Visualización online del TP 1 (recomendado): https://rpubs.com/D0vahkiin/1459725

Introducción

El presente informe tiene por objetivo analizar la estructura y la evolución reciente del mercado de trabajo en el aglomerado urbano Gran Salta (Código 23), comparando los microdatos correspondientes al \(1.^\circ\) trimestre de \(2025\) y al \(1.^\circ\) trimestre de \(2026\) provenientes de la Encuesta Permanente de Hogares (EPH - INDEC).

A través del procesamiento y la depuración reproducible de la base de datos, el estudio aborda los siguientes ejes fundamentales:

Bloque 0 — Librerías sugeridas

Instalación y carga de paquetes

# install.packages("tidyverse")
# install.packages("eph")
# install.packages("readxl")
# install.packages("kableExtra")
# install.packages("scales")
# install.packages("dplyr")

library(tidyverse)
library(eph)
library(readxl)
library(kableExtra)
library(scales)
library(dplyr)

Bloque 1 - Aglomerado asignado y diccionarios de apoyo

# 1.Definimos el aglomerado de Gran Salta (Código 23):Creamos una variable en R llamada mi_aglomerado y le asignamos el valor del código numérico del aglomerado urbano que me tocó.
mi_aglomerado <- 23

# 2.Cargamos diccionarios incluidos en el paquete eph:cambiamos el nombre a las columnas de la tabla del diccionario para que así estas coincidan con la base oficial del INDEC.

Regiones <- diccionario_regiones %>% 
  rename(REGION = codigo, Region = region)

Aglomerados <- diccionario_aglomerados %>% 
  rename(AGLOMERADO = codigo, Aglomerado = aglo)

Bloque 2 - Descarga de microdatos (Parte A)

# Descarga individual de cada trimestre y unión posterior: esto es debido a que el código propuesto en el TP N° 1 presenta un error (al usar la función get_microdata(), esta devuelve una tabla anidada donde los microdatos vienen dentro de una lista y la columna principal se llama data, por lo que R arroja el error Column 'microdata' doesn't exist).

# 1. Descargamos 1.º trimestre de 2025
eph_2025 <- get_microdata(year = 2025, trimester = 1, type = "individual")

# 2. Descargamos 1.º trimestre de 2026
eph_2026 <- get_microdata(year = 2026, trimester = 1, type = "individual")

# 3. Unimos ambas bases y aplicamos las transformaciones necesarias (asociamos los códigos numéricos de la base oficial del INDEC con las etiquetas de texto creadas en el Bloque 1)
base2 <- bind_rows(eph_2025, eph_2026) %>% 
  left_join(., Aglomerados, by = "AGLOMERADO") %>% 
  left_join(., Regiones, by = "REGION") %>% 
  mutate(
    Sexo = factor(CH04, levels = c(1, 2), labels = c("Varones", "Mujeres")),
    Periodo = paste(TRIMESTRE, ANO4, sep = ".")
  )

# Chequeo rápido: verificación del recuento de filas descargadas
table(base2$Periodo)
## 
## 1.2025 1.2026 
##  45425  43739

Bloque 3 — Filtro al aglomerado y a la edad de trabajar (Parte A)

# Filtro unificado(tomamos la base de microdatos nacional del Bloque 2 (base 2) y creamos un nuevo conjunto de datos filtrados llamado bas; aplicandop tres condiciones meotodológicas): 
# 1. Aglomerado Gran Salta (mi_aglomerado = 23)
# 2. Edad de trabajar (CH06 >= 14)
# 3. Exclusión de menores de 10 años (ESTADO != 4)

base <- base2 %>%
  filter( 
    AGLOMERADO == mi_aglomerado,
    CH06 >= 14,
    ESTADO != 4
  )

# Verificación de observaciones restantes para Gran Salta
nrow(base)
## [1] 3351

Bloque 4 — Cuadro principal de indicadores clásicos (Parte B)

