Población & Sociedad 2025, Vol. 32 (2), pp. 1-36

DOI: http://dx.doi.org/10.19137/pys-2025-320203 

Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional

ARTÍCULOS

Persistencia y transitoriedad de la inseguridad alimentaria en hogares con niños y adolescentes en la Argentina urbana (2018-2023)

Persistence and Transience of Food Insecurity in Urban Argentine Households with Children and Adolescents (2018–2023)

Matías Maljar 

Observatorio de la Deuda Social Argentina de la Universidad Católica Argentina, Argentina.

matiasmaljar@uca.edu.ar 

Ianina Tuñón 

Observatorio de la Deuda Social Argentina de la Universidad Católica Argentina, Argentina.

ianina_tunon@uca.edu.ar

Agustín Salvia 

Observatorio de la Deuda Social Argentina de la Universidad Católica Argentina, Argentina.

agustin_salvia@uca.edu.ar

Resumen

Este estudio analiza la inseguridad alimentaria (IA) en hogares urbanos argentinos con niños/as y adolescentes entre 2018 y 2023. Utilizando datos panel de la Encuesta de la Deuda Social Argentina, se calcula el índice de severidad FGT-2 de IA y se lo descompone en componentes persistente y transitorio. Los resultados muestran que el 37 % de los hogares experimentaron IA al menos una vez, y que el 61 % de la severidad total es atribuible a situaciones persistentes. El peso de factores estructurales en la IA persistente plantea la necesidad de políticas integrales que articulen empleo formal, infraestructura básica y protección social sostenida.

Palabras clave: inseguridad alimentaria; infancia y adolescencia; persistencia y transitoriedad; pobreza crónica; políticas sociales; Argentina urbana

Abstract

This study examines food insecurity (FI) in urban Argentine households with children and adolescents between 2018 and 2023. Using panel data from the Argentine Social Debt Survey (EDSA), the FGT-2 severity index of FI is calculated and decomposed into persistent and transitory components. Results indicate that 37% of households experienced FI at least once, and that 61% of overall severity is attributable to persistent conditions. The role of structural factors in persistent FI highlights the need for comprehensive policies integrating formal employment, basic infrastructure, and sustained social protection.

Keywords: food insecurity; childhood and adolescence; persistence and transience; chronic poverty; social policies; urban Argentina

Recibido: 13/11/2024 - Aceptado: 03/06/2025

1. Introducción

La Organización de las Naciones Unidas para la Alimentación y la Agricultura –FAO– define a la IA como la carencia en el acceso regular a suficientes alimentos para un crecimiento y desarrollo normal y para llevar una vida saludable. Generalmente, esta situación se produce como consecuencia de limitaciones económicas de los hogares (Silva et al., 2017). Si la mala situación económica se agrava o persiste en el tiempo, la probabilidad de vivir experiencias de hambre se incrementa de modo significativo. En la Argentina, este problema adquiere dimensiones críticas: los datos de la Encuesta de la Deuda Social Argentina (EDSA) del Observatorio de la Deuda Social (ODSA) de la Universidad Católica Argentina (UCA) revelan que, en 2023, dos de cada diez hogares urbanos padecían IA, proporción que se eleva significativamente en hogares con niños/as y adolescentes (NNyA) (véase Gráfico 1). Este fenómeno no solo es preocupante por su magnitud, sino también por su estabilidad en los últimos años —a excepción del 2020, año que se agravó en el contexto de pandemia—(Tuñón y Sánchez, 2021). Por lo tanto, la situación de la IA en la Argentina configura un escenario de cronicidad que demanda análisis específicos.

En el estudio de la dinámica de la pobreza monetaria intertemporal, la literatura se ha esforzado por distinguir a la pobreza transitoria de la pobreza persistente. Un trabajo pionero en esta línea fue el realizado por Jyotsna Jalan y Martin Ravallion (1998), quienes desarrollaron una metodología que fue ampliamente replicada en diversos contextos. Las conclusiones derivadas de estos estudios indican que la pobreza transitoria tiende a estar asociada a shocks o crisis de carácter coyuntural, mientras que la pobreza persistente se relaciona fundamentalmente con factores estructurales. No obstante, como se desprende del análisis de James Foster (2007), esta clasificación parte de asumir que los ingresos son perfectamente sustituibles en el tiempo, lo que puede resultar poco realista. Además, debe adaptarse cuidadosamente cuando se aplica a privaciones no monetarias como la IA, ya que episodios aislados de hambre pueden tener efectos acumulativos, especialmente en los NNyA. Reconociendo sus limitaciones, este trabajo extiende el enfoque de Jalan y Ravallion (1998) al análisis de la dinámica de la IA. Específicamente, se propone el cálculo de un índice de severidad intertemporal para captar las dimensiones persistente y transitoria. Adicionalmente, se realiza un análisis de ocurrencias para identificar a los hogares que experimentan IA de forma repetida a lo largo del tiempo.

Gráfico 1. Evolución de la inseguridad alimentaria total en la Argentina urbana, período 2018-2023. En porcentaje de hogares urbanos

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

La literatura sobre la IA abarca diversos aspectos, como su evolución, las disparidades regionales, los perfiles de quienes la atraviesan y su clasificación (Mundo-Rosas et al., 2013; Tuñón y Sánchez, 2021; Bonfiglio et al., 2024; Tuñón y García Balus, 2024). Sin embargo, aún queda margen para explorar la caracterización de aquellos hogares que no pueden escapar de la IA. La motivación central de este estudio radica, entonces, en la descripción y entendimiento de los hogares que experimentan de manera persistente carencias en el acceso regular a los alimentos. Debido a sus características, este núcleo duro enfrenta dificultades para lograr la seguridad alimentaria, tanto en períodos de prosperidad como de recesión económica. En contextos como el argentino, donde la IA es uno de los problemas más acuciantes, es relevante reflexionar acerca de la cronicidad de este fenómeno por las consecuencias que tiene en los miembros de los hogares y en particular en los NNyA, que son sujetos en desarrollo.

Las personas que sufren IA de forma continua en el tiempo están expuestas a mantener dietas inadecuadas. Cuando la capacidad de comprar alimentos disminuye, la estrategia para enfrentar la IA suele ser la reducción de la cantidad o calidad de las comidas, lo que puede ocasionar desnutrición en diversas formas (Shamah-Levy et al., 2014). Esto puede agravarse porque, como revelan los datos de la EDSA (Tuñón et al., 2024), solo el 4,5 % de los hogares urbanos puede compensar con autoproducción cuando disminuye su poder adquisitivo. Los impactos de la IA persistente en NNyA son particularmente graves: estudios longitudinales (Gundersen y Ziliak, 2015; Insolera, 2023) demuestran que episodios repetidos de hambre generan déficits cognitivos de difícil reversión y mayor predisposición a enfermedades crónicas.

Se supone que los hogares con más cantidad de NNyA tienen menos probabilidades de escapar de la IA, por el simple hecho de que a igual cantidad de perceptores de ingresos laborales hay más miembros que no trabajan, lo que obliga a distribuir los recursos entre un mayor número de personas. Los hogares con una mayor proporción de personas en edad de trabajar, en cambio, pueden ajustar su participación laboral en función de las circunstancias económicas (Broadway y Kalb, 2022). Esta situación puede verse potenciada en los hogares con un mayor número de miembros adolescentes, que tienen requerimientos nutricionales más altos que los niños/as más pequeños. En dirección opuesta, también puede verse atenuada si los hogares con NNyA reciben ayudas alimentarias directas o indirectas. Programas gubernamentales como la Tarjeta Alimentar muestran efectividad para IA transitoria (Tuñón y García Balus, 2024), pero resultan insuficientes para hogares con IA persistente, donde se requieren intervenciones multisectoriales (en el campo del empleo, la infraestructura y la salud). Asimismo, quienes viven en barrios carenciados tienen acceso limitado a comercios que ofrecen variedad de precios y menos oportunidades para aprovechar descuentos por volumen (Karger, 2007).

