-Proyecto SUPRES 2025
Guiselle, Gaizka, Andrea y Emily
2026-06-11
1. Introducción:
Explicar brevemente qué es SUPRES, cuál es la importancia de analizar transferencias monetarias en programas sociales y por qué el uso de datos abiertos es relevante para la gestión pública.SUPRES (Sistema Único de Pago de Recursos Sociales) es la plataforma digital de la Tesorería Nacional de Costa Rica, administrada por el Ministerio de Hacienda, diseñada para poder centralizar, agilizar y transparentar la entrega de ayudas económicas de distintos programas sociales. Su objetivo principal es asegurar que los fondos lleguen de forma digital, eficiente y segura a la población vulnerable. (Cerdas.G, 2022)
Es importante analizar estas transferencias monetarias ya que al estudiar el impacto de cada uno de estos programas sociales es esencial para poder evaluar de forma exacta su efectividad y a su vez poder garantizar de esta forma derechos humanos que tenga una focalización eficiente a la hora de aplicar estos programas sociales que permitirá la reducción de la pobreza y a su vez un desarrollo integral a nivel social y económico. (Cerdas.G, 2022)
Para finalizar, es importante la publicación de datos en la gestión pública, bajo los lineamientos establecidos por el Ministerio de Hacienda ya que es un pilar fundamental de un gobierno abierto con una transformación inteligente. Esto, apartir de acciones como una transparencia y una correcta rendición de cuentas, toma de decisiones que este fundamentada en evidencia y que promueva una participación ciudadana. (CEPAL, 2026) ### Referencias: Cerdas Gómez, M. (2022, 23 de febrero). Pago de ayudas sociales se realizará por medio de Supres, un nuevo sistema administrado por Hacienda. El Financiero. https://www.elfinancierocr.com/finanzas/pago-de-ayudas-sociales-se-realizara-por-medio-de/NSM4E5QVXJCY3EAAB55A6JDMBQ/story/
2. Carga e integración de datos
Para este proyecto se optó por Excel debido a que este formato
facilitaba la revisión inicial de la información, la verificación de los
nombres de las variables y la comparación entre los distintos archivos
trimestrales antes de su integración. Además, la importación mediante el
paquete readxl permitió incorporar los datos directamente a
R sin necesidad de realizar conversiones previas.
Una vez importados los archivos, se estandarizaron los nombres de las
variables y posteriormente se integraron en una única base de datos
consolidada mediante la función bind_rows(). Finalmente, se
verificó la correcta unión de los datos mediante la revisión de las
dimensiones de la base resultante.
# -----------------------------------------------------------
# Carga de las bases de datos correspondientes a los cuatro
# trimestres del año 2025.
# El tercer trimestre fue suministrado en dos archivos,
# por lo que ambas partes se cargan por separado.
# -----------------------------------------------------------
Base1 <- read_excel("PagosSUPRES_Enero_Marzo_2025.xlsx")
Base2 <- read_excel("PagosSUPRES_Abril_Junio_2025_.xlsx")
Base3 <- read_excel("01PagosSUPRES_Julio-Setiembre_2024_.xlsx")
Base4 <- read_excel("PagosSUPRES_Julio-Setiembre_2024_.xlsx")
Base5 <- read_excel("PagosSUPRES_Octubre_Diciembre_2025_.xlsx")# -----------------------------------------------------------
# Verificación de las dimensiones de cada archivo cargado.
# Se comprueba la cantidad de filas y columnas para asegurar
# que la importación se realizó correctamente.
# -----------------------------------------------------------
dim(Base1)## [1] 822412 12dim(Base2)## [1] 990940 12dim(Base3)## [1] 549999 12dim(Base4)## [1] 570973 12dim(Base5)## [1] 1048575 12# -----------------------------------------------------------
