Sistema de Centros Poblados del Perú

Introducción

Este documento presenta las funciones del paquete rsdot para acceder y analizar el Sistema de Centros Poblados del Perú, basado en la clasificación oficial del Instituto Nacional de Estadística e Informática (INEI) según el Censo de Población y Vivienda 2017.

Clasificación INEI de Asentamientos Humanos

El INEI clasifica los asentamientos humanos en el Perú utilizando una jerarquía basada en tamaño poblacional, organización de viviendas y disponibilidad de servicios:

1. Capitales (Administrativas)

Centros administrativos principales del país:

Capital Departamental: Sede del gobierno regional (ej. Cusco, Arequipa, Lima)
Capital Provincial: Sede de la administración provincial
Capital Distrital: Sede del gobierno local distrital

Características: Centros urbanos con la mayor concentración de servicios públicos, infraestructura y población.

2. Centros Poblados (CPs)

Núcleos de población con las siguientes características:

Definición: Asentamientos con nombre propio, población generalmente > 150 habitantes (según criterios del INEI)
Organización: Viviendas agrupadas con cierta organización espacial
Servicios: Infraestructura básica (agua, desagüe, luz) y vías de acceso
Clasificación:
- Urbanos: Viviendas agrupadas, con pistas/veredas, mayor densidad
- Rurales: Viviendas más dispersas, menor densidad (caseríos, comunidades)

3. Asentamientos Dispersos

Poblaciones muy pequeñas o viviendas aisladas:

Poblaciones que no alcanzan la categoría de Centro Poblado
Viviendas aisladas en zonas rurales
Sin organización espacial definida
Servicios básicos limitados o ausentes

Funciones Disponibles:

El paquete rsdot proporciona dos funciones principales:

get_capitales(): Accede a las capitales departamentales, provinciales y distritales
get_centros_poblados(): Accede a todos los centros poblados y asentamientos dispersos censados

Ambas funciones utilizan datos georreferenciados del Censo 2017, accesibles a través de la plataforma VIsor SDOT de la PCM.

library(rsdot)
library(ggplot2)
library(dplyr)
library(sf)

Función 1: get_capitales()

Accede a las capitales administrativas (departamentales, provinciales y distritales) identificadas en el Censo 2017. Estas son los centros urbanos principales que sirven como sedes del gobierno en sus respectivos niveles.

Jerarquía de Capitales

El campo capital indica la jerarquía administrativa:

1: Capital departamental
2: Capital provincial
3: Capital distrital

Uso Básico

# Obtener todas las capitales de Cusco
capitales_cusco <- get_capitales(departamento = "CUSCO")

# Ver estructura de los datos
head(capitales_cusco)
#> Simple feature collection with 6 features and 9 fields
#> Geometry type: POINT
#> Dimension:     XY
#> Bounding box:  xmin: -72.05914 ymin: -13.58477 xmax: -71.88359 ymax: -13.49446
#> Geodetic CRS:  WGS 84
#> # A tibble: 6 × 10
#>     gid ubigeo nombdep nombprov nombdist      codccpp    cen_pob     pob capital
#>   <int> <chr>  <chr>   <chr>    <chr>         <chr>      <chr>     <int> <chr>  
#> 1 33390 080101 CUSCO   CUSCO    CUSCO         0801010001 CUSCO    111930 1      
#> 2 33426 080102 CUSCO   CUSCO    CCORCA        0801020001 CCORCA      265 3      
#> 3 33448 080103 CUSCO   CUSCO    POROY         0801030001 POROY      1410 3      
#> 4 33465 080104 CUSCO   CUSCO    SAN JERONIMO  0801040001 SAN JER…  55335 3      
#> 5 33491 080105 CUSCO   CUSCO    SAN SEBASTIAN 0801050001 SAN SEB… 109915 3      
#> 6 33505 080106 CUSCO   CUSCO    SANTIAGO      0801060001 SANTIAGO  92729 3      
#> # ℹ 1 more variable: geom <POINT [°]>

# Resumen estadístico
summary(capitales_cusco$pob)
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>     168     691    1448    6634    2759  111930

