FLACSO - CURSO DE POSGRADO EN BIG DATA E INTELIGENCIA TERRITORIAL
MODULO V. GEOESTADISTICA - PROF. PRISCILLA MINOTTI | PROF. PABLO SERRATI - TRABAJO FINAL
MG. ARQ. JABIBI PABLO MARCELO
CABA - NOV2023
OBJETIVO DEL ESTUDIO
En el año 2008, por medio de la Ley 2972 se crea en la Ciudad Autónoma de Buenos Aires el Distrito Tecnológico. El fin que se persigue es el de crear un polo (cluster) que fomente la radicación y el desarrollo de las industrias TIC. Dentro de la normativa constitutiva se contemplan beneficios e incentivos financieros con el fin de atraer empresas dentro de esta nueva área, la cual se encuentra delimitada por los barrios porteños de Parque Patricios, Nueva Pompeya y Boedo.
Mas información sobre el Distrito Tecnológico: https://buenosaires.gob.ar/distrito-tecnologico https://boletinoficial.buenosaires.gob.ar/normativaba/norma/123755
Transcurridos 15 años desde la sanción de la ley que establece la creación del distrito tecnológico, nos proponemos analizar los patrones puntuales de localización de las industrias TIC y poder dar respuesta a los siguientes interrogantes: - ¿efectivamente se han concentrado empresas TIC en dicha área? - ¿que tipo de agrupamiento se produjo? - ¿existen patrones de agrupamiento? ¿son homogeneos o heterogeneos? - ¿dentro del área definida, existen zonas de mayor concentración (intensidad) de empresas TIC? - ¿existe agregación o dispersión en la localización de las empresas TIC? - otros interrogantes que surgan del estudio
PROCESAMIENTO Y ANALISIS DE DATOS
Cargamos las librerias que utlizaremos durante el estudio:
Cargamos los datasets (fuentes de datos) que vamos a utilizar:
Para desarrollar el presente trabajo utilizaremos un dataset del GCBA (https://data.buenosaires.gob.ar/dataset/empresas-distrito-tecnologico) con fecha de actualización de 17 de Marzo de 2023. El mismo contiene el detalle de las empresas radicadas en el distrito tecnológico, razón social, origen, sector, ubicación geográfica.
- Dataset Distrito Tecnológico (https://data.buenosaires.gob.ar/dataset/empresas-distrito-tecnologico)
A su vez utilizaremos un dataset con el limite de todos los barrios de la CABA.
- Barrios CABA (https://data.buenosaires.gob.ar/dataset/barrios)
Los datos importados los vamos a proyectar al CRS 5347 Posgar 94 - Faja 5 (https://ramsac.ign.gob.ar/posgar07_pg_web/documentos/Informe_sobre_codigos_oficiales_EPSG.pdf)
dt <- read.csv("../entradas/empresas-del-distrito-tecnologico.csv",
stringsAsFactors = TRUE,
encoding="UTF-8") |>
filter(long != "" & lat != "") |>
st_as_sf(coords = 1:2, crs = 4326) |>
st_transform(5347)Analizamos los datasets importados:
class(dt)## [1] "sf" "data.frame"str(dt)## Classes 'sf' and 'data.frame': 306 obs. of 18 variables:
## $ id : int 1 2 3 4 5 6 7 8 9 10 ...
## $ nombre : Factor w/ 297 levels "ABACO","ACCENTURE",..: 252 146 261 131 65 74 19 100 97 117 ...
## $ sector : Factor w/ 8 levels "BPO","DATA CENTER",..: 6 1 1 8 8 8 8 6 8 8 ...
## $ origen : Factor w/ 3 levels "","Extranjero",..: 3 2 2 3 3 3 3 3 3 3 ...
## $ grado_de_a : Factor w/ 2 levels "En Obra","En Operación": 2 2 2 2 2 2 2 2 2 2 ...
## $ fecha_de_i : Factor w/ 101 levels "","abr-10","abr-12",..: 24 91 92 74 74 91 16 34 91 85 ...
## $ año_de_i : Factor w/ 14 levels "-","2009","2010",..: 5 14 2 2 2 14 3 6 14 2 ...
## $ mes_de_i : Factor w/ 14 levels "-","01","02",..: 2 14 10 12 12 14 13 3 14 11 ...
## $ jurisdicci : Factor w/ 3 levels "","CABA","OTRA": 2 2 2 2 2 2 2 2 2 2 ...
## $ calle : Factor w/ 96 levels "15 de Noviembre de 1889",..: 87 7 93 38 38 38 66 40 65 57 ...
## $ altura : int 758 2482 2034 2930 3230 3251 2011 3436 1963 1981 ...
## $ piso_dpto : Factor w/ 84 levels "","1 B","1°",..: 1 1 1 29 45 1 1 1 82 1 ...
## $ calle2 : Factor w/ 6 levels "","24 de Noviembre",..: 1 1 1 1 1 1 1 1 1 1 ...
## $ barrio : Factor w/ 3 levels "Boedo","Nueva Pompeya",..: 3 3 3 3 3 3 3 1 3 3 ...
## $ comuna : Factor w/ 2 levels "Comuna 4","Comuna 5": 1 1 1 1 1 1 1 2 1 1 ...
## $ codigo_postal : num 1437 1283 1282 1261 1261 ...
## $ codigo_postal_argentino: Factor w/ 123 levels "","C1239AAX",..: 69 59 58 32 34 33 10 26 19 14 ...
## $ geometry :sfc_POINT of length 306; first list element: 'XY' num 5645858 6165407
## - attr(*, "sf_column")= chr "geometry"
## - attr(*, "agr")= Factor w/ 3 levels "constant","aggregate",..: NA NA NA NA NA NA NA NA NA NA ...
## ..- attr(*, "names")= chr [1:17] "id" "nombre" "sector" "origen" ...summary(dt)## id nombre sector
## Min. : 1.00 ATOS ARGENTINA S.A. : 2 SOFTWARE :212
## 1st Qu.: 77.25 DATAWISE S.A. : 2 BPO : 63
## Median :154.50 Grupo Recaudador S.A : 2 HARDWARE : 13
## Mean :158.11 INTERGRABO : 2 e-COMMERCE : 6
## 3rd Qu.:230.75 Multivirtual S.A : 2 DATA CENTER: 5
## Max. :325.00 PRAGMATICA TECHNOLOGIES S.A.: 2 EDUCACION : 3
## (Other) :294 (Other) : 4
## origen grado_de_a fecha_de_i año_de_i
## : 4 En Obra : 61 : 39 2014 :57
## Extranjero: 29 En Operación:245 sep-14 : 11 - :39
## Nacional :273 Previo Ley 2972: 10 2017 :36
## dic-14 : 9 2016 :33
## jun-12 : 9 2015 :29
## mar-16 : 7 2012 :27
## (Other) :221 (Other):85
## mes_de_i jurisdicci calle altura piso_dpto
## - : 39 : 3 Av. Caseros : 34 Min. : 0 :165
## 12 : 34 CABA:300 Rondeau : 16 1st Qu.:1963 Piso 1 : 8
## 06 : 30 OTRA: 3 CASEROS : 15 Median :2664 Piso 3 : 8
## 11 : 28 CATULO CASTILLO: 15 Mean :2276 PB : 6
## 08 : 27 JUJUY : 15 3rd Qu.:3227 Piso 2 : 5
## 09 : 26 RONDEAU : 15 Max. :3867 Piso 4 : 5
## (Other):122 (Other) :196 (Other):109
## calle2 barrio comuna codigo_postal
## :301 Boedo : 43 Comuna 4:263 Min. :1239
## 24 de Noviembre: 1 Nueva Pompeya : 32 Comuna 5: 43 1st Qu.:1261
## Agosto 2016 : 1 Parque Patricios:231 Median :1263
## Av. Caseros : 1 Mean :1325
## Caseros : 1 3rd Qu.:1437
## Rondeau : 1 Max. :1437
## NA's :2
## codigo_postal_argentino geometry
## C1247ABH: 15 POINT :306
## C1263AAP: 12 epsg:5347 : 0
## C1263AAD: 10 +proj=tmer...: 0
## C1262ABL: 9
## C1247ABW: 8
## C1260ACA: 8
## (Other) :244Algunas comentarios sobre el dataset importado: - 306 empresas TIC radicadas en el Distrito Tecnológico. - La mayoría se dedican al desarrollo de software. - La mayoría son de origen nacional. - El año pico de radicación de empresas fue en el 2014. - La mayoría de las empresas están localizadas en el barrio de Parque Patricios (comuna 4).
