Composición de los hogares

Una de los factores a visualizar es el ciclo vital individual y familiar, que de cuenta a grandes rasgos del entorno en el que viven las personas mayores y su acompañamiento directo en el hogar que puede ser familiar o no, también se puede contemplar las biografías generacionales que le acompañan. Para esto se mide el estrato generacional del hogar que es el criterio que ordena a la población según el número de generaciones convivientes en el hogar. En este sentido, la población de personas mayores se clasifica en hogares:

• unipersonales: aquellos en los que reside una sola persona de 60 años y más.
• unigeneracionales: conformados por más de una persona y donde todos los miembros tienen 60 años y más.
• multigeneracionales: conformados por más de una persona y donde al menos convive una persona de 60 años y más, y una persona menor de 60 años.

#armado de variables previas para armar indicador, se dividen grandes grupos de edad y estrato generacional 

estrato <- EPHU2023 %>% 
    mutate(edad_categorica = case_when(CH06 <= 59 ~ 1, #grupo de edad
                           CH06 >= 60 ~ 2)) %>% 
    count(CODUSU, NRO_HOGAR, edad_categorica) %>% #conteo de CODUSU y edades categoricas en los hogares
    count(CODUSU, NRO_HOGAR) %>% 
  mutate(Estrato0 = ifelse(n == 2, "multigeneracional", "unigeneracional")) %>% 
  select(-n)

#cada componente de la base esta asignado a una edad categorica y condicion generacional del hogar que compone
#unigeneracional: mismo grupo de edad categórica, o multigeneracional; al menos convive una persona de cada grupo de edad categórica


Cuadro1 <- EPHU2023 %>% 
    left_join(estrato, by = c("CODUSU", "NRO_HOGAR")) %>% 
     mutate(edad_categorica = case_when(CH06 <= 59 ~ 1, #grupo de edad
                                        CH06 >= 60 ~ 2),
            TipoHogar = case_when(IX_TOT == 1 ~ "unipersonal", # 1 sola persona
                        IX_TOT > 1 ~ "compuesto")) %>% #más de 1 personas en el hogar
    select(CODUSU, NRO_HOGAR, IX_TOT, COMPONENTE, CH06, Estrato0, edad_categorica, TipoHogar, PONDERA, CH04) %>% 
    mutate(
      Estrato = 
        case_when(
          TipoHogar == "unipersonal" & edad_categorica == 2 ~ "unipersonal",
          TipoHogar == "compuesto" & edad_categorica == 2 & 
            Estrato0 == "unigeneracional" ~ "unigeneracional",
          TipoHogar == "compuesto" &  Estrato0 == "multigeneracional" ~ 
            "multigeneracional",
          IX_TOT >= 1 & edad_categorica == 1 ~ "sin PM")) %>% #hogares sin personas mayores
    select(CODUSU, NRO_HOGAR, IX_TOT, COMPONENTE, CH06, Estrato, Estrato0,edad_categorica, PONDERA,CH04) %>%
  mutate(Grupo = case_when(CH06 %in% c(60:74) ~ "1", #grupos de edad
                           CH06 >= 75 ~ "2",
                           TRUE ~ "3")) %>%
  filter(CH06 >= 60) %>% 
  group_by(Grupo, CH04) %>% 
  summarise( #armado de categorias para la variable
    Poblacion = sum(PONDERA),
    Unipersonal = sum(PONDERA [Estrato == "unipersonal"]),
    Unigeneracional = sum(PONDERA [Estrato == "unigeneracional"]),
    Multigeneracional = sum(PONDERA [Estrato == "multigeneracional"]),
    Sin_PM = sum(PONDERA [Estrato == "sin PM"]),
    "hogares unipersonales" = round(Unipersonal/Poblacion*100,1),
    "hogares unigeneracionales" = round(Unigeneracional/Poblacion*100,1),
    "hogares multigeneracionales" = round(Multigeneracional/Poblacion*100,1)
  ) %>% 
  rename(Sexo = CH04) %>% 
  mutate(Sexo = case_when(Sexo == 1 ~ "Varones", Sexo == 2 ~ "Mujeres"),
         Grupo = case_when(Grupo == "1" ~ "60 a 74 años" , 
                           Grupo == "2" ~ "75 años y más", 
                           TRUE ~ "< 60 años")) %>% 
  select(1,2,8,9,10) %>% 
  pivot_longer(cols = c(3,4,5), names_to = "Tipo_hogar", values_to = "porcentaje")


paleta3 <- c("#f7b801", "#7678ed", "#3d348b") 

ggplot(Cuadro1, 
       aes(fill= Tipo_hogar, x=Grupo, y=as.numeric((porcentaje)) )) + 
  geom_col() +
  scale_fill_manual(values = paleta3)+
  facet_grid(~Sexo) +
  theme_light() +
  labs(
    title = "Gráfico 1: Distribución de la población de 60 años y más por grupos de edad y sexo,\nsegún estrato generacional del hogar. Total nacional urbano. Año 2023",
    y = "porcentaje", x = "Grupo de edad",
    caption = "Fuente: INDEC, Encuesta Permanente de Hogares total urbano."
  ) +
  geom_text(aes(label = porcentaje, group = Sexo),
            position = position_stack(vjust = .5),size = 4, colour = "white") +
  theme(legend.position = "bottom", legend.title = element_blank()) 