Análisis por Jerarquía

# Clasificar capitales por tipo
capitales_cusco %>%
  st_drop_geometry() %>%
  mutate(
    tipo = case_when(
      capital == 1 ~ "Departamental",
      capital == 2 ~ "Provincial",
      capital == 3 ~ "Distrital"
    )
  ) %>%
  group_by(tipo) %>%
  summarise(
    n_capitales = n(),
    pob_total = sum(pob, na.rm = TRUE),
    pob_promedio = round(mean(pob, na.rm = TRUE)),
    pob_mediana = median(pob, na.rm = TRUE)
  )
#> # A tibble: 3 × 5
#>   tipo          n_capitales pob_total pob_promedio pob_mediana
#>   <chr>               <int>     <int>        <dbl>       <dbl>
#> 1 Departamental           1    111930       111930      111930
#> 2 Distrital              99    466653         4714        1391
#> 3 Provincial             12    164388        13699       10176

Identificar Capitales Provinciales

# Las capitales provinciales son centros urbanos importantes
capitales_prov <- capitales_cusco %>%
  filter(capital == 2)

capitales_prov %>%
  st_drop_geometry() %>%
  select(nombprov, cen_pob, pob) %>%
  arrange(desc(pob))
#> # A tibble: 12 × 3
#>    nombprov      cen_pob       pob
#>    <chr>         <chr>       <int>
#>  1 CANCHIS       SICUANI     46102
#>  2 ESPINAR       YAURI       28888
#>  3 LA CONVENCION QUILLABAMBA 23985
#>  4 URUBAMBA      URUBAMBA    13942
#>  5 CALCA         CALCA       13519
#>  6 ANTA          ANTA        10182
#>  7 CHUMBIVILCAS  SANTO TOMAS 10170
#>  8 QUISPICANCHI  URCOS        5968
#>  9 PAUCARTAMBO   PAUCARTAMBO  3990
#> 10 CANAS         YANAOCA      3307
#> 11 ACOMAYO       ACOMAYO      2516
#> 12 PARURO        PARURO       1819

Visualización de la Jerarquía Administrativa

# Crear categorías para visualización
capitales_cusco <- capitales_cusco %>%
  mutate(
    tipo_capital = case_when(
      capital == 1 ~ "Departamental",
      capital == 2 ~ "Provincial",
      capital == 3 ~ "Distrital"
    ),
    tipo_capital = factor(
      tipo_capital, 
      levels = c("Departamental", "Provincial", "Distrital")
    )
  )

# Mapa de capitales por jerarquía administrativa
ggplot(capitales_cusco) +
  geom_sf(aes(color = tipo_capital, size = pob), alpha = 0.7) +
  scale_size_continuous(
    name = "Población",
    range = c(1, 12),
    labels = scales::comma,
    breaks = c(1000, 10000, 50000, 150000, 300000)
  ) +
  scale_color_manual(
    name = "Jerarquía\nAdministrativa",
    values = c(
      "Departamental" = "#E41A1C",  # Rojo - Capital departamental
      "Provincial" = "#377EB8",      # Azul - Capitales provinciales
      "Distrital" = "#4DAF4A"        # Verde - Capitales distritales
    )
  ) +
  theme_minimal() +
  labs(
    title = "Jerarquía Administrativa de Capitales en Cusco",
    subtitle = "Sistema de asentamientos según clasificación INEI - Censo 2017",
    caption = "Fuente: INEI - Censo de Población y Vivienda 2017 | Visor SDOT"
  ) +
  theme(
    legend.position = "right",
    plot.title = element_text(face = "bold", size = 14),
    plot.subtitle = element_text(size = 11)
  )

Función 2: get_centros_poblados()

Accede al universo completo de centros poblados y asentamientos dispersos censados en 2017, incluyendo tanto núcleos urbanos organizados como viviendas dispersas en zonas rurales.

