Análisis Exploratorio de Transferencias Monetarias SUPRES 2025
XP-0465 - TICs para el análisis de datos en la gestión pública
Sofia Bran González C4D321, Rommy Acebey De Trinidad C4C035, Maribella Olivas Umaña C25656, Paola Pérez Linarte B99173
2026-06-08
# Carga de todas las librerías necesarias para el proyecto
library(tidyverse) # Manipulación y visualización de datos
library(DataExplorer) # Diagnóstico exploratorio automático
library(readr) # Importación de archivos CSV
library(lubridate) # Manejo de fechas
library(scales) # Formato de escalas en gráficos
library(knitr) # Tablas formateadas en el reporte
library(kableExtra) # Estilos adicionales para tablas
library(readxl) # Lectura de archivos Excel
# -------------------------------------------------------
# Paleta de colores institucional INEC Costa Rica
# Basada en la Guía para la Presentación de Información
# Estadística (INEC, 2017, Segunda edición)
# -------------------------------------------------------
inec_azul <- "#1F6EA2" # Azul principal INEC
inec_celeste <- "#5BAAD2" # Azul claro secundario
inec_naranja <- "#E07B2A" # Naranja de contraste
inec_gris <- "#808080" # Gris neutro
inec_paleta <- c("#1F6EA2", "#5BAAD2", "#E07B2A", "#808080",
"#2CA02C", "#9467BD", "#8C564B", "#17BECF")
# -------------------------------------------------------
# Tema ggplot2 con estilo INEC
# Fondo blanco, grilla ligera, títulos en negrita
# -------------------------------------------------------
tema_inec <- function() {
theme_classic(base_size = 11, base_family = "sans") +
theme(
# Títulos
plot.title = element_text(face = "bold", size = 12,
color = "#1F6EA2", hjust = 0),
plot.subtitle = element_text(size = 10, color = "#444444", hjust = 0),
plot.caption = element_text(size = 8, color = "#666666",
hjust = 0, face = "italic"),
# Ejes
axis.title = element_text(size = 10, color = "#333333"),
axis.text = element_text(size = 9, color = "#333333"),
axis.line = element_line(color = "#CCCCCC"),
# Grilla horizontal suave
panel.grid.major.y = element_line(color = "#EEEEEE", linewidth = 0.4),
panel.grid.major.x = element_blank(),
panel.grid.minor = element_blank(),
# Leyenda
legend.title = element_text(size = 9, face = "bold"),
legend.text = element_text(size = 9),
legend.position = "bottom",
# Márgenes
plot.margin = margin(10, 15, 10, 10)
)
}1. Introducción
El Sistema Único de Pago de Recursos Sociales (SUPRES) es una plataforma administrada por el Ministerio de Hacienda de Costa Rica, cuyo propósito es centralizar y gestionar los pagos de transferencias monetarias correspondientes a programas sociales nacionales. A través de SUPRES, diversas instituciones del Estado canalizan beneficios económicos hacia poblaciones en condición de vulnerabilidad, garantizando trazabilidad, control y eficiencia en el uso de los recursos públicos.
El análisis de las transferencias monetarias ejecutadas mediante este sistema resulta fundamental para la gestión pública, ya que permite identificar patrones de distribución territorial, evaluar la cobertura de los programas sociales, detectar posibles inequidades en la asignación de recursos y apoyar la toma de decisiones basada en evidencia. Conocer quiénes reciben los beneficios, en qué montos y bajo qué condiciones es esencial para mejorar la focalización y el impacto de la política social costarricense.
En este contexto, el uso de datos abiertos cobra especial relevancia para la administración pública, ya que promueve la transparencia, la rendición de cuentas y la participación ciudadana. Los datos utilizados en este proyecto provienen del portal oficial del Ministerio de Hacienda y corresponden a los cuatro trimestres del año 2025, analizados mediante herramientas de R, RStudio y RMarkdown bajo un enfoque reproducible y riguroso.
