Midiendo la segregación con el coeficiente de GINI
Este análisis explora cómo ha evolucionado la segregación de inmigrantes en la provincia de Santiago de Chile entre 1992 y 2017. Se utiliza el coeficiente GINI, que se calcula con datos de los censos de 1992 y 2017.
En este informe, la sección 2 ofrece una explicación de la segregación y los índices que se pueden utilizar para medirla. La sección 3 explica el coeficiente GINI y cómo se calcula. La sección 4 se refiere a cómo se han procesado los datos. La sección 5 calcula el coeficiente GINI para los diferentes grupos de inmigrantes. En la sección 6 se analiza cómo ha cambiado el coeficiente de GINI para ciertos grupos de inmigrantes a lo largo del período de estudio, sugiriendo las razones del por qué, y finalmente se comenta qué significa esto para la segregación de inmigrantes en la provincia.
Los siguientes paquetes se utilizan para realizar este análisis.
library(readr)
library(ggplot2)
library(dplyr)
library(REAT)
library(hablar)2) Que es la segregación?
La segregación es la separación de una población según sus características socioeconómicas, étnicas o raciales (Palacios García y Vidal Domínguez 2014). Entre esta definición, se puede hacer una distinción entre segregación voluntaria o forzada.
Voluntario se refiere a los grupos de inmigrantes de altos ingresos que tienen los recursos para elegir dónde quieren vivir. En comparación, la segregación forzada engloba a los grupos de inmigrantes de bajos ingresos que no tienen suficientes recursos para elegir dónde quieren vivir y, por lo tanto, terminan viviendo en áreas de bajos ingresos de manera concentrada. (Castillo y Razmilic 2020).
Es importante conocer el nivel de segregación entre la población inmigrante y la población local, ya que puede ayudar en la identificación de poblaciones vulnerables y posteriormente ayudar en la creación y diseño de políticas urbanas (Martori, Hoberg y Surinach 2006).
A partir de mediados del siglo pasado, varios trabajos han propuesto formas de medir la segregación. Según Massey y Denton (1988), quienes hicieron un resumen de los diferentes indicadores, existen cinco grupos de indicadores de segregación; igualdad, exposición, concentración, centralidad y agrupación.
Este artículo utiliza el coeficiente de GINI para medir la segregación. Este índice encaja en el grupo de igualdad. Los índices de igualdad se refieren a la distribución equitativa de diferentes grupos en las diferentes unidades espaciales de un espacio urbano. Se basan en la idea de que un grupo está segregado si se distribuye de forma desigual entre dichas unidades (Palacios García y Vidal Domínguez 2014). Para el ejemplo de la provincia de Santiago, los índices de igualdad miden la igualdad en la distribución de diferentes grupos en las diferentes comunas de la provincia. A continuación se explica el coeficiente de GINI y cómo se calcula.
3) El Coeificente de GINI
El coeficiente de GINI y la curva de Lorenz son dos índices que se han utilizado tradicionalmente para calcular la igualdad de ingresos. Es decir, medir en qué medida los ingresos se distribuyen por igual entre la población. El siguiente enlace muestra un gráfico de ambos.
La línea de perfecta igualdad muestra una situación en la que cada persona tiene la misma cantidad de ingresos. En esta situación, el coeficiente de GINI es 0.
La curva de Lorenz muestra cómo se distribuye realmente el ingreso entre la población. Si bien esta curva está más cerca de la línea de perfecta igualdad, el valor de GINI es menor, lo que significa que el ingreso se distribuye de manera más equitativa. Cuando la curva de Lorenz está más alejada de la línea de igualdad, la distribución del ingreso es más desigual.
El coeficiente GINI tiene un valor máximo de uno, lo que sucedería si la persona más rica tuviera todos los ingresos.
El coeficiente de GINI y la curva de Lorenz se pueden adaptar para medir la distribución de inmigrantes en las comunas de una ciudad en comparación con cómo se distribuye la población total. Cuanto mayor es el valor de GINI, menor es la distribución equitativa de inmigrantes, lo que apunta hacia la segregación, ya que un grupo está segregado si está distribuido de manera desigual en comparación con la distribución de la población total.
