TP3 | Inclusión Financiera de las Mujeres en América Latina y el Caribe
Evidencia del Global Findex 2011–2024
Javier Carbajal Galarza
El objetivo de este análisis es estudiar la evolución de la inclusión
financiera de las mujeres en América Latina y el Caribe (ALC), tomando
como referencia el Global Findex Database del Banco Mundial. Base, de
carácter internacional y comparativo, que recopila información
representativa sobre el acceso y uso de cuentas financieras, pagos
digitales, ahorro y crédito en más de 190 países.
La pregunta central que guía el análisis es: ¿qué tanto ha
avanzado la región en cerrar la brecha de género en inclusión
financiera?
La base del Global Findex, complementada con datos socioeconómicos como
el PIB per cápita y una dimensión geoespacial, nos permite comparar a
los países de ALC con otras regiones del mundo, observar tendencias por
sexo y región, e identificar los factores que limitan el acceso a los
servicios financieros. En particular, se analiza la relación entre nivel
de desarrollo económico y bancarización, bajo la hipótesis de que
mayores ingresos per cápita tienden a ampliar la capacidad de ahorro y
la demanda de servicios financieros, favoreciendo así la expansión del
sistema bancario formal. Asimismo, se incorpora el efecto de la
digitalización, reflejado en la creciente adopción de pagos digitales,
como motor adicional de inclusión que reduce barreras de acceso y
transforma la manera en que los adultos interactúan con el sistema
financiero.
En este informe se analiza: - La evolución de la titularidad de cuentas en instituciones financieras (fiaccount_t_d). - El avance en la adopción de pagos digitales (g20_any). - Los patrones de ahorro en instituciones financieras (fin17a). - El acceso al crédito formal (fin22a).
Este enfoque nos permitirá comprender no solo el progreso agregado de la
región, sino también la heterogeneidad entre países, las brechas
persistentes entre hombres y mujeres, y los vínculos estructurales entre
inclusión financiera, desarrollo económico y digitalización.
En el reporte, me concentro en mostrar los códigos de las visualizaciones más que los de otros cálculos.
2. Selección de fuentes de datos
Como se comentó en el punto 1, la fuente principal de este breve
análisis es el Global Findex 2025 del Banco Mundial, publicado
en agosto de este año. Esta base de datos recoge información
representativa y comparable a nivel global sobre la inclusión financiera
en los años 2011, 2014, 2017, 2021 y 2024, y permite desagregar los
resultados por sexo, edad, quintil de ingreso y nivel educativo.
De manera complementaria, se incorporaron otras dos fuentes relevantes.
En primer lugar, los datos de PIB per cápita provenientes del portal
oficial del Banco Mundial (World Development Indicators, disponible en
datos.bancomundial.org), que permiten establecer una relación entre el
desarrollo económico y la bancarización. En segundo lugar, para el
componente territorial se utilizaron datos georreferenciados de ESRI
(esri.com), que posibilitan construir mapas coropléticos y representar
espacialmente los indicadores financieros a nivel de país.
3. Carga y exploración de datos
#Cargo las librerías a usar
library(readxl)
library(sf)
library(haven)
library(dplyr)
library(stringr)
library(countrycode)
library(readr)
library(ggplot2)
library(tidyverse)
library(scales)
library(forcats)
library(tidyr)
library(treemapify)
library(scales)
library(ggrepel)
library(treemapify)
En primer lugar, se construyó una base unificada (basefindex2) que
integra tres fuentes: el Global Findex, los indicadores de PIB per
cápita y los shapefiles georreferenciados. Esta integración permitió
generar un panel país–año para el período 2011–2024, asegurando la
comparabilidad temporal y espacial de los indicadores.
Posteriormente, se aplicaron filtros y transformaciones que garantizan
la consistencia de las variables (por ejemplo, normalización de
porcentajes en escala 0–1 y ponderaciones por población adulta en el
cálculo de promedios). Con esta base depurada se elaboraron distintos
productos visuales.
