El Estado y la pandemia

En el marco del Plan Argentina contra el Hambre, a inicios del 2020 el Estado argentino lanzó una serie de medidas económicas y sociales para combatir la desnutrición en el país.

Dentro de ellas, uno de los instrumentos impulsados ha sido la Tarjeta Alimentar, una credencial que otorga dinero que puede ser utilizado únicamente para la compra de alimentos. La misma está financiada a través de los mayores ingresos que se están obteniendo del aporte solidario a las grandes fortunas y del aumento de la recaudación.

Esta herramienta tiene por objetivo reducir el impacto económico y social producido por la pandemia del COVID-19 y pretende complementar a otras políticas como la Asignación Universal por Hijo/a.

Al leer cuáles grupos eran los destinatarios de la tarjeta, me llamó la atención que varios de ellos estaban compuestos por mujeres. Si bien es lógico desde el punto de vista de quienes cobran la asignación universal por embarazo, esta medida parece una vez más enfocarse en un sector de la población que se caracteriza por dos características: son mujeres y perciben pocos ingresos formales.

Existen múltiples investigaciones y producciones académicas que plantean a las políticas estatales como reproductoras de mandatos de género ya que depositan las responsabilidades por las tareas de cuidado a las mujeres pobres, naturalizando así su obligación en ese rol. Por lo tanto, el hecho de que ciertos instrumentos estén altamente feminizados no necesariamente implica que tengan perspectiva de género. Al contrario, muchas veces refuerzan la idea de que son las mujeres las que deben recibir estas asignaciones ya que se espera que ellas se ocupen del cuidado de su familia en la esfera privada mientras que los varones (si es que están presentes) se ocupen de conseguir los ingresos por fuera del hogar a través de su fuerza de trabajo.

Algunos desafíos

Teniendo este marco teórico en la cabeza es que sentí el interés por conocer con mayor profundidad el universo de titulares de la Tarjeta Alimentar. A pesar de haber encontrado información actual en el sitio web del Ministerio de Desarrollo Social, me encontré con algunos inconvenientes inesperados ya que hace un tiempo atrás había accedido a su dataset con variables muy interesantes como las fechas de alta y baja de las tarjetas, la edad de lxs titulares y los montos asignados a cada una. En esta oportunidad, solamente pude acceder a la provincia, departamento, al sexo y al ID de cada titular.

Allí es cuando encontré la necesidad de complementar el presente análisis con otra fuente de información y por eso decidí aprovechar la reciente Encuesta Permanente de Hogares del INDEC que hace unos días sacó a luz el relevamiento que hizo durante el 1° trimestre de este año para identificar posibles sesgos en la distribución del ingreso de la muestra. Habiendo comentado estas vicisitudes, lo que buscaré en este análisis es resolver estas inquietudes particulares:

• ¿Cuál es la proporción de ingreso que se llevan las mujeres a lo largo de todos los deciles en comparación a los varones?

• ¿Hay una instancia de distribución equitativa de ingreso en los hogares argentinos?

• ¿Existe una diferencia importante entre la cantidad de titulares mujeres y los titulares varones?

• A pesar del sesgo de género, ¿hay provincias con mayor proporción de titulares de la Tarjeta Alimentar a comparación de otros distritos?

Considero que las respuestas frente a estas preguntas contribuirán a darle mayor asidero al marco teórico planteado: primero indagando el contexto de distribución del ingreso en Argentina según sexo y deciles, para luego entrar con mayor detalle en la dinámica en que opera la tarjeta Alimentar como dispositivo estatal que naturaliza el rol de las mujeres en las tareas de cuidado.

Por último, trataré de reflexionar sobre los resultados obtenidos en el análisis y algunas futuras líneas útiles para seguir investigando los estereotipos de género desde la combinación entre datos, programación y ciencias sociales.

