Proyecto de Modelos y herramientas de decisión 2025
INTEGRANTES:
La actividad comercial constituye uno de los pilares fundamentales del dinamismo económico y social de las ciudades. En el caso de Barcelona, su red de comercios distribuidos a lo largo de los distritos y barrios no solo influye en la economía local, sino también en la calidad de vida de sus habitantes y la configuración del espacio urbano. En este contexto, el presente informe tiene como objetivo analizar la evolución de la actividad comercial en Barcelona, tomando como base los años 2019 y 2024, con especial atención a los efectos provocados por la pandemia de COVID-19 en la configuración del comercio urbano.
OBJETIVOS
Este informe se estructura en torno a tres objetivos principales:
Para llevar a cabo el análisis de la actividad comercial de Barcelona, se ha seguido una metodología estructurada en varias etapas: recolección de datos, tratamiento y limpieza, análisis exploratorio y visualización. Como se vera acontinuacion:
Los datos utilizados en este estudio provienen del portal de datos abiertos del Ayuntamiento de Barcelona (Barcelona Open Data):
El análisis de los datos se ha realizado utilizando el lenguaje de programación (R), con el soporte de los siguientes paquetes:
Para el desarrollo del analisis se considero el siguiente procedimiento:
Importación de los datasets correspondientes a 2019 y 2024.
Revisión de las variables disponibles (tipo de actividad, estado del local, coordenadas geográficas, distrito, etc.).
Estandarización de los nombres de columnas mediante el paquete janitor.
Eliminación de registros duplicados o con datos faltantes relevantes.
Conversión de tipos de datos a formatos adecuados (fechas, factores, coordenadas, etc.).
Agrupación de locales según su sector o grupo de actividad.
Filtrado de locales sin actividad económica (código de actividad igual a 0).
Categorización por tipo de espacio de concentración comercial: mercados, centros comerciales, galerías y ejes.
Cálculo y comparación del número de establecimientos por tipo de concentración comercial.
Evaluación de cambios en la presencia de los diferentes formatos comerciales entre ambos años.
Conversión de los datasets en objetos sf para el manejo de información geográfica.
Conversión de los datasets en objetos sf para el manejo de información geográfica (st_join).
Cálculo de densidades comerciales por kilómetro cuadrado y por habitante, utilizando datos de población y superficie.
Generación de mapas temáticos de densidad, distribución y concentración utilizando ggplot2y ggspatial.
Creación de gráficos comparativos y tablas resumen para facilitar la interpretación.
Elaboración de mapas de calor y mallas de cuadrícula para analizar la distribución microespacial de la actividad comercial.
library(tidyverse)
library(janitor)Warning: package 'janitor' was built under R version 4.4.3library(dplyr)
library(ggplot2)
library(sf)Warning: package 'sf' was built under R version 4.4.3library(ggspatial)Warning: package 'ggspatial' was built under R version 4.4.3Consolidamos la data de los comercios del 2019 y 2024, usamos el comando “clean_names” para evitar posibles problemas al comparar datos a futuro.
comercios_24<-read_csv("241021_censcomercialbcn_opendata_2024_v5.csv")Warning: One or more parsing issues, call `problems()` on your data frame for details,
e.g.:
dat <- vroom(...)
problems(dat)comercios_24<-clean_names(comercios_24)
comercios_19<-read_csv("2019_censcomercialbcn_detall.csv")Warning: One or more parsing issues, call `problems()` on your data frame for details,
e.g.:
dat <- vroom(...)
problems(dat)comercios_19<-clean_names(comercios_19)Obtenemos cual es el comercio más relevante de Barcelona el año 2024, obtenemos ésto viendo cual tiene más cantidad de locales. primero filtramos el campo codi_principal_activitat, tomando los valores iguales a 1. Esto debido a los que tienen valor 0 son locales sin actividad económica. Las actividades más importantes son, los restaurantes, Bares/cibercafés, Servicios a empresas y oficinas, Peluquerías y Tiendas de vestir.
comercios_24|>
filter(codi_principal_activitat==1)|>
count(nom_activitat)|>
arrange(-n)|>
slice(1:5)|>
ggplot(aes(x=nom_activitat,y=n))+geom_bar(stat="identity",fill="steelblue")+coord_flip()
Asimismo podemos obtener cual es el distrito de mayor actividad comercial, es el distrito de Eixample, seguido por Sant Martí y Ciutat Vella.
comercios_24|>
filter(codi_principal_activitat==1)|>
ggplot(aes(nom_districte))+geom_bar(fill="steelblue")+coord_flip()
Comparemos como las actividades más relevantes se comparan por distritos.
comercios_24 |>
filter(codi_principal_activitat == 1,nom_activitat %in% c("Restaurants", "Bars / CIBERCAFÈ", "Serveis a les empreses i oficines"))|>
group_by(nom_districte,nom_activitat)|>
count()|>
ggplot(aes(x=nom_districte,y=n,fill= nom_activitat))+geom_col(position ="dodge")+coord_flip()
Como primer paso se realizara la LECTURA DE LOS DATOS
Leemos el data frame con la información de las fuentes obtenido de: https://opendata-ajuntament.barcelona.cat/data/es/dataset/cens-locals-planta-baixa-act-economica
comercios_2019 <- read_csv("2019_censcomercialbcn_detall.csv")Warning: One or more parsing issues, call `problems()` on your data frame for details,
e.g.:
dat <- vroom(...)
problems(dat)comercios_2019 <- clean_names(comercios_2019)
comercios_2019# A tibble: 80,554 × 49
id_bcn_2019 id_bcn_2016 codi_principal_activitat nom_principal_activitat
<dbl> <dbl> <dbl> <chr>
1 1075454 NA 1 Actiu
2 1075453 NA 1 Actiu
3 1075451 NA 1 Actiu
4 1075449 NA 1 Actiu
5 1075448 NA 1 Actiu
6 1075447 NA 1 Actiu
7 1075446 NA 1 Actiu
8 1069815 NA 1 Actiu
9 1074351 NA 1 Actiu
10 1074376 NA 1 Actiu
# ℹ 80,544 more rows
# ℹ 45 more variables: codi_sector_activitat <dbl>, nom_sector_activitat <chr>,
# codi_grup_activitat <dbl>, nom_grup_activitat <chr>,
# codi_activitat_2019 <dbl>, nom_activitat <chr>, codi_activitat_2016 <chr>,
# nom_local <chr>, sn_oci_nocturn <dbl>, sn_coworking <dbl>,
# sn_servei_degustacio <dbl>, sn_obert24h <dbl>, sn_mixtura <dbl>,
# sn_carrer <dbl>, sn_mercat <dbl>, nom_mercat <chr>, sn_galeria <dbl>, …Leemos el data frame con la información de las fuentes obtenido de: https://opendata-ajuntament.barcelona.cat/data/es/dataset/cens-locals-planta-baixa-act-economica
comercios_2024 <- read_csv("241021_censcomercialbcn_opendata_2024_v5.csv")Warning: One or more parsing issues, call `problems()` on your data frame for details,
e.g.:
dat <- vroom(...)
