Capítulo 2 Ausentismo en las Elecciones Congresales 2020

library(ggthemes)
library(tidyverse)

El ausentismo electoral ha sido un lastre a lo largo de los últimos 20 años de democracia, a nivel nacional y subnacional, dificilmente superando el 30% de votantes pero nunca debajo del 15%. Con ello, nos encontramos con la necesidad entender que puede incentivar dicha actitud, lo cual suele atribuirse al desinterés o la desafección hacia el sistema político o la política en sentido general.

Almond and Verba (1970) habían planteado el concepto de eficacia política para referirse a la autopercepción de capacidad influencia que una persona tiene sobre el sistema político y en su vida cotidiana. Esto, a su vez, fue vinculado con el nivel socioeconómico y, además, con el interés en la política (y el nivel educativo era un buen predictor de ello). Fernández (2019) va más lejos al vincular la precariedad a nivel de satisfacción de necesidades con la apatía política y el apoyo a partidos populistas de derecha, situando el caso Europeo y la reducción del estado de bienestar.

Contando con la información brindada por la Oficina Nacional de Procesos Electorales y el Instituto Nacional de Estadística e Informática, intentaré establecer una relación entre los años de educación superior, la esperanza de vida, los ingresos familiares per capita y el IDH de los 43 distritos de Lima al vincularse al ausentismo electoral.

Consciente de las grandes limitaciones en materia de información disponible, el análisis presentado servirá más de referencia sobre la interrelación entre la satisfacción de necesidades y la actitud hacia el sistema política.

metadata <- read_csv("data/metadata.csv")
idhdistrito <- read_csv("data/idhdistrito.csv")

2.1 El Ausentismo Electoral en las Elecciones del 2020

En las Elecciones Congresales del 2020, el ausentismo estuvo distribuido a lo largo de todas las circunscripciones. Para esto utilizo la base de datos metadata, la cual contiene información de la Oficina Nacional de Procesos Electorales sobre la participación electoral a nivel nacional.

metadata %>% 
  sample_n(10) 

Tabla 2.1: Muestra de 10 observaciones al azar de metadata

num_acta	CCODI_UBIGEO	TNOMB_LOCAL	TDIRE_LOCAL	CCENT_COMPU	DEPARTAMENTO	PROVINCIA	DISTRITO	CCOPIA_ACTA	NNUME_HABILM	OBSERVACION	OBSERVACION_TXT	N_CANDIDATOS	TOT_CIUDADANOS_VOTARON
052461	140137	IE 110 SAN MARCOS	JR. LOS RUISEÑORES SN	C40043	LIMA	LIMA	SAN JUAN DE LURIGANCHO	24H	290	CONTABILIZADAS NORMALES	ACTA ELECTORAL RESUELTA	36	251
053107	140137	IE 137 MIGUEL GRAU SEMINARIO	JR. MARTE SN	C40043	LIMA	LIMA	SAN JUAN DE LURIGANCHO	32C	293	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	254
021076	100205	IE MELCHORITA SARAVIA	AV. MELCHORITA 400	C40024	ICA	CHINCHA	GROCIO PRADO	34F	340	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	4	283
047994	140132	IE 6024 JOSE MARIA ARGUEDAS	AV. SAN FRANCISCO SN	C40041	LIMA	LIMA	VILLA MARIA DEL TRIUNFO	21A	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	253
036622	140105	IE JOSE MARIA ARGUEDAS	AV. SANCHEZ CERRO SN	C40036	LIMA	LIMA	CARABAYLLO	22O	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	245
060752	150110	IE 60071 ANDRES ALFONSO CARDO FRANCO	CALLE DAMASO LAVERGE S/N	C40047	LORETO	MAYNAS	INDIANA	27F	290	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	4	151
019083	090406	IE REPUBLICA DE CANADA- MIRAFLORES	JR. SUCRE 164	C40021	HUANUCO	HUAMALIES	MIRAFLORES	34I	294	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	3	185
026130	120102	IE 80033 JOSE OLAYA	CALLE SANTA FE 211	C40029	LA LIBERTAD	TRUJILLO	HUANCHACO	24I	340	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	7	252
061063	150112	IE 61006 SARA ALICIA SABERBEIN PINEDO	CALLE 7 SN	C40047	LORETO	MAYNAS	BELEN	22C	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	4	226
032915	130311	IE SAN PEDRO	KM10 CARRETERA A SAN JOSE	C40031	LAMBAYEQUE	LAMBAYEQUE	SAN JOSE	26I	279	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	5	215

