Introducción a Software Estadístico - UNTREF

Las elecciones presidenciales del año 2023 resultaron en un abrumador triunfo del espacio político “La Libertad Avanza”, cuyo candidato a presidente fue Javier Milei, quien se impuso con un 55,69% de los votos contabilizados contra el 44,31% de su opuesto, Sergio Massa.1

La imposición de tal espacio, signado por un proyecto neoliberal cuyas propuestas van desde la privatización de empresas públicas, la reducción de la planta de empleados públicos de todo tipo, la actualización/suba de los valores tarifarios, adopción del dólar como moneda oficial de cambio, reducción de la inflación vía esterilización monetaria; supuso una novedad -entre tantas otras-, a diferencia de otro tipo de frentes/partidos políticos que supieron encarnar estas propuestas, que es el fuerte apoyo de lo que podríamos llamar como “sector joven” a propuestas marcadamente antiestatistas.2 En este caso, nos referimos a los “jóvenes” como hombres y mujeres que van desde los 16 hasta los 29 años, que hasta el día de hoy soportan y adscriben a la gestión y las medidas llevadas a cabo por “La Libertad Avanza”.3

En este sentido, tomando como fuente de datos la base de microdatos de individuos de la Encuesta Permanente de Hogares relevada de forma trimestral por el Instituto Nacional de Estadística y Censos, se buscará hacer una breve descripción de las condiciones materiales del sector jóven, desde el inicio del ASPO en el año 2020 hasta fines del año 2023, haciendo énfasis en el análisis aislado de esta subpoblación, como así también comparando con otros subgrupos. En ese sentido, el trabajo estará dividido en tres grandes apartados. En primer lugar visualizaremos la situación de la ocupación laboral de los jóvenes entre 16 y 29 años; esto se hará visualizando la tendencia que toman de distintas tasas de ocupación en el mercado de trabajo y los valores que arrojan para ciertos períodos.

En el segundo apartado se busca tener una aproximación a la pobreza e indigencia en jóvenes según su pertenencia a hogares en condiciones tales a partir de estimaciones trimestrales de las tasa de pobreza e indigencia; realizando comparaciones y analizando a partir del cruce de diversas variables.

En el tercer y último apartado se analizará la condición de empleabilidad de asalariados jovenes, esto es, el porcentaje de los mismos que realiza aportes a la caja de ANSES, y auqellos que no.

Vale la pena aclarar que el presente trabajo no pretende realizar asociación alguna entre intención de voto y situación material/socio-económica de la unidad de análisis seleccionada, sino hacer un análisis descriptivo con las variables arriba citadas, y que esto pueda constituirse como insumo para un posterior análisis que pueda aproximarse a explicar el fenómeno del voto joven hacia la denominada “ultra derecha”.

## [1] "C:/Users/esteb/OneDrive/Escritorio/Documentación UNTREF/Aplicación de software estadístico I"

Estado de situación joven en el mercado de trabajo

Tomando la base de microdatos de individuos de la EPH para el tercer trimestre de 2023, y una vez divida la población de análisis en tres subgrupos, esto es, subgrupo “Jóvenes” de entre 16 y 29 años; subgrupo “Adultos”, de entre 30 y 65 años; y subgrupo “Adultos mayores”, con más de 65 años, comenzamos visualizando tres indicadores de ocupación en el mercado de trabajo para el subgrupo joven desagregandolo por sexo durante período eleccionario.

## CALCULAMOS TASA DE OCUPACION, DESOCUPACION Y SUBOCUP PARA EL TERCER TRIMESTRE DEL AÑO 2023 EN POBLACION JOVEN AGRUPANDO POR GENERO

agrup_genero_jovenes <- individuos_final %>%
  filter(`Grupo etario`=="Jóvenes" & ANO4==2023 & TRIMESTRE==3) %>%
  group_by(Género) %>% 
  summarise(Poblacion= sum(PONDERA),
            Ocupados = sum(PONDERA[ESTADO == 1]),
            Desocupados = sum(PONDERA[ESTADO == 2]),
            PEA = Ocupados + Desocupados,
            Suboc_demandante  = sum(PONDERA[ESTADO == 1 & INTENSI ==1 & PP03J==1]),
            Suboc_no_demand = sum(PONDERA[ESTADO == 1 & INTENSI ==1 & PP03J %in%
                                            c(2,9)]),
            Subocupados = Suboc_demandante + Suboc_no_demand,
            'Tasa Desocupación' = round(Desocupados/PEA*100,2),
            'Tasa Empleo' = round(Ocupados/Poblacion*100,2),
            "Tasa Subocupación" = round(Subocupados/PEA*100,2)) %>%
  select(Género,"Tasa Desocupación",'Tasa Empleo',"Tasa Subocupación")

agrup_genero_jovenes %>%kbl() %>% kable_paper(bootstrap_options = "striped", full_width = F) %>% add_header_above(c("Tabla 1 - Tasas de ocupación en población joven" = 4))
Tabla 1 - Tasas de ocupación en población joven
Género Tasa Desocupación Tasa Empleo Tasa Subocupación
Mujer 12.78 42.61 13.36
Varón 11.98 54.95 9.81