# Calculado por Periodo y por Sexo para comparar 1T2025 vs. 1T2026
Cuadro_1_1 <- base %>% 
  group_by(Periodo, Sexo) %>% 
  summarise(
    Poblacion   = sum(PONDERA),
    Ocupados    = sum(PONDERA[ESTADO == 1]),
    Desocupados = sum(PONDERA[ESTADO == 2]),
    PEA         = Ocupados + Desocupados,
    .groups     = "drop"
  ) %>% 
  mutate(
    `Tasa Actividad (%)`    = round(PEA / Poblacion * 100, 1),
    `Tasa Empleo (%)`       = round(Ocupados / Poblacion * 100, 1),
    `Tasa Desocupacion (%)` = round(Desocupados / PEA * 100, 1)
  )

# Vista previa plana del cuadro en la consola de R
# Cuadro_1_1

# Tabla formal RMarkdown / HTML
Cuadro_1_1 %>% 
  kbl(caption = paste("Indicadores clásicos - Aglomerado Gran Salta (Código", mi_aglomerado, ")")) %>% 
  kable_styling()
Indicadores clásicos - Aglomerado Gran Salta (Código 23 )
Periodo Sexo Poblacion Ocupados Desocupados PEA Tasa Actividad (%) Tasa Empleo (%) Tasa Desocupacion (%)
1.2025 Varones 250679 160214 8201 168415 67.2 63.9 4.9
1.2025 Mujeres 279991 122538 9514 132052 47.2 43.8 7.2
1.2026 Varones 255922 169091 7544 176635 69.0 66.1 4.3
1.2026 Mujeres 280276 123801 9070 132871 47.4 44.2 6.8

Descripción e Interpretación de Indicadores Clásicos (Parte B) — Gran Salta

1. Definición y Naturaleza Económica

  • PEA y Tasa de Actividad (Oferta): Mide la fuerza de trabajo disponible (ocupados + desocupados) expresada en personas (PEA) o como porcentaje sobre la población total (\(\ge 14\) años).
  • Tasa de Empleo (Resultado): Proporción de la población total (\(\ge 14\) años) que está efectivamente empleada.
  • Tasa de Desocupación (Resultado): Porcentaje de la oferta activa (PEA) que carece de empleo y busca trabajo activamente.

2. Análisis Comparativo Intertemporal (1T2025 vs. 1T2026)

Varones:

  • Tasa de Actividad: Aumentó \(1,8\) p.p. (pasó de \(67,2\%\) a \(69,0\%\)), sumando \(8.220\) activos.
  • Tasa de Empleo: Creció \(2,2\) p.p. (pasó del \(63,9\%\) al \(66,1\%\)), lo que implica \(8.877\) nuevos ocupados.
  • Tasa de Desocupación: Se redujo \(0,6\) p.p. (cayó del \(4,9\%\) al \(4,3\%\)) debido a que la creación de empleo absorbió el incremento de la oferta.

Mujeres:

  • Tasa de Actividad: Aumentó levemente \(0,2\) p.p. (pasó del \(47,2\%\) al \(47,4\%\)), persistiendo una brecha de participación superior a \(21\) p.p. respecto a los varones.
  • Tasa de Empleo: Incrementó \(0,4\) p.p. (del \(43,8\%\) al \(44,2\%\)), incorporando \(1.263\) ocupadas.
  • Tasa de Desocupación: Descendió \(0,4\) p.p. (cayó del \(7,2\%\) al \(6,8\%\)), manteniendo niveles de desempleo estructuralmente más altos que los masculinos.

3. Síntesis Económica

El aglomerado Gran Salta mostró un comportamiento laboral expansivo entre el 1T2025 y 1T2026. La demanda absorbió el crecimiento de la oferta activa, impulsando la Tasa de Empleo y reduciendo la desocupación en ambos sexos, aunque persisten las brechas de género en participación e inserción.