# Cargo las bases para hacer los left joint
# Exploro las bases para saber como estan formadas
# ---shapefile de países
world <- st_read("C:/Descargas/CienciaDatos_UTDT/TP3/World_Countries_(Generalized)_8414823838130214587.gpkg")## Reading layer `World_Countries_Generalized' from data source
## `C:\Descargas\CienciaDatos_UTDT\TP3\World_Countries_(Generalized)_8414823838130214587.gpkg'
## using driver `GPKG'
## Simple feature collection with 251 features and 4 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -20037510 ymin: -30240970 xmax: 20037510 ymax: 18418390
## Projected CRS: WGS 84 / Pseudo-Mercator# Apagué varios comandos de estadística porque la base es muy grande
#str(world,1)
# Base Findex
findex <- read_dta("C:/Descargas/CienciaDatos_UTDT/TP3/GlobalFindexDatabase2025.dta")
# Los apago porque la base es muy grande
#summary(findex)
#str(findex,1)
# Base PIB per capita
gdp_pc <- read_csv("C:/Descargas/CienciaDatos_UTDT/TP3/gdp_pc.csv")
#str(gdp_pc)
# Genero claves ISO3 para poder hacer el left jont
world <- world %>%
mutate(iso3 = countrycode(ISO, origin = "iso2c", destination = "iso3c"))
findex <- findex %>%
mutate(iso3 = toupper(codewb))
gdp_pc <- gdp_pc %>%
rename(iso3 = country_code) %>%
mutate(
iso3 = toupper(iso3),
year = as.integer(year),
gdp_pc = as.numeric(gdp_pc)
)class(basefindex2) # tipo de objeto (sf, data.frame, etc.)## [1] "sf" "data.frame"dim(basefindex2) ## [1] 8086 445#names(basefindex2)
#head(basefindex2, 5)
#summary(basefindex2)
# para ver la estructura de columna
#str(basefindex2, 1)
Del análisis exploratorio de la base llamada basefindex2 se observa que
es un conjunto de datos muy grande: tiene más de 8 mil filas y 445
columnas. Cada fila representa un país en un año específico (2011, 2014,
2017, 2021 o 2024) y cada columna aporta información distinta: desde
nombre y código del país, la región y el nivel de ingreso, hasta
indicadores inclusion financiera que trabajo el Banco Mundial (Global
Findex, todos ellos expresado en porcentajes, como % de adultos con
cuenta (account_t_d), % con cuenta en instituciones financieras
(fiaccount_t_d), entre muchas otras etc. A estos se le agregaron
columnas de PIB per capita a valores en USD constantes del 2015 y
geográficas (shapefiles).
# Histograma facetado
ggplot() +
geom_histogram(
data = hist_data,
aes(x = valor),
binwidth = 0.05,
fill = "#1f77b4",
color = "white"
) +
facet_wrap(~ serie, scales = "free_y") +
scale_x_continuous(labels = percent_format(accuracy = 1)) +
labs(
title = "Distribución de inclusión financiera (Mundo, 2024)",
subtitle = "Bancarización, pagos digitales, ahorro formal y crédito formal",
x = "% de adultos (15+)",
y = "Número de países",
caption = "Fuente: Global Findex 2025 (Banco Mundial)."
) +
theme_minimal(base_size = 12)
El histograma muestra que, a nivel mundial en 2024, el ahorro formal y
el acceso a créditos son bajos en la mayoría de países, lo que muestra
que aún cuesta acceder al sistema financiero. En cambio, los pagos
digitales avanzan con fuerza en algunos países, mientras otros recién
empiezan a adoptarlos. Finalmente, en cuanto a la posesión de una cuenta
se observan disparidades, mientras un grupo de países tienen porcentajes
cercanos a la totalidad, otro grupo permanece muy rezagado con menos del
25%.
4. Gráficos exploratorios
4.1. Panorama global
El panorama general de la inclusión financiera en el mundo. muestra un
crecimiento sostenido en la tenencia de cuentas desde el 2011, aunque
con diferencias notables entre regiones.