problems(dat)comercios_2024 <- clean_names(comercios_2024)
comercios_2024# A tibble: 68,024 × 49
id_global id_bcn_2016 codi_principal_activ…¹ nom_principal_activi…²
<chr> <dbl> <dbl> <chr>
1 5f158100-c0b8-45e2… 45538 0 Sense activitat Econò…
2 03a89603-7bb5-423f… 16649 0 Sense activitat Econò…
3 aad63dad-4969-4eff… 23980 0 Sense activitat Econò…
4 59832baf-4dd3-4fa4… NA 0 Sense activitat Econò…
5 e3794cd9-8191-4cb3… 26849 0 Sense activitat Econò…
6 3db1bda1-f434-4297… 29639 0 Sense activitat Econò…
7 510e1364-689f-4651… NA 0 Sense activitat Econò…
8 eafd6ba7-50a9-4da8… 26544 0 Sense activitat Econò…
9 d84dd3e6-8e8b-456b… 22661 0 Sense activitat Econò…
10 ac650075-b5f6-4d6d… 44615 0 Sense activitat Econò…
# ℹ 68,014 more rows
# ℹ abbreviated names: ¹codi_principal_activitat, ²nom_principal_activitat
# ℹ 45 more variables: codi_sector_activitat <dbl>, nom_sector_activitat <chr>,
# codi_grup_activitat <dbl>, nom_grup_activitat <chr>,
# codi_activitat_2022 <dbl>, nom_activitat <chr>, codi_activitat_2016 <chr>,
# nom_local <chr>, sn_oci_nocturn <chr>, sn_coworking <chr>,
# sn_servei_degustacio <chr>, sn_obert24h <chr>, sn_mixtura <chr>, …seguidamente tendremos la Tabla de comercios 2019 en concentracion comercial con el cual podremos contar el número de comercios del 2019 de cada concentracion comercial con actividad con summarise() y filter() sobre comercio2019, y guardamos el resultado en num_comercios_CC_2019.Tambien lo pasamos a una tabla larga para poder graficarlo despues.
Tabla de comercios 2019 en concentracion comercial
num_comercios_CC_2019 <- comercios_2019 |>
filter(codi_principal_activitat ==1)|>
summarise(
Mercados = sum(!is.na(nom_mercat) & nom_mercat != ""),
Galerias = sum(!is.na(nom_galeria) & nom_galeria != ""),
Centros_Comerciales = sum(!is.na(nom_c_comercial) & nom_c_comercial != ""),
Ejes_Comerciales = sum(!is.na(nom_eix) & nom_eix != ""))
num_comercios_CC_2019_largo <- num_comercios_CC_2019 |>
pivot_longer(cols = everything(), names_to = "tipo",values_to = "cantidad")Para despues realizar el grafico de barras de comercios 2019 en concentracion comercial, por lo que graficaremos la tabla anterior, un grafico de barras ayudaria “num_comercios_CC_2019_largo”
Grafico de barras de comercios 2019 en concentracion comercial
ggplot(num_comercios_CC_2019_largo, aes(x = tipo, y = cantidad)) +
geom_bar(stat = "identity", fill = "steelblue") +
geom_text(aes(label = cantidad), vjust = -0.5, size = 4) +
labs(
title = "Cantidad de establecimientos en el año 2019",
x = "Tipo de establecimiento",
y = "Cantidad"
) +
theme_minimal()
a continuacion desarrollaremos la tabla de comercios 2024 en concentracion comercial, que nos permitira contar el número de comercios del 2024 de cada concentracion comercial con actividad con summarise() y filter() sobre comercio2019, y guardamos el resultado en num_comercios_CC_2024.Tambien lo pasamos a una tabla larga para poder graficarlo despues.
Grafico de tabla de Comercios 2024 en concentracion comercial
num_comercios_CC_2024 <- comercios_2024 |>
filter(codi_principal_activitat ==1)|>
summarise(
Mercados = sum(!is.na(nom_mercat) & nom_mercat != ""),
Galerias = sum(!is.na(nom_galeria) & nom_galeria != ""),
Centros_Comerciales = sum(!is.na(nom_c_comercial) & nom_c_comercial != ""),
Ejes_Comerciales = sum(!is.na(nom_eix) & nom_eix != ""))
num_comercios_CC_2024_largo <- num_comercios_CC_2024 |>
pivot_longer(cols = everything(), names_to = "tipo",values_to = "cantidad")Para desarrollar el objetivo deberemos graficar las barras de comercios 2024 en concentracion comercial, por ello graficaremos la tabla anterior, un grafico de barras ayudaria “num_comercios_CC_2024_largo”
Graficar las barras de comercios 2024 en concentracion comercial
ggplot(num_comercios_CC_2024_largo, aes(x = tipo, y = cantidad)) +
geom_bar(stat = "identity", fill = "steelblue") +
geom_text(aes(label = cantidad), vjust = -0.5, size = 4) +
labs(
title = "Cantidad de establecimientos en el año 2019",
x = "Tipo de establecimiento",
y = "Cantidad"
) +
theme_minimal()
Para finalizar realizaremos el grafico de barras de comercios 2019 y 2024 en concentracion comercial, el cual vendra de la tabla anterior, un grafico de barras ayudaria “num_comercios_CC_2024_largo”
Grafico de barras de comercios 2019 y 2024 en concentracion comercial
num_comercios_CC_2019_largo_año <- num_comercios_CC_2019_largo |>
mutate(año = "2019")
num_comercios_CC_2024_largo_año <- num_comercios_CC_2024_largo |>
mutate(año = "2024")
conteo_comparado <- bind_rows(num_comercios_CC_2019_largo_año, num_comercios_CC_2024_largo_año)
ggplot(conteo_comparado, aes(x = tipo, y = cantidad, fill = año)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
geom_text(
aes(label = cantidad),
position = position_dodge(width = 0.8),
vjust = -0.3,
size = 3.5
) +
labs(
title = "Comparación de Establecimientos (2019 vs 2024)",
x = "Tipo de Establecimiento",
y = "Cantidad",
fill = "Año"
) +
theme_minimal()
Empezamos creando un mapa de comercios de Barcelona. Para ello necesitamos:
sf con una columna geom con la posición de las fuentes.bcn_districts, mostrar las fuentes de cada distrito.Después mostraremos las fuentes de un distrito, identificando las fuentes que hay dentro de éste.