Como observamos en las dos tablas siguientes, las tasas más altas de ausentismo se da entre la población peruana en el extranjero, posiblemente por cuestiones logísticas y flexible obligatoreidad. En lo que respecta al Perú, vemos como en Ica el porcentaje de ausentismo alcanza su nivel mínimo de 17,5%, mientras que en Loreto alcanza casi el 40%.

metadata %>%
  group_by(DEPARTAMENTO) %>%
  summarise(
    total_electores = sum(NNUME_HABILM),
    total_votaron = sum(TOT_CIUDADANOS_VOTARON)
  ) %>%
  ungroup() %>%
  mutate(total_ausentes = total_electores - total_votaron) %>%
  mutate (porcen_ausente = (total_ausentes * 100) / total_electores) %>%
  select(DEPARTAMENTO, porcen_ausente) %>%
  arrange (desc(porcen_ausente)) %>%
  mutate(rank = row_number()) %>%
  filter(rank <= 30)

Tabla 2.2: Ausentismo electoral por departamento, descendiente

DEPARTAMENTO	porcen_ausente	rank
ASIA	84.80154	1
AFRICA	81.25000	2
AMERICA	78.22306	3
OCEANIA	75.24637	4
EUROPA	68.78819	5
LORETO	39.34018	6
AMAZONAS	37.61739	7
HUANCAVELICA	35.22956	8
HUANUCO	34.55492	9
CAJAMARCA	33.78067	10
PASCO	33.49139	11
AYACUCHO	32.71384	12
UCAYALI	31.11686	13
APURIMAC	30.85649	14
SAN MARTIN	30.01427	15
MADRE DE DIOS	28.27327	16
ANCASH	27.07948	17
JUNIN	26.05261	18
CUSCO	25.77379	19
LA LIBERTAD	25.58581	20
PIURA	25.00946	21
LAMBAYEQUE	22.55296	22
TUMBES	21.32750	23
MOQUEGUA	20.23860	24
PUNO	19.82382	25
AREQUIPA	19.59629	26
CALLAO	19.37220	27
LIMA	18.93656	28
TACNA	18.87960	29
ICA	17.59836	30

metadata %>%
  group_by(DEPARTAMENTO) %>%
  summarise(
    total_electores = sum(NNUME_HABILM),
    total_votaron = sum(TOT_CIUDADANOS_VOTARON)
  ) %>%
  ungroup() %>%
  mutate(total_ausentes = total_electores - total_votaron) %>%
  mutate (porcen_ausente = (total_ausentes * 100) / total_electores) %>%
  select(DEPARTAMENTO, porcen_ausente) %>%
  arrange(porcen_ausente) %>%
  mutate(rank = row_number()) %>%
  filter(rank <= 30)

Tabla 2.3: Ausentismo electoral por departamento, ascendente

DEPARTAMENTO	porcen_ausente	rank
ICA	17.59836	1
TACNA	18.87960	2
LIMA	18.93656	3
CALLAO	19.37220	4
AREQUIPA	19.59629	5
PUNO	19.82382	6
MOQUEGUA	20.23860	7
TUMBES	21.32750	8
LAMBAYEQUE	22.55296	9
PIURA	25.00946	10
LA LIBERTAD	25.58581	11
CUSCO	25.77379	12
JUNIN	26.05261	13
ANCASH	27.07948	14
MADRE DE DIOS	28.27327	15
SAN MARTIN	30.01427	16
APURIMAC	30.85649	17
UCAYALI	31.11686	18
AYACUCHO	32.71384	19
PASCO	33.49139	20
CAJAMARCA	33.78067	21
HUANUCO	34.55492	22
HUANCAVELICA	35.22956	23
AMAZONAS	37.61739	24
LORETO	39.34018	25
EUROPA	68.78819	26
OCEANIA	75.24637	27
AMERICA	78.22306	28
AFRICA	81.25000	29
ASIA	84.80154	30

2.2 El Ausentismo Electoral en Lima Metropolitana

Para revisar el caso limeño, utilizo la base de datos metadatalima, la cual es una versión de metadata filtrando las observaciones ubicadas en Lima Metropolitana.

metadatalima <- metadata %>% filter(PROVINCIA == "LIMA")

metadatalima %>% 
  sample_n(10)