# Integración preliminar de las bases de datos.
# Esta unión permite identificar la estructura original
# de los archivos antes de realizar procesos de limpieza
# y estandarización de nombres de variables.
# -----------------------------------------------------------
Baseuni <- bind_rows(
Base1,
Base2,
Base3,
Base4,
Base5
)
# Verificación de las dimensiones originales
cat("Total de filas:", nrow(Baseuni), "\n")## Total de filas: 3982899cat("Total de columnas:", ncol(Baseuni), "\n")## Total de columnas: 253-4. Diagnóstico y limpieza de los datos
Antes de realizar el análisis exploratorio, se integraron los cinco archivos originales en una única base de datos. Posteriormente, se estandarizaron los nombres de las variables y se realizaron conversiones básicas de formato para garantizar la consistencia de la información. Estas acciones permitieron preparar los datos para la aplicación de técnicas de diagnóstico exploratorio y verificar la calidad de la información antes de proceder con el análisis.
# -----------------------------------------------------------
# Estandarización de nombres de variables.
# Se igualan los nombres de las columnas para garantizar
# que todas las bases tengan la misma estructura antes de
# ser integradas.
# -----------------------------------------------------------
names(Base2) <- names(Base1)
names(Base3) <- names(Base1)
names(Base4) <- names(Base1)
names(Base5) <- names(Base1)# -----------------------------------------------------------
# Integración de los archivos en una única base consolidada.
# -----------------------------------------------------------
datos_supres_2025 <- bind_rows(
Base1,
Base2,
Base3,
Base4,
Base5
)
# Verificación de la dimensión de la base consolidada
cat("Total de filas:", nrow(datos_supres_2025), "\n")## Total de filas: 3982899cat("Total de columnas:", ncol(datos_supres_2025), "\n")## Total de columnas: 12# -----------------------------------------------------------
# Estandarización de nombres de variables.
# Se utilizan nombres en minúsculas y formato uniforme para
# facilitar su manipulación en R.
# -----------------------------------------------------------
names(datos_supres_2025) <- c(
"fecha_transferencia",
"institucion",
"programa",
"beneficio",
"monto",
"entidad_destino",
"provincia",
"sexo",
"estado_civil",
"nacionalidad",
"nivel_educativo",
"asiste_centro_educativo"
)# -----------------------------------------------------------
# Conversión de la variable monto a formato numérico.
# -----------------------------------------------------------
datos_supres_2025$monto <- as.numeric(
datos_supres_2025$monto
)
str(datos_supres_2025$monto)## num [1:3982899] 80000 55000 80000 80000 80000 80000 80000 80000 55000 55000 ...# -----------------------------------------------------------
# Verificación de la estructura inicial de la base de datos.
# -----------------------------------------------------------
names(datos_supres_2025)## [1] "fecha_transferencia" "institucion"
## [3] "programa" "beneficio"
## [5] "monto" "entidad_destino"
## [7] "provincia" "sexo"
## [9] "estado_civil" "nacionalidad"
## [11] "nivel_educativo" "asiste_centro_educativo"str(datos_supres_2025)## tibble [3,982,899 × 12] (S3: tbl_df/tbl/data.frame)
## $ fecha_transferencia : POSIXct[1:3982899], format: "2025-01-28 10:27:45" "2025-01-28 10:27:45" ...
## $ institucion : chr [1:3982899] "IMAS ARDS Heredia" "IMAS ARDS Heredia" "IMAS ARDS Heredia" "IMAS ARDS Heredia" ...
## $ programa : chr [1:3982899] "PROTECCION Y PROMOCION SOCIAL" "PROTECCION Y PROMOCION SOCIAL" "PROTECCION Y PROMOCION SOCIAL" "PROTECCION Y PROMOCION SOCIAL" ...
## $ beneficio : chr [1:3982899] "ATENCION A FAMILIAS" "ATENCION A FAMILIAS" "ATENCION A FAMILIAS" "ATENCION A FAMILIAS" ...