Creando datos geográficos
Empezamos leyendo el archivo con datos geográficos de los distritos de Barcelona:
bcn_districts <- readRDS("bcn_districts.RDS")
bcn_districts <- bcn_districts |> select(area:coord_y)
bcn_districtsSimple feature collection with 10 features and 9 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: 2.052451 ymin: 41.31692 xmax: 2.229203 ymax: 41.46825
Geodetic CRS: WGS 84
area c_distri n_distri homes dones cartodb_id perim
1 20092803 5 Sarrià-Sant Gervasi 67799 80113 5 37563.64
2 11947078 7 Horta-Guinardó 79017 89075 7 20413.19
3 4368465 1 Ciutat Vella 53968 48379 1 21035.21
4 7476392 2 Eixample 123571 142906 2 13902.57
5 22940419 3 Sants-Montjuïc 87877 95243 3 47125.93
6 6017532 4 Les Corts 38331 43939 4 12481.47
7 4185517 6 Gràcia 55611 65891 6 12280.06
8 8041439 8 Nou Barris 78448 87862 8 14698.41
9 6565322 9 Sant Andreu 70151 77581 9 15132.45
10 10523762 10 Sant Martí 113572 122147 10 20736.53
coord_x coord_y geometry
1 2.106121 41.41277 MULTIPOLYGON (((2.072115 41...
2 2.150531 41.42914 MULTIPOLYGON (((2.176161 41...
3 2.181049 41.38084 MULTIPOLYGON (((2.18239 41....
4 2.164488 41.39162 MULTIPOLYGON (((2.18239 41....
5 2.144933 41.34995 MULTIPOLYGON (((2.167847 41...
6 2.118214 41.38697 MULTIPOLYGON (((2.102914 41...
7 2.152398 41.41015 MULTIPOLYGON (((2.168652 41...
8 2.175060 41.44624 MULTIPOLYGON (((2.187454 41...
9 2.193309 41.43505 MULTIPOLYGON (((2.207194 41...
10 2.201221 41.40761 MULTIPOLYGON (((2.207194 41...Para transformar las coordenadas de los comercios en un objeto geográfico usaremos st_as_sf(). Luego le asignaremos la proyección compatible con los mapas que tenemos disponibles usando st_set_crs().
comercios_2024_sf <- st_as_sf(comercios_2024, coords = c("longitud", "latitud"))
comercios_2024_sf <- st_set_crs(comercios_2024_sf, "EPSG:4326")
comercios_2024_sfSimple feature collection with 68024 features and 47 fields
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 2.088023 ymin: 41.34512 xmax: 2.220819 ymax: 41.46653
Geodetic CRS: WGS 84
# A tibble: 68,024 × 48
id_global id_bcn_2016 codi_principal_activ…¹ nom_principal_activi…²
* <chr> <dbl> <dbl> <chr>
1 5f158100-c0b8-45e2… 45538 0 Sense activitat Econò…
2 03a89603-7bb5-423f… 16649 0 Sense activitat Econò…
3 aad63dad-4969-4eff… 23980 0 Sense activitat Econò…
4 59832baf-4dd3-4fa4… NA 0 Sense activitat Econò…
5 e3794cd9-8191-4cb3… 26849 0 Sense activitat Econò…
6 3db1bda1-f434-4297… 29639 0 Sense activitat Econò…
7 510e1364-689f-4651… NA 0 Sense activitat Econò…
8 eafd6ba7-50a9-4da8… 26544 0 Sense activitat Econò…
9 d84dd3e6-8e8b-456b… 22661 0 Sense activitat Econò…
10 ac650075-b5f6-4d6d… 44615 0 Sense activitat Econò…
# ℹ 68,014 more rows
# ℹ abbreviated names: ¹codi_principal_activitat, ²nom_principal_activitat
# ℹ 44 more variables: codi_sector_activitat <dbl>, nom_sector_activitat <chr>,
# codi_grup_activitat <dbl>, nom_grup_activitat <chr>,
# codi_activitat_2022 <dbl>, nom_activitat <chr>, codi_activitat_2016 <chr>,
# nom_local <chr>, sn_oci_nocturn <chr>, sn_coworking <chr>,
# sn_servei_degustacio <chr>, sn_obert24h <chr>, sn_mixtura <chr>, …Mapa de establecimientos 2024
Obtenemos el mapa de comercios 2024 creando primero el mapa de Barcelona y luego dibujando los puntos. El orden importa si queremos que se vean los puntos. En los dos casos usamos geom_sf(), pero con datos distintos.Aqui hay los comercios con actividad.
bcn_districts |>
ggplot() +
geom_sf(fill = "white") +
geom_sf(data = filter(comercios_2024_sf, codi_principal_activitat == 1), size = 0.5) + theme_void()
Comercios de cada distrito
Si queremos saber el distrito en que está cada comercio 2024, hemos de hacer un join espacial con st_join(). En este caso, queremos llevar la columna n_distri de bcn_districts a comercios_2024_sf, guardando el resultado en comercio2024_distrito.
comercio2024_distrito <- st_join(filter(comercios_2024_sf, codi_principal_activitat == 1),
bcn_districts |> select(n_distri),
join = st_intersects)
comercio2024_distritoSimple feature collection with 61875 features and 48 fields
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 2.088023 ymin: 41.34512 xmax: 2.220819 ymax: 41.46653
Geodetic CRS: WGS 84
# A tibble: 61,875 × 49
id_global id_bcn_2016 codi_principal_activ…¹ nom_principal_activi…²
* <chr> <dbl> <dbl> <chr>
1 3e40cf2c-3b94-4977… NA 1 Actiu
2 6a8c18de-61f6-44ec… NA 1 Actiu
3 36078b21-940f-4f7b… NA 1 Actiu
4 d3c44b8e-94ec-49d3… NA 1 Actiu
5 c3e95f02-d377-485f… NA 1 Actiu
6 725e272c-3159-4217… 50747 1 Actiu
7 21bdd67d-6848-4ccf… 48481 1 Actiu
8 1b025b69-8a76-4a82… 47652 1 Actiu
9 d9ce997d-9a39-440b… NA 1 Actiu
10 2306209a-67ec-4cf2… 50357 1 Actiu
# ℹ 61,865 more rows
# ℹ abbreviated names: ¹codi_principal_activitat, ²nom_principal_activitat
# ℹ 45 more variables: codi_sector_activitat <dbl>, nom_sector_activitat <chr>,
# codi_grup_activitat <dbl>, nom_grup_activitat <chr>,
# codi_activitat_2022 <dbl>, nom_activitat <chr>, codi_activitat_2016 <chr>,
# nom_local <chr>, sn_oci_nocturn <chr>, sn_coworking <chr>,
# sn_servei_degustacio <chr>, sn_obert24h <chr>, sn_mixtura <chr>, …Podemos usar la nueva columna n_distri como argumento de color en el mapping aes() para mostrar los comercios con actividad de cada distrito de un color diferente.
