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.

Entendemos las “colas del hambre” como una problemática social grave que requiere atención urgente. En España, cada vez son más visibles los casos de personas que no pueden acceder ni siquiera a alimentos básicos, principalmente debido a la falta de recursos económicos y a otros factores sociales.

La necesidad de recurrir a ayudas estatales para obtener productos de primera necesidad genera largas filas de espera para recibir alimentos, fenómeno conocido como “colas del hambre”. En 2020, esta situación se hizo especialmente evidente en España como consecuencia de la crisis humanitaria provocada por la pandemia de COVID-19. Sin embargo, no es un fenómeno nuevo: ya se produjo en otros contextos históricos y geográficos, como en Nueva York durante la Gran Depresión de 1929 o en gran parte de Europa tras la Segunda Guerra Mundial.

Nuestro objetivo es visibilizar esta realidad, de la que muchas veces los medios de comunicación convencionales no informan, pero que está ocurriendo y, lamentablemente, se está normalizando cada vez más.

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

Las colas del hambre

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 (en el año 2020 fueron 4 fases), sobre la repartición de los alimentos y el nombre beneficiados, todo esto en formato pdf. En este caso hemos selecionado solo primera fase y el número de personas.

#En cualquier caso, para hacer este gráfico, hemos transformado los datos del pdf a un excel (ambos adjuntos en la carpeta del trabajo) de los datos extraídos de este documento: "https://www.fega.gob.es/es/el-fega/ayuda-alimentaria", (en sus versiones de 2023, 2022, 2021, 2020 y 2019) 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) +
  scale_y_continuous(
    limits = c(0, NA), 
    labels = scales::label_number(big.mark = ".", decimal.mark = ",")
  ) +
  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 - Figura 1"
  ) +
  theme_minimal()

Entre 2019 y 2021, el número de personas beneficiarias de ayuda alimentaria en España aumentó significativamente, pasando de 1.260.661 a un máximo de 1.498.412 en 2021. Este incremento refleja el impacto social de la crisis derivada de la pandemia de COVID-19, que intensificó la vulnerabilidad económica de amplios sectores de la población.

A partir de 2022, se observa una leve disminución en el número de beneficiarios, con 1.322.883 en 2022 y 1.301.198 en 2023. Esta reducción puede asociarse a la reactivación económica y a nuevas medidas de protección social, aunque el número de personas atendidas sigue siendo elevado, señalando la persistencia de situaciones de necesidad estructural.

El estancamiento de las cifras en niveles altos sugiere que, si bien se han superado los picos más críticos de la emergencia sanitaria, las desigualdades sociales continúan afectando el acceso a una alimentación digna para miles de personas en España.

Mapa de las Colas del hambre por CCAA

Mostrar código 
library(readxl)
library(dplyr)
library(ggplot2)
library(sf)
library(mapSpain)
library(scales) 

#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 (en el año 2020 fueron 4 fases), sobre la repartición de los alimentos y el nombre beneficiados, todo esto en formato pdf. En este caso hemos selecionado solo primera fase y el número de personas.

#En cualquier caso, para hacer este gráfico, hemos transformado los datos del pdf a un excel (ambos adjuntos en la carpeta del trabajo) de los datos extraídos de este documento: "https://www.fega.gob.es/es/el-fega/ayuda-alimentaria", (en sus versiones de 2023, 2022, 2021, 2020 y 2019) adjunto también en los archivos del trabajo. Para hacer este mapa, hemos elaborado un nuevo excel para simplificar los datos, también disponible en la carpeta bajo el nombre "Distribución_Alimentos_España_RESUMEN_PERSONAS.xlsx".

datos_media <- read_excel("Distribución_Alimentos_España_RESUMEN_PERSONAS.xlsx")

datos_media <- datos_media %>%
  mutate(CCAA = case_when(
    CCAA == "Principado de Asturias"     ~ "Asturias, Principado de",
    CCAA == "Illes Balears"              ~ "Balears, Illes",
    CCAA == "Castilla-La Mancha"         ~ "Castilla - La Mancha",
    CCAA == "Comunidad Valenciana"       ~ "Comunitat Valenciana",
    CCAA == "Comunidad de Madrid"        ~ "Madrid, Comunidad de",
    CCAA == "Región de Murcia"           ~ "Murcia, Región de",
    CCAA == "Comunidad Foral de Navarra" ~ "Navarra, Comunidad Foral de",
    CCAA == "La Rioja"                   ~ "Rioja, La",
    TRUE ~ CCAA
  ))

ccaa_sf <- esp_get_ccaa()

ccaa_mapa <- left_join(ccaa_sf, datos_media, by = c("ine.ccaa.name" = "CCAA"))


ggplot(ccaa_mapa) +
  geom_sf(aes(fill = media), color = "white") +
  scale_fill_viridis_c(
    option = "C",
    direction = -1,
    na.value = "gray80",
    labels = label_number(big.mark = ".", decimal.mark = ","),
    name = "Media de Personas"
  ) +
  labs(
    title = "Media de Personas Beneficiarias por CCAA (2019–2023)",
    caption = "Fuente: https://www.fega.gob.es/es/el-fega/ayuda-alimentaria | Elaboración propia - Figura 2"
  ) +  
  theme_minimal()