2. Carga e integración de datos
Para este proyecto se utilizaron los archivos en formato CSV, ya que este formato es más liviano, compatible con R y recomendado para el análisis reproducible de datos. Los cuatro trimestres del año 2025 fueron importados individualmente y posteriormente unidos en una única base consolidada.
El tercer trimestre fue suministrado en dos partes, por lo que se integraron ambos archivos antes de consolidar la base final.
# -----------------------------------------------------------
# Carga de la base consolidada de SUPRES 2025
# El archivo supres_2025_limpia.rds debe encontrarse en la
# carpeta "Datos/" dentro del directorio del proyecto.
# Se utiliza una ruta relativa para garantizar reproducibilidad.
# -----------------------------------------------------------
supres_2025 <- readRDS("Datos/supres_2025_limpia.rds")
cat("Total de filas:", nrow(supres_2025), "\n")## Total de filas: 3982899## Total de columnas: 143. Diagnóstico inicial con DataExplorer
Se utilizó el paquete DataExplorer para obtener un diagnóstico general de la base consolidada, identificando la cantidad de observaciones, variables, valores perdidos, tipos de datos y distribución de las variables.
## # A tibble: 1 × 9
## rows columns discrete_columns continuous_columns all_missing_columns
## <int> <int> <int> <int> <int>
## 1 3982899 14 12 2 0
## # ℹ 4 more variables: total_missing_values <int>, complete_rows <int>,
## # total_observations <int>, memory_usage <dbl>
La base consolidada de SUPRES 2025 cuenta con 3 982 899 observaciones y 25 variables. El diagnóstico inicial revela que la mayoría de las variables son de tipo carácter (categóricas), mientras que la variable MONTO es la única numérica. No se identificaron valores faltantes significativos en las variables principales. Los histogramas muestran que los montos transferidos presentan una distribución sesgada hacia la derecha, lo que indica que la mayoría de las transferencias corresponden a montos relativamente bajos, con algunos casos de montos muy elevados. Las variables categóricas como PROVINCIA, SEXO y NACIONALIDAD muestran distribuciones desiguales que serán exploradas en detalle en las secciones siguientes.
4. Limpieza y transformación de datos
En esta sección se aplicaron los principios de tidy data para estandarizar y preparar la base de datos para el análisis. Se documentan todas las decisiones tomadas durante el proceso de limpieza.
# -----------------------------------------------------------
# Cargar base ya limpia y procesada.
# Se utiliza ruta relativa para garantizar reproducibilidad.
# -----------------------------------------------------------
supres_2025 <- readRDS("Datos/supres_2025_limpia.rds")
# Verificar dimensiones
cat("Dimensiones finales:", nrow(supres_2025), "filas x",
ncol(supres_2025), "columnas\n")## Dimensiones finales: 3982899 filas x 14 columnas# Verificar valores faltantes en variables clave
cat("Valores faltantes en fecha:", sum(is.na(supres_2025$fecha_transferencia)), "\n")## Valores faltantes en fecha: 0## Valores faltantes en monto: 0## Valores faltantes en provincia: 0Durante el proceso de limpieza y transformación se realizaron los siguientes ajustes a la base de datos consolidada de SUPRES 2025:
- Estandarización de nombres: Todas las variables fueron convertidas a minúsculas y sin espacios, facilitando su manipulación en R.
- Conversión de fechas: La variable fecha_transferencia fue convertida a formato fecha real. El cuarto trimestre presentaba un formato diferente (año-mes-día con hora), el cual fue estandarizado al formato día/mes/año para garantizar consistencia.
- Variables derivadas: Se crearon las variables mes y trimestre a partir de la fecha de transferencia, lo que permite análisis temporales más detallados.
- Limpieza de texto: Se eliminaron espacios extra en todas las variables de tipo carácter.
- Valores faltantes: Solo se identificaron valores faltantes en las variables de fecha derivadas, correspondientes al cuarto trimestre por diferencias en el formato original.
- Duplicados: Se identificaron registros duplicados que corresponden a personas que reciben el mismo beneficio en diferentes períodos, lo cual es esperado en transferencias monetarias de programas sociales continuos.