bcn_districts |>
ggplot() +
geom_sf(fill = "white") +
geom_sf(data = comercio2024_distrito, aes(color = n_distri), size = 0.5) +
theme_void() +
theme(legend.position = "none")
Indicadores de comercios 2024 por distrito
Podemos usar la información de comercio2024_distrito para obtener indicadores del comercio en cada distrito. El número absoluto de comercio se puede escalar a partir de:
st_area() (aunque el mapa de Barcelona ya tiene esa información).homes y dones.Comercios 2024 por kilómetro cuadrado
Contamos el número de comercios del 2024 de cada distrito(con actividad) con group_by() y count() sobre comercio2024_distrito, y guardamos el resultado en num_comercios_2024.
num_comercios_2024 <- comercio2024_distrito |>
group_by(n_distri,) |>
count() |>
rename(n_comercios = n) |>
st_drop_geometry() # elimino la columna geometryAhora podemos añadir esta información al mapa de Barcelona con un left_join().
bcn_districts <- left_join(bcn_districts,
num_comercios_2024,
by = "n_distri")
bcn_districtsSimple feature collection with 10 features and 10 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: 2.052451 ymin: 41.31692 xmax: 2.229203 ymax: 41.46825
Geodetic CRS: WGS 84
area c_distri n_distri homes dones cartodb_id perim
1 20092803 5 Sarrià-Sant Gervasi 67799 80113 5 37563.64
2 11947078 7 Horta-Guinardó 79017 89075 7 20413.19
3 4368465 1 Ciutat Vella 53968 48379 1 21035.21
4 7476392 2 Eixample 123571 142906 2 13902.57
5 22940419 3 Sants-Montjuïc 87877 95243 3 47125.93
6 6017532 4 Les Corts 38331 43939 4 12481.47
7 4185517 6 Gràcia 55611 65891 6 12280.06
8 8041439 8 Nou Barris 78448 87862 8 14698.41
9 6565322 9 Sant Andreu 70151 77581 9 15132.45
10 10523762 10 Sant Martí 113572 122147 10 20736.53
coord_x coord_y n_comercios geometry
1 2.106121 41.41277 6285 MULTIPOLYGON (((2.072115 41...
2 2.150531 41.42914 4156 MULTIPOLYGON (((2.176161 41...
3 2.181049 41.38084 6624 MULTIPOLYGON (((2.18239 41....
4 2.164488 41.39162 13559 MULTIPOLYGON (((2.18239 41....
5 2.144933 41.34995 5813 MULTIPOLYGON (((2.167847 41...
6 2.118214 41.38697 2957 MULTIPOLYGON (((2.102914 41...
7 2.152398 41.41015 5529 MULTIPOLYGON (((2.168652 41...
8 2.175060 41.44624 4398 MULTIPOLYGON (((2.187454 41...
9 2.193309 41.43505 4719 MULTIPOLYGON (((2.207194 41...
10 2.201221 41.40761 7835 MULTIPOLYGON (((2.207194 41...Definiendo indicadores
Una vez obtenido el número de comercios por distritos, podemos obtener:
comercios_2024_km2.comercios_2024_hab.densidad de población.Para obtener un mapa con cuatro colores, usamos cut() sobre cada una de las variables creadas.
bcn_districts <- bcn_districts |>
mutate(comercios_2024_km2 = n_comercios*1000000/area,
comercios_2024_hab = n_comercios * 10000/(homes + dones),
densidad = (homes+dones)*1000000/area,
densidad_cut = cut(densidad, 4),
comercios_2024_km2_cut = cut(comercios_2024_km2, 4),
comercios_2024_hab_cut = cut(comercios_2024_hab, 4))
bcn_districtsSimple feature collection with 10 features and 16 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: 2.052451 ymin: 41.31692 xmax: 2.229203 ymax: 41.46825
Geodetic CRS: WGS 84
area c_distri n_distri homes dones cartodb_id perim
1 20092803 5 Sarrià-Sant Gervasi 67799 80113 5 37563.64
2 11947078 7 Horta-Guinardó 79017 89075 7 20413.19
3 4368465 1 Ciutat Vella 53968 48379 1 21035.21
4 7476392 2 Eixample 123571 142906 2 13902.57
5 22940419 3 Sants-Montjuïc 87877 95243 3 47125.93
6 6017532 4 Les Corts 38331 43939 4 12481.47
7 4185517 6 Gràcia 55611 65891 6 12280.06
8 8041439 8 Nou Barris 78448 87862 8 14698.41
9 6565322 9 Sant Andreu 70151 77581 9 15132.45
10 10523762 10 Sant Martí 113572 122147 10 20736.53
coord_x coord_y n_comercios geometry
1 2.106121 41.41277 6285 MULTIPOLYGON (((2.072115 41...
2 2.150531 41.42914 4156 MULTIPOLYGON (((2.176161 41...
3 2.181049 41.38084 6624 MULTIPOLYGON (((2.18239 41....
4 2.164488 41.39162 13559 MULTIPOLYGON (((2.18239 41....
5 2.144933 41.34995 5813 MULTIPOLYGON (((2.167847 41...
6 2.118214 41.38697 2957 MULTIPOLYGON (((2.102914 41...
7 2.152398 41.41015 5529 MULTIPOLYGON (((2.168652 41...
8 2.175060 41.44624 4398 MULTIPOLYGON (((2.187454 41...
9 2.193309 41.43505 4719 MULTIPOLYGON (((2.207194 41...