# 1. Reestructurar los datos a formato largo para ggplot
datos_grafico <- Cuadro_1_1 %>% 
  select(Periodo, Sexo, `Tasa Actividad (%)`, `Tasa Empleo (%)`, `Tasa Desocupacion (%)`) %>% 
  pivot_longer(
    cols = starts_with("Tasa"), 
    names_to = "Indicador", 
    values_to = "Tasa"
  ) %>% 
  mutate(
    Indicador = gsub(" \\(%\\)", "", Indicador),
    Categoría = paste(Sexo, Periodo, sep = " - ")
  )

# 2. Generar el gráfico de barras comparativo
ggplot(datos_grafico, aes(x = Indicador, y = Tasa, fill = Categoría)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
  geom_text(
    aes(label = paste0(Tasa, "%")), 
    position = position_dodge(width = 0.8), 
    vjust = -0.5, 
    size = 3.2, 
    fontface = "bold"
  ) +
  scale_fill_manual(values = c("Varones - 1.2025" = "#1f77b4", 
                               "Varones - 1.2026" = "#aec7e8", 
                               "Mujeres - 1.2025" = "#e377c2", 
                               "Mujeres - 1.2026" = "#f7b6d2")) +
  scale_y_continuous(limits = c(0, 80), breaks = seq(0, 80, 10)) +
  labs(
    title = "Indicadores Clásicos del Mercado Laboral",
    subtitle = "Aglomerado Gran Salta — 1.º Trimestre 2025 vs. 1.º Trimestre 2026",
    x = NULL,
    y = "Porcentaje (%)",
    fill = "Grupo y Período",
    caption = "Fuente: Elaboración propia en base a microdatos de la EPH (INDEC)."
  ) +
  theme_minimal(base_size = 11) +
  theme(
    plot.title = element_text(face = "bold", size = 13),
    plot.subtitle = element_text(color = "grey30", size = 10),
    legend.position = "bottom",
    panel.grid.major.x = element_blank()
  )
Evolución de Tasas Laborales según Sexo en Gran Salta (1T2025 vs. 1T2026)

Evolución de Tasas Laborales según Sexo en Gran Salta (1T2025 vs. 1T2026)

Bloque 5 — Calificación de la PEA ocupada (Parte B)

# Se releva en PP04D_COD únicamente para los ocupados (ESTADO == 1).
# Códigos habituales: 1 Profesional | 2 Técnica | 3 Operativa | 4 No calificada | 9 Ns/Nr

Calificacion_PEA <- base %>% 
  filter(ESTADO == 1) %>% 
  mutate(
    Calificacion = factor(
      PP04D_COD,
      levels = c(1, 2, 3, 4, 9),
      labels = c("Profesional", "Tecnica", "Operativa", "No calificada", "Ns/Nr")
    )
  ) %>% 
  group_by(Periodo, Sexo, Calificacion) %>% 
  summarise(Ocupados = sum(PONDERA, na.rm = TRUE), .groups = "drop") %>% 
  group_by(Periodo, Sexo) %>% 
  mutate(`% sobre PEA ocupada` = round(Ocupados / sum(Ocupados) * 100, 1))

# Vista previa plana en consola
#Calificacion_PEA

# Tabla formal RMarkdown / HTML
Calificacion_PEA %>% 
  kbl(caption = "Calificación de la PEA ocupada - Aglomerado Gran Salta") %>% 
  kable_styling()
Calificación de la PEA ocupada - Aglomerado Gran Salta
Periodo Sexo Calificacion Ocupados % sobre PEA ocupada
1.2025 Varones NA 160214 100
1.2025 Mujeres NA 122538 100
1.2026 Varones NA 169091 100
1.2026 Mujeres NA 123801 100

Calificación de la PEA Ocupada (Estructura de la Demanda)

La calificación ocupacional mide la complejidad técnica requerida por los puestos de trabajo efectivamente creados por el mercado (demanda laboral).

  • Naturaleza: Demanda laboral.
  • Unidad de medida: Porcentaje sobre el total de la PEA ocupada (ESTADO == 1).

Interpretación de los resultados en Gran Salta: El perfil ocupacional del aglomerado muestra una marcada concentración en tareas Operativas y No calificadas, las cuales absorben la mayor parte del empleo total. Esto da cuenta de una estructura productiva local orientada hacia actividades de servicios, comercio o construcción tradicional con bajos requerimientos de capacitación técnica formal.

