Análisis de Crecimiento Poblacional en Centros Poblados del Perú

Paul Efren Santos Andrade

2026-01-15

Introducción

La función get_centros_poblados_crecimiento() del paquete rsdot proporciona acceso programático a datos de centros poblados del Perú con información detallada sobre su tasa de crecimiento poblacional del período intercensal 2007-2017.

Esta viñeta demuestra cómo utilizar la función para realizar análisis demográficos y espaciales, desde la descarga básica de datos hasta visualizaciones avanzadas.

Fuente de los datos

Los datos provienen de:

• Censos: Población y Vivienda 2007 y 2017 (INEI)
• Nivel: Centro poblado
• Variable principal: Tasa media de crecimiento anual intercensal

Instalación y carga de paquetes

# Cargar paquetes necesarios
library(rsdot)
library(sf)
library(dplyr)
library(ggplot2)
library(tidyr)
library(stringr)

Uso básico

Ver departamentos disponibles

Para conocer qué departamentos están disponibles, ejecuta la función sin argumentos:

get_centros_poblados_crecimiento()

Esto mostrará una lista de los 25 departamentos del Perú disponibles.

Cargar datos de un departamento

Carguemos los datos de centros poblados del departamento de Cusco:

ccpp_cusco <- get_centros_poblados_crecimiento(departamento = "CUSCO")

# Explorar la estructura de los datos
glimpse(ccpp_cusco)
#> Rows: 837
#> Columns: 15
#> $ nro        <chr> "4,869", "5,108", "5,428", "5,290", "5,431", "4,839", "4,79…
#> $ codccpp    <chr> "0804010043", "0807070055", "0812070001", "0810060001", "08…
#> $ ubigeo     <chr> "080401", "080707", "081207", "081006", "081207", "080304",…
#> $ dep        <chr> "CUSCO", "CUSCO", "CUSCO", "CUSCO", "CUSCO", "CUSCO", "CUSC…
#> $ prov       <chr> "CALCA", "CHUMBIVILCAS", "QUISPICANCHI", "PARURO", "QUISPIC…
#> $ distrito   <chr> "CALCA", "QUIÑOTA", "HUARO", "OMACHA", "HUARO", "CHINCHAYPU…
#> $ centro_pob <chr> "YANAHUAYLLA", "CENTRO", "HUARO", "OMACHA", "URPAY", "SUMAR…
#> $ pob_2007   <chr> "209", "202", "1,420", "398", "404", "237", "6,652", "147",…
#> $ pob_2017   <chr> "211", "210", "1,833", "391", "402", "237", "10,182", "155"…
#> $ tasa       <dbl> 0.10, 0.39, 2.59, -0.18, -0.05, 0.00, 4.35, 0.53, 0.65, -1.…
#> $ capital    <chr> "No es capital", "No es capital", "Distrital", "Distrital",…
#> $ region     <chr> "Sierra", "Sierra", "Sierra", "Sierra", "Sierra", "Sierra",…
#> $ urb_rural  <chr> "RURAL", "RURAL", "RURAL", "RURAL", "RURAL", "RURAL", "URBA…
#> $ tc_catg    <chr> "POSITIVO", "POSITIVO", "POSITIVO", "NEGATIVO", "NEGATIVO",…
#> $ geom       <POINT [°]> POINT (-71.93249 -13.29263), POINT (-72.11369 -14.285…

Estructura de los datos

Los datos incluyen las siguientes variables:

• nro: Número de identificación
• codccpp: Código del centro poblado
• ubigeo: Código UBIGEO del distrito
• dep: Departamento
• prov: Provincia
• distrito: Distrito
• centro_pob: Nombre del centro poblado
• pob_2007: Población en el censo 2007
• pob_2017: Población en el censo 2017
• tasa: Tasa media de crecimiento anual (%)
• capital: Tipo de capital (Departamental, Provincial, Distrital, No es capital)
• region: Región natural (Costa, Sierra, Selva)
• urb_rural: Clasificación urbano/rural
• tc_catg: Categoría de tasa de crecimiento (POSITIVO, NEGATIVO)
• geom: Geometría tipo POINT (coordenadas)

Filtrado de datos

Filtrado por provincia

Podemos filtrar los datos por provincia:

ccpp_prov_cusco <- get_centros_poblados_crecimiento(
  departamento = "CUSCO",
  provincia = "CUSCO"
)

nrow(ccpp_prov_cusco)
#> [1] 37

Filtrado por distrito

Para obtener centros poblados de un distrito específico:

ccpp_anta <- get_centros_poblados_crecimiento(
  departamento = "CUSCO",
  provincia = "ANTA"
)

