Crime by the Numbers Cap.17

Apellidos y Nombre	Codigo	Correo
Arce Choquecahua David	20220755	20220755@lamolina.edu.pe
Asencios Menacho Luz	20221390	20221390@lamolina.edu.pe
Barrientos Benites David	20211807	20211807@lamolina.edu.pe
Candiotti Neyra Bruno	20221391	20221391@lamolina.edu.pe

INTRODUCCION:

San Francisco (California)

San Francisco, de forma oficial Ciudad y Condado de San Francisco (en inglés: City and County of San Francisco), es una ciudad de Estados Unidos. Ocupa la cuarta posición de ciudad más poblada del estado de California y la 13.ª de Estados Unidos, con una población de aproximadamente 884 382 habitantes en 2013. Es la única ciudad-condado consolidada de California, y al abarcar una superficie territorial de 121 km², cuenta con la segunda densidad de población más alta del país entre las ciudades que superan los 200 000 habitantes con 6800 hab/km², tras Nueva York.

San Francisco

Para mayor información sobre la ciudad-condado de San Francisco, haga clic aquí

Preocupación por suicidios de jóvenes en San Francisco: la mirada de dos especialistas

El suicidio es una problemática preocupante que requiere atención tanto por parte del Estado como de las organizaciones y ciudadanos. A pesar de esto, sigue siendo un tema tabú del que se habla poco y se actúa menos para prevenirlo.La psiquiatra Paola Cirelli confirma que los casos de suicidio van en aumento, especialmente entre los adolescentes, lo cual es motivo de gran preocupación.

Por otro lado, la psiquiatra Flavia Berguñán destaca la importancia de hablar sobre el tema, ya que muchas veces el diálogo puede revertir la situación. Recomienda preguntar a la persona qué siente y buscar ayuda profesional.

Se enfatiza la impulsividad de los adolescentes ante las frustraciones y se identifican como más propensos aquellos que tienen trastorno del ánimo combinado con abuso de sustancias y antecedentes de conducta agresiva.

Según la psiquiatra Paola Cirelli. Algunas de estas señales incluyen cambios repentinos de conducta, aislamiento, pérdida de interés en actividades placenteras, abandono de rutinas, insomnio, falta de apetito, irritabilidad y tristeza.

La ideación suicida puede presentarse en todas las edades, pero es más probable en casos de trastorno depresivo grave. Sin embargo, los suicidios son poco comunes en niños menores de 12 años debido a su falta de capacidad para planificar y llevar a cabo dicha conducta.

Cirelli también menciona que los suicidios consumidos son cinco veces más frecuentes en adolescentes varones que en mujeres, aunque las tasas de intentos de suicidio son más altas en mujeres.

La siguiente imagen es una nube de palabras fruto del análisis de artículos sobre suicidios en San Francisco de varios artículos de diarios y revistas digitales

Para mayor información sobre la visión de las dos especialistas citadas sobre los suicidios en San Francisco haga clic aquí

MAPAS COROPLÉTICOS

Los mapas coropléticos son representaciones cartográficas que se utilizan para mostrar información estadística o temática sobre diferentes áreas geográficas, como países, regiones o ciudades. Estos mapas se basan en la técnica de coloración o sombreado de áreas según el valor o la categoría de la variable que se está representando.
Por ejemplo
España 1960, densidad de poblacion por provincia usaremos colores más oscuros para las provincias con mayor densidad y colores más claros para las provincias con menor densidad.

Para mayor información sobre la definición de un mapa de coropletas, haga clic aquí

CRIME BY THE NUMBERS: CAPÍTULO 17

Este capítulo se centra en la creación de mapas de coropletas sombreados por el número de suicidios en cada vecindario de San Francisco. Se transforman los datos geográficos y se realiza una unión espacial entre los datos de suicidio y los datos de vecindarios para poder mapear la información correctamente.