# Mapa coroplético
ggplot() +
geom_sf(data = accesomundo, aes(fill = mean_account), color = "white", size = 0.1) +
scale_fill_viridis_c(labels = percent_format(accuracy = 1),
na.value = "darkgrey") + # color para países sin dato
labs(
title = "Gráfico N°1 | Titularidad de la cuenta (% mayores de 15 años), 2024",
subtitle = "(Incuye cuentas en IF y dinero móvil)",
fill = "% con cuenta",
caption = "Fuente: Global Findex, Banco Mundial \nNota: IF = Institución Financiera \n Elaboración propia."
) +
theme_minimal() +
theme(legend.position = "right", plot.caption = element_text(hjust = 1.4, size = 9, face = "plain"))
En el gráfico 1, se muestra el estado de la inclusión financiera en 2024
a nivel global, expresado como el porcentaje de adultos con una cuenta
en una institución financiera (IF) o a través de dinero móvil. Se
observa que en América del Norte, Europa y gran parte de Asia Oriental
la bancarización es casi universal, superando el 80% (economías de altos
ingresos). En contraste, América Latina, Asia Central y el
Sudeste Asiático presentan niveles intermedios, con entre 60% y 80% de
la población con cuenta. Por su parte, África subsahariana y
varias zonas de Medio Oriente registran los niveles más bajos, por
debajo del 40%, lo que evidencia que aún persisten amplias brechas en el
acceso a servicios financieros básicos.
# Mantengo todos los países (no filtro NA aquí)
acceso_ctafi_mundo <- basefindex2 %>%
filter(year == 2024) %>%
group_by(iso3) %>%
summarise(
mean_fiaccount = {
v <- fiaccount_t_d
w <- pop_adult
if (all(is.na(v)) || all(is.na(w))) NA_real_ else weighted.mean(v, w, na.rm = TRUE)
},
.groups = "drop"
) %>%
filter(!iso3 %in% c("ATA","GRL")) # Mapa coroplético
ggplot() +
geom_sf(data = acceso_ctafi_mundo, aes(fill = mean_fiaccount), color = "white", size = 0.1) +
scale_fill_viridis_c(labels = percent_format(accuracy = 1), na.value = "darkgrey") +
labs(
title = "Gráfico N°2 | Bancarización, 2024",
subtitle = "Cuenta en una institución financiera",
fill = "% con cuenta",
caption = "Fuente: Global Findex, Banco Mundial | Elaboración propia.\nNota: IF= Institución Financiera"
) +
theme_minimal() +
theme(legend.position = "right")
En comparación con el primer mapa (gráfico 1), que incluía tanto cuentas
en IFs como dinero móvil, este gráfico 2 refleja únicamente la
bancarización formal en IFs en 2024. La diferencia es clara: varios
países de África subsahariana y Asia, que en el primer mapa mostraban
niveles intermedios gracias al uso de dinero móvil, aquí aparecen con
tasas mucho más bajas, en muchos casos por debajo del 25%. En cambio, en
América del Norte, Europa y Oceanía la cobertura se mantiene alta,
cercana a la universalidad, mientras que América Latina y parte
de Asia Central muestran una bancarización moderada. El
contraste entre ambos mapas evidencia que en regiones con menos
infraestructura bancaria, como África, el dinero móvil ha sido crucial
para ampliar la inclusión financiera más allá del sistema bancario
tradicional.
Una comparación entre regiones del mundo.
# Gráfico de barras horizontales sobre acceso a cuentas por región y sexo
ggplot() +
geom_col(data = region_sex,
aes(x = region_es, y = mean_account, fill = sex),
position = position_dodge(width = 0.7), width = 0.6) +
coord_flip() +
scale_y_continuous(labels = percent_format(accuracy = 1)) +
scale_fill_manual(values = c("Hombres"="#1f77b4","Mujeres"="#ff7f0e")) +
labs(
title = "Gráfico N°3 | Acceso a cuentas por región y sexo (2024)",
subtitle = "Promedio ponderado por población; excluye países de ingreso alto",
x = "Región",
y = "% con cuenta",
fill = "Sexo",
caption = "Fuente: Global Findex, Banco Mundial | Elaboración propia."