Recursos utilizados

En primera instancia, este trabajo se redactó en un informe RMarkdown y el procesamiento y visualización de datos se llevó a cabo en R a través de diferentes paquetes.

library(tidyverse)
library(RColorBrewer)
library(sf)
library(leaflet)
library(viridis)
library(htmltools)
library(plotly)
library(openxlsx)
library(ggthemes)
library(hrbrthemes)
library(lubridate)
library(eph)
library(rmdformats)
library(scales)

Encuesta Permanente de Hogares

Como bien señala el Instituto Nacional de Estadística y Censos (INDEC), la EPH es un programa nacional de producción sistemática y permanente de indicadores sociales que nos permiten conocer las características sociodemográficas y socioeconómicas de la población. Entre otros indicadores, se proporcionan la tasa de empleo, desocupación, subocupación y pobreza.

Se trata de una encuesta por muestreo, es decir que se relevan datos de una pequeña fracción representativa de la totalidad de los hogares argentinos. Además, tiene una periodicidad trimestral y por eso, en el análisis se tomarán los resultados obtenidos del 1° trimestre del 2021 ya que es la información más reciente. Para más detalles sobre su estructura, variables y registros, se puede consultar en este documento.

base_individual <- get_microdata(year = 2021,  
                                  trimester = 1,
                                  type='individual')

Nivel individual

A pesar de que la EPH nos ofrece muchas variables para analizar, aquí nos abocaremos en la distribución de los ingresos separando a la muestra en deciles de acuerdo al ingreso total individual. Esto implica que tendremos diez grupos de igual tamaño, ordenados según el nivel de ingreso que perciba cada individuo.

Seleccionamos las variables que necesitamos: el número de decil de ingreso total individual del total EPH, el monto de ingreso total individual, el ponderador para ingreso total individual y el sexo de cada encuestadx.

Luego, agrupamos por el decil, generamos una nueva variable donde se suman los ponderadores para finalmente agruparlos por deciles y sexo y calcular la proporcion de ingreso para cada una de sus categorías.

ing_individuales <-base_individual %>% 
    select(DECINDR, P47T, PONDII, CH04) %>% 
    filter(DECINDR %in% c(1:10)) %>% 
  group_by(DECINDR) %>% 
  mutate(Pob = sum(PONDII)) %>% 
  group_by(DECINDR, CH04) %>%
  summarise(Prop = sum(PONDII)/unique(Pob))

Cambiamos los nombres de las categorías de sexo y transformamos la variable decil en tipo de dato numérico.

ing_individuales <- ing_individuales %>% 
  mutate(CH04 = case_when(CH04 == 1 ~ "Varón",
                          CH04 == 2 ~ "Mujer"))

ing_individuales$DECINDR <- as.numeric(ing_individuales$DECINDR)

head(ing_individuales)

## # A tibble: 6 x 3
## # Groups:   DECINDR [3]
##   DECINDR CH04   Prop
##     <dbl> <chr> <dbl>
## 1       1 Varón 0.302
## 2       1 Mujer 0.698
## 3      10 Varón 0.636
## 4      10 Mujer 0.364
## 5       2 Varón 0.414
## 6       2 Mujer 0.586

# Generamos una función de redondeo para calcular las proporciones de ingreso
formato_porc <- function(numero, dec = 1){
  format(round(numero, digits = dec), nsmall = dec, decimal.mark = ",")
}

En el Gráfico 1, se puede apreciar que los deciles más bajos de ingresos están compuestos en su mayoría por mujeres mientras los deciles de mayores ingresos se componen mayoritariamente por varones. En otras palabras, se observa que los estratos de menores ingresos están feminizados y los estratos de mayores ingresos se encuentran masculinizados.

Al pasar el cursor sobre el gráfico 1, es posible visualizar la proporción de ingresos distribuida entre varones y mujeres y según el decil en que se ubiquen. Por ejemplo, el 69,8% de lxs ingresos en el decil 1 son mujeres mientras que los varones representan el 30,2%. A la inversa, en el decil 10 se observa que la proporción de mujeres desciende a 36,4% mientras que un 63,6% de esos ingresos son percibidos por varones.