Lectura de datos y visualizacion

Primero carguemos los paquetes a utilizar en este trabajo

library(readr)
library(data.table)
library(ggplot2)
library(dplyr)
library(magrittr)
library(sf)

Luego, leemos la data de suicidios.

suicide <- read_csv("data/san_francisco_suicide_2003_2017.csv")
suicide <- as.data.frame(suicide)

DT::datatable(suicide, #muestra los datos
              rownames = F,#para que no aparezca la enumeración
              options = list(pageLength = 25))

Finalmente, leamos el shapefile de San Francisco.

sf_neighborhoods <- st_read("data/san_francisco_neighborhoods.shp")
plot(sf_neighborhoods$geometry)

head(sf_neighborhoods)

Transformación del Sistema de Coordenadas de Referencia (crs) para tener datos más exactos

Debido a que los límites de los barrios establecidos en el mapa son definiciones arbitrarias creadas por la ciudad ya sea en base a consideraciones históricas, sociales y políticas, estas pueden cambiar.

Lo que implica que las áreas en los límites de los vecindarios pueden tener similitudes con áreas adyacentes más allá de los límites establecidos.

La importancia que tienen los datos en los sistemas de referencia espacial (SRE) y las proyecciones cartográficas al trabajar con datos geográficos es garantizar una representación precisa de los datos. Bien es sabido en el campo del dibujo que “es imposible representar perfectamente una superficie tridimensional en un plano bidimensional”, pero sí es posible dar con una aproximación muy cercana, para lo cual se usan técnicas de proyección. Es necesario proyectar los datos en una determinada área de la Tierra para que se ajusten adecuadamente a un mapa.

Primera transformación

Necesitamos transformar los valores de longitud y latitud que tenemos para que funcionen correctamente en un mapa.

sf_neighborhoods <- st_transform(sf_neighborhoods, crs = 2227)

Uniones espaciales

Se realizará una unión espacial con los datos de vecindarios y se calculará el número de suicidios por vecindario. Se pondrá como entrada el marco de datos de suicidio. Esto permitirá crear un mapa a nivel de barrio y analizar los suicidios por área geográfica en San Francisco.

Empezaremos convirtiendo la data de suicidio en un objeto espacial y realizaremos una unión espacial con los datos de los vecindarios para determinar en qué vecindario ocurrió cada suicidio y asi poder calcular el número de suicidios por vecindario.

Convirtiendo a un objeto espacial

Empezaremos convirtiendo la data de suicidio en un objeto espacial

suicide <- st_as_sf(suicide, 
                    coords = c("X", "Y"),
                    crs = "+proj=longlat +ellps=WGS84 +no_defs")

Segunda Transformación

Queremos que nuestros datos de suicidios estén en la misma proyección que los datos de los vecindarios.

suicide <- st_transform(suicide,                         
                        crs = st_crs(sf_neighborhoods))

Visualización de los puntos donde se ubican los suicidios Los datos en la columna geometrya muestra puntos especificos dentro del mapa

plot(sf_neighborhoods$geometry)
plot(suicide$geometry, add = TRUE, col = "red")

1er paso: Combinaremos los datos en función de cualquier columna coincidente, en este caso se unen los datos por el rango de coordenadas que presenta la data sf_neighborhoods ya que la data suicide muestra puntos especificos

suicide_agg <- st_join(suicide, sf_neighborhoods)

2do paso: Debido a que no contamos con una variable que muestre el numero de suicidios le asignaremos el valor de 1 ya que cada fila representa un suicidio.

suicide_agg$number_suicides <- 1

3er paso: Se prodece a agrupar por vecindario el registro de suicidios.

suicide_agg <- suicide_agg %>% 
  group_by(nhood) %>% 
  summarize(number_suicides = sum(number_suicides))

4to paso: Hacer un resumen respecto al numero de suicidios por lo que se observa:

Por lo que se observa al menos hubo 1 suicidio en algun vecindario y el maximo numero de suicidios que ocurrieron en algun vecindario fue de 141

summary(suicide_agg$number_suicides)

Se prodece a eliminar la columna geometry ya que esto causara problemas con nuestra union.