En segundo término, la posición socioocupacional y el nivel educativo del hogar determinan, principalmente, la remuneración a la que pueden acceder sus miembros en el mercado laboral. En tal sentido, los hogares con integrantes poco calificados con trabajos de mala calidad suelen tener ingresos fluctuantes e intertemporalmente bajos. Su inestabilidad financiera los coloca en una situación desfavorable en términos de seguridad alimentaria, haciéndolos más vulnerables a enfrentar dificultades en el acceso a los alimentos de forma recurrente. Por el contrario, los hogares con integrantes bien remunerados y con empleos estables podrían, en ciertas ocasiones, caer en la IA; sin embargo, son menos propensos a padecerla de manera prolongada en el tiempo (Félix-Verduzco et al., 2018; Sheely, 2024). En el contexto de la pandemia y de pospandemia en Argentina, es probable que las caídas en la IA se hayan multiplicado en todos los estratos socioocupacionales.

Por último, otro factor que influye en la IA es la situación de salud de los miembros del hogar. En muchas ocasiones, quienes presentan una enfermedad grave o crónica tienen limitada su capacidad de trabajar. Al mismo tiempo, esta situación restringe las posibilidades laborales de otros miembros del hogar, al tener que realizar tareas de cuidado no remuneradas. Además, los hogares cuyos miembros tienen problemas de salud suelen tener mayores gastos médicos, lo que reduce los recursos disponibles para la adquisición de alimentos. Algunos estudios documentaron que los problemas de salud mental también se asocian positivamente con la IA (Cook et al., 2013; Wolfson et al., 2021). En la Argentina de los últimos años, estos problemas se han incrementado (Garofalo et al., 2024), por lo que resulta fundamental considerar este vínculo.

A partir de los factores enunciados y otros, cabe realizarse las siguientes preguntas: ¿cómo interactúan los factores estructurales —como la configuración del hogar, el tipo de inserción laboral o el nivel educativo— con los ingresos volátiles para generar IA persistente versus transitoria en hogares con NNyA?, ¿qué características presentan aquellos que la experimentan de forma transitoria?, ¿es común que los hogares que viven situaciones de persistencia también experimenten variaciones importantes en los niveles de IA de un año al otro?

La hipótesis de trabajo sostiene que los factores que se definen estructurales, por no estar sujetos a grandes cambios en el tiempo, como los demográficos, habitacionales y de salud, son relevantes para explicar la persistencia de la IA de los hogares. Por su parte, el nivel de ingresos, que viene dado por lo que obtienen los hogares del mercado de trabajo y de otras fuentes, debería ser un determinante clave no solo de las situaciones de persistencia de tal condición, sino también de las oscilaciones de los niveles de IA de un período a otro.

El trabajo continúa de la siguiente manera: luego de esta introducción, la segunda sección repasa los principales hallazgos de la literatura relacionada a la temática. En la tercera sección, se explicitan los aspectos metodológicos y de análisis. La cuarta sección presenta los principales resultados. Finalmente, la sección cinco concluye el trabajo.

2. Revisión de literatura

El principal objetivo de este estudio es caracterizar la IA en términos de su persistencia o transitoriedad. Existen una gran cantidad de antecedentes en la literatura que utilizaron esta tipología para examinar la dinámica de la pobreza monetaria (PM). Jalan y Ravallion (1998) fueron los primeros que la introdujeron, en un trabajo donde analizaron el consumo de los hogares rurales en China. Estos autores destacaron que aproximadamente la mitad del índice de severidad de la PM era atribuible al componente transitorio. Según ellos, la noción de PM crónica está estrechamente relacionada con la ausencia de movilidad social y la permanencia en un estado de carencias sociales continuo. Entre sus hallazgos más importantes, encontraron que las familias más extensas presentaban más chances de padecer PM crónica, mientras que las familias más pequeñas tenían más probabilidad de tener PM transitoria. Explicaron que la mayor prevalencia relativa de la PM transitoria en familias más reducidas refleja su susceptibilidad a trabajos estacionales de corta duración, especialmente en un contexto donde el mercado laboral rural tiende a ser limitado. Unos años más tarde, Christophe Muller (2002) empleó una metodología similar a la de Jalan y Ravallion (1998) para clasificar a la PM en Rwanda. Como resultado, obtuvo que la educación del jefe/a del hogar reduce la pobreza transitoria, lo mismo que el número de adultos jóvenes del hogar. Por contrapartida, la presencia de una mujer como jefa de hogar o el número de niños/as pequeños/as están asociados con una mayor PM crónica.

En el caso de Argentina, Guillermo Cruces y Quentin Wodon (2003) aplicaron un enfoque similar con los paneles rotativos de la Encuesta Permanente de Hogares del Instituto Nacional de Estadística y Censos (EPH-INDEC) para el periodo 1995-2002. Restringieron su análisis a la población urbana del Gran Buenos Aires y encontraron un claro aumento de la pobreza total y crónica en esos años. Destacaron que los hogares liderados por un jefe/a de hogar menor de 19 años tienen menores niveles de pobreza crónica y de pobreza transitoria. En lo que respecta al perfil socioocupacional, advirtieron que el hecho de ser cuentapropista incrementa los niveles de pobreza transitoria, a diferencia de los empleados del sector público, donde la pobreza crónica es más relevante. Jerónimo Carballo y María Bongiorno (2006) expandieron el análisis a la Argentina urbana y concluyeron que la pobreza transitoria de un hogar se asocia significativamente con la inserción laboral del/de la jefe/a, mientras que la pobreza crónica lo hace más con las características estructurales. Adicionalmente, notaron que las diferencias regionales de estos fenómenos resultaron significativas.

Sin embargo, una limitación del enfoque de Jalan y Ravallion (1998) radica en que asume que los ingresos son completamente sustituibles entre períodos, lo que implica que la mejora en un año puede compensar totalmente la carencia de otro. Este supuesto resulta especialmente cuestionable en el caso de la IA, donde episodios aislados de hambre, en particular durante la infancia, pueden generar efectos acumulativos y de difícil reversión. En respuesta a esta limitación, Foster (2007) propone medir la cronicidad de la pobreza monetaria a partir del conteo de períodos en privación.

Quienes aplicaron un enfoque similar al de Foster (2007) fueron Florencia Cazzaniga e Ignacio Sarmiento Barbieri (2010), que identificaron las características de los hogares que no pudieron salir de la pobreza en la Argentina urbana entre 2003 y 2007. A partir de los paneles rotativos provenientes de la EPH-INDEC para este período, encontraron que aquellos hogares residentes en el noreste del país con un elevado número de integrantes, una baja proporción de miembros empleados, cuya jefa de hogar es mujer, de avanzada edad y empleado de forma transitoria tienen mayor probabilidad de perdurar siendo pobres.