Esta función proporciona acceso a:

Centros Poblados Urbanos: Asentamientos con viviendas agrupadas, pistas/veredas, servicios básicos
Centros Poblados Rurales: Caseríos, comunidades, anexos con cierta organización
Asentamientos Dispersos: Viviendas aisladas, poblaciones muy pequeñas

Datos Disponibles

La función proporciona información detallada sobre:

Población: Total de habitantes
Vivienda: Total de viviendas, viviendas particulares, viviendas ocupadas
Ubicación: Coordenadas geográficas (REFERENCIAL)
Administración: Departamento, provincia, distrito

Uso Básico

# Obtener centros poblados de Tacna (departamento pequeño para ejemplo)
cp_tacna <- get_centros_poblados(departamento = "TACNA")

# Estructura de los datos
head(cp_tacna)
#> Simple feature collection with 6 features and 20 fields
#> Geometry type: POINT
#> Dimension:     XY
#> Bounding box:  xmin: -70.50587 ymin: -18.0234 xmax: -69.54312 ymax: -17.4228
#> Geodetic CRS:  WGS 84
#> # A tibble: 6 × 21
#>   ubigeo codccpp    nombdep nombprov nombdist cen_pob       pob   viv viv_part
#>   <chr>  <chr>      <chr>   <chr>    <chr>    <chr>       <int> <int>    <int>
#> 1 230105 2301050019 TACNA   TACNA    INCLAN   PROTER SAMA   423   431      431
#> 2 230107 2301070006 TACNA   TACNA    PALCA    JAJNUNI         2    10       10
#> 3 230107 2301070009 TACNA   TACNA    PALCA    SIQUINE         1    12       12
#> 4 230107 2301070059 TACNA   TACNA    PALCA    ATASPACA       61    32       32
#> 5 230101 2301010001 TACNA   TACNA    TACNA    TACNA       86977 30558    30324
#> 6 230101 2301010005 TACNA   TACNA    TACNA    PARA GRANDE    10    69       69
#> # ℹ 12 more variables: viv_part_o <int>, viv_part_1 <int>, pob_viv_pa <int>,
#> #   y <dbl>, x <dbl>, fuente <chr>, revision <chr>, cap <chr>, capital <chr>,
#> #   iddpto <chr>, idprov <chr>, geom <POINT [°]>

# Estadísticas generales
cat("Total de asentamientos censados:", nrow(cp_tacna), "\n")
#> Total de asentamientos censados: 944
cat("Población total:", format(sum(cp_tacna$pob, na.rm = TRUE), big.mark = ","), "\n")
#> Población total: 329,332
cat("Viviendas totales:", format(sum(cp_tacna$viv, na.rm = TRUE), big.mark = ","), "\n")
#> Viviendas totales: 151,445

Clasificación por Tamaño Poblacional

Siguiendo los criterios del INEI para clasificación urbano-rural:

# Clasificar centros poblados según tamaño
cp_clasificados <- cp_tacna %>%
  mutate(
    categoria = case_when(
      pob >= 10000 ~ "Urbano Grande (≥10,000 hab.)",
      pob >= 2000 ~ "Urbano Mediano (2,000-9,999 hab.)",
      pob >= 500 ~ "Urbano Pequeño (500-1,999 hab.)",
      pob >= 150 ~ "Rural Concentrado (150-499 hab.)",
      pob >= 50 ~ "Rural Disperso (50-149 hab.)",
      TRUE ~ "Asentamiento Disperso (<50 hab.)"
    ),
    categoria = factor(
      categoria,
      levels = c(
        "Urbano Grande (≥10,000 hab.)",
        "Urbano Mediano (2,000-9,999 hab.)",
        "Urbano Pequeño (500-1,999 hab.)",
        "Rural Concentrado (150-499 hab.)",
        "Rural Disperso (50-149 hab.)",
        "Asentamiento Disperso (<50 hab.)"
      )
    )
  )