Casi más del 50% de personas entre los 60 y 74 años vive en hogares multigeneracionales, mientras que en el rango de los 75 años y más, del lado de los varones conviven más en hogares unigeneracionales y del lado de las mujeres se reparte entre valores similares vivir en hogares multigeneracionales y hogares unipersonales.

Cobertura previsional

Al momento de retiro del mercado laboral, se deriva la necesidad de contar con sistemas de protección social que garanticen la percepción de un ingreso.

# total poblacion en edad jubilatoria
cuadro2A <- base_personas %>% 
  select(CH04, CH06, V2_M, V21_M, PONDII) %>%
  summarise(
    Poblacion_mayor = sum(PONDII[CH06 >= 60 & CH04 == 2 | CH06 >= 65 & CH04 == 1 ]),
    Poblacion_mayor_jp  = sum(PONDII[CH06 >= 60 & CH04 == 2 & (V2_M > 0| V21_M >0) 
                                     |CH06 >= 65 & CH04 == 1 &  (V2_M > 0|V21_M >0)]),
    porcentaje = round(Poblacion_mayor_jp/Poblacion_mayor*100,1)) %>% 
  cbind( "CH04" = "Total") 


#Por sexo
cuadro2B <- base_personas %>% 
  select(CH04, CH06, V2_M,V21_M, PONDII) %>%
   group_by(CH04) %>% 
   summarise(
     Poblacion_mayor = sum(PONDII[CH06 >= 60 & CH04 == 2 | CH06 >= 65 & CH04 == 1 ]),
     Poblacion_mayor_jp  = sum(PONDII[CH06 >= 60 & CH04 == 2 & (V2_M > 0) |
                    CH06 >= 65 & CH04 == 1 & (V2_M > 0) ]),
    porcentaje =  round(Poblacion_mayor_jp/Poblacion_mayor*100,1)) %>% 
    mutate(CH04 = case_when(CH04 == 1 ~ "Varones", #Varones de 65 años y más
                            CH04 == 2 ~ "Mujeres")) #Mujeres de 60 años y más

Cuadro2 <- rbind(cuadro2A, cuadro2B) %>% 
  mutate(CH04 = fct_relevel(CH04, c("Total", "Mujeres", "Varones")),
         cobertura = case_when(
           CH04 == "Total" ~ "Población en edad de jubilarse",
           CH04 == "Mujeres" ~ "Mujeres de 60 años y más",
           CH04 == "Varones" ~ "Varones de 65 años y más"),
         cobertura = fct_relevel(cobertura, c("Población en edad de jubilarse", 
                                              "Mujeres de 60 años y más", 
                                              "Varones de 65 años y más")))
  

paleta1 <- c("#fb8b24", "#d90368", "#820263")

ggplot(Cuadro2, aes(cobertura,porcentaje)) +
           geom_col( aes(width = 0.5,fill = cobertura)) +
           ylim(0,100) +
           theme_classic() +
           scale_fill_manual(values = paleta1) +
           geom_text(aes(label = porcentaje), vjust = 2, colour = "white") +
           theme(legend.position = "none") +
           labs(title = "Gráfico 2: Porcentaje de población en edad de jubilarse con cobertura previsional, \n por sexo. Total nacional urbano. Año 2023.",
                x = " ",
                y = "porcentaje",
                caption = "Fuente: INDEC, Encuesta Permanente de Hogares total urbano."
                )

El 89,8% de la población en edad jubilatoria del total nacional urbano, cuenta con cobertura previsional. Se puede decir que esta cobertura es casi universal en el país como resultado del sistema jubilatorio.

