Visualización en mapas con censosbo

censosbo incluye dos funciones para crear mapas coropléticos de Bolivia directamente desde R:

Función	Nivel	Geometrías incluidas
`mapa_dep()`	9 departamentos	Sí — `geo_departamentos`
`mapa_mun()`	343 municipios	Sí — `geo_municipios`

Ambas devuelven un objeto ggplot que se puede personalizar con capas y temas adicionales.

Datos geográficos incluidos en el paquete

El paquete incluye dos objetos sf listos para usar sin necesidad de descargar nada:

# 9 departamentos (objeto sf)
head(geo_departamentos, 3)
#> Simple feature collection with 3 features and 2 fields
#> Geometry type: MULTIPOLYGON
#> Dimension:     XY
#> Bounding box:  xmin: -69.64423 ymin: -21.51732 xmax: -62.17937 ymax: -11.84968
#> Geodetic CRS:  WGS 84
#>   idep nombre_dep                       geometry
#> 1   01 Chuquisaca MULTIPOLYGON (((-65.39291 -...
#> 2   02     La Paz MULTIPOLYGON (((-68.77164 -...
#> 3   03 Cochabamba MULTIPOLYGON (((-64.82723 -...

# Los 343 municipios del CPV-2024 (objeto sf)
head(sf::st_drop_geometry(geo_municipios), 3)
#>   idep nombre_dep iprov nombre_prov imun nombre_mun capital superficie_km2
#> 1   01 Chuquisaca    01     Oropeza   01      Sucre   Sucre         1671.1
#> 2   01 Chuquisaca    01     Oropeza   02     Yotala  Yotala          432.2
#> 3   01 Chuquisaca    01     Oropeza   03     Poroma  Poroma         1424.6

La tabla geo_bolivia (sin geometrías) tiene los mismos 343 municipios con sus nombres y códigos oficiales, y es más ligera cuando no hace falta dibujar:

head(geo_bolivia)
#>   idep nombre_dep iprov nombre_prov imun nombre_mun
#> 1   01 Chuquisaca    01     Oropeza   01      Sucre
#> 2   01 Chuquisaca    01     Oropeza   02     Yotala
#> 3   01 Chuquisaca    01     Oropeza   03     Poroma
#> 4   01 Chuquisaca    02     Azurduy   01    Azurduy
#> 5   01 Chuquisaca    02     Azurduy   02    Tarvita
#> 6   01 Chuquisaca    03     Zudáñez   01    Zudáñez

geo_municipios trae además la capital y la superficie_km2 de cada municipio, así que las densidades salen sin recalcular áreas:

library(dplyr)

sf::st_drop_geometry(geo_municipios) |>
  slice_max(superficie_km2, n = 5) |>
  select(nombre_mun, nombre_dep, capital, superficie_km2)
#>                                      nombre_mun nombre_dep     capital
#> 1 Charagua (Autonomía Guaraní Charagua Iyambae) Santa Cruz    Charagua
#> 2                                   San Ignacio Santa Cruz San Ignacio
#> 3                                       Ixiamas     La Paz     Ixiamas
#> 4                                    Concepción Santa Cruz  Concepción
#> 5                                    San Matías Santa Cruz  San Matías
#>   superficie_km2
#> 1        70558.7
#> 2        49066.3
#> 3        36968.2
#> 4        28943.0
#> 5        26918.9

Procedencia de las geometrías

geo_municipios cruza varias fuentes, porque ninguna tiene a la vez la geometría de las 343 unidades y la codificación que usan los microdatos:

Límites, capital y superficie — SDSN Bolivia, capa del Atlas Municipal de los ODS, la única pública que cubre las 343 unidades del CPV-2024 (los 339 municipios más los cuatro GAIOC creados entre 2016 y 2023).
Códigos idep/iprov/imun y nombres — INE Bolivia (Redatam, CPV-2024), para que coincidan exactamente con los de get_personas_2024() y compañía.
Emparejamiento entre ambos — los puntos de comunidades del CPV-2024 (get_geo_comunidades()), que llevan el código del INE y sirven de árbitro para asignarle a cada polígono el suyo.

geo_departamentos se deriva de geo_municipios, de modo que los bordes departamentales caen exactamente sobre los municipales.