Uno de los trabajos más recientes en definir a la pobreza crónica es el trabajo de Leonardo Gasparini et al. (2019), que realizaron una estimación de esa condición utilizando los microdatos de bases semestrales de la EPH-INDEC desde 2003 a 2018. Los autores definen como pobres crónicos al 10 % más vulnerable de la población. De acuerdo con esta delimitación metodológica, obtuvieron que casi la mitad del total de pobres crónicos son menores de 15 años y una gran mayoría vive en asentamientos.

A pesar de los estudios mencionados sobre la dinámica temporal de la pobreza por ingresos, no se han encontrado antecedentes en la literatura que hayan examinado la dinámica de la IA en la Argentina. En otros países, sí se han llevado a cabo investigaciones que abordan específicamente la temática en cuestión. Para India, Biswabhusan Bhuyan et al. (2020) usan datos de la National Sample Survey sobre el gasto en consumo de los hogares de los años que comprenden el período entre 2000 y 2015. Aplican una metodología novedosa de panel sintético para estudiar las transiciones en la IA. Uno de sus principales hallazgos es que los hogares de jefatura masculina muestran, en promedio, mayores transiciones hacia la IA que los de jefatura femenina. Para Etiopía, Tefera Belachew et al. (2012) exploran los factores que explican la IA crónica en los adolescentes entre 13 y 17 años. A través de regresiones logísticas multivariadas, advirtieron que la tasa de dependencia y los ingresos del hogar, así como el género y el nivel educativo del adolescente son variables significativas. Para medir la cronicidad de la IA en Estados Unidos, Noura Insolera (2023) utiliza datos en panel provenientes del Panel Study of Income Dynamics —PSID— en los períodos 1999-2003 y 2015-2019. Encuentra que, en ambas muestras, la IA crónica está presente con mayor intensidad en las familias de bajos ingresos con NNyA.

Cabe destacar que muchos de los factores estructurales analizados en los estudios mencionados —como la composición del hogar, el tipo de inserción laboral o el nivel educativo— funcionan, en realidad, como expresiones o proxies de la pobreza estructural. Aunque no sea una medida directa de pobreza monetaria, la IA —como otras privaciones no monetarias— puede ser leída como una de sus manifestaciones más graves y visibles. En este sentido, las dinámicas de persistencia y transitoriedad de la IA también reflejan las formas en que la pobreza se reproduce o se mitiga en distintos tipos de hogares.

3. Metodología

La información es obtenida de la Encuesta de la Deuda Social Argentina (EDSA) del ODSA-UCA. Dicha encuesta tiene la característica de ser multipropósito y se realiza anualmente desde 2004 hasta la actualidad. Además, abarca a 18 aglomerados urbanos de la Argentina y es representativa de ciudades de 80 mil habitantes y más. Asimismo, la EDSA tiene un diseño de panel que permite el análisis longitudinal. Para este trabajo en particular, se utilizan paneles bianuales correspondientes al período 2018-2023. Esta estructura de panel se aprovecha para explorar la dinámica de la IA. Para el análisis, se consideran todos los hogares urbanos con NNyA que fueron encuestados dos años seguidos en el período mencionado y que contienen las variables necesarias. Tras considerar este criterio de inclusión, la muestra abarca un total de 3.149 hogares.

El enfoque metodológico utilizado para medir la IA en la EDSA es una adaptación de la Escala Latinoamericana y del Caribe sobre Seguridad Alimentaria (ELCSA). La escala se construye a partir de aspectos objetivos y subjetivos relevados sobre distintas dimensiones de la privación alimentaria, considerando una ventana temporal de referencia de los últimos doce meses. La elección temporal responde a las recomendaciones de la literatura, que sugiere evitar la influencia de factores estacionales. Como se detalla en la Tabla 1, se contemplan cinco preguntas, cada una de las cuales posee un puntaje específico. El valor total de la escala resulta de la sumatoria de dichos puntajes, lo que da lugar a que oscile entre 0 y 12 puntos (Tuñón y Sánchez, 2021).

Tabla 1. Ítems de la Escala de inseguridad alimentaria de la Encuesta de la Deuda Social Argentina (EDSA-UCA)

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

Tabla 2. Rangos que definen las categorías de la inseguridad alimentaria en hogares con NNyA

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

En los estudios del ODSA-UCA, es frecuente categorizar a la IA en moderada y severa, según la intensidad que manifiesta la escala. Los hogares que experimentan IA moderada presentan una escala que oscila entre 4 y 7 puntos, mientras que aquellos con IA severa tienen una escala que se ubica entre 8 y 12 puntos (véase Tabla 2). Sin embargo, al clasificar a los hogares en solo dos categorías, se pierde la información que tiene la escala asociada al grado de la privación. Indranil Dutta et al. (2007), Craig Gundersen (2008) y Kelly Balistreri (2016) lograron adaptar, para la IA, el índice de severidad de la pobreza, también llamado FGT-2 (Foster et al., 1984). En primer lugar, calculan el siguiente indicador:

En esta ecuación,  indexa hogares y  períodos.  es la escala de IA del hogar  en el momento ,  es el umbral o punto de corte de la IA (3 en los hogares con NNyA) y es el máximo valor de la escala (12 en los hogares con NNyA). Se considera que un hogar padece IA cuando  es un número positivo, es decir . Si la desigualdad se revierte,  vale 0 y el hogar no sufre esta privación. Luego, utilizan los para medir la severidad de la IA, de la siguiente manera:

En comparación al indicador clásico de la IA (de prevalencia), el índice de severidad posee ciertas ventajas. En palabras de Gundersen (2008), satisface las propiedades de normalización y anonimidad como el indicador de prevalencia, pero también las de monotonicidad y transferencia. En este sentido, contempla no sólo la condición (tener o no IA), sino también el grado (cuán lejos están los hogares de salir de la IA medido por los ). Además, su estructura de ponderaciones les otorga mayor peso a los hogares más lejos del umbral, es decir, que penaliza la desigualdad al interior de los hogares con IA. En el Gráfico 2, se presentan las trayectorias de la prevalencia y de la severidad de la IA para el total de hogares urbanos con NNyA entre los años 2018 y 2023. Se advierte que ambas medidas evolucionaron de forma similar en el periodo. Los dos indicadores exponen su máximo valor en el año 2020, en el contexto de la pandemia de COVID-19.

Gráfico 2. Evolución de los índices de prevalencia y severidad de la inseguridad alimentaria total de la Argentina urbana, período 2018-2023. En porcentaje de hogares con NNyA

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

El índice de severidad es una función aditiva y estrictamente convexa, lo que permite descomponer a la IA en sus componentes persistente y transitorio siguiendo la metodología de Jalan y Ravallion (1998). Matemáticamente, la IA persistente y transitoria se definen como:

En (3), la IA persistente del hogar i en el momento t es función del  que se determina por el valor promedio de los sit en los dos períodos relevados. En (4), se advierte que la IA transitoria surge de la diferencia entre el promedio de la IA de los dos períodos (5) y la persistente. De esta ecuación, se desprende que los hogares que tienen IA en uno de los dos años relevados tienen el componente transitorio. Por ejemplo, se puede presentar el caso de un hogar que cae provisionalmente en situación de IA, pero que, en promedio, tiene un puntaje de la escala inferior al umbral requerido. En tal caso, tiene un componente persistente nulo, pero el transitorio es positivo. Otro aspecto interesante es que, por la forma que se calculan los componentes, resulta factible que un hogar tenga ambos a la vez. Un hogar cuyo puntaje de la escala está por encima del umbral de privación en los dos años de relevamiento padece, por construcción, IA persistente. Pero, además, tiene el componente transitorio si su puntaje cambia de un periodo a otro. En este sentido, la transitoriedad de la IA está dada no solo por la caída eventual en ella en cierto periodo, sino también por la variabilidad de la intensidad con la que se sufre esta carencia.

