RENABAP
Diony Javier Carbajal Galarza
Para asegurar su correcta visualización lo públique en Rpubs Aquí
Visualizaciones
library(tidyverse)
library(gt)
library(plotly) # para gráficos interactivos
library(scales) # Para etiquetas con formato
library(treemapify) # para treemaps
library(ggrepel) # para que no se solapen las etiquetas
library(wordcloud2) # para visualizar nube de palabras.Opción 2: Registro Nacional de Barrios Populares (ReNaBaP) en Argentina
renabap <- read.csv("data/renabap-datos-barrios-csv.csv", stringsAsFactors = TRUE) # Creamos renabap_modif reemplazando el nombre Ciudad Autónoma de Buenos Aires por CABA para que se vea mejor como etiqueta
renabap_modif <- renabap %>%
mutate(
provincia = as.character(provincia), # primero lo paso a texto
provincia = ifelse(provincia == "Ciudad Autónoma de Buenos Aires", "CABA", provincia),
provincia = factor(provincia) # lo devuelvo a factor (si lo necesitas como factor)
)Preguntas y Respuestas
2.a ¿Cuántas filas y columnas tiene la base de datos? Hacer una breve descripción del contenido de la misma
#dim(renabap)
La base de datos RENABAP tiene 6,467 filas y 17
columnas, donde cada fila representa un barrio popular
registrado a nivel nacional, mientras que cada columna corresponde a una
variable que describe alguna característica de ese barrio.Esta base
ayuda a entender mejor cómo viven muchas familias en los barrios
populares de Argentina. Muestra su tamaño y las carencias que enfrentan:
falta de papeles legales, pocos servicios básicos y viviendas en malas
condiciones. Con estos datos en mano, es posible diseñar políticas más
efectivas para integrar a estos barrios en la ciudad y mejorar la vida
de quienes los habitan.
#colnames(renabap)#summary(renabap_modif)
Algunos datos que se observan son: Las provincias con mayor número de
registros son Buenos Aires (2.065 barrios),
Santa Fe (469) y Chaco (442). La
cantidad de familias por barrio varía entre 6 y
15.400, con un promedio de 191 familias. La
superficie promedio de los barrios es de
105.799 m², aunque existe gran dispersión (algunos
alcanzan más de 9 millones de m²). En materia de servicios básicos, como
la energía electrica se observa que el modo más frecuente es la
conexión irregular a la red (3.670 barrios). Menos
familias tienen conexión formal con medidor domiciliario y factura
(2.187).
head(renabap_modif)## id_renabap nombre_barrio provincia departamento localidad
## 1 1 Monterrey I Buenos Aires Pilar Presidente Derqui
## 2 2 Malvinas II Buenos Aires La Plata José Melchor Romero
## 3 3 Ferroviario Buenos Aires La Plata Angel Etcheverry
## 4 4 La Favelita Buenos Aires La Plata Tolosa
## 5 5 Casaca Buenos Aires La Plata City Bell
## 6 6 La Güemes Buenos Aires La Plata Manuel B. Gonnet
## cantidad_viviendas_aproximadas cantidad_familias_aproximada
## 1 40 44
## 2 290 319
## 3 133 146
## 4 122 134
## 5 20 22
## 6 12 13
## decada_de_creacion anio_de_creacion
## 1 Década 1990 NA
## 2 Década 1990 NA
## 3 Década 2000 NA
## 4 Década 1970 NA
## 5 Década 2000 NA
## 6 Década 1970 NA
## energia_electrica
## 1 Conexión regular a la red con medidor prepago
## 2 Conexión irregular a la red
## 3 Conexión irregular a la red
## 4 Conexión irregular a la red
## 5 Conexión irregular a la red
## 6 Conexión irregular a la red
## efluentes_cloacales
## 1 Desagüe a cámara séptica y pozo ciego
## 2 Desagüe a cámara séptica y pozo ciego
## 3 Desagüe sólo a pozo negro/ciego u hoyo
## 4 Desagüe sólo a pozo negro/ciego u hoyo
## 5 Desagüe a cámara séptica y pozo ciego
## 6 Desagüe sólo a pozo negro/ciego u hoyo
## agua_corriente cocina calefaccion
## 1 Bomba de agua de pozo domiciliaria Gas en garrafa Sin Datos
## 2 Conexión irregular a la red de agua Gas en garrafa Leña o carbón
## 3 Conexión formal a la red de agua con factura Gas en garrafa Leña o carbón
## 4 Conexión irregular a la red de agua Gas en garrafa Energía eléctrica
## 5 Bomba de agua de pozo domiciliaria Gas en garrafa Sin Datos
## 6 Conexión irregular a la red de agua Gas en garrafa Energía eléctrica
## titulo_propiedad clasificacion_barrio superficie_m2
## 1 NO Asentamiento 11674
## 2 NO Asentamiento 98093
## 3 NO Asentamiento 75887
## 4 NO Asentamiento 36889
## 5 NO Asentamiento 25768
## 6 NO Asentamiento 3424ggplot() +
geom_histogram(data = renabap_modif, aes(x = cantidad_viviendas_aproximadas),
color = "black",
fill = "#FFD700",
binwidth = 75) +
scale_y_continuous(
limits = c(0, 2400),
breaks = seq(0, 2400, by = 200)) +
labs(title = "Gráfico 1: Distribución de la cantidad de viviendas por barrio",
x = "Cantidad de viviendas aproximadas",
y = "Frecuencia") + # En ese eje vemos cuántos barrios tienen esa cantidad de viviendas
theme_light()
En el gráfico 1 se observa que la mayoría de los barrios cuentan con muy
pocas viviendas, concentrándose especialmente en el rango de hasta 250.