#Gráfico estático
library(scales)

p_ing_individuales <- ggplot(ing_individuales, aes(x = DECINDR, Prop, fill = as.factor(CH04), group= CH04, text = paste0("Proporcion: ", formato_porc(Prop*100), "%","\n", "Decil: ", DECINDR, "\n", "Sexo: ", CH04))) +
  geom_col(position = "dodge")+
  theme_modern_rc()+
    theme(plot.title = element_text(hjust = 0.5),
          plot.subtitle = element_text(hjust = 0.5))+
  labs(title = "Gráfico 1: Distribución de ingresos totales individuales en Argentina",
       subtitle = "1° Trimestre de 2021",
       caption = "Fuente: Elaboración Propia en base a EPH-INDEC",
       ylab = "") +
  scale_fill_manual(values = c("#9D2ADB", "#32a89b"), name = "Sexo", labels = c("Mujer", "Varón"))+
  scale_x_continuous("Decil de ingreso total", breaks =c(1:10))+
  scale_y_continuous(labels = percent)

#Gráfico interactivo

plotly_ing_indiv <- ggplotly(p_ing_individuales, tooltip = "text") %>% layout(title = list(text = paste0('Gráfico 1: Distribución de ingresos totales individuales en Argentina','<br>', '<sup>', '1° Trimestre de 2021', '</sup>')))

plotly_ing_indiv

Nivel per capita familiar

Ahora bien, si en vez de ordenar a los individuos por deciles, lo hacemos con los hogares según el ingreso per cápita familiar, la situación parecería más equitativa en términos de sexo.

Aquí seleccionamos el número de decil de ingreso per cápita familiar, el monto de ingreso per cápita familiar, el ponderador del ingreso total familiar y del ingreso per cápita familiar para hogares y el sexo de cada encuestadx.

Seguido de ello, repetimos el mismo proceso que en el gráfico 1.

ing_familiar <-base_individual %>% 
  select(DECCFR, IPCF, PONDIH, CH04) %>% 
  filter(DECCFR %in% c(1:10)) %>% 
  group_by(DECCFR) %>% 
  mutate(Pob = sum(PONDIH)) %>% 
  group_by(DECCFR, CH04) %>%
  summarise(Prop = sum(PONDIH)/unique(Pob))

ing_familiar <- ing_familiar %>% 
  mutate(CH04 = case_when(CH04 == 1 ~ "Varón",
                          CH04 == 2 ~ "Mujer"))

ing_familiar$DECCFR  <- as.numeric(ing_familiar$DECCFR)

head(ing_familiar)

## # A tibble: 6 x 3
## # Groups:   DECCFR [3]
##   DECCFR CH04   Prop
##    <dbl> <chr> <dbl>
## 1      1 Varón 0.464
## 2      1 Mujer 0.536
## 3     10 Varón 0.497
## 4     10 Mujer 0.503
## 5      2 Varón 0.467
## 6      2 Mujer 0.533

Aquí se enfoca en el ingreso total del hogar, dividido por la cantidad de personas que lo componen. Puede observarse que las mujeres predominan en todos los deciles pero por cuestiones demográficas esto tiene sentido ya que hay más mujeres que varones en la población general.

En efecto, si nos paramos en el decil 1, el 53,6% de los ingresos per cápita familiar lo perciben las mujeres mientras que los varones representan el 46,4%. El panorama se nivela llegando al decil 10, donde el 50,3% de los ingresos lo aportan las mujeres mientras que el 49,7% es percibido por los varones.

import_roboto_condensed()
extrafont::loadfonts(device="win")