) +
theme_minimal() +
theme(legend.position = "top", axis.text.y = element_text(size = 11))
Dando continuidad al análisis global y regional, este gráfico 3 muestra
cómo en las economías en desarrollo las brechas de género son más
marcadas en regiones con baja bancarización, como Oriente Medio, Norte
de África y Africa Subsahariana.En América Latina, donde la
inclusión financiera es intermedia, la diferencia por sexo existe pero
es más reducida, lo que refleja avances en la expansión de
servicios financieros hacia mujeres, aunque aún insuficientes. Por su
parte, en Asia Oriental y el Pacífico el acceso es más alto y casi sin
brecha. Esto confirma que ampliar la inclusión financiera no basta: es
clave garantizar que mujeres y hombres participen en igualdad de
condiciones.
4.2. Zoom en América Latina y el Caribe (ALC)
# Gráfico de lineas para ver evolución de cuentas en IF de ALC
ggplot() +
geom_line(data = alc_evol,
aes(x = year, y = mean_fiaccount, color = sex, group = sex),
linewidth = 1) +
geom_point(data = alc_evol,
aes(x = year, y = mean_fiaccount, color = sex),
size = 2) +
scale_x_continuous(breaks = years_vec) +
scale_y_continuous(labels = percent_format(accuracy = 1)) +
scale_color_manual(values = c("Hombres"="#1f77b4","Mujeres"="#ff7f0e")) +
labs(
title = "Gráfico N°4 | Evolución de cuentas en instituciones financieras en ALC \n(2011–2024) ",
subtitle = "En porcentajes",
x = "Año",
y = "% con cuenta en institución financiera",
color = "Sexo",
caption = "Fuente: Global Findex, Banco Mundial.\ Elaboración propia"
) +
theme_minimal(base_size = 12) +
theme(legend.position = "top")
El gráfico 4, confirma la tendencia de crecimiento en la bancarización
de ALC entre 2011 y 2024, diferenciando hombres y mujeres. Se observa un
avance sostenido en ambos grupos, con un fuerte incremento entre 2017 y
2021, impulsado en buena medida por la digitalización financiera y la
expansión de transferencias en la pandemia. Después de ese pico, hay una
ligera caída hacia 2024, aunque los niveles actuales siguen muy por
encima de los de 2011. La brecha de género se mantiene, pero se ha
reducido de más de 8 puntos en 2011 a alrededor de 6 en 2024, lo que
muestra progresos aunque aún insuficientes.
# Gráfico de brechas de género
ggplot() +
geom_vline(xintercept = 0, linetype = "dashed", color = "grey60") +
geom_segment(data = alc_gap_wide,
aes(x = gap_2011, xend = gap_2024,
y = COUNTRY, yend = COUNTRY),
color = "grey55") +
geom_point(data = alc_gap_wide,
aes(x = gap_2011, y = COUNTRY),
shape = 21, fill = NA, color = "#1f77b4", size = 3, stroke = 1) +
geom_point(data = alc_gap_wide,
aes(x = gap_2024, y = COUNTRY),
shape = 16, color = "#ff7f0e", size = 3) +
scale_x_continuous(labels = percent_format(accuracy = 1)) +
labs(
title = "Gráfico N°5 | Brecha de acceso a cuentas en instituciones \nfinancieras en ALC",
subtitle = "2011 (○) vs 2024 (●). >0 favorece a hombres; <0 favorece a mujeres",
x = "Brecha de género (% puntos)",
y = "País",
caption = "Fuente: Global Findex, Banco Mundial.\nNota: Elaboración propia."
) +
theme_minimal() +
theme(panel.grid.major.y = element_blank())## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_segment()`).## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_segment()`).## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_point()`).