suicide_agg$geometry <- NULL

Juntamos la nueva data

sf_neighborhoods_suicide <- left_join(sf_neighborhoods, suicide_agg)

Nos muestra un resumen en el que indica que hay valores NA

summary(sf_neighborhoods_suicide$number_suicides)

Ya que en un vecindario no se registraron suicidios la data lo leyó como datos perdidios, por lo que se procede a dar el valor de 0 en el registro en vez de NA

sf_neighborhoods_suicide$number_suicides[is.na(sf_neighborhoods_suicide$number_suicides)] <- 0

Por lo que al generar el nuevo resumen nos nostrara que hubo un mínimo de 0 suicidios registrados por cada vecindario y un máximo de 141.

summary(sf_neighborhoods_suicide$number_suicides)

Elaboración de mapas de coropletas

Finalmente estamos listos para hacer el mapa de coropletas.

¡Hemos creado un mapa de coropletas que muestra la cantidad de suicidios por vecindario en San Francisco!.

Donde los vecindarios de color oscuro muestran una mayor cantidad de suicidios y de color claro muestran una menor cantidad de suicidios(o ninguno)

ggplot(sf_neighborhoods_suicide,aes(fill = number_suicides)) +
geom_sf() +
scale_fill_gradient(low = "white",high = "red") +
labs(fill = "# of suicides",title = "Suicides in San Francisco, by neighborhood",subtitle = "2003 - 2017") +
theme(axis.text.x = element_blank(),axis.text.y = element_blank(),axis.ticks = element_blank())

Confusiones a la hora de sacar conclusiones

¿Qué se puede concluir a primera vista del mapa? Hay más suicidios al centro de la ciudad. ¿Esto significa que es mayor la probabilidad de suicidarse para un habitante del centro? No necesariamente. El mismo autor explica que este mapa da una relación de la cantidad total de suicidios por distrito, pero no los pone en proporción a su población, por lo que la tendencia es mostrar con un color rojo más intenso los distritos con mayor población. Hay que tener cuidado con este detalle cuando se hace un mapa coroplético de nivel inicial, ya que en estos casos nos estamos limitando a hacer un mapa de población

CASO PERÚ: ATENCIONES REALIZADAS A LOS ASEGURADOS AL SEGURO INTEGRAL DE SALUD (SIS) EN LA PROVINCIA DE LIMA EN 2019

Provincia de Lima

La provincia de Lima forma parte de la región Lima, se ubica en la costa central de Perú. Limita al oeste con la provincia constitucional del Callao y el océano Pacífico; al norte con la provincia de Huaral; al este con la provincia de Canta y provincia de Huarochirí; al sur con la provincia de Cañete.

La extensión de la provincia de Lima o Lima Metropolitana es de 2,672.3 km²

La provincia de Lima se compone políticamente de 43 distritos.

Mapa de Lima Metropolitana. La provincia de Lima en conjunto con el Callao

Su capital es la ciudad de Lima, también capital del país.

Según el Instituto Nacional de Estadística e Informática (INEI) de acuerdo con las estimaciones y proyecciones de población, la Provincia de Lima tiene una población de 9 millones 320 mil habitantes, al año 2018.

De los 43 distritos que comprenden la Provincia de Lima, el más poblado es San Juan de Lurigancho con 1 millón 162 mil habitantes, le siguen San Martín de Porres (745 mil 151), Ate (678 mil), Comas (544 mil), Villa el Salvador (492 mil), Villa María del Triunfo (474 mil), San Juan de Miraflores (422 mil), Los Olivos (392 mil), Puente Piedra (383 mil) y Santiago de Surco (364 mil). Mientras que, los distritos con menor población son Santa María del Mar (1 mil 700) y Punta Hermosa (8 mil).

Según las estimaciones y proyecciones para Lima al 2018, la densidad poblacional, es decir el número de habitantes por kilómetro cuadrado (km2), a nivel distrital presenta niveles diferenciados; es así que, los distritos con mayor población por kilómetro cuadrado serían: Surquillo con 26 mil hab/km², Breña y Santa Anita con 23 mil hab/km², cada uno; Los Olivos con 21 mil hab/km² y San Martín de Porres con 20 mil hab/km².