Como puede verse, al comparar tasas del mercado de trabajo por género en el tercer trimestre de 2023 las mujeres jóvenes se encuentran en peores condiciones laborales con casi un punto de diferencia porcentual frente a los hombres en lo que a tasa de desocupación, mientras que superan en más de tres puntos para los valores arrojados por la tasa de subocupación. También debe destacarse, que a pesar de que predominen los jóvenes empleados, tanto tasa de desocupación como sub ocupación alcanzan valores de por lo menos el 10%, lo que expresa un alto nivel de demanda por estar empleado, como así también, poder trabajar más horas de las que tienen fijadas.

Tendencia de tasa de desocupación en diversos grupos etarios - Año 2020-2023

Una vez visto este subgrupo de forma aislada, resulta pertinente compararlo con otros a partir de la categorización elaborada en torno a la edad de los individuos en tres subgrupos. Para esto visualizaremos el movimiento que sigue la tasa de desocupación desde el primer trimestre del año 2020 hasta el último relevamiento con datos actualizados al tercer trimestre de 2023.

agrup_trimestral_edad <- individuos_final %>% 
  group_by(ANO4,TRIMESTRE ,`Grupo etario`) %>% 
  summarise(Ocupados = sum(PONDERA[ESTADO == 1]),
            Desocupados = sum(PONDERA[ESTADO == 2]),
            PEA = Ocupados + Desocupados,
            'Tasa Desocupación' = round(Desocupados/PEA*100,2)) %>%
  mutate(., periodo=paste0(TRIMESTRE,"/",ANO4))

orden_prefijado <- c("1/2020","2/2020","3/2020","4/2020","1/2021","2/2021","3/2021","4/2021","1/2022","2/2022","3/2022","4/2022","1/2023","2/2023","3/2023")


otro_orden <- c("Jóvenes","Adultos","Adultos mayores")

agrup_trimestral_edad <- mutate(agrup_trimestral_edad, periodo=factor(periodo, levels = orden_prefijado))

agrup_trimestral_edad <- mutate(agrup_trimestral_edad, `Grupo etario`=factor(`Grupo etario`, levels = otro_orden))


ggplot(data = agrup_trimestral_edad) + 
  aes(x = periodo,
      y = `Tasa Desocupación`,
      group = `Grupo etario`,
      color = `Grupo etario`) +
  geom_line() +
  geom_point() +
  theme_bw() +
  theme(axis.text.x =  element_text(angle = -50,size = 9,hjust = 0)) +
  labs(title = "Gráfico 1 - Tendencia de tasa de desocupación",
       subtitle = "Por grupo etario",
       caption = "Elaboración propia en base a EPH-INDEC",
       x = "Trimestre",
       fill = "Grupo etario") +
  scale_color_manual(values= c("deepskyblue",
                     "lightblue",
                     "lightcyan4"))

Lo que aquí puede verse es la amplia brecha existente entre la población joven y los restantes grupos etarios, donde la desocupación, para los primeros, no llega a bajar al 12% en todo el lapso temporal abordado.

El segundo cuatrimestre de 2020, año del inicio del Aislamiento Social Preventivo y Obligatorio, marca un pico en dos grupos, a los cuales les sigue un marcado descenso de la tasa aunque sin dejar de marcar niveles alarmantes en lo que al grupo joven respecta.

Movimiento de tasas de ocupación en población joven a nivel regional, desagregando por género - Tercer trimestre de 2022 y 203

jovenes_22_23 <- filter(individuos_final, `Grupo etario`=="Jóvenes") %>% mutate(Período=paste0(TRIMESTRE,"/",ANO4),REGION=case_when(REGION==1 ~ "GBA", REGION==43 ~ "Pampeana", REGION==40 ~ "Noroeste", REGION==41 ~ "Noreste", REGION==42 ~ "Cuyo", REGION==44 ~ "Patagonia")) %>% filter(., Período=="3/2023" | Período=="3/2022") %>% group_by(Género, Período,REGION) %>% summarise(Ocupados=sum(PONDERA[ESTADO == 1]),
            Desocupados = sum(PONDERA[ESTADO == 2]),
            PEA = Ocupados + Desocupados,
            'Tasa Desocupación' = round(Desocupados/PEA*100,2)) 


ggplot(data = jovenes_22_23) + 
  aes(x = REGION,
      y = `Tasa Desocupación`,
      fill = Género,
      group = Género) +
  facet_wrap("Período") +
  geom_bar(stat = "identity",
           position = "dodge",
           color = "black") +
  theme(axis.text.x =  element_text(angle = -90,size = 5,hjust = 0)) +
  theme_bw() +
  labs(title = "Gráfico 2 - Tasa de desocupación - Interanual",
       subtitle = "Por género",
       caption = "Elaboración propia en base a EPH-INDEC",
       x = "Regiones",
       fill = "Género") +
  scale_fill_manual(values = c("deepskyblue","lightcyan3")) +
  coord_flip()