Al profundizar en el análisis país por país dentro de ALC, este gráfico
5 muestra cómo ha evolucionado la brecha de género en el acceso a
cuentas financieras entre 2011 y 2024. En la mayoría de los países la
brecha se ha reducido, aunque sigue favoreciendo a los hombres: casos
como México, Brasil o Colombia aún presentan diferencias cercanas o
superiores a 10 puntos porcentuales. Otros países, como Perú, Ecuador o
Paraguay, muestran avances importantes, pero con rezagos persistentes
para las mujeres. Existen también excepciones notables: en
Argentina y Venezuela la brecha se invierte en favor de las
mujeres. El panorama confirma que, pese a los avances
regionales, las experiencias nacionales son muy heterogéneas y que
cerrar las brechas de género en inclusión financiera requiere
intervenciones adaptadas a los contextos locales.
4.3. Barreras para el acceso de servicios financieros
# Gráfico razones para no tener una cuenta
ggplot() +
geom_col(
data = graf_reasons,
aes(x = p, y = fct_rev(reason_es), fill = region_grp),
width = 0.7
) +
facet_wrap(~ region_grp, ncol = 2, scales = "free_y") +
scale_x_continuous(labels = percent_format(accuracy = 1)) +
scale_fill_brewer(palette = "Set1", name = "Región") +
labs(
title = "Gráfico N°6 | Razones para no tener una cuenta (2024)",
x = "% de adultos sin cuenta que menciona la razón",
y = NULL,
caption = "Fuente: Global Findex 2025 (Banco Mundial) \nElaboración propia."
) +
theme_minimal(base_size = 10) +
theme(
legend.position = "none",
panel.grid.major.y = element_blank(),
strip.text = element_text(size = 11, hjust = 0.5), # mantiene centrado el título de cada panel
plot.title = element_text(hjust = 0.5, size = 14)
)
La inclusión financiera (no analiza el dinero móvil) no enfrenta las
mismas barreras en todas las regiones (ver gráfico 6).En América Latina,
las personas suelen señalar obstáculos más “duros”: los costos elevados
de los servicios financieros y la distancia física a las entidades son
las razones más mencionadas. A esto se suma la falta de confianza en el
sistema y, en menor medida, la carencia de dinero o de documentación.
En las economías desarrolladas, en cambio, las limitaciones son de otra
naturaleza.Allí pesa más la percepción de que tener una cuenta es
innecesario porque otro miembro de la familia ya la posee.También se
menciona el alto costo, aunque la infraestructura bancaria es cercana y
accesible.La comparación revela que, mientras en ALC los problemas son
de acceso y asequibilidad, en los países avanzados predominan las
decisiones personales y las percepciones.
# Gráfico heatmap de razones para no tener una cuenta por pais de ALC
ggplot() +
geom_tile(
data = alc_if_reasons,
aes(x = razon, y = COUNTRY, fill = valor),
color = "white", linewidth = 0.2
) +
scale_fill_viridis_c(
labels = percent_format(accuracy = 1),
na.value = "grey85",
name = "% de adultos\nsin cuenta que menciona la razón"
) +
labs(
title = "Gráfico N°7 | Barreras para no tener una cuenta en institución \nfinanciera (ALC, 2024)",
x = "Razón declarada",
y = "País",
caption = "Fuente: Global Findex 2025 (Banco Mundial)."
) +
theme_minimal(base_size = 11) +
theme(
axis.text.x = element_text(angle = 30, hjust = 1),
legend.position = "right",
legend.text = element_text(size = 10)
)
En este gráfico 7 se analiza individualmente, a nivel país cuales son
las principales barreras que enfrentan los ciudadanos para acceder a una
cuenta bancaria, que son el alto costo y la distancia a una agencia,
especialmente en Colombia, Guatemala, Honduras, Nicaragua y Perú. La
desconfianza también pesa en naciones como Nicaragua y Honduras,
mientras que la falta de documentación y recursos aparecen con menor
frecuencia. En contraste, países como Argentina, Brasil, Costa Rica o
Venezuela muestran niveles muy bajos en todas las razones, reflejando un
acceso más extendido.