Corremos algunos gráficos para comprender los datos.
Mapa interactivo por sector con información de cada empresa TIC.
tmap_mode("view")## tmap mode set to interactive viewingtm_shape(dt) +
tm_dots(col = "sector" , popup.vars = c("nombre",
"sector", "origen",
"grado_de_a", "año_de_i"))ggplot(dt) +
geom_bar(aes(x =año_de_i, fill=sector)) +
labs(title="Distrito Tecnológico - CABA",
subtitle= "Radicaión de TIC por años",
fill="Referencias",
x = "Año de radicación",
y = "Cantidad de empresas",
caption = "Fuente: BA Data (https://data.buenosaires.gob.ar/dataset/empresas-distrito-tecnologico) ") +
theme_minimal() +
scale_fill_viridis_d() 
- En el año 2014 se observa una importante radicación de empresas BPO (Business process outsourcing).
- El año 2020 ha sido el mas bajo en radicación de empresas, estimamos debido a la pandemia del COVID-19 y a la migración a sistemas de teletrabajo.
ggplot(dt) +
geom_bar(aes(x =barrio, fill=origen)) +
labs(title="Distrito Tecnológico - CABA",
subtitle= "Localización por Barrio y Origen",
fill="Referencias",
x = "Barrio",
y = "Cantidad de empresas",
caption = "Fuente: BA Data (https://data.buenosaires.gob.ar/dataset/empresas-distrito-tecnologico) ") +
theme_minimal() +
scale_fill_viridis_d() 
- La mayoría de la empresas se localizan en el barrio de Parque Patricios y son de origen nacional.
Importamos el dataset del GCBA con los limites de los Barrios. Filtramos los 3 barrios que integran el distrito tecnológico (Parque Patricios, Boedo, Nueva Pompeya).
barrios <- st_read("../entradas/barrios.csv",
crs = 4326) |>
filter (BARRIO == "PARQUE PATRICIOS" | BARRIO == "BOEDO" | BARRIO == "NUEVA POMPEYA") |>
st_transform(5347)## Reading layer `BARRIOS' from data source
## `C:\Users\a0602687\Desktop\FLACSO_M5\ENTRADAS\BARRIOS.CSV'
## using driver `CSV'
## Simple feature collection with 48 features and 6 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -58.53152 ymin: -34.70529 xmax: -58.33515 ymax: -34.52649
## Geodetic CRS: WGS 84Visualizamos de forma general todos los datasets juntos.
ggplot() +
geom_sf(data = barrios, color = "grey60", fill = NA)+
geom_sf(data = dt, aes(shape = sector), alpha = 0.8, size = 4, color = "tomato4") +
geom_sf_text(data=barrios, aes(label = BARRIO), size=4, color = "black") +
labs(title = "Distrito Tecnológico - CABA",
subtitle = "Parque Patricios / Boedo / Nueva Pompeya",
shape = "Sector" ,
caption = "Fuente: BA Data (https://data.buenosaires.gob.ar/dataset/empresas-distrito-tecnologico) ",
x= "Longitud",
y= "Latitud") +
theme_minimal()## Warning: The shape palette can deal with a maximum of 6 discrete values because
## more than 6 becomes difficult to discriminate; you have 8. Consider
## specifying shapes manually if you must have them.## Warning: Removed 215 rows containing missing values (`geom_sf()`)
ENFOQUE METOLÓGICO
Con el dataset importado realizaremos un anállisis de patrones/procesos puntuales. Aspiramos a generar un resumen espacial calculando la concentración (intensidad) de empresas TIC dentro del área del Distrito Tecnológico. A su vez testearemos hipotesis sobre el proceso que generó el patron puntual (homogeneo/heterogeneo - al azar/agrupado/regular)
Nota: La localización de las empresas dentro del Distrito fue promovida por medio de la Ley sancionada. Entendemos que la ubicación espacial de las mismas dentro de los limites establecidos se ha producido de manera azarosa.
Preparamos los datos para el análisis de patrones de puntos:
Definimos la ventana (área de estudio) en la cual vamos a trabajar. En este caso los 3 barrios que integran el Distrito Tecnológico.
