Un análisis de disparidades regionales de salarios registrados, a través de métodos de regionalización

Autores: Nicolás Aroma y Pablo Quintana.

Palabras claves

regionalización – salarios de trabajadores – desigualdad territorial

Resumen

Las desigualdades salariales en la Argentina no solo se presentan a nivel interpersonal, sino que también se muestran a nivel territorial. Esto significa que hay zonas del país que se ven desfavorecidas económicamente con respecto a otras. En este trabajo se trata de diferenciar esas regiones midiendo las remuneraciones de los trabajadores registrados. La construcción de dichas regiones se hace considerando los salarios en el periodo que va de enero 2014 hasta noviembre 2022 utilizando técnicas de clustering con restricción espacial.

Introducción

La segmentación de salarios es un tema importante en la investigación económica y social, ya que permite comprender las disparidades y desigualdades en la distribución del ingreso en un país determinado. En la República Argentina, un país con una historia de inestabilidad económica y fluctuaciones en el mercado laboral, el análisis de la segmentación de salarios puede proporcionar información valiosa sobre la estructura socioeconómica y las tendencias de la distribución del ingreso.

Para tener una mejor visión del problema salarial y detectar la heterogeneidad que puede existir se trabaja la distribución del salario por jurisdicciones (Blanco et al., 2016; Barrera et al., 2022), o se constituyen estadísticas en base a regiones conformadas por el Instituto Nacional de Estadísticas y Censos (INDEC) como los informes técnicos que presenta en materia laboral dicho organismo. Sin embargo, estas regiones son conformadas por criterios políticos o de otra índole que no necesariamente son los adecuados para describir el fenómeno. 

El objetivo principal de este estudio es proporcionar información detallada sobre la distribución de salarios en la República Argentina en regiones construidas por la similitud de sus departamentos. La división en provincias es una forma de fraccionar el país, pero se basa solo en aspectos políticos. La economía o los salarios en muchas ocasiones no respetan esos límites impuestos, por lo tanto, encontrar estos patrones en el territorio del país nos permite entender mejor la dinámica laboral.

Para lograr este objetivo, se aplica una de las metodologías utilizadas para la obtención de regiones de acuerdo a las características salariales que presentan los departamentos de Argentina. En el apartado siguiente se realiza una breve descripción de los antecedentes que aplican alguna técnica similar. Posteriormente, se exponen las características de la base de datos y una breve explicación del funcionamiento de la metodología seleccionada. Luego, en el cuarto apartado, se muestran los resultados obtenidos y algunas descripciones de lo observado. Por último, el artículo concluye con unas palabras finales y la mención a futuros trabajos en este lineamiento.

Antecedentes

En muchos estudios económicos y sociales, el territorio se presenta en regiones que consideramos homogéneas para poder trabajar mejor la fuente de datos. La idea de agrupar la información nos permite tener una visión más simplificada de la misma y así encontrar patrones que se encuentran en las variables estudiadas. Por lo general, estas regiones se han definido bajo conceptos preestablecidos como la división político-administrativa, cuando analizamos el comportamiento por países, provincias, departamentos, etc. o en regiones más grandes como las presentadas por el INDEC (Patagonia, Cuyo, Pampeana, etc.).

Evidentemente, en materia laboral y salarial estos estudios se han realizado agrupando los datos de esa manera. En este sentido, Manzano y Velázquez (2016) presentan un trabajo considerando las desigualdades de la oferta laboral que existen en las regiones argentinas. Por lo general, Argentina presenta fuertes desequilibrios e inequidades territoriales, como lo exponen Gasparini et al. (2019) donde los autores muestran la disparidad presente entre los diferentes departamentos que componen el país y como hay zonas claramente más desfavorecidas. También se puede ver esta situación en Rogers (2015) en donde realiza una comparación de los problemas de igualdad territorial de diferentes países, y muestra que en Argentina no sólo hay problemas de desigualdad interpersonal, sino también territorial, dos conceptos que son diferentes entre sí y no necesariamente correlacionan.