5. Minería de datos
5.1 ¿Cuáles fueron los cinco beneficios con mayor monto transferido en 2025?
# Top 5 beneficios con mayor monto transferido
top5_beneficios <- supres_2025 %>%
group_by(beneficio) %>%
summarise(monto_total = sum(monto, na.rm = TRUE)) %>%
arrange(desc(monto_total)) %>%
slice(1:5)
# Cuadro 5.1 — Formato INEC: número, título, fuente
top5_beneficios %>%
mutate(monto_total = scales::comma(monto_total, big.mark = " ")) %>%
kable(
col.names = c("Beneficio", "Monto total (₡)"),
align = c("l", "r"),
caption = "Cuadro 5.1 Costa Rica: cinco beneficios con mayor monto transferido, 2025"
) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE
) %>%
footnote(
general = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025).",
general_title = "",
footnote_as_chunk = TRUE
)| Beneficio | Monto total (₡) |
|---|---|
| AVANCEMOS | 6 403 087 724 000 |
| ATENCION A FAMILIAS | 2 459 244 483 682 |
| EMPLEATE | 742 551 950 180 |
| SUBSIDIOS PARA ACCEDER A VIVIR EN ALTERNATIVAS DE CONVIVENCIA FAMILIAR ABANDONO | 521 009 682 843 |
| PROCESOS FORMATIVOS | 151 330 025 000 |
| Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025). |
# Gráfico 5.1 — Estilo INEC
# Barras horizontales (texto largo → horizontal), un solo color institucional,
# título en negrita, fuente al pie.
ggplot(top5_beneficios,
aes(x = reorder(beneficio, monto_total), y = monto_total)) +
geom_col(fill = inec_azul, width = 0.6) +
coord_flip() +
scale_y_continuous(labels = scales::comma_format(big.mark = " ")) +
labs(
title = "Gráfico 5.1",
subtitle = "Costa Rica: cinco beneficios con mayor monto transferido, 2025",
x = NULL,
y = "Monto total (₡)",
caption = "Fuente: Elaboración propia con datos de SUPRES,\nMinisterio de Hacienda de Costa Rica (2025)."
) +
tema_inec()
Los cinco beneficios con mayor monto transferido en 2025 concentran la mayor parte de los recursos del sistema SUPRES. Esto refleja cuáles son los programas sociales de mayor alcance e impacto económico en Costa Rica, siendo los más representativos aquellos orientados a la protección y promoción social de familias en condición de vulnerabilidad.
5.2 ¿Cuál fue el monto total transferido en 2025 para cada provincia?
# Monto total por provincia, ordenado de mayor a menor
monto_provincia <- supres_2025 %>%
filter(!provincia %in% c("NO ESPECIFICADO", "NO ESPECIFICADA"),
!is.na(provincia)) %>%
group_by(provincia) %>%
summarise(monto_total = sum(monto, na.rm = TRUE)) %>%
arrange(desc(monto_total))
# Cuadro 5.2
monto_provincia %>%
mutate(monto_total = scales::comma(monto_total, big.mark = " ")) %>%
kable(
col.names = c("Provincia", "Monto total (₡)"),
align = c("l", "r"),
caption = "Cuadro 5.2 Costa Rica: monto total transferido según provincia, 2025"
) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE
) %>%
footnote(
general = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025).",
general_title = "",
footnote_as_chunk = TRUE
)| Provincia | Monto total (₡) |
|---|---|
| San José | 2 911 501 518 332 |
| Alajuela | 2 142 611 866 735 |
| Puntarenas | 1 763 932 332 439 |
| Limón | 1 345 762 796 817 |
| Guanacaste | 1 246 757 518 922 |
| Heredia | 1 017 922 971 490 |
| Cartago | 624 807 125 596 |
| Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025). |
# Gráfico 5.2 — Barras horizontales, un solo color
ggplot(monto_provincia,
aes(x = reorder(provincia, monto_total), y = monto_total)) +
geom_col(fill = inec_azul, width = 0.6) +
coord_flip() +
scale_y_continuous(labels = scales::comma_format(big.mark = " ")) +
labs(
title = "Gráfico 5.2",
subtitle = "Costa Rica: monto total transferido según provincia, 2025",
x = NULL,
y = "Monto total (₡)",
caption = "Fuente: Elaboración propia con datos de SUPRES,\nMinisterio de Hacienda de Costa Rica (2025)."