SDSN Bolivia (2025). Límites Municipales Bolivia 2025 [Archivo shapefile]. https://sdsnbolivia.org/datos-espaciales/

`mapa_dep()` — nivel departamental

mapa_dep() recibe un data.frame con la columna idep y la variable a visualizar. Las geometrías de los 9 departamentos están incluidas en el paquete.

Número de municipios por departamento

n_mun <- geo_bolivia |>
  count(idep, name = "n_municipios")

mapa_dep(
  n_mun,
  "n_municipios",
  titulo          = "Municipios por departamento — Bolivia",
  etiqueta_fill   = "Municipios",
  mostrar_nombres = TRUE
)

La Paz (87 municipios) y Santa Cruz (56) concentran el 42 % de los municipios del país, reflejo de su extensión territorial y densidad histórica de asentamientos.

Porcentaje de población urbana por departamento (CPV-2024)

urbano_dep <- get_personas_2024(as = "tibble") |>
  group_by(idep) |>
  summarise(pct_urbano = mean(area == 1, na.rm = TRUE) * 100, .groups = "drop")

mapa_dep(
  urbano_dep,
  "pct_urbano",
  titulo        = "Porcentaje de población urbana por departamento (CPV-2024)",
  etiqueta_fill = "% urbano"
)

Evolución del alfabetismo 1992–2024

# Cambio en tasa de alfabetismo entre el censo 1992 y el CPV-2024
alfa_92 <- get_temporal(variables = "sabe_leer", anios = 1992) |>
  group_by(departamento) |>
  summarise(alfa_1992 = mean(sabe_leer == 1, na.rm = TRUE) * 100)

alfa_24 <- get_temporal(variables = "sabe_leer", anios = 2024) |>
  group_by(departamento) |>
  summarise(alfa_2024 = mean(sabe_leer == 1, na.rm = TRUE) * 100)

cambio <- inner_join(alfa_92, alfa_24, by = "departamento") |>
  mutate(
    idep   = sprintf("%02d", as.integer(departamento)),
    cambio = alfa_2024 - alfa_1992
  )

mapa_dep(cambio, "cambio",
         titulo        = "Cambio en tasa de alfabetismo 1992–2024 (puntos porcentuales)",
         etiqueta_fill = "Cambio (pp)",
         paleta        = "RdYlGn")

`mapa_mun()` — nivel municipal

mapa_mun() requiere las columnas idep, iprov, imun y la variable a visualizar. El argumento departamento limita el mapa a un departamento.

Edad promedio por municipio — Beni (CPV-2024)

El departamento del Beni tiene datos pequeños (~12 MB). Con pocas líneas obtenemos un mapa municipal real con datos del CPV-2024:

# Descargar personas del Beni (~12 MB, se guarda en caché)
personas_beni <- get_personas_2024(
  departamento = "Beni",
  variables    = c("p26_edad")
) |>
  group_by(idep, iprov, imun) |>
  summarise(edad_prom = mean(p26_edad, na.rm = TRUE), .groups = "drop") |>
  collect()
#> ✔ Usando caché: persona_dep08.parquet

mapa_mun(
  personas_beni,
  "edad_prom",
  departamento    = "Beni",
  titulo          = "Edad promedio por municipio — Beni (CPV-2024)",
  etiqueta_fill   = "Edad media",
  mostrar_nombres = TRUE
)

Los municipios más jóvenes del Beni (San Borja, 25,8 años; Exaltación, Loreto y San Ignacio, 26) contrastan con Baures y Huacaraje, por encima de 30.

El municipio más joven del departamento es el TIOC-Territorio Indígena Multiétnico, con 24,5 años. Es uno de los cuatro GAIOC creados desde 2016 que faltaban en la cartografía anterior del paquete y que desde la versión 1.6.0 ya se dibujan.

