Ponente
Descripción
Resumen
El presente trabajo tiene como objetivo indagar en torno a la relación que existe entre indicadores de pobreza y calidad de vida, construidos principalmente a partir de los últimos datos censales disponibles, y la distribución de la población indígena reconocida oficialmente. Se trata de un análisis nacional a escala departamental, que pretende explorar información cuantitativa para la construcción de hipótesis sobre el complejo proceso de invisibilización, la obstaculización del autoreconocimiento de la población originaria en Argentina, así como el rol del Estado y las políticas públicas asociadas en la construcción o perpetuación de tales situaciones.
En cuanto a la distribución de la población que se autorreconoce indígena, es preciso resaltar que existe una controversia sobre los datos reconocidos oficialmente, fundada en el subregistro propio del método de relevamiento por muestreo utilizado para esta variable en el último censo del país (INDEC, 2010), a partir del cual se proyectaron los datos relevados en las ciudades con menos de 50.000 habitantes y en una muestra del 10% de las viviendas localizadas en las ciudades con más de 50.000. Según estos resultados, el número total de población indígena en Argentina asciende a 955.032 personas; si bien hay consenso sobre que el número sería significativamente mayor, se trata de las cifras oficiales más actuales con las que se cuenta y amerita considerarlas para el estudio que aquí se pretende.
Mapa 1. Población indígena por departamento, 2010 (%)
Fuente: elaboración personal en base a INDEC (2010)
El indicador de pobreza utilizado para el pretendido análisis está basado en el concepto de pobreza crónica, construido a partir de la idea de vulnerabilidad ya que define como pobres crónicos al 10% de la población argentina con mayor vulnerabilidad (Gasparini et al, 2019). Si bien, desde el posicionamiento teórico que subyace en el presente trabajo, no se acuerda con la idea de perpetuación insuperable de la situación de pobreza que subyace en el concepto de cronicidad, se considera que captar la situación estructural de condiciones de pobreza a partir de variables que den cuenta de contextos extremadamente vulnerables, puede ser de utilidad a los fines de identificar aquellos departamentos que exigen transformaciones socioeconómicas más profundas para salir de la situación de precariedad en la que se vive. Sintéticamente, el cálculo de pobreza crónica utilizado involucra los siguientes pasos (Gasparini et al, 2020):
1. Identificar un conjunto de variables potencialmente asociadas a la situación de pobreza de ingreso, presentes tanto en la Encuesta Permanente de Hogares (EPH) como en el Censo (ej. educación de los miembros del hogar, edad, género, conformación familiar, etc.)
2. Estimar un modelo econométrico de pobreza en función de esas variables con datos de la EPH en cada semestre desde 2003 a 2018.
3. Aplicar los parámetros estimados de esos modelos para predecir la probabilidad de haber sido pobre de cada hogar i observado en el Censo en cada semestre.
4. Identificar para cada hogar i en el Censo el valor mínimo (pim) del conjunto de probabilidades estimadas en el paso anterior.
5. Ordenar a los hogares de todo el Censo de acuerdo a su valor de pim.
6. Definir como pobres crónicos al 10% de hogares con los mayores valores de pim. Una vez clasificados los hogares de esta forma, es posible computar la tasa de pobreza crónica de cada unidad geográfica (provincias, departamentos, radios censales).
De este modo, se puede acceder a los resultados, cuyos autores los clasifican según conteo por nivel de incidencia de pobreza crónica, estableciendo las siguientes clases: Muy bajo (0 - 0,9%); Bajo (1 - 4,99%); Moderado (5 - 9,99%); Alto (10 - 14,99%); Muy alto (15 - 24,99%); Crítico (25 - 100%).