Con la introducción de nuevas tecnologías se ha podido avanzar también en la forma de analizar los datos y, dadas las características espaciales que se mencionan, un mejor análisis de la realidad se puede dar estudiando clusters espaciales que logren agrupar del modo más óptimo posible estos patrones. La realidad se presenta en aglomerados urbanos con determinadas características (Sabatini, 2016). Existen metodologías para identificar estos aglomerados y la literatura aporta estudios que han avanzado en este sentido, así Openshaw y Rao (1995) presentan una regionalización basada en datos censales y Aguado-Moralejo et al. (2019) realizan un estudio que detecta características de los barrios.

Con el propósito de ampliar los resultados de estos estudios, en este trabajo se busca delimitar regiones que agrupan departamentos de Argentina considerando los datos salariales y de empleo de trabajadores registrados en un periodo de tiempo. Para ello, se utiliza una metodología de clustering espacial que será detallada en el apartado siguiente.

Metodología y datos

En el periodo analizado para el presente trabajo se pueden identificar fases políticas y económicas de relevancia que permiten poner en contexto lo sucedido con los salarios registrados. Así es posible afirmar que entre 2014 y 2015, la economía nacional se encontraba en un proceso donde el crecimiento económico y de los salarios reales encontraba ciertos límites macroeconómicos. Después de períodos de expansión sostenida de la economía y de sensible recuperación de salarios reales, el modelo de crecimiento comienza a tener problemas para sostenerse, sin haber podido modificar sustancialmente la estructura productiva nacional bajo un contexto de inflación en aumento.

Luego, a partir del año 2016 y hasta 2019, el modelo económico puede ser caracterizado en términos generales como de altos niveles de endeudamiento y financiarización de la economía, con un desplazamiento de los objetivos de carácter productivo necesarios para impulsar la economía real. Esta es una etapa caracterizada, principalmente, por una sostenida recesión económica en combinación con una creciente inflación, situación que termina precipitando para el año 2018 con el estallido de una fuerte “crisis de deuda” con el cierre del mercado internacional de crédito y sostenida caída del salario real.

El 2020 comienza con un nuevo gobierno y con una crisis heredada que seguía mostrando sus efectos hasta la llegada de la pandemia para marzo de ese año cuando, con los conocidos impactos en la economía mundial, Argentina se expone a una crisis sin precedentes de magnitud global. El país se enfrenta a ese escenario sin defensas de carácter financiero y con fuertes restricciones de acceso al mercado internacional de crédito que le permitiera financiar la expansión del déficit, al tiempo que debía resolver con urgencia los vencimientos latentes tanto con acreedores privados, como con los organismos internacionales de crédito (FMI – Club de París).

Si bien la economía fue recuperando rápidamente terreno, los salarios y el poder adquisitivo no corrieron la misma suerte debido entre otros factores, a una creciente inflación que perdura hasta la actualidad. A pesar de un crecimiento sostenido del nivel de actividad y del Producto Bruto Interno durante dos años consecutivos (2021-2022), los salarios nunca lograron recuperar los niveles previos a dicho periodo. El crecimiento económico posterior no tracciona los salarios, aún con aumentos en las tasas de empleo registrado.

1. Datos

El presente estudio se realizó utilizando datos obtenidos de las bases elaboradas por el Ministerio de Desarrollo Productivo de la República Argentina a partir de los registros de la AFIP.  La información analizada incluye el salario bruto de los asalariados registrados por departamento por mes, desde enero de 2014 hasta noviembre de 2022. La elección de este periodo se hizo por motivos de disponibilidad de datos. Para evitar el efecto estacional del SAC (Sueldo Anual Complementario), los datos fueron corregidos cada seis meses. El efecto estacional se refiere a las fluctuaciones en la cantidad de ingresos recibidos por los trabajadores debido al pago del SAC.

Para poder comparar la información por periodos de tiempo, se realizó un ajuste por inflación utilizando el coeficiente de estabilización de referencia (CER) publicado por el Banco Central de la República Argentina (BCRA). La aplicación de este indicador se realizó por cuestiones de práctica metodológica ya que se encuentra mensualizado y continuado y no afecta los objetivos finales del trabajo.