En tanto que, los distritos con menor población por kilómetro cuadrado son: Punta Negra con 66 hab/km², Punta Hermosa 68 hab/km2, Ancón 149 hab/km2, Santa María del Mar 177 hab/km² y San Bartolo 184 hab/km².
Para mas información sobre el la provincia de Lima, haga clic aquí

SIS

El Seguro Integral de Salud (SIS) del Ministerio de Salud (Minsa) es una Institución Administradora de Fondos de Aseguramiento en Salud. Su finalidad es proteger la salud de los peruanos que no cuentan con un seguro de salud, priorizando a aquellas poblaciones vulnerables que se encuentran en situación de pobreza y pobreza extrema.

En Perú logró un hito importante en 2019 al superar los 20 millones de asegurados, lo que representó más del 95% de los residentes en el país con cobertura de salud. Este logro se debió en gran parte a la implementación del Decreto de Urgencia de Cobertura Universal en Salud, que permitió la afiliación de cerca de 2.5 millones de peruanos en el último mes del año.
El SIS para Todos es el nuevo modelo de seguro que garantiza el acceso gratuito a la salud de los residentes no asegurados en Perú. Este modelo ofrece la cobertura contemplada en el Plan Esencial de Aseguramiento en Salud (PEAS), que incluye la atención de 1400 diagnósticos correspondientes al 65% de la carga de enfermedad de la población nacional. Además del SIS para Todos, también existen otros cuatro seguros vigentes: SIS Gratuito, SIS Independiente, SIS Emprendedor y SIS Microempresas.
En términos de distribución regional, Lima Metropolitana tenía la mayor población asegurada al SIS, con más de 4 700 000 mil afiliados.

Peruanos de a pie atendiéndose en el SIS

El SIS en Perú ha logrado alcanzar una cobertura casi universal en salud, brindando atención médica y servicios a millones de peruanos en todo el país.
Para mas información sobre el logro del SIS en 2019 haga clic aqui.

Para más información en general sobre el SIS, haga clic aquí

Atenciones realizadas a los asegurados del SIS

El Seguro Integral de Salud (SIS), en concordancia con la normativa que rige el Aseguramiento Universal en Salud (AUS2), publica información estadística de atenciones que se encuentra bajo la cobertura financiera de alguno de los Regímenes de Financiamiento de la IAFAS SIS. Además se proporciona información de las atenciones de salud otorgadas a los asegurados SIS en las IPRESS ―Institución Prestadora de Servicios de Salud― de acuerdo a su nivel, etapa de vida, prestaciones y Planes de Seguro de Salud: SIS Gratuito, SIS Para Todos, SIS Independiente, SIS NRUS y SIS MicroEmpresas. Asimismo, se proporciona la Región, Provincia, Distrito y la IPRESS donde se realizó la atención. La frecuencia de publicación de este dataset es semestral. Considerando que, según lo establecido, los establecimientos de salud tienen hasta 180 días para digitar las prestaciones de salud, la publicación se realizó considerando 6 meses de producción posteriores (digitación de FUAs).

Más información sobre el dataset trabajado y otros años evaluados haga clic aquí

Para este trabajo analizamos el total de atenciones brindadas dentro de cada distrito en la provincia de Lima por los Establecimientos de Salud de Atención (o IPRESS) del SIS en el año 2019. Con el fin de obtener una pincelada general de la situación “de facto” de la salud pública en dicho año, dado que este supuso un logro en la cantidad de afiliados en el último año antes de la llegada de la pandemia de COVID-19 en el 2020, vale la pena ver cuánta atención brindó el SIS a sus asegurados.