4.4. Uso de servicios financieros
# Gráfico Treemap de pagos digitales en ALC
ggplot() +
geom_treemap(
data = alc_treemap,
aes(area = pop_adult, fill = g20_any, label = COUNTRY),
color = "white"
) +
geom_treemap_text(
data = alc_treemap,
aes(area = pop_adult, label = COUNTRY),
colour = "white", place = "top",
grow = TRUE, reflow = TRUE
) +
geom_treemap_text(
data = alc_treemap,
aes(area = pop_adult,
label = scales::percent(g20_any, accuracy = 1)),
colour = "white", place = "bottom",
grow = FALSE, reflow = TRUE, min.size = 0.25
) +
scale_fill_viridis_c(labels = percent_format(accuracy = 1),
name = "% hizo/recibió pago digital") +
facet_wrap(~ year) +
labs(
title = "Gráfico N°8 | Pagos digitales en ALC: comparación 2014 vs 2024",
subtitle = "Tamaño: población adulta | (%, 15+)",
caption = "Fuente: Global Findex 2025 (Banco Mundial). \nNotas: Incluye países de ALC clasificados por el Banco Mundial como de alto ingreso (CHL, URY, PAN, CRI)"
) +
theme_minimal() +
theme(legend.position = "bottom")## Warning in geom_treemap(data = alc_treemap, aes(area = pop_adult, fill =
## g20_any, : Ignoring unknown aesthetics: label
Evolución de los pagos digitales de los principales países de
ALC. El gráfico 8 compara el uso de pagos digitales en
América Latina y el Caribe entre 2014 y 2024, mostrando un salto
notable en la adopción. En 2014, la mayoría de países se
ubicaba en tonos oscuros, reflejando que menos del 40% de los adultos
realizaba o recibía pagos digitales. Para 2024, el panorama es muy
distinto: países grandes como Brasil, México, Colombia, Argentina y Perú
muestran una expansión significativa, alcanzando niveles superiores al
60% en algunos casos. Incluso economías más pequeñas, como Bolivia o
Venezuela, evidencian avances, aunque con distinta intensidad. Esta
transformación revela cómo la digitalización financiera se aceleró en la
última década, impulsada por el crecimiento de billeteras electrónicas,
transferencias móviles y plataformas de pago en línea.
# Gráfico de pagos digitales por sexo, facet por país
ggplot() +
geom_line(data = evol_top9,
aes(x = year, y = pagos, color = sex, group = sex),
linewidth = 1) +
geom_point(data = evol_top9,
aes(x = year, y = pagos, color = sex),
size = 2) +
facet_wrap(~ COUNTRY, ncol = 3) +
scale_x_continuous(breaks = years_vec2) +
scale_y_continuous(labels = percent_format(accuracy = 1)) +
scale_color_manual(values = c("Hombres"="#1f77b4","Mujeres"="#ff7f0e"), name = "Sexo") +
labs(
title = "Gráfico N°9 | Pagos digitales por sexo en los 9 países más poblados \nde ALC (2014–2024)",
subtitle = "(% de adultos 15+ que hicieron o recibieron un pago digital)",
x = "Año", y = "% de adultos",
caption = "Fuente: Global Findex 2014–2024 (Banco Mundial). Promedios ponderados por población adulta (15+)."
) +
theme_minimal(base_size = 11) +
theme(legend.position = "top")## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_line()`).## Warning: Removed 24 rows containing missing values or values outside the scale range
## (`geom_point()`).
Retomando el analisis por sexo, en el gráfico 9 se observa que, los
pagos digitales crecieron de forma acelerada en América Latina,
alcanzando alta adopción en países como Argentina, Brasil Chile y
Venezuela, donde más del 70% de adultos los utiliza. Perú, Ecuador y
Colombia también muestran avances importantes, aunque partiendo de
niveles más bajos. México presenta un crecimiento más moderado, mientras
que Guatemala se mantiene rezagada frente al resto. Un patrón común es
que la brecha entre hombres y mujeres es mínima, señalando que
la digitalización ha avanzado de manera más inclusiva que otros
servicios financieros.
