Las colas del hambre, de la pandemia a la DANA

Author

Adrià Camacho Arevalo (u252155) y Pol Serra Villaseca (u252932)

Seguramente muchas veces, hemos visto en las noticias, o en nuestro día a día, imagenes de gente haciendo cola, para comer, en lugares como Iglesias o albergues. Tras la pandemia el número de estas colas se expandió, pero a día de hoy no recibimos noticias tras la llamada “nueva realidad”, y solo en momentos puntales, salen noticías acerca de este fenomeno.

Para trabajar, vamos hacer una breve introducción de lo que son las colas del hambre son filas de personas que esperan para recibir ayuda alimentaria básica, como paquetes de comida o acceso a comedores sociales, representa la cara más cruda de la pobreza y la exclusión social. Familias enteras, personas mayores, desempleados y migrantes dependen de la caridad para cubrir una necesidad fundamental: alimentarse.

En este trabajo, analizaremos una serie de factores estructurales (como el desempleo, la pobreza y la inflación) que profundizaremos a continuación.

Desempleo

Mostrar código

library(readxl)
library(dplyr)
library(tidyr)
library(ggplot2)
library(janitor)

datos_raw <- read_xlsx("65334.xlsx", skip = 7)

names(datos_raw)[1] <- "Categoria"

datos_filtrados <- datos_raw[c(2, 4, 6), ]

datos_filtrados$Grupo <- c("Ambos sexos", "Hombres", "Mujeres")

datos_filtrados <- datos_filtrados %>%
  select(Grupo, everything(), -Categoria)

datos_largos <- datos_filtrados %>%
  pivot_longer(
    cols = -Grupo,
    names_to = "Trimestre",
    values_to = "Valor"
  )

datos_largos$Valor <- as.numeric(datos_largos$Valor)


datos_largos <- datos_largos %>%
  mutate(Año = substr(Trimestre, 1, 4))

datos_por_año <- datos_largos %>%
  group_by(Año, Grupo) %>%
  summarise(Media = mean(Valor, na.rm = TRUE), .groups = "drop")

ggplot(datos_por_año, aes(x = Año, y = Media, color = Grupo, group = Grupo)) +
  geom_line(size = 1.2) +
  geom_point() +
  theme_minimal() +
  labs(
    title = "Desempleo Español",
    x = "Año",
    y = "Valor medio anual",
    caption = "Fuente: INE 2025 Desempleo | Elaboración propia",
    color = "Grupo"
  ) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Los datos muestran una tasa media de desempleo del 15%, con diferencias significativas por género: 10% en hombres frente al 20% en mujeres. Esta disparidad incrementa el riesgo de inseguridad alimentaria en mujeres. El desempleo prolongado agota ahorros familiares y limita el acceso a alimentos básicos, obligando a depender de mecanismos como el Ingreso Mínimo Vital (IMV) o la caridad privada.

Renta Media

Mostrar código

library(readxl)
library(dplyr)
library(tidyr)
library(ggplot2)
library(janitor)

datos_renta <- read_excel("9942.xlsx", sheet = "tabla-9942", skip = 7)

colnames(datos_renta)[1] <- "Sexo" 

datos_filtrados_rm <- datos_renta[2, 1:18]


datos_filtrados_rm <- datos_filtrados_rm[, c(1, rev(2:18))]

names(datos_filtrados_rm) <- c("Sexo", as.character(2008:2024))


datos_long <- datos_filtrados_rm %>%
  pivot_longer(
    cols = -Sexo,
    names_to = "Año",
    values_to = "Renta"
  ) %>%
  mutate(
    Año = as.numeric(Año),
    Renta = as.numeric(Renta)
  ) %>%
  filter(!is.na(Renta))

ggplot(datos_long, aes(x = Año, y = Renta)) +
  geom_line(color = "#377EB8", size = 1.2) +
  geom_point(size = 2) +
  geom_text(aes(label = format(Renta, big.mark = ".", decimal.mark = ",")), 
            vjust = -0.5, size = 3) +
  scale_x_continuous(breaks = 2008:2024) +
  labs(
    title = "Evolución de la Renta Media en España (Total, Ambos sexos)",
    x = "Año",
    y = "Renta media (€)",
    caption = "Fuente: INE 2024 Renta Media | Elaboración propia"
  ) +
  theme_minimal()

La renta media española (2008-2024) oscila entre 10.531 y 14.807 euros anuales, con caídas pronunciadas durante las diferentes crisis sufridas como la del 2008 o la Crisis a raíz de la pandemia. Aunque hay repunte reciente, la inflación, especialmente en alimentos, erosiona el poder adquisitivo, de las familias y las personas, que hace que aunque el sueldo aumente exponecialmente sea igual o menor, debido a la inflación.