En la siguiente sección se cargan los datos y en la siguiente sección se calcula el coeficiente GINI con el paquete REAT.
4) Census 2002 y 2017
Los datos crudos utilizados son del Census Chilena de 2002 y 2017 y se pueden descargar acá para 2017 y acá para 1992.
Las siguientes tablas se descargan:
- Código de Comuna o País de Nacimiento para la Región Metropolitana con division comunal para 1992
- Pais de Nacimiento (grupo) para la Región Metropolitana con division comunal para 2017
Se modifican en Excel, y con unas sintaxis en R para crear dos bases de datos, una para 1992 y la segunda para 2017, con los siguinetes variables:
Comuna - Comuna de Santiago
África - Población Africana
Argentina - Población Argentina
Asia - Población Asiatica
Bolivia - Población Bolivana
Centroamérica y Carribe - Población Centroaméricana y Caribeña
Chile - Población Chilena
Colombia - Población Colombiana
Ecuador - Población Ecuadoriana
Europa - Población Europea
Haití - Población Haitíana
Ignorado - Personas que ignoraron la pregunta
Norteamérica - Población Norteaméricana
Oceanía - Poblacion Oceanía
País no declarado/Otro - Personas que no declaron su país
Perú - Población Perúana
SurAmerica - Población Suramericana
Venezuela - Población Venezolana
InmigrantePop - Población inmigrante total
Población Total - Población total sumando InmigrantePop, y Chile, y Ignorado.
Si le gustaría ver como se hace este processo, contacte el autor.
4.1) Preparando los datos de 1992
Para cargar la base de datos se utiliza las sintaxis siguientes.
setwd("~/Documents/Machine Learning/15. Hugo/academic-kickstart-master/content/es/post/GINI-Lorenz")
ProvinciaSantiago1992 <- read_csv("ProvinciaSantiago1992.csv")
ProvinciaSantiago1992 <- ProvinciaSantiago1992 %>% select(-1) %>% select(sort(names(.)))
ProvinciaSantiago1992$PoblacionTotal <- rowSums(ProvinciaSantiago1992[, c(1:7, 9:18)])
ProvinciaSantiago1992$InmigrantePop <- rowSums(ProvinciaSantiago1992[,c(1:5, 6, 9:11, 13:18)])
ProvinciaSantiago1992 <- ProvinciaSantiago1992[,c(8, 1:7, 9:20)]
ProvinciaSantiago1992 <- ProvinciaSantiago1992 %>% rename(África = Africa, Centroamérica_Caribe =
CentralAmerica, Europa = Europe, Haití = HAITI, Ignorado = Ignored, Norteamérica = NorthAmerica, Oceanía = Oceania, Perú = Peru, Sudamérica = SouthAmerica)4.2) Preparando los datos de 2017
Para cargar la base de datos a R se utiliza la siguiente sintaxis.
setwd("~/Documents/Machine Learning/15. Hugo/academic-kickstart-master/content/es/post/GINI-Lorenz")
Inm2017 <- read_csv("2017 Población datos.csv")
Inm2017 <- Inm2017 %>% mutate(Centroamérica_Caribe = Centroamérica + Caribe) %>% select(-X21, -Centroamérica, -Caribe) %>% mutate("PoblaciónTotal" = Total + `No Aplica` + Ignorado) %>% rename("InmigrantePop" = Total, "Chile" = `No Aplica`) %>% select(sort(names(.)))
Inm2017 <- Inm2017[,c(8, 1:7, 9:12, 14:17, 19:20, 13, 18)]5) Computación del GINI
Ahora que los datos estan cargados se computan la curva de Lorenz y el coeficiente de GINI.
5.1) Coeficiente de GINI 2017
Con la siguiente sintaxis, se traza la curva de Lorenz y se calcula el coeficiente de GINI para los diferentes grupos en 2017.
Las curvas de Lorenz a continuación y el espacio entre estas líneas y la línea de perfecta igualdad muestran visualmente cómo los grupos de inmigrantes difieren en su distribución a lo largo de la ciudad en comparación con la población total.