En este mapa de España, podemos contemplar lo siguiente, se destaca de forma notable Andalucía, que presenta el mayor número medio de beneficiarios, superando las 300.000 personas. Este dato puede explicarse por su alta población, combinada con tasas estructuralmente elevadas de desempleo y pobreza. También sobresalen Cataluña y la Comunidad Valenciana, con cifras igualmente altas, lo cual podría vincularse tanto a su densidad demográfica como a desigualdades socioeconómicas internas.

En un nivel intermedio se sitúan regiones como Galicia, Castilla-La Mancha, Canarias o Extremadura, donde la media de beneficiarios oscila entre 100.000 y 200.000. Estas comunidades combinan realidades rurales y urbanas con diferentes grados de vulnerabilidad social.

Por el contrario, las comunidades con menor número medio de beneficiarios (como La Rioja, Navarra, Cantabria o Baleares) coinciden con territorios de menor tamaño poblacional o con mejores indicadores de renta media y empleo.

Este mapa pone en manifiesto la desigualdad territoriales (son las diferencias socioeconómicas, demográficas o de acceso a servicios que existen entre distintas regiones o zonas geográficas en un mismo país). Lo cual sugiere la necesidad de políticas públicas más adaptadas al contexto socioeconómico regional.

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")

datos_por_año <- datos_por_año %>%
  filter(Año %in% as.character(2019:2024))

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 - Figura 3",
    color = "Grupo"
  ) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

En 2019, la tasa de desempleo en España era más elevada en mujeres (≈16%) que en hombres (13%), con una media general del 14,2%. En 2020, el desempleo aumentó en todos los grupos, acentuándose especialmente entre las mujeres, como reflejo del impacto desigual en la pandemia.

Desde 2021, se observa una disminución progresiva del desempleo. En 2024, la tasa general ronda el 12%, con un 10% en hombres y algo menos del 13% en mujeres. Esta mejora responde a la recuperación económica y a reformas laborales recientes.

No obstante, persiste una brecha de género constante, que evidencia desigualdades estructurales en el mercado laboral y la necesidad de políticas con perspectiva de género que promuevan la igualdad en el acceso y la estabilidad del empleo.

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), Año >= 2019 & Año <= 2024)

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 = 2019:2024) +
  scale_y_continuous(
    limits = c(0, NA),
    labels = scales::label_number(big.mark = ".", decimal.mark = ",")
  ) +
  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 - Figura 4"
  ) +
  theme_minimal()

Entre 2019 y 2024, la renta media en España ha experimentado una tendencia general de crecimiento. En 2019, se situaba en 11.680 euros, aumentando ligeramente en 2020 hasta alcanzar los 12.292 euros. No obstante, en 2021 se observó un leve retroceso hasta los 12.269 euros, probablemente como consecuencia del impacto económico generado por la pandemia de COVID-19.

A partir de 2022, se registra una recuperación más sostenida, con un incremento hasta los 13.008 euros, seguido de un crecimiento más acusado en los años posteriores: 14.082 euros en 2023 y 14.807 euros en 2024. Este aumento continuado podría estar relacionado con la reactivación económica, las políticas de estímulo implementadas por las administraciones públicas y las sucesivas subidas del salario mínimo interprofesional (SMI).

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")

ipc_anual <- ipc_anual %>%
  filter(año >= 2019 & año <= 2025)

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 - Figura 5"
  ) +
  scale_x_continuous(breaks = 2019:2025) +
  scale_y_continuous(limits = c(0, NA)) +  
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Este es el Índice de Precios de Consumo. Mide los precios de los distintos bienes y servicios que las familias consumen regularmente. En España este es calculado por el Instituto Nacional de Estadística (INE) y contiene un total de 955 artículos en los cuales no se incluyen por ejemplo bebidas alcohólicas.

