Capítulo 2 Ausentismo en las Elecciones Congresales 2020

Antenor Escudero Gomez

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
080233	921006	ESCUELA LUIS CALVO MACKENNA	RICARDO CUMMING 735, SANTIAGO	C40033	AMERICA	CHILE	SANTIAGO	25I	299	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	113
064064	190101	IE MAGDALENA SEMINARIO DE LLIROD	AV. JUAN DE CADALSO Y SALAZAR SN	C40052	PIURA	PIURA	PIURA	24E	299	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	7	236
064576	190103	IE JOSE CARLOS MARIATEGUI	AV. JUAN VELASCO ALVARADO MZ B-3 C-3 TACALA	C40053	PIURA	PIURA	CASTILLA	26C	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL RESUELTA	7	233
002938	021304	IE SANTO DOMINGO	JR ESTUDIANTE 250	C40005	ANCASH	SANTA	MORO	27A	295	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	5	216
061237	150113	IE COLEGIO EXPERIMENTAL UNAP	AV. LOS ANGELES SN	C40047	LORETO	MAYNAS	SAN JUAN BAUTISTA	23H	289	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	4	211
025101	120101	CENTRO PRE UNIVERSITARIO - CEPUNT	AV. AMERICA OESTE SN	C40029	LA LIBERTAD	TRUJILLO	TRUJILLO	33O	296	CONTABILIZADAS NORMALES	ACTA ELECTORAL RESUELTA	7	236
004058	030103	IE INMACULADA	CALLE TUPAC AMARU SN	C40006	APURIMAC	ABANCAY	CURAHUASI	24T	287	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	3	211
047810	140132	IEI 525 REYNA DEL CARMEN	JR. ICA SN	C40041	LIMA	LIMA	VILLA MARIA DEL TRIUNFO	25J	299	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	249
067529	190601	IE 15285 - C MARIA AUXILIADORA	CARRETERA SULLANA - PAITA KM2	C40054	PIURA	SULLANA	SULLANA	28C	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	7	261
076837	240104	IE RAUL PORRAS BARRENECHEA	JR. LIMA SN	C40017	CALLAO	CALLAO	CARMEN DE LA LEGUA-REYNOSO	24T	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	4	261

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
048937	140132	IEE JUAN GUERRERO QUIMPER	AV MANUEL QUIMPER 350	C40041	LIMA	LIMA	VILLA MARIA DEL TRIUNFO	23M	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL RESUELTA	36	241
052122	140137	IE 0146 SU SANTIDAD JUAN PABLO II	JR. PARALELO SN	C40043	LIMA	LIMA	SAN JUAN DE LURIGANCHO	29H	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	243
048141	140132	IE 6060 JULIO C TELLO	AV. PACHACUTEC 4355	C40041	LIMA	LIMA	VILLA MARIA DEL TRIUNFO	23T	300	CONTABILIZADAS NORMALES	ACTA ELECTORAL RESUELTA	36	257
056041	140142	CEBE MANUEL DUATO	JR. SANTA CRUZ DE PACHACUTEC 510	C40036	LIMA	LIMA	LOS OLIVOS	35C	292	CONTABILIZADAS NORMALES	ACTA ELECTORAL RESUELTA	36	239
047148	140130	IEP HORACIO PATIÑO CRUZATTI	AV. LAS NAZARENAS 401	C40039	LIMA	LIMA	SANTIAGO DE SURCO	26M	340	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	262
041129	140113	IE 6023 JULIO C. TELLO ROJAS	JR. JACARANDA SN	C40040	LIMA	LIMA	LURIN	27F	335	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	275
049822	140134	IE LIBERTADOR SAN MARTIN	AV. INDOAMERICA 752	C40035	LIMA	LIMA	INDEPENDENCIA	23H	298	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	251
043561	140122	IE RICARDO BENTIN SECUNDARIA	AV. RICARDO BENTIN SN	C40034	LIMA	LIMA	RIMAC	33N	295	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	210
055916	140141	IE 6066 VILLA EL SALVADOR	AV. LOS ALAMOS SN SECTOR 2 GRUPO 15	C40041	LIMA	LIMA	VILLA EL SALVADOR	33A	294	CONTABILIZADAS NORMALES	ACTA ELECTORAL RESUELTA	36	233
034335	140103	IE 1138 JOSE ABELARDO QUIÑONES	CALLE MELITON CARBAJAL 200	C40042	LIMA	LIMA	ATE	25I	250	CONTABILIZADAS NORMALES	ACTA ELECTORAL NORMAL	36	197

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
PUEBLO LIBRE	98628	77071	21557	21.85688	78731	80.471	82.379	13.2	1936.2	0.834
SANTA ROSA	14779	11762	3017	20.41410	26603	77.160	67.619	9.9	1349.6	0.661
SAN LUIS	59149	48171	10978	18.55991	53673	81.516	80.699	11.8	1769.7	0.793
LINCE	85260	66612	18648	21.87192	46299	80.468	82.556	12.7	2037.3	0.842
SANTIAGO DE SURCO	328026	254257	73769	22.48877	359777	80.485	78.743	13.2	1766.1	0.802
PUNTA HERMOSA	6361	5176	1185	18.62915	12551	77.131	67.896	10.1	1549.3	0.696
ATE	455625	369770	85855	18.84335	684922	79.624	76.309	9.2	1425.4	0.687
RIMAC	169908	138685	31223	18.37642	156760	80.217	75.116	10.6	1559.0	0.730
LA MOLINA	162720	127233	35487	21.80863	160839	80.648	78.162	14.7	1939.5	0.845

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.