Múltiples departamentos

La función permite cargar varios departamentos simultáneamente:

ccpp_sur <- get_centros_poblados_crecimiento(
  departamento = c("CUSCO", "PUNO", "AREQUIPA")
)

# Ver distribución por departamento y categoría
ccpp_sur |>
  st_drop_geometry() |>
  count(dep, tc_catg)
#> # A tibble: 6 × 3
#>   dep      tc_catg      n
#>   <chr>    <chr>    <int>
#> 1 AREQUIPA NEGATIVO   144
#> 2 AREQUIPA POSITIVO   151
#> 3 CUSCO    NEGATIVO   412
#> 4 CUSCO    POSITIVO   425
#> 5 PUNO     NEGATIVO   597
#> 6 PUNO     POSITIVO   322

Análisis descriptivo

Estadísticas básicas

# Resumen de tasas de crecimiento
summary(ccpp_cusco$tasa)
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#> -10.540  -1.950   0.090   1.007   1.950  58.910

# Resumen de población 2017
summary(ccpp_cusco$pob_2017)
#>    Length     Class      Mode 
#>       837 character character

Centros poblados con crecimiento negativo

ccpp_negativo <- ccpp_cusco |>
  filter(tc_catg == "NEGATIVO")

cat("Centros con crecimiento negativo:", nrow(ccpp_negativo), "\n")
#> Centros con crecimiento negativo: 412
cat("Tasa promedio:", round(mean(ccpp_negativo$tasa), 2), "%\n")
#> Tasa promedio: -2.27 %

Top 10 por crecimiento

# Centros poblados con mayor crecimiento
top_crecimiento <- ccpp_cusco |>
  arrange(desc(tasa)) |>
  head(10) |>
  st_drop_geometry() |>
  select(centro_pob, distrito, pob_2007, pob_2017, tasa)

print(top_crecimiento)
#> # A tibble: 10 × 5
#>    centro_pob                      distrito       pob_2007 pob_2017  tasa
#>    <chr>                           <chr>          <chr>    <chr>    <dbl>
#>  1 SANFORTUNIA                     VELILLE        15       1,540     58.9
#>  2 HUARCA                          ESPINAR        10       244       37.6
#>  3 SAN MIGUEL                      QUELLOUNO      15       239       31.9
#>  4 SAN LUIS                        PISAC          11       150       29.9
#>  5 QQUECHASNIYOC                   ANDAHUAYLILLAS 19       259       29.8
#>  6 CCANCCAU                        LARES          18       238       29.5
#>  7 ROYAL INCA                      PISAC          18       222       28.6
#>  8 CONDEBAMBA ALTA-CONDEBAMBA BAJA SAYLLA         96       1,182     28.5
#>  9 LLAYCHU                         PAUCARTAMBO    29       342       28.0
#> 10 JANAC CHUQUIBAMBA               LAMAY          19       218       27.6

# Centros poblados con mayor decrecimiento
top_decrecimiento <- ccpp_cusco |>
  arrange(tasa) |>
  head(10) |>
  st_drop_geometry() |>
  select(centro_pob, distrito, pob_2007, pob_2017, tasa)

print(top_decrecimiento)
#> # A tibble: 10 × 5
#>    centro_pob            distrito    pob_2007 pob_2017   tasa
#>    <chr>                 <chr>       <chr>    <chr>     <dbl>
#>  1 PUERTO MAYO           PICHARI     460      151      -10.5 
#>  2 POYENTIMARI           ECHARATE    645      265       -8.51
#>  3 HUALLA                YANATILE    667      280       -8.31
#>  4 SELVA ALEGRE          VILCABAMBA  366      154       -8.29
#>  5 TIRINCAVINI           PICHARI     370      160       -8.04
#>  6 PUCUTO                HUARO       533      241       -7.63
#>  7 SUYO                  YANATILE    460      213       -7.41
#>  8 ANTIGUO SAN CRISTOBAL PICHARI     353      166       -7.27
#>  9 CCOYO                 SANTO TOMAS 396      187       -7.23
#> 10 URAYPAMPA PAMPA ANZA  SICUANI     401      193       -7.05