## $ monto : num [1:3982899] 80000 55000 80000 80000 80000 80000 80000 80000 55000 55000 ...
## $ entidad_destino : chr [1:3982899] "BANCO NACIONAL" "BANCO NACIONAL" "BANCO NACIONAL" "BANCO NACIONAL" ...
## $ provincia : chr [1:3982899] "Cartago" "Cartago" "Cartago" "Cartago" ...
## $ sexo : chr [1:3982899] "MUJER" "HOMBRE" "HOMBRE" "HOMBRE" ...
## $ estado_civil : chr [1:3982899] "SOLTERO(A)" "SOLTERO(A)" "SOLTERO(A)" "SOLTERO(A)" ...
## $ nacionalidad : chr [1:3982899] "COSTA RICA" "COSTA RICA" "COSTA RICA" "COSTA RICA" ...
## $ nivel_educativo : chr [1:3982899] "PRIMARIA" "PRIMARIA" "PRIMARIA" "NINGUNO" ...
## $ asiste_centro_educativo: chr [1:3982899] "DESCONOCIDO" "DESCONOCIDO" "DESCONOCIDO" "DESCONOCIDO" ...# -----------------------------------------------------------
# Verificación de la variable fecha_transferencia.
# -----------------------------------------------------------
head(datos_supres_2025$fecha_transferencia)## [1] "2025-01-28 10:27:45 UTC" "2025-01-28 10:27:45 UTC"
## [3] "2025-01-28 10:27:45 UTC" "2025-01-28 10:27:45 UTC"
## [5] "2025-01-28 10:27:45 UTC" "2025-01-28 10:27:45 UTC"str(datos_supres_2025$fecha_transferencia)## POSIXct[1:3982899], format: "2025-01-28 10:27:45" "2025-01-28 10:27:45" "2025-01-28 10:27:45" ...# -----------------------------------------------------------
# Creación de variables derivadas para facilitar el análisis
# temporal de las transferencias.
# -----------------------------------------------------------
datos_supres_2025$mes <- month(
datos_supres_2025$fecha_transferencia,
label = TRUE
)
datos_supres_2025$trimestre <- quarter(
datos_supres_2025$fecha_transferencia
)
dim(datos_supres_2025)## [1] 3982899 14# -----------------------------------------------------------
# Diagnóstico inicial utilizando DataExplorer.
# -----------------------------------------------------------
introduce(datos_supres_2025)## # 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># -----------------------------------------------------------
# Visualización general de la base de datos.
# -----------------------------------------------------------
plot_intro(datos_supres_2025)
# -----------------------------------------------------------
# Identificación de valores faltantes.
# -----------------------------------------------------------
plot_missing(datos_supres_2025)
# -----------------------------------------------------------
# Distribución de variables categóricas.
# -----------------------------------------------------------
plot_bar(datos_supres_2025)## 1 columns ignored with more than 50 categories.
## fecha_transferencia: 1317 categories
# -----------------------------------------------------------
# Distribución de variables numéricas.
# -----------------------------------------------------------
plot_histogram(datos_supres_2025)
Conclusión del diagnóstico y limpieza preliminar
La integración y estandarización de los archivos permitió obtener una base consolidada homogénea para el análisis. El diagnóstico exploratorio evidenció que la mayoría de las variables corresponden a información categórica y que únicamente existe una variable numérica principal asociada al monto de las transferencias.
Los gráficos generados permitieron verificar la estructura general de la base de datos, identificar la distribución de las variables disponibles y comprobar la existencia de valores faltantes. Asimismo, se confirmó que la información cuenta con las condiciones necesarias para continuar con los procesos de transformación y análisis requeridos en el proyecto.
Validación de la calidad de los datos
En esta sección se realizaron verificaciones adicionales sobre la calidad de la base de datos consolidada. Específicamente, se evaluó la presencia de valores faltantes en variables relevantes y la existencia de registros duplicados, con el fin de garantizar la consistencia de la información utilizada en los análisis posteriores.