Para detallar mejor esta distribución, se presenta un recorte de la
visualización en el gráfico siguiente.
ggplot() +
geom_histogram(
data = renabap_modif %>% filter(cantidad_viviendas_aproximadas <= 1000), # <-- recorte a 1000 viviendas
aes(x = cantidad_viviendas_aproximadas),
color = "black",
fill = "#FFD700",
binwidth = 50
) +
labs(
title = "Gráfico 2: Distribución de la cantidad de viviendas por barrio (< 1,000 viviendas)",
x = "Cantidad de viviendas aproximadas",
y = "Frecuencia",
caption = "Fuente: RENABAP (2024)"
) +
scale_x_continuous(labels = comma, limits = c(0, 1000)) + # eje X con límite y formato legible
scale_y_continuous(breaks = seq(0, 3000, by = 250)) + # eje Y más detallado
theme_light()
El gráfico 2 muestra con mayor claridad que la mayoría de los barrios
tienen menos de 250 viviendas, lo que confirma que se trata de
asentamientos pequeños. Destaca el primer intervalo, con hasta 50
viviendas, que agrupa a más de 2,000 barrios.
2.b ¿Qué provincias concentran el mayor cantidad de barrios populares? ¿Y de familias viviendo en barrios populares? ¿Existe alguna relación entre ambos resultados?
Agrupo los datos por provincia y luego la cantidad total de viviendas, como proxy del numero de barrios, y se ordena de mayor a menor.
library(dplyr)
# Agrupamos por provincia y departamento (para no mezclar capitales)
barriosxprovincia <- renabap_modif %>%
group_by(provincia, departamento) %>%
summarise(barrios = sum(cantidad_viviendas_aproximadas, na.rm = TRUE)) %>%
ungroup()library(scales)
ggplot() +
geom_histogram(
data = renabap_modif %>% filter(superficie_m2 < 500000), #Para que se observe mejor el gráfico recortamos a superifices menores a 500 mil m2.
aes(x = superficie_m2),
color = "black",
fill = "orange",
binwidth = 5000
) +
labs(
title = "Gráfico 3: Distribución de la superficie de los barrios (< 500.000 m²)",
x = "Superficie (m²)",
y = "Frecuencia",
caption = "Fuente: RENABAP (2024)"
) +
scale_x_continuous(labels = comma) + # Eje X en formato legible
theme_minimal() # esto nos da un estilo mas limpio, sin elementos innecesarios que distraigan.
Como se aprecia en el gráfico 3, la gran mayoría de los barrios poseen
superficies pequeñas, con tamaños inferiores a 100.000 m².
# Agrupamos otra vez solo por provincia (sumando todos sus departamentos)
barriosxprovincia_total <- barriosxprovincia %>%
group_by(provincia) %>%
summarise(total_barrios = sum(barrios, na.rm = TRUE)) %>%
arrange(desc(total_barrios))# Para que pueda verse las etiquetas de provincia en el eje x se tiene que convertir de factor a carácter nuevamente a provincia
barriosxprovincia_total <- barriosxprovincia_total %>%
mutate(provincia = as.character(provincia))library(scales)
ggplot() +
geom_bar(
data = barriosxprovincia_total,
aes(x = reorder(provincia, total_barrios), y = total_barrios), # para Ordenar las barras según el total de viviendas, de mayor a menor
stat = "identity", # para asegurarnos que las barras usen los valores reales "total_barrios"
fill = "#8B795E"
) +
coord_flip() + # esto invierte los ejes para que las provincias queden en el eje Y (vertical) y las barras se vean horizontales.
labs(
title = "Gráfico 4: Provincias con mayor número de viviendas (barrios populares)",
x = "Provincia",
y = "Total de viviendas (en miles)",
caption = "Fuente: RENABAP (2024)"
) +
scale_y_continuous(
labels = label_comma(scale = 1/1000),
breaks = seq(0, 500000, by = 100000)
) +
theme_minimal() + # esto nos da un estilo mas limpio, sin elementos innecesarios que distraigan.
theme(
plot.title = element_text(hjust = 0, size = 12, face = "bold"),
axis.text.y = element_text(size = 10),
axis.text.x = element_text(size = 10)
)
El gráfico 4 muestra una fuerte desigualdad entre provincias: Buenos
Aires concentra más de 500 000 viviendas en barrios populares, mientras
que Santa Fe y la Ciudad Autónoma de Buenos Aires (CABA) apenas alcanzan
entre 50 000 y 80 000. En un segundo grupo, Misiones, Chaco, Tucumán y
Salta presentan cifras de entre 20 000 y 40 000 viviendas, reforzando
las disparidades regionales.
head(barriosxprovincia_total)## # A tibble: 6 × 2
## provincia total_barrios
## <chr> <int>
## 1 Buenos Aires 535133
## 2 Santa Fe 84306
## 3 CABA 73195
## 4 Misiones 52995
## 5 Chaco 50711
## 6 Tucumán 43608#FAMILIAS
# Agrupo por familias viviendo en barrios
familiaxprovincia <- renabap_modif %>%
group_by(provincia, departamento) %>%
summarise(familias = sum(cantidad_familias_aproximada, na.rm = TRUE)) %>%
ungroup()## `summarise()` has grouped output by 'provincia'. You can override using the
## `.groups` argument.familiaxprovincia## # A tibble: 375 × 3
## provincia departamento familias
## <fct> <fct> <int>
## 1 Buenos Aires 25 de mayo 633
## 2 Buenos Aires 9 de julio 402
## 3 Buenos Aires Almirante Brown 21700
## 4 Buenos Aires Arrecifes 353
## 5 Buenos Aires Avellaneda 11881
## 6 Buenos Aires Azul 544
## 7 Buenos Aires Bahía Blanca 6574
## 8 Buenos Aires Balcarce 117
## 9 Buenos Aires Baradero 835
## 10 Buenos Aires Berazategui 1723
## # ℹ 365 more rowsfamiliaxprovincia_total <- familiaxprovincia %>%
group_by(provincia) %>%
summarise(total_familias = sum(familias, na.rm = TRUE)) %>%
arrange(desc(total_familias))
familiaxprovincia_total## # A tibble: 24 × 2
## provincia total_familias
## <fct> <int>
## 1 Buenos Aires 588779
## 2 Santa Fe 92776
## 3 CABA 80517
## 4 Misiones 58322
## 5 Chaco 55821
## 6 Tucumán 48003
## 7 Salta 39319
## 8 Córdoba 37039
## 9 Río Negro 36239
## 10 Corrientes 29136
## # ℹ 14 more rows*Calcumos la participacion de las familas por provincia respecto al total
familiaxprovincia_total <- familiaxprovincia_total %>%
mutate(
porcentaje = total_familias / sum(total_familias) * 100,
etiqueta = paste0(provincia, ", ", round(porcentaje, 1), "%")
)library(treemapify)# Ahora calculo la proporción de familias viviendo en barrios populares por provincia# Con treemap cada rectángulo representa una provincia, así el tamaño de cada rectángulo es proporcional a la cantidad total de familias que viven en barrios populares en esa provincia.
