índice de pobreza multidimensional aplicado a una comunidad

ÍNDICE DE POBREZA MULTIDIMENSIONAL APLICADO A UNA
COMUNIDAD WICHÍ DE GENERAL BALLIVIÁN1
ABEL MENDILAHARZU* – IELDE - Universidad Nacional de Salta –
abelmaraoz@hotmail.com
CAROLINA PISELLI*– IELDE e IIE - Universidad Nacional de Salta –
caro.piselli@gmail.com
PABLO ALEJANDRO PAGANI* – IIE - Universidad Nacional de Salta –
papagani@hotmail.com
RESUMEN
El objetivo de este trabajo es aplicar un índice de pobreza multidimensional específico para una
comunidad de pueblos originarios de la Provincia de Salta.
La población objeto de estudio es la comunidad Wichí que se encuentra en General Ballivián,
Departamento San Martín, ubicado al norte de la Provincia, la cual consta de aproximadamente 100
hogares constituidos por más de 600 individuos.
Para el cálculo del Índice se utilizan datos procedentes del formulario F1 de Atención Primaria de la
Salud, relevado por el Ministerio de Salud de Salta. Se construyó una base de datos a partir de la
información que se puede extraer de dichos formularios, los cuales indagan sobre variables que
corresponden a atributos socioeconómicos de la comunidad.
Se realiza una breve revisión de la bibliografía relacionada a la medición de la pobreza
multidimensional, como así también, se tienen en cuenta aspectos específicos de aplicar el enfoque
a comunidades de pueblos originarios. A partir de esto, se definen los indicadores que conforman
cada dimensión del Índice, para finalmente computarlo.
Palabras Claves: Análisis Multivariado, Pobreza Multidimensional, Comunidades de
pueblos originarios
1
En el marco del Proyecto "In´Lakech" "Yo soy otro Tu"- Construcción participativa de una Estrategia de
Educación Alimentaria Nutricional y Educación para la Salud, en Comunidades Wichi de Gral. Ballivián,
Salta, 2012" Programa de Proyectos de Extensión Universitaria con participación Estudiantil, Resolución CD
Nº 279/12. Facultad de Ciencias de la Salud. UNSa.
* Se agradece la colaboración incondicional de Gabriela Alfaro, Julio Ibarra, y Gustavo Villafañe, alumnos de
la licenciatura en Economía, así como también a Elisabeth Ferrer, Ana Soruco y María Silvia Valdivieso y a
todo el equipo del Proyecto In´Lakech.
1. Introducción
El estudio de la pobreza a través de la variable monetaria permite tener una buena aproximación de
la situación de una sociedad, ya que la renta de los hogares resume, en buena medida, la posibilidad
de realizar ciertos gastos básicos para lograr vivir con lo esencial. Si bien este enfoque resulta
práctico, durante los últimos años viene tomando fuerza el estudio de la pobreza desde una
perspectiva multidimensional. Los avances en la recolección y procesamientos de datos, ponen a
disposición información más detallada sobre las diversas dimensiones que caracterizan a la pobreza.
Adicionalmente, logra captar atributos de los hogares pobres que el estudio de la pobreza
unidimensional no abarca, como ser, la adquisición de bienes que requieren de un determinado
período de ahorro (principalmente referido a la infraestructura de la vivienda: heladera, cocina,
pisos, techos, etc.).
Por otro lado, siguiendo a Cid, 2013, el Censo Nacional de Población, Hogares y Viviendas 2001
del Instituto Nacional de Estadística y Censos (INDEC) fue el primer censo argentino que abordó el
tema indígena, nunca antes tratado; además si se tienen en cuenta los resultados del Censo 2010,
mirando el porcentaje de hogares con algún miembro aborigen respecto al total de hogares, Salta
ocupa el quinto lugar, la cifra llega casi al 8 por ciento de los hogares (Cid, 2013). De esta manera,
encontrar personas pertenecientes a los pueblos originarios sería relativamente más frecuente en
Salta que en otras provincias como Córdoba o Santa Fe. Al analizar datos del Censo 2001, Cid
muestra que con excepción de San Luis, la pobreza en todas las jurisdicciones afectaba más a los
hogares con algún miembro perteneciente a pueblos originarios que a los hogares que no tenían esta
característica.
Respecto a los datos del Censo 2010, el autor resalta que la información divulgada hasta el
momento es acotada y no permite conocer la incidencia de la pobreza en hogares aborígenes,
aunque si permite analizar algunos indicadores que dan cuenta de ciertas mejoras, sin embargo,
parece mantenerse la brecha en detrimento de los hogares con miembros pertenecientes a
comunidades de pueblos originarios.
En este sentido, el cálculo de un índice de pobreza multidimensional para la comunidad Wichí de
General Ballivián, busca aportar información sobre la situación de pobreza de estas comunidades,
teniendo en cuenta que con la información disponible resulta imposible complementar con una
medida de pobreza por ingresos.
Además, el objetivo de calcular un índice de pobreza multidimensional para comunidades de
pueblos originarios Wichí, busca también, dar a esta comunidad “visibilidad”. Las comunidades de
pueblos originarios, en general, enfrentan privaciones extremas, que son ignoradas y muchas veces
desconocidas por el resto de la sociedad. Dentro de estas privaciones urge determinar cuáles son las
más relevantes, y la obtención de medidas de este tipo son necesarias como guías para la
implementación de políticas específicas para estos sectores de la sociedad.
Todos estos aspectos son relevantes en el intento de conocer más sobre los sectores más vulnerables
de la sociedad, o como Martínez-Restrepo et al (2013) lo ha denominado, conocer más sobre los
frutos más difíciles de alcanzar del progreso.
