Análisis de Datos Geográficos y Espaciales Universidad Javeriana de Cali
Fabián Andrés Castro
2024-10-14
Actividad
De acuerdo con la información proporcionada con la encuesta origen destino de movilidad de la ciudad de Cali, se solicita hacer una análisis de los origenes y destinos de la población encuestada y registrada en las bases de datos proporcionadas, con esta información se solicita hacer un análisis espacial de la información teniendo en cuenta principalmente.
- La cantidad de personas que tienen como origen cada una de las comunas.
- La cantidad de personas que tienen como origen cada una de las comunas pero se movilizan en bicicleta.
- La cantidad de personas que tienen como origen cada una de las comunas pero se movilizan en moto.
- La cantidad de personas que tiene como origen cada una de las comunas pero se movilizan en automóvil.
- La misma información se solicita pero para el destino de las personas.
Se deben presentar cada uno de los mapas (en total 8) en donde se logre evidenciar la zona más representativa por cada uno de los items solicitados y un análisis por cada uno, al final se debe hacer una conclusión del trabajo realizado.
Desarrollo
Lo primero que realizamos en el desarrollo de esta actividad es cargar el archivo geoespacial que tiene las comunas de la ciudad de Cali, posteriormente se realiza el cargue de la base de Excel de la encuesta origen destino de movilidad.
comunas = shapefile("C:/Users/ACER/Downloads/Casos/cali/Comunas.shp")
comunas
EncuestaOrigenDestino <- read_excel("C:/Users/ACER/Downloads/Casos/EncuestaOrigenDestino.xlsx")## New names:
## • `MUNICIPIO` -> `MUNICIPIO...7`
## • `DEPARTAMENTO / LOCALIDAD / COMUNA / DISTRITO / BARRIO / VEREDA / HITO /
## DIRECCIÓN` -> `DEPARTAMENTO / LOCALIDAD / COMUNA / DISTRITO / BARRIO / VEREDA
## / HITO / DIRECCIÓN...8`
## • `MUNICIPIO` -> `MUNICIPIO...11`
## • `DEPARTAMENTO / LOCALIDAD / COMUNA / DISTRITO / BARRIO / VEREDA / HITO /
## DIRECCIÓN` -> `DEPARTAMENTO / LOCALIDAD / COMUNA / DISTRITO / BARRIO / VEREDA
## / HITO / DIRECCIÓN...12`
## • `OTRO ¿CUÁL?` -> `OTRO ¿CUÁL?...17`
## • `OTRO ¿CUÁL?` -> `OTRO ¿CUÁL?...24`datos = EncuestaOrigenDestinoPosteriormente se realiza una verificación de los datos y entendiendo que el ejercicio aplica solo para las comunas de Cali se eliminan de las columnas tanto de origen como destino los valores que dicen “Fueda de Cali” y la comuna “0” ya que no existe ninguna comuna que inicie con ese valor.
Teniendo en cuenta que el valor de la comuna origen y la comuna destino son caracteres se cambian a formato número y se le asigna un nombre a los valores 1, 2 y 3 para Bicicleta, Moto y Automóvil respectivamente teniendo en cuenta que es nuestro enfoque de estudio.