10 2.201221 41.40761 7835 MULTIPOLYGON (((2.207194 41...
comercios_2024_km2 comercios_2024_hab densidad densidad_cut
1 312.7986 424.9148 7361.442 (7.33e+03,1.44e+04]
2 347.8675 247.2456 14069.717 (7.33e+03,1.44e+04]
3 1516.3222 647.2100 23428.597 (2.15e+04,2.86e+04]
4 1813.5754 508.8244 35642.462 (2.86e+04,3.57e+04]
5 253.3955 317.4421 7982.417 (7.33e+03,1.44e+04]
6 491.3975 359.4263 13671.718 (7.33e+03,1.44e+04]
7 1320.9839 455.0542 29029.152 (2.86e+04,3.57e+04]
8 546.9171 264.4459 20681.622 (1.44e+04,2.15e+04]
9 718.7767 319.4298 22501.868 (2.15e+04,2.86e+04]
10 744.5056 332.3873 22398.740 (2.15e+04,2.86e+04]
comercios_2024_km2_cut comercios_2024_hab_cut
1 (252,643] (347,447]
2 (252,643] (247,347]
3 (1.42e+03,1.82e+03] (547,648]
4 (1.42e+03,1.82e+03] (447,547]
5 (252,643] (247,347]
6 (252,643] (347,447]
7 (1.03e+03,1.42e+03] (447,547]
8 (252,643] (247,347]
9 (643,1.03e+03] (247,347]
10 (643,1.03e+03] (247,347]Mapas con indicadores de densidad
Ya podemos obtener cada uno de los mapas. He definido los colores a mostrar con diferentes paletas de scale_fill_brewer() y he usado annotation_scale() y annotation_north_arrow() para añadir contexto al mapa.
ggplot(bcn_districts) +
geom_sf(aes(fill = comercios_2024_km2_cut)) +
scale_fill_brewer(palette = "Greens") +
theme_void(base_size = 12) +
theme(legend.position = "none") +
labs(title = "Comercios 2024 por Km2", caption = "Fuente: OpenData BCN") +
annotation_scale() +
annotation_north_arrow(location = "tr", height = unit(1, "cm"),
width = unit(1, "cm"))
El mapa de comercios por habitante:
ggplot(bcn_districts) +
geom_sf(aes(fill = comercios_2024_hab_cut)) +
scale_fill_brewer(palette = "YlOrRd") +
theme_void(base_size = 12) +
theme(legend.position = "none") +
labs(title = "Comercios por habitante", caption = "Fuente: OpenData BCN") +
annotation_scale() +
annotation_north_arrow(location = "tr", height = unit(1, "cm"),
width = unit(1, "cm"))
Y el de densidad de población:
ggplot(bcn_districts) +
geom_sf(aes(fill = densidad_cut)) +
scale_fill_brewer(palette = "YlOrBr") +
theme_void(base_size = 12) +
theme(legend.position = "none") +
labs(title = "Densidad de población (distritos)", caption = "Fuente: OpenData BCN") +
annotation_scale() +
annotation_north_arrow(location = "tr", height = unit(1, "cm"),
width = unit(1, "cm"))
Malla de Barcelona
En vez de mostrar número de comercios por distrito, podemos mostrar este número de comercios en una malla sobre la ciudad de Barcelona.
Grid de Barcelona
La función st_make_grid() crea una malla bcn_grid sobre Barcelona de 30 celdas por 30 (900 celdas). El resultado es una simple feature collection.
bcn_grid <- st_make_grid(bcn_districts, n = c(30, 30))
bcn_gridGeometry set for 900 features
Geometry type: POLYGON
Dimension: XY
Bounding box: xmin: 2.052451 ymin: 41.31692 xmax: 2.229203 ymax: 41.46825
Geodetic CRS: WGS 84
First 5 geometries:POLYGON ((2.052451 41.31692, 2.058343 41.31692,...POLYGON ((2.058343 41.31692, 2.064235 41.31692,...POLYGON ((2.064235 41.31692, 2.070126 41.31692,...POLYGON ((2.070126 41.31692, 2.076018 41.31692,...POLYGON ((2.076018 41.31692, 2.08191 41.31692, ...Creamos un sf de la malla bcn_grid_sf con st_sf() y añadimos una columna de id numérica.
bcn_grid_sf <- st_sf(bcn_grid) |>
mutate(grid_id = 1:n())
bcn_grid_sfSimple feature collection with 900 features and 1 field
Geometry type: POLYGON
Dimension: XY
Bounding box: xmin: 2.052451 ymin: 41.31692 xmax: 2.229203 ymax: 41.46825
Geodetic CRS: WGS 84
First 10 features:
bcn_grid grid_id
1 POLYGON ((2.052451 41.31692... 1
2 POLYGON ((2.058343 41.31692... 2
3 POLYGON ((2.064235 41.31692... 3
4 POLYGON ((2.070126 41.31692... 4
5 POLYGON ((2.076018 41.31692... 5
6 POLYGON ((2.08191 41.31692,... 6
7 POLYGON ((2.087802 41.31692... 7
8 POLYGON ((2.093693 41.31692... 8
9 POLYGON ((2.099585 41.31692... 9
10 POLYGON ((2.105477 41.31692... 10Ahora ya podemos representar la malla. Como es un conjunto de polígonos, le hemos asignado una transparencia alpha baja para que pueda verse el mapa de Barcelona bajo la malla.
bcn_districts |>
ggplot() +
geom_sf() +
geom_sf(data = bcn_grid_sf, alpha = 0.1) + theme_void()
Número de comercios en cada celda
Ya podemos ver cuántos comercios hay en cada malla. Primero obtenemos el id de malla de cada comercios con st_join().
comercios_grid <- st_join(filter(comercios_2024_sf, codi_principal_activitat == 1), bcn_grid_sf, join = st_intersects)Luego contamos cuántos comercios hay en cada área de la malla…
comercios_grid_num <- comercios_grid |>
group_by(grid_id) |>
count() |>
st_drop_geometry()
comercios_grid_num |>
arrange(-n) |>
slice(1:10)# A tibble: 10 × 2
grid_id n
<int> <int>
1 381 1089
2 412 1018
3 498 972
4 379 793
5 466 780
6 411 744
7 499 737
8 380 724
9 438 712
10 529 667… y llevamos el resultado a la malla, obteniedo bcn_grid_sf_color.
bcn_grid_sf_color <- left_join(bcn_grid_sf,
comercios_grid_num, by = "grid_id") |>
mutate(n = ifelse(is.na(n), 0, n))Aquí podemos ver algunos de los elementos de la malla con más comercios.
bcn_grid_sf_color |>
arrange(-n) |>
select(grid_id, n) |>
slice(1:10)Simple feature collection with 10 features and 2 fields
Geometry type: POLYGON
Dimension: XY
Bounding box: xmin: 2.140827 ymin: 41.37745 xmax: 2.182069 ymax: 41.40772
Geodetic CRS: WGS 84
grid_id n bcn_grid
1 381 1089 POLYGON ((2.170286 41.37745...