Observando el tercer trimestre en distintos años, y desagregando a nivel regional, observamos nuevamente que aquellos individuos de la subpoblación joven que presentan los niveles más altos de desocupación son mujeres, con algunas excepciones como puede ser la región patagónica en donde por diferencias notables de más de dos puntos, imperan los varones desocupados

Situación socioeconómica en población joven

En este apartado nos centraremos en observar la dinámica que toman las tasas de indigencia y pobreza en población joven que pertenece o no a un hogar que se ubica por debajo del umbral de pobreza o indigencia; para esto, vuelve a ser pertinente, además de desagregar como ya se viene haciendo por algunas variables al interior de esta subpoblación, comparar con otros grupos etarios.

Para calcular las mismas, en primer lugar, se obtuvieron los valores de las canastas correspondientes del Informe Técnico de Incidencia de la Pobreza y la Indigencia para los 31 Aglomerados Urbanos relevado de forma semestral por INDEC. Así también, del mismo informe se tomaron los valores correspondientes a la Unidad de Adulto Equivalente, que refiere a la unidad de medida que se toma para asignar los requerimientos kilocalóricos y proteicos imprescindibles para garantizar un umbral mínimo de necesidad, teniendo en cuenta el género y la edad de cada persona, y tomando como unidad base a los hombres de entre 30 y 60 años. Los hábitos de consumo están fijados en función de los resultados obtenidos en la Encuesta de Gasto de los Hogares (ENGHo) del año 1996/19974

Situación socioeconómica de población joven según género - Tercer trimestre de 2023

cba_regiones <- read.xlsx("canasta-basica-alimentaria-regiones-del-pais.xlsx", sheet = "CBA-Regiones")

cbt_regiones <- read.xlsx("canasta-basica-total-regiones-del-pais.xlsx", sheet = "CBT-Regiones")

glosario_region <- read.xlsx("canasta-basica-alimentaria-regiones-del-pais.xlsx", sheet = "Glosario")

u_ad_equiv <- read.xlsx("Adequi.xlsx")

### CONVIERTO VARIABLES EN CATEGORIAS QUE QUEDARAN ALMACENADAS EN LA NUEVA VARIABLE REGIONES CON SUS RESPECTIVOS VALORES NUMERICOS EN LA VARIABLES "VALORES".

cba_longer <- pivot_longer(cba_regiones, names_to = "Regiones",
                           cols = c(4:ncol(cba_regiones)),
                           values_to = "Valores")

cbt_longer <- pivot_longer(cbt_regiones, names_to = "Regiones",
                           cols = c(4:ncol(cbt_regiones)),
                           values_to = "Valores")

## REALIZADA LA CONVERSION PREVIA DE COLUMNAS A FILAS, HAGO EL JOIN POR EL CODIGO DE CADA REGION

canastas <- bind_rows(cba_longer, cbt_longer) %>% left_join(., glosario_region, by=c("Regiones")) %>% mutate(., Trimestre=case_when(Mes %in% c(1:3) ~ 1, Mes %in% c(4:6) ~ 2,Mes %in% c(7:9) ~ 3, Mes %in% c(10:12) ~ 4), Período=paste0(Trimestre,"/",Año), Valores = as.numeric(Valores))

## AGRUPACION DONDE REALIZO UNA MEDIA DE LOS VALORES DE CADA CANASTA A NIVEL TRIMESTRAL Y NO YA POR CADA MES PARTICULAR COMO SON RELEVADOS LOS VALORES DE CADA CANASTA, COMO ASI TAMBIEN AGRUPO POR REGION. LUEGO CONVIERTO ALGUNAS CATEGORIAS EN VARIABLES. 

agrup_canastas_indec <- canastas %>% group_by(Canasta, Codigo, Regiones, Período) %>%
  summarise(Valor = mean(Valores, na.rm = TRUE)) %>% pivot_wider(., values_from = "Valor", names_from = "Canasta", id_cols = c("Codigo","Regiones","Período"))