Mapa 2. Pobreza crónica por departamento, 2010
Fuente: elaboración personal en base a Gasparini et al (2021)
Para una primera aproximación exploratoria se realizó una regresión lineal global de mínimos cuadrados ordinarios (Ordinary Least Squares OLS). Este método se utiliza para generar predicciones o modelar una variable dependiente en términos de sus relaciones con un conjunto de variables explicativas; como todo análisis de regresión permite modelar, examinar y explorar relaciones espaciales y puede ayudar a explicar los factores detrás de los patrones espaciales observados. Con este procesamiento se pretende analizar si se puede o no establecer una relación entre los departamentos que se encuentran en la peor situación de condiciones de pobreza y la presencia de población que se autorreconoce indígena, bajo la hipótesis de que la vulneración de los derechos territoriales de los pueblos indígenas constituye la matriz de una historia de despojo, lo cual puede estar directamente vinculado a las situaciones de desventaja que estos padecen.
Se consideró como variable independiente a la proporción de población que por departamento se autorreconoce indígena, mientras que como variable explicativa se consignó a la proporción de personas con pobreza crónica para esa misma unidad administrativa. El diagrama de dispersión representa la relación entre la variable explicativa y la variable dependiente, en donde fuertes relaciones aparecen como diagonales y la dirección de la inclinación indica si la relación es positiva o negativo. Tal como se observa a continuación la pendiente de la recta de regresión es positiva, sin embargo los resultados obtenidos no permiten afirmar que exista una correlación, ya que el análisis arroja un valor de R2 igual a 0,04.
(Diagrama1)
Cabe indicar que se observa en los datos una cantidad significativa de departamentos con baja proporción de población indígena, evidenciado en la nube de puntos hacia la base del gráfico, lo cual obstaculiza el análisis global de los datos y opaca la relación de las variables en aquellas situaciones en las que la población en estudio es mayor. Otro señalamiento importante es que este tipo de métodos posee una alta sensibilidad a valores extremos. Tal como podemos observar en el mapa de valores residuales, los extremos coinciden con departamentos que presentan situaciones opuestas: alta proporción de población indígena con condiciones de pobreza crítica o muy alta y muy baja o baja, respectivamente.
Mapa 3. Valores residuales OLS (Población indígena – Pobreza crónica)
Fuente: elaboración personal
Si bien el indicador de pobreza crónica aparece como representativo para evidenciar de manera precisa a la población con carencias económicas persistentes en el tiempo, para estudiar si existe una relación entre estas situaciones de vulnerabilidad y la distribución de población indígena en Argentina, resulta tal vez más interesante la posibilidad de incorporar en el análisis dimensiones socioeconómicas y ambientales que otorguen una perspectiva geográfica más amplia, ya que, en coincidencia con Celemin (2012), las diferencias territoriales son un reflejo de las inequidades de la población dentro de una sociedad definida temporal y espacialmente, por lo que la contribución empírica que puede realizarse desde la ciencia geográfica consiste en reconocer que la localización en el espacio tiene mucha importancia en las condiciones de vida de las personas.
Amerita entonces replicar el mismo análisis con una indicador que cumpla con tal multidimensionalidad. El Índice de Calidad de Vida (Velázquez et al, 2015; Velázquez, 2019), incluye dimensiones socioeconómicas y ambientales; en relación a las primeras se consideraron datos vinculados con indicadores como la educación, la salud o la vivienda, en cuanto a los denominados ambientales, se atiende por un lado a los clásicos problemas que pueden tener impacto negativo sobre el bienestar de la población residente –como inundabilidad, sismicidad, asentamientos precarios o contaminación- y, por otro, lo que denominan ‘recursos recreativos’ –que pueden ser ‘de base natural’, como las playas, relieves, balnearios o espacios verdes, o ‘socialmente construidos’, es decir, teatros, centros deportivos u otras actividades de esparcimiento- como algo que favorece una mejor calidad de vida. Se ponderan así los resultados y se establece un valor para cada departamento, en donde, los valores más bajos se asocian a una menor calidad de vida, mientras los más elevados implican mejores condiciones. En este caso fueron definidas cinco categorías según cantidad de hogares por nivel de calidad de vida: Muy baja calidad de vida; Baja calidad de vida; Calidad de vida media; Calidad de vida alta; Muy alta calidad de vida (Velázquez et al, 2021)
Mapa 4. Índice de Calidad de Vida por departamento, 2010
Fuente: elaboración personal en base a Velázquez et al (2021)
Se procede entonces a realizar el mismo análisis de correlación que se ejecutó con la variable anteriormente presentada, a fin de cotejar su comportamiento en relación a la población indígena. En este caso los resultados arrojaron similares valores; si bien el R2 es levemente superior (0,07), la recta presenta una pendiente negativa, lo cual indica que no hay correlación. Lógicamente los señalamientos realizados con el indicador anterior se repiten, presentando la nube de puntos con valores poco significativos en la base del gráfico y datos extremos con situaciones opuestas en los valores residuales.