# Gráfico créditos: líneas por sexo, facet por país
ggplot() +
geom_col(data = evol_borrow_top9,
aes(x = factor(year), y = créditos, fill = sex),
position = "dodge") +
facet_wrap(~ COUNTRY, ncol = 3) +
scale_y_continuous(labels = percent_format(accuracy = 1)) +
scale_fill_manual(values = c("Hombres"="#1f77b4", "Mujeres"="#ff7f0e"), name = "Sexo") +
labs(
title = "Gráfico N°10 | Créditos en IF por sexo en los 9 países más poblados \nde ALC (2014–2024)",
subtitle = "(% de adultos 15+)",
x = "Año", y = "% de adultos",
caption = "Fuente: Global Findex 2025 (Banco Mundial). Promedios ponderados por población adulta (15+)."
) +
theme_minimal(base_size = 11) +
theme(
legend.position = "top",
panel.spacing = unit(1, "lines") # más espacio vertical y horizontal entre facetas
)## Warning: Removed 10 rows containing missing values or values outside the scale range
## (`geom_col()`).
En la última década, el acceso al crédito en IF en ALC muestra
avances desiguales entre países(gráfico 10). Brasil lidera con
un crecimiento notable, aunque con retrocesos recientes. Argentina,
Chile, Perú y Bolivia mantienen niveles estables y con relativa paridad
entre hombres y mujeres. En Colombia y México, la participación sigue
siendo baja y con pocos cambios. Ecuador tuvo un repunte importante en
2021, pero luego retrocedió. Guatemala y Venezuela permanecen rezagados,
con porcentajes muy reducidos. En conjunto, el crédito se expande más
lentamente que la bancarización o los pagos digitales, reflejando que
aún es un desafío central para la inclusión financiera en la región.
# Gráfico ahorros: líneas por sexo, facet por país
ggplot() +
geom_col(data = evol_save_top9,
aes(x = factor(year), y = ahorros, fill = sex),
position = "dodge") +
facet_wrap(~ COUNTRY, ncol = 3) +
scale_y_continuous(labels = percent_format(accuracy = 1)) +
scale_fill_manual(values = c("Hombres"="#1f77b4", "Mujeres"="#ff7f0e"), name = "Sexo") +
labs(
title = "Gráfico N°11 | Ahorros en IF por sexo en los 9 países más poblados \nde ALC (2014–2024)",
subtitle = "(% de adultos 15+)",
x = "Año", y = "% de adultos",
caption = "Fuente: Global Findex 2025 (Banco Mundial). \nNotas: Promedios ponderados por población adulta (15+)."
) +
theme_minimal(base_size = 11) +
theme(
legend.position = "top",
panel.spacing = unit(1, "lines"))## Warning: Removed 18 rows containing missing values or values outside the scale range
## (`geom_col()`).
Como se observa en el gráfico 11, el ahorro en IF en ALC entre 2014 y
2024 muestra avances desiguales según el país. Brasil lidera con un
crecimiento sostenido y niveles que superan el 40% de adultos, aunque
con brechas de género aún presentes. Chile y Argentina también registran
aumentos importantes, con mujeres participando cada vez más. Ecuador
refleja un progreso notable, mientras que Colombia y Perú mantienen
porcentajes bajos y relativamente estables. En México, el ahorro formal
sigue siendo limitado, con poca evolución en la última década. Guatemala
y Venezuela muestran comportamientos irregulares, marcados por la
inestabilidad económica.
