Se prueban librerias alternativas dado que no dió resultado el ejercicio con Raster

# Cargar bibliotecas necesarias
library(sf)   
## Warning: package 'sf' was built under R version 4.3.3
## Linking to GEOS 3.11.2, GDAL 3.8.2, PROJ 9.3.1; sf_use_s2() is TRUE
library(dplyr) 
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(sp)   
library(dplyr) 
library(readxl)

Se cargan los datos

Mapa 1

encuesta <- encuesta[!is.na(encuesta$`comuna origen`), ]

recuento_comunas <- encuesta %>% 
  group_by(`comuna origen`) %>% 
  summarise(recuento = n())

# Unir datos de encuesta con datos de formas
comunas_mapa1 <- left_join(comunas_shape, recuento_comunas, by = c("comuna" = "comuna origen"))

# Crear mapa coroplético
plot(comunas_mapa1["recuento"], main = "Recuento de Comunas de Origen")

Observamos como para los datos de origen estos tiene un comportamiento este-oeste. La mayoría de las personas viajan de las comunas en amarillo y naranja.

Mapa 2

recuento_destino <- encuesta %>% 
  group_by(`comuna destino`) %>% 
  summarise(recuento = n())

comunas_mapa_destino <- left_join(comunas_shape, recuento_destino, by = c("comuna" = "comuna destino"))

plot(comunas_mapa_destino["recuento"], main = "Recuento de Comunas de Destino")

El destino principal es el extremo sur y el extremos norte el morado. Caso ninguna persona en la encuesta reporto como origen las comunas en azul.

Mapas Origen TIPO 1, 2, 3

#Mapas Origen TIPO 1, 2, 3

encuesta_tipo1 <- encuesta %>% filter(`TIPO DE VEHÍCULO` == 1)
encuesta_tipo2 <- encuesta %>% filter(`TIPO DE VEHÍCULO` == 2)
encuesta_tipo3 <- encuesta %>% filter(`TIPO DE VEHÍCULO` == 3)


recuento_tipo1 <- encuesta_tipo1 %>% 
  group_by(`comuna origen`) %>% 
  summarise(recuento = n())

recuento_tipo2 <- encuesta_tipo2 %>% 
  group_by(`comuna origen`) %>% 
  summarise(recuento = n())

recuento_tipo3 <- encuesta_tipo3 %>% 
  group_by(`comuna origen`) %>% 
  summarise(recuento = n())


comunas_mapa_tipo1 <- left_join(comunas_shape, recuento_tipo1, by = c("comuna" = "comuna origen"))
comunas_mapa_tipo2 <- left_join(comunas_shape, recuento_tipo2, by = c("comuna" = "comuna origen"))
comunas_mapa_tipo3 <- left_join(comunas_shape, recuento_tipo3, by = c("comuna" = "comuna origen"))


plot(comunas_mapa_tipo1["recuento"], main = "Recuento de Comunas de Origen para Tipo de Vehículo Bicicleta")

plot(comunas_mapa_tipo2["recuento"], main = "Recuento de Comunas de Origen para Tipo de Vehículo Moto")

plot(comunas_mapa_tipo3["recuento"], main = "Recuento de Comunas de Origen para Tipo de Vehículo Automovil")

El origen de las bicicletas se concentra en tres comunas sombredadas de Amarillo. Que a su vez se corresponden con los otros tipo de vehículos.

Mapa Destino TIPO 1,2,3

recuento_tipo1 <- encuesta_tipo1 %>% 
  group_by(`comuna destino`) %>% 
  summarise(recuento = n())

recuento_tipo2 <- encuesta_tipo2 %>% 
  group_by(`comuna destino`) %>% 
  summarise(recuento = n())

recuento_tipo3 <- encuesta_tipo3 %>% 
  group_by(`comuna destino`) %>% 
  summarise(recuento = n())

# Unir datos de encuesta con datos de formas para cada tipo de vehículo
comunas_mapa_tipo1 <- left_join(comunas_shape, recuento_tipo1, by = c("comuna" = "comuna destino"))
comunas_mapa_tipo2 <- left_join(comunas_shape, recuento_tipo2, by = c("comuna" = "comuna destino"))
comunas_mapa_tipo3 <- left_join(comunas_shape, recuento_tipo3, by = c("comuna" = "comuna destino"))

# Crear mapas coropléticos para cada tipo de vehículo
plot(comunas_mapa_tipo1["recuento"], main = "Recuento de Comunas de Destino para Tipo de Vehículo Bicicletas")

plot(comunas_mapa_tipo2["recuento"], main = "Recuento de Comunas de Destino para Tipo de Vehículo Motos")

plot(comunas_mapa_tipo3["recuento"], main = "Recuento de Comunas de Destino para Tipo de Vehículo Automoviles")

El destino para los distintos tipos de vehículos se concentra en una sola comuna con aportes importantes de las mencionadas anteriormente. Lo que puede indicar que en estas comunas se concentrán los servicios y parte importante de la industria de la ciudad.