df <- subset(datos, !(datos$`comuna destino` == "Fuera de Cali" | datos$`comuna origen` == "Fuera de Cali" | datos$`comuna origen` == "0" | datos$`comuna destino` == "0"))
df$`comuna origen` <- as.numeric(df$`comuna origen`)
df$`comuna destino` <- as.numeric(df$`comuna destino`)
df_final <- df[!is.na(df$`comuna origen`) | !is.na(df$`comuna destino`),]
df_final$`TIPO DE VEHÍCULO`[df_final$`TIPO DE VEHÍCULO` == 1] <- "Bicicleta"
df_final$`TIPO DE VEHÍCULO`[df_final$`TIPO DE VEHÍCULO` == 2] <- "Moto"
df_final$`TIPO DE VEHÍCULO`[df_final$`TIPO DE VEHÍCULO` == 3] <- "Automovil"Para la obtención de los datos del origen se realizan los siguientes pasos:
- Se crea un DataFrame que solo contega 5 columnas
- Columna 1: Comuna
- Columna 2: Númerto total de viajes originados en cada comuna
- Columna 3: Número total de viajes originados en cada comuna en bicicleta
- Columna 4: Número total de viajes originados en cada comuna en moto
- Columna 5: Número total de viajes originados en cada comuna en automóvil
# Contar datos en origen
contar_origen <- df_final %>%
group_by(`comuna origen`) %>%
summarise(
bicicleta = sum(`TIPO DE VEHÍCULO` == "Bicicleta", na.rm = TRUE),
moto = sum(`TIPO DE VEHÍCULO` == "Moto", na.rm= TRUE),
automovil = sum(`TIPO DE VEHÍCULO` == "Automovil", na.rm = TRUE),
total = n(),
.groups = 'drop')Después de generado el DataFrame se cambia el nombre a una columna para poder unir con la información del archivo geoespacial comuna.shp
colnames(contar_origen)[1] <- "comuna"
# Agregar las columnas al archivo .shp
data_unida <- merge(comunas, contar_origen, by = "comuna", all.x=TRUE)
class(data_unida)## [1] "SpatialPolygonsDataFrame"