Los coeficientes de gini para cada grupo se muestran en la tabla GINI_2017.
gini(x = Inm2017$África, weighting = Inm2017$PoblaciónTotal, lc = TRUE, lcy = "Población Santiago",
lcx = "Población Áfricana", lctitle = "Cruva de Lorenz - Población Áfricana 2017")
## [1] 0.6272155gini(x = Inm2017$Argentina, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Argentina", lctitle = "Cruva de Lorenz - Población Argentina 2017")
## [1] 0.4166115gini(x = Inm2017$Asia, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Asiática", lctitle = "Cruva de Lorenz - Población Asiática 2017")
## [1] 0.6234463gini(x = Inm2017$`Bolivia (Estado Plurinacional de)`, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Boliviana", lctitle = "Cruva de Lorenz - Población Boliviana 2017")
## [1] 0.4723908gini(x = Inm2017$Centroamérica_Caribe, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Centroaméricana y Caribeña", lctitle = "Cruva de Lorenz - Población Centroaméricana y Caribeña 2017")
## [1] 0.4728928gini(x = Inm2017$Chile, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Chilena", lctitle = "Cruva de Lorenz - Población Chilena 2017")
## [1] 0.2573295gini(x = Inm2017$Colombia, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Colombiana", lctitle = "Cruva de Lorenz - Población Colombiana 2017")
## [1] 0.475865gini(x = Inm2017$Ecuador, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Ecuadoriana", lctitle = "Cruva de Lorenz - Población Ecuadoriana 2017")
## [1] 0.4357026gini(x = Inm2017$Europa, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Europea", lctitle = "Cruva de Lorenz - Población Europea 2017")
## [1] 0.6833317gini(x = Inm2017$Haití, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Haitíana", lctitle = "Cruva de Lorenz - Población Haitíana 2017")
## [1] 0.5130789gini(x = Inm2017$Norteamérica, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Norteaméricana", lctitle = "Cruva de Lorenz - Población Norteaméricana 2017")
## [1] 0.6775113gini(x = Inm2017$Oceanía, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Oceaníana", lctitle = "Cruva de Lorenz - Población Oceaníana 2017")
## [1] 0.6707061gini(x = Inm2017$Perú, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Perúana", lctitle = "Cruva de Lorenz - Población Perúana 2017")
## [1] 0.4922807gini(x = Inm2017$Sudamérica, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Sudaméricana", lctitle = "Cruva de Lorenz - Población Sudaméricana 2017")
## [1] 0.5179776gini(x = Inm2017$`Venezuela (República Bolivariana de)`, weighting = Inm2017$PoblaciónTotal, lc = T, lcy = "Población Santiago",
lcx = "Población Venezolana", lctitle = "Cruva de Lorenz - Población Venezolana 2017")
## [1] 0.6970641GINI_2017 <- data.frame(Grupos = c("África", "Argentina", "Asia", "Bolivia", "Centroamérica y Caribe",
"Chile", "Colombia", "Ecuador", "Europa", "Haití", "Norteamérica",
"Oceanía", "Perú", "Sudamérica", "Venezuela"), GINI2017 = c(0.627, 0.417, 0.623, 0.472, 0.472, 0.257, 0.476, 0.436, 0.683, 0.513, 0.677, 0.671, 0.492, 0.518, 0.697))
GINI_2017## Grupos GINI2017
## 1 África 0.627
## 2 Argentina 0.417
## 3 Asia 0.623
## 4 Bolivia 0.472
## 5 Centroamérica y Caribe 0.472
## 6 Chile 0.257
## 7 Colombia 0.476
## 8 Ecuador 0.436
## 9 Europa 0.683
## 10 Haití 0.513
## 11 Norteamérica 0.677
## 12 Oceanía 0.671
## 13 Perú 0.492
## 14 Sudamérica 0.518
## 15 Venezuela 0.6975.2) Coeficiente de GINI 1992
Con la siguiente sintaxis, se traza la curva de Lorenz y se calcula el coeficiente de GINI para los diferentes grupos en 1992. Nuevamente, las curvas de Lorenz se pueden ver con los coeficientes de GINI almacenados en la tabla GINI_1992.
