medios?
Gráficos
Conclusión
2. Datos del trabajo
Se obtuvieron principalmente de 3 bases de datos
EMPEZAMOS!!
4. Definiciones
POBLACIÓN JOVEN: Utilizamos la Población en Edad de Trabajar (PET), de 16 a 24 años.
TASA DE PARO JÓVENES: Utilizamos el desempleo juvenil, aquel que afecta a personas de entre 16 y 24 años (ambos inclusive).
PRECIO DE LA VIVIENDA: Utilizamos la variación anual del coste de la vivienda (incluyendo vivienda nueva y de segunda mano).
SALARIO MEDIO JÓVENES: Se define como el cociente entre los sueldos y salarios pagados a los remunerados (de entre 16 y 24 años) entre el número medio de asalariados en el año, expresado en euros.
6. Gráficos
Vamos a realizar distintos gráficos para mostrar lo preocupante que es el panorama actual para los jóvenes.
6.2 Ratio de pobreza (en %) de la población joven
6.3 Precio de la vivienda para el período 2007-2023
6.4 Evolución de la tasa de empleo juvenil en la UE 2018-2022
6.5 Evolución de la tasa de desempleo juvenil en España
6.6 Tasa de desempleo juvenil por CCAA en 2023
6.7 Tasa de desempleo juvenil por CCAA en 2023
6.9 Tasa de paro juvenil (%) por nivel de formación/educativo para 2022
- Conforme aumenta la educación obtenida, la tasa de paro disminuye pero siguen siendo % de tasa de paro bastante altos
6.10 Gasto medio por joven 2022
- Vivienda, agua, electricidad, gas y otros combustibles siendo este de 3988.46 €
- Transporte siendo de 2007.13 €
- Restaurantes y hoteles siendo de 1583.66 €
6.12 Salario medio según el nivel de estudios
- Cuanto mayor es la educación, mayor es el salario medio
| Salarios medios según el nivel de formación | ||||||||||
| Formación | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | Escudos |
|---|---|---|---|---|---|---|---|---|---|---|
| Educación superior | 2403,38 | 2408,23 | 2380,45 | 2408,66 | 2455,26 | 2493,46 | 2553,23 | 2606,32 | 2647,84 |  |
| Segunda etapa de educación secundaria | 1654,56 | 1739,89 | 1679,5 | 1653,33 | 1697,69 | 1730,7 | 1753,21 | 1765,75 | 1798,87 |  |
| Fuente: datos obtenidos del INE | ||||||||||