Este trabajo se estructura de la siguiente manera, en la segunda sección se describe a la Población
de estudio y se presenta la fuente de datos; la tercera sección se dedica al enfoque Multidimensional
de la Pobreza; en la cuarta se expone lo referente al cálculo del índice de pobreza multidimensional
para la comunidad Wichí de General Ballivián (IPMW) y finalmente en la quinta, se realizan
algunos comentarios finales.
2
2. Población de estudio y fuente de datos
Este trabajo se centra en el estudio de una población constituida por un grupo de misiones
pertenecientes a la comunidad Wichí, que habitan en General Ballivián, ubicado al norte de la
Provincia de Salta, en el Departamento San Martín.
Las misiones en cuestión son las de Pastor Cenillosa, Ballivián, Quebrachal y Tres Lapachos, se
trata de 86 hogares conformados por más de 600 individuos, con un promedio de 7 individuos por
hogar; valor significativamente más alto que en el resto de las poblaciones del país. Aunque existe
cierta heterogeneidad en la conformación de los mismos, con hogares conformados por un solo
habitante pero también otros de 10 u 11 individuos. Los hogares con 5, 6 y 7 individuos representan
la mitad del total.
Por otro lado, es una población joven, en la que el 54% de la misma son niños menores de 15 años.
Esto implica que la base de la pirámide poblacional engloba la mayor parte de la población,
habiendo cada vez menos individuos a medida que la edad crece. Apenas el 10% de la población es
mayor de 40 años.
El nivel educativo (Cuadro 1) es bajo, siendo la población con educación secundaria casi nula.
Asisten o han asistido a primaria el 80% de la población, sin embargo la mitad de estos individuos
no la concluye. La tasa de analfabetismo es alta si se compara con la lograda por la población
general.
Cuadro 1: Nivel Educativo de las comunidades Wichí de Gral. Ballivián
secundaria completa
secundaria incompeta
primaria completa
primaria incompleta
analfabeto
Población mayor
0.0%
10.0%
20.0%
30.0%
40.0%
50.0% de 5 años
Fuente: Elaboración propia en base a Formulario 1 de Atención Primaria de la Salud, relevada por el Ministerio de Salud de Salta.
En cuanto a la dimensión laboral, sólo se cuenta con datos sobre dos variables relacionadas con la
informalidad laboral; esto se debe a que el formulario F1, como se explicará más adelante, no fue
diseñado para captar dicha dimensión. Por ejemplo, se evidencia una cuasi inexistencia de obra
social (sólo el 4% de la población cuenta con obra social).
La fuente de datos la constituye la planilla F1 de Atención Primaria de la Salud, relevada por el
Ministerio de Salud de Salta. El procedimiento de captación consiste en abrir una planilla por cada
hogar detectado, para relevar el hogar, se considera las personas que comparten los gastos de
alimentación. El agente sanitario obtiene información de la zona que le fue asignada de manera
continua, una vez por trimestre. Esto implica que por año se realizan cuatro rondas y cada
3
formulario cuenta con información a lo largo de dos años. En este trabajo se optó por trabajar un
corte transversal en la ronda 5, que considera los meses de enero a marzo de 2012, principalmente
por ser una ronda con buena captación de los datos.
El formulario consta de un encabezamiento donde se encuentran todos los datos de identificación
como por ejemplo la localidad, Área operativa, N° casa y familia, Nombre del agente sanitario,
entre otros.
La estructura general del formulario es: 1) Cuadro en donde se vuelca información sobre
condiciones de salud de cada uno de los integrantes del grupo familiar. 2) Cuadro de Factores de
Riesgo sanitario, social y económico, se enumeran doce situaciones que aumentan la vulnerabilidad
del grupo familiar. 3) Cuadro de Saneamiento del medio ambiente y la vivienda, donde se
caracteriza servicios como acceso al agua, desechos de excretas, tratamiento de basura, entre
otras.4) Cuadro Vivienda, destinado a caracterizar el piso, techo y paredes de la misma. 5) Cuadros
que captan información sobre situaciones de embarazos, parto y tres tipos posibles de enfermedades
TBC; Dengue y Chagas Mazza. La planilla no cuenta con información sobre el nivel de ingreso, ni
aspectos laborales, tampoco sobre percepción de algún tipo de subsidio.
3. El Enfoque Multidimensional de la Pobreza
Al indagar sobre las principales líneas de trabajo sobre pobreza desde una perspectiva
multidimensional, que mayor atención están recibiendo en la actualidad, Nuñez (2009) resalta el
aporte de Deutsch y Silber (2005) al discutir el papel que desempeñan el uso de conjunto difusos,
funciones de distancia, la teoría de la información o derivaciones de tipo axiomático seguidas por
Tsui (2002) o Bourguignon y Chakravarty (2003). Estos últimos realizan un importante aporte al
adaptar el conjunto de medidas de Foster, Greer y Thorbecke (FGT) al plano multidimensional,
posibilitando el cumplimiento de un vasto conjunto de axiomas, que lo revisten de gran interés.
Alkire y Foster (2008) se valen de estos aportes de Bourguignon y Chakravarty, al que lo
complementan con una novedosa búsqueda de dimensiones relevantes para medir la pobreza. El
resultado es un índice de pobreza multidimensional que no sólo ha tenido buena acogida en el
ámbito académico durante estos últimos años, sino que actualmente, está sirviendo de base para el
desarrollo de medidas de pobreza multidimensional en China, México y Colombia, entre otros
países. A esto, se le suma el desarrollo de una medida de amplia cobertura mundial denominada
Índice Global de Pobreza Multidimensional, que se aplicó en 109 países en 2011.
Adicionalmente Nuñez, también destaca la utilización de la distancia DP2 de Ivanovic-Pena (1977),
ampliada por Zarzosa (1996)para medir la calidad de vida a partir de batería de indicadores y su
potencialidad para el estudio de la pobreza (Somarriba, 2009).