Análisis por clasificaciones

Por tipo de capital

ccpp_cusco |>
  st_drop_geometry() |>
  mutate(
    pob_2007 = as.numeric(str_remove(pob_2007, ",")),
    pob_2017 = as.numeric(str_remove(pob_2017, ","))
  ) |>
  group_by(capital) |>
  summarise(
    n_centros = n(),
    pob_total_2017 = sum(pob_2017, na.rm = TRUE),
    tasa_promedio = mean(tasa, na.rm = TRUE),
    tasa_mediana = median(tasa, na.rm = TRUE)
  )
#> # A tibble: 4 × 5
#>   capital       n_centros pob_total_2017 tasa_promedio tasa_mediana
#>   <chr>             <int>          <dbl>         <dbl>        <dbl>
#> 1 Departamental         1         111930         0.51          0.51
#> 2 Distrital            99         466653         1.33          1.03
#> 3 No es capital       725         225847         0.949        -0.22
#> 4 Provincial           12         164388         1.87          1.62

Por clasificación urbano-rural

ccpp_cusco |>
  st_drop_geometry() |>
  mutate(
    pob_2007 = as.numeric(str_remove(pob_2007, ",")),
    pob_2017 = as.numeric(str_remove(pob_2017, ","))
  ) |>
  group_by(urb_rural) |>
  summarise(
    n_centros = n(),
    pob_total_2017 = sum(pob_2017, na.rm = TRUE),
    tasa_promedio = mean(tasa, na.rm = TRUE),
    tasa_mediana = median(tasa, na.rm = TRUE)
  )
#> # A tibble: 2 × 5
#>   urb_rural n_centros pob_total_2017 tasa_promedio tasa_mediana
#>   <chr>         <int>          <dbl>         <dbl>        <dbl>
#> 1 RURAL           794         290491         0.898        -0.09
#> 2 URBANA           43         678327         3.02          2.06

Por región natural

ccpp_cusco |>
  st_drop_geometry() |>
  mutate(
    pob_2007 = as.numeric(str_remove(pob_2007, ",")),
    pob_2017 = as.numeric(str_remove(pob_2017, ","))
  ) |>
  group_by(region, tc_catg) |>
  summarise(
    n_centros = n(),
    pob_total_2017 = sum(pob_2017, na.rm = TRUE),
    tasa_promedio = mean(tasa, na.rm = TRUE),
    .groups = "drop"
  )
#> # A tibble: 4 × 5
#>   region tc_catg  n_centros pob_total_2017 tasa_promedio
#>   <chr>  <chr>        <int>          <dbl>         <dbl>
#> 1 Selva  NEGATIVO        70          45942         -3.20
#> 2 Selva  POSITIVO        57          49275          6.28
#> 3 Sierra NEGATIVO       342         161791         -2.07
#> 4 Sierra POSITIVO       368         711810          3.85

Visualizaciones

Mapa de centros poblados por categoría de crecimiento

ccpp_cusco |>
  mutate(
    pob_2007 = as.numeric(str_remove(pob_2007, ",")),
    pob_2017 = as.numeric(str_remove(pob_2017, ","))
  ) |>
  ggplot() +
  geom_sf(aes(color = tc_catg, size = pob_2017), alpha = 0.6) +
  scale_color_manual(
    values = c("POSITIVO" = "darkgreen", "NEGATIVO" = "darkred"),
    name = "Crecimiento"
  ) +
  scale_size_continuous(
    name = "Población 2017",
    range = c(0.5, 5),
    labels = scales::comma
  ) +
  labs(
    title = "Centros Poblados del Departamento de Cusco",
    subtitle = "Tasa de Crecimiento Poblacional 2007-2017",
    caption = "Fuente: INEI | Visor - SDOT"
  ) +
  theme_minimal() +
  theme(
    legend.position = "right",
    plot.title = element_text(face = "bold", size = 14),
    plot.subtitle = element_text(size = 11)
  )

Centros poblados del departamento de Cusco coloreados por categoría de crecimiento (positivo/negativo)

Centros poblados urbanos

ccpp_urbanos <- ccpp_cusco |> filter(urb_rural == "URBANA")

ccpp_urbanos |>
  mutate(
    pob_2007 = as.numeric(str_remove(pob_2007, ",")),
    pob_2017 = as.numeric(str_remove(pob_2017, ","))
  ) |>
  ggplot() +
  geom_sf(aes(color = tasa, size = pob_2017), alpha = 0.7) +
  scale_color_gradient2(
    low = "red",
    mid = "yellow",
    high = "darkgreen",
    midpoint = 0,
    name = "Tasa (%)"
  ) +
  scale_size_continuous(
    name = "Población 2017",
    range = c(2, 8),
    labels = scales::comma
  ) +
  labs(
    title = "Centros Poblados Urbanos - Cusco",
    subtitle = "Tasa de Crecimiento Poblacional 2007-2017",
    caption = "Fuente: INEI | Visor - SDOT"
  ) +
  theme_minimal()