CABA <- summarise(barrios)
CABA <- nngeo::st_remove_holes(CABA)
ventana <- as.owin(st_geometry(CABA))
unitname(ventana) <- "Meter"
plot(ventana)
Generamos el patrón de puntos en base al dataset de las empresas TIC.
empresas_ppp <- as.ppp(st_geometry(dt), W = ventana)## Warning: data contain duplicated pointsMovemos de forma aleatoria los puntos para evitar puntos duplicados.
set.seed(200)
empresas_ppp <- rjitter(empresas_ppp, retry=TRUE, nsim = 1,
radius = 2, drop = TRUE)
cat("\nExisten puntos duplicados:", any(duplicated.ppp(empresas_ppp)))##
## Existen puntos duplicados: FALSEplot(empresas_ppp, cols = "tomato4")
A simple vista observamos agrupación de puntos en algunos sectores
específicos y una distribución aleatoria en la localización de las
empresas.
Observamos el interior del objeto.
summary(empresas_ppp)## Planar point pattern: 306 points
## Average intensity 2.705403e-05 points per square Meter
##
## Coordinates are given to 1 decimal place
## i.e. rounded to the nearest multiple of 0.1 Meter
##
## Window: polygonal boundary
## single connected closed polygon with 401 vertices
## enclosing rectangle: [5643492, 5647632] x [6163735, 6168312] Meter
## (4141 x 4577 Meter)
## Window area = 11310700 square Meter
## Unit of length: 1 Meter
## Fraction of frame area: 0.597Estadísticas de resumen de primer orden (contrastes basados en cuadrantes)
Intensidad del patrón de puntos
Averiguamos la intensidad/concentración del patrón de las empresas TIC (cuantas empresas hay localizadas por unidad de área).)
cat("Intensidad de empresas por metro cuadrado:",
intensity(empresas_ppp) |> format(scientific = F),
"\n")## Intensidad de empresas por metro cuadrado: 0.00002705403cat("Intensidad de empresas por kilómetro cuadrado:",
format( (intensity(empresas_ppp) * (1000^2) ),
scientific = F, digits = 4, decimal.mark = ",") )## Intensidad de empresas por kilómetro cuadrado: 27,05Este valor da por asumido que el patron de puntos (intensidad) es homogéneo, pero esto no es así. Para profundizar en este estudio vamos a medir la intensidad por cuadrantes dividiendo la ventana original generada oportunamente.
Intensidad por cuadrantes
Vamos a verificar si existe un patron aleatorio de localización. Subdividimos la ventana y calculamos la intensidad en cada una de las áreas.
QC_empresas <- quadratcount(empresas_ppp, nx = 5, ny = 5)
QC_empresas## tile
## Tile row 1, col 1 Tile row 1, col 2 Tile row 1, col 3 Tile row 1, col 4
## 0 0 0 0
## Tile row 1, col 5 Tile row 2, col 1 Tile row 2, col 2 Tile row 2, col 3
## 0 0 0 27
## Tile row 2, col 4 Tile row 2, col 5 Tile row 3, col 1 Tile row 3, col 2
## 99 23 0 0
## Tile row 3, col 3 Tile row 3, col 4 Tile row 3, col 5 Tile row 4, col 1
## 65 71 13 0
## Tile row 4, col 2 Tile row 4, col 3 Tile row 4, col 4 Tile row 4, col 5
## 0 7 1 0
## Tile row 5, col 1 Tile row 5, col 2 Tile row 5, col 3 Tile row 5, col 4
## 0 0 0 0plot(empresas_ppp,
main = "Conteo por cuadrante",
cols = "tomato4")
plot(QC_empresas, add = TRUE, cex = 1)
Generamos una teselación similar a la anterior pero en este caso dividimos la ventana con hexágonos de 300m de lado.
H <- hextess(ventana, 300)
QC_empresas_HEX <- quadratcount(empresas_ppp, tess = H)
plot(empresas_ppp,
main = "Conteo por cuadrante (hexagonal)",
cols = "tomato4")
plot(QC_empresas_HEX, add = TRUE, cex = 1)
Graficamos la intensidad con un mapa de calor.
intensity(QC_empresas_HEX, image = T) |>
plot(main = "Intensidad por cuadrante (hexagonal)")
plot(empresas_ppp, add = T, cols = "grey")
Los gráficos evidencia que existe un patron de puntos con un proceso heterogeneo. Validamos esta información con un test estadístico.