# Distribución por categoría
distribucion <- cp_clasificados %>%
  st_drop_geometry() %>%
  group_by(categoria) %>%
  summarise(
    n_asentamientos = n(),
    pob_total = sum(pob, na.rm = TRUE),
    pob_promedio = round(mean(pob, na.rm = TRUE)),
    viv_total = sum(viv, na.rm = TRUE)
  ) %>%
  mutate(
    pct_asentamientos = round(n_asentamientos / sum(n_asentamientos) * 100, 1),
    pct_poblacion = round(pob_total / sum(pob_total) * 100, 1)
  )

print(distribucion)
#> # A tibble: 6 × 7
#>   categoria   n_asentamientos pob_total pob_promedio viv_total pct_asentamientos
#>   <fct>                 <int>     <int>        <dbl>     <int>             <dbl>
#> 1 Urbano Gra…               5    279499        55900    108299               0.5
#> 2 Urbano Med…               3     11768         3923      6257               0.3
#> 3 Urbano Peq…              12      9460          788      6028               1.3
#> 4 Rural Conc…              59     17502          297     13542               6.2
#> 5 Rural Disp…              71      6458           91      5930               7.5
#> 6 Asentamien…             794      4645            6     11389              84.1
#> # ℹ 1 more variable: pct_poblacion <dbl>

Visualización del Sistema de Asentamientos

# Mapa del sistema completo de asentamientos
ggplot(cp_clasificados) +
  geom_sf(aes(color = categoria, size = pob), alpha = 0.6) +
  scale_size_continuous(
    name = "Población",
    range = c(0.5, 8),
    labels = scales::comma
  ) +
  scale_color_brewer(
    name = "Clasificación\nINEI",
    palette = "Spectral", 
    direction = -1
  ) +
  theme_minimal() +
  labs(
    title = "Sistema de Centros Poblados y Asentamientos Dispersos",
    subtitle = "Departamento de Tacna - Clasificación según tamaño poblacional INEI",
    caption = "Fuente: INEI - Censo de Población y Vivienda 2017 | Visor SDOT\nNOTA: Ubicaciones son referenciales"
  ) +
  theme(
    legend.position = "right",
    plot.title = element_text(face = "bold", size = 14),
    legend.box = "vertical"
  )

Análisis de Concentración Urbana vs Rural

# Clasificación urbano-rural según INEI (> 2000 hab = urbano)
cp_tacna_ur <- cp_tacna %>%
  mutate(
    clasificacion = if_else(pob >= 2000, "Urbano", "Rural/Disperso")
  )

# Análisis de concentración
concentracion <- cp_tacna_ur %>%
  st_drop_geometry() %>%
  group_by(clasificacion) %>%
  summarise(
    n_asentamientos = n(),
    pob_total = sum(pob, na.rm = TRUE),
    viv_total = sum(viv, na.rm = TRUE)
  ) %>%
  mutate(
    pct_asentamientos = round(n_asentamientos / sum(n_asentamientos) * 100, 1),
    pct_poblacion = round(pob_total / sum(pob_total) * 100, 1)
  )

print(concentracion)
#> # A tibble: 2 × 6
#>   clasificacion  n_asentamientos pob_total viv_total pct_asentamientos
#>   <chr>                    <int>     <int>     <int>             <dbl>
#> 1 Rural/Disperso             936     38065     36889              99.2
#> 2 Urbano                       8    291267    114556               0.8
#> # ℹ 1 more variable: pct_poblacion <dbl>

# Interpretación
cat("\nInterpretación:\n")
#> 
#> Interpretación:
cat("- Los asentamientos urbanos (≥2,000 hab.) representan el", 
    concentracion$pct_asentamientos[concentracion$clasificacion == "Urbano"], 
    "% de los asentamientos\n")
#> - Los asentamientos urbanos (≥2,000 hab.) representan el 0.8 % de los asentamientos
cat("- Pero concentran el", 
    concentracion$pct_poblacion[concentracion$clasificacion == "Urbano"], 
    "% de la población total\n")
#> - Pero concentran el 88.4 % de la población total

Análisis Integrado: Capitales en el Sistema de Asentamientos

Comparar Capitales con su Contexto Poblacional

# Obtener datos completos de Cusco
capitales <- get_capitales(departamento = "CUSCO")
centros <- get_centros_poblados(departamento = "CUSCO")