## attr(,"package")
## [1] "sp" comunas@data## OBJECTID gid comuna nombre
## 1 1 107 2 Comuna 2
## 2 2 108 1 Comuna 1
## 3 3 109 3 Comuna 3
## 4 4 110 19 Comuna 19
## 5 5 103 15 Comuna 15
## 6 6 104 17 Comuna 17
## 7 7 105 18 Comuna 18
## 8 8 106 22 Comuna 22
## 9 9 89 6 Comuna 6
## 10 10 90 4 Comuna 4
## 11 11 91 5 Comuna 5
## 12 12 92 7 Comuna 7
## 13 13 93 8 Comuna 8
## 14 14 94 9 Comuna 9
## 15 15 95 21 Comuna 21
## 16 16 96 13 Comuna 13
## 17 17 97 12 Comuna 12
## 18 18 98 14 Comuna 14
## 19 19 99 11 Comuna 11
## 20 20 100 10 Comuna 10
## 21 21 101 20 Comuna 20
## 22 22 102 16 Comuna 16 data_unida@data## comuna OBJECTID gid nombre bicicleta moto automovil total
## 2 2 1 107 Comuna 2 122 1063 860 2250
## 1 1 2 108 Comuna 1 32 296 234 626
## 3 3 3 109 Comuna 3 84 702 679 1610
## 19 19 4 110 Comuna 19 113 995 923 2241
## 15 15 5 103 Comuna 15 55 455 377 974
## 17 17 6 104 Comuna 17 103 853 662 1762
## 18 18 7 105 Comuna 18 85 593 433 1208
## 22 22 8 106 Comuna 22 52 430 424 985
## 6 6 9 89 Comuna 6 29 377 314 797
## 4 4 10 90 Comuna 4 58 571 443 1193
## 5 5 11 91 Comuna 5 28 260 185 521
## 7 7 12 92 Comuna 7 30 272 229 583
## 8 8 13 93 Comuna 8 46 421 319 862
## 9 9 14 94 Comuna 9 36 317 295 737
## 21 21 15 95 Comuna 21 35 323 272 693
## 13 13 16 96 Comuna 13 62 453 412 1031
## 12 12 17 97 Comuna 12 10 133 88 257
## 14 14 18 98 Comuna 14 32 258 236 575
## 11 11 19 99 Comuna 11 42 339 268 717
## 10 10 20 100 Comuna 10 71 535 404 1094
## 20 20 21 101 Comuna 20 33 278 228 599
## 16 16 22 102 Comuna 16 65 383 320 836Se generan los mapas por cada una de las solicitudes realizadas.
# El total para el origen por las comunas
spplot(data_unida, zcol="total",
main = "Cantidad de viajes (Origen) por comuna",
colorkey = TRUE,
col.regions = rev(viridis(100)))
# Imprimir la tabla de datos
comuna_t <- data_unida@data[,c("comuna","total")]
ct_ordenada <- comuna_t[order(comuna_t$comuna),]
print(ct_ordenada)## comuna total
## 1 1 626
## 2 2 2250
## 3 3 1610
## 4 4 1193
## 5 5 521
## 6 6 797
## 7 7 583
## 8 8 862
## 9 9 737
## 10 10 1094
## 11 11 717
## 12 12 257
## 13 13 1031
## 14 14 575
## 15 15 974
## 16 16 836
## 17 17 1762
## 18 18 1208
## 19 19 2241
## 20 20 599
## 21 21 693
## 22 22 985 # El total para el origen por bicicletas
spplot(data_unida, zcol="bicicleta",
main = "Cantidad de viajes (Origen) en bicicleta por comuna",
colorkey = TRUE,
col.regions = rev(viridis(100)))
# Imprimir la tabla de datos
comuna_t <- data_unida@data[,c("comuna","bicicleta")]
ct_ordenada <- comuna_t[order(comuna_t$comuna),]
print(ct_ordenada)## comuna bicicleta
## 1 1 32
## 2 2 122
## 3 3 84
## 4 4 58
## 5 5 28
## 6 6 29
## 7 7 30
## 8 8 46
## 9 9 36
## 10 10 71
## 11 11 42
## 12 12 10
## 13 13 62
## 14 14 32
## 15 15 55
## 16 16 65
## 17 17 103
## 18 18 85
## 19 19 113
## 20 20 33
## 21 21 35
## 22 22 52 # El total para el origen por moto
spplot(data_unida, zcol="moto",
main = "Cantidad de viajes (Origen) en moto por comuna",
colorkey = TRUE,
col.regions = rev(viridis(100)))
# Imprimir la tabla de datos
comuna_t <- data_unida@data[,c("comuna","moto")]
ct_ordenada <- comuna_t[order(comuna_t$comuna),]
print(ct_ordenada)## comuna moto
## 1 1 296
## 2 2 1063
## 3 3 702
## 4 4 571
## 5 5 260
## 6 6 377
## 7 7 272
## 8 8 421
## 9 9 317
## 10 10 535
## 11 11 339
## 12 12 133
## 13 13 453
## 14 14 258
## 15 15 455
## 16 16 383
## 17 17 853
## 18 18 593
## 19 19 995
## 20 20 278
## 21 21 323
## 22 22 430 # EL total para el origen por automovil
spplot(data_unida, zcol="automovil",
main = "Cantidad de viajes (Origen) en automóvil por comuna",
colorkey = TRUE,
col.regions = rev(viridis(100)))
# Imprimir la tabla de datos
comuna_t <- data_unida@data[,c("comuna","automovil")]
ct_ordenada <- comuna_t[order(comuna_t$comuna),]
print(ct_ordenada)## comuna automovil
## 1 1 234
## 2 2 860
## 3 3 679
## 4 4 443
## 5 5 185
## 6 6 314
## 7 7 229
## 8 8 319
## 9 9 295
## 10 10 404
## 11 11 268
## 12 12 88
## 13 13 412
## 14 14 236
## 15 15 377
## 16 16 320
## 17 17 662
## 18 18 433
## 19 19 923
## 20 20 228
## 21 21 272
## 22 22 424De acuerdo con la información de cada uno de los mapas podemos analizar lo siguiente:
- Para los viajes totales que tienen origen en las comunas, la comuna 2 con 2250 viajes y la comuna 19 con 2241 son las mayores generadoras.
- A diferencia de las comunas 2 y 19 las comunas 12 y 14 son las que menos originan viajes de acuerdo con la encuesta.
- Para los viajes generados en bicicleta se presenta el mismo comportamiento que en el total de los viajes ya que la comuna 2 y 19 son las que mas generan, sin embargo, en la cantidad total hay una diferencia importante ya que aquí la comuna 2 origina 122 viajes y la comuna 19 origina 113.
- Para las que generan menos viajes en bicicleta coincide la comuna 12, sin embargo, aparece en este caso la comuna 5 descartando la comuna 14 que en el total si se ve representada.
- En los viajes originados en moto aparece nuevamente la comuna 2 como origen de viajes con 1063 seguido por la comuna 19 con 995 viajes. Respecto a las comunas que menos viajes en moto generan estan la comuna 12 y la comuna 14.
- Por último las comunas que más originan viajes en automóvil son la comuna 19 y la comunda 2, aparecen las mismas comunas pero en este caso particular con mayor presencia de la 19, caso contrario de lo que sucedía en los casos anteriores. Respecto a las comunas que menores viajes como origen con automóvil están la comuna 12 y la comuna 5.
Posterior a la información expuesta para el origen se realiza el mismo ejercicio para el destino de los viajes.
