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.
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.
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()
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.