Si bien la biografía individual da cuenta de la trayectoria laboral de las personas, esta trayectoria no es igual para todos a la hora de beneficiarse en el sistema de seguridad social, esta situación varia acorde al contexto (biografía generacional) y se intensifica desfavorablemente hacía las mujeres. Ya sea porque no cumple con los requisitos mínimos u otras desigualdades estructurales de género.

tabla3 <- BESS232 %>% 
  mutate(
    ConMoratoria = as.numeric(ConMoratoria),
    SinMoratoria = as.numeric(SinMoratoria),
    TotalJubilaciones = as.numeric(TotalJubilaciones),
    porcentaje_con = round(ConMoratoria/TotalJubilaciones*100,1),
    porcentaje_sin = round(SinMoratoria/TotalJubilaciones*100,1)) 
    
# gráfico 
tabla3 %>% 
    pivot_longer(cols = c(6,7), names_to = "regimen", values_to = "porcentaje") %>% 
  mutate(regimen = case_when(regimen == "porcentaje_con" ~ "con moratoria",
                             regimen == "porcentaje_sin" ~ "sin moratoria"
                             )) %>% 
  ggplot(aes(Sexo,porcentaje)) +
  geom_col(aes(fill = regimen)) +
  theme_classic() +
  scale_fill_manual(values = c("#f7b801", "#7678ed")) +
    labs(title = "Gráfico 3: Distribución porcentual de las jubilaciones del sistema integrado previsional,\npor sexo y adhesión a moratoria. Total del país. Marzo de 2024",
         x = "Sexo",
         y = "porcentaje",
         caption = "Fuente: ANSES, Boletín Estadísitico de la Seguridad Social.")

tabla3 %>% 
  select(5,2:4,6,7,-1) %>% 
  gt() %>% 
   tab_header(
    title = md("Cuadro 1: Distribución porcentual de las jubilaciones del sistema integrado previsional,\npor sexo y adhesión a moratoria. Total del país. Marzo de 2024")) %>%
  tab_spanner(
    label = "Beneficios por jubilación",
    columns = c(TotalJubilaciones,ConMoratoria, SinMoratoria)) %>% 
  tab_spanner(
    label = "% por jubilación",
    columns = c(porcentaje_con, porcentaje_sin)) %>%
  cols_label(TotalJubilaciones = 'Total', 
             ConMoratoria = 'con moratoria', 
             SinMoratoria = 'sin moratoria', 
             porcentaje_con = 'con moratoria', 
             porcentaje_sin = 'sin moratoria') %>%
  tab_source_note(
    source_note = md("**Fuente**: ANSES, Boletín Estadísitico de la Seguridad Social.")
  )

Con la legislativos actual sobre el sistema previsional. A marzo de 2024, el 79% de mujeres en edad jubilatoria percibe jubilición a través del régimen de adhesión con moratoria, a diferencia, no menor, de los varones en edad jubilatoria a un 46.4%.

Ingresos

La situación económica de las personas mayores está determinada por su poder adquisitivo; que puede provenir de diversas fuentes: trabajo, ahorros, jubilaciones o pensiones, entre otros.

Para este indicador se definieron como fuentes de ingresos:

• Ingresos laborales: ingresos provenientes de la ocupación principal, de la ocupación secundaria y de otras ocupaciones que pudieran haber generado ingresos en el mes de referencia.

• Ingresos por jubilaciones y pensiones: ingresos de la seguridad social por jubilación y pensión, y aguinaldo proveniente de estas prestaciones.

• Otros ingresos: subsidios o ayuda social, rentas de la propiedad derivadas de la producción o de inversiones financieras y otras transferencias.

#Ingresos laborales: P21 y TOT_P12
#Ingresos por jubilación o pensión: V2_M y V21_M
#Ingresos no laborales; V5_M, V8_M, V9_M, V10_M, V11_M, V12_M, V18_M y V19_AM

#Total
Cuadro4A <- EPHU2023 %>% 
  filter(CH06 >= 60) %>%
  mutate(Ingresolaboral = case_when((P21 > 0 | TOT_P12 > 0) ~ 1,TRUE ~ 0), 
         IngresoJP = case_when((V2_M > 0 | V21_M > 0) ~ 1, TRUE ~ 0), 
         IngresoNoLaboral = case_when((V5_M > 0 | V8_M > 0 | V9_M > 0 |
                               V10_M > 0 | V11_M > 0 | V12_M > 0 | 
                               V18_M > 0 | V19_AM > 0) ~ 1,TRUE ~ 0)) %>%
  summarise(
    poblacion60ymas = sum(PONDII), # total población 60 años y más
    pobl60_IL = sum(PONDII[Ingresolaboral == 1]), #ingresos laborales
    pobl60_JP = sum(PONDII[IngresoJP == 1]), #jubilación o pensión
    pobl60_OI = sum(PONDII[IngresoNoLaboral == 1]), #no laborales
    "Ingresos laborales" = 
           round(pobl60_IL/poblacion60ymas*100,1),
    "Jubilación o pensión" =
           round(pobl60_JP/poblacion60ymas*100,1),
    "Otros ingresos no laborales" =
           round(pobl60_OI/poblacion60ymas*100,1)) %>%
  cbind(CH04 = "Total")


