Sueldos en Chile

Los datos de sueldos en Chile se pueden obtener de la encuesta suplementaria de ingresos (ESI). La última ESI disponible es la del año 2021 y se puede descargar aquí.

Una vez que hemos descargado los datos podemos acceder a ellos:

Code

import numpy as np
import pandas as pd

# download the data
data_raw = pd.read_csv("esi-2021---personas.csv", encoding="ISO-8859-1", low_memory=False, index_col=0)
data_raw.head(3)

	idrph	nro_linea	edad	tramo_edad	sexo	parentesco	curso	nivel	termino_nivel	estudia_actual	...	mes_central	ano_encuesta	mes_encuesta	region	r_p_c	estrato	tipo	conglomerado	id_identificacion	hogar
1	14565	4	36	5.0	1	4	2	4	2	2	...	11	2021	10	8	8205	8200111	1	820510025	102542.0	1
2	24946	2	57	9.0	2	3	2	10	1	2	...	11	2021	12	13	13123	13291	1	13123000144956	69274.0	1
3	41897	2	64	10.0	2	2	3	8	1	2	...	11	2021	10	16	16302	16300120	3	1630220015	80521.0	1

3 rows × 292 columns

Para el análisis, la encuesta considera sólo las personas ocupadas con más de 1 mes en el empleo actual. Podemos acceder al Manual y Guía de Variables ESI y ver que la variable que nos interesa es ocup_ref donde el valor 1 corresponde a los “Ocupados con más de 1 mes en el empleo actual”.

Code

data = data_raw[data_raw["ocup_ref"] == 1].copy()

Del Manual y Guía de Variables ESI, vemos que debemos considerar el factor de expansión que corresponde a la variable fact_cal_esi. De esta forma encontramos que el número de personas ocupadas es 8.243.580.

Code

n_ocupados = data['fact_cal_esi'].sum()
print(f"Número de personas ocupadas: {n_ocupados:,.0f}".replace(',','.'))

Número de personas ocupadas: 8.243.580

Para calcular el sueldo promedio, según el Manual y Guía de Variables ESI, debemos utilizar la variable ing_t_p que corresponde a “Ingresos del trabajo principal” y debemos utilizar nuevamente el factor de expansión.

Code

def ingreso_promedio(data):
    n_ocupados = data['fact_cal_esi'].sum()
    promedio = (data['ing_t_p']*data['fact_cal_esi']).sum()/n_ocupados
    return int(np.round(promedio))
print(f"Ingreso promedio mensual: ${ingreso_promedio(data):,.0f}".replace(',','.'))

Ingreso promedio mensual: $681.039

Tanto el número de personas ocupadas como el ingreso promedio coinciden con los valores entregados por el Instituto Nacional de Estadísticas (INE) en la Síntesis de Resultados (ver slide abajo) por lo que vamos por buen camino :-)

Para calcular el sueldo promedio, diferenciando por hombre/mujer, debemos utilizar la variable sexo.

Code

data['sexo'] = data['sexo'].map({1: 'hombre', 2: 'mujer'})
ocupados_hombres = data[data['sexo'] == 'hombre']
ocupadas_mujeres = data[data['sexo'] == 'mujer']
print(f"Porcentaje de hombres: {100*ocupados_hombres['fact_cal_esi'].sum()/n_ocupados:.1f}%")
print(f"Ingreso promedio mensual para hombres: ${ingreso_promedio(ocupados_hombres):,.0f}".replace(',','.'))
print(f"Porcentaje de mujeres: {100*ocupadas_mujeres['fact_cal_esi'].sum()/n_ocupados:.1f}%")
print(f"Ingreso promedio mensual para mujeres: ${ingreso_promedio(ocupadas_mujeres):,.0f}".replace(',','.'))

Porcentaje de hombres: 58.2%
Ingreso promedio mensual para hombres: $749.046
Porcentaje de mujeres: 41.8%
Ingreso promedio mensual para mujeres: $586.178

Nuevamente los valores coinciden con los valores entregados por el INE (ver slide arriba).

Para calcular el sueldo promedio, diferenciando por región, debemos utilizar la variable region:

Code

map_regiones = {
    1: "Tarapacá",
    2: "Antofagasta",
    3: "Atacama",
    4: "Coquimbo",
    5: "Valparaíso",
    6: "O'Higgins",
    7: "Maule",
    8: "Biobío",
    9: "La Araucanía",
    10: "Los Lagos",
    11: "Aysén",
    12: "Magallanes",
    13: "Metropolitana",
    14: "Los Ríos",
    15: "Arica y Parinacota",
    16: "Ñuble",
    99: "Región no identificada"
}
data["region"] = data["region"].map(map_regiones)
ocupados_regiones = data.groupby('region').apply(lambda x: ingreso_promedio(x))
for index, value in ocupados_regiones.items():
    print(f"Ingreso promedio en la Región de {index}: ${value:,}".replace(',','.'))