Centros poblados urbanos con gradiente de color según tasa de crecimiento

Top 20 por población

top_poblados <- ccpp_cusco |>
  mutate(
    pob_2007 = as.numeric(str_remove(pob_2007, ",")),
    pob_2017 = as.numeric(str_remove(pob_2017, ","))
  ) |>
  arrange(desc(pob_2017)) |>
  head(20)

ggplot(top_poblados) +
  geom_sf(aes(size = pob_2017, color = tasa), alpha = 0.7) +
  geom_sf_text(
    aes(label = centro_pob),
    size = 2.5,
    nudge_y = 0.05,
    check_overlap = TRUE
  ) +
  scale_size_continuous(
    name = "Población 2017",
    range = c(3, 15),
    labels = scales::comma
  ) +
  scale_color_gradient2(
    low = "red",
    mid = "yellow",
    high = "darkgreen",
    midpoint = 0,
    name = "Tasa (%)"
  ) +
  labs(
    title = "Top 20 Centros Poblados por Población",
    subtitle = "Departamento de Cusco - Censo 2017",
    caption = "Fuente: INEI | Visor - SDOT"
  ) +
  theme_minimal()

Los 20 centros poblados más grandes de Cusco

Boxplot por clasificación urbano-rural

ggplot(ccpp_cusco, aes(x = urb_rural, y = tasa, fill = urb_rural)) +
  geom_boxplot(alpha = 0.7, outlier.alpha = 0.3) +
  scale_fill_brewer(palette = "Set2") +
  labs(
    title = "Distribución de Tasas de Crecimiento Poblacional",
    subtitle = "Por clasificación urbano/rural - Departamento de Cusco",
    x = "Clasificación",
    y = "Tasa de Crecimiento (%)",
    caption = "Fuente: INEI | Visor - SDOT"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

Distribución de tasas de crecimiento por clasificación urbano/rural

Histograma de tasas

ggplot(ccpp_cusco, aes(x = tasa, fill = tc_catg)) +
  geom_histogram(bins = 50, alpha = 0.7) +
  scale_fill_manual(
    values = c("POSITIVO" = "darkgreen", "NEGATIVO" = "darkred"),
    name = "Categoría"
  ) +
  labs(
    title = "Distribución de Tasas de Crecimiento Poblacional",
    subtitle = "Departamento de Cusco (2007-2017)",
    x = "Tasa de Crecimiento (%)",
    y = "Número de Centros Poblados",
    caption = "Fuente: INEI | Visor - SDOT"
  ) +
  theme_minimal()

Distribución de frecuencias de las tasas de crecimiento

Evolución poblacional 2007-2017

ccpp_cusco |>
  mutate(
    pob_2007 = as.numeric(str_remove(pob_2007, ",")),
    pob_2017 = as.numeric(str_remove(pob_2017, ","))
  ) |>
  ggplot(aes(x = pob_2007, y = pob_2017, color = tc_catg)) +
  geom_point(alpha = 0.5, size = 2) +
  geom_abline(slope = 1, intercept = 0, linetype = "dashed", color = "gray50") +
  scale_x_log10(labels = scales::comma) +
  scale_y_log10(labels = scales::comma) +
  scale_color_manual(
    values = c("POSITIVO" = "darkgreen", "NEGATIVO" = "darkred"),
    name = "Crecimiento"
  ) +
  labs(
    title = "Evolución Poblacional 2007-2017",
    subtitle = "Departamento de Cusco (escala logarítmica)",
    x = "Población 2007",
    y = "Población 2017",
    caption = "Fuente: INEI | Visor - SDOT"
  ) +
  theme_minimal()

Relación entre población 2007 y 2017 (escala logarítmica)

Interpretación: Los puntos por encima de la línea diagonal representan centros poblados que crecieron, mientras que los puntos por debajo perdieron población.

