La desocupación desde 2007#

La serie mensual de la tasa de desocupación del total nacional, y por qué hay que tener cuidado al compararla entre marcos muestrales.

import dane_data as dd

serie = dd.geih.serie_indicadores(range(2007, 2027), anual=False)
serie["fecha"] = pd.to_datetime(serie[["anio", "mes"]].rename(columns={"anio": "year", "mes": "month"}).assign(day=1))
serie["marco"] = [dd.geih.marco_muestral(a) for a in serie["anio"]]
serie[["fecha", "marco", "tgp", "to", "td"]].tail()
fecha marco tgp to td
231 2026-04-01 CNPV 2018 64.741220 59.055998 8.781457
232 2026-05-01 CNPV 2018 64.942657 59.733833 8.020651
233 2026-06-01 CNPV 2018 64.543037 59.362215 8.026926
234 2026-07-01 CNPV 2018 64.768526 59.519311 8.104578
235 2026-08-01 CNPV 2018 63.289540 57.363310 9.363680

dd.geih.serie_indicadores() calcula un año a la vez y guarda el resultado: veinte años sin cargar los microdatos en memoria. dd.geih.marco_muestral() dice con qué proyecciones de población se expandió cada año.

fig, ax = plt.subplots(figsize=(10, 4.4))
ax.plot(serie["fecha"], serie["td"], lw=1.2, alpha=0.45, label="Mensual")
ax.plot(serie["fecha"], serie["td"].rolling(12).mean(), lw=2.4, label="Promedio de 12 meses")
for inicio, fin in [("2020-01-01", "2020-12-31"), ("2022-01-01", serie["fecha"].max())]:
    ax.axvspan(pd.Timestamp(inicio), pd.Timestamp(fin), color="0.5", alpha=0.12, lw=0)
ax.text(pd.Timestamp("2023-01-01"), 22.5, "Marco CNPV 2018", color="0.35", fontsize=10)
ax.annotate("Mayo de 2020", xy=(pd.Timestamp("2020-05-01"), serie.set_index("fecha").loc["2020-05-01", "td"]),
            xytext=(pd.Timestamp("2014-06-01"), 20.5), arrowprops={"arrowstyle": "->", "color": "0.3"}, fontsize=10)
ax.yaxis.set_major_formatter(mtick.PercentFormatter(decimals=0))
ax.set_ylim(0, 25)
ax.set_title("Tasa de desocupación, total nacional, 2007–2026")
ax.legend(loc="upper left");
../_images/84dc7b32c2d340aaf5c34b52620fd2827447336ac72e5fcb357bbaabed1d63f5.png

La desocupación bajó de entre 11 % y 12 % en 2007–2010 a entre 8,9 % y 10,5 % en 2014–2019, saltó al 22 % en mayo de 2020 con la pandemia y bajó del 10 % en 2025. La estacionalidad es fuerte: todos los años salvo 2020, enero es el mes con más desocupación.

Años completos#

anual = dd.geih.serie_indicadores(range(2007, 2026))
anual["marco"] = [dd.geih.marco_muestral(a) for a in anual["anio"]]
anual[["anio", "marco", "tgp", "to", "td"]].round(1)
anio marco tgp to td
0 2007 censo 2005 58.3 51.8 11.2
1 2008 censo 2005 58.5 51.9 11.3
2 2009 censo 2005 61.3 53.9 12.0
3 2010 censo 2005 62.7 55.4 11.8
4 2011 censo 2005 63.7 56.8 10.8
5 2012 censo 2005 64.5 57.8 10.4
6 2013 censo 2005 64.2 58.0 9.6
7 2014 censo 2005 64.2 58.4 9.1
8 2015 censo 2005 64.7 59.0 8.9
9 2016 censo 2005 64.5 58.5 9.2
10 2017 censo 2005 64.4 58.4 9.4
11 2018 censo 2005 64.0 57.8 9.7
12 2019 censo 2005 63.3 56.6 10.5
13 2020 CNPV 2018 60.4 50.4 16.5
14 2021 censo 2005 60.6 52.3 13.7
15 2022 CNPV 2018 63.6 56.5 11.2
16 2023 CNPV 2018 64.1 57.6 10.2
17 2024 CNPV 2018 63.9 57.4 10.2
18 2025 CNPV 2018 64.3 58.6 8.9

Dos marcos, dos niveles#

Los años 2010–2020 existen en las dos versiones: la serie principal (marco del censo 2005, salvo 2020) y la serie de empalme (marco del CNPV 2018, PET de 15 años o más). La tasa de desocupación cambia poco entre una y otra, pero la participación sí, porque cambian la población y la edad mínima de la PET:

principal = dd.geih.serie_indicadores(range(2010, 2021))
empalme = dd.geih.serie_indicadores(range(2010, 2021), empalme=True)
comparacion = principal[["anio", "tgp", "td"]].merge(empalme[["anio", "tgp", "td"]], on="anio",
                                                    suffixes=("_principal", "_empalme"))
comparacion.round(1)
anio tgp_principal td_principal tgp_empalme td_empalme
0 2010 62.7 11.8 67.7 12.0
1 2011 63.7 10.8 68.1 11.1
2 2012 64.5 10.4 68.6 10.6
3 2013 64.2 9.6 67.8 9.9
4 2014 64.2 9.1 67.4 9.4
5 2015 64.7 8.9 67.5 9.2
6 2016 64.5 9.2 66.9 9.5
7 2017 64.4 9.4 66.4 9.7
8 2018 64.0 9.7 65.7 10.0
9 2019 63.3 10.5 64.8 10.9
10 2020 60.4 16.5 60.4 16.5 
fig, axes = plt.subplots(1, 2, figsize=(10, 3.8))
for ax, tasa, titulo in zip(axes, ["tgp", "td"], ["Participación (TGP)", "Desocupación (TD)"]):
    ax.plot(comparacion["anio"], comparacion[f"{tasa}_principal"], marker="o", label="Serie principal")
    ax.plot(comparacion["anio"], comparacion[f"{tasa}_empalme"], marker="o", label="Serie de empalme")
    ax.yaxis.set_major_formatter(mtick.PercentFormatter(decimals=0))
    ax.set_title(titulo)
axes[0].legend()
fig.tight_layout();
../_images/21e29c9bdf357a6ce5b679e197cb9bc27cb2e0b2c557cf82ee2d404e2ed8313b.png

Para una serie larga comparable con los años recientes, use la serie de empalme hasta 2020 y la principal desde 2022:

comparable = pd.concat([
    dd.geih.serie_indicadores(range(2010, 2021), empalme=True),
    dd.geih.serie_indicadores(range(2022, 2026)),
], ignore_index=True)
comparable[["anio", "tgp", "to", "td"]].round(1)
anio tgp to td
0 2010 67.7 59.6 12.0
1 2011 68.1 60.6 11.1
2 2012 68.6 61.3 10.6
3 2013 67.8 61.1 9.9
4 2014 67.4 61.1 9.4
5 2015 67.5 61.3 9.2
6 2016 66.9 60.5 9.5
7 2017 66.4 60.0 9.7
8 2018 65.7 59.1 10.0
9 2019 64.8 57.7 10.9
10 2020 60.4 50.4 16.5
11 2022 63.6 56.5 11.2
12 2023 64.1 57.6 10.2
13 2024 63.9 57.4 10.2
14 2025 64.3 58.6 8.9

Ver también