IPC en Alimentos y bebidas no alcohólicas

Mostrar código

library(readxl)
library(dplyr)
library(tidyr)
library(ggplot2)
library(janitor)
library(stringr)

cabecera <- read_xlsx("50913.xlsx", skip = 7, col_names = FALSE)

nombres_col <- as.character(unlist(cabecera[1, ]))
nombres_col <- make_clean_names(nombres_col, unique_sep = "_")

datos_ipc <- read_xlsx("50913.xlsx", skip = 8, col_names = nombres_col)

names(datos_ipc)[1] <- "grupo"

ipc_alimentos <- datos_ipc %>%
  filter(str_trim(grupo) == "01 Alimentos y bebidas no alcohólicas") %>%
  slice(1)

ipc_largo <- ipc_alimentos %>%
  pivot_longer(cols = -grupo, names_to = "mes", values_to = "variacion") %>%
  mutate(
    año = as.numeric(str_extract(mes, "\\d{4}")),
    variacion = as.numeric(variacion)
  ) %>%
  filter(!is.na(año), !is.na(variacion), variacion < 50)

ipc_anual <- ipc_largo %>%
  group_by(año) %>%
  summarise(media_anual = mean(variacion, na.rm = TRUE), .groups = "drop")

ggplot(ipc_anual, aes(x = año, y = media_anual)) +
  geom_line(color = "#1f78b4", size = 1.2) +
  geom_point(color = "#1f78b4", size = 2) +
  theme_minimal(base_size = 14) +
  labs(
    title = "Variación anual promedio del IPC",
    subtitle = "Grupo: Alimentos y bebidas no alcohólicas",
    x = "Año",
    y = "Variación media (%)",
    caption = "Fuente: INE 2025 01. Alimentos y bebidas no alcohólicas | Elaboración propia"
  ) +
  scale_x_continuous(
    breaks = seq(min(ipc_anual$año, na.rm = TRUE),
                 max(ipc_anual$año, na.rm = TRUE),
                 by = 1)
  ) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

El IPC de alimentos registra una variación media del 5%, duplicando la inflación general en muchos periodos. Cuando los precios de los alimentos suben más rápido que los salarios, los hogares con rentas bajas son los más afectados, viéndose obligados a destinar más recursos para la misma cantidad de comida.

El resultado es un círculo vicioso donde las familias deben destinar recursos adicionales para adquirir la misma cantidad de alimentos, lo que no solo limita su acceso a productos básicos, sino que también compromete su capacidad para cubrir otras necesidades esenciales.

Población en Riesgo de Pobreza

Mostrar código

library(readxl)
library(dplyr)
library(tidyr)
library(ggplot2)
library(janitor)

ecv_raw <- read_excel("ECV2024.xlsx",
                      sheet = "Tabla 4",
                      skip = 12)

ecv_raw <- ecv_raw %>% clean_names()

colnames(ecv_raw)[1] <- "Grupo_Edad"

ecv_clean <- ecv_raw %>%
  select(Grupo_Edad, matches("^x20(1[3-9]|2[0-4])$"))

ecv_long <- ecv_clean %>%
  pivot_longer(
    cols = -Grupo_Edad,
    names_to = "Año",
    values_to = "Porcentaje"
  ) %>%
  mutate(
    Año = as.numeric(gsub("x", "", Año)),
    Porcentaje = as.numeric(Porcentaje)
  )

ggplot(ecv_long, aes(x = Año, y = Porcentaje, color = Grupo_Edad)) +
  geom_line(size = 1.2) +
  geom_point(size = 2) +
  scale_x_continuous(breaks = 2013:2024) +
  labs(
    title = "Población en Riesgo de Pobreza por Grupo de Edad (2013–2024)",
    subtitle = "Encuesta de Condiciones de Vida - INE",
    x = "Año",
    y = "Porcentaje (%)",
    color = "Grupo de edad",
    caption = "Fuente: ECV 2024 (ingresos 2023) | Elaboración propia"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 14),
    legend.position = "right"
  )

El 30% de los menores de 16 años y el 25% de los mayores de 65 están en riesgo de pobreza. Estos grupos dependen de transferencias familiares, trabajos precarios o pensiones insuficientes. La tasa general de pobreza (20%) es alarmante para un país desarrollado y refleja desigualdades estructurales.