gini(x = ProvinciaSantiago1992$África, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Áfricana", lctitle = "Cruva de Lorenz - Población Áfricana 1992")
## [1] 0.5830282gini(x = ProvinciaSantiago1992$Argentina, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Argentina", lctitle = "Cruva de Lorenz - Población Argentina 1992")
## [1] 0.3311707gini(x = ProvinciaSantiago1992$Asia, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Asiatica", lctitle = "Cruva de Lorenz - Población Asiatica 1992")
## [1] 0.7285676gini(x = ProvinciaSantiago1992$Bolivia, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Boliviana", lctitle = "Cruva de Lorenz - Población Boliviana 1992")
## [1] 0.6140272gini(x = ProvinciaSantiago1992$Centroamérica_Caribe, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Centro Americano y Caribeña", lctitle = "Cruva de Lorenz - Población Centro Americano y Caribeña 1992")
## [1] 0.6610601gini(x = ProvinciaSantiago1992$Chile, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Chilena", lctitle = "Cruva de Lorenz - Población Chilena 1992")
## [1] 0.2279802gini(x = ProvinciaSantiago1992$Colombia, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Colombiana", lctitle = "Cruva de Lorenz - Población Colombiana 1992")
## [1] 0.6702968gini(x = ProvinciaSantiago1992$Ecuador, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Ecuadoriana", lctitle = "Cruva de Lorenz - Población Ecuadoriana 1992")
## [1] 0.5739403gini(x = ProvinciaSantiago1992$Europa, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Europea", lctitle = "Cruva de Lorenz - Población Europea 1992")
## [1] 0.6810279gini(x = ProvinciaSantiago1992$Haití, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Haitiana", lctitle = "Cruva de Lorenz - Población Haitiana 1992")
## [1] 0.8884351gini(x = ProvinciaSantiago1992$Norteamérica, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Norte Americana", lctitle = "Cruva de Lorenz - Población Norte Americana 1992")
## [1] 0.7005349gini(x = ProvinciaSantiago1992$Oceanía, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Oceania", lctitle = "Cruva de Lorenz - Población Oceania 1992")
## [1] 0.628092gini(x = ProvinciaSantiago1992$Perú, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Peruana", lctitle = "Cruva de Lorenz - Población Peruana 1992")
## [1] 0.5668373gini(x = ProvinciaSantiago1992$Sudamérica, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Sur Americana", lctitle = "Cruva de Lorenz - Población Sur Americana 1992")
## [1] 0.5480673gini(x = ProvinciaSantiago1992$Venezuela, lc = T, weighting = ProvinciaSantiago1992$PoblacionTotal, lcy = "Población Santiago",
lcx = "Población Venezolana", lctitle = "Cruva de Lorenz - Población Venezolana 1992")
## [1] 0.5604589GINI_1992 <- data.frame(Grupos = c("África", "Argentina", "Asia", "Bolivia", "Centroamérica y Caribe",
"Chile", "Colombia", "Ecuador", "Europa", "Haití", "Norteamérica",
"Oceanía", "Perú", "Sudamérica", "Venezuela"), GINI1992 = c(0.583, 0.331, 0.729, 0.614, 0.661, 0.228, 0.670, 0.574, 0.681, 0.888, 0.701, 0.628, 0.567, 0.548, 0.560))6) Análisis de GINI
En esta sección, los valores de GINI para cada grupo de inmigrantes en 1992 y 2017 se almacenan en una nueva base de datos (GINI). Esta base de datos se analiza a lo largo de esta sección con la intención de ver cómo la segregación de inmigrantes en la provincia de Santiago ha cambiado, con motivos sugeridos. Los valores de GINI se grafican primero y también se calcula si cada grupo experimentó un aumento o una disminución.