ggplot() +
geom_treemap(
data = familiaxprovincia_total,
aes(area = total_familias, fill = total_familias)
) +
geom_treemap_text(
data = familiaxprovincia_total,
aes(area = total_familias, label = etiqueta),
colour = "white",
place = "centre",
size = 10,
reflow = TRUE
) +
scale_fill_gradient2(low = "#BFEFFF", mid = "#9AC0CD", high = "#68838B",midpoint = median(familiaxprovincia_total$total_familias), labels = comma
)+
labs(
title = "Gráfico 5: Proporción de familias viviendo en barrios populares por provincia",
subtitle = "En porcentajes (%)",
caption = "Fuente: RENABAP (2024)",
fill = "Familias"
) +
theme_minimal() # esto nos da un estilo mas limpio, sin elementos innecesarios que distraigan.
# Otras notas:
#geom_treemap_text, nos permite agregar la etiqueta de la provincia más su porcentaje
# scale_fill_gradiente nos pernmite identificar las provincias con más familias con el color mas oscuro hasta el color más tenue con provincias con menos familias
Como se observa en el gráfico 5, la provincia de Buenos Aires concentra
el 47.6% de las familias que habitan en barrios populares del país, lo
que representa casi la mitad del total nacional. Es decir, En la
provincia de Buenos Aires viven más de 500,000 familias en barrios
populares. Si bien esta cifra resulta esperable por la magnitud
demográfica y urbana de la provincia, permite dimensionar el enorme peso
de este territorio en relación con las necesidades habitacionales. En un
segundo grupo destacan Santa Fe (7.5%) y la CABA (6.5%), que juntas
aportan más del 14% adicional.
# Unir las dos tablas por provincia
barrios_familias_total <- barriosxprovincia_total %>%
inner_join(familiaxprovincia_total, by = "provincia") %>%
select(provincia, total_barrios, total_familias) # <-- Solo dejamos estas columnas
# Formateamos la tabla con gt()
barrios_familias_total %>%
gt() %>%
tab_header(
title = "Tabla 1: Barrios y Familias por Provincia",
subtitle = "Número total de viviendas (barrios) y familias por provincia"
) %>%
fmt_number(
columns = c(total_barrios, total_familias),
decimals = 0,
use_seps = TRUE # Agrega separadores de miles
) %>%
cols_label(
provincia = "Provincia",
total_barrios = "Total de viviendas",
total_familias = "Total de familias"
) %>%
tab_source_note(
source_note = "Fuente: RENABAP (2024)"
)| Tabla 1: Barrios y Familias por Provincia | ||
| Número total de viviendas (barrios) y familias por provincia | ||
| Provincia | Total de viviendas | Total de familias |
|---|---|---|
| Buenos Aires | 535,133 | 588,779 |
| Santa Fe | 84,306 | 92,776 |
| CABA | 73,195 | 80,517 |
| Misiones | 52,995 | 58,322 |
| Chaco | 50,711 | 55,821 |
| Tucumán | 43,608 | 48,003 |
| Salta | 35,714 | 39,319 |
| Córdoba | 33,644 | 37,039 |
| Río Negro | 32,922 | 36,239 |
| Corrientes | 26,465 | 29,136 |
| Formosa | 25,393 | 27,942 |
| Mendoza | 23,996 | 26,432 |
| Entre Ríos | 23,869 | 26,276 |
| Santiago del Estero | 19,033 | 20,947 |
| Jujuy | 17,208 | 18,938 |
| Neuquén | 13,458 | 14,813 |
| Chubut | 9,686 | 10,660 |
| Tierra del Fuego | 5,585 | 6,147 |
| San Juan | 5,047 | 5,563 |
| San Luis | 4,038 | 4,442 |
| Catamarca | 3,571 | 3,936 |
| Santa Cruz | 2,601 | 2,863 |
| La Rioja | 2,247 | 2,476 |
| La Pampa | 372 | 409 |
| Fuente: RENABAP (2024) | ||
En la provincia de Buenos Aires viven más de 588.000 familias en
barrios populares, distribuidas en más de 535.000 viviendas.
Es, con diferencia, la región con mayor cantidad en todo el país,
reflejo de su densidad poblacional y del crecimiento de los
asentamientos en el conurbano. Luego se ubican provincias como
Santa Fe, CABA, Misiones, Chaco y Tucumán, que también
registran cifras altas, todas por encima de las 40.000 viviendas en
estas zonas.
Existe una relación muy fuerte entre el número de viviendas y la
cantidad de familias que viven en barrios populares: las provincias con
más viviendas tienden, como era de esperar, a concentrar también más
hogares.No obstante, hay pequeñas variaciones en esa proporción que
podrían explicarse por factores como el tamaño promedio de los hogares,
situaciones de hacinamiento o la presencia de viviendas vacías o
compartidas entre varias familias.