Al introducirnos en el proceso de selección de una metodología adecuada para el estudio de la
pobreza multidimensional, primero deben considerarse los siguientes aspectos:
Selección de dimensiones
Aunque la selección de las dimensiones que formarán parte del análisis se presume compleja, en la
práctica, en el contexto del enfoque de las capacidades, este tema se encuentra bastante avanzado.
4
En Alkire (2007), se presentan cinco métodos a los que recurren normalmente los investigadores, ya
2
sea escogiendo uno en particular o combinando una selección de ellos . Estos son:
i.
ii.
iii.
iv.
v.
Existencia de datos o por convención
Basado en supuestos:
Consenso público
Seleccionado a través de un proceso de elección participativo
Evidencia empírica respecto a valoraciones de los individuos
A los fines de la presente investigación, se ha optado por la opción de seleccionar las dimensiones
por existencia de datos o por convención. Siguiendo a Alkire (2007), las dimensiones se
seleccionan basadas en su mayoría por conveniencia o convención que se considera como dada por
alguna autoridad, o sencillamente, porque esa es la única información disponible para las
características que requieren el estudio. Justamente, este último caso se ajusta a la presente
investigación, dónde ante la escasez de datos, se recurrió a una fuente alternativa (Formulario F1),
considerando todas las variables existentes en el mismo, a la vez, de armar las dimensiones según
las temáticas, como se explicará en la siguiente sección.
Sistema de Ponderaciones
Una vez que el conjunto de variables ha sido seleccionado, su agregación en un índice compuesto
implica elegir una apropiada estructura de ponderaciones. Este es un punto polémico y muy
debatido por lo difícil de establecer una estructura de ponderaciones de forma objetiva, sin caer en
jucios de valor por parte del investigador, y que a la vez tenga plena aceptación por parte de la
comunidad académica y la sociedad en general. La siguiente cita ilustra esta idea:
Ante cada selección de ponderaciones se debería abrir el cuestionamiento y el debate público. Es
crucial que los juicios que están implícitos en dicha ponderación se realicen de la manera más
clara y comprensible como se pueda, por lo tanto está abierto el escrutinio público.
(Anand y Sen, 1997)
Los métodos para el establecimiento de sistemas de ponderación son abundantes y varían desde los
simples procesos de suma de los bienes no poseídos hasta métodos más complejos que utilizan
técnicas de análisis multivariante, como el análisis de componentes principales o el análisis
factorial.
Así, siguiendo la diferenciación realizada por Navarro y Ayala (2004), se pueden considerar los
siguientes sistemas de ponderación3:
i.
ii.
iii.
iv.
v.
Suma aritmética de los bienes no poseídos
Suma ponderada de los bienes considerados como necesarios
Análisis de Componentes Principales
Modelo de variables latentes
Análisis factorial
2
Para una explicación más detallada de estos métodos, consultar: Alkire, S. (2007). “Choosing Dimensions:
The Capability Approach and Multidimensional”, pág. 10.
3
Para una explicación más detallada de estos métodos, consultar Navarro, C.; Ayala, L. (2004). “La exclusión
de la vivienda en España: una aproximación a través de índices multidimensionales de privación”, pág. 130.
5
vi.
“Fuzzy sets”
A los fines de la presente investigación, se ha optado por aplicar el sistema de ponderaciones que
emplea el Análisis de Componentes Principales, el cual realiza una construcción mediante las ideas
de interdependencia de las preferencias y grupos de referencia. Se busca la combinación lineal de
los indicadores seleccionados, en función de su correlación.
Problemas de identificación y agregación
De acuerdo con Sen (1976), existen dos problemas básicos que debe resolver una metodología de
medición de pobreza: el de identificación y el de agregación. La solución al primero busca
establecer los criterios que serán utilizados para determinar si una persona es pobre o no; el segundo
se resuelve al establecer la forma en que se agregarán las carencias de cada persona para generar
una medida general de pobreza en una población determinada.
En la mayoría de las aplicaciones de las ideas de Sen, la solución al problema de identificación
consiste en adaptar una visión unidimensional a través de una medida de bienestar. Sin embargo,
Bourguignon y Chakravarty (2003) afirman que para el enfoque multidimensional, adicionalmente,
se deben establecer con precisión las dimensiones a considerar, como así también el proceso de
identificación en función de las privaciones que presente la unidad de análisis. Este proceso implica
que la metodología de medición debe establecer criterios para efectuar comparaciones
multidimensionales.
En el contexto actual de estudio de la PMD, posiblemente la metodología de Alkire y Foster (2011)
sea la que goza de mayor reconocimiento, desarrollo teórico y aplicación práctica en la actualidad.
Se destaca su flexibilidad a la hora del proceso de identificación de pobres y lo intuitivo de su
aplicación en la agregación. A continuación, se profundizará en el desarrollo de su metodología, ya
que es la seleccionada para realizar el análisis de datos del presente trabajo:
Método de Alkire y Foster (2011)
Se desarrollan a continuación las características más sobresalientes del método, atendiendo a sus
facetas principales.
Alkire y Foster (2011) proponen una metodología para medir la PMD basada en un enfoque de
conteo que emplea el conjunto de medidas FGT apropiadamente adaptadas al plano
multidimensional.
Identificación
Esta metodología implica el establecimiento de una “línea de corte dual” en el procedimiento de
identificación. En primer lugar, una vez definida las dimensiones de estudio, se fija una línea de
pobreza para cada dimensión. De esta manera, se determina qué hogares son pobres en cada
atributo. Se tiene entonces:
𝑥𝑖𝑗 =
1 𝑠𝑖𝑥𝑖𝑗 < 𝑧𝑗
(1)
0 𝑠𝑖𝑥𝑖𝑗 > 𝑧𝑗
Donde xij es el valor que presenta el hogar i en la dimensión j, y zj es la línea de pobreza que se
establece en cada dimensión j. Se obtiene así xij que es una variable dicotómica que toma el valor
=1 si el hogar i es pobre en la dimensión j.