GINI <- cbind(GINI_1992, GINI_2017)
GINI <- GINI[,c(1,2,4)]
GINI <- GINI %>% mutate(Cambio = GINI2017 - GINI1992)
GINI$Aumento <- ifelse(GINI$Cambio > 0, "Aumento", "Reducción")
GINI %>% arrange(-Cambio)## Grupos GINI1992 GINI2017 Cambio Aumento
## 1 Venezuela 0.560 0.697 0.137 Aumento
## 2 Argentina 0.331 0.417 0.086 Aumento
## 3 África 0.583 0.627 0.044 Aumento
## 4 Oceanía 0.628 0.671 0.043 Aumento
## 5 Chile 0.228 0.257 0.029 Aumento
## 6 Europa 0.681 0.683 0.002 Aumento
## 7 Norteamérica 0.701 0.677 -0.024 Reducción
## 8 Sudamérica 0.548 0.518 -0.030 Reducción
## 9 Perú 0.567 0.492 -0.075 Reducción
## 10 Asia 0.729 0.623 -0.106 Reducción
## 11 Ecuador 0.574 0.436 -0.138 Reducción
## 12 Bolivia 0.614 0.472 -0.142 Reducción
## 13 Centroamérica y Caribe 0.661 0.472 -0.189 Reducción
## 14 Colombia 0.670 0.476 -0.194 Reducción
## 15 Haití 0.888 0.513 -0.375 Reducciónggplot(data = GINI, aes(x = Grupos)) +
geom_bar(aes(y = GINI2017), position="dodge", stat="identity", fill="red", alpha = 0.6) +
scale_y_continuous(breaks = scales::pretty_breaks(n = 9)) +
coord_flip() +
ggtitle("Coeficiente de GINI - 2017")
ggplot(data = GINI, aes(x = Grupos)) +
geom_bar(aes(y = GINI1992), position="dodge", stat="identity", fill="black", alpha = 0.6) +
scale_y_continuous(breaks = scales::pretty_breaks(n = 9)) +
coord_flip() +
ggtitle("Coeficiente de GINI - 1992")
A partir de los gráficos y tablas anteriores, en primer lugar, se desprende que cinco grupos de inmigrantes experimentaron un aumento en su valor de GINI, lo que sugiere que vivieron con niveles más altos de segregación en 2017. Entre estos grupos, los venezolanos muestran el mayor aumento de 0.137. El aumento medio entre estos grupos es de 0,062.
GINI %>% filter(Aumento == "Aumento") %>% arrange(-Cambio)## Grupos GINI1992 GINI2017 Cambio Aumento
## 1 Venezuela 0.560 0.697 0.137 Aumento
## 2 Argentina 0.331 0.417 0.086 Aumento
## 3 África 0.583 0.627 0.044 Aumento
## 4 Oceanía 0.628 0.671 0.043 Aumento
## 5 Chile 0.228 0.257 0.029 Aumento
## 6 Europa 0.681 0.683 0.002 Aumento(0.044 + 0.086 + 0.002 + 0.043 + 0.137) / 5## [1] 0.0624También se observa que nueve grupos experimentaron una reducción en su coeficiente GINI. La reducción media entre estos nueve grupos es de 0,141. Haití tiene la mayor reducción con -0,375.
GINI %>% filter(Aumento == "Reducción") %>% arrange(Cambio)## Grupos GINI1992 GINI2017 Cambio Aumento
## 1 Haití 0.888 0.513 -0.375 Reducción
## 2 Colombia 0.670 0.476 -0.194 Reducción
## 3 Centroamérica y Caribe 0.661 0.472 -0.189 Reducción
## 4 Bolivia 0.614 0.472 -0.142 Reducción
## 5 Ecuador 0.574 0.436 -0.138 Reducción
## 6 Asia 0.729 0.623 -0.106 Reducción
## 7 Perú 0.567 0.492 -0.075 Reducción
## 8 Sudamérica 0.548 0.518 -0.030 Reducción
## 9 Norteamérica 0.701 0.677 -0.024 Reducción(0.375 + 0.194 + 0.189 + 0.142 + 0.138 + 0.106 + 0.075 + 0.030 + 0.024) / 9## [1] 0.1414444También cabe señalar que, teniendo en cuenta todos los grupos, hubo un cambio medio en el valor de GINI de -0,069. Esto dice que en 2017 los inmigrantes en general se distribuyeron de manera más equitativa en las comunas de la ciudad en comparación con la distribución de la población total. Esto sugiere que se redujo la segregación. La siguiente sección amplía esta idea para los diferentes grupos de inmigrantes y comenta por qué los grupos han experimentado su cambio en el valor de GINI.