#Gráfico estático

p_ing_familiar <- ggplot(ing_familiar, aes(x = DECCFR, Prop, fill = as.factor(CH04), group= CH04, text = paste0("Proporcion: ", formato_porc(Prop*100), "%","\n", "Decil: ", DECCFR, "\n", "Sexo: ", CH04))) +
  geom_col(position = "dodge")+
  theme_modern_rc()+
    theme(plot.title = element_text(hjust = 0.5),
          plot.subtitle = element_text(hjust = 0.5))+
  labs(title = "Gráfico 2: Distribución de ingresos per cápita familiar en Argentina",
       subtitle = "1° Trimestre de 2021",
       caption = "Fuente: Elaboración Propia en base a EPH-INDEC",
       ylab = "") +
  scale_fill_manual(values = c("#9D2ADB", "#32a89b"), name = "Sexo", labels = c("Varón", "Mujer"))+
  scale_x_continuous("Decil de ingreso total", breaks =c(1:10))+
  scale_y_continuous(labels = percent)

#Gráfico interactivo

plotly_ing_familiar <- ggplotly(p_ing_familiar, tooltip = "text") %>% layout(title = list(text = paste0('Gráfico 2: Distribución de ingresos per cápita familiar en Argentina','<br>', '<sup>', '1° Trimestre de 2021', '</sup>')))

plotly_ing_familiar

Entonces, ¿cómo es posible que de un gráfico al otro haya semejante diferencia?

En la primera visualización, los ingresos se diferenciaban según el sexo de quién los percibía, en este último gráfico se encuentran distribuidos entre todos los miembros del hogar. De esta forma, la composición por sexo de los estratos de menores ingresos no tiene mayores diferencias respecto a la de los estratos de mayores ingresos. Parece que la familia mitiga la distancia entre los sexos que se veía en el gráfico 1, pero es dentro de esta unidad que se mantiene la diferencia.

Tal vez aquí sea necesario investigar la brecha de ingresos, donde probablemente encontremos que los varones tienen más probabilidades de ganar más que las mujeres del hogar. La distribución de los ingresos de las mujeres, sesgada hacia los menores ingresos, es compensada en la estructura familiar con la distribución de los ingresos de los varones, sesgada hacia los mayores ingresos.

Por ese motivo, es probable que encontremos una menor distancia entre sexos en el segundo gráfico pues la unidad familiar aparentemente resuelve la distribución equitativa según los ingresos per cápita pero, en realidad, esconde una distribución inequitativa de las tareas de reproducción y las dificultades asociadas que tienen las mujeres para participar de forma plena en el mercado de trabajo.

Promedio por región y sexo

Habiendo identificado algunos patrones respecto a los ingresos argentinos, estamos en condiciones de pensar si el sexo representa un factor importante en la implementación de políticas sociales desde el Estado argentino.

A los fines de sintetizar el análisis, se recurrió al agrupamiento de provincias en regiones para calcular los promedios de titulares de la Tarjeta Alimentar distinguidos por sexo según DNI.

Nos traemos el dataset de titulares de la Tarjeta Alimentar del Ministerio de Desarrollo Social.

titulares <- read.csv("Titulares_Tarjeta_Alimentar-20210601.csv", encoding = "UTF-8")

Exploremos sus variables.

glimpse(titulares)

## Rows: 2,320,569
## Columns: 6
## $ id_persona                <chr> "1DE45914-9E68-4788-8DD1-34CCA2E4BBFE", "574~
## $ sexo                      <chr> "M", "F", "F", "F", "F", "F", "F", "F", "F",~
## $ codigo_indec_provincia    <dbl> 30, 82, 30, 82, 6, 6, 6, 14, 6, 6, 6, 50, 62~
## $ provincia                 <chr> "Entre R<U+FFFD>os", "Santa Fe", "Entre R<U+FFFD>os", "San~
## $ codigo_indec_departamento <dbl> 30049, 82063, 30091, 82063, 6539, 6497, 6868~
## $ departamento              <chr> "Gualeguay", "La Capital", "Tala", "La Capit~

Calculamos la cantidad de titulares por sexo y provincia.

sexo_prov <- titulares %>% 
  count(sexo, provincia, sort = F)%>% 
  rename(cantidad = n) %>% 
  group_by(sexo)

#Editamos los campos de provincias mal procesados

unique(sexo_prov$provincia)