Test de Hipotesis
Realizamos un test de hipotesis para evaluar si existe un patron homegeneo de Poisson (CRS) en la distribución de las empresas TIC.
- Hipótesis nula (\(H_0\)): la intensidad es homogénea y la distribución de casos en los cuadrantes responde a una distribución de Poisson (CSR)
- Hipótesis alternativa (\(H_1\)) : la intensidad no es homogénea (en una forma no especificada).
Significacia de \(0.05\)
quadrat.test(QC_empresas_HEX, method = "MonteCarlo", nsim = 1000)##
## Conditional Monte Carlo test of CSR using quadrat counts
## Test statistic: Pearson X2 statistic
##
## data:
## X2 = 1441, p-value = 0.001998
## alternative hypothesis: two.sided
##
## Quadrats: 69 tiles (irregular windows)Dado que el p-value es menor a \(0.05\) se rechaza la Hipotesis nula. Hay evidencia suficiente que indicaría que el patrón de distribución espacial de las industrias TIC no es homogeneo.
Test de Hipotesis - Particion en cuadrantes
quadrat.test(empresas_ppp, nx = 5, ny = 5, method = "MonteCarlo")##
## Conditional Monte Carlo test of CSR using quadrat counts
## Test statistic: Pearson X2 statistic
##
## data: empresas_ppp
## X2 = 716.07, p-value = 0.002
## alternative hypothesis: two.sided
##
## Quadrats: 24 tiles (irregular windows)Test de Hipotesis - Particion en hexagonos
quadrat.test(QC_empresas_HEX, tess = H, method = "MonteCarlo")## Warning: : unrecognised argument 'tess' was ignored##
## Conditional Monte Carlo test of CSR using quadrat counts
## Test statistic: Pearson X2 statistic
##
## data:
## X2 = 1441, p-value = 0.001
## alternative hypothesis: two.sided
##
## Quadrats: 69 tiles (irregular windows)Graficamos los resultados del test por cuadrantes.
quadrat.test(empresas_ppp, nx = 5, ny = 5, method = "MonteCarlo") |>
plot(cex = 1, main = "Test de hipótesis (valores por cuadrante)")
Estimación de la densidad mediante función kernel
Al encontrar patrones puntales agrupados podemos estimar la intensidad (densidad) del emplazamiento de las empresas TIC.
DD <- density(empresas_ppp, edge = F)
plot(DD, main='densidad de empresas en CABA')
class(DD)## [1] "im"attr(DD, "sigma")## [1] 517.5803Corremos diferentes escenarios/metodos y generamos un mapa de los mismos: - Corrección de efectos de borde - Corrección diggle - Optimización de banda - Otros
par(mfrow = c(3, 2))
density(empresas_ppp, edge = T) |> plot()
density(empresas_ppp, diggle = T) |> plot()
density(empresas_ppp, diggle = T, sigma = bw.diggle) |> plot()
density(empresas_ppp, diggle = T, sigma = bw.ppl) |> plot()
adaptive.density(empresas_ppp, f = 0.1, method = "voronoi") |> plot()
adaptive.density(empresas_ppp, method = "kernel") |> plot()
par(mfrow = c(1, 1))Comparamos los valores de sigma en los diferentes métodos
cat("Cross Validated (Diggle):", bw.diggle(empresas_ppp), "\n")## Cross Validated (Diggle): 2.025754cat("Likelihood Cross Validation:", bw.ppl(empresas_ppp), "\n")## Likelihood Cross Validation: 54.61341cat("Scott's Rule:", bw.scott(empresas_ppp), "\n")## Scott's Rule: 201.6063 143.1223Estadísticas de resumen de segundo orden (contrastes basados en distancias)
Las siguientes funciones nos permiten determinar si los puntos tienden a formar agregaciones o presentar dispersión (regularidad) en un rango de distancias.
Función K
K_empresas <- Kest(empresas_ppp)
class(K_empresas)## [1] "fv" "data.frame"plot(K_empresas)
Contrastamos con la banda de confianza para la curva teorica.
AcceptPoisson_K <- envelope(empresas_ppp, Kest, nsim = 50)## Generating 50 simulations of CSR ...
## 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20,
## 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40,
## 41, 42, 43, 44, 45, 46, 47, 48, 49,
## 50.
##
## Done.plot(AcceptPoisson_K)
El
gráfico anterior evidencia que los puntos de las localizaciones tienden
a formar agregaciones (por arriba de la función esperada).