6
Para registrar las privaciones que sufren los hogares en cada dimensión, se construye la siguiente
matriz g 0 de privaciones:
𝑔𝑖𝑗0 =
1 𝑠𝑖𝑥𝑖𝑗 < 𝑧𝑗
(2)
0 𝑠𝑖𝑥𝑖𝑗 > 𝑧𝑗
De la misma, se desprende la siguiente matriz de brechas normalizadas:
𝑔𝑖𝑗1 =
1 𝑠𝑖
0 𝑠𝑖
𝑧 𝑗 −𝑥 𝑖𝑗
𝑧𝑗
𝑧 𝑗 −𝑥 𝑖𝑗
𝑧𝑗
, 𝑠𝑖𝑒𝑚𝑝𝑟𝑒 𝑞𝑢𝑒 𝑥𝑖𝑗 < 𝑧𝑗
, 𝑠𝑖𝑒𝑚𝑝𝑟𝑒 𝑞𝑢𝑒 𝑥𝑖𝑗 > 𝑧𝑗
(3)
Análisis factorial
Como se indicó anteriormente, al realizar un estudio de PMD, se debe definir cuáles serán las
dimensiones consideradas, y qué ponderación utilizarán. En vistas de estos objetivos, se emplea uno
de los métodos más simples del análisis multivariado, el método de componentes principales. Este
procedimiento comprime la variación/variabilidad existente en un número original de variables
aleatorias utilizando una menor cantidad de números índices o factores. Para esto ajusta una
regresión que vincula las variables originales y otorga puntajes altos a aquellos con mayor nivel en
las variables. Extendiendo el caso a N variables, resulta:
𝑋1 = 𝑎11 𝐹1 + 𝑎12 𝐹2 +
𝑋2 = 𝑎21 𝐹1 + 𝑎22 𝐹2 +
…
𝑋𝑖 = 𝑎𝑖1 𝐹1 + 𝑎𝑖2 𝐹2 +
⋮
𝑋𝑛 = 𝑎𝑛1 𝐹1 + 𝑎𝑛2 𝐹2 +
… + 𝑎1𝑘 𝐹𝑘 + 𝑒1
… + 𝑎2𝑘 𝐹𝑘 + 𝑒2
… + 𝑎𝑖𝑘 𝐹𝑘 + 𝑒𝑖
(4)
… + 𝑎𝑛𝑘 𝐹𝑘 + 𝑒𝑛
Donde X j es una variable aleatoria, (en este caso particular de características medibles), Fj es un
factor, aij son constantes (pues se consideran parámetros, a veces llamados autovalores) y ej
representa la variación en Xj que es independiente del resto de las X-variables.
Resumiendo la notación en (4), se puede expresar:
𝑋 = 𝑎′ 𝐹 + 𝑒 (5)
donde X es un vector nx1, a′ vector 1xn (sin condición inicial de signo), F vector nx1 y e el vector
1xn de errores.
Un tipo de análisis factorial principal consiste en comenzar tomando unos cuantos componentes
principales como factores en los datos que están siendo considerados. Luego, estos factores iniciales
son modificados por una transformación especial llamada “rotación de factores”. Como muestran
Conconi y Ham (2007), entre las ventajas del análisis factorial se destaca el hecho de que no
introduce ningún supuesto sobre la contribución específica de las variables elegidas, ni supone que
son independientes entre sí, además de permitir disponer de indicadores sobre la confiabilidad del
índice, algo que no es posible obtener con otros índices.
A partir del análisis factorial se obtienen las ponderaciones correspondientes a cada dimensión.
Cada puntaje, es asignado a la matriz de brechas normalizadas:
𝑔𝑖𝑗1 = 𝑤𝑗 ((𝑧𝑗 − 𝑦𝑖𝑗 )/ 𝑧𝑗 )1 (6)
7
donde g αij es la formulación general de una matriz de privaciones normalizadas presentada en la
metodología, ponderada por un peso wj que representa el peso que se le asigna a cada dimensión j.
Siendo:
𝑔𝑖𝑗1
=
1, 𝑠𝑖 𝑤𝑗
0, 𝑠𝑖 𝑤𝑗
1
𝑧 𝑗 −𝑥 𝑖𝑗
𝑧𝑗
𝑧 𝑗 −𝑥 𝑖𝑗
𝑧𝑗
1
, 𝑠𝑖𝑒𝑚𝑝𝑟𝑒 𝑞𝑢𝑒𝑥𝑖𝑗 < 𝑧𝑗
(7)
, 𝑠𝑖𝑒𝑚𝑝𝑟𝑒 𝑞𝑢𝑒𝑥𝑖𝑗 ≥ 𝑧𝑗
Continuando con la metodología, estas líneas de corte específicas para cada dimensión no son
suficientes para identificar quien es pobre en el ámbito multidimensional. Así pues, se deben tener
en cuenta otros criterios que consideren las relaciones entre las dimensiones de estudio para llegar a
una especificación completa del método de identificación. En esta etapa se fija el segundo umbral k,
a partir del cual se definen los pobres en términos multidimensionales. Así, esta línea representa el
número mínimo de dimensiones en que un hogar pobre debe tener carencias. De este modo se tiene:
𝜌𝑖 =
1 𝑠𝑖 𝑐𝑖 ≥ 𝑘
(8)
0 𝑠𝑖 𝑐𝑖 < 𝑘
siendo ρi una variable dicotómica que toma el valor =1 si el hogar i es pobre en al menos k
dimensiones.
Este método permite utilizar un criterio de unión4 o el de intersección5, fijando k = 1 y k = d (donde
d es el número total de dimensiones incorporadas en el análisis), respectivamente. Del mismo
modo, se permiten esquemas intermedios estableciendo un valor de k entre estos extremos. Es decir,
los enfoques de unión e intersección pueden tomarse como casos particulares de este método.