# -----------------------------------------------------------
# Identificación de valores faltantes en variables clave.
# -----------------------------------------------------------
sum(is.na(datos_supres_2025$fecha_transferencia))## [1] 0sum(is.na(datos_supres_2025$monto))## [1] 0sum(is.na(datos_supres_2025$provincia))## [1] 0# -----------------------------------------------------------
# Identificación de registros duplicados en la base completa.
# -----------------------------------------------------------
sum(duplicated(datos_supres_2025))## [1] 3843265###Justificación de las transformaciones y procesos de limpieza
Para garantizar la consistencia de la información, fue necesario estandarizar los nombres de las variables en los cinco archivos originales, ya que se identificaron diferencias en la denominación de algunas columnas. Esta homologación permitió integrar correctamente las bases de datos en una única estructura uniforme y evitar la generación de variables duplicadas durante el proceso de unión.
Asimismo, se realizó la conversión de la variable monto a formato numérico, debido a que esta variable constituye el principal indicador cuantitativo utilizado en los análisis posteriores. Esta transformación permitió efectuar cálculos estadísticos, agregaciones y visualizaciones de manera adecuada.
Adicionalmente, se generaron las variables derivadas mes y trimestre a partir de la fecha de transferencia. Estas variables facilitan el análisis temporal de las transferencias monetarias y permiten identificar patrones de comportamiento a lo largo del año 2025.
Finalmente, se verificó la existencia de valores faltantes y registros duplicados con el propósito de evaluar la calidad de la información. Estas revisiones permitieron confirmar la consistencia de la base de datos y asegurar que los resultados obtenidos en las etapas posteriores del análisis se fundamentan en información confiable y adecuadamente preparada.
5. Minería de datos
5.1¿Cuáles fueron los cinco beneficios con mayor monto transferido en 2025?
# -----------------------------------------------------------
#Se ejecuta la creación de la tabla para el cuadro 5.1
# -----------------------------------------------------------
top5_beneficios <- datos_supres_2025 %>%
group_by(beneficio) %>%
summarise(
monto_total = sum(monto, na.rm = TRUE)
) %>%
arrange(desc(monto_total)) %>%
slice(1:5)
top5_beneficios## # A tibble: 5 × 2
## beneficio monto_total
## <chr> <dbl>
## 1 AVANCEMOS 84661907000
## 2 ATENCION A FAMILIAS 46590260164
## 3 EMPLEATE 10838650610
## 4 SUBSIDIOS PARA ACCEDER A VIVIR EN ALTERNATIVAS DE CONVIVENCIA FAM… 7431543318
## 5 PROCESOS FORMATIVOS 2154350000# -----------------------------------------------------------
#Se ejecuta la creación del cuadro 5.1
# -----------------------------------------------------------
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 | 84 661 907 000 |
| ATENCION A FAMILIAS | 46 590 260 164 |
| EMPLEATE | 10 838 650 610 |
| SUBSIDIOS PARA ACCEDER A VIVIR EN ALTERNATIVAS DE CONVIVENCIA FAMILIAR ABANDONO | 7 431 543 318 |
| PROCESOS FORMATIVOS | 2 154 350 000 |
| Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025). |
# -----------------------------------------------------------
# Se ejecuta la creación del gráfico 5.1
# Cinco beneficios con mayor monto transferido durante 2025
# -----------------------------------------------------------
ggplot(top5_beneficios,
aes(x = reorder(beneficio, monto_total),
y = monto_total)) +
geom_col(fill = "#1F77B4") +
coord_flip() +
scale_y_continuous(
labels = scales::label_comma(big.mark = " ")
) +
labs(
title = "Gráfico 5.1 Cinco beneficios con mayor monto transferido, 2025",
subtitle = "Costa Rica, año 2025",
x = "Beneficio",
y = "Monto total transferido (₡)",
caption = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025)."