# Identificar centros poblados que son capitales
capitales_ids <- unique(capitales$codccpp)

centros <- centros %>%
  mutate(
    es_capital = codccpp %in% capitales_ids,
    tipo_asentamiento = case_when(
      es_capital ~ "Capital (administrativa)",
      pob >= 2000 ~ "Centro Poblado Urbano",
      pob >= 500 ~ "Centro Poblado Rural",
      pob >= 150 ~ "Centro Poblado Pequeño",
      TRUE ~ "Asentamiento Disperso"
    )
  )

# Estadísticas comparativas
comparacion <- centros %>%
  st_drop_geometry() %>%
  group_by(tipo_asentamiento) %>%
  summarise(
    n = n(),
    pob_total = sum(pob, na.rm = TRUE),
    pob_promedio = round(mean(pob, na.rm = TRUE)),
    viv_total = sum(viv, na.rm = TRUE)
  ) %>%
  mutate(
    pct_asentamientos = round(n / sum(n) * 100, 1),
    pct_poblacion = round(pob_total / sum(pob_total) * 100, 1)
  ) %>%
  arrange(desc(pob_total))

print(comparacion)
#> # A tibble: 5 × 7
#>   tipo_asentamiento         n pob_total pob_promedio viv_total pct_asentamientos
#>   <chr>                 <int>     <int>        <dbl>     <int>             <dbl>
#> 1 Capital (administrat…   112    742971         6634    232353               1.2
#> 2 Asentamiento Disperso  8105    228559           28    122551              90.4
#> 3 Centro Poblado Peque…   671    165563          247     67742               7.5
#> 4 Centro Poblado Rural     77     61313          796     21447               0.9
#> 5 Centro Poblado Urbano     3      7121         2374      2776               0  
#> # ℹ 1 more variable: pct_poblacion <dbl>

Visualización del Sistema Completo

# Mapa que muestra la jerarquía completa del sistema de asentamientos
ggplot() +
  # Primero: asentamientos dispersos y pequeños (fondo)
  geom_sf(
    data = centros %>% filter(!es_capital, pob < 500),
    aes(size = pob),
    color = "gray70",
    alpha = 0.3
  ) +
  # Segundo: centros poblados medianos
  geom_sf(
    data = centros %>% filter(!es_capital, pob >= 500, pob < 2000),
    aes(size = pob),
    color = "steelblue",
    alpha = 0.5
  ) +
  # Tercero: centros poblados urbanos (no capitales)
  geom_sf(
    data = centros %>% filter(!es_capital, pob >= 2000),
    aes(size = pob),
    color = "darkblue",
    alpha = 0.6
  ) +
  # Cuarto: capitales (destacadas)
  geom_sf(
    data = centros %>% filter(es_capital),
    aes(size = pob),
    color = "#E41A1C",
    alpha = 0.8
  ) +
  scale_size_continuous(
    name = "Población",
    range = c(0.3, 10),
    labels = scales::comma,
    breaks = c(100, 1000, 10000, 50000, 200000)
  ) +
  theme_minimal() +
  labs(
    title = "Sistema Jerárquico de Asentamientos Humanos en Cusco",
    subtitle = "Capitales (rojo), Centros Poblados Urbanos (azul oscuro), Rurales (azul claro), Dispersos (gris)",
    caption = "Fuente: INEI - Censo 2017 | Clasificación según INEI\nNOTA: Tamaño proporcional a población"
  ) +
  theme(
    legend.position = "right",
    plot.title = element_text(face = "bold", size = 14)
  )

Análisis de Vivienda y Servicios

Características Habitacionales por Tipo de Asentamiento

# Análisis de vivienda por tipo de asentamiento
vivienda_stats <- centros %>%
  st_drop_geometry() %>%
  filter(viv > 0) %>%
  mutate(
    tipo = case_when(
      es_capital ~ "Capital",
      pob >= 2000 ~ "Urbano",
      pob >= 500 ~ "Rural",
      TRUE ~ "Disperso"
    )
  ) %>%
  group_by(tipo) %>%
  summarise(
    n_asentamientos = n(),
    pob_total = sum(pob, na.rm = TRUE),
    viv_total = sum(viv, na.rm = TRUE),
    viv_ocupadas = sum(viv_part_o, na.rm = TRUE),
    pob_por_vivienda = round(pob_total / viv_total, 2),
    tasa_ocupacion = round(viv_ocupadas / sum(viv_part, na.rm = TRUE) * 100, 1)
  )