## JOIN DE LA BASE DE INDIVIDUOS DEL 2020 AL 2023 CON LA BASE DE UNIDAD DE ADULTO EQUIVALENTE POR EDAD Y GENERO, LUEGO GENERO LA VARIABLE DE PERIODO PARA MACHEAR CON BASE DE CANASTAS POR CADA TRIMESTRE Y REGION

union_adequi_indiv <- left_join(individuos_final, u_ad_equiv, by=(c("CH04","CH06"))) %>% mutate(., Período=paste0(TRIMESTRE,"/",ANO4)) %>% left_join(., agrup_canastas_indec, by=c("Período","REGION"="Codigo"))

## En esta agrupación para que la base no se transforme a nivel hogar, y siga manteniendose a nivel individual

individuos_pobreza <- union_adequi_indiv %>%
  group_by(CODUSU,NRO_HOGAR,Período) %>%
  mutate(adequi_hogar = sum(adequiv))
         
## GENERO CLASIFICACION DE INDIGENTES, POBRES Y NO POBRES

individuos_pobreza <- mutate(individuos_pobreza, CBA=CBA*adequi_hogar,CBT=CBT*adequi_hogar,condicion = case_when(ITF<CBA ~ 'Indigente',ITF>=CBA & ITF<CBT ~ 'Pobre', ITF>=CBT ~ 'No Pobre'))

## FILTRO 3ER TRIMESTRE DEL 2023 EN POBLACION JOVEN, LUEGO CALCULO DE TASAS DE POBREZA AGRUPADO POR GENERO Y NIV ED. FINALMENTE CONVERSION DE ALGUNAS CATEGORIAS EN VARIABLES.
## VARIABLE PONDIH EN ESTE CASO REEMPLAZA A PONDERA EN TANTO OMITE CONTABILIZAR INDIVIDUOS QUE NO DECLARARON INGRESOS, Y QUE EN ITF FIGURAN CON "-9".

tasas_genero <- individuos_pobreza %>%
  filter(Período=="3/2023" & `Grupo etario`=="Jóvenes") %>%
  group_by(Género) %>% 
  summarise(`Tasa Pobreza` = round(sum(PONDIH[condicion %in% c('Pobre', 'Indigente')],na.rm = TRUE)/ sum(PONDIH,na.rm = TRUE)*100,2),
            `Tasa Indigencia` = round(sum(PONDIH[condicion == 'Indigente'],na.rm = TRUE)/sum(PONDIH,na.rm = TRUE)*100,2))

tasas_genero %>%kbl() %>% kable_classic() %>% kable_paper(bootstrap_options = "striped", full_width = F)%>% add_header_above(c("Tabla 2 - Situación socioeconómica en población joven según género" = 3))
Tabla 2 - Situación socioeconómica en población joven según género
Género Tasa Pobreza Tasa Indigencia
Mujer 43.88 11.18
Varón 41.76 9.37

Tal como sucede con las tasas de ocupación en el mercado de trabajo, al tener una primera aproximación en este período a la condición socioeconómica de la población joven, vemos que el sector más perjudicado -que más predomina- son las mujeres, con 44 de cada 100 de ellas integrando hogares en situación de pobreza. Sin embargo, viendo la tabla en su conjunto resulta alarmante que más del 9% de la distribución, sea para hombres o mujeres, pertenezcan a hogares indigentes.

Pobreza e indigencia en población joven según nivel educativo alcanzado - Tercer trimestre de 2023

## TASAS AGRUPADAS POR GENERO Y NIVEL EDUCATIVO

tasas <- individuos_pobreza %>%
  filter(Período=="3/2023" & `Grupo etario`=="Jóvenes") %>%
  group_by(Género,`Nivel educativo`) %>% 
  summarise(`Tasa Pobreza` = round(sum(PONDIH[condicion %in% c('Pobre', 'Indigente')],na.rm = TRUE)/ sum(PONDIH,na.rm = TRUE)*100,2),
            `Tasa Indigencia` = round(sum(PONDIH[condicion == 'Indigente'],na.rm = TRUE)/sum(PONDIH,na.rm = TRUE)*100,2)) %>% 
  pivot_wider(., values_from = c(`Tasa Indigencia`,`Tasa Pobreza`),
id_cols = `Nivel educativo`, names_from = "Género") %>% select(1,5,3,4,2)

colnames(tasas) <- c("Nivel educativo", "Tasa de Pobreza", "Tasa de Indigencia","Tasa de Pobreza", "Tasa de Indigencia")

tasas %>%kbl() %>% kable_classic() %>% kable_paper(bootstrap_options = "striped", full_width = F) %>% add_header_above(c(" "=1, "Varón" = 2, "Mujer" = 2)) %>% add_header_above(c("Tabla 3 - Situación socioeconómica en población joven según nivel educativo" = 5))
Tabla 3 - Situación socioeconómica en población joven según nivel educativo
Varón
Mujer
Nivel educativo Tasa de Pobreza Tasa de Indigencia Tasa de Pobreza Tasa de Indigencia
Sin instrucción 76.81 41.59 100.00 100.00
Primaria incompleta 65.14 16.74 64.73 15.23
Primaria completa 78.35 27.34 46.07 9.43
Secundaria incompleta 55.89 12.62 61.36 17.98
Secundaria completa 34.92 6.75 48.97 10.59
Superior incompleto 26.11 4.60 29.08 6.95
Superior completo 11.70 5.97 11.74 2.26