Los autores no proveen de un algoritmo para la determinación de k, sino que estiman sus resultados
con todos los posibles valores de k entre 1 y d. Esto constituye una suerte de prueba de robustez de
las estimaciones.
Siguiendo a Conconi (2009), una alternativa válida también, sería adoptar alguna medida de
posición central y establecer un umbral relativo a la dimensión correspondiente.
A continuación, se emplea la familia de medidas FGT adaptadas al plano multidimensional para dar
paso a la fase de agregación de individuos como pobres o no.
4
Según el enfoque de unión, una persona i es pobre en términos multidimensionales si hay, al menos, una
dimensión en la que la persona sufre privaciones, es decir 𝜌𝑖 = 1 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖𝑐𝑖 = 1. Si la suficiencia en cada
dimensión se considerara como algo esencial para evitar la pobreza, este enfoque sería el más adecuado. Sin
embargo, en casos normales, este criterio podría considerar incluir como pobres a muchos que no se
consideran así, produciendo una sobrestimación de individuos pobres.
5
El enfoque de intersección identifica a la persona i como pobre si sufre privación en todas las dimensiones,
es decir 𝜌𝑖 = 1 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖𝑐 𝑖 = 𝑑. Este criterio identificaría con precisión a los pobres si lograr suficiencia
en todas las dimensiones fuera el requisito para evitar la pobreza, de hecho identifica claramente a los pobres
extremos. Sin embargo la principal crítica que tiene, es que deja fuera a un número de individuos que están
sufriendo un número importante aunque no universal de privaciones, produciéndose una subestimación de la
medición.
8
Un lugar natural por el que empezar el procedimiento de agregación, es el de identificar el
porcentaje de población que es pobre, para esto se emplea la tasa de recuento:
H=q/n(9)
Donde q es la cantidad de personas identificadas como pobres multidimensionales entre el total de
la población n.
Este indicador es fácil de calcular pero arroja información parcial, surgiendo en el contexto de la
PMD un inconveniente adicional: si una persona que ya era pobre empieza a sufrir privaciones en
una dimensión en la que antes no lo hacía, H permanece sin modificaciones. Esto viola la
denominada monotonicidad dimensional, ya que no refleja aumentos en la pobreza, siendo esta
ahora mayor ante el cambio mencionado. Este inconveniente se resuelve mediante la aplicación de
una tasa de recuento ajustada a la dimensión, que está dada por:
𝑀0 = 𝐻𝐴 (10)
Siendo A = c k /(qd), que representa el promedio de la proporción de las privaciones entre los
pobres. Este índice parcial transmite información relevante sobre la PMD, a saber, la fracción de
dimensiones posibles d en las cuales la persona pobre promedio sufre de privaciones.
Se puede generalizar fácilmente M0 a una clase Mα de mediciones de pobreza multidimensional
asociadas con la clase unidimensional FGT desarrollada por Foster, Greer y Thorbecke (1984). Para
cada α ≥ 0, supongamos que g α es la matriz cuyas entradas son potencias α de las brechas. Así
entonces, consideramos las siguientes mediciones:
𝑀𝛼 = 𝜇(𝑔𝛼 (𝑘)),
para 𝛼 ≥ 0 (11)
En otras palabras, 𝑀𝛼 es la suma de las potencias 𝛼 de las brechas normalizadas de los pobres,
dividida por el valor más alto posible de la suma, o nd. La medida de pobreza 𝑀𝛼 tiene un rango de
0 a 1.
4. Cálculo del índice de pobreza multidimensional para la comunidad Wichí de
General Ballivián (IPMW)
A partir del formulario F1 de Atención Primaria de la Salud, relevado por el Ministerio de Salud de
Salta, se construyó una base de datos en la que se cargó la información que se puede extraer de
dichos formularios.
A seguir se realizará una aplicación empírica del modelo propuesto a la población objeto de estudio.
En primer lugar, se realiza una selección primaria de las dimensiones, en las que se agregan las
variables que intuitivamente se piensa conforman dichas dimensiones. El grupo de variables se
constituye en función de la existencia de datos.
Definición Primaria de las Dimensiones
Se proponen las siguientes dimensiones que posteriormente serán validadas a través del análisis de
componentes principales:
9
Dimensión Educación: Para determinar las funcionalidad derivada de la educación de las personas,
se utiliza el analfabetismo de la persona a cargo de los menores y la variable escolaridad de cada
uno de los individuos.
Dimensión Salud: Esta dimensión se basa en las siguientes variables: Evaluación Nutricional;
Mortalidad Infantil y /o Materna en el hogar; Enfermedades Crónicas en la Familia; Niños menores
de 6 años con déficit nutricional en el hogar; embarazada de riesgo en el hogar; Recién nacido o
puérpera o embarazada de alto riesgo en el hogar; Chagas Mazza en el hogar.
Dimensión Vulnerabilidad en el hogar: Esta dimensión está integrada por la variable Menores de 6
años en el hogar, ausencia de Padre/Madre soltera/o – viuda/o; hacinamiento; violencia familiar –
alcoholismo – drogadicción en el hogar.
Dimensión Vivienda y saneamiento: las variables definidas para esta dimensión son las siguientes:
piso; Tratamiento inadecuado de agua y/o Desecho sanitario de excretas y/o tratamiento sanitario de
la basura y/o viviendas inadecuadas; Red domiciliaria y cloro residual; Tratamiento de agua;
Desecho sanitario de excretas; tratamiento sanitario de la basura.
Dimensión Laboral: Esta dimensión está determinada por las variables Obra social; Desempleo y/o
ingreso económico inestable (trabajo irregular, jornalero).
Análisis de Componentes Principales
De la aplicación del análisis de Componentes principales, se obtienen los eigenvalues (autovalores)
6
para cada variable (ver Tabla 1A del Anexo ). La regla de decisión para incluir el número de
factores será la de considerar aquellos eigenvalues (autovalores) que superen la unidad. Entonces
los factores retenidos serán los primeros 8 con los que la varianza explicada acumulada asciende a,
aproximadamente, el 65 por ciento.