Integración con otras capas

Combinar con límites distritales

Una de las ventajas del paquete rsdot es que permite integrar fácilmente diferentes capas de información espacial:

# Obtener límites distritales
distritos_cusco <- get_distritos(departamento = "CUSCO")

# Mapa combinado
ggplot() +
  geom_sf(data = distritos_cusco, fill = NA, color = "gray70", linewidth = 0.3) +
  geom_sf(
    data = ccpp_cusco |>
      mutate(
        pob_2007 = as.numeric(str_remove(pob_2007, ",")),
        pob_2017 = as.numeric(str_remove(pob_2017, ","))
      ),
    aes(color = tc_catg, size = pob_2017),
    alpha = 0.6
  ) +
  scale_color_manual(
    values = c("POSITIVO" = "darkgreen", "NEGATIVO" = "darkred"),
    name = "Crecimiento"
  ) +
  scale_size_continuous(
    name = "Población 2017",
    range = c(0.5, 5),
    labels = scales::comma
  ) +
  labs(
    title = "Centros Poblados y Límites Distritales",
    subtitle = "Departamento de Cusco",
    caption = "Fuente: INEI | Visor - SDOT"
  ) +
  theme_minimal()

Centros poblados sobre límites distritales de Cusco

Análisis agregado por distrito

Calcular estadísticas por distrito

ccpp_por_distrito <- ccpp_cusco |>
  mutate(
    pob_2007 = as.numeric(str_remove(pob_2007, ",")),
    pob_2017 = as.numeric(str_remove(pob_2017, ","))
  ) |>
  st_drop_geometry() |>
  group_by(distrito) |>
  summarise(
    n_centros_poblados = n(),
    pob_total_2017 = sum(pob_2017, na.rm = TRUE),
    pob_total_2007 = sum(pob_2007, na.rm = TRUE),
    tasa_promedio = mean(tasa, na.rm = TRUE),
    n_positivo = sum(tc_catg == "POSITIVO", na.rm = TRUE),
    n_negativo = sum(tc_catg == "NEGATIVO", na.rm = TRUE)
  ) |>
  arrange(desc(pob_total_2017))

head(ccpp_por_distrito, 10)
#> # A tibble: 10 × 7
#>    distrito      n_centros_poblados pob_total_2017 pob_total_2007 tasa_promedio
#>    <chr>                      <int>          <dbl>          <dbl>         <dbl>
#>  1 CUSCO                          6         113359         107506         2.23 
#>  2 SAN SEBASTIAN                  7         112365          91597         2.73 
#>  3 SANTIAGO                       6          94258          65516         0.492
#>  4 WANCHAQ                        1          58541          59134        -0.1  
#>  5 SAN JERONIMO                   4          56157          30439         2.06 
#>  6 SICUANI                       18          50765          46227        -0.263
#>  7 ESPINAR                        3          30935          24576        16.5  
#>  8 SANTA ANA                      6          25229          28088        -2.63 
#>  9 PICHARI                       16          20124          10078         2.03 
#> 10 ANTA                          30          19918          15118         1.57 
#> # ℹ 2 more variables: n_positivo <int>, n_negativo <int>

Mapa coroplético por distrito

# Unir estadísticas con geometrías
distritos_con_datos <- distritos_cusco |>
  left_join(ccpp_por_distrito, by = c("nombdist" = "distrito"))

# Mapa coroplético
ggplot(distritos_con_datos) +
  geom_sf(aes(fill = n_centros_poblados), color = "white", linewidth = 0.2) +
  scale_fill_viridis_c(
    option = "plasma",
    name = "N° Centros\nPoblados"
  ) +
  labs(
    title = "Número de Centros Poblados por Distrito",
    subtitle = "Departamento de Cusco",
    caption = "Fuente: INEI | Visor - SDOT"
  ) +
  theme_minimal()

Número de centros poblados por distrito en Cusco

Casos de uso avanzados

Identificar áreas de alta concentración poblacional

# Centros poblados con más de 5,000 habitantes
grandes_centros <- ccpp_cusco |>
  mutate(pob_2017 = as.numeric(str_remove(pob_2017, ","))) |>
  filter(pob_2017 > 5000) |>
  arrange(desc(pob_2017))

cat("Centros poblados con más de 5,000 habitantes:", nrow(grandes_centros), "\n")
#> Centros poblados con más de 5,000 habitantes: 15