Lo que aquí puede verse es el amplio rango existente entre los valores arrojados de ambas tasas para varones y mujeres jóvenes con estudios superiores completos y jóvenes sin instrucción. Pero esto vale no solo contra jóvenes sin instrucción, sino también resulta amplia la distancia frente a jóvenes con secundario completo, lo que habla, en parte, de la escasa relevancia que tiene el nivel secundario a la hora de buscar un empleo que permita aportar un ingreso al hogar que permita superar la línea de pobreza.

Visualización de tasa de indigencia y pobreza en jovenes - Nivel regional - según género.

tasas2 <- individuos_pobreza %>%
  filter(Período=="3/2023" & `Grupo etario`=="Jóvenes") %>%
  group_by(Género, Regiones) %>% 
  summarise(`Tasa Pobreza` = round(sum(PONDIH[condicion %in% c('Pobre', 'Indigente')],na.rm = TRUE)/ sum(PONDIH,na.rm = TRUE)*100,2),
            `Tasa Indigencia` = round(sum(PONDIH[condicion == 'Indigente'],na.rm = TRUE)/sum(PONDIH,na.rm = TRUE)*100,2)) %>% 
  pivot_longer(., names_to = "Tasas", values_to = "val", cols = c(`Tasa Pobreza`, `Tasa Indigencia`))


ggplot(data = tasas2) + 
  geom_col(aes(x = Regiones,
      y = val,
      fill = Género),stat = "identity",
           position = "dodge2",
      width = 0.9,
           color = "black") +
  facet_wrap("Tasas") +
  theme_bw() +
  labs(title = "Gráfico 3 - Tasa Pobreza/Indigencia - 3/2023",
       subtitle = "Por género",
       caption = "Elaboración propia en base a EPH-INDEC",
       x = "Regiones",
       y = "",
       fill = "Género") +
  scale_fill_manual(values = c("deepskyblue","lightcyan3")) +
  theme(axis.text.x = element_text(size = 8,angle =45, 
                                   hjust = 0.95, 
                                   vjust=1))

Al desglosar por región, observamos que la región noreste presenta los valores máximos tanto en pobreza como indigencia en el caso de los varones; aunque debe recalcarse que en materia de pobreza, los valores resultan abrumadoramente altos en todas las regiones, siendo el valor mínimo de 36.68% para las mujeres jovenes de la región pampeana que pertenecen a este tipo de hogares.

Dinámica de la situación socioeconómica según grupo etario - 2020/2023

En este subapartado nos aproximaremos a la composición individual de hogares pobres e indigentes según grupo etario a lo largo del período consignado.

tasas3 <- individuos_pobreza %>%
  group_by(Período, `Grupo etario`) %>% 
  summarise(`Tasa Pobreza` = round(sum(PONDIH[condicion %in% c('Pobre', 'Indigente')],na.rm = TRUE)/ sum(PONDIH,na.rm = TRUE)*100,2),
            `Tasa Indigencia` = round(sum(PONDIH[condicion == 'Indigente'],na.rm = TRUE)/sum(PONDIH,na.rm = TRUE)*100,2)) %>% 
  pivot_longer(., names_to = "Tasas", values_to = "val", cols = c(`Tasa Pobreza`, `Tasa Indigencia`))

orden_prefijado <- c("1/2020","2/2020","3/2020","4/2020","1/2021","2/2021","3/2021","4/2021","1/2022","2/2022","3/2022","4/2022","1/2023","2/2023","3/2023")


otro_orden <- c("Jóvenes","Adultos","Adultos mayores")

tasas3 <- mutate(tasas3, `Grupo etario`=factor(`Grupo etario`, levels = otro_orden))

tasas3 <- mutate(tasas3, Período=factor(Período, levels = orden_prefijado))


ggplot(data = tasas3) +
  aes(x = Período,
      y = val,
      group = `Grupo etario`,
      color = `Grupo etario`) +
  facet_wrap("Tasas") +
  geom_line() +
  geom_point() +theme_bw() +
  theme(axis.text.x =  element_text(angle = -50,size = 9,hjust = 0)) +
  labs(title = "Gráfico 4 - Tasa Pobreza/Indigencia - 2020/2023",
       subtitle = "Según grupo etario",
       y = "",
       caption = "Elaboración propia en base a EPH-INDEC") +
  scale_color_manual(values = c("deepskyblue",
                     "lightblue",
                     "lightcyan4"))

Sorprende ver que el peso relativo esté en el lado de los jóvenes, tanto en pobreza como en indigencia, incluso superando al sector de adultos mayores -que en teoría debería estar inactivo- durante buena parte del recorte temporal abordado. En su peor etapa, es decir, durante el segundo cuatrimestre de 2020, casi 57 de cada 100 jóvenes llegó a ser pobre -o integrar un hogar pobre-, donde recién logran casi emparentarse con otro sector fuertemente golpeado -Adultos mayores- durante el tercer trimestre de 2023 donde el 43% de los jóvenes pertenecía a hogares pobres, mientras que el 42% de los Adultos Mayores se encontraba en la misma situación.