print(vivienda_stats)
#> # A tibble: 4 × 7
#>   tipo     n_asentamientos pob_total viv_total viv_ocupadas pob_por_vivienda
#>   <chr>              <int>     <int>     <int>        <int>            <dbl>
#> 1 Capital              112    742971    232353       211481             3.2 
#> 2 Disperso            8776    394122    190293       171082             2.07
#> 3 Rural                 77     61313     21447        18917             2.86
#> 4 Urbano                 3      7121      2776         2393             2.57
#> # ℹ 1 more variable: tasa_ocupacion <dbl>

Densidad Habitacional

# Análisis de densidad habitacional
cp_densidad <- centros %>%
  filter(viv > 0) %>%
  mutate(
    pob_por_viv = pob / viv,
    categoria = case_when(
      es_capital ~ "Capital",
      pob >= 2000 ~ "Urbano",
      pob >= 500 ~ "Rural",
      TRUE ~ "Disperso"
    )
  )

# Boxplot de población por vivienda
ggplot(cp_densidad %>% st_drop_geometry(), 
       aes(x = categoria, y = pob_por_viv, fill = categoria)) +
  geom_boxplot() +
  scale_fill_brewer(palette = "Set2") +
  coord_flip() +
  labs(
    title = "Densidad Habitacional por Tipo de Asentamiento",
    subtitle = "Habitantes por vivienda según clasificación INEI",
    x = "Tipo de Asentamiento",
    y = "Población por Vivienda",
    caption = "Fuente: INEI - Censo 2017"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

Análisis Provincial y Distrital

Distribución de Asentamientos por Distrito

# Análisis por distrito
dist_stats <- centros %>%
  st_drop_geometry() %>%
  group_by(nombdist) %>%
  summarise(
    n_asentamientos = n(),
    n_capitales = sum(es_capital),
    n_urbanos = sum(pob >= 2000),
    n_rurales = sum(pob < 2000 & pob >= 150),
    n_dispersos = sum(pob < 150),
    pob_total = sum(pob, na.rm = TRUE),
    viv_total = sum(viv, na.rm = TRUE)
  ) %>%
  arrange(desc(pob_total)) %>%
  head(10)

print(dist_stats)
#> # A tibble: 10 × 8
#>    nombdist      n_asentamientos n_capitales n_urbanos n_rurales n_dispersos
#>    <chr>                   <int>       <int>     <int>     <int>       <int>
#>  1 CUSCO                      36           1         1         6          29
#>  2 SAN SEBASTIAN              14           1         1         6           7
#>  3 SANTIAGO                   23           1         1         5          17
#>  4 WANCHAQ                     1           1         1         0           0
#>  5 SICUANI                   302           1         1        18         283
#>  6 SAN JERONIMO               26           1         1         3          22
#>  7 ESPINAR                   202           1         1         3         198
#>  8 SANTA ANA                  86           1         1         5          80
#>  9 ECHARATE 3                296           1         0        25         271
#> 10 PICHARI                    69           1         3        13          53
#> # ℹ 2 more variables: pob_total <int>, viv_total <int>

Casos de Uso Especializados

1. Análisis de Accesibilidad a Servicios

# Ejemplo: Calcular distancia de asentamientos rurales a centros urbanos
library(sf)

# Identificar centros urbanos (≥ 2000 hab)
urbanos <- centros %>%
  filter(pob >= 2000)

# Identificar asentamientos rurales dispersos
rurales <- centros %>%
  filter(pob < 500)

# Calcular distancia al centro urbano más cercano
rurales_con_dist <- rurales %>%
  mutate(
    centro_mas_cercano_idx = st_nearest_feature(., urbanos),
    distancia_km = as.numeric(st_distance(
      geometry,
      urbanos$geometry[centro_mas_cercano_idx],
      by_element = TRUE
    )) / 1000  # Convertir a km
  )