Se debe tener en cuenta que existen ciertas limitaciones en los datos debido a la metodología utilizada para la recopilación. La base solo se centra en personas en relación de dependencia registradas que informan los aportes todos los meses. La información que proporciona es el salario promedio en el departamento, mes y CLAE (clasificador de actividades económicas). Estos datos se transformaron en un promedio por departamento por mes, calculando la suma ponderada por cantidad de trabajadores por CLAE en cada uno de los departamentos. De acuerdo con el censo 2010 se consideraron las coordenadas de los departamentos para realizar las apreciaciones geográficas y el total de la población por departamento. Aquellos departamentos que no tenían datos laborales directamente no se computaron.

El problema que existe con el salario medio por trabajador (SPT) es que este solo identifica la posición económica de los trabajadores. Para los objetivos del presente trabajo tratamos de buscar la posición económica de la región, por lo tanto, considerar solo ese salario promedio no refleja claramente lo buscado. Es por esto que se decidió agregar el peso de las remuneraciones de asalariados registrados en la población del departamento. En este caso la variable a estudiar nos queda definida por la Masa Salarial (MS), conformada por la suma de los salarios de todos los trabajadores registrados para el periodo y departamento, dividida la cantidad de población del departamento (TP) a lo que denominamos salario per cápita (SPC).

Siendo n la cantidad de departamentos que tenemos en la base de datos y T la totalidad de períodos presentados. De esta manera, el SPC refleja el ingreso salarial, solo de trabajadores formales, por habitante en un departamento o región. Esto permite identificar no solo las variaciones salariales de la zona, sino también las fluctuaciones de la cantidad de asalariados formales. Aunque el SPC no es un indicador habitualmente usado se puede considerar como un buen proxy del PBG per cápita, que es el que generalmente se utiliza en la literatura para estudios de este tipo.

2. Algoritmo utilizado

Para analizar los datos, se aplicó un algoritmo de clustering espacial. Estas técnicas se basan principalmente en los datos, son metodologías de aprendizaje no supervisado por lo que se establecen algunos parámetros para el algoritmo como la cantidad de grupos que se quiere obtener. El objetivo final es encontrar la mayor homogeneidad posible dentro de los grupos o regiones y maximizar la heterogeneidad entre los diferentes grupos. El algoritmo utilizado fue el método SKATER (Assuncao et al., 2006), ya que es eficiente para la obtención de regiones porque se basa en encontrar un árbol de conexiones óptimo que luego será recortado para obtener la cantidad de grupos solicitada.

Una de las ventajas que presenta este algoritmo es que permite agrupar de acuerdo a múltiples variables. Esto quiere decir que va a buscar la similitud entre unidades espaciales de acuerdo a cada una de las variables que se quiera analizar y la coincidencia va a ser entre los departamentos que más cerca se encuentren en general. Para el presente trabajo, el objetivo es identificar a los departamentos que han registrado la misma tendencia en la variable SPC. O sea que lo que estamos emparejando es la evolución del SPC durante 107 periodos (enero 2014 a noviembre 2022).

Para realizar esto se utiliza la distancia euclídea:

siendo d (ui; uj) la distancia euclídea que hay entre la unidad espacial i comparada con la unidad espacial j y T es la cantidad de periodos que hay en la base de datos. Esta función de distancia es la utilizada para obtener las similitudes entre departamentos y la sumatoria de todas ellas es la función objetivo que se busca optimizar con el algoritmo presentado.

Como el objetivo de este trabajo es encontrar regiones de departamentos que sean vecinos, hay que seleccionar un criterio para definir dicha vecindad. En la literatura de econometría espacial y regionalización esta función la cumple la denominada matriz de pesos espaciales que habitualmente se representa con la letra W. Esta es una matriz cuadrada   que coloca un 1 en las unidades que son vecinas y un 0 para todo lo demás. Hay varios criterios para seleccionarla y armarla, el utilizado acá es el criterio de los cinco vecinos más cercanos. Por lo tanto, por cada departamento, los cinco que se encuentren más cerca de acuerdo a distancia geográfica van a ser los vecinos de él.