Con el objetivo de examinar los determinantes de los dos componentes de la IA, se realiza un análisis condicionado, proponiendo para ello los siguientes modelos:

Las tres especificaciones comparten las variables explicativas contenidas en . En esta matriz, se incluyen la edad, la edad al cuadrado y el nivel educativo del/de la jefe/a de hogar. Se añade también una dummy que indica si el/la jefe/a tiene cónyuge. Asimismo, se incluye la cantidad de NNyA (entre 0 y 3 años, entre 4 y 14 años y entre 15 y 17 años), la cantidad de adultos, el tipo de barrio que habita, la disponibilidad de red de gas natural, la tenencia de heladera o freezer y efectos fijos por aglomerado urbano y por año. También se agregan dummies que indican si en el hogar algún miembro tiene una enfermedad grave o crónica o malestar psicológico. Todas estas características corresponden al año que inicia la cohorte de cada observación (para sus definiciones, véase Tabla A1 en el Anexo). Finalmente, se introduce una variable categórica que explota la estructura de panel. Esta refiere a la situación ocupacional del/de la jefe/a hogar y distingue entre quienes trabajan los dos años que son relevados y tienen ingresos estables, quienes trabajan los dos años, pero tienen ingresos volátiles, quienes trabajan solo uno de los dos años y quienes no trabajan en ninguno de los dos años. Arbitrariamente, se incluyen dentro de la categoría de los/as que trabajan siempre con ingresos volátiles a quienes perciben un sueldo que varía de un año al otro más del 50 %.

En lugar de estimar (5), (6) y (7) a través de técnicas convencionales como Mínimos Cuadrados Ordinarios (MCO),^[1] se opta por hacerlo por máxima verosimilitud empleando el modelo Tobit, que evita incurrir en inconsistencias. La razón es que , y  son variables censuradas, ya que toman un valor cero para los hogares con seguridad alimentaria (por construcción, no pueden tomar valores negativos). Necesariamente, utilizar un modelo Tobit implica asumir que los términos de error aleatorio siguen una distribución normal. Para calcular la matriz de varianzas y covarianzas de los parámetros estimados, se utiliza la técnica de bootstrap.

Finalmente, se clasifica para los predictores de los modelos en cuatro grupos de acuerdo con la dimensión que les corresponde: demográfica, socioocupacional, habitacional y de salud. Esto se realiza con la idea de inferir la relevancia que tienen las distintas dimensiones sobre los componentes de la IA. La estrategia que se sigue consta de hacer pruebas F de significatividad conjunta de las variables. En especial, una prueba F propone como hipótesis nula que cierto set de variables explicativas no es relevante, por lo que los coeficientes asociados a las variables que contiene son nulos. Su estadístico de prueba es:

Donde  y  representan la suma de errores al cuadrado del modelo restricto (modelo bajo ) e irrestricto (original) respectivamente,  es el número de variables del set,  son las observaciones y  es la cantidad de parámetros estimados en el modelo no restricto (incluyendo la constante). Intuitivamente, si las sumas de errores al cuadrado de ambos modelos dan como resultado números parecidos, significa que ambos modelos son similares y la  es cierta. Para ello, el  observado debería ser cercano a cero (es suficiente con que sea menor al F crítico correspondiente para un nivel de significatividad dado).

Una limitación importante de este estudio es la imposibilidad de extrapolar los resultados a nivel de la población urbana total, puesto que los paneles bianuales no surgen de un muestreo multietápico estratificado. Aun así, esta muestra parece ser bastante representativa, dado que está conformada por hogares con características observables similares en promedio a los que constituyen la población general de hogares urbanos con NNyA (véase Tabla A2 del Anexo).

4. Resultados

Previo a seguir los lineamientos de Jalan y Ravallion (1998) para clasificar el índice de severidad en las partes persistente y transitoria, se descompone a la IA en tres categorías mutuamente excluyentes. Específicamente, como primera aproximación, se distinguen aquellos hogares con NNyA que sufren IA en los dos períodos relevados de los que la sufren sólo una vez. Justamente, el Gráfico 3 muestra que, en el período bajo análisis, un 36,8 % de los hogares analizados tiene IA en al menos uno de los años considerados. De forma separada, un 12,1 % presenta IA en dos años seguidos, mientras que un          24,7 % la padece solo en una medición. Esta categorización es similar a la que realiza el artículo de Foster (2007) para estudiar la pobreza intertemporal. En el Anexo, se presenta una extensión de esta categorización y algunos análisis condicionados (véase Tablas A4, A5 y A6). Además, se hace una descomposición alternativa de la IA siguiendo la metodología propuesta por Hai-Anh Dang y Andrew Dabalen (2017), con el agregado de que permite calcular la fracción de hogares que entran y que salen de la IA en determinado período (véase Tabla A7).  

Gráfico 3. Clasificación de la inseguridad alimentaria, período 2018-2023. En porcentaje de hogares urbanos panel con NNyA

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

La Tabla 3 presenta la descomposición del índice de severidad de la IA en sus componentes persistente y transitorio. Para el total de hogares urbanos con NNyA de la muestra, se tiene que este índice es de 0,086 y que la proporción del componente persistente es del 61 %. Adicionalmente, la Tabla 3 destaca esta descomposición para ciertos subgrupos. En líneas generales, se puede afirmar que los hogares más vulnerables tienen niveles elevados de ambos componentes y la parte que predomina es la persistente. Por destacar algunas características, se observa que los niveles de la IA persistente y transitoria disminuyen con el nivel educativo del/de la jefe/a del hogar y la fracción que es persistente es significativamente menor en aquellos con estudios secundarios completos. Además, el índice de severidad disminuye notoriamente en el estrato medio profesional, al igual que el porcentaje de este que le corresponde a la parte persistente. Otro punto interesante es que tanto la IA persistente como la transitoria tienden a ser más altas en los hogares con jefe/as que trabajan solo un periodo, inclusive con relación a jefes/as que no trabajan en ninguno de los años. La proporción de la IA que es persistente también es mayor en ese tipo de hogares. Por otra parte, la Tabla 3 refleja una discrepancia muy importante en los niveles de IA persistente y transitoria entre los hogares que tienen déficit en las condiciones habitacionales con respecto a los hogares que no tienen déficit en tal dimensión. Por ejemplo, se advierte que las privaciones se profundizan en los hogares que no tienen heladera ni freezer, siendo la parte persistente muy relevante. Las vulnerabilidades estructurales por cuestiones de salud también incrementan el índice de severidad, afectando a ambos componentes. En ese tipo de hogares, la parte persistente es ligeramente más relevante que su contraparte transitoria.