2 412 1018 POLYGON ((2.176177 41.3825,...
3 498 972 POLYGON ((2.152611 41.39763...
4 379 793 POLYGON ((2.158502 41.37745...
5 466 780 POLYGON ((2.140827 41.39259...
6 411 744 POLYGON ((2.170286 41.3825,...
7 499 737 POLYGON ((2.158502 41.39763...
8 380 724 POLYGON ((2.164394 41.37745...
9 438 712 POLYGON ((2.152611 41.38754...
10 529 667 POLYGON ((2.158502 41.40268...Mapa de la grid de comercios
Ahora ya podemos usar el número de comercios n como fill del aes() en la malla. Cada cuadrado de la malla tendrá un color definido por el número de comercios que hay en él.
Usamos una escala de gradiente scale_fill_gradient() definiendo el blanco como color para cero restaurants y el verde para el máximo número de comercios.
bcn_grid_sf_color |>
ggplot() +
geom_sf(aes(fill = n), color = "white") +
theme_void() +
scale_fill_gradient(low = "#FFFFFF", high = "#00FF00") +
geom_sf(data = bcn_districts, alpha = 0.1, linewidth = 0.5) +
theme(legend.position = "none") +
annotation_scale()
Mapa del contorno de Barcelona
En el mapa de arriba, podemos querer eliminar los distritos, y mostrar sólo el contorno de Barcelona. Podemos hacer esto con st_union()
bcn_unico_sfc <- st_union(bcn_districts)
bcn_unico_sfcGeometry set for 1 feature
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: 2.052451 ymin: 41.31692 xmax: 2.229203 ymax: 41.46825
Geodetic CRS: WGS 84MULTIPOLYGON (((2.102914 41.40109, 2.102839 41....El sf resultante es bcn_unico.
bcn_unico <- st_as_sf(bcn_unico_sfc)
bcn_unicoSimple feature collection with 1 feature and 0 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: 2.052451 ymin: 41.31692 xmax: 2.229203 ymax: 41.46825
Geodetic CRS: WGS 84
x
1 MULTIPOLYGON (((2.102914 41...Este es el resultado con el nuevo mapa:
bcn_grid_sf_color |>
ggplot() +
geom_sf(aes(fill = n), color = "white") +
theme_void() +
scale_fill_gradient(low = "#FFFFFF", high = "#00FF00") +
geom_sf(data = bcn_unico, alpha = 0.1, linewidth = 0.5) +
theme(legend.position = "none") +
annotation_scale()
Mapa de distribucion de Restaurants 2024
Obtenemos el mapa de restaurants 2024 creando primero el mapa de Barcelona y luego dibujando los puntos. El orden importa si queremos que se vean los puntos. En los dos casos usamos geom_sf(), pero con datos distintos.Aqui hay los comercios con actividad.
bcn_districts |>
ggplot() +
geom_sf(fill = "white") +
geom_sf(data = filter(comercios_2024_sf, codi_principal_activitat == 1, nom_activitat == "Restaurants"), size = 0.5) + theme_void()
Restaurants de cada distrito
Si queremos saber el distrito en que está cada restaurant 2024, hemos de hacer un join espacial con st_join(). En este caso, queremos llevar la columna n_distri de bcn_districts a comercios_2024_sf, guardando el resultado en comercio2024_distrito.
restaurants2024_distrito <- st_join(filter(comercios_2024_sf, codi_principal_activitat == 1, nom_activitat == "Restaurants"),
bcn_districts |> select(n_distri),
join = st_intersects)
restaurants2024_distritoSimple feature collection with 4430 features and 48 fields
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 2.088023 ymin: 41.35142 xmax: 2.220413 ymax: 41.46628
Geodetic CRS: WGS 84
# A tibble: 4,430 × 49
id_global id_bcn_2016 codi_principal_activ…¹ nom_principal_activi…²
* <chr> <dbl> <dbl> <chr>
1 6a8c18de-61f6-44ec… NA 1 Actiu
2 8395faa6-c4e2-465b… 69653 1 Actiu
3 bf8b59ac-60b3-480e… 68794 1 Actiu
4 5f16c65a-22fa-4eca… 63927 1 Actiu
5 c6fecb80-4ff9-43cd… 71166 1 Actiu
6 e0e67cec-5bca-4ff4… 42221 1 Actiu
7 ac4498a8-0630-4794… 42713 1 Actiu
8 e9651eba-8816-4244… 66513 1 Actiu
9 c15aea6a-5089-464a… 21262 1 Actiu
10 8be7a99d-eb21-4b45… 51269 1 Actiu
# ℹ 4,420 more rows
# ℹ abbreviated names: ¹codi_principal_activitat, ²nom_principal_activitat
# ℹ 45 more variables: codi_sector_activitat <dbl>, nom_sector_activitat <chr>,
# codi_grup_activitat <dbl>, nom_grup_activitat <chr>,
# codi_activitat_2022 <dbl>, nom_activitat <chr>, codi_activitat_2016 <chr>,
# nom_local <chr>, sn_oci_nocturn <chr>, sn_coworking <chr>,
# sn_servei_degustacio <chr>, sn_obert24h <chr>, sn_mixtura <chr>, …Podemos usar la nueva columna n_distri como argumento de color en el mapping aes() para mostrar los restaurants con actividad de cada distrito de un color diferente.
bcn_districts |>
ggplot() +
geom_sf(fill = "white") +
geom_sf(data = restaurants2024_distrito, aes(color = n_distri), size = 0.5) +
theme_void() +
theme(legend.position = "none")
Indicadores de restaurants 2024 por distrito
Podemos usar la información de restaurants2024_distrito para obtener indicadores del comercio en cada distrito. El número absoluto de comercio se puede escalar a partir de:
st_area() (aunque el mapa de Barcelona ya tiene esa información).homes y dones.Comercios 2024 por kilómetro cuadrado
Contamos el número de comercios del 2024 de cada distrito(con actividad) con group_by() y count() sobre comercio2024_distrito, y guardamos el resultado en num_comercios_2024.
num_restaurants_2024 <- restaurants2024_distrito |>
group_by(n_distri,) |>
count() |>
rename(n_restaurants = n) |>
st_drop_geometry() # elimino la columna geometryAhora podemos añadir esta información al mapa de Barcelona con un left_join().
