1 Reporte sobre la situación de las viviendas con pisos de tierra en Argentina y Bolivia

1.1 Evolución de la cantidad de viviendas con pisos de tierra en Argentina y Bolivia

El siguiente gráfico muestra la evolución de la cantidad de viviendas con piso de tierra en Argentina y Bolivia entre 1990 y 2020, a partir de los relevamientos censales de ambos países. Se identifica una tendencia sostenida a la reducción en ambos países. Argentina pasó de 560.000 viviendas en 1990 a 260.000 en 2020, lo que representa una disminución del 53,6% en el período. Bolivia, por su parte, redujo sus cifras de 300.000 a 120.000 viviendas, una caída del 60%.

evolucion_pisos <- pisos_evolucion %>%
  group_by(País, Año) %>%  
  summarise(Cantidad = sum(Cantidad, na.rm = TRUE), .groups = "drop")

# Gráfico de líneas
ggplot(evolucion_pisos, aes(x = Año, y = Cantidad, color = País, group = País)) +
  geom_line(size = 1) +
  geom_point(size = 2) +
  scale_y_continuous(labels = comma_format(big.mark = ".", decimal.mark = ",")) +
  scale_x_continuous(breaks = pretty_breaks()) +  
  labs(
    title = "Evolución de viviendas con piso de tierra por país",
    x = "Año",
    y = "Cantidad de viviendas",
    color = "País"
  ) +
  theme_bw(base_size = 13) +
  theme(
    legend.position = "bottom",
    plot.title = element_text(hjust = 0.5, face = "bold")
  )
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once per session.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

1.2 Provincias de Argentina con mayor presencia de viviendas con pisos de tierra

El análisis realizado muestra que la provincia de Buenos Aires es la que presenta la mayor cantidad de viviendas con pisos de tierra, superando las 45mil. Le siguen las provincias norteñas de Salta y Santiago del Estero.

# Preparar los datos
datos_argentina <- pisos_provincia %>%
  filter(!is.na(Provincia),
         !is.na(viviendas_tierra),
                Pais == "Argentina") %>%
  group_by(Provincia) %>%
  summarise(cantidad = sum(viviendas_tierra, na.rm = TRUE), .groups = "drop") %>%
  arrange(cantidad) %>%
  mutate(Provincia = factor(Provincia, levels = Provincia))  

# Crear el gráfico


ggplot(datos_argentina, aes(x = Provincia, y = cantidad)) +
  geom_col(fill = "#00AFD7") +
  coord_flip() +
  geom_text(
    aes(label = comma(cantidad, big.mark = ".", decimal.mark = ",")),
    hjust = -0.1, size = 4) +
  scale_y_continuous(
    labels = comma_format(big.mark = ".", decimal.mark = ","),
    expand = expansion(mult = c(0, 0.12))) +
  labs(
    title = "Argentina: Cantidad de viviendas con piso de tierra\npor provincia",
    x = "Provincia",
    y = "Cantidad de viviendas",
    caption = "Fuente: Elaboración propia a partir de INDEC (2022)") +
  theme_bw(base_size = 13) +
  theme(
    axis.text.y = element_text(size = 11),
    plot.title = element_text(hjust = 0.5, face = "bold"),
    plot.caption = element_text(hjust = 0, size = 10, color = "gray40")  
  )

1.3 Departamentos de Bolivia con mayor presencia de viviendas con pisos de tierra

En cuanto a Bolivia, el departamento de Santa Cruz encabeza el listadom seguido por La Paz. Muy por detrás se cneuntran Oruro, Cochambamba y Beni.

# Preparar los datos
datos_bolivia <- pisos_provincia %>%
  filter(!is.na(Provincia),
         !is.na(viviendas_tierra),
                Pais == "Bolivia") %>%
  group_by(Provincia) %>%
  summarise(cantidad = sum(viviendas_tierra, na.rm = TRUE), .groups = "drop") %>%
  arrange(cantidad) %>%
  mutate(Provincia = factor(Provincia, levels = Provincia))  

# Crear el gráfico


ggplot(datos_bolivia, aes(x = Provincia, y = cantidad)) +
  geom_col(fill = "#43B02A") +
  coord_flip() +
  geom_text(
    aes(label = comma(cantidad, big.mark = ".", decimal.mark = ",")),
    hjust = -0.1, size = 4) +
  scale_y_continuous(
    labels = comma_format(big.mark = ".", decimal.mark = ","),
    expand = expansion(mult = c(0, 0.12))) +
  labs(
    title = "Bolivia: Cantidad de viviendas con piso de tierra\npor departamento",
    x = "Departamento",
    y = "Cantidad de viviendas",
    caption = "Fuente: Elaboración propia a partir de INE (2019)") +
  theme_bw(base_size = 13) +
  theme(
    axis.text.y = element_text(size = 11),
    plot.title = element_text(hjust = 0.5, face = "bold"),
    plot.caption = element_text(hjust = 0, size = 10, color = "gray40")  
  )

1.4 Del diagnóstico a la acción: intervenciones de HPHA para el mejoramiento de pisos

Hábitat para la Humanidad Argentina cuenta con una experiencia demostrada en el mejoramiento de pisos. El siguiente mapa muestra la geolocalización de las intervenciones realizadas durante 2025, en la zona norte o oeste del AMBA, así como en la localidad de Bahía Blanca.

library(tidyverse)
library(leaflet)
## Warning: package 'leaflet' was built under R version 4.5.2
library(readxl)
library(purrr)
library (stringr)

# Función para convertir coordenadas DMS a decimal
convert_dms_to_dd <- function(dms) {
  parts <- str_match(dms, "([0-9]+)° ([0-9]+)' ([0-9\\.]+)\" ([NSEW])")
  degrees <- as.numeric(parts[,2])
  minutes <- as.numeric(parts[,3])
  seconds <- as.numeric(parts[,4])
  direction <- parts[,5]
  
  decimal <- degrees + (minutes / 60) + (seconds / 3600)
  
  # Aplicar signo según dirección
  if (direction %in% c("S", "W")) {
    decimal <- -decimal
  }
  
  return(decimal)
}

# Correccion de dataset para que los puntos de las coordenadas como separador de decimales y no de miles. 

file_path <- "geoloc_pisos.xlsx"
datos_mapa_arg <- read_excel(file_path)

datos_mapa_arg <- datos_mapa_arg %>%
  mutate(
    
    lat = lat / 1000000,
    lon = lon / 1000000
  )



mapa_arg <- leaflet(datos_mapa_arg) %>%
  addProviderTiles(providers$Esri.WorldImagery) %>%  # Usa un mapa satelital sin nombres
  addCircleMarkers(
    lng = ~ lon, 
    lat = ~ lat,  
    popup = ~codigo_fam, 
    radius = 6,       
    color = "darkblue",   
    fillColor = "lightblue",  
    fillOpacity = 0.8
  )


mapa_arg