Tabla 2.4: Muestra de 10 observaciones de ‘metadatalima’

num_acta	CCODI_UBIGEO	TNOMB_LOCAL	TDIRE_LOCAL	CCENT_COMPU	DEPARTAMENTO	PROVINCIA	DISTRITO	CCOPIA_ACTA	NNUME_HABILM	OBSERVACION	OBSERVACION_TXT	N_CANDIDATOS	TOT_CIUDADANOS_VOTARON
038955	140108	IE 7075 JUAN PABLO II	CALLE 8 SN	C40039	LIMA	LIMA	CHORRILLOS	22A	258	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	212
049311	140133	UNIVERSIDAD PERUANA DE LOS ANDES - FACULTAD DE ODONTOLOGIA, EDUCACION Y DERECHO.	AV. CUBA 579	C40032	LIMA	LIMA	JESUS MARIA	27O	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	224
053460	140137	IE 163 NESTOR ESCUDERO OTERO	JR. MAR DE OMAN ESTE SN	C40043	LIMA	LIMA	SAN JUAN DE LURIGANCHO	27N	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	251
054488	140139	IE 6088 ROSA DE SANTA MARIA DE CIENEGUILLA	AV. SAN MARTIN	C40042	LIMA	LIMA	CIENEGUILLA	24C	329	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	267
048545	140132	IE 7057 SOBERANA ORDEN MILITAR DE MALTA	AV. PANDO EGUZQUIZA 501	C40041	LIMA	LIMA	VILLA MARIA DEL TRIUNFO	22N	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	241
048559	140132	IE 7057 SOBERANA ORDEN MILITAR DE MALTA	AV. PANDO EGUZQUIZA 501	C40041	LIMA	LIMA	VILLA MARIA DEL TRIUNFO	29E	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	238
036483	140105	IE 3079 NUESTRA SEÑORA DE LAS MERCEDES	CALLE NICOLASA TORRES SN	C40036	LIMA	LIMA	CARABAYLLO	32T	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	255
050841	140136	IE 7035 LEONCIO PRADO	JR. PUNO SN	C40040	LIMA	LIMA	SAN JUAN DE MIRAFLORES	30T	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	243
044147	140125	IE 7053 REINO DE ESPAÑA	AV. SAN MARTIN 131	C40039	LIMA	LIMA	BARRANCO	32J	339	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	270
046681	140130	IE 6043 PEDRO VENTURO	AV. HIGUERETA 479	C40039	LIMA	LIMA	SANTIAGO DE SURCO	32J	338	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	267

En el caso de Lima este margen se mueve hacia un menor ausentismo. En comparación a la población nacional, el ausentismo mínimo es del 15,5%, en el distrito de Villa El Salvador, mientras que en el distrito de San Isidro se observa la máxima tasa de ausentismo con un 29.1%, casi un tercio de la población. En particular, las diferencias entre ambos distritos, como veremos adelante, tendrían un carácter económico bastante pronunciado.

metadatalima %>%
  group_by(DISTRITO) %>%
  summarise(
    total_electores = sum(NNUME_HABILM),
    total_votaron = sum(TOT_CIUDADANOS_VOTARON)
  ) %>%
  ungroup() %>%
  mutate(total_ausentes = total_electores - total_votaron) %>%
  mutate (porcen_ausente = (total_ausentes * 100) / total_electores) %>%
  select(DISTRITO, porcen_ausente) %>%
  arrange(porcen_ausente) %>%
  mutate(rank = row_number()) %>%
  filter(rank <= 43) 