Tabla 3. Descomposición del índice de severidad de la inseguridad alimentaria total en los hogares urbanos panel con NNyA, período 2018-2023

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

Los resultados de las estimaciones de los modelos Tobit (5), (6) y (7) se exponen en la Tabla A3 del Anexo. De acuerdo con el pseudo , el modelo predice mejor la IA transitoria que la total y la persistente. Dado que la función de regresión de estos modelos no es lineal en parámetros, en la Tabla A3, no es posible interpretar directamente la magnitud de los coeficientes estimados. Solo es factible analizar el signo y la significatividad de los parámetros estimados por estos modelos.^[2] 

En cuanto a las características demográficas, la IA persistente se asocia de manera positiva con la cantidad de NNyA en el hogar (véase Gráfico 4). Comparativamente, los hogares con adolescentes entre 15 y 17 años presentan un mayor riesgo de permanecer en IA que aquellos con niños/as más pequeños. Esto puede explicarse por las mayores necesidades nutricionales de este grupo etario, sumado a que los programas de asistencia directa en el espacio escolar e indirecta a través de transferencias suelen centrarse en los niños/as en edad escolar y en la primera infancia. Es importante destacar que, aunque la presencia de NNyA influye en la IA persistente, no parece ser un factor muy relevante para explicar el componente transitorio. Por otro lado, los hogares cuyo jefe/a de hogar no tienen cónyuge experimentan mayores niveles de IA en ambos componentes, aunque el efecto es más pronunciado en el componente persistente. Generalmente, los hogares sin cónyuge (monoparentales en caso de presencia de NNyA) tienen menos fuentes de ingreso para sostener al hogar, lo que además los expone a una fuerte inestabilidad ante la pérdida de empleo o la reducción de sus ingresos, al no contar con otro perceptor que les permita aliviar esa situación adversa. La edad del/de la jefe/a del hogar muestra una relación positiva, pero cóncava con la IA persistente. Tal como se veía en la Tabla 3, los niveles de IA se reducen en los/as jefes/as con una edad superior a 50 años, probablemente porque acumulan suficiente experiencia laboral, que los ubica en mayores niveles de ingreso, o porque acceden a sistemas de jubilación o pensiones, que disminuye la volatilidad de sus ingresos.

De forma evidente, el máximo nivel educativo logrado por el/la jefe/a de hogar se asocia negativamente con el riesgo de IA, con un vínculo más fuerte con el componente persistente. De igual manera, la afiliación a la seguridad social, que es un proxy del vínculo del hogar con el mercado de trabajo formal, tiene un correlato negativo con ambos componentes de IA, siendo el persistente con el que más se relaciona. Por lo tanto, esto podría sugerir que los hogares cuyos trabajadores poseen baja calificación y se desempeñan en el mundo informal enfrentan un mayor riesgo de vivir episodios recurrentes de IA. Un clima educativo alto en los hogares, además, constituye un capital social que podría incidir favorablemente en la capacidad para tomar decisiones a la hora de alimentarse. En lo que respecta a la situación ocupacional del/de la jefe/a de hogar en el tiempo, se observa que aquellos que solo trabajan un año o no trabajan en ninguno de los períodos relevados presentan niveles aún más elevados de IA en comparación a quienes trabajan siempre.

Respecto a las características habitacionales, se confirma la hipótesis de que adquieren relevancia en la cuestión alimentaria de los hogares urbanos argentinos. Los hogares que no cuentan con heladera ni freezer tienen mayores niveles de IA persistente. Asimismo, los que viven en barrios carenciados (villas, asentamientos, viviendas sociales o monobloques) están expuestos a experimentar IA de manera persistente. Estas características no parecen estar vinculadas con el componente transitorio. En cambio, el hecho de no tener acceso a la red de gas natural incrementa significativamente tanto la parte persistente como la transitoria. Por último, se advierte la importancia de la condición de salud de los integrantes de los hogares. Aquellos hogares con al menos un miembro que presenta malestar psicológico ven incrementadas sus probabilidades de tener IA, tanto persistente como transitoria.

Gráfico 4. Determinantes de la inseguridad alimentaria persistente y transitoria. Estimaciones Tobit. Intervalos de confianza de 95 %

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

La Tabla 4 muestra los resultados de las pruebas F. En ellas, se evalúa la relevancia de los predictores agrupados en cuatro dimensiones según sus características: demográfica, socioocupacional, habitacional y de salud. Las pruebas arrojan que las cuatro dimensiones son relevantes para explicar la IA intertemporal y sus componentes (p<0,01).

Asimismo, permiten comparar el poder explicativo de las distintas dimensiones sobre los dos componentes de la IA. Como los modelos (5), (6) y (7) comparten las mismas variables explicativas y se estiman con los mismos datos, el estadístico F de una prueba que evalúa la importancia de cierto grupo de variables en un modelo es comparable a su equivalente en el otro modelo. En este sentido, se advierte que las características demográficas del hogar son más relevantes para explicar la parte persistente de la IA. Esto se debe a que el estadístico F arroja un valor de 140.20 cuando la variable dependiente es la IA persistente y un estadístico F de 53.09 cuando la variable dependiente es la IA transitoria. De igual manera, las dimensiones habitacionales y de salud parecen tener mayor importancia para explicar el componente persistente. Lógicamente, estas tres dimensiones reflejan condiciones estructurales que influyen en la IA de corto, pero también de largo plazo de los hogares.

En cambio, el resultado de la prueba F asociada a la dimensión socioocupacional refleja que las variables de tal dimensión resultan más significativas en el componente transitorio. Esta dimensión, que engloba el estado ocupacional del/de la jefe/a en el tiempo, su calificación y el nivel de protección social del hogar, define el nivel y la variabilidad de los ingresos laborales y no laborales. En tal sentido, los trabajadores formales y de alta calificación usualmente gozan de una mejor remuneración y mayor estabilidad en sus ingresos en relación con los trabajadores de baja calificación, que no están en el sistema formal, que hasta pueden ser despedidos en contextos de crisis. Más aún, esto podría haberse intensificado en la Argentina de los últimos años, donde los trabajadores con empleos de poca calidad estuvieron expuestos a fuertes (y fluctuantes) reducciones del poder adquisitivo en un escenario altamente inflacionario. En esas circunstancias, las ayudas sociales en dinero tienen un rol fundamental ya que, en muchas ocasiones, sus beneficios compensan la inestabilidad de los ingresos provenientes del mercado laboral. El hecho de que la dimensión socioocupacional tenga más incidencia sobre el componente transitorio está en línea con los resultados de varios estudios que desglosaron, para Argentina, la pobreza monetaria según su dinámica (Cruces y Wodon, 2003; Carballo y Bongiorno, 2006; Alejo y Garganta, 2014). Esto sugiere que la transitoriedad de la IA está guiada, al igual que la pobreza, por la dinámica de los ingresos.

Tabla 4. Importancia relativa de los parámetros asociados a determinantes

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

5. Conclusiones

El presente trabajo adoptó la metodología de Jalan y Ravallion (1998) para estudiar la dinámica de la IA en una muestra de hogares con NNyA de la Argentina urbana en el período 2018-2023. Los hallazgos indicaron que los factores que definen los ingresos laborales de los hogares son significativos para explicar tanto la parte persistente como la transitoria de la IA, siendo especialmente relevantes para la última. El análisis también reveló que la IA no se relaciona exclusivamente con las condiciones de ingreso, sino que otras características estructurales tienen un peso específico e independiente en la problemática. Es por eso que se incorporaron dimensiones adicionales, como la demográfica, habitacional y de salud de los hogares, las cuales demostraron ser influyentes principalmente en el componente persistente.