Condiciones de contratación en población joven asalariada

En el último apartado, observaremos la situación contractual de aquellos jóvenes empleados en relación de dependencia, comparando al final con la situación de los restantes grupos etarios.

Como se hizo en los anteriores ejes, comenzamos visualizando el porcentaje de varones y mujeres jóvenes que trabajan en relación de dependencia, aportantes y no aportantes al sistema previsional durante el tercer trimestre de 2023. Nos referiremos como precarizados a aquellos individuos cuyo empleador no realiza los descuentos salariales correspondientes, sea por el motivo que fuere.

asalariados_jovenes <- individuos_final %>% mutate(Período=paste0(TRIMESTRE,"/",ANO4)) %>% filter(., Período=="3/2023" & `Grupo etario`=="Jóvenes" & CAT_OCUP==3 & (PP07H==1 | PP07H==2)) %>% group_by(Género) %>% summarise(Subtotales=sum(PONDERA), `Porcentaje Trabajadores Precarios`=round(sum(PONDERA[PP07H==2])/sum(PONDERA)*100,2), `Porcentaje Trabajadores Formales`=round(sum(PONDERA[PP07H==1])/sum(PONDERA)*100,2)) %>% select(c(1,3,4))

asalariados_jovenes %>%kbl() %>% kable_classic() %>% kable_paper(bootstrap_options = "striped", full_width = F)%>% add_header_above(c("Tabla 4 - Porcentajes de asalariados jóvenes, formales y precarizados según género" = 3))
Tabla 4 - Porcentajes de asalariados jóvenes, formales y precarizados según género
Género Porcentaje Trabajadores Precarios Porcentaje Trabajadores Formales
Mujer 50.49 49.51
Varón 53.29 46.71

Al realizar las agrupaciones o generar los subtotales por género, observamos que en los hombres jóvenes asalariados el peso de la precarización suele ser mayor que en las mujeres alcanzando una diferencia de más de 6 puntos porcentuales entre varones que tienen empleo formal.

Resulta sorprendente ver cómo en las anteriores encuestas de opinión pública citadas este sector apoye de forma entusiasta el avance de la desregulación, léase supresión, de los aportes al sistema previsional con el alto peso que ya tiene el trabajo precario tanto en hombres como en mujeres.

Precarización en población joven asalariada según género y máximo nivel educativo alcanzado - Tercer trimestre de 2023

Indagamos el subtotal de varones salariados jóvenes que son contratados bajo modalidades denominadas como precarias agrupando a los mismos según género y nivel educativo; así también se realiza lo mismo con este subconjunto de mujeres.

Tal como en la tabla 3 del apartado de pobreza, buscamos ver si existe alguna correlación entre condiciones de empleabilidad y nivel educativo.

asalariados_jovenes2 <- individuos_final %>% mutate(Período=paste0(TRIMESTRE,"/",ANO4)) %>% filter(Período=="3/2023" & `Grupo etario`=="Jóvenes" & CAT_OCUP==3 & (PP07H==1 | PP07H==2)) %>% group_by(Género, `Nivel educativo`) %>% summarise(Subtotales=sum(PONDERA), `Porcentaje Trabajadores Precarios`=round(sum(PONDERA[PP07H==2])/sum(PONDERA)*100,2), `Porcentaje Trabajadores Formales`=round(sum(PONDERA[PP07H==1])/sum(PONDERA)*100,2))%>% 
  pivot_wider(., values_from = c(`Porcentaje Trabajadores Precarios`,`Porcentaje Trabajadores Formales`), id_cols = `Nivel educativo`, names_from = "Género") %>% select(c(1,2,4,3,5))

asalariados_jovenes2[is.na(asalariados_jovenes2)] <- 0

colnames(asalariados_jovenes2) <- c("Nivel educativo","Trabajadores Precarios","Trabajadores Formales","Trabajadores Precarios","Trabajadores Formales")