) +
theme_minimal() +
theme(
plot.caption = element_text(hjust = 0)
)
Interpretación:
Según la información anterior se presenta los cinco beneficios que registraron los mayores montos transferidos durante el año 2025. Estos representan que beneficios concentraron una proporción importante de los recursos destinados a programas de apoyo social, lo que evidencia cuales tienen mas relevancia. Las diferencias observadas entre los montos transferidos permiten identificar los programas con mayor cobertura o prioridad presupuestaria.
5.2 ¿Cuál fue el monto total transferido en 2025 para cada provincia? Ordene de mayor a menor y muestre en un gráfico
# -----------------------------------------------------------
# Monto total por provincia, ordenado de mayor a menor
# -----------------------------------------------------------
monto_provincia <- datos_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))# -----------------------------------------------------------
#Se ejecuta la creación del 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 | 42 839 593 709 |
| Alajuela | 32 534 494 981 |
| Puntarenas | 26 226 650 287 |
| Limón | 18 471 039 663 |
| Guanacaste | 17 988 468 413 |
| Heredia | 15 356 685 967 |
| Cartago | 9 211 595 761 |
| Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025). |
# -----------------------------------------------------------
# Se ejecuta la creación del gráfico 5.2
# Monto total transferido según provincia durante 2025
# -----------------------------------------------------------
ggplot(monto_provincia,
aes(x = reorder(provincia, monto_total),
y = monto_total)) +
geom_col(fill = "#1F77B4") +
coord_flip() +
scale_y_continuous(
labels = scales::label_comma(big.mark = " ")
) +
labs(
title = "Gráfico 5.2 Monto total transferido según provincia, 2025",
subtitle = "Distribución provincial de las transferencias monetarias",
x = "Provincia",
y = "Monto total transferido (₡)",
caption = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025)."
) +
theme_minimal() +
theme(
plot.caption = element_text(hjust = 0)
)
### Interpretación: Los resultados muestran que la distribución de las
transferencias no es uniforme entre las provincias. Las diferencias
pueden verse por la cantidad de beneficiarios atendidos, el alcance de
los programas sociales y las necesidades específicas de cada región. En
consecuencia, algunas provincias concentran una mayor proporción de los
recursos asignados durante el año 2025.
5.3 ¿Cuál fue el monto total transferido en 2025 según mes? Muestre el resultado en el gráfico indicado.
# -----------------------------------------------------------
#Se ejecuta el monto total transferido 2025 según mes
# -----------------------------------------------------------
monto_mes <- datos_supres_2025 %>%
mutate(
mes = factor(
month(fecha_transferencia),
levels = 1:12,
labels = c(
"Enero", "Febrero", "Marzo", "Abril",
"Mayo", "Junio", "Julio", "Agosto",
"Septiembre", "Octubre", "Noviembre", "Diciembre"
)
)
) %>%
group_by(mes) %>%
summarise(monto_total = sum(monto, na.rm = TRUE))# -----------------------------------------------------------
# Se ejecuta la creación del gráfico 5.3
# Monto total transferido según mes durante el año 2025
# -----------------------------------------------------------
ggplot(monto_mes,
aes(x = mes, y = monto_total, group = 1)) +
geom_line(color = "#1F77B4", linewidth = 1) +
geom_point(color = "#1F77B4", size = 2) +
scale_y_continuous(
labels = scales::label_comma(big.mark = " ")
) +
labs(
title = "Gráfico 5.3 Monto total transferido según mes, 2025",
subtitle = "Comportamiento mensual de las transferencias monetarias",
x = "Mes",
y = "Monto total transferido (₡)",
caption = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025)."