) +
tema_inec()
El monto total transferido varía significativamente entre provincias, lo que refleja diferencias en la densidad poblacional, el nivel de vulnerabilidad social y la cobertura de los programas sociales en cada región del país. Las provincias con mayor población tienden a concentrar una mayor proporción de los recursos transferidos, aunque esto no necesariamente indica una mejor focalización de la política social.
5.3 ¿Cuál fue el monto total transferido en 2025 según mes?
# Monto total por mes
monto_mes <- supres_2025 %>%
group_by(mes) %>%
summarise(monto_total = sum(monto, na.rm = TRUE)) %>%
arrange(mes)
# Cuadro 5.3
monto_mes %>%
mutate(monto_total = scales::comma(monto_total, big.mark = " ")) %>%
kable(
col.names = c("Mes", "Monto total (₡)"),
align = c("l", "r"),
caption = "Cuadro 5.3 Costa Rica: monto total transferido según mes, 2025"
) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE
) %>%
footnote(
general = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025).",
general_title = "",
footnote_as_chunk = TRUE
)| Mes | Monto total (₡) |
|---|---|
| enero | 805 632 207 000 |
| febrero | 837 135 964 700 |
| marzo | 1 099 229 691 400 |
| abril | 992 166 499 400 |
| mayo | 1 422 645 521 300 |
| junio | 1 484 763 240 700 |
| julio | 1 587 902 707 500 |
| agosto | 1 263 629 800 700 |
| septiembre | 1 507 628 712 300 |
| octubre | 15 876 624 038 |
| noviembre | 22 934 447 576 |
| diciembre | 13 811 013 717 |
| Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025). |
# Gráfico 5.3 — Serie de tiempo con línea y puntos (estilo INEC)
ggplot(monto_mes, aes(x = mes, y = monto_total, group = 1)) +
geom_line(color = inec_azul, linewidth = 1.2) +
geom_point(color = inec_azul, size = 3) +
scale_y_continuous(labels = scales::comma_format(big.mark = " ")) +
labs(
title = "Gráfico 5.3",
subtitle = "Costa Rica: monto total transferido según mes, 2025",
x = "Mes",
y = "Monto total (₡)",
caption = "Fuente: Elaboración propia con datos de SUPRES,\nMinisterio de Hacienda de Costa Rica (2025)."
) +
tema_inec() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
El comportamiento mensual de las transferencias permite identificar patrones estacionales en la distribución de recursos sociales. Los meses con mayor monto transferido pueden estar asociados a pagos extraordinarios, aguinaldos sociales o aumentos en la cobertura de programas específicos. Esta información es clave para la planificación presupuestaria del Estado costarricense.
5.4 ¿Cuántas mujeres y hombres fueron beneficiados por provincia?
# Beneficiarios por sexo y provincia
sexo_provincia <- supres_2025 %>%
filter(!provincia %in% c("NO ESPECIFICADO", "NO ESPECIFICADA"),
sexo %in% c("HOMBRE", "MUJER")) %>%
group_by(provincia, sexo) %>%
summarise(cantidad = n(), .groups = "drop") %>%
arrange(provincia)
# Cuadro 5.4 — tabla pivoteada (Hombre | Mujer)
sexo_provincia %>%
pivot_wider(names_from = sexo, values_from = cantidad) %>%
mutate(across(where(is.numeric), ~ scales::comma(.x, big.mark = " "))) %>%
kable(
caption = "Cuadro 5.4 Costa Rica: personas beneficiarias según sexo y provincia, 2025"
) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE
) %>%
footnote(
general = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025).",
general_title = "",
footnote_as_chunk = TRUE
)| provincia | HOMBRE | MUJER |
|---|---|---|
| Alajuela | 377 750 | 444 301 |
| Cartago | 101 628 | 124 916 |
| Guanacaste | 207 555 | 247 697 |
| Heredia | 187 848 | 216 092 |
| Limón | 221 274 | 268 596 |
| Puntarenas | 288 892 | 357 103 |
| San José | 425 087 | 513 978 |
| Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025). |
El cuadro muestra la distribución de transferencias según sexo en cada provincia. En la mayoría de las provincias las mujeres representan la mayor proporción de personas beneficiarias, lo que refleja la orientación de los programas sociales costarricenses hacia la jefatura femenina de hogar y la protección de poblaciones en mayor condición de vulnerabilidad.