Acceso al agua por cañería — Santa Cruz

agua_sc <- get_viviendas_2024(departamento = "Santa Cruz", as = "tibble") |>
  group_by(idep, iprov, imun) |>
  summarise(
    pct_agua = mean(v07_aguapro == 1, na.rm = TRUE) * 100,
    .groups  = "drop"
  )

mapa_mun(
  agua_sc,
  "pct_agua",
  departamento    = "Santa Cruz",
  titulo          = "Viviendas con agua por cañería — Santa Cruz (CPV-2024)",
  etiqueta_fill   = "% con agua",
  mostrar_nombres = TRUE
)

Tasa de alfabetismo — Oruro

# `p40_lee` se preguntó a las personas de 5 años o más, pero las tasas oficiales
# de alfabetismo se publican sobre 15 años o más. Se pide `p26_edad` para poder
# aplicar ese umbral y que el mapa sea comparable con las cifras del INE.
alfa_oruro <- get_personas_2024(
  departamento = "Oruro",
  variables    = c("p40_lee", "p26_edad"),
  as           = "tibble"
) |>
  filter(p26_edad >= 15) |>
  group_by(idep, iprov, imun) |>
  summarise(
    alfa    = mean(p40_lee == 1, na.rm = TRUE) * 100,
    .groups = "drop"
  )

mapa_mun(
  alfa_oruro,
  "alfa",
  departamento  = "Oruro",
  titulo        = "Tasa de alfabetismo (15+ años) por municipio — Oruro (CPV-2024)",
  etiqueta_fill = "% sabe leer"
)

Personalización

Las funciones devuelven un objeto ggplot estándar que se puede modificar con cualquier capa de ggplot2:

n_mun <- geo_bolivia |>
  count(idep, name = "n_municipios")

mapa_dep(
  n_mun,
  "n_municipios",
  paleta        = "YlOrRd",
  etiqueta_fill = "Municipios"
) +
  labs(
    title    = "Organización político-administrativa de Bolivia",
    subtitle = "Número de municipios por departamento (CPV-2024)",
    caption  = "Fuente: INE Bolivia, CPV-2024"
  ) +
  theme(
    plot.title    = element_text(hjust = 0.5, face = "bold"),
    plot.subtitle = element_text(hjust = 0.5, size = 10, color = "grey40"),
    plot.caption  = element_text(hjust = 0, size = 8, color = "grey60")
  )

Paletas recomendadas

Las funciones detectan automáticamente si la variable es continua o categórica y aplican la escala correspondiente. Se puede sobrescribir con paleta:

Tipo de variable	Paleta recomendada	Argumento
Continua, ascendente	Blues, YlOrRd, Oranges	`paleta = "Blues"`
Continua, divergente	RdYlGn, PuOr, RdBu	`paleta = "RdYlGn"`
Categórica (≤ 8 cat.)	Set2, Set3, Pastel1	`paleta = "Set2"`

El siguiente ejemplo usa una paleta divergente con una variable derivada de datos reales: la diferencia entre el número de municipios de cada departamento y el promedio nacional.

n_mun_dif <- geo_bolivia |>
  count(idep, name = "n_municipios") |>
  mutate(diferencia = n_municipios - mean(n_municipios))

mapa_dep(
  n_mun_dif,
  "diferencia",
  paleta        = "RdYlGn",
  titulo        = "Municipios respecto al promedio nacional (CPV-2024)",
  etiqueta_fill = "Diferencia"
)

Flujo completo: agregar → mapear

El patrón habitual es: descargar datos → agregar por unidad geográfica → visualizar en mapa:

# Porcentaje de personas con educación superior por municipio — Potosí
get_personas_2024(
  departamento = "Potosí",
  variables    = c("nivel_edu")
) |>
  filter(!is.na(nivel_edu)) |>
  count(idep, iprov, imun, nivel_edu) |>
  collect() |>
  group_by(idep, iprov, imun) |>
  mutate(pct = n / sum(n) * 100) |>
  filter(nivel_edu == 4) |>
  mapa_mun(
    datos        = _,
    variable     = "pct",
    departamento = "Potosí",
    titulo       = "% con educación superior — Potosí (CPV-2024)"
  )