bd_waze <- read.csv("/Users/juandiego/Downloads/28ba197e-fe89-40f4-91f4-705a0f713ecc.csv")
filas_sibundoy = which(bd_waze$Municipality == "Sibundoy")
bd_waze_sibundoy = bd_waze[filas_sibundoy,]

Introducción

Sibundoy (Kamëntsá: Tabanok “pueblo”) es un municipio ubicado en el Departamento de Putumayo, en la República de Colombia, con una extensión de 64 km². Sibundoy es conocido por su arte tradicional, especialmente en la talla de máscaras y otras artesanías, las cuales reflejan la mitología de los pueblos Inga y Kamëntsá.

Según el censo de 2018, Sibundoy tiene una población de 14,104 habitantes, con una densidad poblacional de 220 personas por km². Esta población se enfrenta a diversos retos relacionados con la movilidad vehicular, los cuales son de especial interés en este informe, dado que la infraestructura y el transporte son aspectos clave para el desarrollo y la integración del municipio en la región.

La infraestructura deficiente y la ausencia de cámaras de vigilancia, semáforos inteligentes y otros sistemas tecnológicos en Sibundoy contribuyen a los problemas de movilidad en el municipio. La escasez de herramientas de monitoreo y control del tráfico genera dificultades para la gestión eficiente del transporte y la seguridad vial. Sin una infraestructura moderna, los residentes y conductores deben enfrentarse a situaciones impredecibles en las vías, como congestiones, accidentes o desvíos no señalizados.

En este contexto, el uso de bases de datos como las de Waze se convierte en una necesidad para mejorar la movilidad en Sibundoy. Waze, al ser una aplicación basada en la colaboración en tiempo real, permite a los conductores y agencias de seguridad vial compartir información sobre el tráfico, accidentes, bloqueos o cualquier otro inconveniente en las rutas. Esto es especialmente relevante en un municipio donde la información sobre el estado de las vías no siempre está actualizada o disponible de manera oficial.

Waze for Cities

Waze for Cities permite la colaboración entre ciudades y ciudadanos para mejorar la movilidad urbana. Facilita el intercambio de datos sobre incidentes y cierres viales, lo que ayuda a los gobiernos a responder rápidamente a accidentes y congestión. Además, Waze utiliza estos datos para ofrecer información en tiempo real sobre las condiciones del tráfico, lo que mejora la seguridad y eficiencia de las rutas. El programa también apoya la planificación urbana al proporcionar datos crowdsourced para decisiones informadas sobre infraestructura y transporte. Cualquier ciudad o entidad pública puede unirse. Para hacerlo, deben registrarse en la plataforma y establecer una colaboración con Waze. El programa utiliza la base de datos generada por los usuarios de Waze.

Explicación de las variables

En este conjunto de datos, se incluyen diversas variables que describen eventos relacionados con la movilidad en los municipios. A continuación, se detallan algunas de las variables más relevantes:

  • idEvent: Identificador único para cada evento registrado. (Variable cualitativa - nominal)
  • idMunicipality: Identificador del municipio donde ocurre el evento. (Variable cualitativa - nominal)
  • Municipality: Nombre del municipio. (Variable cualitativa - nominal)
  • idDANEMunicipality: Identificador asociado a la clasificación DANE del municipio. (Variable cualitativa - nominal)
  • StartDate: Fecha de inicio del evento. (Variable cuantitativa - continua)
  • StartTime: Hora de inicio del evento. (Variable cuantitativa - continua)
  • EndTime: Hora de finalización del evento. (Variable cuantitativa - continua)
  • StreetType: Tipo de calle donde ocurre el evento. (Variable cualitativa - nominal)
  • Type: Tipo de evento (accidente, congestión, etc.). (Variable cualitativa - nominal)
  • SubType: Subcategoría del tipo de evento. (Variable cualitativa - nominal)
  • RoadType: Tipo de carretera afectada. (Variable cualitativa - nominal)
  • AverageReliability: Promedio de fiabilidad de la información sobre el evento. (Variable cuantitativa - continua)
  • Location_X: Coordenada X de la ubicación del evento. (Variable cuantitativa - continua)
  • Location_Y: Coordenada Y de la ubicación del evento. (Variable cuantitativa - continua)

Análisis de los datos

Eventos por tipo

require(table1)
table1(~Type, data = bd_waze_sibundoy)
Overall
(N=34)
Type
ACCIDENT 3 (8.8%)
JAM 4 (11.8%)
ROAD_CLOSED 27 (79.4%)

1) Análisis temporal

library(ggplot2)
bd_waze_sibundoy$StartHour <- as.numeric(format(as.POSIXct(bd_waze_sibundoy$StartTime, format="%H:%M"), "%H"))

ggplot(bd_waze_sibundoy, aes(x=StartHour)) +
  geom_histogram(binwidth=1, fill="blue", color="black") +
  labs(title="Eventos por hora", x="Hora", y="Numero de eventos")

Explicación: Este histograma muestra la distribución de los accidentes a lo largo del día.

Interpretación: Los picos en ciertas horas pueden revelar los momentos más críticos para los accidentes, ayudando a las autoridades a concentrar esfuerzos en esos horarios.

2) Análisis espacial

require(leaflet)

bd_waze_sibundoy = data.frame(bd_waze_sibundoy)
leaflet() %>% addTiles() %>% addCircleMarkers(lng =bd_waze_sibundoy$Location_X ,lat = bd_waze_sibundoy$Location_Y, clusterOptions=markerClusterOptions())

En el mapa se observa que las zonas con mayor numero de eventos resportados son

3) Distribución del tipo de eventos

ggplot(bd_waze_sibundoy, aes(x=Type)) +
  geom_bar(fill="green", color="black") +
  labs(title="Distribución de Tipos de Accidentes", x="Tipo de Evento", y="Número de Accidentes")