Dicho de otra forma, en este modelo se puede comprobar que a partir del componente número 9 el
autovalor comienza a ser inferior a la unidad, aun cuando este componente todavía mantiene un
valor alto. Pero con un 65% de la varianza explicada, se puede considerar a este valor lo
suficientemente alto para retener estos 8 componentes.
En Tabla 2A, se presenta información que permite profundizar el análisis, a partir de la
normalización con el método Varimax Ortogonal, de los 8 componentes retenidos. La interpretación
es similar a lo dicho en Tabla 1A.
Los factores rotados tratan de que cada una de las variables originales tenga una correlación lo más
próxima a uno que sea posible con uno de los factores, y correlaciones próximas a cero con los
restantes, consiguiendo así correlaciones altas con un grupo de variables y baja con el resto.
Se presenta la matriz de Componentes Rotados en la Tabla 1, y se muestran sólo los valores de
correlación con los factores, en valor absoluto, situados por encima de 0.5.
Con estos resultados, se redefinen las dimensiones propuestas anteriormente, resultando las
siguientes:
Dimensión 1: Saneamiento y vulnerabilidad laboral
Esta dimensión aglomera al conjunto de atributos que se concentran en la encuesta como
perteneciente a Saneamiento de medio ambiente y la vivienda, además del factor de riesgo
6
Las tablas signadas con A, se encuentran en el Anexo del trabajo.
10
Desempleo y/o Ingreso económico inestable (trabajo irregular/jornalero). Este factor explica por sí
solo un poco más del 12% de la varianza total, siendo este componente el que aporta mayor
explicación frente al resto (ver Tabla 2A).
Tabla 1: Matriz de Componentes Rotados
Variable
Factor
1
Factor
2
Factor
3
Factor
4
Factor
5
Factor
6
Nivel educativo
Analfabetismo de la persona a cargo de los menores
Factor
7
0.7023
Factor
8
0.8313
Evaluación nutricional
0.5126
Mortalidad infantil o materna
Enfermedades crónicas
Menores de 6 años con déficit nutricional
0.7774
Embarazada de riesgo
0.8642
Recién nacido/Puérpera/Embarazada de alto riesgo
0.6236
Chagas Mazza en la vivienda
Niños menores de 6 años en el hogar con déficit
nutricional
Ausencia de padre o madre. Soltero/a o viudo/a
0.8476
0.8114
-0.8482
Hacinamiento
Violencia familiar, alcoholismo, drogadicción
0,6301
Piso en la vivienda
0.7380
Acceso de agua de red
0.7758
Tratamiento de agua
0.6611
Desecho de excretas
0.7195
Tratamiento de basura
0.7057
Desempleo y/o ingreso económico inestable
0.7406
Obra social
Huerta en la vivienda
0.5995
0.8069
Fuente: Elaboración propia en base a Tabla 3A.
Dimensión 2: Salubridad ambiental
Contiene tres variables, relacionadas con los aspectos saludables del entorno de los hogares. Por sí
solo, este componente explica casi un 12% de la varianza, y junto al factor 1 acumulan un poco más
del 24% de la varianza total, (ver Tabla 2A).
Dimensión 3: Características de riesgo en la persona al cuidado del hogar
Conformada por las variables Analfabetismo de la persona a cargo de los menores y hogares que se
encuentren en situación de recién nacido/puérpera/embarazada de alto riesgo. Explica un poco más
del 10% de la varianza y junto a las anteriores componentes acumula un poco más del 34% (ver
Tabla 2A).
Dimensión 4: Nutrición de los menores
Dos variables constituyen este componente, pertenecientes todas a los aspectos nutricionales de los
menores. Explica un poco más del 7% de la varianza y junto a las anteriores acumula un poco más
del 41% de la varianza (ver Tabla 2A).
11
Dimensión 5: Constitución del hogar
Esta dimensión quedó formada solamente por la variable que capta la Ausencia de padre o madre
soltera/o – Viuda/o. Ésta presenta un coeficiente negativo, distinto a lo esperado pero no deja de ser
un resultado llamativo de la estimación. Explica aproximadamente un 6.5% de la varianza.
Dimensión 6: Provisión de Bienes Públicos y protección social
En este factor se encuentran las variables relacionadas con la provisión del bien público más escaso
en el lugar, el agua, a través de la variable Red domiciliaria, aunque se agrega en esta dimensión la
variable obra social, esta dimensión puede estar captando cierta ausencia del Estado en la prestación
de un bien público elemental, como es el agua y en la promoción de seguridad laboral y cobertura
social. Explica un poco más del 6,2% de la varianza y junto a las anteriores acumula un poco más
del 54% de la varianza (ver Tabla 2A).
Dimensión 7: Educación y riesgo en el hogar
Está conformado por la variable relacionada con el nivel educativo de los individuos, así como
también por la variable que caracteriza a la convivencia en el hogar, llamada Violencia familiar –
Alcoholismo – Drogadicción. Explica un 6% de la varianza y junto a las anteriores acumula un 60%
de la varianza (ver Tabla 2A).
Dimensión 8: Salud materna
Conformado por la variable embarazada de riesgo. Explica un poco más del 5% de la varianza y
junto a las anteriores acumula más del 65% de la varianza (ver Tabla 2A).
Índice de Pobreza Mutidimensional Wichí (IPMW)
Con la información resultante del apartado anterior, se estimó el indicador de pobreza
multidimensional presentado en la Ecuación (11) con un valor de α=0, es decir la tasa de incidencia
de la pobreza. La Tabla 2 muestra los resultados obtenidos a nivel general y para cada dimensión.