2.c ¿Qué departamentos concentran la mayor cantidad de barrios populares? ¿Y de familias viviendo en barrios populares? ¿Existe alguna relación entre ambos resultados?
Agrupo los datos según el nombre del departamento, para analizar los
totales por cada unidad territorial. Después se calcula la cantidad de
viviendas aproximadas por departamento a traves de la funcion sum () en
summarise. La funcion arrange es para ordenar, con la opcion desc se da
de mayor a menor, para al final con head (10), definir los top 10.
barriosxdepartamento <- renabap_modif %>%
group_by(departamento) %>%
summarise(barrios_depart=sum(cantidad_viviendas_aproximadas)) %>%
arrange(desc(barrios_depart)) %>%
head(10)familiasxdepartamento <- renabap_modif %>%
group_by(departamento) %>%
summarise(familias_depart=sum(cantidad_familias_aproximada)) %>%
arrange(desc(familias_depart)) %>%
head(10)Otra forma de cálculo
departamento_top10 <- renabap_modif %>%
group_by(departamento) %>%
summarise(
barrios_depart = sum(cantidad_viviendas_aproximadas),
familias_depart = sum(cantidad_familias_aproximada)) %>%
arrange(desc(familias_depart)) %>%
head(10)
Al observar los datos, vemos que la Capital, y en particular la Comuna
8, lidera el ranking con más de 112.000 familias en barrios populares.
Este dato refleja una fuerte concentración de población en asentamientos
ubicados dentro de zonas urbanas ya consolidadas. Le siguen La Matanza,
Rosario, Lomas de Zamora y Quilmes, todos dentro del
AMBA, donde las cifras también son muy altas. Esto confirma que
los barrios populares están principalmente en áreas metropolitanas.
En todos los casos, hay más familias que viviendas, lo que puede estar
indicando hacinamiento o que varias familias comparten una misma unidad
habitacional.Aunque hay una relación directa entre el número de
viviendas y el de familias, las pequeñas diferencias sugieren que hay
otros factores a considerar, como el tamaño promedio de los hogares o el
uso compartido de casas.
2d. ¿Cuál es el tamaño promedio de los barrios en términos de superficie y cantidad de viviendas? ¿Varía mucho entre provincias?
Como en los otros casos, agrupo los datos por provincia para que el
cálculo se haga por separado en cada una. Después a traves de summarise,
saco el promedio de la superficie “mean()”de los barrios en esa
provincia, y el promedio de viviendas por barrio. Como son decimales
redondeo el resultado, en el caso de vivienda lo hago aun número exacto.
Al final, ordeno las provincias de mayor a menor según la cantidad
promedio de viviendas por barrio.
promedios_provincia <- renabap_modif %>%
group_by(provincia) %>%
summarise(promedio_superficie=round(mean(superficie_m2),1),
promedio_vivienda=round(mean(cantidad_viviendas_aproximadas),0)) %>%
arrange(desc(promedio_vivienda))Resultado:
# Mostrar la tabla con formato
promedios_provincia %>%
gt() %>%
tab_header(
title = "Tabla 2: Promedios de Superficie y Viviendas por Provincia",
subtitle = "Promedio de superficie (m²) y cantidad de viviendas en barrios populares"
) %>%
fmt_number(
columns = c(promedio_superficie, promedio_vivienda),
decimals = 0, # Redondear valores
use_seps = TRUE # Separadores de miles
) %>%
cols_label(
provincia = "Provincia",
promedio_superficie = "Promedio de superficie (m²)",
promedio_vivienda = "Promedio de viviendas"
) %>%
tab_source_note(
source_note = "Fuente: RENABAP (2024)"
)| Tabla 2: Promedios de Superficie y Viviendas por Provincia | ||
| Promedio de superficie (m²) y cantidad de viviendas en barrios populares | ||
| Provincia | Promedio de superficie (m²) | Promedio de viviendas |
|---|---|---|
| CABA | 65,171 | 1,494 |
| Buenos Aires | 124,810 | 259 |
| Formosa | 203,589 | 202 |
| Santa Fe | 80,756 | 180 |
| Santiago del Estero | 184,922 | 149 |
| Río Negro | 114,946 | 137 |
| Misiones | 133,625 | 128 |
| San Luis | 126,557 | 126 |
| Santa Cruz | 254,329 | 124 |
| Tucumán | 65,872 | 118 |
| Chubut | 152,029 | 117 |
| Neuquén | 170,980 | 116 |
| Chaco | 104,724 | 115 |
| Tierra del Fuego | 154,226 | 114 |
| Jujuy | 43,291 | 108 |
| Córdoba | 66,742 | 106 |
| Corrientes | 79,481 | 103 |
| Entre Ríos | 59,415 | 103 |
| Salta | 90,240 | 101 |
| Mendoza | 66,826 | 67 |
| La Rioja | 114,122 | 66 |
| San Juan | 80,530 | 62 |
| Catamarca | 58,581 | 59 |
| La Pampa | 111,861 | 41 |
| Fuente: RENABAP (2024) | ||
En Argentina, el tamaño y la densidad de los barrios populares varía
mucho según la provincia. En la Ciudad Autónoma de Buenos Aires, los
barrios son compactos, con muchas viviendas en poco espacio. El barrio
promedio en la CABA tiene 1.494
viviendas, siendo el más poblado en promedio, pero con una
superficie media relativamente baja (65.170 m²). En
cambio, en provincias como Santa Cruz (254.328 m²) o
Formosa (203.589 m²), hay barrios extensos pero con
pocas viviendas, 124 y 202 respectivamente, reflejando
una urbanización más dispersa. En lugares como La Pampa o San Juan, los
barrios son más pequeños tanto en superficie como en cantidad de casas,
lo que muestra distintas formas de crecimiento urbano en el país.