) +
theme_minimal() +
theme(
plot.caption = element_text(hjust = 0)
)
### Interpretación El comportamiento mensual de las transferencias
permite observar variaciones en la distribución de los recursos
destinados a programas sociales durante el año 2025. Los meses con
mayores montos transferidos pueden estar relacionados con incrementos en
la cobertura de beneficios, ajustes presupuestarios o una mayor
ejecución de programas específicos. Esta información resulta de gran
utilidad para evaluar la dinámica de las transferencias sociales y
apoyar la planificación y asignación eficiente de los recursos públicos
en Costa Rica.
5.4 o ¿Cuántas mujeres y cuántos hombre fueron beneficiados por transferencias en cada provincia durante el 2025? Genere un cuadro que muestre el resultado.
# -----------------------------------------------------------
#Beneficiarios por sexo y provincia
# -----------------------------------------------------------
sexo_provincia <- datos_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). |
Interpretación
El cuadro presenta la distribución de las personas beneficiarias según sexo en cada provincia durante el año 2025. Se observa que tanto hombres como mujeres reciben apoyo a través de los programas sociales, aunque en varias provincias las mujeres concentran una mayor cantidad de beneficiarias. Esta situación puede estar relacionada con la focalización de los programas hacia poblaciones en condición de vulnerabilidad y con el papel que desempeñan las mujeres dentro de los hogares beneficiados por las transferencias sociales.
5.5 ¿Cuántas personas costarricenses fueron beneficiadas según nivel educativo en el 2025?
# -----------------------------------------------------------
#Cantidad de personas costarricenses beneficiadas según nivel educativo
# -----------------------------------------------------------
educacion_cr <- datos_supres_2025 %>%
filter(nacionalidad == "COSTA RICA") %>%
group_by(nivel_educativo) %>%
summarise(cantidad = n(), .groups = "drop") %>%
arrange(desc(cantidad))# -----------------------------------------------------------
# Cuadro 5.5 Cantidad de personas costarricenses beneficiadas según nivel educativo
# -----------------------------------------------------------
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). |
# -----------------------------------------------------------
# Se ejecuta la creación del gráfico 5.4
# Personas costarricenses beneficiadas según nivel educativo
# -----------------------------------------------------------
ggplot(educacion_cr,
aes(x = reorder(nivel_educativo, cantidad),
y = cantidad)) +
geom_col(fill = "#1F77B4") +
coord_flip() +
scale_y_continuous(
labels = scales::label_comma(big.mark = " ")
) +
labs(
title = "Gráfico 5.4 Personas costarricenses beneficiadas según nivel educativo, 2025",
subtitle = "Distribución de beneficiarios según nivel educativo",
x = "Nivel educativo",
y = "Cantidad de personas",
caption = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025)."
) +
theme_minimal() +
theme(
plot.caption = element_text(hjust = 0)
)
Interpretación:
La distribución de las personas beneficiarias según nivel educativo evidencia diferencias importantes entre los distintos grupos de formación académica. Los niveles educativos con mayor cantidad de beneficiarios concentran una proporción significativa de las transferencias otorgadas durante el año 2025, lo que refleja la orientación de los programas sociales hacia poblaciones que enfrentan mayores desafíos socioeconómicos.
6.Análisis adicional
6.1:¿Qué provincias presentan el mayor monto promedio transferido por beneficiario?
Este apartado permite analizar la desigualdad territorial presente en las transferencias monetarias realizadas por SUPRES durante el año 2025, identificando diferencias en el monto promedio transferido entre las provincias del país.