5.5 ¿Cuántas personas costarricenses fueron beneficiadas según nivel educativo?
# Personas costarricenses por nivel educativo
educacion_cr <- supres_2025 %>%
filter(nacionalidad == "COSTA RICA") %>%
group_by(nivel_educativo) %>%
summarise(cantidad = n()) %>%
arrange(desc(cantidad))
# Cuadro 5.5
educacion_cr %>%
mutate(cantidad = scales::comma(cantidad, big.mark = " ")) %>%
kable(
col.names = c("Nivel educativo", "Cantidad de personas"),
align = c("l", "r"),
caption = "Cuadro 5.5 Costa Rica: personas costarricenses beneficiadas según nivel educativo, 2025"
) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE
) %>%
footnote(
general = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025).",
general_title = "",
footnote_as_chunk = TRUE
)| Nivel educativo | Cantidad de personas |
|---|---|
| UNIVERSITARIA | 2 376 295 |
| PRIMARIA | 828 002 |
| SECUNDARIA | 484 090 |
| NINGUNO | 171 593 |
| PARAUNIVERSITARIA | 1 177 |
| Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025). |
# Gráfico 5.5 — Barras horizontales, un solo color
ggplot(educacion_cr,
aes(x = reorder(nivel_educativo, cantidad), y = cantidad)) +
geom_col(fill = inec_azul, width = 0.6) +
coord_flip() +
scale_y_continuous(labels = scales::comma_format(big.mark = " ")) +
labs(
title = "Gráfico 5.5",
subtitle = "Costa Rica: personas costarricenses beneficiadas según nivel educativo, 2025",
x = NULL,
y = "Cantidad de personas",
caption = "Fuente: Elaboración propia con datos de SUPRES,\nMinisterio de Hacienda de Costa Rica (2025)."
) +
tema_inec()
La distribución de beneficiarios según nivel educativo revela que la mayoría de las personas que reciben transferencias monetarias tienen niveles educativos bajos, principalmente primaria y secundaria incompleta. Esto confirma que los programas sociales de SUPRES están efectivamente focalizados en poblaciones con menor acceso a educación formal, que generalmente enfrentan mayores condiciones de vulnerabilidad económica y social.
6. Análisis adicional obligatorio
6.1 ¿Cuál entidad financiera recibió más transferencias en 2025?