2e. ¿En qué décadas se crearon la mayoría de los barrios registrados en el RENABAP?
Agrupo los datos según la década en que se creó cada barrio, para
permitir contar barrios por período histórico. En seguida calculo
cuantos barrios hay en cada decada con la funcion “n()”. Por último,
ordeno los resultados de mayor a menor, para ver rápidamente en qué
décadas se concentró la creación de barrios populares.
barrios_por_decada <- renabap_modif %>%
group_by(decada_de_creacion) %>%
summarise(cantidad_barrios = n()) %>%
arrange(desc(cantidad_barrios))
barrios_por_decada## # A tibble: 13 × 2
## decada_de_creacion cantidad_barrios
## <fct> <int>
## 1 Década 2000 1735
## 2 Década 2010 1604
## 3 Década 1990 995
## 4 Década 1980 790
## 5 Década 1970 472
## 6 Década 1960 361
## 7 Década 1950 191
## 8 Década 1940 95
## 9 Década 2020 84
## 10 Década 1930 54
## 11 Década 1910 39
## 12 Década 1920 34
## 13 Década 1900 13
Según los registros del RENABAP, la mayoría de los barrios
populares surgieron entre 1980 y 2010, con un fuerte aumento en
la década de 2000, cuando se registraron 1.735 nuevos barrios, y otro
pico importante en los años 2010, con 1.604. Este patrón evidencia una
expansión sostenida de la urbanización informal en el país.
Las causas de este fenómeno podrian estar ligadas a procesos económicos
complejos: crisis recurrentes, pérdida del poder adquisitivo, aumento
del empleo informal y dificultades para acceder a tierras urbanas. Todos
estos factores, sumados a políticas habitacionales insuficientes,
crearon un escenario en el que miles de familias se vieron forzadas a
buscar alternativas por fuera del mercado formal. Así, muchas
comunidades se formaron ocupando terrenos fiscales, ubicados en zonas
periurbanas o sin servicios básicos, como una respuesta directa a la
falta de opciones.
2f. ¿Qué porcentaje de los barrios cuenta con conexión regular a la red eléctrica? ¿Y cuántos tienen conexión irregular o directamente no tienen?
Realizo un nueva clasificación para el tipo de conexion de la energía eléctrica en: regular, irregular y sin conexión, todo lo cual se ve reflejado en la base renabap_modif2.
renabap_modif2 <- renabap_modif %>%
mutate(conexion_clasificada=case_when(energia_electrica %in%
c("Conexión regular a la red con medidor domiciliario con consumo limitado", "Conexión regular a la red con medidor domiciliario pero sin factura", "Conexión regular a la red con medidor prepago", "Conexión formal a la red con medidor domiciliario con factura") ~ "Regular", energia_electrica %in%
c("Conexión irregular a la red",
"Energía solar", "Generador eléctrico a combustión", "Conexión a la red con medidor compartido", "Conexión a la red con medidor comunitario") ~ "Irregular", energia_electrica %in%
c("No tiene conexión eléctrica") ~ "Sin conexión"))renabap_modif2 <- mutate(renabap_modif2,
conexion_clasificada=as.factor(conexion_clasificada))tipo_conexion_electrica <- renabap_modif2 %>%
group_by(conexion_clasificada) %>%
summarise(cantidad_barrios=n())total_barrios <- summarise(tipo_conexion_electrica, total_tipos=sum(cantidad_barrios))tipo_conexion_electrica <- renabap_modif2 %>%
group_by(conexion_clasificada) %>%
summarise(cantidad_barrios = n()) %>%
mutate(
porcentaje = round(cantidad_barrios / sum(cantidad_barrios) * 100, 1)
)
tipo_conexion_electrica## # A tibble: 3 × 3
## conexion_clasificada cantidad_barrios porcentaje
## <fct> <int> <dbl>
## 1 Irregular 3962 61.3
## 2 Regular 2401 37.1
## 3 Sin conexión 104 1.6
Los datos muestran una realidad preocupante en los barrios populares:
solo el 37,1% tiene acceso a una conexión formal a la electricidad.
La mayoría, un 61,3%, depende de conexiones
irregulares, y un pequeño pero significativo 1,6% no tiene
acceso alguno.
Esta informalidad afecta a casi dos tercios de los barrios y conlleva
serios riesgos: instalaciones peligrosas, facturación arbitraria,
vulnerabilidad ante cortes, y dificultades para acceder al servicio.
2i. ¿Qué proporción de barrios no cuenta con título de propiedad? ¿A qué porcentaje de las familias involucra?
tenencia_propiedad <- renabap_modif2 %>%
group_by(titulo_propiedad) %>%
summarise(cantidad_barrios=n()) %>%
mutate(pct_titulo=cantidad_barrios/sum(cantidad_barrios)*100)tenencia_familias <- renabap_modif2 %>%
group_by(titulo_propiedad) %>%
summarise(cantidad_familias=sum(cantidad_familias_aproximada)) %>%
mutate(pct_tenencia_familias=round(cantidad_familias/sum(cantidad_familias)*100,2))En base a lo anterior, agrupo los datos según si el barrio tiene o no
tiene título de propiedad (valores “SI” o “NO”). Después calculo la
Cantidad de barrios con y sin título y el total de familias que viven en
esos barrios (cantidad_familias). Ya con la función mutate agrego dos
columnas con los porcentajes: % de barrios con o sin título y % de
familias afectadas por la (no) tenencia del título. Como son decimales
opto por redondearlas.