GINI %>% filter(!Grupos == "Chile") ## Grupos GINI1992 GINI2017 Cambio Aumento
## 1 África 0.583 0.627 0.044 Aumento
## 2 Argentina 0.331 0.417 0.086 Aumento
## 3 Asia 0.729 0.623 -0.106 Reducción
## 4 Bolivia 0.614 0.472 -0.142 Reducción
## 5 Centroamérica y Caribe 0.661 0.472 -0.189 Reducción
## 6 Colombia 0.670 0.476 -0.194 Reducción
## 7 Ecuador 0.574 0.436 -0.138 Reducción
## 8 Europa 0.681 0.683 0.002 Aumento
## 9 Haití 0.888 0.513 -0.375 Reducción
## 10 Norteamérica 0.701 0.677 -0.024 Reducción
## 11 Oceanía 0.628 0.671 0.043 Aumento
## 12 Perú 0.567 0.492 -0.075 Reducción
## 13 Sudamérica 0.548 0.518 -0.030 Reducción
## 14 Venezuela 0.560 0.697 0.137 Aumento(0.137 - 0.030 - 0.075 + 0.043 - 0.024 - 0.375 +0.002 -0.138 - 0.194 - 0.189 - 0.142 - 0.106 + 0.086 + 0.044) / 14## [1] -0.068642866.1) Haití
Haití experimentó la mayor reducción, lo que inicialmente sugiere que vivían mucho menos segregados en 2017. Sin embargo, cabe señalar que en 1992 la población haitiana en la provincia de Santiago era de solo 21 personas, por lo que su coeficiente GINI en ese año siempre fue ser muy alto. El hecho de que su población fuera tan pequeña en 1992 hace que sea difícil comparar el cambio en el valor de GINI entre 1992 y 2017. El siguiente gráfico muestra las poblaciones de los diferentes grupos en 1992 y 2017, con una población haitiana de 45.838 en 2017.
También en relación a la población haitiana, cabe mencionar que el coeficiente GINI de 0,513 es el séptimo valor más bajo entre los grupos en 2017, lo que la ubica con menos segregación que otros grupos de habla hispana, como sudamericanos, venezolanos y europeos. . Dado que varios grupos de habla hispana experimentaron una reducción en su valor de GINI, parece que hablar el mismo idioma del país de acogida es un factor bastante importante en la capacidad de un grupo de inmigrantes para extenderse por la ciudad con menos segregación. Por lo tanto, surge la pregunta de por qué la población haitiana no solo ha visto una alta reducción en su valor de GINI entre 1992 y 2017, sino también por qué en 2017 tuvo un valor de GINI más similar a los grupos de habla hispana que a los de habla no hispana grupos? Sería interesante ver si este sigue siendo el caso en 2020, ya que la población haitiana ha seguido aumentando en los últimos tres años y esto podría provocar un aumento en su valor de GINI y niveles de segregación.
totals1992 <- colSums(ProvinciaSantiago1992[,-1])
totals1992 <- as.data.frame(totals1992)
z <- data.frame(grupos = c("África", "Argentina", "Asia", "Bolivia", "Centroamérica y Caribe",
"Chile", "Colombia", "Ecuador", "Europa", "Haití", "Ignorado", "Norteamérica",
"Oceanía", "Other", "Perú", "Sudamérica", "Venezuela", "PoblacionTotal",
"InmigrantePop"), total = totals1992$totals1992)
ggplot(data = z %>% filter(! grupos %in% c("Chile", "InmigrantePop", "PoblacionTotal", "Ignorado")), aes(x = grupos)) +
geom_bar(aes(y = total), stat="identity", fill="black", alpha = 0.6) +
coord_flip() +
ggtitle("Población de grupos de inmigrantes - 1992")
totals2017 <- colSums(Inm2017[,-1])
totals2017 <- as.data.frame(totals2017)
x <- data.frame(grupos = c("África", "Argentina", "Asia", "Bolivia", "Centroamérica y Caribe",
"Chile", "Colombia", "Ecuador", "Europa", "Haití", "Ignorado", "Norteamérica",
"Oceanía", "Pais no declarado", "Perú", "Sudamérica", "Venezuela", "PoblacionTotal",
"InmigrantePop"), total = totals2017$totals2017)
ggplot(data = x %>% filter(! grupos %in% c("Chile", "InmigrantePop", "PoblacionTotal", "Ignorado")), aes(x = grupos)) +
geom_bar(aes(y = total), stat="identity", fill="black", alpha = 0.6) +
coord_flip() +
ggtitle("Población de grupos de inmigrantes - 2017")
6.2) Grupos hispanohablantes
Como ya se mencionó, varios de los grupos de habla hispana experimentaron una reducción en el coeficiente de GINI entre 1992 y 2017. Los valores de GINI para los grupos ecuatoriano, boliviano, centroamericano y caribeño, colombiano y peruano disminuyeron.