- Se crea un DataFrame que solo contega 5 columnas ** Columna 1: Comuna ** Columna 2: Númerto total de viajes con destino en cada comuna ** Columna 3: Número total de viajes con destino en cada comuna en bicicleta ** Columna 4: Número total de viajes con destino en cada comuna en moto ** Columna 5: Número total de viajes con destino en cada comuna en automóvil
## Contar en el destino
# Contar datos en destino
contar_destino <- df_final %>%
group_by(`comuna destino`) %>%
summarise(
bicicleta = sum(`TIPO DE VEHÍCULO` == "Bicicleta", na.rm = TRUE),
moto = sum(`TIPO DE VEHÍCULO` == "Moto", na.rm= TRUE),
automovil = sum(`TIPO DE VEHÍCULO` == "Automovil", na.rm = TRUE),
total = n(),
.groups = 'drop')Después de generado el DataFrame se cambia el nombre a una columna para poder unir con la información del archivo geoespacial comuna.shp
colnames(contar_destino)[1] <- "comuna"
# Agregar las columnas al archivo .shp
data_unida1 <- merge(comunas, contar_destino, by = "comuna", all.x=TRUE)
class(data_unida1)## [1] "SpatialPolygonsDataFrame"
## attr(,"package")
## [1] "sp" comunas@data## OBJECTID gid comuna nombre
## 1 1 107 2 Comuna 2
## 2 2 108 1 Comuna 1
## 3 3 109 3 Comuna 3
## 4 4 110 19 Comuna 19
## 5 5 103 15 Comuna 15
## 6 6 104 17 Comuna 17
## 7 7 105 18 Comuna 18
## 8 8 106 22 Comuna 22
## 9 9 89 6 Comuna 6
## 10 10 90 4 Comuna 4
## 11 11 91 5 Comuna 5
## 12 12 92 7 Comuna 7
## 13 13 93 8 Comuna 8
## 14 14 94 9 Comuna 9
## 15 15 95 21 Comuna 21
## 16 16 96 13 Comuna 13
## 17 17 97 12 Comuna 12
## 18 18 98 14 Comuna 14
## 19 19 99 11 Comuna 11
## 20 20 100 10 Comuna 10
## 21 21 101 20 Comuna 20
## 22 22 102 16 Comuna 16 data_unida1@data## comuna OBJECTID gid nombre bicicleta moto automovil total
## 2 2 1 107 Comuna 2 194 1734 1518 3773
## 1 1 2 108 Comuna 1 9 90 73 187
## 3 3 3 109 Comuna 3 169 1333 1098 2887
## 19 19 4 110 Comuna 19 131 1152 926 2441
## 15 15 5 103 Comuna 15 17 232 199 481
## 17 17 6 104 Comuna 17 95 744 650 1616
## 18 18 7 105 Comuna 18 28 240 216 526
## 22 22 8 106 Comuna 22 95 766 564 1561
## 6 6 9 89 Comuna 6 31 255 208 570
## 4 4 10 90 Comuna 4 80 678 596 1497
## 5 5 11 91 Comuna 5 38 183 181 440
## 7 7 12 92 Comuna 7 36 279 224 598
## 8 8 13 93 Comuna 8 46 382 325 830
## 9 9 14 94 Comuna 9 56 512 382 1055
## 21 21 15 95 Comuna 21 24 202 164 434
## 13 13 16 96 Comuna 13 28 285 189 560
## 12 12 17 97 Comuna 12 13 106 71 207
## 14 14 18 98 Comuna 14 20 150 120 316
## 11 11 19 99 Comuna 11 26 217 204 483
## 10 10 20 100 Comuna 10 34 353 291 741
## 20 20 21 101 Comuna 20 22 124 131 303
## 16 16 22 102 Comuna 16 31 290 275 645Se generan los mapas por cada una de las solicitudes realizadas.
# El total para el destino por las comunas
spplot(data_unida1, zcol="total",
main = "Cantidad de viajes (destino) por comuna",
colorkey = TRUE,
col.regions = rev(viridis(100)))
# Imprimir la tabla de datos
comuna_t <- data_unida1@data[,c("comuna","total")]
ct_ordenada <- comuna_t[order(comuna_t$comuna),]
print(ct_ordenada)## comuna total
## 1 1 187
## 2 2 3773
## 3 3 2887
## 4 4 1497
## 5 5 440
## 6 6 570
## 7 7 598
## 8 8 830
## 9 9 1055
## 10 10 741
## 11 11 483
## 12 12 207
## 13 13 560
## 14 14 316
## 15 15 481
## 16 16 645
## 17 17 1616
## 18 18 526
## 19 19 2441
## 20 20 303
## 21 21 434
## 22 22 1561 # El total para el destino por bicicletas
spplot(data_unida1, zcol="bicicleta",
main = "Cantidad de viajes (destino) por comuna en bicicleta",
colorkey = TRUE,
col.regions = rev(viridis(100)))
# Imprimir la tabla de datos
comuna_t <- data_unida1@data[,c("comuna","bicicleta")]