tenencia_resumen <- renabap_modif2 %>%
group_by(titulo_propiedad) %>%
summarise(cantidad_barrios=n(),
cantidad_familias=sum(cantidad_familias_aproximada)) %>%
mutate(pct_titulo_propiedad=round(cantidad_barrios/sum(cantidad_barrios)*100,1),
pct_tenencia_familias=round(cantidad_familias/sum(cantidad_familias)*100,2))
tenencia_resumen ## # A tibble: 2 × 5
## titulo_propiedad cantidad_barrios cantidad_familias pct_titulo_propiedad
## <fct> <int> <int> <dbl>
## 1 NO 6462 1230348 99.9
## 2 SI 5 7447 0.1
## # ℹ 1 more variable: pct_tenencia_familias <dbl>
En Argentina, la falta de un título legal de la tierra es una
realidad que atraviesa a casi todos los barrios populares. De los
6.467 barrios registrados por el RENABAP, solo 5 cuentan con
algún tipo de título formal. Es decir, el 99,9% no tiene
reconocimiento legal sobre el suelo que ocupa. Más de 1,23 millones de
familias viven en esta condición de informalidad, lo que representa el
99,4% del total. Solo una mínima parte (0,6%) tiene acceso a un título
legal que garantice seguridad sobre su vivienda. Esta ausencia de
documentos no es solo una cuestión legal: significa vivir sin certezas,
sin poder invertir con tranquilidad, sin poder dejar una casa a sus
hijos, y muchas veces, sin acceso a mejoras básicas.
3. Preguntas adicionales
3a. ¿Cuál es la densidad habitacional promedio de los barrios (familias por m²)? ¿Dónde se localizan los casos más críticos de hacinamiento urbano?
Esta pregunta puede ser interesante porque permitiría medir el
hacinamiento. Cuántas familias viven en un metro cuadrado en los barrios
populares, ello nos permite entender la presión real sobre el espacio
habitable. Y, a partir de eso, anticipar problemas que afectan la vida
cotidiana, como la falta de salud y la sobrecarga de servicios.
Considerando que densidad = cantidad_familias_aproximada /
superficie_m2
Primero creo la variable densidad_familias_m2 en la base modificada2,
luego la densidad promedio nacional (a traves de acceder a la columna
que contiene la densidad de cada barrio:
renabap_modif2$densidad_familias_m2).
renabap_modif2 <- renabap_modif2 %>%
mutate(densidad_familias_m2=round(cantidad_familias_aproximada/superficie_m2,4))promedio_densidad <- round(mean(renabap_modif2$densidad_familias_m2),4)
promedio_densidad## [1] 0.003Calculo el umbral_critico en base al percentil 90, es decir el 10% de barrios que viven en las zonas más pobladas.
umbral_critico <- quantile(renabap_modif2$densidad_familias_m2, 0.90)Ahora identificamos los barrios críticos, para ello filtro en base al
>= del umbral crítico previamente definido, para ver los resultados
selecciono las columnas que deseo mostrar, enfocándome en un top
20.
barrios_criticos <- renabap_modif2 %>%
filter(densidad_familias_m2>=umbral_critico) %>%
select(nombre_barrio,provincia,departamento,localidad,cantidad_familias_aproximada, superficie_m2,densidad_familias_m2) %>%
arrange(desc(densidad_familias_m2)) %>%
head(20)renabap_criticos_top <- renabap_modif2 %>%
filter(densidad_familias_m2 >= umbral_critico) %>%
arrange(desc(densidad_familias_m2)) %>%
slice(1:20)# Para añadir puntos (scatter plot) usamos geom_point
ggplot() +
geom_point(data = renabap_criticos_top, aes(x = superficie_m2, y = cantidad_familias_aproximada),
color = "red",
size = 3
) +
geom_text_repel(
data = renabap_criticos_top,
aes(x = superficie_m2, y = cantidad_familias_aproximada, label = nombre_barrio),
size = 3,
max.overlaps = 1000
) +
scale_x_continuous(labels = comma) +
scale_y_continuous(labels = comma) +
labs(
title = "Gráfico 6: Top 20 barrios críticos con mayor densidad habitacional",
subtitle = "Densidad medida en familias por m² (percentil 90)",
x = "Superficie del barrio (m²)",
y = "Cantidad de familias",
caption = "Fuente: RENABAP (2024)"
) +
theme_minimal()
#Notas a algunos comandos:
#geom_text_repel: añade etiquetas a los puntos sin que se solapen
# max.overlaps: 1000 Permite mayor cantidad de etiquetas antes de eliminarlas por solapamiento
El gráfico 6 muestra los veinte barrios con mayor densidad habitacional,
lo que permite comprender mejor los desafíos que enfrentan. La mayoría
son barrios pequeños, donde la alta densidad supone riesgos para la
calidad de vida, el acceso a servicios y la reducción de la
vulnerabilidad social. En contraste, casos como Padre Rodolfo
Ricciardelli y Villa 20 concentran miles de familias en superficies más
amplias, lo que los convierte en excepciones que requieren políticas
específicas.
De la tabla se observa, que el barrio Nuevo San Alberto, en Ituzaingó,
presenta la mayor densidad, con 0.0842 familias por metro cuadrado. Le
siguen La FabriKita II en Vicente López (0.0736) y Los Pinos en Villa
Soldati (0.0683). En estos lugares, entre 84 y 68 familias
comparten cada 1.000 m². Estos niveles de concentración no solo
dificultan la calidad de vida, sino que también implican serios riesgos
sanitarios, sociales y urbanísticos que requieren respuestas urgentes.
Entonces se podria decir que en algunos casos, el espacio habitable por
familia es extremadamente reducido, lo que genera altos niveles de
hacinamiento y tensión urbana.
3b. ¿Qué relación existe entre la década de creación de los barrios y el acceso al agua y desagüe cloacal?
Esta pregunta permite evaluar los efectos de las politicas públicas
en este sector. Ya que la evolución en el tiempo permite identificar
patrones importantes: si los barrios más antiguos fueron integrándose
progresivamente al tejido urbano formal o si la exclusión permanece sin
importar la antigüedad. También permite ver si los barrios más recientes
nacen con mejores condiciones de acceso a servicios e infraestructura o
si la precariedad se mantiene como constante.