bcn_districts <- left_join(bcn_districts,
num_restaurants_2024,
by = "n_distri")
bcn_districtsSimple feature collection with 10 features and 17 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: 2.052451 ymin: 41.31692 xmax: 2.229203 ymax: 41.46825
Geodetic CRS: WGS 84
area c_distri n_distri homes dones cartodb_id perim
1 20092803 5 Sarrià-Sant Gervasi 67799 80113 5 37563.64
2 11947078 7 Horta-Guinardó 79017 89075 7 20413.19
3 4368465 1 Ciutat Vella 53968 48379 1 21035.21
4 7476392 2 Eixample 123571 142906 2 13902.57
5 22940419 3 Sants-Montjuïc 87877 95243 3 47125.93
6 6017532 4 Les Corts 38331 43939 4 12481.47
7 4185517 6 Gràcia 55611 65891 6 12280.06
8 8041439 8 Nou Barris 78448 87862 8 14698.41
9 6565322 9 Sant Andreu 70151 77581 9 15132.45
10 10523762 10 Sant Martí 113572 122147 10 20736.53
coord_x coord_y n_comercios comercios_2024_km2 comercios_2024_hab
1 2.106121 41.41277 6285 312.7986 424.9148
2 2.150531 41.42914 4156 347.8675 247.2456
3 2.181049 41.38084 6624 1516.3222 647.2100
4 2.164488 41.39162 13559 1813.5754 508.8244
5 2.144933 41.34995 5813 253.3955 317.4421
6 2.118214 41.38697 2957 491.3975 359.4263
7 2.152398 41.41015 5529 1320.9839 455.0542
8 2.175060 41.44624 4398 546.9171 264.4459
9 2.193309 41.43505 4719 718.7767 319.4298
10 2.201221 41.40761 7835 744.5056 332.3873
densidad densidad_cut comercios_2024_km2_cut comercios_2024_hab_cut
1 7361.442 (7.33e+03,1.44e+04] (252,643] (347,447]
2 14069.717 (7.33e+03,1.44e+04] (252,643] (247,347]
3 23428.597 (2.15e+04,2.86e+04] (1.42e+03,1.82e+03] (547,648]
4 35642.462 (2.86e+04,3.57e+04] (1.42e+03,1.82e+03] (447,547]
5 7982.417 (7.33e+03,1.44e+04] (252,643] (247,347]
6 13671.718 (7.33e+03,1.44e+04] (252,643] (347,447]
7 29029.152 (2.86e+04,3.57e+04] (1.03e+03,1.42e+03] (447,547]
8 20681.622 (1.44e+04,2.15e+04] (252,643] (247,347]
9 22501.868 (2.15e+04,2.86e+04] (643,1.03e+03] (247,347]
10 22398.740 (2.15e+04,2.86e+04] (643,1.03e+03] (247,347]
n_restaurants geometry
1 365 MULTIPOLYGON (((2.072115 41...
2 136 MULTIPOLYGON (((2.176161 41...
3 660 MULTIPOLYGON (((2.18239 41....
4 1432 MULTIPOLYGON (((2.18239 41....
5 414 MULTIPOLYGON (((2.167847 41...
6 241 MULTIPOLYGON (((2.102914 41...
7 289 MULTIPOLYGON (((2.168652 41...
8 173 MULTIPOLYGON (((2.187454 41...
9 222 MULTIPOLYGON (((2.207194 41...
10 498 MULTIPOLYGON (((2.207194 41...Definiendo indicadores
Una vez obtenido el número de restaurants por distritos, podemos obtener:
restaurants_2024_km2`.restaurants_2024_hab`.Para obtener un mapa con cuatro colores, usamos cut() sobre cada una de las variables creadas.
bcn_districts <- bcn_districts |>
mutate(restaurants_2024_km2 = n_restaurants*1000000/area,
restaurants_2024_hab = n_restaurants * 10000/(homes + dones),
restaurants_2024_km2_cut = cut(restaurants_2024_km2, 4),
restaurants_2024_hab_cut = cut(restaurants_2024_hab, 4))
bcn_districtsSimple feature collection with 10 features and 21 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: 2.052451 ymin: 41.31692 xmax: 2.229203 ymax: 41.46825
Geodetic CRS: WGS 84
area c_distri n_distri homes dones cartodb_id perim
1 20092803 5 Sarrià-Sant Gervasi 67799 80113 5 37563.64
2 11947078 7 Horta-Guinardó 79017 89075 7 20413.19
3 4368465 1 Ciutat Vella 53968 48379 1 21035.21
4 7476392 2 Eixample 123571 142906 2 13902.57
5 22940419 3 Sants-Montjuïc 87877 95243 3 47125.93
6 6017532 4 Les Corts 38331 43939 4 12481.47
7 4185517 6 Gràcia 55611 65891 6 12280.06
8 8041439 8 Nou Barris 78448 87862 8 14698.41
9 6565322 9 Sant Andreu 70151 77581 9 15132.45
10 10523762 10 Sant Martí 113572 122147 10 20736.53
coord_x coord_y n_comercios comercios_2024_km2 comercios_2024_hab
1 2.106121 41.41277 6285 312.7986 424.9148
2 2.150531 41.42914 4156 347.8675 247.2456
3 2.181049 41.38084 6624 1516.3222 647.2100
4 2.164488 41.39162 13559 1813.5754 508.8244
5 2.144933 41.34995 5813 253.3955 317.4421
6 2.118214 41.38697 2957 491.3975 359.4263
7 2.152398 41.41015 5529 1320.9839 455.0542
8 2.175060 41.44624 4398 546.9171 264.4459
9 2.193309 41.43505 4719 718.7767 319.4298
10 2.201221 41.40761 7835 744.5056 332.3873
densidad densidad_cut comercios_2024_km2_cut comercios_2024_hab_cut
1 7361.442 (7.33e+03,1.44e+04] (252,643] (347,447]
2 14069.717 (7.33e+03,1.44e+04] (252,643] (247,347]
3 23428.597 (2.15e+04,2.86e+04] (1.42e+03,1.82e+03] (547,648]
4 35642.462 (2.86e+04,3.57e+04] (1.42e+03,1.82e+03] (447,547]
5 7982.417 (7.33e+03,1.44e+04] (252,643] (247,347]
6 13671.718 (7.33e+03,1.44e+04] (252,643] (347,447]
7 29029.152 (2.86e+04,3.57e+04] (1.03e+03,1.42e+03] (447,547]
8 20681.622 (1.44e+04,2.15e+04] (252,643] (247,347]
9 22501.868 (2.15e+04,2.86e+04] (643,1.03e+03] (247,347]
10 22398.740 (2.15e+04,2.86e+04] (643,1.03e+03] (247,347]
n_restaurants geometry restaurants_2024_km2
1 365 MULTIPOLYGON (((2.072115 41... 18.16571
2 136 MULTIPOLYGON (((2.176161 41... 11.38354
3 660 MULTIPOLYGON (((2.18239 41.... 151.08282
4 1432 MULTIPOLYGON (((2.18239 41.... 191.53625
5 414 MULTIPOLYGON (((2.167847 41... 18.04675
6 241 MULTIPOLYGON (((2.102914 41... 40.04964
7 289 MULTIPOLYGON (((2.168652 41... 69.04763
8 173 MULTIPOLYGON (((2.187454 41... 21.51356
9 222 MULTIPOLYGON (((2.207194 41... 33.81403
10 498 MULTIPOLYGON (((2.207194 41... 47.32148
restaurants_2024_hab restaurants_2024_km2_cut restaurants_2024_hab_cut
1 24.676835 (11.2,56.4] (22.2,36.3]
2 8.090807 (11.2,56.4] (8.03,22.2]
3 64.486502 (146,192] (50.4,64.5]
4 53.738221 (146,192] (50.4,64.5]
5 22.608126 (11.2,56.4] (22.2,36.3]
6 29.293789 (11.2,56.4] (22.2,36.3]
7 23.785617 (56.4,101] (22.2,36.3]
8 10.402261 (11.2,56.4] (8.03,22.2]
9 15.027211 (11.2,56.4] (8.03,22.2]
10 21.126850 (11.2,56.4] (8.03,22.2]Mapas con indicadores de densidad
Ya podemos obtener cada uno de los mapas. He definido los colores a mostrar con diferentes paletas de scale_fill_brewer() y he usado annotation_scale() y annotation_north_arrow() para añadir contexto al mapa.