Tabla 2.5: Ausentismo en distritos de Lima Metropolitana

DISTRITO	porcen_ausente	rank
VILLA EL SALVADOR	15.56247	1
LURIN	15.57221	2
SANTA ANITA	16.59243	3
SAN JUAN DE MIRAFLORES	16.66045	4
INDEPENDENCIA	16.77454	5
CIENEGUILLA	16.87967	6
EL AGUSTINO	16.90753	7
LOS OLIVOS	16.91495	8
VILLA MARIA DEL TRIUNFO	16.95727	9
SAN BARTOLO	17.03253	10
COMAS	17.12185	11
SAN JUAN DE LURIGANCHO	17.53596	12
CHORRILLOS	17.64912	13
CARABAYLLO	17.83525	14
PUENTE PIEDRA	17.94299	15
RIMAC	18.37642	16
PUCUSANA	18.38144	17
SAN MARTIN DE PORRES	18.47836	18
SAN LUIS	18.55991	19
PUNTA HERMOSA	18.62915	20
ANCON	18.78536	21
ATE	18.84335	22
LURIGANCHO	19.04891	23
BREÑA	19.09656	24
PUNTA NEGRA	19.37972	25
PACHACAMAC	19.39882	26
SURQUILLO	19.67423	27
CHACLACAYO	19.77151	28
SAN MIGUEL	20.19263	29
LIMA	20.21764	30
SANTA ROSA	20.41410	31
BARRANCO	20.47412	32
LA VICTORIA	20.49742	33
SANTA MARIA DEL MAR	20.55675	34
MAGDALENA DEL MAR	21.28354	35
JESUS MARIA	21.65644	36
LA MOLINA	21.80863	37
PUEBLO LIBRE	21.85688	38
LINCE	21.87192	39
SANTIAGO DE SURCO	22.48877	40
SAN BORJA	23.13879	41
MIRAFLORES	28.25983	42
SAN ISIDRO	29.15200	43

2.3 ¿Por qué hay Ausentismo Electoral en Lima?

Responder esta pregunta dependería de un análisis más profundo, detallado y con más información de la que dispongo en este momento, sin embargo, la comparación entre aspectos de cada distrito puede llevarnos a hacernos preguntas sobre el vínculo entre la situación de la población y la tendencia al ausentismo.

Para este propósito utilizaré la base de datos idhmetalima. Es la conjunción de la base de datos metametadatalima, el cuál agregó el total de electores, el total de votantes, el total de ausentes y el porcentaje de ausentes a metadatalima. e idhlima, que tiene información sobre el nivel de IDH, esperanza de vida, nivel educativo e ingresos de los distritos de Lima Metropolitana.

idhlima <- idhdistrito %>%
  mutate(DISTRITO = str_to_upper(DISTRITO))

metametadata <- metadatalima %>%
  group_by(DISTRITO) %>%
  summarise(
    total_electores = sum(NNUME_HABILM),
    total_votaron = sum(TOT_CIUDADANOS_VOTARON)
  ) %>%
  mutate(total_ausentes = total_electores - total_votaron) %>%
  mutate (porcen_ausente = (total_ausentes * 100) / total_electores)

idhmetalima <- left_join(metametadata, idhlima) 

## Joining, by = "DISTRITO"

idhmetalima %>%
  sample_n(10)

Tabla 2.6: Muestra de 10 observaciones de ‘idhmetalima’

DISTRITO	total_electores	total_votaron	total_ausentes	porcen_ausente	Pobla	Esperanzadevida	18Educseccom	Añoeduc25mas	Ingrefamperca	IDH
INDEPENDENCIA	175045	145682	29363	16.77454	217177	80.043	76.324	8.8	1443.3	0.685
SAN ISIDRO	77288	54757	22531	29.15200	53212	80.354	78.470	13.9	1641.7	0.789
BREÑA	105464	85324	20140	19.09656	75598	79.979	78.949	12.9	1868.7	0.812
JESUS MARIA	117046	91698	25348	21.65644	74873	80.419	81.092	13.0	1989.8	0.837
LA VICTORIA	200474	159382	41092	20.49742	156888	79.908	74.792	10.5	1482.5	0.714
SURQUILLO	96756	77720	19036	19.67423	88766	80.217	79.577	12.3	1940.5	0.817
PACHACAMAC	72690	58589	14101	19.39882	140978	77.519	70.892	9.3	1279.2	0.646
LURIN	62329	52623	9706	15.57221	95909	78.416	70.974	9.8	1476.8	0.691
LA MOLINA	162720	127233	35487	21.80863	160839	80.648	78.162	14.7	1939.5	0.845
SANTA ANITA	187236	156169	31067	16.59243	229835	80.700	76.480	10.5	1571.8	0.735

Para empezar, un primer indicador importante sería el Índice de Desarrollo Humano, un número compuesto de la esperanza de vida, nivel educativo y pbi, a modo de tratar de considerar multidimensionalmente la situación de la población de un territorio dado.