Procedemos al calculo Agrupamos y contamos por década y acceso a agua y efluentes cloacales.
agua_por_decada <- renabap_modif2 %>%
group_by(decada_de_creacion,agua_corriente) %>%
summarise(cantidad=n()) %>%
arrange(decada_de_creacion)## `summarise()` has grouped output by 'decada_de_creacion'. You can override
## using the `.groups` argument.cloacas_por_decada <- renabap_modif2 %>%
group_by (decada_de_creacion, efluentes_cloacales) %>%
summarise(cantidad=n()) %>%
arrange(decada_de_creacion)## `summarise()` has grouped output by 'decada_de_creacion'. You can override
## using the `.groups` argument.Aqui se calcula los porcentajes por década para comparar mejor
agua_por_decada <- agua_por_decada %>%
group_by(decada_de_creacion) %>%
mutate(pct_agua=round(cantidad/sum(cantidad)*100,1))cloacas_por_decada <- cloacas_por_decada %>%
group_by (decada_de_creacion) %>%
mutate(pct_cloaca=round(cantidad/sum(cantidad)*100,1))
Ahora me enfoco en el acceso al agua y a los efluentes cloacales
formales para analizar su evolución a lo largo de las diferentes
décadas.
agua_formal <- agua_por_decada %>%
filter(agua_corriente=="Conexión formal a la red de agua con factura") %>%
select(decada_de_creacion, pct_agua)cloaca_formal <- cloacas_por_decada %>%
filter(efluentes_cloacales=="Conexión formal a la red cloacal") %>%
select(decada_de_creacion,pct_cloaca)Se une las dos últimas tablas para ver la relación
servicios_formales_por_decada <- left_join(agua_formal, cloaca_formal, by="decada_de_creacion")
servicios_formales_por_decada## # A tibble: 12 × 3
## # Groups: decada_de_creacion [12]
## decada_de_creacion pct_agua pct_cloaca
## <fct> <dbl> <dbl>
## 1 Década 1910 5.1 NA
## 2 Década 1920 5.9 2.9
## 3 Década 1930 5.6 NA
## 4 Década 1940 7.4 2.1
## 5 Década 1950 9.4 5.2
## 6 Década 1960 10.8 4.2
## 7 Década 1970 12.7 5.7
## 8 Década 1980 11.5 3.9
## 9 Década 1990 11.3 2.8
## 10 Década 2000 8.5 2.2
## 11 Década 2010 3.8 0.8
## 12 Década 2020 3.6 NA
De la tabla podemos ver que conforme pasaron las décadas, hay una
diferencia en el acceso a servicios esenciales. Así, los barrios
populares más antiguos, creados entre las décadas del 50 y el 80,
muestran una conexión algo más frecuente a las redes de agua (hasta
12,7%) y cloacas (5,7%). Son comunidades que, con años de
existencia, lograron avances parciales en su integración urbana. Pero en
los barrios más nuevos, la situación es otra: a medida que nos acercamos
a 2020, los niveles de acceso se desploman. Solo el 3,6% de los barrios
formados en esa década accede al agua por vías formales, y menos del 1%
tiene cloacas.
3c. ¿Cómo ha cambiado la superficie promedio de los barrios registrados por década?
# Agrupar por década y calcular superficie promedio
superficie_por_decada <- renabap_modif %>%
filter(!is.na(decada_de_creacion) & decada_de_creacion != "") %>%
group_by(decada_de_creacion) %>%
summarise(superficie_promedio = mean(superficie_m2, na.rm = TRUE), .groups = "drop") %>%
arrange(decada_de_creacion) %>%
mutate(decada_de_creacion = factor(decada_de_creacion, levels = decada_de_creacion))ggplot() +
geom_line(
data = superficie_por_decada,
aes(x = decada_de_creacion, y = superficie_promedio, group = 1),
color = "#87CEFA",
linewidth = 1.2
) +
geom_point(
data = superficie_por_decada,
aes(x = decada_de_creacion, y = superficie_promedio),
color = "#CD5555",
size = 3
) +
geom_text(
data = superficie_por_decada,
aes(x = decada_de_creacion, y = superficie_promedio, label = comma(round(superficie_promedio,0))),
vjust = -1,
size = 3
) +
labs(
title = "Gráfico 7: Superficie promedio de los barrios por década de creación",
x = "Década de creación",
y = "Superficie promedio (m²)",
caption = "Fuente: RENABAP (2024)"
) +
scale_y_continuous(limits = c(80000, 160000)) + # Eje Y entre 80000 y 160000 en función del dato mínimo y máximo
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # para poner las etiquetas en forma diagonal
#Notas:
# geom_line: conecta los puntos para mostrar la tendencia de la superficie promedio por década
# geom_point: añade los puntos sobre la línea
# geom_text: agrega los valores exactos como etiquetas sobre cada punto (en miles).
El gráfico 7 muestra cómo, con el paso de las décadas, los barrios
populares fueron construyéndose en espacios cada vez más pequeños. Esto
no solo refleja el crecimiento de la población y la falta de tierras
disponibles, sino también el impacto de las crisis económicas, la
inflación y los cambios estructurales que marcaron al país, aumentando
la informalidad urbana. En los últimos años, se percibe una leve
recuperación, posiblemente ligada a programas de regularización e
integración que buscan ofrecer mejores condiciones para quienes viven en
estos barrios.
3d. ¿Cuáles son los nombres de barrios más frecuentes en el RENABAP?