asalariados_jovenes2 %>%kbl() %>% kable_classic() %>% kable_paper(bootstrap_options = "striped", full_width = F) %>% add_header_above(c(" "=1, "Mujer" = 2, "Varón" = 2)) %>% add_header_above(c("Tabla 5 - Porcentaje de jóvenes asalariados en situación de formalidad/precariedad - Nivel educativo" = 5))
Tabla 5 - Porcentaje de jóvenes asalariados en situación de formalidad/precariedad - Nivel educativo
Mujer
Varón
Nivel educativo Trabajadores Precarios Trabajadores Formales Trabajadores Precarios Trabajadores Formales
Primaria incompleta 42.78 57.22 93.85 6.15
Primaria completa 98.36 1.64 74.74 25.26
Secundaria incompleta 81.51 18.49 71.47 28.53
Secundaria completa 50.92 49.08 46.31 53.69
Superior incompleto 45.66 54.34 45.63 54.37
Superior completo 22.97 77.03 24.02 75.98
Sin instrucción 0.00 0.00 100.00 0.00

Con la excepción de la transición de las mujeres con primario incompleto a primario completo en lo que a la relación de trabajo formal/precario en estas subpoblaciones refiere, parece ser que el peso del trabajo formal en cada grupo se incrementa en tanto aumenta el nivel de instrucción.

Visualización del porcentaje de trabajadores jóvenes asalariados precarios/formales - Nivel regional - según género.

Visualizamos el peso relativo de estos subgrupos a nivel regional enfatizando en la regiones críticas con mayores niveles de informalidad laboral

individuos_final <- mutate(individuos_final, Período=paste0(TRIMESTRE,"/",ANO4),
                           Region=case_when(REGION==1 ~ "GBA", REGION==43 ~ "Pampeana", REGION==40 ~ "Noroeste", REGION==41 ~ "Noreste", REGION==42 ~ "Cuyo", REGION==44 ~ "Patagonia"))

porcentajes <- individuos_final %>% filter(Período=="3/2023" & `Grupo etario`=="Jóvenes" & CAT_OCUP==3 & (PP07H==1 | PP07H==2)) %>% group_by(Género, Region) %>% summarise(Subtotales=sum(PONDERA), `Trabajadores Precarios`=round(sum(PONDERA[PP07H==2])/sum(PONDERA)*100,2), `Trabajadores Formales`=round(sum(PONDERA[PP07H==1])/sum(PONDERA)*100,2)) %>% pivot_longer(., cols = c(`Trabajadores Precarios`, `Trabajadores Formales`), names_to = "Situación", values_to = "valores")

ggplot(data = porcentajes) + 
  geom_col(aes(x = Region,
      y = valores,
      fill = Género),stat = "identity",
           position = "dodge",
           color = "black") +
  facet_wrap("Situación") +
  theme_bw() +
  labs(title = "Gráfico 4 - Porcentaje asalariados precarios/formales - 3/2023",
       subtitle = "Según género",
       caption = "Elaboración propia en base a EPH-INDEC",
       x = "Regiones",
       y = "",
       fill = "Género") +
  scale_fill_manual(values = c("deepskyblue","lightcyan3")) +
  theme(axis.text.x = element_text(size = 8,angle =45, 
                                   hjust = 0.95, 
                                   vjust=1))

En este caso, es la región noroeste el sitio que presenta los mayores niveles de informalidad durante tal período tanto en hombres como mujeres, siendo su opuesto la región patagónica la que presenta los niveles más altos de trabajadores formales.

Dinámica del trabajo formal e informal en población asalariada según grupo etario - 2020/2023

porcentajes2 <- individuos_final %>% filter(CAT_OCUP==3 & (PP07H==1 | PP07H==2)) %>% group_by(Período, `Grupo etario`) %>% summarise(Subtotales=sum(PONDERA), `Trabajadores Precarios`=round(sum(PONDERA[PP07H==2])/sum(PONDERA)*100,2), `Trabajadores Formales`=round(sum(PONDERA[PP07H==1])/sum(PONDERA)*100,2)) %>% pivot_longer(., cols = c(`Trabajadores Precarios`, `Trabajadores Formales`), names_to = "Situación", values_to = "valores")


orden_prefijado2 <- c("1/2020","2/2020","3/2020","4/2020","1/2021","2/2021","3/2021","4/2021","1/2022","2/2022","3/2022","4/2022","1/2023","2/2023","3/2023")


otro_orden2 <- c("Jóvenes","Adultos","Adultos mayores")

porcentajes2 <- mutate(porcentajes2, `Grupo etario`=factor(`Grupo etario`, levels = otro_orden2))

porcentajes2 <- mutate(porcentajes2, Período=factor(Período, levels = orden_prefijado2))


ggplot(data = porcentajes2) +
  aes(x = Período,
      y = valores,
      group = `Grupo etario`,
      color = `Grupo etario`) +
  facet_wrap("Situación") +
  geom_line() +
  geom_point() +theme_bw() +
  theme(axis.text.x =  element_text(angle = -50,size = 9,hjust = 0)) +
  labs(title = "Gráfico 5 - Porcentaje asalariados precarios/formales - 2020/2023",
       subtitle = "Según grupo etario",
       y = "",
       caption = "Elaboración propia en base a EPH-INDEC") +
  scale_color_manual(values = c("deepskyblue",
                     "lightblue",
                     "lightcyan4"))