Por otro lado, para el grupo de venezolanos, el valor de GINI aumentó. Esto se puede explicar por el gran aumento de inmigrantes venezolanos en los últimos cinco años. Las siguientes cifras muestran cuántos venezolanos llegaron a Santiago en:
2010 = 894 2014 = 2,799 2015 = 7,601 2016 = 21,087
Con tantos recién llegados ha habido una preferencia por vivir en una forma concentrada, lo que puede explicar el aumento en su valor de GINI de 0.560 en 1992 a 0.697 en 2017. La comuna de Santiago parece ser el centro de la concentración de Venezolanos con 35,323 habitantes en 2017. Esto representó el 51,62% del total de venezolanos en la provincia de Santiago.
En comparación, los grupos ecuatorianos, bolivianos, centroamericanos y caribeños, colombianos y peruanos no han experimentado un aumento demográfico reciente tan profundo, lo que contribuyó a la disminución de sus valores de GINI.
Los siguientes gráficos comparan la distribución de los venezolanos con la distribución de los inmigrantes en su conjunto para ver qué tan concentrados viven. En 2017, cinco comunas tenían al menos el 5% de la población inmigrante, pero solo tres comunas tenían este porcentaje de la población venezolana. Además, en 2017, 15 comunas tenían al menos el 2% de la población inmigrante en comparación con solo 8 comunas con al menos el 2% de la población venezolana. Con base en estas cifras, parece que la población venezolana está más concentrada, lo que lleva a un valor de GINI más alto.
Puede leer más sobre la distribución de los diferentes grupos de inmigrantes aquí.
## # A tibble: 32 x 3
## Comuna `Venezuela (República Bolivariana de)` porceinto
## <chr> <dbl> <dbl>
## 1 Santiago 35323 51.6
## 2 Independencia 4413 6.45
## 3 Ñuñoa 4401 6.43
## 4 Estación Central 3315 4.84
## 5 Las Condes 3306 4.83
## 6 Providencia 2144 3.13
## 7 La Florida 2036 2.98
## 8 San Miguel 1953 2.85
## 9 Macul 1255 1.83
## 10 Maipú 1057 1.54
## # … with 22 more rows
## # A tibble: 32 x 3
## Comuna InmigrantePop porceinto
## <chr> <dbl> <dbl>
## 1 Santiago 115819 25.6
## 2 Las Condes 33742 7.46
## 3 Independencia 30591 6.76
## 4 Recoleta 24367 5.39
## 5 Estación Central 23620 5.22
## 6 Providencia 17950 3.97
## 7 Ñuñoa 16908 3.74
## 8 Quilicura 15985 3.53
## 9 La Florida 14033 3.1
## 10 Maipú 13360 2.95
## # … with 22 more rows
6.3) Asiáticos
De los grupos que no hablan español y excluyendo a los haitianos, los asiáticos experimentaron la mayor reducción en el coeficiente GINI con una reducción de 0.106 a un coeficiente de 0.623.
En comparación, los norteamericanos y los europeos casi mantuvieron sus valores de GINI con una reducción de 0,002 a 0,683 para los europeos y una reducción de 0,024 a un total de 0,677 para los norteamericanos. Esto sugiere que los asiáticos se han podido integrar más a la sociedad chilena con una distribución más equitativa en las comunas.