# Contar frecuencia de barrios y quedarnos con los 100 más frecuentes (excluyendo "Sin Nombre")
barrios_frecuentes <- renabap_modif %>%
filter(
!is.na(nombre_barrio) &
nombre_barrio != "" &
nombre_barrio != "Sin Nombre" # <-- Excluye explícitamente "Sin Nombre"
) %>%
group_by(nombre_barrio) %>%
summarise(frecuencia = n()) %>%
arrange(desc(frecuencia)) %>%
slice_max(order_by = frecuencia, n = 100) # <-- Top 100#wordcloud2(data = barrios_frecuentes, size = 0.5, color = "random-dark")library(htmltools)
# Creamos la nube
nube <- wordcloud2(data = barrios_frecuentes, size = 0.25, color = "random-dark")
# Le agregamos título y fuente
tagList(
tags$h3("Gráfico 8: Barrios más frecuentes en el RENABAP",
style = "text-align:center; font-size:17px;font-weight:bold; color:black;"), # acá se ajusta el tamaño del título
nube,
tags$p("Fuente: RENABAP (2024)",
style = "text-align:center; font-size:12px; color:black;")
)Gráfico 8: Barrios más frecuentes en el RENABAP
Fuente: RENABAP (2024)
El gráfico 8, nos muestra que los nombres más comunes de barrios en
distintos departamentos y provincias son: “San Cayetano” (el nombre más
repetido que aparece en numerosos barrios a lo largo del país), seguidos
de “La Esperanza” y “San Martín”, entre otros.
3e. ¿¿Cómo varía la superficie de los barrios según si tienen título de propiedad?
# Filtramos para evitar valores vacíos o NA
renabap_modif2 <- renabap_modif %>%
filter(!is.na(titulo_propiedad) & titulo_propiedad != "")# Gráfico
ggplot()+
geom_point(data=renabap_modif2, aes(x = superficie_m2, y = cantidad_familias_aproximada),
alpha = 0.6, color = "darkblue") + # para transparentar los puntos y no saturen el gráfico
facet_wrap(~titulo_propiedad) +
# Etiquetas en los puntos (para ambas facetas)
geom_text_repel(
data = renabap_modif2 %>%
filter(cantidad_familias_aproximada > 1000), # <-- Ajusta el umbral según quieras
aes(
x = superficie_m2,
y = cantidad_familias_aproximada,
label = nombre_barrio
),
size = 3,
color = "black",
max.overlaps = 50
) +
facet_wrap(~titulo_propiedad) + # Se mantiene el facetado por título
scale_x_log10(labels = scales::comma) +
scale_y_continuous(labels = scales::comma) +
labs(
title = "Gráfico 9: Superficie vs Cantidad de Familias según Título de Propiedad",
subtitle = "Comparación de barrios con y sin título formal",
x = "Superficie del barrio (m², escala logarítmica)",
y = "Cantidad de familias",
caption = "Fuente: RENABAP (2024)"
) +
theme(
plot.subtitle = element_text(hjust = 0.5) # <-- Centra el subtítulo
)## Warning: ggrepel: 149 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
#Notas:
# facet_wrap(~titulo_propiedad) divide el gráfico en dos paneles: barrios con y sin título de propiedad.
# geom_text_repel añade etiquetas a puntos destacados (barrios con más de 1,000 familias), evitando que se superpongan.
# scale_x_log10() convertimos a logaritmo el eje X, lo que es muy útil cuando hay valores muy diferentes entre sí.
En el gráfico 9, vemos que la formalización de la tierra en barrios
populares sigue siendo una deuda pendiente (casi todos no tienen
título), incluso en grandes conglomerados. En el gráfico de la izquierda
se observa la gran diferencia de tamaño que existe entre los barrios
(entre 1 mil y 1 millón de m2), que van desde pequeños asentamientos
hasta barrios enormes con más de 5,000 familias, evidenciando que la
informalidad no es solo un problema de los asentamientos chicos, sino
también de comunidades muy numerosas.Por su parte el gráfico de la
derecha se ve que, los barrios con título, en cambio, son pocos y
tienden a tener menos familias y menor superficie.
Conclusión General
El panorama que revela el RENABAP es contundente. El 99,9% de los
barrios populares no tiene título de propiedad. Esto afecta a más de
1,23 millones de familias que viven sin garantías legales, sin
seguridad, y con barreras para acceder a derechos básicos como el
crédito, la herencia o programas de vivienda.
En términos de servicios, la situación también es crítica: solo el 37%
tiene acceso regular a la electricidad, mientras que el resto depende de
conexiones informales. El agua potable y los desagües cloacales también
muestran enormes déficits, con miles de familias dependiendo de sistemas
precarios.
Hay barrios donde la densidad es tan alta que más de 80 familias viven
en apenas 1.000 m². Esa concentración trae aparejados problemas de
salud, convivencia y deterioro ambiental.
Lo más preocupante es que esta precariedad no disminuye con el tiempo.
La mayoría de los barrios surgió entre 1980 y 2010, pero los más
recientes no nacen con mejores condiciones. La desigualdad urbana se
sostiene, y las soluciones siguen llegando tarde o no llegando.
Sugerencia de Datos adicionales para enriquecer el estudio:
- Datos socioeconómicos de las familias
Se deberian incorporar datos sobre ingresos, empleo y nivel educativo de
las familias para entender mejor las condiciones de vida en los barrios
populares. No se trata solo de cuántas casas hay o si tienen agua, sino
de conocer quiénes viven allí, cómo se sostienen día a día y qué
oportunidades tienen para salir de la exclusión. Estos datos ayudarían a
diseñar mejores políticas, acorde a las necesidades de las personas.
- Información sobre composición demográfica
Incorporar datos sobre la composición demográfica de los barrios
populares (niños, personas mayores, mujeres jefas de hogar, personas con
discapacidad) es clave para entender sus verdaderas necesidades. Cada
grupo requiere políticas específicas. Un barrio con alta presencia de
niños necesita más escuelas y espacios de juego. Uno con mayoría de
personas mayores necesita atención en salud, accesibilidad y cuidado.
Este enfoque más segmentado permite que las respuestas del Estado sean
más efectivas e inclusivas.