Análisis de centros poblados candidatos para creación distrital

Los centros poblados con crecimiento positivo sostenido pueden ser candidatos para análisis de creación distrital:

candidatos <- ccpp_cusco |>
  mutate(
    pob_2007 = as.numeric(str_remove(pob_2007, ",")),
    pob_2017 = as.numeric(str_remove(pob_2017, ","))
  ) |>
  filter(
    tc_catg == "POSITIVO",
    tasa > 2,  # Crecimiento mayor a 2% anual
    pob_2017 > 3000  # Población mínima
  ) |>
  st_drop_geometry() |>
  select(centro_pob, distrito, pob_2007, pob_2017, tasa, capital) |>
  arrange(desc(tasa))

head(candidatos, 10)
#> # A tibble: 10 × 6
#>    centro_pob   distrito     pob_2007 pob_2017  tasa capital   
#>    <chr>        <chr>           <dbl>    <dbl> <dbl> <chr>     
#>  1 PICHARI      PICHARI          5236    12050  8.69 Distrital 
#>  2 SAN JERONIMO SAN JERONIMO    29678    55335  6.43 Distrital 
#>  3 ANTA         ANTA             6652    10182  4.35 Provincial
#>  4 OROPESA      OROPESA          3001     4411  3.93 Distrital 
#>  5 SANTIAGO     SANTIAGO        64075    92729  3.77 Distrital 
#>  6 YANAOCA      YANAOCA          2308     3307  3.66 Provincial
#>  7 CHINCHERO    CHINCHERO        2664     3765  3.52 Distrital 
#>  8 KIMBIRI      KIMBIRI          4369     5913  3.07 Distrital 
#>  9 SANTO TOMAS  SANTO TOMAS      7575    10170  2.99 Provincial
#> 10 CALCA        CALCA           10413    13519  2.64 Provincial

Comparación entre capitales y no capitales

ccpp_cusco |>
  mutate(
    es_capital = ifelse(capital == "No es capital", "No", "Sí"),
    pob_2017 = as.numeric(str_remove(pob_2017, ","))
  ) |>
  st_drop_geometry() |>
  group_by(es_capital) |>
  summarise(
    n = n(),
    tasa_promedio = mean(tasa, na.rm = TRUE),
    pob_promedio = mean(pob_2017, na.rm = TRUE),
    .groups = "drop"
  )
#> # A tibble: 2 × 4
#>   es_capital     n tasa_promedio pob_promedio
#>   <chr>      <int>         <dbl>        <dbl>
#> 1 No           725         0.949         312.
#> 2 Sí           112         1.38         6634.

Consejos y mejores prácticas

1. Manejo de datos

Al trabajar con población, es importante convertir las variables numéricas correctamente:

# Convertir población de character a numeric
ccpp_clean <- ccpp_cusco |>
  mutate(
    pob_2007 = as.numeric(str_remove(pob_2007, ",")),
    pob_2017 = as.numeric(str_remove(pob_2017, ","))
  )

2. Filtrado eficiente

Para análisis por región o tipo:

# Filtrar por múltiples condiciones
ccpp_sierra_urbano <- ccpp_cusco |>
  filter(
    region == "Sierra",
    urb_rural == "URBANA"
  )

3. Exportar resultados

Guardar los datos procesados para uso posterior:

# Exportar a GeoPackage
st_write(ccpp_cusco, "centros_poblados_cusco.gpkg", delete_dsn = TRUE)

# Exportar tabla sin geometría
ccpp_cusco |>
  st_drop_geometry() |>
  write.csv("centros_poblados_cusco.csv", row.names = FALSE)

4. Sistema de caché

La función almacena automáticamente los datos descargados:

# Primera ejecución: descarga desde OSF
ccpp1 <- get_centros_poblados_crecimiento(departamento = "CUSCO")

# Segunda ejecución: usa caché (más rápido)
ccpp2 <- get_centros_poblados_crecimiento(departamento = "CUSCO")

# Forzar nueva descarga si necesitas actualizar datos
ccpp3 <- get_centros_poblados_crecimiento(
  departamento = "CUSCO",
  force_update = TRUE
)

Conclusiones

La función get_centros_poblados_crecimiento() facilita el acceso a datos valiosos sobre la dinámica poblacional del Perú a nivel de centros poblados. Los principales hallazgos de este análisis incluyen:

1. Diversidad de patrones: Existen centros poblados con crecimiento muy acelerado y otros en decrecimiento

2. Diferencias urbano-rural: Las áreas urbanas tienden a mostrar patrones de crecimiento diferentes a las rurales

3. Utilidad para planificación: Los datos son fundamentales para análisis de creación distrital y planificación territorial

4. Integración de datos: La función se integra perfectamente con otras funciones del paquete para análisis espaciales más complejos

Referencias

• INEI (2007, 2017). Censos Nacionales de Población y Vivienda.
• Secretaría de Demarcación y Organización Territorial (SDOT) - PCM Perú.

---