De los resultados del estudio, se desprenden valiosas implicancias para el diseño y la implementación de políticas públicas que tengan el propósito de contrarrestar la persistencia de la IA en los hogares argentinos. Para lograrlo, es fundamental tener un enfoque integral, que considere las múltiples privaciones que enfrentan este tipo de hogares. En el contexto actual argentino, la generación de empleos de calidad y la promoción de la formalización resultan prioritarias, con el propósito de que los trabajadores tengan ingresos suficientes que les permitan alcanzar la seguridad alimentaria tanto a corto como a mediano y largo plazo. En paralelo, es deseable la implementación de políticas que protejan el poder adquisitivo de los trabajadores, como la reducción consistente de la inflación (es decir, del aumento de precios en alimentos y servicios, entre otros). Como se evidenció en el trabajo, la inestabilidad de los ingresos es un factor que incrementa no solo la parte transitoria de la IA, sino también la persistente al reducir los ingresos intertemporales. En cuanto a la asistencia social, se deben desarrollar mecanismos de protección que garanticen una alimentación nutritiva y regular para aquellos sectores que más lo necesitan. A su vez, es necesario trabajar en otros aspectos igualmente relevantes, como la mejora de la infraestructura en los barrios carenciados, el acceso equitativo a servicios públicos esenciales y el apoyo a personas con problemas de salud graves.

Un aspecto metodológico que resulta necesario reconocer es el supuesto implícito en la cardinalización de la escala de IA utilizada para estimar sus componentes crónicos y transitorios. Si bien la metodología de Jalan y Ravallion (1998) requiere una variable continua para su aplicación, la escala empleada en este artículo es originalmente de tipo ordinal. Obviar esta cuestión y realizar igualmente la cardinalización implica asignar diferencias cuantitativas a categorías cualitativas cuyo peso relativo no está definido. Cabe señalar, sin embargo, que esta estrategia ya fue adoptada previamente en la literatura. Específicamente, Dutta et al. (2007), Gundersen (2008) y Balistreri (2016) adaptaron el índice de severidad de la pobreza (FGT 2) a la IA.

Con el objetivo de fortalecer los resultados obtenidos, se realizó una descomposición alternativa de la IA, siguiendo los lineamientos propuestos por Foster (2007). Como principal ventaja, este enfoque permite prescindir de supuestos fuertes. En primer lugar, trabaja directamente con el indicador binario de IA, sin utilizar la escala ordinal (por lo que no requiere su cardinalización). Por esta razón, además, evita asumir una compensación perfecta del estatus alimentario entre periodos. Es decir, no supone que un episodio desfavorable en un periodo pueda ser compensado completamente por una situación favorable en otro, como sí ocurre en el enfoque de Jalan & Ravallion (1998). Sin embargo, este enfoque también presenta limitaciones: no permite identificar simultáneamente componentes persistentes y transitorios en un mismo hogar ni diferenciar entre distintos niveles de intensidad dentro de cada componente. Al comparar los resultados de este enfoque con los del análisis principal, se concluyó que fueron cualitativamente similares.

Este estudio presenta cinco limitaciones adicionales clave: en primer lugar, los paneles bianuales de la EDSA, aunque superiores a cortes transversales, podrían subestimar la dinámica temporal al capturar solo cambios a mediano plazo. En segundo lugar, la muestra no es probabilística y excluye zonas rurales, lo que restringe su representatividad nacional. Tercero, el diseño no permite inferencia causal, solo asociaciones. Cuarto, las medidas autoinformadas (escala ELCSA) podrían estar afectadas por sesgo de deseabilidad social, aunque su validación regional (Shamah-Levy et al., 2014) mitiga este riesgo. Y quinto, el contexto pandémico (2020-2021) podría haber exacerbado patrones de IA. Futuras investigaciones deberían ampliar el período de estudio, incluir áreas rurales y contrastar métodos de medición de cronicidad.

Agradecimientos

Los autores agradecen el financiamiento otorgado por la Pontificia Universidad Católica Argentina en el marco del Programa del Observatorio de la Deuda Social Argentina, que ha hecho posible la realización de esta investigación. Asimismo, expresan su reconocimiento por los valiosos comentarios y sugerencias de los revisores anónimos, que han contribuido a mejorar sustancialmente el presente artículo.

Referencias

Alejo, J. y Garganta, S. (2014). Pobreza Crónica y Transitoria: Evidencia para Argentina 1997-2012 (Documento de Trabajo n.° 175). Centro de Estudios Distributivos, Laborales y Sociales.

Balistreri, K. S. (2016). A decade of change: measuring the extent, depth and severity of food insecurity. Journal of family and economic issues, 37, 373-382. https://doi.org/10.1007/s10834-016-9500-9

Belachew, T., Lindstrom, D., Gebremariam, A., Jira, C., Hattori, M. K., Lachat, C., Huybregts, L. y Kolsteren, P. (2012). Predictors of chronic food insecurity among adolescents in Southwest Ethiopia: a longitudinal study. BMC Public Health, 12, 1-11. https://doi.org/10.1186/1471-2458-12-604

Bhuyan, B., Sahoo, B. K. y Suar, D. (2020). Food insecurity dynamics in India: A synthetic panel approach. Social Sciences & Humanities Open, 2(1), 1-14.

Bonfiglio, J., Vera J. y Salvia A. (Coords.). (2024). Deterioro de las condiciones de vida de los hogares en la agudización de un proceso de crisis social y económica. Evolución de las privaciones monetarias y no monetarias 2010-2023. Editorial de la Universidad Católica Argentina.

Broadway, B. y Kalb, G. (2022). Labour Market Participation: Family and Work Challenges across the Life Course. En J. Baxter, J. Lam, J. Povey, R. Lee y S. R. Zubrick (Eds.), Family Dynamics over the Life Course: Foundations, Turning Points and Outcomes (pp. 177-200). Springer International Publishing. https://doi.org/10.1007/978-3-031-12224-8_9

Carballo, J. y Bongiorno, M. (2006). La Evolución de la Pobreza en Argentina: Crónica, Transitoria, Diferencias Regionales y Determinantes (1995-2003) (Documento de Trabajo n.° 35). Centro de Estudios Distributivos, Laborales y Sociales, Facultad de Ciencias Económicas, Universidad Nacional de La Plata.

Cazzaniga, F. P. y Sarmiento Barbieri, I. M. S. (2010, 22, 23 y 24 de junio). Probabilidad de un hogar de permanecer en la pobreza [ponencia]. Cuartas Jornadas de Jóvenes Investigadores Universidad Nacional de Tucumán–Consejo Nacional de Investigaciones Científicas y Técnicas.

Cook, J. T., Black, M., Chilton, M., Cutts, D., De Cuba, S. E., Heeren, T. C., Rose-Jacobs, R., Sandel, M., Casey, P. H., Coleman, S., Weiss, I. y Frank, D. A. (2013). Are food insecurity's health impacts underestimated in the US population? Marginal food security also predicts adverse health outcomes in young US children and mothers. Advances in Nutrition, 4(1), 51-61. https://doi.org/10.3945/an.112.003228

Cruces, G. y Wodon, Q. (2003). Transient and chronic poverty in turbulent times: Argentina 1995-2002. Economics Bulletin, 9(3), 1-12.

Dang, H. A. H. y Dabalen, A. L. (2017). Is Poverty in Africa Mostly Chronic Or Transient? Evidence from Synthetic Panel Data. Journal of Development Studies, Taylor & Francis Journals, 55(7), 1527-1547.