Encontrar la mejor solución en este tipo de algoritmos es una tarea difícil ya que la cantidad de combinaciones que existe crece muy rápido. Es por eso que hay que imponer ciertas restricciones al algoritmo que vayan en concordancia con los objetivos de investigación. El número óptimo de clusters se determinó mediante el método del codo, el cual nos arrojó un total de 20 grupos.

El resultado obtenido es un conjunto de regiones contiguas conformadas por departamentos (puede haber excepciones de acuerdo a la matriz de pesos espaciales elegida) que han tenido una evolución similar del SPC en el periodo elegido y que se describe en la siguiente sección.

Resultados

Los resultados del análisis arrojan regiones que no coinciden con aquellas en las que se suele encasillar a las provincias, ni tampoco respeta los límites territoriales de las mismas, por lo tanto, se puede determinar que existen ciertos patrones del mercado laboral y económicos que exceden a las delimitaciones políticas.

La zona más próspera en relación con los salarios es la conformada por departamentos del sur del país, donde se perciben los salarios más altos, seguida muy de cerca por la región que se forma en los alrededores de CABA. Por otra parte, se puede ver que la zona más desfavorecida en cuanto a salarios se ubica en el centro norte y está conformada completamente por departamentos de la provincia de Santiago del Estero. La que sigue en cuanto a peores valores salariales es una región que se conforma por departamentos de Catamarca y Santiago del Estero, lo que marca que esta última provincia tiene muy bajos ingresos laborales. A continuación, se presentan dos mapas conformados por las regiones que construyó el algoritmo propuesto. En el mapa de la izquierda se muestran en diferentes colores para identificarlas sobre el territorio. En el mapa de la derecha se muestra una gradación de colores establecidos de acuerdo a una escala que clasifica a las regiones según el SPC promedio, las regiones con más bajo SPC promedio (colores más claros) y las regiones con más alto SPC promedio (colores más oscuros). Para reflejar esta escala, se procedió a tomar el promedio por región, por lo que se consideran todos los departamentos que pertenecen a esa región y todos los periodos.

En el cuadro 1 se pueden observar ciertas características de las regiones formadas a partir de la metodología aplicada. Pese a que el método agrupa de acuerdo a la serie completa del SPC, por razones de exposición, es necesario construir variables que simplifiquen la serie temporal de cada región. Para eso, tomamos el promedio temporal del SPC de cada región (PSPC), el promedio temporal del SPT y el promedio temporal del porcentaje de asalariados sobre el total de población de la región (PE). En términos formales:

De manera similar se calculan los promedios del SPC y PE. Además, se incluyen estadísticos que representen la variabilidad que ha tenido el SPC a lo largo del tiempo por cada región. Para esto se incluyen el desvío estándar en el tiempo del SPC, el valor mínimo y máximo que ha tomado la variable en el transcurso del periodo estudiado (SPC min, SPC max; respectivamente).

Los datos muestran que las diferencias entre regiones de los salarios promedio por trabajador (SPT) no son tan amplias, siendo tres veces mayor la de la región más próspera en términos de salarios en comparación con la región 19 que es la que peor se encuentra en esta materia. Pero si consideramos PE de cada región, las diferencias se acrecientan considerablemente, pasando a ser 8,64 veces más alto el valor que presenta la región 15 con respecto a la 19. Esto marca que existe una amplia desigualdad entre regiones, no solo en el monto de los salarios que perciben los trabajadores registrados, sino que además se le suma un bajo porcentaje de personas trabajando en relación de dependencia de manera registrada.