# Top 10 entidades financieras por cantidad de transferencias
entidad_financiera <- supres_2025 %>%
group_by(entidad_destino) %>%
summarise(
cantidad = n(),
monto_total = sum(monto, na.rm = TRUE)
) %>%
arrange(desc(cantidad)) %>%
slice(1:10)
# Cuadro 6.1
entidad_financiera %>%
mutate(
cantidad = scales::comma(cantidad, big.mark = " "),
monto_total = scales::comma(monto_total, big.mark = " ")
) %>%
kable(
col.names = c("Entidad financiera", "Cantidad de transferencias", "Monto total (₡)"),
align = c("l", "r", "r"),
caption = "Cuadro 6.1 Costa Rica: diez entidades financieras con mayor cantidad de transferencias, 2025"
) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE
) %>%
footnote(
general = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025).",
general_title = "",
footnote_as_chunk = TRUE
)| Entidad financiera | Cantidad de transferencias | Monto total (₡) |
|---|---|---|
| BANCO NACIONAL | 3 838 168 | 10 203 070 810 314 |
| BANCO POPULAR | 65 909 | 550 378 851 893 |
| BANCO DE COSTA RICA | 63 970 | 238 917 517 402 |
| BAC | 8 571 | 33 792 875 672 |
| MUTUAL ALAJUELA | 2 627 | 10 383 784 150 |
| MUCAP | 755 | 3 254 746 320 |
| COOPEALIANZA | 699 | 3 354 716 360 |
| COOPENAE | 520 | 3 209 007 560 |
| DAVIVIENDA | 511 | 2 100 635 240 |
| PROMERICA | 262 | 716 170 830 |
| Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025). |
# Gráfico 6.1 — Barras horizontales, un solo color
ggplot(entidad_financiera,
aes(x = reorder(entidad_destino, cantidad), y = cantidad)) +
geom_col(fill = inec_azul, width = 0.6) +
coord_flip() +
scale_y_continuous(labels = scales::comma_format(big.mark = " ")) +
labs(
title = "Gráfico 6.1",
subtitle = "Costa Rica: diez entidades financieras con mayor cantidad de transferencias, 2025",
x = NULL,
y = "Cantidad de transferencias",
caption = "Fuente: Elaboración propia con datos de SUPRES,\nMinisterio de Hacienda de Costa Rica (2025)."
) +
tema_inec()
La distribución de transferencias según entidad financiera permite identificar cuáles bancos o instituciones financieras son los principales canales de pago de los programas sociales en Costa Rica. Una alta concentración en pocas entidades puede indicar convenios institucionales o preferencias de las personas beneficiarias, y es relevante para evaluar la accesibilidad al sistema financiero de las poblaciones más vulnerables.
6.2 ¿Cómo se distribuyen las transferencias según estado civil?
# Transferencias por estado civil
estado_civil <- supres_2025 %>%
group_by(estado_civil) %>%
summarise(
cantidad = n(),
monto_total = sum(monto, na.rm = TRUE)
) %>%
arrange(desc(cantidad))
# Cuadro 6.2
estado_civil %>%
mutate(
cantidad = scales::comma(cantidad, big.mark = " "),
monto_total = scales::comma(monto_total, big.mark = " ")
) %>%
kable(
col.names = c("Estado civil", "Cantidad", "Monto total (₡)"),
align = c("l", "r", "r"),
caption = "Cuadro 6.2 Costa Rica: transferencias según estado civil, 2025"
) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE
) %>%
footnote(
general = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025).",
general_title = "",
footnote_as_chunk = TRUE
)| Estado civil | Cantidad | Monto total (₡) |
|---|---|---|
| SOLTERO(A) | 1 788 659 | 6 120 548 643 173 |
| DESCONOCIDO | 1 773 234 | 2 930 115 532 870 |
| CASADO(A) | 123 238 | 587 990 347 768 |
| SEPARADO(A) | 90 015 | 423 561 228 150 |
| UNIÓN DE ECHO | 89 293 | 430 794 025 656 |
| DIVORCIADO(A) | 68 145 | 333 583 717 374 |
| VIUDO(A) | 50 315 | 226 762 935 340 |
| Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025). |
# Gráfico 6.2 — Barras horizontales, un solo color
ggplot(estado_civil,
aes(x = reorder(estado_civil, cantidad), y = cantidad)) +
geom_col(fill = inec_azul, width = 0.6) +
coord_flip() +
scale_y_continuous(labels = scales::comma_format(big.mark = " ")) +
labs(
title = "Gráfico 6.2",
subtitle = "Costa Rica: transferencias según estado civil, 2025",
x = NULL,
y = "Cantidad de transferencias",
caption = "Fuente: Elaboración propia con datos de SUPRES,\nMinisterio de Hacienda de Costa Rica (2025)."
) +
tema_inec()
La distribución de transferencias según estado civil revela el perfil familiar de las personas beneficiarias de los programas sociales. Una mayor proporción de personas solteras o en unión libre como beneficiarias puede reflejar condiciones de mayor vulnerabilidad económica asociadas a la jefatura de hogar unipersonal o a familias no tradicionales, lo cual es relevante para el diseño y focalización de la política social costarricense.