# Estadísticas de accesibilidad
summary(rurales_con_dist$distancia_km)

2. Jerarquía Urbana Regional

# Análisis de jerarquía urbana usando regla rango-tamaño
centros_urbanos <- centros %>%
  filter(pob >= 2000) %>%
  arrange(desc(pob)) %>%
  mutate(
    rango = row_number(),
    pob_esperada = first(pob) / rango,  # Ley de Zipf
    ratio = round(pob / pob_esperada, 2)
  )

# Top 10 centros urbanos
top_urbanos <- centros_urbanos %>%
  st_drop_geometry() %>%
  select(rango, cen_pob, nombdist, pob, pob_esperada, ratio) %>%
  head(10)

print(top_urbanos)
#> # A tibble: 10 × 6
#>    rango cen_pob       nombdist         pob pob_esperada ratio
#>    <int> <chr>         <chr>          <int>        <dbl> <dbl>
#>  1     1 CUSCO         CUSCO         111930      111930   1   
#>  2     2 SAN SEBASTIAN SAN SEBASTIAN 109915       55965   1.96
#>  3     3 SANTIAGO      SANTIAGO       92729       37310   2.49
#>  4     4 WANCHAQ       WANCHAQ        58541       27982.  2.09
#>  5     5 SAN JERONIMO  SAN JERONIMO   55335       22386   2.47
#>  6     6 SICUANI       SICUANI        46102       18655   2.47
#>  7     7 YAURI         ESPINAR        28888       15990   1.81
#>  8     8 QUILLABAMBA   SANTA ANA      23985       13991.  1.71
#>  9     9 URUBAMBA      URUBAMBA       13942       12437.  1.12
#> 10    10 CALCA         CALCA          13519       11193   1.21

3. Patrón de Dispersión Rural

# Análisis del patrón de asentamientos rurales dispersos
dispersos <- centros %>%
  filter(pob < 150)

# Distribución de población en asentamientos dispersos
ggplot(dispersos %>% st_drop_geometry(), aes(x = pob)) +
  geom_histogram(binwidth = 10, fill = "steelblue", alpha = 0.7) +
  labs(
    title = "Distribución de Población en Asentamientos Dispersos",
    subtitle = "Asentamientos con menos de 150 habitantes",
    x = "Población",
    y = "Número de Asentamientos",
    caption = "Fuente: INEI - Censo 2017"
  ) +
  theme_minimal()

Referencias y Recursos

Fuentes de Datos

INEI (2017). Censo de Población y Vivienda 2017. Instituto Nacional de Estadística e Informática.

Funciones Relacionadas

get_red_vial_nacional() - Red vial nacional del Perú
get_red_vial_departamental() - Red vial departamental
get_departamentos() - Límites departamentales

Acceso a Capitales, Centros Poblados y Asentamientos Dispersos

Introducción

Clasificación INEI de Asentamientos Humanos

1. Capitales (Administrativas)

2. Centros Poblados (CPs)

3. Asentamientos Dispersos

Funciones Disponibles:

Función 1: get_capitales()

Jerarquía de Capitales

Uso Básico

Análisis por Jerarquía

Identificar Capitales Provinciales

Visualización de la Jerarquía Administrativa

Función 2: get_centros_poblados()

Datos Disponibles

Uso Básico

Clasificación por Tamaño Poblacional

Visualización del Sistema de Asentamientos

Análisis de Concentración Urbana vs Rural

Análisis Integrado: Capitales en el Sistema de Asentamientos

Comparar Capitales con su Contexto Poblacional

Visualización del Sistema Completo

Análisis de Vivienda y Servicios

Características Habitacionales por Tipo de Asentamiento

Densidad Habitacional

Análisis Provincial y Distrital

Distribución de Asentamientos por Distrito

Casos de Uso Especializados

1. Análisis de Accesibilidad a Servicios

2. Jerarquía Urbana Regional

3. Patrón de Dispersión Rural

Referencias y Recursos

Fuentes de Datos

Funciones Relacionadas