En este trabajo final de la materia, se busca verificar si la Provincia de Buenos Aires o el AMBA concentran la mayor cantidad de familias que viven en barrios populares y, de ser asi, si esa zona tambien contiene la mayor cantidad de barrios.

Se trabaja con el Registro Nacional de Barrios Populares (RENABAP), en su version publicada en diciembre de 2023 por la Subsecretaria de Integracion Socio Urbana.

options(scipen = 999)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.2.1     ✔ readr     2.2.0
## ✔ forcats   1.0.1     ✔ stringr   1.6.0
## ✔ ggplot2   4.0.3     ✔ tibble    3.3.1
## ✔ lubridate 1.9.5     ✔ tidyr     1.3.2
## ✔ purrr     1.2.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
concen_barriosp <- read.csv("renabap_2023.csv", encoding = "UTF-8")
summary(concen_barriosp)
##    id_renabap     nombre_barrio      provincia       departamento 
##  Min.   :   1   Length   :6467   Length   :6467   Length   :6467  
##  1st Qu.:1778   N.unique :4393   N.unique :  24   N.unique : 320  
##  Median :3564   N.blank  :   0   N.blank  :   0   N.blank  :   0  
##  Mean   :3505   Min.nchar:   2   Min.nchar:   5   Min.nchar:   4  
##  3rd Qu.:5244   Max.nchar:  55   Max.nchar:  31   Max.nchar:  34  
##  Max.   :6866                                                     
##      localidad    familias_aproximadas
##  Length   :6467   Min.   :    6.0     
##  N.unique : 998   1st Qu.:   33.0     
##  N.blank  :   0   Median :   77.0     
##  Min.nchar:   4   Mean   :  191.4     
##  Max.nchar:  61   3rd Qu.:  184.0     
##                   Max.   :15400.0

La base tiene 6.467 barrios. La variable familias_aproximadas muestra mucha dispersion. En ese sentido, la mediana es de 77 familias por barrio, pero el promedio sube a 191 porque hay algunos barrios muy grandes (el máximo llega a 15.400 familias).

Hay que tener en cuenta que la cantidad de familias es un dato aproximado, ya que es estimado en el relevamiento, y por ende, no es un conteo exacto.

Barrios y familias por provincia

En primer lugar, se agrupan los barrios por provincia y se calcula, para cada una, la cantidad de barrios, la suma de familias y que porcentaje del total nacional representa cada valor.

por_provincia <- concen_barriosp %>%
  group_by(provincia) %>%
  summarise(barrios = n(),
            familias = sum(familias_aproximadas)) %>%
  mutate(pct_barrios = round(barrios / sum(barrios) * 100, 1),
         pct_familias = round(familias / sum(familias) * 100, 1)) %>%
  arrange(desc(familias))

por_provincia
## # A tibble: 24 × 5
##    provincia                       barrios familias pct_barrios pct_familias
##    <chr>                             <int>    <int>       <dbl>        <dbl>
##  1 Buenos Aires                       2065   588779        31.9         47.6
##  2 Santa Fe                            469    92776         7.3          7.5
##  3 Ciudad Autónoma de Buenos Aires      49    80517         0.8          6.5
##  4 Misiones                            413    58322         6.4          4.7
##  5 Chaco                               442    55821         6.8          4.5
##  6 Tucumán                             370    48003         5.7          3.9
##  7 Salta                               354    39319         5.5          3.2
##  8 Córdoba                             318    37039         4.9          3  
##  9 Río Negro                           240    36239         3.7          2.9
## 10 Corrientes                          257    29136         4            2.4
## # ℹ 14 more rows

Como se puede observar, la Provincia de Buenos Aires concentra las dos cosas, tiene el 31,9% de los barrios y el 47,6% de las familias. Es decir, casi la mitad de las familias que viven en barrios populares del pais estan en la provincia. Muy lejos le sigue Santa Fe, con alrededor del 7,5% en ambos indicadores.

Por otro lado, el caso de la Ciudad Autónoma de Buenos Aires es llamativo debido a que tiene solo 49 barrios (0,8% del total) pero el 6,5% de las familias. Es la tercera jurisdiccion en cantidad de familias con muy pocos barrios, lo que indica barrios de gran tamaño.

A partir de este analisis, vamos a verlo gráficamente. Para esto, se comparan los dos porcentajes lado a lado. Se usa pivot_longer(), que pasa las dos columnas de porcentajes a una sola, de modo que ggplot pueda dibujarlas como barras agrupadas.

por_provincia_largo <- por_provincia %>%
  select(provincia, pct_barrios, pct_familias) %>%
  pivot_longer(cols = c(pct_barrios, pct_familias),
               names_to = "indicador",
               values_to = "porcentaje")

ggplot(data = por_provincia_largo) +
  geom_col(aes(x = reorder(provincia, porcentaje), y = porcentaje, fill = indicador),
           position = "dodge") +
  coord_flip() +
  scale_fill_discrete(labels = c("% de barrios", "% de familias")) +
  labs(title = "Barrios populares y familias por provincia",
       subtitle = "Porcentaje sobre el total nacional, RENABAP 2023",
       x = "",
       y = "porcentaje del total (%)",
       fill = "")

Se puede observar en el grafico que en la mayoría de las provincias las dos barras tienen una altura parecida. Las excepciones mas claras son Buenos Aires y CABA, donde la barra de familias supera ampliamente a la de barrios. En provincias como Mendoza, Chaco o Cordoba pasa lo contrario, y se observa que tienen mas peso en cantidad de barrios que en familias, lo que podria indicar barrios mas chicos.