AROPE por Nacionalidad

Mostrar código

library(readxl)
library(dplyr)
library(tidyr)
library(ggplot2)
library(janitor)

tabla2 <- read_excel("ECV2024.xlsx",
                     sheet = "Tabla 2", skip = 54, n_max = 5)


colnames(tabla2) <- c("grupo", "descartar", "tasa")
tabla2 <- tabla2 %>%
  mutate(tasa = as.numeric(tasa)) %>%
  filter(!is.na(tasa), !is.na(grupo))

tabla2 <- tabla2 %>%
  mutate(tasa = as.numeric(tasa))


ggplot(tabla2, aes(x = reorder(grupo, -tasa), y = tasa)) +
  geom_col(fill = "#984EA3") +
  geom_text(aes(label = paste0(tasa, "%")), vjust = -0.5, size = 4) +
  ylim(0, 100) +
  labs(
    title = "Tasa AROPE por nacionalidad (personas de 16 y más años)",
    subtitle = "ECV año 2024 (con ingresos de 2023)\nPorcentajes",
    x = NULL, y = "Porcentaje (%)",
    caption = "Fuente: ECV 2024 (ingresos 2023) | Elaboración propia"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
    plot.subtitle = element_text(hjust = 0.5),
    axis.text.x = element_text(angle = 45, hjust = 1)
  )

La tasa AROPE en inmigrantes no comunitarios alcanza el 54,1%, más del doble que la media nacional. Barreras legales, dificultades laborales y discriminación social perpetúan su vulnerabilidad. Mientras, el debate migratorio se centra en fronteras, invisibilizando sus condiciones de vida precarias.

Las colas del hambre (2019-2023)

Mostrar código

library(readxl)
library(dplyr)
library(tidyr)
library(ggplot2)
library(janitor)

#Los datos estan extraidos de https://www.fega.gob.es/es/el-fega/ayuda-alimentaria, la página no adjunta excel, simplemente un recopilatorio divido en dos fases, sobre la repartición de los alimentos y el nombre beneficiados, todo esto en formato pdf. En este caso hemos selecionado solo primera fase.

#En cualquier caso, para hacer este gráfico directamente se hará mediante R, de los datos extraídos de este documento: "https://www.fega.gob.es/sites/default/files/files/document/PDF_PLAN%202023%20DE%20AYUDA_2%C2%AA%20fase_0.pdf" y adjunto también en los archivos del trabajo.

Distribución_Alimentos_España <- read_excel("Distribución_Alimentos_España.xlsx")

datos_españa_personas <- Distribución_Alimentos_España %>%
  filter(CCAA == "España (Total)", Campo == "personas")

datos_pivotar <- datos_españa_personas %>%
  pivot_longer(
    cols = starts_with("20"),
    names_to = "Año",
    values_to = "Personas"
  )

datos_p <- datos_pivotar %>%
  mutate(
    Año = as.numeric(Año),
    Personas = as.numeric(Personas)
  )

ggplot(datos_p, aes(x = Año, y = Personas)) +
  geom_line(color = "#E41A1C", size = 1.2) +
  geom_point(size = 2) +
  geom_text(aes(label = format(Personas, big.mark = ".", decimal.mark = ",")), 
            vjust = -0.5, size = 3) +
  labs(
    title = "Evolución de Personas Beneficiarias - España (Total)",
    x = "Año",
    y = "Número de personas",
    caption = "Fuente: https://www.fega.gob.es/es/el-fega/ayuda-alimentaria | Elaboración propia"
  ) +
  theme_minimal()

La crisis de la COVID marcó el peor momento de las “colas del hambre”, con cerca de 1,5 millones de beneficiarios en un contexto de desempleo, inflación y pobreza. Este récord histórico reflejó el colapso de las redes de protección social ante una emergencia sin precedentes, donde incluso familias con empleo precario se vieron obligadas a recurrir a la ayuda alimentaria. Aunque las cifras disminuyeron en 2022-2023, siguieron siendo alarmantemente altas, demostrando que los efectos de la crisis persistieron más allá de la fase aguda de la pandemia.