##  [1] ""                       "Buenos Aires"           "C<U+FFFD>rdoba"        
##  [4] "Catamarca"              "Chaco"                  "Chubut"                
##  [7] "Ciudad de Buenos Aires" "Corrientes"             "Entre R<U+FFFD>os"     
## [10] "Formosa"                "Jujuy"                  "La Pampa"              
## [13] "La Rioja"               "Mendoza"                "Misiones"              
## [16] "Neuqu<U+FFFD>n"         "R<U+FFFD>o Negro"       "Salta"                 
## [19] "San Juan"               "San Luis"               "Santa Cruz"            
## [22] "Santa Fe"               "Santiago del Estero"    "Tierra del Fuego"      
## [25] "Tucum<U+FFFD>n"

sexo_prov[sexo_prov == "Entre R�os"] <- "Entre Ríos"
sexo_prov[sexo_prov == "C�rdoba"] <- "Córdoba"
sexo_prov[sexo_prov == "R�o Negro"] <- "Río Negro"
sexo_prov[sexo_prov == "Neuqu�n"] <- "Neuquén"
sexo_prov[sexo_prov == "Tucum�n"]<- "Tucumán"
sexo_prov[sexo_prov == ""]<- "S/D"

unique(sexo_prov$provincia)

##  [1] "S/D"                    "Buenos Aires"           "C<U+FFFD>rdoba"        
##  [4] "Catamarca"              "Chaco"                  "Chubut"                
##  [7] "Ciudad de Buenos Aires" "Corrientes"             "Entre R<U+FFFD>os"     
## [10] "Formosa"                "Jujuy"                  "La Pampa"              
## [13] "La Rioja"               "Mendoza"                "Misiones"              
## [16] "Neuqu<U+FFFD>n"         "R<U+FFFD>o Negro"       "Salta"                 
## [19] "San Juan"               "San Luis"               "Santa Cruz"            
## [22] "Santa Fe"               "Santiago del Estero"    "Tierra del Fuego"      
## [25] "Tucum<U+FFFD>n"

Generamos una variable llamada “region” para agrupar las provincias por regiones.

sexo_prov <- sexo_prov %>% 
    mutate(region = case_when(provincia == "Buenos Aires"  ~ 'Pampeana', 
          provincia == "Ciudad de Buenos Aires"  ~ 'Pampeana', 
          provincia == "Catamarca"  ~ 'NOA', 
          provincia == "Chaco"  ~ 'NEA', 
          provincia == "Chubut"  ~ 'Patagonia', 
          provincia == "Córdoba"  ~ 'Pampeana', 
          provincia == "Corrientes"  ~ 'NEA', 
          provincia == "Entre Ríos"  ~ 'Pampeana', 
          provincia == "Formosa"  ~ 'NEA', 
          provincia == "Jujuy"  ~ 'NOA', 
          provincia == "La Pampa"  ~ 'Pampeana', 
          provincia == "La Rioja"  ~ 'NOA', 
          provincia == "Mendoza"  ~ 'Cuyo', 
          provincia == "Misiones"  ~ 'NEA',
          provincia == "Neuquén"  ~ 'Patagonia', 
          provincia == "Río Negro"  ~ 'Patagonia', 
          provincia == "Salta"  ~ 'NOA', 
          provincia == "San Juan"  ~ 'Cuyo', 
          provincia == "San Luis"  ~ 'Cuyo', 
          provincia == "Santa Cruz"  ~ 'Patagonia', 
          provincia == "Santa Fe"  ~ 'Pampeana', 
          provincia == "Santiago del Estero"  ~ 'NOA', 
          provincia == "Tierra del Fuego"  ~ 'Patagonia', 
          provincia == "Tucumán"  ~ 'NOA'))

unique(sexo_prov$region)

## [1] NA          "Pampeana"  "NOA"       "NEA"       "Patagonia" "Cuyo"

Calculamos el promedio de titulares por sexo y por región.

sexo_region <- sexo_prov %>% 
  group_by(sexo, region) %>% 
  summarise(promedio_region = mean(cantidad))

head(sexo_region)