#Por sexo
Cuadro4B <- EPHU2023 %>% 
  filter(CH06 >= 60) %>%
  mutate(Ingresolaboral = case_when((P21 > 0 | TOT_P12 > 0) ~ 1,TRUE ~ 0), 
         IngresoJP = case_when((V2_M > 0 | V21_M > 0) ~ 1, TRUE ~ 0), 
         IngresoNoLaboral = case_when((V5_M > 0 | V8_M > 0 | V9_M > 0 |
                               V10_M > 0 | V11_M > 0 | V12_M > 0 | 
                               V18_M > 0 | V19_AM > 0) ~ 1,TRUE ~ 0)) %>% 
  group_by(CH04) %>% 
  summarise(
    poblacion60ymas = sum(PONDII), # total población 60 años y más
    pobl60_IL = sum(PONDII[Ingresolaboral == 1]), #ingresos laborales
    pobl60_JP = sum(PONDII[IngresoJP == 1]), #jubilación o pensión
    pobl60_OI = sum(PONDII[IngresoNoLaboral == 1]), #no laborales
    "Ingresos laborales" = 
           round(pobl60_IL/poblacion60ymas*100,1),
    "Jubilación o pensión" =
           round(pobl60_JP/poblacion60ymas*100,1),
    "Otros ingresos no laborales" =
           round(pobl60_OI/poblacion60ymas*100, 1)) %>% 
    mutate(CH04 = case_when(CH04 == 1 ~ "Varones", 
                          CH04 == 2 ~ "Mujeres"))

Cuadro4 <- rbind(Cuadro4A, Cuadro4B) %>% 
  select(8, 5:7) %>% 
  pivot_longer(cols = c(2:4), names_to = "Tipo_ingreso", values_to = "porcentaje") %>% 
  mutate(CH04 = fct_relevel(CH04, c("Total", "Mujeres", "Varones")))



ggplot(Cuadro4, aes(CH04, porcentaje, fill = CH04)) +
  geom_col() +
  #coord_flip() +
  facet_wrap(~ Tipo_ingreso) +
  #theme_classic() +
  scale_fill_manual(values = paleta1) +
  theme(legend.position = "none") +
  geom_text(aes(label = porcentaje), vjust = 1, colour = "white") +
  labs(title = "Gráfico 4: Porcentaje de población en edad de jubilarse perceptora de ingresos, por fuente y sexo. \nTotal nacional urbano. Año 2023",
                x = " ",
                y = "porcentaje",
                caption = "Fuente: INDEC, Encuesta Permanente de Hogares total urbano."
                )

La mayoria de los ingresos de las personas en edad de jubilarse corresponden a jubilación o pensión. La cobertura previsional garantiza un margen de derecho para la calidad de vida personas mayores. Las mujeres de 60 años y más perciben en su gran mayoría ingresos por jubilación o pensión, en cambio los varones de 65 años y más siguen con presencia en el mercado de trabajo con ingresos laborales de un 35%.

Al ser el mayor ingreso de las personas mayores, es importante dar cuanta cuál es el haber jubilitario actual a marzo 2024 por tipo de régime adherido a moratoria:

tabla5 <- BESS2312 %>% 
  mutate(
    ConMoratoria = as.numeric(ConMoratoria),
    SinMoratoria = as.numeric(SinMoratoria),
    TotalJubilaciones = as.numeric(TotalJubilaciones))


tabla5 %>% 
  pivot_longer(cols = c(3,4), names_to = "regimen", values_to = "haber_medio") %>% 
  mutate(regimen = case_when(regimen == "ConMoratoria" ~ "con moratoria",
                             regimen == "SinMoratoria" ~ "sin moratoria"
                             )) %>% 
  ggplot(aes(regimen, haber_medio))+
  geom_col(aes(fill = Sexo), position = "dodge") +
  scale_fill_manual(values = c( "#d90368", "#820263")) +
  geom_text(aes(label = round(haber_medio,0), group = Sexo), position = position_dodge(0.9), vjust = 0, colour = "black") +
  labs(title = "Gráfico 5: Haber jubilatorio medio, según sexo y adhesión a moratoria.\nTotal del país. Marzo de 2024",
                y = "En miles de pesos",
                x = "Régimen",
                caption = "Fuente: ANSES, Boletín Estadísitico de la Seguridad Social."
                )

Existe una gran diferencia de haber entre tipo de régimen (casi un 50%), y no deja de existir diferencias entre mujeres y varones dentro de los montos del misno régimen.