Tabla 2: Tasa de Incidencia Pobreza Global Multidimensional y por Dimensiones
Ponderación
Pm General
Dimensiones
Saneamiento y vulnerabilidad laboral
Salubridad ambiental
Características de riesgo en la persona al cuidado del hogar
Nutrición de los menores
Constitución del hogar
Provisión de bienes públicos y protección social
Educación y riesgo en el hogar
Salud Materna
0.16
0.15
0.19
0.11
0.19
0.06
0.11
0.03
Fuente: Elaboración propia en base a la aplicación de la fórmula FGT α = 0.
12
Tasa de incidencia
0.40
0.34
0.41
0.24
0.58
0.24
0.75
0.55
0.89
En la Tabla 2 se observa que la tasa de incidencia de la pobreza multidimensional alcanza al 40 por
ciento de la población bajo estudio, esta interpretación no debe perder de vista que se plantearon
umbrales específicos para esta población que difieren de los comúnmente empleados para
poblaciones urbanas. Es decir, del total de la población que enfrenta privaciones y carencias, el 40
por ciento se encuentra en una situación de extrema privación.
Las dimensiones más relevantes en cuanto a su influencia en el valor general son las relacionadas
con Salud materna, cuya tasa de incidencia es del 89 por ciento; Provisión de bienes públicos y
protección social, con un valor de 75 por ciento; Nutrición de los menores cuya tasa es de 58 por
ciento y Educación y riesgo en el hogar, en donde la incidencia es del 55 por ciento. Sin embargo,
las dimensiones que mayor impacto tienen en el índice general son: Características de riesgo en la
persona al cuidado del hogar, Constitución del hogar y Saneamiento y vulnerabilidad laboral, las
cuales en conjunto explican el 54 por ciento del IPMW.
5. Comentarios finales
Este trabajo permitió indagar sobre las características de privación en una comunidad de pueblos
originarios, desde una perspectiva poco aplicada para este grupo poblacional. Además de identificar
las privaciones con mayor incidencia en la medida de pobreza, se consiguió agrupar las variables en
dimensiones, a fin de obtener un solo indicador relativo que las considera de manera agregada.
Se logra conocer que las dimensiones relacionadas a características del hogar tienen un mayor peso
dentro del indicador aunque una menor tasa de incidencia relativa. Por otro lado, las dimensiones
relacionadas con la salud, la nutrición de los niños y la provisión de bienes públicos (que en este
caso se relaciona, principalmente, con el acceso a agua de red) tienen un impacto menor en el índice
aunque tasas de incidencia relativa más altas que las anteriores.
Se considera que estos resultados no están alejados de los encontrados por otros estudios dedicados
al análisis de la pobreza y el desarrollo humano en pueblos originarios de América Latina, como
Hall y Patrinos (2004), quienes encuentran que es relevante implementar cambios en el gasto social
de manera de apuntalar programas que hagan efectivo el acceso a educación bilingüe y
multiculturales e incrementar el acceso a la enseñanza secundaria; como también es relevante
focalizar en la salud de los niños pequeños y en la estimulación de la primera infancia, resulta de
máxima importancia contrarrestar la prevalencia de la desnutrición en las comunidades de pueblos
originarios.
Por último, este trabajo pretende remarcar la necesidad de dedicar grandes esfuerzos en el
seguimiento de estos grupos sociales vulnerables, partiendo desde la recolección de información y
la construcción de indicadores sociales específicos para comunidades que aporten información
necesaria, tanto para el conocimiento y estudio de los mismos, como así también para el desarrollo
de políticas públicas eficientes y la evaluación del impacto de estas políticas. De esta manera, se
enuncia “que un sistema inadecuado de indicadores sociales constituye en sí mismo una importante
barrera para el desarrollo social de los países.” 7
7
Cecchini, N. (2005), pág. 34., Indicadores sociales en América Latina y el Caribe, Santiago de Chile, Cepal
13
Bibliografía
Alkire, S. (2007): Choosing Dimensions: The Capability Approach and Multidimensional
Poverty. Chronic Poverty Research Centre Working Paper No. 88. Available at
SSRN: http://ssrn.com/abstract=1646411, 10.
Alkire, S. F. (2011): Counting and multidimensional poverty measurement. OPHI. Working
Paper No. 32, 1-37.
Anand, S.; Sen, A. (1997): Concepts of human development and poverty: a multidimensional perspective. Nueva York: Human Development Papers., 6.
Bourguignon, F.; Chackravarty, S.R. (2003): The measurement of multidimensional
poverty. Journal of Economic Inequality, 25-49.
Cecchini, N. (2005): Indicadores sociales en América Latina y el Caribe, Santiago de Chile,
CEPAL.
Cid, J. C. (2013): Situación de aborígenes del norte argentino. Gacetilla N° 6, IELDE.
UNSa.
Conconi, A.y Ham, A. (2007): Pobreza Multidimensional Relativa: Una Aplicación para
Argentina. Documento de Trabajo N°57, Centro de Estudios Distributivos,
Laborales y Sociales, Universidad Nacional de La Plata, La Plata.
Conconi, A. (2009): Pobreza multidimensional en Argentina: ampliando las medidas
tradicionales de ingresos y NBI. UNLP, 4.
Hall, G. y Patrinos, H. A. (2004): Pueblos indígenas, pobreza y desarrollo humano en
América Latina: 1994-2004. mimeo.
Martínez-Restrepo, S. y Molina, G. G. (2013): Los frutos más difíciles de alcanzar en el
desarrollo de América Latina. Nota de Investigación sobre Desarrollo Humano para
América Latina y el Caribe 1/2013, PNUD, New York.
Navarro, C.; Ayala, L. (2004): La exclusión de la vivienda en España: una aproximación a
través de índices multidimensionales de privación. . en conferencia dictada durante
el ciclo XI Encuentro de Economía Pública. Barcelona. Disponible en:
http://www.ub.es/ecopubBCN/ponencias/arch_pdf/navarro_ayala.pdf, 130.