## # A tibble: 6 x 3
## # Groups:   sexo [1]
##   sexo  region    promedio_region
##   <chr> <chr>               <dbl>
## 1 F     Cuyo               55929.
## 2 F     NEA                73583.
## 3 F     NOA                50634.
## 4 F     Pampeana          261718 
## 5 F     Patagonia          10864.
## 6 F     <NA>               63500

Pivoteamos la tabla resumen para hacer un gráfico lollipop.

datos_anch <- sexo_region %>% 
  pivot_wider(       
  names_from = "sexo",    #variable cuyos valores van a pasar a ser los nombres de columnas
  values_from = "promedio_region") %>% 
  rename(Mujeres=F, Varones=M, Region = region) %>% 
  na.omit()

head(datos_anch)

## # A tibble: 5 x 3
##   Region    Mujeres Varones
##   <chr>       <dbl>   <dbl>
## 1 Cuyo       55929.   4066.
## 2 NEA        73583.   4155.
## 3 NOA        50634.   2445.
## 4 Pampeana  261718   18834.
## 5 Patagonia  10864.    963.

En el Gráfico 3, encontramos algunas distancias considerables en las regiones, donde por ejemplo, la pampeana tiene un promedio de 261718 titulares mujeres registradas contra 18833 varones. Mientras que la región que presenta la menor distancia se encuentra en la Patagonia, donde un promedio de 10864 titulares son mujeres mientras que un 963 son varones. Las regiones de cuyo, nordeste y noroeste argentinos muestran distancias similares entre ambos sexos.

#Gráfico estático

p_sexo_region <- ggplot(datos_anch)+
  geom_segment(
       aes(x = Varones,
           y = Region,
           xend = Mujeres,
           yend = Region), 
           color = "gray50",
       size = 1)+
  geom_point(aes(x=Varones, y=Region), color="#32a89b", size =4) +
  geom_point(aes(x=Mujeres, y=Region), color="#9D2ADB", size =4) +
  labs(x="", y="", 
       title = "Gráfico 3: Promedio de titulares de la Tarjeta Alimentar",
       subtitle = "Según sexo y región",
       caption = "Fuente: Ministerio de Desarrollo Social de la Nación")+
  theme_modern_rc()+
    theme(plot.title = element_text(hjust = 0.5),
          plot.subtitle = element_text(hjust = 0.5),
          axis.text.x = element_text(angle = 45, vjust = 0.5, hjust=1))+
  scale_x_continuous(breaks=seq(0,250000,by=10000))

#Gráfico interactivo

plotly_sexo_region <- ggplotly(p_sexo_region) %>% layout(title = list(text = paste0('Gráfico 3: Promedio de titulares de la Tarjeta Alimentar','<br>', '<sup>', 'Según sexo y región', '</sup>')))

plotly_sexo_region

Relación entre titulares y población por provincia

Si quisiéramos dejar el sexo por fuera del análisis, podríamos prestar atención al despliegue territorial de la Tarjeta Alimentar. En este caso, tomamos la relación entre la cantidad de titulares y la población de cada provincia estimada para este año. De esa forma, podremos visualizar por medio de un mapa la concentración de titulares a lo largo del país.

Calculamos la cantidad de titulares por provincia en términos absolutos.

titulares_prov <- titulares %>% 
  group_by(provincia, id = codigo_indec_provincia) %>% 
  summarise(cantidad = n())

head(titulares_prov)

## # A tibble: 6 x 3
## # Groups:   provincia [6]
##   provincia         id cantidad
##   <chr>          <dbl>    <int>
## 1 ""                NA      143
## 2 "Buenos Aires"     6   880387
## 3 "C<U+FFFD>rdoba"         14   176784
## 4 "Catamarca"       10    24145
## 5 "Chaco"           22    96498
## 6 "Chubut"          26    20056

Importamos una tabla con indicadores del Ministerio de Economía

indicadores <- read.csv("https://www.economia.gob.ar/catalogo-sspmi/nuevo_dataset/indicadores-provinciales.csv", encoding = "UTF-8")