Cuadro 1: Características por región. Argentina. Periodo 2014-2022

Región	Prom. PE	SPT	PSPC	SPC min	SPC max	Desv. std. SPC
19	10,9%	116.080	12.661	10.375	15287	1057
5	15,0%	125.866	18.895	15.850	21399	1458
13	15,7%	154.693	24.351	18.878	30521	2291
11	16,6%	157.175	26.161	20360	29894	2069
7	20,9%	163.212	34.165	27454	40083	3043
12	20,0%	177.304	35.397	28573	40583	3076
8	21,4%	165.619	35.471	29645	40637	2831
6	24,3%	153.969	37.391	31127	46329	2675
2	20,5%	199.465	40.852	34110	48025	3225
1	22,0%	195.782	43.049	35693	49580	2936
9	24,1%	178.346	43.064	34681	48497	3211
17	24,1%	183.520	44.202	36714	49876	3381
10	23,5%	204.970	48.076	38915	56547	3938
4	26,2%	191.447	50.186	41937	60877	4065
3	25,3%	213.384	53.917	45150	62990	4367
18	27,3%	200.909	54.906	44507	62739	5021
14	30,4%	235.702	71.621	57362	82339	6047
0	30,9%	254.385	78.720	65901	90901	5752
16	32,4%	274.091	88.752	72989	98506	7044
15	31,0%	352.623	109.340	84168	135175	11868

---

---

Al incluir el porcentaje de personas asalariadas registradas con respecto al total de la población de la región, nos permite observar el impacto que tiene utilizar la variable SPC. De nada sirve a la igualdad tener altos salarios y baja cantidad de personas en condiciones de percibirlo. Por lo general, las regiones con bajos SPT también tienen un bajo porcentaje de personas asalariadas registradas, sin embargo, se pueden observar algunas excepciones. La región 6, por ejemplo, muestra un promedio de SPT muy bajo, pero su porcentaje de personas empleadas en relación de dependencia formal no se condice con las otras regiones vecinas. Esto hace que mejore su situación regional y que aumente el PSPC en general. Lo contrario ocurre con las regiones 1 y 2 que muestran mejor nivel promedio del SPT que las regiones 9, 17 y 4 pero con un PSPC menor.

Las regiones más desfavorecidas se encuentran en el norte del país. Sólo hay una pequeña zona (la región 9) que supera los cuarenta mil pesos de PSPC y que abarca departamentos de Salta y Tucumán. Las demás regiones del norte configuradas a partir del algoritmo se ubican por debajo de los $ 36.000 de PSPC lo que refleja un claro problema de bajos niveles de salario y de empleo. Un fuerte contraste se puede notar en los departamentos de Entre Ríos que integran la región 8 de tan solo $ 35.471 PSPC y limitan con una de las regiones más prósperas del país que es la región 0 integrada por CABA, parte de Buenos Aires y parte de Santa Fe con un PSPC de $ 78.720.

Por su parte, la provincia de Mendoza se divide en dos regiones, Malargüe, que se asocia con sus departamentos vecinos de Neuquén en la región 16, una de las mejores zonas del país en cuanto a salarios de asalariados registrados, y el resto de los departamentos que conforman la zona 17 junto con la mayor parte de San Juan. Esto marca un fuerte contraste en el nivel salarial de la provincia. El departamento de Malargüe está influenciado por las actividades minera y de petróleo y, además, tiene muy pocos habitantes, lo que la posiciona con un SPC alto y muy probablemente sea la causa de esta diferenciación.

El SPC mínimo y máximo representan, respectivamente, el valor más bajo y más alto que ha tenido la serie temporal por cada región. Estos dos estadísticos, junto con la desviación estándar, reflejan una noción de cómo se comporta la serie del SPC a nivel regional. Se observa que las regiones más pobres presentan una menor amplitud entre el SPC mínimo y máximo, así como una desviación estándar más baja que las más ricas. Esto puede sugerir que la estructura salarial de las regiones pobres es más homogénea y estable que la de las regiones más ricas.

Si ordenamos las regiones de acuerdo al SPC máximo o mínimo, prácticamente encontramos el mismo orden que si las ordenamos de acuerdo al PSPC. Esto da indicios de que la desigualdad en los salarios entre regiones es un problema estructural de la Argentina. Otra característica para resaltar es que el SPC máximo de la zona más pobre no supera al SPC mínimo de la zona que le sigue en la clasificación. Esta situación sugiere un estancamiento en el desarrollo económico de la región más pobre. Por otro lado, se puede observar que las regiones que tienen menores salarios relativos también tienen menores niveles de empleo asalariado registrado. Este hecho potencia la desigualdad entre las regiones mucho más que si solo analizamos el nivel de salario medio.