Sen, A. (1976): Poverty: an ordinal approach to measurement. Econometrica, 44., 219-231.
14
Anexo
Tabla 1A: Análisis de componentes principales
Factor analysis/correlation
Method: principal-component factors
Rotation: (unrotated)
Number of obs
=
Retained factors =
Number of params =
606
8
140
Factor
Eigenvalue
Difference
Proportion
Cumulative
Factor1
Factor2
Factor3
Factor4
Factor5
Factor6
Factor7
Factor8
Factor9
Factor10
Factor11
Factor12
Factor13
Factor14
Factor15
Factor16
Factor17
Factor18
Factor19
Factor20
Factor21
3.46989
2.43283
1.83158
1.37869
1.28986
1.21875
1.09117
1.04846
0.93287
0.88308
0.76492
0.74252
0.68969
0.61745
0.52361
0.46787
0.42748
0.37930
0.33455
0.25894
0.21646
1.03706
0.60125
0.45289
0.08883
0.07111
0.12758
0.04271
0.11559
0.04979
0.11816
0.02240
0.05283
0.07224
0.09384
0.05574
0.04039
0.04818
0.04475
0.07561
0.04248
.
0.1652
0.1158
0.0872
0.0657
0.0614
0.0580
0.0520
0.0499
0.0444
0.0421
0.0364
0.0354
0.0328
0.0294
0.0249
0.0223
0.0204
0.0181
0.0159
0.0123
0.0103
0.1652
0.2811
0.3683
0.4340
0.4954
0.5534
0.6054
0.6553
0.6997
0.7418
0.7782
0.8136
0.8464
0.8758
0.9007
0.9230
0.9434
0.9614
0.9774
0.9897
1.0000
LR test: independent vs. saturated: chi2(210) = 3091.96 Prob>chi2 = 0.0000
Tabla 2A: Varimax ortogonal
Factor analysis/correlation
Method: principal-component factors
Rotation: orthogonal varimax (Kaiser off)
Number of obs
=
Retained factors =
Number of params =
606
8
140
Factor
Variance
Difference
Proportion
Cumulative
Factor1
Factor2
Factor3
Factor4
Factor5
Factor6
Factor7
Factor8
2.57684
2.48788
2.10471
1.49929
1.36177
1.31971
1.28611
1.12493
0.08896
0.38317
0.60543
0.13752
0.04205
0.03360
0.16118
.
0.1227
0.1185
0.1002
0.0714
0.0648
0.0628
0.0612
0.0536
0.1227
0.2412
0.3414
0.4128
0.4776
0.5405
0.6017
0.6553
LR test: independent vs. saturated: chi2(210) = 3091.96 Prob>chi2 = 0.0000
Tabla 3A: Matriz de componentes rotados
Rotated factor loadings (pattern matrix) and unique variances
Variable
Factor1
Factor2
Factor3
Factor4
Factor5
Factor6
Factor7
Factor8
d_nivel_ed
d_APCM
d_evnutri1
d_mortinfm
d_enfcroni~s
d_deficitnm6
d_embriesg
d_nacpuerp~g
d_chagasma~a
d_nmenor6
d_gfliarmo~n
d_hacinado
d_gfliarpr~d
d_piso
d_agua_dered
d_agua_trat
d_dse
d_tsb
d_vullab
d_obrasoc
d_huerta
-0.1118
0.1289
-0.2039
0.3477
0.3414
0.0668
0.0541
0.0100
0.0123
0.0342
0.1042
0.2939
0.2576
0.2484
-0.1149
0.6611
0.7195
0.7057
0.7406
-0.0113
0.1415
0.0068
0.0804
0.1868
-0.4399
0.0068
0.1087
-0.1102
0.0325
0.8476
0.1382
-0.1396
0.1620
0.0106
0.7380
0.2520
0.2618
0.1815
0.2036
-0.0952
-0.1825
0.8069
-0.1376
0.8313
0.2716
0.1062
-0.1872
0.0208
0.0394
0.6236
0.1507
0.8114
0.1287
0.2107
-0.1460
-0.0564
0.0357
0.0957
0.2050
0.1533
-0.1217
-0.0562
0.1531
0.0614
0.0125
0.5126
0.0324
-0.4798
0.7774
0.0394
-0.4187
0.0016
0.2191
0.0746
0.2176
-0.1618
0.2285
-0.1250
0.0595
-0.0997
0.0273
-0.0268
0.1012
0.0115
0.1238
-0.0081
0.1842
0.4397
0.0658
-0.1056
-0.0196
-0.0605
0.0618
-0.0656
-0.8482
0.4145
0.0611
0.0008
-0.0050
0.1583
0.1107
-0.0527
-0.3070
-0.2056
0.1408
-0.0427
0.0164
0.2090
0.0625
-0.1359
-0.1396
0.0226
0.0179
0.1298
0.0071
0.0890
0.3649
-0.1426
0.0116
0.7758
-0.1519
-0.1863
0.1794
-0.0288
0.5995
0.0266
0.7023
-0.0702
-0.0848
-0.0942
-0.1244
0.0039
0.0200
0.2083
-0.0823
-0.2041
-0.0869
-0.0433
0.6301
-0.0133
-0.2023
-0.0091
0.1079
0.0064
-0.0260
0.4476
0.0617
-0.0747
0.0402
0.0866
-0.1116
-0.0717
-0.0183
0.8642
-0.2168
-0.0474
0.0889
-0.0112
-0.0975
0.2557
-0.0855
0.1461
-0.2198
0.1055
0.1603
0.0327
-0.3115
-0.0379
15
Uniqueness
0.4488
0.2788
0.4947
0.4547
0.5748
0.3480
0.2337
0.3404
0.2291
0.2195
0.2125
0.4793
0.3996
0.3306
0.2422
0.3851
0.3277
0.3757
0.3301
0.2540
0.2796