(Diagrama2)
Sin embargo, resulta importante señalar que del total de población indígena del país, el 26% se encuentra en departamentos que presentan un nivel de calidad de vida bajo o muy bajo, mientras que ese valor para el total nacional es de 18%. Tal evidencia obliga a profundizar el análisis explorando el comportamiento de este ICV en relación a la población indígena clave regional, ya que, tal como se observa en la tabla a continuación, en todas las regiones del país la población indígena habita mayoritariamente en departamentos con peores niveles de calidad de vida, alcanzando diferencias proporcionales muy altas como en el caso de NEA y NOA.
Tabla 1. Proporción de población indígena y total por regiones, según situación departamental de ICV
Fuente: elaboración personal en base a INDEC (2010) y Velázquez et al (2021)
Si bien el análisis de correlación no arrojó resultados positivos es evidente que existe una vinculación entre las variables, aunque no hay condiciones para generalizar un comportamiento lineal en todo el territorio nacional. Sin dudas, una continuidad de este análisis debe contemplar un estudio a mayor escala, que permita conocer el comportamiento de tales variables al interior de los departamentos, así como un análisis diferencial por región a fin de esbozar hipótesis particulares sobre la situación de precariedad de las condiciones de vida de la población indígena.
Palabras clave: pobreza; calidad de vida; población indígena; correlación
Bibliografía
Celemín, J. (2012): Asociación espacial entre fragmentación socioeconómica y ambiental en la ciudad de Mar del Plata, Argentina. Eure, 38, 33-51.
Gasparini Leonardo (CEDLAS-UNLP), Gluzmann Pablo (CEDLAS-UNLP), Tornarolli
Leopoldo (CEDLAS-UNLP), Díaz Langou Gala (CIPPEC), Florito José (CIPPEC), della Paolera Carola (CIPPEC), Tuñón Ianina (ODSA-UCA) y Márquez Agustina (ODSA-UCA) (2020). Pobreza crónica. Recuperado el 7 de agosto, 2021, de https://mapa.poblaciones.org/map/42901
Gasparini, L., P. Gluzmann y L. Tornarolli. (2019). Pobreza Crónica en Datos de Corte Transversal: Estimaciones para Argentina. Documentos de Trabajo del CEDLAS Nº 252, Octubre, 2019, CEDLAS-Universidad Nacional de La Plata. Este trabajo fue realizado en el marco de un proyecto conjunto con CIPPEC y PNUD.
Guillermo Velázquez, Santiago Linares, Juan Pablo Celemin, Fernando Manzano, Adela Tisnés y María Eugenia Arias (2021). Índice de Calidad de Vida a escala departamental. Recuperado el 7 de agosto, 2021, de https://mapa.poblaciones.org/map/69101
INDEC (2010). Censo nacional de Población, Hogares y Viviendas.
Velázquez, G. (2019). Geografía y cambios en la calidad de vida de los argentinos_ una perspectiva territorial a la luz del siglo XXI. Punto Sur, 1 (1).
Velázquez, G.; Celemín, J.P.; Mikkelsen, C.; Linares, S. (2015). Geografía y calidad de vida en la Argentina del Bicentenario. Acta Geográfica, 9 (20).