Seleccionamos las variables que necesitamos y renombremos la columna de código de INDEC para poder cruzarlo con los datos de lxs titulares.

glimpse(indicadores)

## Rows: 13,203
## Columns: 14
## $ sector_id                 <int> 99, 99, 99, 99, 99, 99, 99, 99, 99, 99, 99, ~
## $ sector_nombre             <chr> "Indicadores Provinciales", "Indicadores Pro~
## $ variable_id               <int> 983, 983, 983, 983, 983, 983, 983, 983, 983,~
## $ actividad_producto_nombre <chr> "Mortalidad General", "Mortalidad General", ~
## $ indicador                 <chr> "Tasa", "Tasa", "Tasa", "Tasa", "Tasa", "Tas~
## $ unidad_de_medida          <chr> "por 1.000 habitantes", "por 1.000 habitante~
## $ fuente                    <chr> "MSAL", "MSAL", "MSAL", "MSAL", "MSAL", "MSA~
## $ frecuencia_nombre         <chr> "Anual", "Anual", "Anual", "Anual", "Anual",~
## $ cobertura_nombre          <chr> "Nacional", "Nacional", "Nacional", "Naciona~
## $ alcance_tipo              <chr> "PAIS", "PAIS", "PAIS", "PAIS", "PAIS", "PAI~
## $ alcance_id                <int> 200, 200, 200, 200, 200, 200, 200, 200, 200,~
## $ alcance_nombre            <chr> "Argentina", "Argentina", "Argentina", "Arge~
## $ indice_tiempo             <chr> "1980-01-01", "1981-01-01", "1982-01-01", "1~
## $ valor                     <dbl> 8.6, 8.4, 8.0, 8.5, 8.5, 7.9, 7.8, 8.0, 8.1,~

unique(indicadores$actividad_producto_nombre)

## [1] "Mortalidad General"              "Mortalidad Infantil"            
## [3] "Mortalidad Materna"              "Natalidad"                      
## [5] "PBG Total"                       "Poblaci<f3>n"                   
## [7] "Sector Privado no financiero"    "Sector P<fa>blico no financiero"

poblacion_prov <- indicadores %>% 
  select(variable_id, actividad_producto_nombre, id = alcance_id, provincia = alcance_nombre, indice_tiempo, valor) %>% 
  filter(variable_id == 1047, indice_tiempo == "2021-01-01")

unique(poblacion_prov$actividad_producto_nombre)  

## [1] "Poblaci<f3>n"

Ya filtrada la información, traemos las proyecciones poblacionales de las provincias a nuestro dataset de titulares.

titulares_prov <- titulares_prov %>% left_join(.,poblacion_prov, by = "id") %>% 
  select(-variable_id, -actividad_producto_nombre, indice_tiempo)

Ahora importemos las coordenadas geográficas de las provincias.

provincias <- st_read("https://github.com/idera/Polymaps-Argentina/raw/master/provincias.json")

## Reading layer `provincias' from data source 
##   `https://github.com/idera/Polymaps-Argentina/raw/master/provincias.json' 
##   using driver `GeoJSON'
## Simple feature collection with 25 features and 9 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -73.57414 ymin: -55.04735 xmax: -53.64004 ymax: -21.77775
## Geodetic CRS:  WGS 84

provincias <- provincias[-c(18),] # Eliminamos el doble registro de Entre Rios

glimpse(provincias)

## Rows: 24
## Columns: 10
## $ perimeter  <dbl> 2708.859, 372318.000, 919800.000, 917102.000, 842611.000, 6~
## $ vista      <chr> "mtf", "mju", "msal", "mfor", "mch", "mca", "mse", "mmis", ~
## $ provincia  <chr> "Tierra del Fuego", "Jujuy", "Salta", "Formosa", "Chaco", "~
## $ objectid   <int> 40, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, ~
## $ prov       <int> 94, 38, 66, 34, 22, 10, 86, 54, 90, 18, 46, 82, 70, 14, 30,~
## $ provif3_   <dbl> 41, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17,~
## $ ogc_fid    <int> 40, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, ~
## $ provif3_id <dbl> 40, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, ~
## $ bounds     <list> <-67.52690, -54.86837, -67.51314, -54.86249>, <-67.22527, ~
## $ geometry   <MULTIPOLYGON [°]> MULTIPOLYGON (((-64.16704 -..., MULTIPOLYGON (~

provincias <- provincias %>% 
  rename(id = prov)