# -----------------------------------------------------------
# Monto promedio transferido según provincia
# -----------------------------------------------------------
promedio_provincia <- datos_supres_2025 %>%
group_by(provincia) %>%
summarise(
monto_promedio = mean(monto, na.rm = TRUE)
) %>%
arrange(desc(monto_promedio))# -----------------------------------------------------------
# Cuadro 6.1
# Monto promedio transferido según provincia, 2025
# -----------------------------------------------------------
promedio_provincia %>%
mutate(
monto_promedio = scales::comma(monto_promedio, big.mark = " ")
) %>%
kable(
col.names = c("Provincia", "Monto promedio (₡)"),
align = c("l", "r"),
caption = "Cuadro 6.1 Costa Rica: monto promedio 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 promedio (₡) |
|---|---|
| NO ESPECIFICADO | 120 000 |
| NO ESPECIFICADA | 100 000 |
| San José | 45 616 |
| Cartago | 40 660 |
| Puntarenas | 40 598 |
| Alajuela | 39 576 |
| Guanacaste | 39 512 |
| Heredia | 38 017 |
| Limón | 37 703 |
| Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025). |
# -----------------------------------------------------------
# Se ejecuta la creación del gráfico 6.1
# Monto promedio transferido según provincia, 2025
# -----------------------------------------------------------
ggplot(promedio_provincia,
aes(x = reorder(provincia, monto_promedio),
y = monto_promedio)) +
geom_col(fill = "#1F77B4") +
coord_flip() +
scale_y_continuous(
labels = scales::label_comma(big.mark = " ")
) +
labs(
title = "Gráfico 6.1 Monto promedio transferido según provincia, 2025",
subtitle = "Costa Rica, año 2025",
x = "Provincia",
y = "Monto promedio transferido (₡)",
caption = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025)."
) +
theme_minimal() +
theme(
plot.caption = element_text(hjust = 0)
)
Interpretación
De acuerdo con la información presentada, se observan diferencias en el monto promedio transferido según provincia durante el año 2025. Las provincias de Limón, Heredia y Guanacaste registran los menores montos promedio por beneficiario, mientras que San José se ubica entre las provincias con los valores más elevados. Además, las categorías “No especificada” y “No especificado” presentan los mayores montos promedio registrados.Estos resultados permiten identificar variaciones territoriales en la asignación de recursos de los programas sociales.
# -----------------------------------------------------------
# Tabla 6.2
# Cantidad de personas beneficiarias según nacionalidad
# -----------------------------------------------------------
nacionalidad_tabla <- datos_supres_2025 %>%
group_by(nacionalidad) %>%
summarise(
cantidad = n()
) %>%
arrange(desc(cantidad))# -----------------------------------------------------------
# Cuadro 6.2
# Cantidad de personas beneficiarias según nacionalidad
# -----------------------------------------------------------
nacionalidad_tabla %>%
kable(
col.names = c("Nacionalidad", "Cantidad de personas"),
align = c("l", "r"),
caption = "Cuadro 6.2 Costa Rica: personas beneficiarias según nacionalidad, 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
)| Nacionalidad | Cantidad de personas |
|---|---|
| COSTA RICA | 3861157 |
| NICARAGUA | 109208 |
| NO ESPECIFICADO | 12193 |
| VENEZUELA | 108 |
| COLOMBIA | 52 |
| EL SALVADOR | 43 |
| PERU | 28 |
| HONDURAS | 27 |
| PANAMA | 24 |
| CUBA | 16 |
| RUSA, FEDERACION | 10 |
| GUATEMALA | 9 |
| BIELORRUSIA | 8 |
| CHINA | 8 |
| TAIWAN | 8 |
| Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025). |
# -----------------------------------------------------------
# Se ejecuta la creación del gráfico 6.2
# Cantidad de personas beneficiarias según nacionalidad
# -----------------------------------------------------------
ggplot(
nacionalidad_tabla,
aes(
x = reorder(nacionalidad, cantidad),
y = cantidad
)
) +
geom_col(fill = "#1F77B4") +
coord_flip() +
labs(
title = "Gráfico 6.2 Personas beneficiarias según nacionalidad, 2025",
subtitle = "Costa Rica, año 2025",
x = "Nacionalidad",
y = "Cantidad de personas beneficiarias",
caption = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025)."