Deaton, A. (1991). Savings and Liquidity Constraints. Econometrica, 59(5), 1221-1248. https://doi.org/10.2307/2938366

Dutta, I., Gundersen, C. y Pattanaik, P. K. (2007). Measures of food insecurity at the household level. En B. Guha-Khasnobis, S. Acharya y B. Davis (Eds.), Food Security Indicators, Measurement, and the Impact of Trade Openness (pp. 42-61). Oxford Academic. https://doi.org/10.1093/acprof:oso/9780199236558.001.0001 

Félix-Verduzco, G., Aboites Manrique, G. y Castro Lugo, D. (2018). La seguridad alimentaria y su relación con la suficiencia e incertidumbre del ingreso: un análisis de las percepciones del hogar. Acta universitaria, 28(4), 74-86. https://doi.org/10.15174/au.2018.1757

Foster, J., Greer, J. y Thorbecke, E. (1984). A class of decomposable poverty measures. Econometrica: journal of the econometric society, 761-766. https://doi.org/10.2307/1913475

Foster, J. E. (2007). A class of chronic poverty measures (Working Paper n.° 07-W01). Department of Economics, Vanderbilt University.

Friedman, M. (1957). A Theory of the Consumption Function. National Bureau of Economic Research.

Garofalo, C. S., Rodríguez Espínola, S. y Paternó Manavella, M. A. (2024). La calidad de sueño y el malestar psicológico en las personas mayores en el contexto de la pandemia por COVID-19. Revista Argentina de Ciencias del Comportamiento, 16(3), 60-168.

Gasparini, L., Cicowiez, M. y Sosa Escudero, W. (2013). Pobreza y desigualdad en América Latina: conceptos, herramientas y aplicaciones. Temas Grupo Editorial.

Gasparini, L., Tornarolli, L. y Gluzmann, P. (2019). Pobreza Crónica en Datos de Corte Transversal: Estimaciones para Argentina (Documento de Trabajo n.° 252). Centro de Estudios Distributivos, Laborales y Sociales.

Gundersen, C. (2008). Measuring the extent, depth, and severity of food insecurity: an application to American Indians in the USA. Journal of Population Economics, 21, 191-215. https://doi.org/10.1007/s00148-007-0152-9

Gundersen, C. y Ziliak, J. P. (2015). Food insecurity and health outcomes. Health affairs, 34(11), 1830-1839. https://doi.org/10.1377/hlthaff.2015.0645

Insolera, N. (2023). Chronic food insecurity in US families with children. JAMA Pediatrics, 177(4), 434-435. https://doi.org/10.1001/jamapediatrics.2022.5820

Jalan, J. y Ravallion, M. (1998). Transient poverty in postreform rural China. Journal of Comparative Economics, 26(2), 338-357. https://doi.org/10.1006/jcec.1998.1526

Karger, H. J. (2007). The “poverty tax” and America's low-income households. Families in Society, 88(3), 413-417. https://doi.org/10.1606/1044-3894.3650

Kirkpatrick, S. I., McIntyre, L. y Potestio, M. L. (2010). Child hunger and long-term adverse consequences for health. Archives of pediatrics & adolescent medicine, 164(8), 754-762. https://doi.org/10.1001/archpediatrics.2010.117

Muller, C. (2002). Censored Quantile Regressions of Chronic and Transient Seasonal Poverty in Rwanda. Journal of African Economies, 11(4), 503-541.

Mundo-Rosas, V., Shamah-Levy, T. y Rivera-Dommarco, J. A. (2013). Epidemiología de la inseguridad alimentaria en México. Salud Pública de México, 55(2), S206-S213. https://doi.org/10.21149/spm.v55s2.5117

Shamah-Levy, T., Mundo-Rosas, V. y Rivera-Dommarco, J. A. (2014). La magnitud de la inseguridad alimentaria en México: su relación con el estado de nutrición y con factores socioeconómicos. Salud Pública de México, 56(1), 79-85. https://doi.org/10.21149/spm.v56s1.5169

Sheely, A. (2024). More than money? Job quality and food insecurity among employed lone mother households in the United States. Social Policy and Society, 23(1), 35-52. https://doi.org/10.1017/S1474746421000877

Silva, J. L., Sánchez, J. A. y Sánchez, A. (2017). La Escala Latinoamericana y del Caribe sobre Seguridad Alimentaria (ELCSA): Una herramienta confiable para medir la carencia por acceso a la alimentación. Revista Iberoamericana de las Ciencias Sociales y Humanísticas, 6(11), 263-286. https://doi.org/10.23913/ricsh.v6i11.118

Rodríguez Espínola, S. (Coord.), Garofalo, C. S., Paternó Manavella, M. A., Bauso, N., Dolabjian, M. y Soler, J. (2024). Desigualdad estructural en el desarrollo humano y social (2010-2023). Esfuerzos para el bienestar frente a la persistente inestabilidad económica y social. Pontificia Universidad Católica Argentina/ Observatorio de la Deuda Social Argentina. https://repositorio.uca.edu.ar/bitstream/123456789/19039/1/desigualdad-estructural-desarrollo.pdf

Tuñón, I. y Sánchez, M. E. (2021). Efectos del Aislamiento Social Preventivo y Obligatorio por COVID-19 en la seguridad alimentaria de las infancias. Revista Salud Pública, 25(1), 1-12. https://doi.org/10.31052/1853.1180.v25.n1.31134

Tuñón, I. y García Balus, N. A. (2024). Inseguridad Alimentaria en la infancia y sistemas de protección social por transferencias de ingresos no contributivas en la crisis social por COVID-19 en la población urbana argentina (2019-2021). Journal De Ciencias Sociales, 1(22), 52-75.

Tuñón, I., Maljar, M., Robert, N. y Bauso, N. (2024). Alimentación, etiquetado frontal y autoproducción. Sistemas de protección y desigualdad social en la infancia argentina. Pontificia Universidad Católica Argentina/Observatorio de la Deuda Social Argentina.

Walker, S. P., Wachs, T. D., Gardner, J. M., Lozoff, B., Wasserman, G. A., Pollitt, E. y Carter, J. A. (2007). Child development: risk factors for adverse outcomes in developing countries. The lancet, 369(9556), 145-157.

Wolfson, J. A., Garcia, T. y Leung, C. W. (2021). Food insecurity is associated with depression, anxiety, and stress: evidence from the early days of the COVID-19 pandemic in the United States. Health equity, 5(1), 64-71.

Zeldes, S. P. (1989). Consumption and liquidity constraints: an empirical investigation. Journal of political economy, 97(2), 305-346.

Anexo

Tabla A1. Definición operativa de las variables utilizadas

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

Tabla A2. Estadísticas descriptivas de las bases panel y apilada

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

Tabla A3. Determinantes de la inseguridad alimentaria persistente y transitoria en hogares urbanos con niños/as y adolescentes

Errores estándar calculados mediante bootstrap con 100 réplicas

*** p<0.01, ** p<0.05, * p<0.1                

Nota: las regresiones también incluyen controles por año que inicia la cohorte y por aglomerado urbano.