idhmetalima %>%
  mutate(total_ausentes = total_electores - total_votaron) %>%
  mutate(porcen_ausente = (total_ausentes * 100) / total_electores) %>%
  select(DISTRITO, porcen_ausente, IDH) %>%
  ggplot(aes(porcen_ausente, IDH, color = IDH)) +
  geom_point() +
  labs(
    title = "Relación entre IDH distrital y Ausentismo Electoral",
    subtitle = "Lima Metropolitana en las Elecciones del 2020",
    x = "Porcentaje de Ausentismo Electoral",
    y = "IDH Distrital",
    caption = "Fuente: Oficina Nacional de Procesos Electorales y Instituto Nacional de Estadística e Informática"
  ) +
  theme_calc()

Gráfico 2.1: Relación entre IDH distrital y Ausentismo Electoral

Como podemos observar, hay una relación positiva, pero débil (debido a la gran dispersión), entre un creciente Índice de Desarrollo Humano y la Tasa de Ausentismo Electoral. Parece ser que los distritos más afluentes tienen una población con mayor predisposición al ausentismo, lo cual contradice lo vertido por Almond y Verba.

Teniendo en cuenta el aspecto compuesto de este índice respecto a salud, educación e ingresos, revisaré los Años de Educación, la Esperanza de Vida y los Ingresos Familiares per Cápita relacionándolos con la Tasa de Ausentismo.

Al comparar con Años de Educación en Población de 25 años a Más observamos que el acceso a la educación superior supone un “umbral” después del cual la relación positiva entre años de educación y ausentismo se hace más fuerte y positiva. Contrario, nuevamente, a lo planteado por Almond y Verba, parece ser que el interés decrece con el nivel educativo.

idhmetalima %>%
  mutate(total_ausentes = total_electores - total_votaron) %>%
  mutate(porcen_ausente = (total_ausentes * 100) / total_electores) %>%
  select(DISTRITO, porcen_ausente, Añoeduc25mas) %>%
  ggplot(aes(porcen_ausente, Añoeduc25mas)) +
  geom_point() +
  labs(
    title = "Relación entre Años de Educación por Distrito y Ausentismo Electoral",
    subtitle = "Lima Metropolitana en las Elecciones del 2020",
    x = "Porcentaje de Ausentismo Electoral",
    y = "Años de Educación en Poblaciónde 25 años a Más",
    caption = "Fuente: Oficina Nacional de Procesos Electorales y Instituto Nacional de Estadística e Informática"
  ) +
  theme_calc()

Gráfico 2.2: Relación entre Años de Educación por Distrito y Ausentismo Electoral

La Esperanza de Vida suele estar determinada por el acceso a salud, nutrición, aspectos genéticos, etc. El acceso a salud se vincula con los ingresos que pueden estar destinados a ello, por lo que una relación entre el IDH y la Esperanza de vida no se plantea como particularmente lejana. Sin embargo, como vemos en el gráfico Relación entre Esperanza de Vida y Ausentismo Electoral, no hay una relación clara que nos lleve a vincular el ausentismo con este aspecto.

idhmetalima %>%
  mutate(total_ausentes = total_electores - total_votaron) %>%
  mutate(porcen_ausente = (total_ausentes * 100) / total_electores) %>%
  select(DISTRITO, porcen_ausente, Esperanzadevida) %>%
  ggplot(aes(porcen_ausente, Esperanzadevida)) +
  geom_point() +
  labs(
    title = "Relación entre Esperanza de Vida y Ausentismo Electoral",
    subtitle = "Lima Metropolitana en las Elecciones del 2020",
    caption = "Fuente: Oficina Nacional de Procesos Electorales y Instituto Nacional de Estadística e Informática",
    x = "Porcentaje de Ausentismo Electoral",
    y = "Esperanza de Vida"
  ) +
  theme_calc()

Gráfico 2.3: Relación entre Esperanza de Vida y Ausentismo Electoral

Finalmente, comparamos los Ingresos Familiares per Cápita con la Tasa de Ausentismo. Ahora vemos una relación menos fuerte, como con los años de educación, pero bastante positiva. Con excepción de los dos distritos outliers, si podemos observar una relación marcada y positiva.

idhmetalima %>%
  mutate(total_ausentes = total_electores - total_votaron) %>%
  mutate(porcen_ausente = (total_ausentes * 100) / total_electores) %>%
  select(DISTRITO, porcen_ausente, Ingrefamperca) %>%
  ggplot(aes(porcen_ausente, Ingrefamperca)) +
  geom_point() +
  labs(
    title = "Relación entre Ingresos Familiares per Capita por Distrito y Ausentismo Electoral",
    subtitle = "Lima Metropolitana en las Elecciones del 2020",
    x = "Porcentaje de Ausentismo Electoral",
    y = "Ingresos Familiares per Capita",
    caption = "Fuente: Oficina Nacional de Procesos Electorales y Instituto Nacional de Estadística e Informática"
  ) +
  theme_calc() 