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)
  ) %>%
  filter(Año >= 2019 & Año <= 2023)  

ggplot(ecv_long, aes(x = Año, y = Porcentaje, color = Grupo_Edad)) +
  geom_line(size = 1.2) +
  geom_point(size = 2) +
  scale_x_continuous(breaks = 2019:2023) +
  labs(
    title = "Población en Riesgo de Pobreza por Grupo de Edad (2019–2023)",
    subtitle = "Encuesta de Condiciones de Vida - INE",
    x = "Año",
    y = "Porcentaje (%)",
    color = "Grupo de edad",
    caption = "Fuente: ECV 2024 (ingresos 2023) | Elaboración propia - Figura 6"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 14),
    legend.position = "right"
  )

El riesgo de pobreza es una de las tres principales variables que se tienen en cuenta para calcular la tasa AROPE (presentado y expuesto a continuación), que es calculado como aquellas personas que tienen unos ingresos inferiores al 60% de la renta media equivalente.

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 - Figura 7"
  ) +
  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 inglés “At Risk of Poberty and/or Exlusion”) recoge a todas aquellas personas que se encuentran en situación de riesgo de pobreza, carencia material y social severa o bien baja intensidad de empleo. Estas situaciones son medidas de la siguiente forma:

Las personas que se encuentran en riesgo de pobreza son aquellas cuyo ingreso es inferior al 60% de la renta media equivalente. 

Aquellos que tiene carencia material severa son personas que cumplen 13 características que son recogidas para medir esta carencia material y social severa.

Por último, las personas que entran en condiciones de baja intensidad de empleo son aquellas personas que estando en edad de trabajar (de 18 a 64 años) lo hicieron menos del 20% del tiempo potencial de trabajo del cual disponían.

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.

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 - Figura 8"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Para finalizar este análisis, examinamos la inseguridad alimentaria en los países miembros de la Unión Europea. Este indicador, calculado por la FAO (Organización de las Naciones Unidas para la Alimentación y la Agricultura), se refiere a la proporción de personas que carecen de acceso regular a alimentos nutritivos y suficientes para llevar una vida saludable.

Según la FAO, una de las principales causas de la inseguridad alimentaria es la falta de recursos económicos para adquirir dichos alimentos. En España, el 13,2 % de la población no puede permitirse una alimentación adecuada al menos cada dos días, un valor que supera la media europea (entre el 8 % y el 10 %) y se aproxima a países como Grecia (22,1 %) o Bulgaria (30,5 %).

Estos datos respaldan la idea de que las “colas del hambre” no son un fenómeno aislado, sino un síntoma de una vulnerabilidad estructural y persistente en el país.

Las colas del hambre tras la DANA de Valencia

Imagen extraída de Las Provincias. (2025, 27 de marzo). Continúan las colas del hambre cinco meses después de la DANA. Recuperado de 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.

Conclusiones

Las colas del hambre en España no son una anomalía, sino el reflejo de fracturas estructurales que se han agravado en la última década. Lejos de tratarse de un fenómeno aislado, evidencian cómo derechos fundamentales, como el acceso a la alimentación, se han convertido en privilegios condicionados por la situación económica, afectando de forma desproporcionada a mujeres, personas migrantes, pensionistas, jóvenes y víctimas de crisis climáticas como la DANA.

La gravedad del problema se intensifica cuando crisis coyunturales se superponen a deficiencias estructurales no resueltas: salarios precarios, pensiones insuficientes y redes de protección social debilitadas. Esta combinación favorece la cronificación de la dependencia alimentaria, transformando lo que debería ser una respuesta de emergencia en una necesidad sostenida en el tiempo.

Las colas del hambre simbolizan, en última instancia, el fracaso de un sistema que ha priorizado la estabilidad macroeconómica por encima de la dignidad humana. España cuenta con los recursos necesarios para revertir esta situación, pero aún falta voluntad política para garantizar la seguridad alimentaria a través de reformas fiscales, salarios dignos y respuestas eficaces ante emergencias sociales.

Aunque en este contexto, el Gobierno de España implementó en 2024 las Tarjetas Monedero, financiadas por el Fondo Social Europeo Plus (FSE+), dirigidas a 65.000 familias. Estas tarjetas ofrecen ayudas mensuales de entre 130 euros (para hogares de dos personas) y 220 euros (para hogares de cuatro o más). Si bien esta medida representa un avance, presenta limitaciones importantes: las personas que viven solas quedan excluidas del programa, viéndose obligadas a recurrir a comedores sociales. Además, desde marzo de 2025 la gestión fue transferida a las comunidades autónomas, por lo que aún no se dispone de datos suficientes para evaluar su impacto y eficacia.

Webgrafía consultada