Otros grupos no hispanohablantes, como africanos y oceanías, también han aumentado su valor de GINI entre 1992 y 2017, lo que significa que preferirán vivir concentrados. Sin embargo, sus poblaciones aún son reducidas, lo que favorece vivir de etsa forma.
## # A tibble: 32 x 3
## Comuna Asia porceinto
## <chr> <dbl> <dbl>
## 1 Santiago 3121 25.1
## 2 Las Condes 2492 20.1
## 3 Providencia 936 7.54
## 4 Lo Barnechea 787 6.34
## 5 Recoleta 634 5.1
## 6 Vitacura 603 4.85
## 7 Ñuñoa 565 4.55
## 8 Maipú 544 4.38
## 9 Estación Central 302 2.43
## 10 La Florida 294 2.37
## # … with 22 more rows
## # A tibble: 32 x 3
## Comuna Europa porceinto
## <chr> <dbl> <dbl>
## 1 Las Condes 6952 24.7
## 2 Providencia 4458 15.8
## 3 Santiago 3437 12.2
## 4 Vitacura 2883 10.2
## 5 Ñuñoa 2352 8.36
## 6 Lo Barnechea 1665 5.92
## 7 La Reina 965 3.43
## 8 La Florida 689 2.45
## 9 Peñalolén 639 2.27
## 10 Maipú 525 1.87
## # … with 22 more rows
## # A tibble: 32 x 3
## Comuna Norteamérica porceinto
## <chr> <dbl> <dbl>
## 1 Las Condes 2129 23.7
## 2 Lo Barnechea 1218 13.6
## 3 Providencia 1087 12.1
## 4 Vitacura 931 10.4
## 5 Santiago 770 8.58
## 6 Ñuñoa 585 6.52
## 7 La Reina 368 4.1
## 8 La Florida 258 2.87
## 9 Peñalolén 237 2.64
## 10 Maipú 236 2.63
## # … with 22 more rows
7) Conclusión
En conclusión, este análisis ha utilizado el coeficiente de GINI para explorar cómo cambió la segregación de grupos de inmigrantes en Santiago de Chile entre 1992 y 2017. El uso del coeficiente de GINI es un índice de igualdad, que se refiere a la distribución equitativa de diferentes grupos en las diferentes unidades espaciales de un espacio urbano y que se basa en la idea de que un grupo está segregado si se distribuye de manera desigual entre estas unidades en comparación con la población total. Entre 1992 y 2017, cinco grupos experimentaron un aumento en su valor de GINI y nueve grupos experimentaron una reducción. Teniendo en cuenta todos los grupos, hubo un cambio medio en el valor de GINI de -0,069. Esto dice que en 2017 los inmigrantes en general se distribuyeron de manera más equitativa en las comunas de la ciudad en comparación con la distribución de la población total. Esto sugiere que se redujo la segregación. En relación a grupos de inmigrantes específicos, este análisis ha mostrado que la población haitiana disminuyó y que en 2017 tuvo un valor de GINI más similar a los grupos de habla hispana que a los grupos de habla no española. También se ha demostrado que los venezolanos tienen un valor de GINI mucho más alto que otros grupos de habla hispana, lo que podría haber sido causado por el gran aumento de inmigrantes venezolanos en los últimos cinco años. Finalmente, se sugiere que la población asiática se ha podido integrar más a la sociedad chilena que grupos de europeos y norteamericanos con una distribución más equitativa en las comunas.
8) Bibliografía
Castillo, V. y Razmilic, S. (2020). Evolución de la segregación de los inmigrantes en Santiago. Puntos de Referencia, N° 527, enero 2020.
Martori, J., K. Hoberg y J. Surinach. (2006). Población inmigrante y espacio urbano: indicadores de segregación y pautas de localización. EURE XXII (97): 49–62.
Massey, D. S., and N. A. Denton. (1988). The Dimensions of Residential Segregation. Social Forces 67(2), 281–315.
Palacios, A. J. y Vidal, M. J. (2014). La distribución intraurbana de los inmigrantes Cuadernos Geográficos 53(1), 98-121.