6.3 ¿Cuál provincia tiene mayor proporción de beneficiarios extranjeros?
# Proporción de beneficiarios extranjeros por provincia
extranjeros_provincia <- supres_2025 %>%
filter(!provincia %in% c("NO ESPECIFICADO", "NO ESPECIFICADA")) %>%
group_by(provincia) %>%
summarise(
total = n(),
extranjeros = sum(nacionalidad != "COSTA RICA", na.rm = TRUE),
proporcion = round((extranjeros / total) * 100, 2)
) %>%
arrange(desc(proporcion))
# Cuadro 6.3
extranjeros_provincia %>%
mutate(
total = scales::comma(total, big.mark = " "),
extranjeros = scales::comma(extranjeros, big.mark = " ")
) %>%
kable(
col.names = c("Provincia", "Total beneficiarios",
"Beneficiarios extranjeros", "Proporción (%)"),
align = c("l", "r", "r", "r"),
caption = "Cuadro 6.3 Costa Rica: proporción de beneficiarios extranjeros según provincia, 2025"
) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE
) %>%
footnote(
general = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025).",
general_title = "",
footnote_as_chunk = TRUE
)| Provincia | Total beneficiarios | Beneficiarios extranjeros | Proporción (%) |
|---|---|---|---|
| Cartago | 226 551 | 12 216 | 5.39 |
| Alajuela | 822 067 | 41 267 | 5.02 |
| San José | 939 135 | 29 562 | 3.15 |
| Guanacaste | 455 268 | 12 304 | 2.70 |
| Limón | 489 907 | 9 061 | 1.85 |
| Puntarenas | 646 016 | 11 035 | 1.71 |
| Heredia | 403 947 | 6 289 | 1.56 |
| Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025). |
# Gráfico 6.3 — Barras horizontales con escala porcentual
# (La guía INEC prefiere barras sobre tortas para comparar proporciones)
ggplot(extranjeros_provincia,
aes(x = reorder(provincia, proporcion), y = proporcion)) +
geom_col(fill = inec_azul, width = 0.6) +
coord_flip() +
scale_y_continuous(labels = scales::label_percent(scale = 1, accuracy = 0.1)) +
labs(
title = "Gráfico 6.3",
subtitle = "Costa Rica: porcentaje de beneficiarios extranjeros según provincia, 2025",
x = NULL,
y = "Proporción (%)",
caption = "Fuente: Elaboración propia con datos de SUPRES,\nMinisterio de Hacienda de Costa Rica (2025)."
) +
tema_inec()
La proporción de beneficiarios extranjeros varía entre provincias, lo que refleja los patrones de migración en Costa Rica. Las provincias fronterizas o con mayor actividad agrícola tienden a concentrar una mayor proporción de población migrante beneficiaria de programas sociales. Este análisis es relevante para evaluar la cobertura e inclusión de poblaciones migrantes en la política social costarricense.
7. Conclusiones
El análisis exploratorio de las transferencias monetarias de SUPRES durante el año 2025 permitió identificar patrones relevantes para la gestión pública costarricense. Entre los principales hallazgos se destacan:
- El beneficio AVANCEMOS concentra el mayor monto transferido, reflejando la prioridad del Estado en apoyar la permanencia estudiantil.
- La provincia de San José recibe la mayor cantidad de recursos, consistente con su mayor densidad poblacional.
- Las mujeres son las principales beneficiarias en todas las provincias, lo que refleja la orientación de los programas hacia jefaturas femeninas de hogar.
- El Banco Nacional es la entidad financiera con mayor cantidad de transferencias procesadas.
- Las personas con estado civil soltero representan la mayor proporción de beneficiarios.
- Las provincias de Cartago y Alajuela presentan la mayor proporción de beneficiarios extranjeros.
Este análisis demuestra la utilidad de los datos abiertos y las herramientas de R para la toma de decisiones basada en evidencia en la administración pública.