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

Descomposición de la inseguridad alimentaria según el enfoque de Foster (2007)

El enfoque de Jalan y Ravallion (1998), originalmente propuesto para el análisis de la pobreza monetaria intertemporal, clasifica a un hogar como pobre crónico si su nivel promedio de ingresos cae por debajo de la línea de pobreza. Esto implica que una deficiencia de ingresos en un período se podría compensar con un exceso en otro. Este supuesto de “perfecta sustituibilidad” es respaldado por la teoría del ingreso permanente de Milton Friedman (1957), según el cual se puede suavizar perfectamente el consumo a lo largo del tiempo. Si bien simplifica algunos análisis, a los fines prácticos, puede resultar poco realista. Está documentado que los hogares más desaventajados económicamente tienen muy bajas posibilidades de sustitución intertemporal de sus ingresos, ya que generalmente no pueden acceder al crédito, carecen de redes de apoyo informal y enfrentan altos costos de transacción al endeudarse (Zeldes, 1989; Deaton, 1991). Esto limita su capacidad para suavizar consumo frente a choques negativos. Trasladado al plano de la IA, el supuesto de “perfecta sustituibilidad” es igual de fuerte. Los episodios de hambre pueden tener efectos acumulativos y en muchos casos irreversibles sobre el desarrollo de las personas. Esto es particularmente cierto en el caso de niños/as y adolescentes, ya que existen ventanas críticas de desarrollo en las que incluso una sola privación puede dejar secuelas duraderas (Walker et al., 2007; Kirkpatrick et al., 2010).

Foster (2007) propuso un enfoque alternativo para estudiar la dinámica de la pobreza. A diferencia del que siguen Jalan y Ravallion (1998), su metodología no requiere asumir la “perfecta sustituibilidad”, ya que no considera la intensidad de la IA en los períodos relevados. En especial, la clasificación de hogares con pobreza crónica se construye a partir del número de períodos en los que se registra la privación. En términos de este trabajo, esta clasificación puede ser más adecuada debido a que respeta la particularidad de cada episodio alimentario desfavorable.

Formalmente, en el enfoque de Foster (2007), se realiza un conteo de los períodos en los que el hogar   experimenta IA (el número de periodos  para los cuales ). Luego se expresa la duración de la IA como una fracción  de esos periodos. La función de identificación de la IA persistente se basa en un umbral fijo λ є , de modo que un hogar se clasifica como tal si presenta la privación en al menos una proporción λ del tiempo, es decir:

A los fines de este trabajo, se elige arbitrariamente , de manera que se considera que un hogar tiene IA persistente solo si . Es decir, un hogar tiene IA persistente si se encuentra privado en los dos períodos que es encuestado. En cambio, se clasifica como transitoria su situación de IA si , lo que equivale a experimentar IA en un solo período. Finalmente, cuando un hogar presenta un valor de , no se lo clasifica dentro de ninguna de las dos categorías mencionadas. A diferencia del enfoque de Jalan y Ravallion (1998), en este caso, las categorías son mutuamente excluyentes. Justamente, el Gráfico 3 del documento muestra los porcentajes de estas tres categorías para el total de la muestra.

Por definición de la ecuación (9), un hogar es clasificado con IA persistente si presenta un puntaje de la escala por encima del umbral en ambos periodos relevados. En consecuencia, todos los hogares identificados con IA persistente bajo el enfoque de Foster (2007) presentan, necesariamente, el componente persistente según el enfoque de Jalan y Ravallion (1998). Esto se debe a que, si la escala supera el umbral en ambos periodos, entonces su promedio también se ubica por encima del umbral —cumpliendo así la condición establecida por el enfoque de Jalan y Ravallion (1998) para tener la parte persistente—. Sin embargo, la relación inversa no siempre se cumple. Por lo tanto, puede afirmarse que el criterio propuesto por Foster (2007) es más estricto a la hora de identificar hogares con IA persistente. De hecho, aproximadamente la mitad de los hogares (50,4 %) que tienen el componente persistente de la IA son clasificados en dicha categoría. Del mismo modo, los hogares con IA transitoria no coinciden con todos aquellos que tienen al menos algo de componente transitorio. En particular, el 72,6 % de los hogares que tienen el componente transitorio son clasificados con IA transitoria según el enfoque de Foster (2007).

A partir de estas definiciones, se extiende la descomposición del Gráfico 3 del documento a varios subgrupos (véase Tabla A4). Luego, se estima la relación de la IA total, persistente y transitoria con determinantes socioocupacionales, demográficos, habitacionales y de salud mediante regresiones logísticas (véase Tabla A5). Adicionalmente, dado que las tres categorías son mutuamente excluyentes, se estima una regresión multinomial (véase Tabla A6). A pesar de las diferencias en los criterios de identificación, los resultados obtenidos en esta sección refuerzan las conclusiones previamente alcanzadas utilizando la metodología de Jalan y Ravallion (1998).

Tabla A4. Descomposición de la inseguridad alimentaria total según el enfoque de Foster (2007) en los hogares urbanos panel con NNyA, período 2018-2023

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

Tabla A5. Determinantes de la inseguridad alimentaria persistente y transitoria según el enfoque de Foster (2007) en hogares urbanos con niños/as y adolescentes

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

Tabla A6. Regresión multinomial con las categorías de Foster (2007) en hogares urbanos con niños/as y adolescentes (categoría base = sin IA)

Errores estándar calculados mediante bootstrap con 100 réplicas

*** p<0.01, ** p<0.05, * p<0.1

Nota: las regresiones también incluyen controles por año que inicia la cohorte y por aglomerado urbano.

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

Descomposición de la inseguridad alimentaria según el enfoque de Dang y Dabalen (2017)

Para aproximar cuantitativamente la fracción que representan los hogares que tienen IA en dos años consecutivos, se realiza un ejercicio de descomposición. Como se cuenta con información de los hogares en dos años seguidos, resulta apropiado seguir el enfoque de Dang y Dabalen (2017). En un estudio para 21 países de África, estos autores segmentan a la pobreza monetaria según su persistencia. Adaptado a este trabajo, se descompone la IA del período  como:

Según esta igualdad, la IA del período  se conforma por el porcentaje de hogares que enfrentan una situación de IA en  y en  y por el porcentaje de hogares que no tienen IA en  pero caen en . Dividiendo todos los términos de la ecuación por , se tiene:

Aquí, el primer término del lado derecho constituye la fracción de hogares que tiene IA en  y en  en el universo de hogares con IA en . Por su parte, el segundo término hace alusión a la parte de la IA que se incorpora en el período  De manera similar, se puede descomponer la IA del período mediante las especificaciones:

La Tabla A5 muestra el ejercicio de descomposición y revela ciertos aspectos interesantes de la dinámica de la IA. De esta tabla, se extrae que la tasa de IA del segundo período (columna 1) está compuesta por quienes tienen IA en los dos períodos (columna 3) y quienes entran en la IA en el segundo período (columna 4). De manera similar, la IA del primer período (columna 1) se descompone en aquellos que presentan IA en los dos períodos (columna 3) y en quienes logran salir de la IA en el segundo período (columna 5).

En primer lugar, se advierte que un 12 % de los hogares con niños/as y adolescentes dejan de tener IA en el segundo período tras padecerla en el primero. Por su parte, la proporción que cae en la IA es similar (12 %). La descomposición también permite inferir el porcentaje que representan los hogares con IA en los dos años en el universo de hogares con IA en el período 2. Dividiendo la columna 3 por la 2, se tiene que este porcentaje es del 50 %, lo que sugiere que la mitad de los hogares con IA presenta dificultades para salir de ella.

Tabla A7. Descomposición de la inseguridad alimentaria en los hogares urbanos panel con niños/as y adolescentes (2018-2023)

Fuente: elaboración propia con base en EDSA-Agenda para la Equidad (2017-2025).

Notas