Gráfico 2.4: Relación entre Ingresos Familiares per Capita por Distrito y Ausentismo Electoral

El vínculo entre años de estudio e ingresos suele traslaparse, pero, en este caso, siendo diferentes, han mostrado un mismo vínculo hacia una actitud positiva y relativamente fuerte hacia el ausentismo político. A mayor nivel educativo e ingresos, mayor ausentismo electoral. En el gráfico de abajo, además, agrego los años de educación en la población mayor a 25 años por cada distrito, confirmando lo afirmado.

idhmetalima %>%
  mutate(total_ausentes = total_electores - total_votaron) %>%
  mutate(porcen_ausente = (total_ausentes * 100) / total_electores) %>%
  select(DISTRITO, porcen_ausente, Añoeduc25mas, Ingrefamperca) %>%
  ggplot(aes(porcen_ausente, Ingrefamperca, size = Añoeduc25mas)) +
  geom_point() +
  labs(
    title = "Relación entre Ingresos Familares per Cápita y Ausentismo Electoral",
    subtitle = "Lima Metropolitana en las Elecciones del 2020",
    x = "Porcentaje de Ausentismo Electoral",
    y = "Ingresos Familares per Cápita"
  ) +
  labs(size = "Años de Educación", caption = "Fuente: Oficina Nacional de Procesos Electorales y Instituto Nacional de Estadística e Informática") +
  theme_calc()

Gráfico 2.5: Relación entre Ingresos Familares per Cápita y Ausentismo Electoral

2.4 Conclusiones

El reconocido politólogo Robert A. Dahl (1961), haciendo un estudio de la dinámica política en la localidad de New Haven, descubrió notorias diferencias en el acceso a puestos públicos, siendo el origen de estas desigualdades el acceso a recursos (monetarios, políticos, educativos, etc.); en ese sentido, había grupos que tenían mayores oportunidades de forma predeterminada en la contienda política. Esta situación había sido vista de forma más amplia respecto al caso estadounidense por Schattschneider (1967) el cuál declaraba que el “coro angelical” de la democracia cantaba con un tono marcado de “clase alta,” al ver que la élite política era, también, la económica. Sumado a ello, Bachrach y Baratz (1970) plantearon que no solo esta élite era la que tenía más oportunidades, sino que debido a estas mismas desigualdades definían la agenda política, es decir “lo discutido” en la esfera pública.

En ese sentido, el sistema político tiene ya un sesgo beneficioso a las clases altas, las cuales, teniendo mayores oportunidades para participar y fijando el espectro de los temas discutidos, lo que hace su involucramiento muchas veces redundante.

Como hemos visto con la relación de la Tasa de Ausentismo Electoral, el IDH, el Nivel Educativo y los Ingresos Familiares per Cápita, hay una relación positiva entre cuan afluente es un distrito y cuanto ausentismo este tuvo en las elecciones del 2020. Al parecer, la posibilidad de participación política es vista como un acceso a bienes y servicios públicos, tratandose como “bienes inferiores,” osea un bien que deja de ser consumido cuando se obtienen mayores ingresos y como “costo de transacción” (costo de negociación) cuya necesidad es superada por el sesgo hacia las clases altas que tiene el sistema político.

Aunque, ciertamente, sería interesante también comparar el nivel de ingresos y nivel educativo de cada candidatura del 2020 entre si y contrastada con la población en promedio, la idea preliminar que deja esta revisión nos deja un vínculo entre el nivel de ingreso y el acceso al poder político.

Almond, Gabriel A. y Verba, Sidney (1970) La Cultura Cívica. Euroamérica, Madrid.

Bachrach, Peter & Baratz, Morton S. (1970) Power & Poverty. Oxford University Press, Oxford.

Dahl, Robert A. (1961) Who Governs. Yale University Press, Nueva York.

Fernández-Alberto, José (2019) Antisistema. Libros de la Catarata, Madrid.

Schattschneider, E. E. (1967) El Pueblo Semisoberano. UTEHA, México D.F.