En 2024, el Ministerio de Derechos Sociales implementó las Tarjetas Monedero (financiadas por el FSE+) para 65.000 familias, con ayudas entre 130€ (2 miembros) y 220€ mensuales (más de 4 miembros). Sin embargo, las personas sin familia quedan excluidas, obligándolas a depender de comedores sociales. Tras transferirse su gestión a las CCAA en marzo 2025, aún faltan datos para evaluar su efectividad real.

Inseguridad Alimentaria (UE-27)

Mostrar código

library(readxl)
library(dplyr)
library(tidyr)
library(ggplot2)
library(janitor)

datos_EU <- read_excel("ilc_mdes03__custom_16414952_spreadsheet.xlsx",
                       sheet = "Sheet 1",
                       skip = 11)

datos_limpios <- datos_EU %>%
  rename(Pais = `European Union - 27 countries (from 2020)`,
         Tasa = `19.7`) %>%        
  mutate(Tasa = as.numeric(Tasa)) %>%
  filter(!is.na(Tasa))         

ggplot(datos_limpios, aes(x = reorder(Pais, Tasa), y = Tasa, fill = Pais == "Spain")) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = c("grey", "#377EB8"), guide = "none") +
  geom_text(aes(label = paste0(Tasa, "%")), vjust = -0.5, size = 2) +
  labs(
    title = "Inseguridad Alimentaria en la UE (2022)",
    subtitle = "% población que no puede permitirse una comida adecuada cada 2 días",
    x = "",
    y = "Tasa (%)",
    caption = "Fuente: Eurostat 2023 | Elaboración propia"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

El 13,2% de la población española no puede permitirse una alimentación adecuada cada dos días, superando la media europea (8-10%) y acercándose a Grecia (22,1%) o Bulgaria (30,5%). Esto confirma que las colas del hambre son un síntoma de vulnerabilidad sistémica.

Las colas del hambre tras la DANA de Valencia

Hambre en municipios de la dana | Continúan las colas del hambre cinco meses después de la dana | Las Provincias - https://www.lasprovincias.es/comunitat/continuan-colas-hambre-cinco-meses-despues-dana-20250327004228-nt.html)

Aunque aún no existen datos oficiales al respecto, reportajes como el de RTVE han documentado cómo persisten las “colas del hambre” en localidades valencianas afectadas por la DANA de octubre pasado, particularmente en municipios como Paiporta. Esta situación revela un doble fracaso institucional; ya que muchos vecinos han agotado sus ahorros en reparar viviendas, dejándolos sin recursos para necesidades básicas como alimentación y el desabastecimiento de productos esenciales evidencia problemas en las cadenas de suministro post-emergencia, agravados por la inflación alimentaria crónica que analizamos previamente.

Noticía completa: https://www.rtve.es/play/videos/telediario-1/colas-del-hambre-tras-dana-vengo-para-recoger-algo-ahorrar-para-poder-pagar/16508553/

Conclusiones

Las colas del hambre en España no son una anomalía, sino el reflejo de fracturas estructurales agravadas en la última década. Lejos de ser un fenómeno aislado, evidencian cómo derechos fundamentales, como el acceso a la alimentación, se han convertido en privilegios condicionados por la situación económica, afectando especialmente a mujeres, inmigrantes, pensionistas, jovenes y víctimas de crisis climáticas como la DANA.

La gravedad aumenta cuando estas crisis coyunturales se superponen a problemas estructurales no resueltos: salarios bajos, pensiones insuficientes y redes de protección social débiles. Esto cronifica la dependencia alimentaria, transformando la ayuda de emergencia en una necesidad permanente.

Estas colas representan el fracaso de un sistema que prioriza la estabilidad macroeconómica por encima de la dignidad humana. España tiene recursos, pero falta voluntad política para garantizar seguridad alimentaria mediante reformas fiscales, salarios justos y respuestas rápidas ante emergencias.