Procesamiento del Shapefile

#Mapa Distritos del Perú

Mapa_Distritos <- st_read("Data_Peru/DISTRITOS.shp")

Mapa_Lema <- Mapa_Distritos %>% filter(DEPARTAMEN == "LIMA")

Mapa_Lima <- Mapa_Lema %>% filter(PROVINCIA == "LIMA")

plot(Mapa_Lima$geometry)

Lectura y filtrado del dataset

Lectura inicial y primer ajuste

Realizamos una lectura rápida del dataset, se convierte a data frame y se agrupan los datos por criteriod del nombre de su distrito (brindado por la columna DISTRITO)

#Lectura y filtrado 1


At_2019Li <- fread("Data_Peru/OPENDATA_DS_01_2019_ATENCIONES.csv", encoding = "Latin-1") %>% 
  filter(PROVINCIA == "LIMA") %>% as.data.frame() %>% group_by(DISTRITO)

Segundo ajuste

Realizamos una sumatoria de las atenciones brindadas dentro de cada distrito por los establecimientos de salud.

Como los nombres de algunos distritos en el dataset llevan tildes pero dentro del shapefile no las llevan, se modifican los nombres de estos distritos en el dataset para que coincidan con los nombres del shapefile (es posible el proceso inverso, pero escogimos esta alternativa).

#Filtrado 2

At_2019L <- At_2019Li %>% summarize(ATENCIONES = sum(ATENCIONES, na.rm = T)) %>% 
  mutate(DISTRITO = replace(DISTRITO, row_number() %in% c(1, 12, 28, 35, 38, 43),
                                                c("ANCON", "JESUS MARIA", "RIMAC",
                                                  "SAN MARTIN DE PORRES",
                                                  "SANTA MARIA DEL MAR",
                                                  "VILLA MARIA DEL TRIUNFO")))
DT::datatable(At_2019L, #muestra los datos
              rownames = F,#para que no aparezca la enumeración
              options = list(pageLength = 10))

Unión del dataset con el shapefile

#Unión con el shapefile

Mapa_L <- Mapa_Lima %>% rename(UBIGEO_DISTRITO = IDDIST) 

Mapa_L$UBIGEO_DISTRITO <- as.integer(Mapa_L$UBIGEO_DISTRITO)

At_2019LG <- full_join(At_2019L, Mapa_L)
  

At_2019LGC <- st_as_sf(At_2019LG, crs = "+proj=longlat +datum=WGS84")

DT::datatable(At_2019LGC, #muestra los datos
              rownames = F,#para que no aparezca la enumeración
              options = list(pageLength = 10))

Creación del Mapa

# Creación del Mapa de Coropletas

ggplot(At_2019LGC, aes(fill = ATENCIONES)) +
  geom_sf() +
  scale_fill_gradient(low = "white", high = "blue") +
  labs(fill = "N° Atenciones",
       title = "Atenciones realizadas a los asegurados del SIS",
       subtitle = "Provincia de Lima 2019") +
  theme(axis.text.x = element_blank(),
        axis.text.y = element_blank(),
        axis.ticks = element_blank(),
        plot.title = element_text(hjust = 0.5),
        plot.subtitle = element_text(hjust = 0.5))

save(At_2019LGC, file = "Data_Peru/Atenciones_SIS_2019.rda")

Advertencias sobre posibles conclusiones

Al estar evaluando el total de atenciones a lo largo del año 2019 en este mapa, hay que tener cuidado con sacar conclusiones demasiado rápido, pues anomalías como el que en los distritos de San Juan de Lurigancho y Lima (conocido popularmente como “Cercado de Lima” o “Lima Cercado”) se hayan brindado una cantidad de atenciones en el 2019 que exceden a su cantidad de población en el susodicho año es debido a que el total de atenciones no está distinguiendo entre los tipos de servicios que se han brindado, pudiendo contar más de una vez al mismo paciente por diferentes causales (como una limpieza de caries y consulta externa), también está la posibilidad de la existencia de una distribución dispar en la cantidad de establecimientos y/o servicios disponibles por distrito que oriente a que habitantes de las inmediaciones de estos distritos sean redirigidos a los establecimientos de estos.