Conclusiones

De acuerdo con los resultados presentados en presente trabajo, podemos observar que se cumplieron los objetivos que se buscaban. Por un lado, las regiones conformadas a partir del algoritmo construido no respetan los límites provinciales. Por lo que, en general, los departamentos de una misma provincia pertenecen a diferentes regiones.  Estas zonas presentan homogeneidad en los departamentos que la integran y heterogeneidad entre ellas mostrando las fuertes desigualdades territoriales que existen en la Argentina.

El salario promedio de los asalariados registrados por departamento es un buen indicador para reflejar las brechas que existen en el territorio nacional. Estas diferencias salariales se observan de manera más notoria cuando consideramos también la relación entre la cantidad de ocupados en empleos asalariados formales y el tamaño de la población por región. Es decir, la desigualdad salarial se potencia aún más en las zonas con menor nivel de empleo registrado.

En este trabajo se analiza la disparidad de los salarios, agrupados por características espaciales, y por la propia variable estudiada (evolución del SPC departamental), es decir, las regiones se conforman por las características intrínsecas del mercado laboral y no exclusivamente por cuestiones de regionalización política. Además, este análisis permite mostrar de una manera más clara la desigualdad territorial existente que puede observarse, por ejemplo, para el caso de la provincia de Mendoza, donde el departamento de Malargüe se separa de las características salariales y del mercado laboral del resto de la provincia. 

Si bien el mercado del trabajo, sobre todo en Argentina, es más amplio y no solo depende de los trabajadores registrados, lo presentado aquí nos aporta un claro indicio de su comportamiento. El uso de técnicas modernas para el análisis de estas situaciones nos brinda una posibilidad de estudiar y detectar patrones que de otra manera no veríamos. Además, nos permite observar la evolución y comportamiento del mismo y no solo considerar un momento estático. Si bien en este trabajo solo se ha hecho una breve descripción de la situación, deja abierta la posibilidad de seguir explorando en esta dirección, dadas las regiones construidas se pueden encontrar otras características que permitan visualizar mejor el problema y aplicar políticas públicas para mejorarlo.

Bibliografía

• Aguado-Moralejo, I., Echeberria, C., & Barrutia, J. (2019). Aplicación de un análisis clúster para el estudio de la segregación social en el municipio de Bilbao. Boletín de la Asociación de Geógrafos Españoles.
• Assuncao, R., Câmara, G., Correa Neves, M., & Da Costa Freitas, D. A. (2006). Efficient Regionalization Techniques for Socio-Economic Geographical Units Using Minimum Spanning Trees. International Journal of Geographical Information Science.
• Barrera Insúa, F., Noguera, D., & Busso, M. (2022). La pandemia y el empleo registrado privado en Argentina: un análisis de la desigualdad salarial en clave regional y sectorial. Cuestiones de Sociología.
• Blanco, V., Cristina, A. D., Figueras, A. J., & Iturralde, I. (2016). Convergencia y flexibilidad de salarios en Argentina. Repositorio digital UNC.
• Gasparini, L., Gluzmann, P., & Leopoldo, T. (2019, Octubre). Pobreza Crónica en Datos de Corte Transversal: Estimaciones para Argentina. Documentos de Trabajo del CEDLAS.
• Manzano, F., & Velázquez, G. (2015). Desigualdades en la oferta de empleo según regiones y categorías urbanas. Argentina (2010). Ágora. Revista de historia e geografía.
• Openshaw, S., & Rao, L. (1995). Algorithms for Reengineering 1991 Census Geography. Environment and Planning A: Economy and Space.
• Rogers, M. Z. (2016). The Politics of Place and the Limits to Redistribution. Routledge.
• Sabatini, F. (2006). La segregación social del espacio en las ciudades de América Latina. Banco Interamericano de Desarrollo.