El AMBA

La provincia de Buenos Aires es una unidad muy amplia, que incluye tanto el conurbano como ciudades del interior bonaerense. Para mirar el AMBA se crea una nueva variable con mutate(). Se toma como AMBA a la Ciudad de Buenos Aires más los 24 partidos del Gran Buenos Aires (el criterio que usa el INDEC), y se separa el resto de la provincia y el resto del pais.

partidos_gba <- c("Almirante Brown", "Avellaneda", "Berazategui", "Esteban Echeverría",
                  "José M. Ezeiza", "Florencio Varela", "General San Martín", "Hurlingham",
                  "Ituzaingó", "José C. Paz", "La Matanza", "Lanús", "Lomas de Zamora",
                  "Malvinas Argentinas", "Merlo", "Moreno", "Morón", "Quilmes",
                  "San Fernando", "San Isidro", "San Miguel", "Tigre",
                  "Tres de Febrero", "Vicente López")

barrios_amba <- concen_barriosp %>%
  mutate(region = case_when(
    provincia == "Ciudad Autónoma de Buenos Aires" ~ "AMBA",
    provincia == "Buenos Aires" & departamento %in% partidos_gba ~ "AMBA",
    provincia == "Buenos Aires" ~ "Resto de PBA",
    TRUE ~ "Resto del país"))

por_region <- barrios_amba %>%
  group_by(region) %>%
  summarise(barrios = n(),
            familias = sum(familias_aproximadas),
            mediana_familias = median(familias_aproximadas)) %>%
  mutate(pct_barrios = round(barrios / sum(barrios) * 100, 1),
         pct_familias = round(familias / sum(familias) * 100, 1))

por_region
## # A tibble: 3 × 6
##   region         barrios familias mediana_familias pct_barrios pct_familias
##   <chr>            <int>    <int>            <dbl>       <dbl>        <dbl>
## 1 AMBA              1244   495046              143        19.2         40  
## 2 Resto de PBA       870   174250               88        13.5         14.1
## 3 Resto del país    4353   568499               66        67.3         45.9

Aca aparece el que quizas sea el resultado mas interesante. El AMBA reune el 40% de las familias que viven en barrios populares del pais, pero solo el 19,2% de los barrios. El resto del país nos muestra la situacion inversa ya que tiene el 67,3% de los barrios pero el 45,9% de las familias.

La mediana confirma que la diferencia esta en el tamaño de los barrios. Se observa que un barrio tipico del AMBA tiene 143 familias, uno del resto de la provincia 88 y uno del resto del país 66.

por_region_largo <- por_region %>%
  select(region, pct_barrios, pct_familias) %>%
  pivot_longer(cols = c(pct_barrios, pct_familias),
               names_to = "indicador",
               values_to = "porcentaje")

ggplot(data = por_region_largo) +
  geom_col(aes(x = region, y = porcentaje, fill = indicador),
           position = "dodge") +
  scale_fill_discrete(labels = c("% de barrios", "% de familias")) +
  labs(title = "Barrios populares y familias por región",
       subtitle = "AMBA = CABA + 24 partidos del Gran Buenos Aires. RENABAP 2023",
       x = "",
       y = "porcentaje del total (%)",
       fill = "")

Por ultimo, se va a realizar un grafico de torta para mostrar como se reparten las familias entre las tres regiones. Esto se construye utlizando geom_col() y coord_polar().

ggplot(data = por_region, aes(x = "", y = pct_familias, fill = region)) +
  geom_col() +
  coord_polar(theta = "y") +
  geom_text(aes(label = paste0(pct_familias, "%")),
            position = position_stack(vjust = 0.5)) +
  labs(title = "Distribución de las familias en barrios populares",
       subtitle = "RENABAP 2023",
       fill = "") +
  theme_void()

Conclusión

La Provincia de Buenos Aires concentra tanto la mayor cantidad de familias (47,6%) como la mayor cantidad de barrios populares (31,9%). Pero si se mira el AMBA, la respuesta se atenua. En el AMBA se concentra el 40% de las familias en apenas el 19,2% de los barrios, mientras que la mayoria de los barrios se encuentra en el resto del pais. Por otro lado, la concentracion de poblacion no coincide con la concentracion de barrios, porque los barrios del AMBA son mas grandes y densos.

En resumen, para la politica publica esto marca dos escalas distintas del problema. En primer lugar, en el AMBA pocos barrios de gran tamaño reunen a muchas familias. En segundo lugar, en el resto del pais el problema esta mas disperso en muchos barrios chicos. Por ende, la integracion socio-urbana de los barrios del AMBA generaria un rapido impacto positivo respecto del numero general y de los habitantes de estos barrios, quienes podrian gozar de los derechos que hoy no pueden gozar. El impacto seria igualmente positivo para quienes habitan en las periferias o intersercciones de los barrios, debido a que al tener la traza formalizada permitiria mayor interconexion, ademas del acceso a mas y mejores servicios.