4.5. Vinculación al PIB per capita
# Mapa: coroplético + puntos (geometrías superpuestas) sobre bancarización y PIB p.c.
ggplot() +
geom_sf(
data = alc_2024,
aes(fill = fiaccount_t_d),
color = "white", linewidth = 0.2
) +
geom_point(
data = puntos,
aes(x = lon, y = lat, size = gdp_pc),
alpha = 0.5, color = "#ff7f0e"
) +
scale_fill_gradient(
low = "#f7fbff", high = "#1f77b4",na.value = "grey80",
labels = percent_format(accuracy = 1),
name = "Bancarización (FI)"
) +
scale_size_continuous(
labels = comma, name = "PIB per cápita (US$)"
) +
coord_sf() +
labs(
title = "Gráfico N°12 | ALC (2024): Bancarización y PIB per cápita",
subtitle = "Relleno = % con cuenta en IF. Puntos = centroides, tamaño ∝ PIB pc.",
caption = "Fuente: Global Findex | Banco Mundial \nNotas: IF= Institución Financiera",
x = NULL, y = NULL
) +
theme_minimal(base_size = 11) +
theme(legend.position = "right")
El mapa (gráfcio 12) refleja cómo en 2024 la bancarización en ALC guarda
una relación estrecha con el nivel de ingresos de cada país. Las
economías de mayor PIB per cápita, como Chile, Uruguay o Costa Rica,
muestran tasas de acceso superiores al 70%. En contraste, países de
menor ingreso, como Haití, Honduras o Nicaragua, apenas superan el 30%.
Brasil y México destacan como casos intermedios: con ingresos medios han
logrado altos niveles de bancarización gracias a políticas públicas y la
digitalización.
# Gráfico scatter sobre bancarización y PIB p.c.
ggplot() +
# puntos
geom_point(
data = scatter_df,
aes(x = gdp_pc, y = fiaccount_t_d, color = ALC),
size = 2.2, alpha = 0.9
) +
# etiquetas solo para ALC
geom_text_repel(
data = dplyr::filter(scatter_df, ALC == "ALC"),
aes(x = gdp_pc, y = fiaccount_t_d, label = iso3),
size = 3, color = "black", max.overlaps = Inf, min.segment.length = 0
) +
# tendencia global
geom_smooth(
data = scatter_df,
aes(x = gdp_pc, y = fiaccount_t_d),
method = "loess", se = FALSE, linetype = "dotted", color = "red"
) +
scale_color_manual(values = c("ALC" = "darkorange", "Resto del mundo" = "steelblue"),
name = "Grupo") +
scale_x_continuous(labels = comma) +
scale_y_continuous(labels = percent_format(accuracy = 1), limits = c(0, 1)) +
labs(
title = "Gráfico N°13 | Bancarización y PIB per cápita (2024)",
subtitle = "Cuenta en institución financiera vs. PIB per cápita; ALC resaltado",
x = "PIB per cápita (USD constantes del 2015)",
y = "% con cuenta en institución financiera",
caption = "Fuente: WDI Database, Global Findex 2025 (Banco Mundial)"
) +
theme_minimal(base_size = 11) +
theme(
legend.position = "right",
panel.grid.major = element_line(linewidth = 0.4, colour = "grey85"),
panel.grid.minor = element_line(linewidth = 0.25, colour = "grey92")
)## `geom_smooth()` using formula = 'y ~ x'
En el último gráfico vemos la relación positiva entre bancarización y
PIB per cápita, a mayor nivel de ingresos, mayor acceso a cuentas
financieras. En ALC, los países con mayores ingresos per cápita, como
Chile, Uruguay o Costa Rica, muestran altos niveles de bancarización,
donde más de siete de cada diez adultos tienen una cuenta. En contraste,
Nicaragua, Honduras y Guatemala siguen rezagados, con menos del 40%.
Brasil resulta llamativo, pese a no ser de los más ricos, alcanza
niveles altos de inclusión, lo que evidencia el rol de la
digitalización.
5. Conclusión general
El análisis exploratorio muestra que la inclusión financiera en la
región ha avanzado de forma sostenida en la última década, aunque con
marcadas desigualdades. La bancarización creció en casi todos los
países, reduciendo brechas de género, pero aún persisten rezagos en
varias economías y diferencias significativas entre hombres y mujeres.
Los pagos digitales se consolidaron como el motor más dinámico, con
amplia adopción y con reducida brecha de género, mientras que el crédito
y el ahorro formal avanzaron mucho más lentamente, lo que mostraría
limitaciones estructurales. Además, las barreras para acceder a una
cuenta siguen siendo más complicadas en la región (costos altos,
distancia y desconfianza) a diferencia de las economías desarrolladas.
Por otro lado, la relación con el PIB per cápita muestra que mayores
ingresos facilitan la inclusión, aunque la digitalización ha permitido a
países intermedios lograr buenos resultados.