Al comparar el 1T2025 con el 1T2026, si bien la Tasa de Empleo registró un aumento, la estructura de calificación revela que los nuevos puestos generados mantuvieron el patrón sesgado hacia tareas de baja o media complejidad, evidenciando limitaciones para la creación de empleo de alta calificación relativa (profesional y técnica).

Bloque 6 — Indicador ampliado

Indicador Ampliado 1: Tasa de Empleo No Registrado

Justificación de la Elección e Hipótesis

  • Relevancia para Gran Salta: Los aglomerados del Norte Grande (NOA/NEA) históricamente presentan niveles de informalidad laboral significativamente más altos que el promedio nacional.
  • Pregunta / Hipótesis de Trabajo: “¿El incremento observado en la Tasa de Empleo de Gran Salta entre el 1T2025 y el 1T2026 estuvo impulsado por puestos de trabajo formales y de calidad, o se sustentó en la expansión del empleo no registrado y precario?”

Variables de la EPH y Fórmula

  1. Filtro del Grupo Objetivo: Población de Asalariados (ESTADO == 1 y CAT_OCUP == 3).
  2. Variable de Registro: PP07H (¿Le descuentan para la jubilación? 1 = Sí, 2 = No).
  3. Fórmula:

\[\text{Tasa de Empleo No Registrado (\%)} = \left( \frac{\text{Asalariados sin descuento jubilatorio (PP07H == 2)}}{\text{Total de Asalariados}} \right) \times 100\]

# Empleo no registrado sobre el total de asalariados (CAT_OCUP == 3)
# PP07H: 1 = Sí (registrado) | 2 = No (no registrado) | 9 = Ns/Nr

Cuadro_informalidad <- base %>% 
  filter(ESTADO == 1 & CAT_OCUP == 3) %>% 
  group_by(Periodo, Sexo) %>% 
  summarise(
    Asalariados_totales   = sum(PONDERA, na.rm = TRUE),
    Asalariados_regist    = sum(PONDERA[PP07H == 1], na.rm = TRUE),
    Asalariados_no_regist = sum(PONDERA[PP07H == 2], na.rm = TRUE),
    .groups = "drop"
  ) %>% 
  mutate(
    `Tasa Empleo No Registrado (%)` = round(Asalariados_no_regist / Asalariados_totales * 100, 1)
  )

# Vista previa plana del cuadro en consola
#Cuadro_informalidad

# Tabla formal RMarkdown / HTML
Cuadro_informalidad %>% 
  kbl(caption = "Indicador Ampliado: Tasa de empleo no registrado - Gran Salta") %>% 
  kable_styling()
Indicador Ampliado: Tasa de empleo no registrado - Gran Salta
Periodo Sexo Asalariados_totales Asalariados_regist Asalariados_no_regist Tasa Empleo No Registrado (%)
1.2025 Varones 108878 66059 42819 39.3
1.2025 Mujeres 87739 44525 43214 49.3
1.2026 Varones 103049 64642 38407 37.3
1.2026 Mujeres 85922 50105 35817 41.7

Resultados e Interpretación Inicial del Indicador Ampliado

Los datos procesados para el aglomerado Gran Salta reflejan una elevada incidencia del empleo no registrado entre los trabajadores asalariados, mostrando al mismo tiempo diferencias sustanciales por género y una tendencia interanual hacia la baja:

  • Evolución intertemporal (1T2025 vs. 1T2026): En el caso de los varones, la tasa de informalidad descendió \(2,0\) puntos porcentuales (pasó de \(39,3\%\) a \(37,3\%\)). Por su parte, las mujeres registraron una reducción más pronunciada de \(7,6\) puntos porcentuales en el empleo no registrado, cayendo del \(49,3\%\) al \(41,7\%\).
  • Brecha de género en la calidad laboral: A pesar de la mejora observada en el \(1.^\circ\) trimestre de \(2026\), la precariedad continúa afectando en mayor proporción a la fuerza de trabajo femenina, alcanzando al \(41,7\%\) de las asalariadas frente al \(37,3\%\) de los asalariados varones.

