Radiografía de la marginación: Análisis de Mier y Noriega, NL (Censo 2020)

Introducción

El municipio de Mier y Noriega, ubicado en el extremo sur de Nuevo León, representa un caso de estudio crítico. A diferencia del dinamismo industrial del área metropolitana de Monterrey, este municipio enfrenta retos estructurales en educación y servicios básicos. El presente reporte analiza los datos del Censo 2020 (INEGI) para identificar las brechas de desigualdad entre su cabecera municipal y sus localidades rurales.

# 1. Carga de datos
datos <- read.csv("ITER_19CSV20.csv", stringsAsFactors = FALSE, na.strings = "*")

# 2. Selección de las 10 variables de vivienda + Educación y Ocupación
# NOTA: Asegúrate de que los nombres coincidan exactamente con el diccionario de INEGI
base <- datos %>%
  filter(NOM_MUN == "Mier y Noriega") %>%
  select(
    NOM_LOC, LOC, POBTOT, TVIVHAB,
    P15YM_AN, GRAPROES,           # Educación
    PEA, POCUPADA,                # Ocupación
    VPH_AGUADV, VPH_DRENAJ, VPH_C_ELEC, VPH_INTER, VPH_SINTIC, 
    VPH_REFRI, VPH_LAVAD, VPH_AUTOM, VPH_TELEF, VPH_CEL
  ) %>%
  mutate(across(-c(NOM_LOC, LOC), as.numeric))

Perfil Poblacional y Estructura

Mier y Noriega es un municipio de baja densidad. Según el censo más reciente, su población total es de 7652 habitantes. La dispersión geográfica es el primer factor de vulnerabilidad: muchas localidades cuentan con muy pocos habitantes, lo que encarece la provisión de servicios públicos.

# Validación de población: Oficial vs Suma Manual
total_oficial <- base %>% filter(NOM_LOC == "Total del Municipio") %>% pull(POBTOT)
suma_manual <- base %>% filter(!LOC %in% c(0, 9998, 9999)) %>% summarise(s = sum(POBTOT, na.rm = TRUE)) %>% pull(s)

cat("Población Total Oficial:", total_oficial, "\nSuma Manual de Localidades:", suma_manual)
## Población Total Oficial: 7652 
## Suma Manual de Localidades: 7652

Análisis de Carencias: Índice Simple vs. Extendido

Calculamos las carencias por vivienda. El índice simple se enfoca exclusivamente en los tres pilares de la infraestructura básica y conectividad mínima, mientras que el Extendido analiza las 10 variables de bienestar y tecnología.

Variables del Índice Simple (Infraestructura Básica)

  • VPH_AGUADV: Viviendas que disponen de agua entubada dentro de la vivienda, de la estructura o del terreno (indicador de salud pública).

  • VPH_DRENAJ: Viviendas que disponen de drenaje conectado a la red pública, fosa séptica o barranca (indicador de saneamiento).

  • VPH_INTER: Viviendas que cuentan con conexión o acceso a internet (indicador de integración digital).

Variables del Índice Extendido (Carencias en Vivienda y TIC)

  • VPH_AGUADV: Viviendas que disponen de agua entubada (usada para calcular la carencia de agua).

  • VPH_DRENAJ: Viviendas que disponen de drenaje.

  • VPH_C_ELEC: Viviendas que disponen de energía eléctrica.

  • VPH_INTER: Viviendas que cuentan con acceso a internet.

  • VPH_CEL: Viviendas que cuentan con teléfono celular.

  • VPH_TELEF: Viviendas que cuentan con línea telefónica fija.

  • VPH_REFRI: Viviendas que disponen de refrigerador.

  • VPH_LAVAD: Viviendas que disponen de lavadora.

  • VPH_AUTOM: Viviendas que cuentan con automóvil o camioneta.

  • VPH_SINTIC: Viviendas que no disponen de ninguna tecnología de información (sin radio, TV, computadora, celular o internet).

indice_data <- base %>%
  filter(!LOC %in% c(0, 9998, 9999), POBTOT > 0, TVIVHAB > 0) %>%
  mutate(
    # Cálculo de porcentajes de carencia (100 - disponibilidad)
    s_agua  = 100 - (VPH_AGUADV/TVIVHAB*100),
    s_dren  = 100 - (VPH_DRENAJ/TVIVHAB*100),
    s_int   = 100 - (VPH_INTER/TVIVHAB*100),
    s_elec  = 100 - (VPH_C_ELEC/TVIVHAB*100),
    s_refi  = 100 - (VPH_REFRI/TVIVHAB*100),
    s_lava  = 100 - (VPH_LAVAD/TVIVHAB*100),
    s_auto  = 100 - (VPH_AUTOM/TVIVHAB*100),
    s_tele  = 100 - (VPH_TELEF/TVIVHAB*100),
    s_celu  = 100 - (VPH_CEL/TVIVHAB*100),
    s_tic   = (VPH_SINTIC/TVIVHAB*100),
    
    # INDICE SIMPLE (Rúbrica: Agua + Drenaje + Internet)
    I_Simple = s_agua + s_dren + s_int,
    
    # INDICE EXTENDIDO (Suma de las 10 carencias)
    I_Extendido = s_agua + s_dren + s_int + s_elec + s_refi + s_lava + s_auto + s_tele + s_celu + s_tic
  )

kable(head(indice_data %>% 
             select(Localidad = NOM_LOC, I_Simple, I_Extendido) %>% 
             arrange(desc(I_Simple)), 10), 
      digits = 1, 
      caption = "Tabla 1: Localidades con mayor índice de carencia",
      col.names = c("Localidad", 
                    "Índice Simple (Puntos)", 
                    "Índice Extendido (Puntos)"))
Tabla 1: Localidades con mayor índice de carencia
Localidad Índice Simple (Puntos) Índice Extendido (Puntos)
Las Mesas de San Juan 300.0 481.8
San José de Medina (Rancho de Abajo) 233.3 366.7
Lagunita de Taberna 220.9 495.3
La Presita de Cerros Blancos (La Presita) 214.7 431.0
San Elías 214.3 442.9
Tapona Moreña 206.8 554.2
San Isidro 204.9 443.1
La Joya del Zacate 200.0 366.7
El Refugio de Cerros Blancos 200.0 418.6
Dolores 193.0 388.7