Observamos el intervalo de confianza que presenta la distribución de la función en nuestro patron de puntos.
IC_K <- lohboot(empresas_ppp, Kest)## Warning: strings not representable in native encoding will be translated to
## UTF-8## Warning: input string '<b7>' cannot be translated to UTF-8, is it valid in
## 'UTF-8'?
## Warning: input string '<b7>' cannot be translated to UTF-8, is it valid in
## 'UTF-8'?## Warning in spatstatLocalFunctionInfo(fun): strings not representable in native
## encoding will be translated to UTF-8## Warning in spatstatLocalFunctionInfo(fun): input string '<b7>' cannot be
## translated to UTF-8, is it valid in 'UTF-8'?## 1, 2, 3, .5....10....15....20....25....30....35....40....45....50..
## ..55....60....65....70....75....80....85....90....95....100....105....110
## ....115....120....125....130....135....140....145....150....155....160....165...
## .170....175....180....185....190....195....200....205....210....215....220....225.
## ...230....235....240....245....250....255....260....265....270....275....280....
## 285....290....295....300....305
## 306.plot(IC_K)
Función L
AcceptPoisson_L <- envelope(empresas_ppp, Lest, nsim = 50)## Generating 50 simulations of CSR ...
## 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20,
## 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40,
## 41, 42, 43, 44, 45, 46, 47, 48, 49,
## 50.
##
## Done.plot(AcceptPoisson_L) 
Función g (correlación de a pares)
AcceptPoisson_g <- envelope(empresas_ppp, pcf, nsim = 20)## Generating 20 simulations of CSR ...
## 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19,
## 20.
##
## Done.plot(AcceptPoisson_g)
El
grafico anterior nos permite detectar a que escala hay cambios en el
patron de puntos.
Función G
AcceptPoisson_G <- envelope(empresas_ppp, Gest, nsim = 100)## Generating 100 simulations of CSR ...
## 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20,
## 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40,
## 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60,
## 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80,
## 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99,
## 100.
##
## Done.plot(AcceptPoisson_G)
El grafico anterior evidencia que los puntos de las localizaciones tienden a formar agregaciones (por arriba de la función esperada). Mayor porcentaje de distancias cortas al vecino mas cercano.
Función F
AcceptPoisson_F <- envelope(empresas_ppp, Fest, nsim = 100)## Generating 100 simulations of CSR ...
## 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20,
## 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40,
## 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60,
## 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80,
## 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99,
## 100.
##
## Done.plot(AcceptPoisson_F) 
El
gráfico anterior evidencia que los puntos de las localizaciones tienden
a formar agregaciones (por debajo de la función esperada). Mayor
porcentaje de distancias cortas al vecino mas cercano.
Función J
J_empresas <- Jest(empresas_ppp, 100)
plot(J_empresas)
J(r) < 1 Agregación
AcceptPoisson_J<- envelope(empresas_ppp, Jest, nsim = 50)## Generating 50 simulations of CSR ...
## 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20,
## 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40,
## 41, 42, 43, 44, 45, 46, 47, 48, 49,
## 50.
##
## Done.plot(AcceptPoisson_J) 
Todas las funciones juntas
todas_empresas <- allstats(empresas_ppp)
plot(todas_empresas)
plot(todas_empresas, subset=c("r<=300", "r<=300", "r<=300", "r<=300"))
REFLEXIONES FINALES
El presente estudio nos ha permitido arribar a las siguientes conclusiones: - Se ha producido la relocalización de empresas TIC dentro del área del Distrito. - Se ha producido un agrupamiento heterogéneo de las empresas. - Existen zonas de mayor concentración (intensidad) de empresas TIC dentro del área del Distrito (estadísticos de intensidad de 1er orden). - Existen zonas donde hay agregación de patrones puntales (estadísticos de intensidad de 2do orden). - Obtuvimos gráficos de intensidad kernel para las empresas TIC localizadas dentro del Distrito.
Considero que sería útil para el estudio medir el efecto de covariables (variables potencialmente explicativas) en la intensidad de agrupamiento. Se podría incorporar los datos correspondientes al valor del m2 de la zona (propiedades y terrenos) y ver que incidencia tiene en el agrupamiento de las empresas TIC.
Final del TP.-