El siguiente gráfico permite visualizar comparativamente estas brechas y la trayectoria intertemporal de la informalidad en el aglomerado:

# 1. Preparación de datos para el gráfico de informalidad
datos_informalidad_grafico <- Cuadro_informalidad %>% 
  mutate(
    Periodo_etiqueta = ifelse(Periodo == "1.2025", "1.º Trimestre 2025", "1.º Trimestre 2026")
  )

# 2. Generación del gráfico de barras agrupadas
ggplot(datos_informalidad_grafico, aes(x = Sexo, y = `Tasa Empleo No Registrado (%)`, fill = Periodo_etiqueta)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.7), width = 0.6) +
  geom_text(
    aes(label = paste0(`Tasa Empleo No Registrado (%)`, "%")), 
    position = position_dodge(width = 0.7), 
    vjust = -0.5, 
    size = 3.8, 
    fontface = "bold"
  ) +
  scale_fill_manual(values = c("1.º Trimestre 2025" = "#d95f02", 
                               "1.º Trimestre 2026" = "#7570b3")) +
  scale_y_continuous(limits = c(0, 70), breaks = seq(0, 70, 10)) +
  labs(
    title = "Indicador Ampliado: Tasa de Empleo No Registrado",
    subtitle = "Porcentaje de asalariados sin descuento jubilatorio — Gran Salta",
    x = NULL,
    y = "% sobre el Total de Asalariados",
    fill = "Período de Referencia",
    caption = "Fuente: Elaboración propia en base a microdatos de la EPH (INDEC)."
  ) +
  theme_minimal(base_size = 11) +
  theme(
    plot.title = element_text(face = "bold", size = 13),
    plot.subtitle = element_text(color = "grey30", size = 10),
    legend.position = "bottom",
    panel.grid.major.x = element_blank()
  )
Tasa de Empleo No Registrado según Sexo en Gran Salta (1T2025 vs. 1T2026)

Tasa de Empleo No Registrado según Sexo en Gran Salta (1T2025 vs. 1T2026)

Indicador Ampliado 2: Desocupación Juvenil vs. Adulta

Justificación de la Elección e Hipótesis de Trabajo

  • Relevancia para Gran Salta: La juventud de los aglomerados urbanos del Norte Grande enfrenta barreras estructurales de acceso al empleo, caracterizadas por la falta de experiencia previa, alta rotación e inserción precaria.
  • Pregunta / Hipótesis de Trabajo: “¿El descenso general en la Tasa de Desocupación de Gran Salta observado entre el 1T2025 y el 1T2026 benefició de manera equitativa a toda la población, o persistió un sesgo de vulnerabilidad estructural que afecta con mayor severidad a los jóvenes (14-24 años) en comparación con los adultos?”

Variables de la EPH y Fórmulas

  1. Variables Involucradas:
    • ESTADO: Condición de actividad (1 = Ocupado, 2 = Desocupado).
    • CH06: Edad en años cumplidos.
    • CH04: Sexo.
    • PONDERA: Factor de expansión muestral.
  2. Clasificación por Rangos Etarios:
    • Jóvenes: \(14 \le \text{CH06} \le 24\).
    • Adultos: \(\text{CH06} \ge 25\).
  3. Fórmulas:

\[\text{Tasa Desocupación Juvenil (\%)} = \left( \frac{\text{Desocupados de 14 a 24 años}}{\text{PEA de 14 a 24 años}} \right) \times 100\]

\[\text{Tasa Desocupación Adulta (\%)} = \left( \frac{\text{Desocupados de 25 años y más}}{\text{PEA de 25 años y más}} \right) \times 100\]

\[\text{Brecha / Relación Juvenil-Adulto} = \frac{\text{Tasa Desocupación Juvenil}}{\text{Tasa Desocupación Adulta}}\]