La Tabla 1 muestra las 10 localidades con mayor vulnerabilidad. Destaca que en el tope de la lista, el Índice Simple alcanza los 300 puntos, lo que representa una carencia total (100%) en agua, drenaje e internet simultáneamente. Por otro lado, el Índice Extendido nos permite observar que, además de los servicios básicos, estas comunidades carecen casi por completo de bienes domésticos y herramientas tecnológicas, lo que agrava su situación de aislamiento social y económico. El análisis de estos índices permite identificar que el municipio sufre de una marginación dual: por un lado, la falta de servicios vitales (Agua/Drenaje) en localidades como Las Mesas de San Juan, y por otro, una brecha de modernidad en localidades como Tapona Moreña, donde la falta de activos domésticos y TICs ancla a la población en un estado de vulnerabilidad social permanente.

Comparativa Final: Cabecera vs. Sector Rural

comparativa <- base %>%
  filter(!LOC %in% c(0, 9998, 9999)) %>%
  mutate(
    Zona = ifelse(NOM_LOC == "Mier y Noriega", "Cabecera Municipal", "Resto de Localidades"),
    pct_analfabetismo = (P15YM_AN / POBTOT) * 100,
    tasa_ocupacion = (POCUPADA / PEA) * 100,
    sin_agua = 100 - (VPH_AGUADV / TVIVHAB * 100),
    sin_internet = 100 - (VPH_INTER / TVIVHAB * 100)
  ) %>%
  group_by(Zona) %>%
  summarise(
    `Analfabetismo (%)` = mean(pct_analfabetismo, na.rm = TRUE),
    `Escolaridad Promedio` = mean(GRAPROES, na.rm = TRUE),
    `Sin Agua (%)` = mean(sin_agua, na.rm = TRUE),
    `Sin Internet (%)` = mean(sin_internet, na.rm = TRUE),
    `Tasa Ocupación (%)` = weighted.mean(tasa_ocupacion, w = PEA, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  mutate(across(where(is.numeric), round, 1))

kable(comparativa, 
      digits = 1, 
      caption = "Tabla 2: Brecha Multidimensional",
      # Aquí defines los nombres de las columnas manualmente
      col.names = c("Zona Geográfica", "Analfabetismo (%)", "Escolaridad (Años)", 
                    "Sin Agua (%)", "Sin Internet (%)", "Tasa Ocupación (%)"))
Tabla 2: Brecha Multidimensional
Zona Geográfica Analfabetismo (%) Escolaridad (Años) Sin Agua (%) Sin Internet (%) Tasa Ocupación (%)
Cabecera Municipal 7.0 7.3 3.9 63.3 96.5
Resto de Localidades 7.6 6.3 33.3 96.9 96.0 
library(ggplot2)

ggplot(comparativa, aes(x = Zona, y = `Sin Agua (%)`, fill = Zona)) +
  geom_bar(stat = "identity") +
  # ESTA ES LA PARTE CLAVE PARA LOS EJES:
  labs(
    title = "Carencia de Agua: Cabecera vs. Sector Rural",
    subtitle = "Municipio de Mier y Noriega, NL",
    x = "Ubicación Geográfica",         # Título eje X
    y = "Porcentaje de Viviendas (%)",  # Título eje Y
    caption = "Fuente: Elaboración propia con datos del Censo 2020 (INEGI)"
  ) +
  theme_minimal()

Al comparar la Cabecera Municipal con el resto de las comunidades, la desigualdad se vuelve evidente. No solo en infraestructura, sino en la capacidad de integración económica (Ocupación).La brecha es alarmante; mientras la cabecera reporta un 3.9% de carencia de agua, las zonas rurales alcanzan un 33.3%. Las zonas rurales promedian solo 6.3 años de escolaridad y un analfabetismo del 7.6%, agravado por una desconexión digital casi total. Existe un círculo vicioso donde la falta de servicios y educación en el sector rural correlaciona con una menor tasa de ocupación efectiva.

Conclusión

Al cruzar los datos de las tres tablas, se observa un fenómeno de “Marginación Acumulada”. La Geografía como Destino: No se trata solo de falta de dinero, sino de ubicación. La diferencia de 33.3% vs 3.9% en falta de agua entre el sector rural y la cabecera indica que nacer en una localidad como Las Mesas de San Juan (con índice de 300.0) predestina al ciudadano a una vida de cuidados de salud precarios y falta de higiene básica.

El Techo de Cristal Educativo: El analfabetismo del 7.6% en el área rural no es solo un dato educativo; es una barrera económica. Sin el grado promedio de escolaridad de la cabecera (7.3 años), los habitantes rurales están atrapados en la agricultura de subsistencia o empleos no calificados, lo que se refleja en una tasa de ocupación que, aunque parece alta (96.0%), es de baja calidad y baja remuneración.

Aislamiento Digital en el Siglo XXI: Con un 96.9% de viviendas rurales sin internet, el municipio está creando una brecha generacional. Mientras los niños de la cabecera tienen acceso a información, los de las comunidades rurales están desconectados del sistema educativo moderno y del mercado laboral digital.