Cruzamos los datos para poder generar nuestra visualización.

titulares_prov <- left_join(provincias, titulares_prov, by ="id")

head(titulares_prov)

## Simple feature collection with 6 features and 14 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -69.09714 ymin: -55.04735 xmax: -57.56119 ymax: -21.77775
## Geodetic CRS:  WGS 84
##    perimeter vista        provincia objectid id provif3_ ogc_fid provif3_id
## 1   2708.859   mtf Tierra del Fuego       40 94       41      40         40
## 2 372318.000   mju            Jujuy        1 38        2       1          1
## 3 919800.000  msal            Salta        2 66        3       2          2
## 4 917102.000  mfor          Formosa        3 34        4       3          3
## 5 842611.000   mch            Chaco        4 22        5       4          4
## 6  62844.000   mca        Catamarca        5 10        6       5          5
##                                       bounds      provincia.x cantidad
## 1 -67.52690, -54.86837, -67.51314, -54.86249 Tierra del Fuego     4643
## 2 -67.22527, -24.61203, -64.15590, -21.77775            Jujuy    47882
## 3 -68.57759, -26.39762, -62.34503, -21.99618            Salta    96410
## 4 -62.34824, -26.86951, -57.56119, -22.45427          Formosa    46072
## 5 -63.42833, -27.99944, -58.36441, -24.09248            Chaco    96498
## 6 -69.09714, -30.12182, -64.82540, -25.15194        Catamarca    24145
##        provincia.y indice_tiempo   valor                       geometry
## 1 TIERRA DEL FUEGO    2021-01-01  177697 MULTIPOLYGON (((-64.16704 -...
## 2            JUJUY    2021-01-01  779212 MULTIPOLYGON (((-64.44452 -...
## 3            SALTA    2021-01-01 1441988 MULTIPOLYGON (((-64.44452 -...
## 4          FORMOSA    2021-01-01  610019 MULTIPOLYGON (((-62.34531 -...
## 5            CHACO    2021-01-01 1216247 MULTIPOLYGON (((-62.34824 -...
## 6        CATAMARCA    2021-01-01  418991 MULTIPOLYGON (((-66.59192 -...

paleta <- colorNumeric(palette = "viridis", domain = titulares_prov$cantidad / titulares_prov$valor, reverse = T)

m_titulares_prov <- leaflet(titulares_prov) %>% 
    addProviderTiles(providers$CartoDB.DarkMatter) %>%
    addPolygons(popup = ~paste("Provincia:", provincia.y, "</br>Ratio:", as.character(cantidad/valor)), 
                fillColor = ~paleta(cantidad/valor),
                weight = 0,
                fillOpacity = 0.9) %>% 
  addPolylines(color = "white", weight = 0.6) %>% 
 addLegend(pal = paleta, values = titulares_prov$cantidad / titulares_prov$valor,
            title = "Ratio titulares/poblacion",
            opacity = 1)

Gracias a la interactividad aquí podemos detectar una clara división entre el norte y el sur: aquellas provincias con mayor ratio titulares/población son Chaco, Santiago del Estero, Formosa, Corrientes y Misiones (mayor o igual a 0.06) mientras que las provincias que arrojan menor ratio son Tierra del Fuego, Santa Cruz y Chubut (menor o igual a 0.03).

Gráfico 4. Mapa interactivo sobre la relación entre la cantidad de titulares de la Tarjeta Alimentar y la población proyectada en cada pronvincia.

m_titulares_prov