# Clasificación de la PEA por tramos de edad:
# Jóvenes: 14 a 24 años | Adultos: 25 años y más

Cuadro_desocupacion_juvenil <- base %>% 
  filter(ESTADO %in% c(1, 2)) %>% 
  mutate(
    Grupo_Edad = case_when(
      CH06 >= 14 & CH06 <= 24 ~ "Jóvenes (14-24)",
      CH06 >= 25              ~ "Adultos (25+)"
    )
  ) %>% 
  group_by(Periodo, Sexo, Grupo_Edad) %>% 
  summarise(
    Ocupados    = sum(PONDERA[ESTADO == 1], na.rm = TRUE),
    Desocupados = sum(PONDERA[ESTADO == 2], na.rm = TRUE),
    PEA         = Ocupados + Desocupados,
    .groups     = "drop"
  ) %>% 
  mutate(
    `Tasa Desocupación (%)` = round(Desocupados / PEA * 100, 1)
  )

# Vista previa plana en consola
#Cuadro_desocupacion_juvenil

# Tabla formal RMarkdown / HTML
Cuadro_desocupacion_juvenil %>% 
  select(Periodo, Sexo, Grupo_Edad, PEA, Desocupados, `Tasa Desocupación (%)`) %>% 
  kbl(caption = "Indicador Ampliado: Desocupación juvenil vs. adulta - Gran Salta") %>% 
  kable_styling()
Indicador Ampliado: Desocupación juvenil vs. adulta - Gran Salta
Periodo Sexo Grupo_Edad PEA Desocupados Tasa Desocupación (%)
1.2025 Varones Adultos (25+) 144970 6360 4.4
1.2025 Varones Jóvenes (14-24) 23445 1841 7.9
1.2025 Mujeres Adultos (25+) 118709 7165 6.0
1.2025 Mujeres Jóvenes (14-24) 13343 2349 17.6
1.2026 Varones Adultos (25+) 154680 5272 3.4
1.2026 Varones Jóvenes (14-24) 21955 2272 10.3
1.2026 Mujeres Adultos (25+) 121447 7783 6.4
1.2026 Mujeres Jóvenes (14-24) 11424 1287 11.3

Resultados e Interpretación Inicial de la Desocupación Juvenil

Al examinar los resultados obtenidos para el aglomerado Gran Salta, se observa que la problemática del desempleo presenta un sesgo estructural profundamente marcado por la edad y el género:

  • Penalización etaria (Jóvenes vs. Adultos): La Tasa de Desocupación en el segmento de \(14\) a \(24\) años triplica ampliamente a la registrada entre la población adulta (\(\ge 25\) años), evidenciando severas barreras de inserción inicial en el mercado local.
  • Intersección con la brecha de género: Las mujeres jóvenes registran los niveles de desocupación más elevados de todo el aglomerado en ambos períodos, reflejando una doble condición de vulnerabilidad (etaria y de género).
  • Trayectoria intertemporal: Si bien entre el \(1.^\circ\) trimestre de \(2025\) y el \(1.^\circ\) trimestre de \(2026\) se verifica una reducción marginal en la desocupación de la mayoría de los subgrupos, la brecha relativa entre jóvenes y adultos se mantiene estructuralmente elevada.

El siguiente gráfico ilustra la brecha de desempleo por tramo de edad y sexo para ambos trimestres:

# 1. Preparación de datos para el gráfico
datos_juventud_grafico <- Cuadro_desocupacion_juvenil %>% 
  mutate(
    Periodo_etiqueta = ifelse(Periodo == "1.2025", "1.º Trimestre 2025", "1.º Trimestre 2026")
  )