Sorprende ver nuevamente como los grupos más vulnerados, en este caso aquellos en cuyo subgrupo de pertenencia logra imponerse el peso relativo de la informalidad, son los adultos mayores y los jóvenes, tal cómo sucedía con los niveles de pobreza e indigencia, e incluso en este caso, se observan lapsos temporales en los que los jóvenes asalariados superan ampliamente a los adultos mayores en porcentaje de informalidad tal como sucede entre el cuarto trimestre de 2021 y el segundo cuatrimestre de 2022.

Resultados generales

A lo largo del recorrido de cada eje, pudimos tener una aproximación a la condiciones socioeconómicas de los jóvenes durante período electoral, como así también durante todo el lapso 2020/2023, a partir de la desagregación de estas subpoblaciones por algunas variables como fue el género, el nivel educativo, como así también se realizaron comparaciones por grupo etario de pertenencia.

En lo que a población joven remite, al desagregar por género, encontramos a las mujeres como la subpoblación más afectada que muestra niveles de desocupación, subocupación, pobreza e indigencia más altos que los varones, con la única excepción de las asalariadas quienes superan en una leve diferencia de puntos porcentuales a los varones.

Cuando esta subpoblación es desagregada en grupos regionales, observamos que los que peores valores arrojan son aquellos pertenecientes a las regiones Noreste y Noroeste, seguidas por el Cuyo.

Al ser comparados en los distintos apartados por grupo etario, también son los jóvenes los que se encuentran en situaciones críticas, salvo excepciones donde los adultos mayores de 65 años presentan valores similares.

Conclusiones

Como se indico en un principio el trabajo tuvo como finalidad describir las condiciones materiales en que se encuentra el grupo joven a partir de distintas desagregaciones del mismo y su comparación con diversos subgrupos a lo largo de los tres ejes que se recorrieron el trabajo. El fin u objetivo ulterior con el cual se realizó, fue que el mismo sirva como insumo para ser utilizado en trabajos que pretendan explicar la potencia del sector joven a la hora de aproximarse a una explicación del triunfo electoral de La Libertad Avanza. Si bien no hay aquí asociación alguna entre condiciones materiales de la juventud y crecimiento o triunfo electoral del fenómeno libertario, resulta de utilidad tener estos resultados a mano para utilizarlos de alguna forma qu permita una aproximación al fenómeno de interés.

Fuentes

Para la base de microdatos de EPH, si bien fue utilizada a partir de la librería que extrae los datos de la web corrspondiente, puede descargarse en el apartado de Microdatos y Documentos 2016-2023 en https://www.indec.gob.ar/indec/web/Institucional-Indec-BasesDeDatos
Para el glosario de variables de la EPH véase el Diseño de registro en el apartado de documentos metodológicos https://www.indec.gob.ar/indec/web/Institucional-Indec-BasesDeDatos
Para la obtención de los datos de Unidad de Adulto Equivalente como así también los valores de ambas canastas véase, https://www.indec.gob.ar/ftp/cuadros/sociedad/serie_cba_cbt.xls

  1. Los resultados de la segunda vuelta de la elección presidencial de 2023 pueden verse en https://resultados.gob.ar/resultados/2023/3/1/0↩︎

  2. Véase por ejemplo para aproximarse a la intención de voto a la segunda vuelta de la elección de 2023, sea por edad, ingresos, género, entre otras https://cdn.atlasintel.org/d496fe6f-f35c-445a-aec1-afa6581eb2d6.pdf p.20. O también, https://drive.google.com/file/d/1nI7OiHHRvvgu3rtkWzGhYo31clfW6IDw/view p.4↩︎

  3. Para una aproximación a este fenómeno, puede véase https://www.infobae.com/sociedad/2024/04/21/encuesta-el-gobierno-de-javier-milei-mantiene-una-alta-aprobacion-de-la-sociedad-pero-aparecen-focos-de-conflicto/ resultados aún no publicados en el sitio web de la consultora↩︎

  4. Para las notas metodólogicas en torno al cómputo de la línea de pobreza, indigencia, y el significado de la Unidad de Adulto Equivalente para este cómputo, puede verse en el informe técnico anteriormente mencionado, por ejemplo para el segundo semestre de 2023 https://www.indec.gob.ar/uploads/informesdeprensa/eph_pobreza_03_2442F61D046F.pdf↩︎