Ingreso promedio en la Región de Antofagasta: $765.318
Ingreso promedio en la Región de Arica y Parinacota: $582.646
Ingreso promedio en la Región de Atacama: $649.946
Ingreso promedio en la Región de Aysén: $748.998
Ingreso promedio en la Región de Biobío: $574.946
Ingreso promedio en la Región de Coquimbo: $603.089
Ingreso promedio en la Región de La Araucanía: $533.858
Ingreso promedio en la Región de Los Lagos: $552.445
Ingreso promedio en la Región de Los Ríos: $576.430
Ingreso promedio en la Región de Magallanes: $844.329
Ingreso promedio en la Región de Maule: $534.284
Ingreso promedio en la Región de Metropolitana: $780.454
Ingreso promedio en la Región de O'Higgins: $567.721
Ingreso promedio en la Región de Tarapacá: $672.109
Ingreso promedio en la Región de Valparaíso: $601.402
Ingreso promedio en la Región de Ñuble: $543.780

Los valores coinciden con los entregados por el INE (ver slide abajo).

Para calcular el ingreso mediano (la mitad de las personas ocupadas recibe ingresos menores o iguales al ingreso mediano) para la población total, hombres y mujeres, y por regiones:

Code

def ingreso_percentil(data, percentil):
    n_ocupados = data['fact_cal_esi'].sum()
    data_ordered = data.sort_values(by="ing_t_p", ascending=True)
    mediano = data_ordered[data_ordered["fact_cal_esi"].cumsum()>n_ocupados*percentil/100.]['ing_t_p'].iloc[0]
    return int(np.round(mediano))
print(f"Ingreso mediano mensual: ${ingreso_percentil(data,50):,.0f}".replace(',','.'))

Ingreso mediano mensual: $457.690

Code

print(f"Ingreso mediano para hombres: ${ingreso_percentil(ocupados_hombres,50):,.0f}".replace(',','.'))
print(f"Ingreso mediano para mujeres: ${ingreso_percentil(ocupadas_mujeres,50):,.0f}".replace(',','.'))

Ingreso mediano para hombres: $500.000
Ingreso mediano para mujeres: $405.348

Code

ocupados_regiones = data.groupby('region').apply(lambda x: ingreso_percentil(x,50))
for index, value in ocupados_regiones.items():
    print(f"Ingreso mediano en la Región de {index}: ${value:,}".replace(',','.'))

Ingreso mediano en la Región de Antofagasta: $570.000
Ingreso mediano en la Región de Arica y Parinacota: $420.000
Ingreso mediano en la Región de Atacama: $506.685
Ingreso mediano en la Región de Aysén: $537.086
Ingreso mediano en la Región de Biobío: $427.307
Ingreso mediano en la Región de Coquimbo: $405.348
Ingreso mediano en la Región de La Araucanía: $397.991
Ingreso mediano en la Región de Los Lagos: $405.348
Ingreso mediano en la Región de Los Ríos: $420.000
Ingreso mediano en la Región de Magallanes: $587.754
Ingreso mediano en la Región de Maule: $400.000
Ingreso mediano en la Región de Metropolitana: $500.000
Ingreso mediano en la Región de O'Higgins: $400.000
Ingreso mediano en la Región de Tarapacá: $469.630
Ingreso mediano en la Región de Valparaíso: $427.642
Ingreso mediano en la Región de Ñuble: $400.000

Dichos valores coinciden con los valores entregados por el INE (ver slides abajo).

De la misma forma como calculamos la mediana podemos calcular los sueldos para todos los percentiles.

Code

import plotly.graph_objects as go

PERCENTILES = [ingreso_percentil(data,p) for p in range(100)]

fig = go.Figure()
fig.add_trace(go.Scatter(x=[.01*i for i in range(5,100)], y=PERCENTILES[5:], hovertemplate='Sueldo mensual: %{y:$,.0f}<extra></extra>'))
fig.update_layout(
    title = f'Distribución de ingresos',
    yaxis_title = 'Sueldos mensuales',
    xaxis = dict(
        tickmode = 'array',
        tickvals = [.1*i for i in range(11)],
        ticktext = [f'{10*i}%' for i in range(11)]
    ),
    xaxis_tickformat=',.0%',
    yaxis_tickformat=',.0'.replace(',',','),
    yaxis = dict(
        tickmode = 'array',
        tickvals = [500_000*i for i in range(9)],
        ticktext = [f'${500_000*i:,}'.replace(',','.') for i in range(9)]
    ),
    showlegend=False
)
fig.update_layout(
    hovermode="x",
    hoverlabel=dict(
        bgcolor="white",
    )
)
fig.show()

Puede ver en qué percentil se encuentra su sueldo en esta aplicación.

Dudas o sugerencias pueden hacerlas enviándome un mensaje en Twitter: alonsosilva