) +
theme_minimal() +
theme(
plot.caption = element_text(hjust = 0)
)
Interpretación
Los resultados muestran que la gran mayoría de las personas beneficiarias de las transferencias monetarias realizadas por SUPRES durante el año 2025 corresponden a personas de nacionalidad costarricense. En segundo lugar, se ubican las personas de nacionalidad nicaragüense, mientras que la categoría “No especificado” también registra una participación relevante dentro de los registros analizados. Por otra parte, nacionalidades como la taiwanesa, china y bielorrusa presentan una cantidad considerablemente menor de personas beneficiarias. Estos resultados evidencian que los programas sociales administrados mediante SUPRES se concentran principalmente en la población nacional.
6.3 ¿Cuáles fueron las entidades financieras que gestionaron la mayor cantidad de transferencias durante el año 2025?
Este apartado permite identificar las entidades financieras que registraron la mayor cantidad de transferencias durante el año 2025. El análisis contribuye a comprender cuáles instituciones financieras fueron los principales canales utilizados para la distribución de los recursos asociados a los programas sociales administrados mediante SUPRES. Asimismo, permite evaluar la concentración de las transferencias en determinadas entidades y su relevancia dentro del sistema de pagos utilizado para la ejecución de las políticas públicas.
# -----------------------------------------------------------
# Cantidad de transferencias según entidad financiera
# -----------------------------------------------------------
entidad_transferencias <- datos_supres_2025 %>%
group_by(entidad_destino) %>%
summarise(
cantidad_transferencias = n()
) %>%
arrange(desc(cantidad_transferencias)) %>%
slice(1:10)# -----------------------------------------------------------
# Cuadro 6.3
# Diez entidades financieras con mayor cantidad de
# transferencias, 2025
# -----------------------------------------------------------
entidad_transferencias %>%
mutate(
cantidad_transferencias = scales::comma(
cantidad_transferencias,
big.mark = " "
)
) %>%
kable(
col.names = c(
"Entidad financiera",
"Cantidad de transferencias"
),
align = c("l", "r"),
caption = "Cuadro 6.3 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 |
|---|---|
| BANCO NACIONAL | 3 838 168 |
| BANCO POPULAR | 65 909 |
| BANCO DE COSTA RICA | 63 970 |
| BAC | 8 571 |
| MUTUAL ALAJUELA | 2 627 |
| MUCAP | 755 |
| COOPEALIANZA | 699 |
| COOPENAE | 520 |
| DAVIVIENDA | 511 |
| PROMERICA | 262 |
| Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025). |
# -----------------------------------------------------------
# Gráfico 6.3
# Diez entidades financieras con mayor cantidad de
# transferencias, 2025
# -----------------------------------------------------------
ggplot(
entidad_transferencias,
aes(
x = reorder(
entidad_destino,
cantidad_transferencias
),
y = cantidad_transferencias
)
) +
geom_col(fill = "#1F77B4") +
coord_flip() +
scale_y_continuous(
labels = scales::comma_format(big.mark = " ")
) +
labs(
title = "Gráfico 6.3 Diez entidades financieras con mayor cantidad de transferencias, 2025",
subtitle = "Costa Rica, año 2025",
x = "Entidad financiera",
y = "Cantidad de transferencias",
caption = "Fuente: Elaboración propia con datos de SUPRES, Ministerio de Hacienda de Costa Rica (2025)."
) +
theme_minimal() +
theme(
plot.caption = element_text(hjust = 0)
)
Interpretación
Los resultados muestran que las transferencias monetarias realizadas durante el año 2025 se concentraron principalmente en un número reducido de entidades financieras. El Banco Nacional, el Banco Popular y el Banco de Costa Rica registran la mayor cantidad de transferencias, lo que evidencia su importancia como canales de distribución de los recursos destinados a programas sociales. Esta concentración refleja el papel estratégico que desempeñan determinadas entidades financieras en la ejecución de las políticas públicas de apoyo económico a la población beneficiaria.