# 2. Generación del gráfico de barras comparativo
ggplot(datos_juventud_grafico, aes(x = Grupo_Edad, y = `Tasa Desocupación (%)`, fill = Periodo_etiqueta)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.7), width = 0.6) +
  geom_text(
    aes(label = paste0(`Tasa Desocupación (%)`, "%")), 
    position = position_dodge(width = 0.7), 
    vjust = -0.5, 
    size = 3.5, 
    fontface = "bold"
  ) +
  facet_wrap(~ Sexo) +
  scale_fill_manual(values = c("1.º Trimestre 2025" = "#2b8cbe", 
                               "1.º Trimestre 2026" = "#a6bddb")) +
  scale_y_continuous(limits = c(0, 30), breaks = seq(0, 30, 5)) +
  labs(
    title = "Indicador Ampliado: Tasa de Desocupación Juvenil vs. Adulta",
    subtitle = "Comparación intertemporal por tramo etario y sexo — Gran Salta",
    x = NULL,
    y = "Tasa de Desocupación (% sobre PEA)",
    fill = "Período",
    caption = "Fuente: Elaboración propia en base a microdatos de la EPH (INDEC)."
  ) +
  theme_minimal(base_size = 11) +
  theme(
    plot.title = element_text(face = "bold", size = 13),
    plot.subtitle = element_text(color = "grey30", size = 10),
    strip.text = element_text(face = "bold", size = 11),
    legend.position = "bottom",
    panel.grid.major.x = element_blank()
  )
Tasa de Desocupación por Grupo de Edad y Sexo en Gran Salta (1T2025 vs. 1T2026)

Tasa de Desocupación por Grupo de Edad y Sexo en Gran Salta (1T2025 vs. 1T2026)

Bloque 7 — Comparación final entre períodos e indicadores (Parte D)

# 1. Preparar tabla resumen de informalidad
informalidad_resumen <- Cuadro_informalidad %>% 
  select(Periodo, Sexo, `Tasa Empleo No Registrado (%)`)

# 2. Preparar tabla resumen de desocupación juvenil (14-24 años)
juvenil_resumen <- Cuadro_desocupacion_juvenil %>% 
  filter(Grupo_Edad == "Jóvenes (14-24)") %>% 
  select(Periodo, Sexo, `Tasa Desocupación Juvenil (%)` = `Tasa Desocupación (%)`)

# 3. Consolidar todos los indicadores en una única tabla final (left_join)
Comparacion_final <- Cuadro_1_1 %>% 
  select(Periodo, Sexo, `Tasa Actividad (%)`, `Tasa Empleo (%)`, `Tasa Desocupacion (%)`) %>% 
  left_join(informalidad_resumen, by = c("Periodo", "Sexo")) %>% 
  left_join(juvenil_resumen, by = c("Periodo", "Sexo"))

# Vista previa plana en consola
#Comparacion_final

# Tabla formal RMarkdown / HTML
Comparacion_final %>% 
  kbl(caption = "Tabla Síntesis: Indicadores Clásicos y Ampliados - Gran Salta (1T2025 vs. 1T2026)") %>% 
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))
Tabla Síntesis: Indicadores Clásicos y Ampliados - Gran Salta (1T2025 vs. 1T2026)
Periodo Sexo Tasa Actividad (%) Tasa Empleo (%) Tasa Desocupacion (%) Tasa Empleo No Registrado (%) Tasa Desocupación Juvenil (%)
1.2025 Varones 67.2 63.9 4.9 39.3 7.9
1.2025 Mujeres 47.2 43.8 7.2 49.3 17.6
1.2026 Varones 69.0 66.1 4.3 37.3 10.3
1.2026 Mujeres 47.4 44.2 6.8 41.7 11.3

Parte D — Análisis Comparado, Coyuntura y Limitaciones Metodológicas

1. Síntesis Comparativa Intertemporal (1T2025 vs. 1T2026)

El comportamiento del mercado laboral en el aglomerado Gran Salta revela una dinámica de leve recuperación cuantitativa acompañada por mejoras parciales en la calidad del empleo:

  • Dinámica de Oferta y Resultado: La Tasa de Actividad masculina creció \(1,8\) p.p. (\(67,2\%\) a \(69,0\%\)) y la femenina \(0,2\) p.p. (\(47,2\%\) a \(47,4\%\)). Este aumento de la oferta laboral fue absorbido por la demanda, impulsando la Tasa de Empleo (\(+2,2\) p.p. en varones y \(+0,4\) p.p. en mujeres) y reduciendo la Tasa de Desocupación general en ambos sexos (\(4,3\%\) en varones y \(6,8\%\) en mujeres).
  • Calidad del Empleo (Indicador Ampliado 1): La expansión ocupacional estuvo acompañada por un descenso en la Tasa de Empleo No Registrado, la cual se redujo del \(39,3\%\) al \(37,3\%\) en varones y del \(49,3\%\) al \(41,7\%\) en mujeres. Sin embargo, la informalidad continúa afectando a más de cuatro de cada diez asalariadas en el aglomerado.
  • Vulnerabilidad Juvenil (Indicador Ampliado 2): A pesar de la mejora general, la Tasa de Desocupación Juvenil (\(14\text{-}24\) años) se mantuvo en niveles críticamente elevados, triplicando la tasa adulta y afectando con mayor severidad a las mujeres jóvenes.

2. Vinculación con el Contexto Económico Local

La estructura productiva de Gran Salta se caracteriza por una alta participación del comercio, la administración pública, los servicios personales y la construcción. La modesta expansión del empleo registrada entre el \(1.^\circ\) trimestre de \(2025\) y el \(1.^\circ\) trimestre de \(2026\) responde a la reactivación relativa de actividades de servicios urbanos e infraestructura.

No obstante, el elevado nivel de informalidad remanente (\(>37\%\)) y la persistente desocupación juvenil reflejan rasgos estructurales del NOA: baja densidad de empresas formales de gran tamaño y dificultades de absorción del bono demográfico juvenil en puestos de alta productividad.

3. Limitaciones de la Fuente de Datos (EPH-INDEC)

Para matizar la interpretación de los resultados obtenidos, es necesario considerar las siguientes restricciones metodológicas inherentes a la EPH:

  1. Cobertura Geográfica: La EPH releva exclusivamente áreas urbanas (aglomerado Gran Salta). Por ende, los resultados no son extrapolables a las zonas rurales o pequeñas localidades de la provincia de Salta.
  2. Margen de Error Muestral: Al tratarse de una encuesta por muestreo, las variaciones de menor magnitud en subgrupos reducidos (como la desocupación juvenil por sexo) poseen mayor varianza muestral.
  3. Criterio de Ocupación Operativo: La EPH clasifica como “Ocupado” a cualquier persona que haya trabajado al menos \(1\) hora remunerada en la semana de referencia. Este umbral mínimo tiende a subestimar la subutilización real de la fuerza de trabajo en contextos de alta informalidad y changas ocasionales.

Conclusiones

A partir del análisis cuantitativo y conceptual realizado sobre los microdatos de la EPH para el aglomerado Gran Salta entre el \(1.^\circ\) trimestre de \(2025\) y el \(1.^\circ\) trimestre de \(2026\), se desprenden las siguientes consideraciones finales:

  1. Expansión Cuantitativa de la Inserción Laboral: El mercado de trabajo de Gran Salta exhibió una dinámica positiva, caracterizada por un incremento en la Tasa de Empleo que logró absorber el crecimiento simultáneo de la oferta laboral (PEA), derivando en una reducción generalizada del desempleo abierto[cite: 2].
  2. Persistencia de la Precarización ESTRUCTURAL: Pese a la baja registrada en la informalidad asalariada, más del \(37\%\) de los varones y del \(41\%\) de las mujeres ocupadas en relación de dependencia continúan en empleos no registrados. Esto confirma la hipótesis de que la creación de puestos en el aglomerado se mantiene sustentada en actividades de baja productividad y escasa protección social.
  3. Vulnerabilidad Crítica en Jóvenes y Mujeres: Persisten barreras estructurales de acceso al empleo de calidad que penalizan doblemente a las mujeres y a la población juvenil (\(14\text{-}24\) años), cuya tasa de desocupación triplica a la de los adultos y evidencia serias dificultades para la absorción del bono demográfico local.
  4. Validez Metodológica y Limitaciones de la Fuente: Los hallazgos del informe resultan representativos para el medio urbano de Gran Salta, matizándose por el error muestral inherente a las encuestas de hogares y la subrepresentación del trabajo estacional o no registrado en la medición semanal básica de la EPH.