ct_ordenada <- comuna_t[order(comuna_t$comuna),]
print(ct_ordenada)## comuna bicicleta
## 1 1 9
## 2 2 194
## 3 3 169
## 4 4 80
## 5 5 38
## 6 6 31
## 7 7 36
## 8 8 46
## 9 9 56
## 10 10 34
## 11 11 26
## 12 12 13
## 13 13 28
## 14 14 20
## 15 15 17
## 16 16 31
## 17 17 95
## 18 18 28
## 19 19 131
## 20 20 22
## 21 21 24
## 22 22 95 # El total para el destino por moto
spplot(data_unida1, zcol="moto",
main = "Cantidad de viajes (destino) por comuna en moto",
colorkey = TRUE,
col.regions = rev(viridis(100)))
# Imprimir la tabla de datos
comuna_t <- data_unida1@data[,c("comuna","moto")]
ct_ordenada <- comuna_t[order(comuna_t$comuna),]
print(ct_ordenada)## comuna moto
## 1 1 90
## 2 2 1734
## 3 3 1333
## 4 4 678
## 5 5 183
## 6 6 255
## 7 7 279
## 8 8 382
## 9 9 512
## 10 10 353
## 11 11 217
## 12 12 106
## 13 13 285
## 14 14 150
## 15 15 232
## 16 16 290
## 17 17 744
## 18 18 240
## 19 19 1152
## 20 20 124
## 21 21 202
## 22 22 766 # EL total para el destino por automovil
spplot(data_unida1, zcol="automovil",
main = "Cantidad de viajes (destino) por comuna en automovil",
colorkey = TRUE,
col.regions = rev(viridis(100)))
# Imprimir la tabla de datos
comuna_t <- data_unida1@data[,c("comuna","automovil")]
ct_ordenada <- comuna_t[order(comuna_t$comuna),]
print(ct_ordenada)## comuna automovil
## 1 1 73
## 2 2 1518
## 3 3 1098
## 4 4 596
## 5 5 181
## 6 6 208
## 7 7 224
## 8 8 325
## 9 9 382
## 10 10 291
## 11 11 204
## 12 12 71
## 13 13 189
## 14 14 120
## 15 15 199
## 16 16 275
## 17 17 650
## 18 18 216
## 19 19 926
## 20 20 131
## 21 21 164
## 22 22 564- Respecto a los destinos, las comunas donde se genera la mayor cantidad de viajes que tienen este destino es la comuna 2 y la comuna 3, en este caso la comuna también genera un número importante de viajes a ese destino, sin embargo, no es la segunda comuna como si lo fue en los orígenes.
- Los viajes en bicicleta tienen como destino también la comuna 2 y 3 y en tercer lugar la comuna 19.
- Los viajes en moto muestran el mismo comportamiento al estar la comuna 2 y 3 como los destinos principales para los que se transportan en moto.
- Para quienes viajan en automóvil las comunas 2 y3 continúan siendo el destino.
CONCLUSIONES
Los mapas de intensidad nos permiten identificar claramente en este ejercicio dónde se están generando la mayor cantidad de viajes y el destino de estos, como conclusiones de este ejercicio resalto los siguientes puntos:
- Las comunas 2 y 19 son las mayores generadoras de viajes en los diferentes modos de transporte (bicicleta, moto, automóvil) lo que indica que una de estas comunas debe ser en su mayoría residencial con actividad comercial no tan fuerte como la comuna 2.
- La comuna 2 se ve fuertemente representada tanto en el origen de los viajes como en el destino por lo que la misma debe tener una fuerte actividad comercial, de empresas y con actividad residencial en algunas zonas.
- Esta comunas son un indicador fuerte de movilidad para la ciudad por lo menos en los aspectos aquí evaluados por lo que sería importante tener estrategias de control y movilidad para facilitar los tiempos de desplazamiento.
- Como generador de viajes aparece la comuna 3 que no es un originador de viales lo que indica que esta comuna en su mayoría debe estar organizada alrededor de empresas e industria generadora de empleo con muy poca actividad residencial.
- La comuna 3 debe ser un punto de atención para las autoridades principalmente en hora pico por temas de aseguramiento de la movilidad por parte de la institución encargada.