ggplot(bcn_districts) +
geom_sf(aes(fill = restaurants_2024_km2_cut)) +
scale_fill_brewer(palette = "Greens") +
theme_void(base_size = 12) +
theme(legend.position = "none") +
labs(title = "Restaurants 2024 por Km2", caption = "Fuente: OpenData BCN") +
annotation_scale() +
annotation_north_arrow(location = "tr", height = unit(1, "cm"),
width = unit(1, "cm"))
El mapa de restaurants por habitante:
ggplot(bcn_districts) +
geom_sf(aes(fill = restaurants_2024_hab_cut)) +
scale_fill_brewer(palette = "YlOrRd") +
theme_void(base_size = 12) +
theme(legend.position = "none") +
labs(title = "Restaurants por habitante", caption = "Fuente: OpenData BCN") +
annotation_scale() +
annotation_north_arrow(location = "tr", height = unit(1, "cm"),
width = unit(1, "cm"))
Número de restaurants en cada celda
Ya podemos ver cuántos restaurants hay en cada malla. Primero obtenemos el id de malla de cada restaurant con st_join().
restaurants_grid <- st_join(filter(comercios_2024_sf, codi_principal_activitat == 1, nom_activitat == "Restaurants"), bcn_grid_sf, join = st_intersects)Luego contamos cuántos restaurants hay en cada área de la malla…
restaurants_grid_num <- restaurants_grid |>
group_by(grid_id) |>
count() |>
st_drop_geometry()
restaurants_grid_num |>
arrange(-n) |>
slice(1:10)# A tibble: 10 × 2
grid_id n
<int> <int>
1 438 103
2 439 98
3 381 87
4 382 83
5 467 80
6 468 73
7 412 72
8 409 71
9 350 67
10 349 65… y llevamos el resultado a la malla, obteniedo bcn_grid_sf_color.
bcn_grid_sf_color <- left_join(bcn_grid_sf,
restaurants_grid_num, by = "grid_id") |>
mutate(n = ifelse(is.na(n), 0, n))Aquí podemos ver algunos de los elementos de la malla con más restaurants.
bcn_grid_sf_color |>
arrange(-n) |>
select(grid_id, n) |>
slice(1:10)Simple feature collection with 10 features and 2 fields
Geometry type: POLYGON
Dimension: XY
Bounding box: xmin: 2.146719 ymin: 41.37241 xmax: 2.182069 ymax: 41.39763
Geodetic CRS: WGS 84
grid_id n bcn_grid
1 438 103 POLYGON ((2.152611 41.38754...
2 439 98 POLYGON ((2.158502 41.38754...
3 381 87 POLYGON ((2.170286 41.37745...
4 382 83 POLYGON ((2.176177 41.37745...
5 467 80 POLYGON ((2.146719 41.39259...
6 468 73 POLYGON ((2.152611 41.39259...
7 412 72 POLYGON ((2.176177 41.3825,...
8 409 71 POLYGON ((2.158502 41.3825,...
9 350 67 POLYGON ((2.164394 41.37241...
10 349 65 POLYGON ((2.158502 41.37241...Mapa de la grid de restaurants
Ahora ya podemos usar el número de restaurants n como fill del aes() en la malla. Cada cuadrado de la malla tendrá un color definido por el número de restaurants que hay en él.
Usamos una escala de gradiente scale_fill_gradient() definiendo el blanco como color para cero restaurants y el verde para el máximo número de restaurants.
bcn_grid_sf_color |>
ggplot() +
geom_sf(aes(fill = n), color = "white") +
theme_void() +
scale_fill_gradient(low = "#FFFFFF", high = "#00FF00") +
geom_sf(data = bcn_districts, alpha = 0.1, linewidth = 0.5) +
theme(legend.position = "none") +
annotation_scale()
Mapa del contorno de Barcelona
En el mapa de arriba, podemos querer eliminar los distritos, y mostrar sólo el contorno de Barcelona. Podemos hacer esto con st_union()
bcn_unico_sfc <- st_union(bcn_districts)
bcn_unico_sfcGeometry set for 1 feature
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: 2.052451 ymin: 41.31692 xmax: 2.229203 ymax: 41.46825
Geodetic CRS: WGS 84MULTIPOLYGON (((2.102914 41.40109, 2.102839 41....El sf resultante es bcn_unico.
bcn_unico <- st_as_sf(bcn_unico_sfc)
bcn_unicoSimple feature collection with 1 feature and 0 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: 2.052451 ymin: 41.31692 xmax: 2.229203 ymax: 41.46825
Geodetic CRS: WGS 84
x
1 MULTIPOLYGON (((2.102914 41...Este es el resultado con el nuevo mapa:
bcn_grid_sf_color |>
ggplot() +
geom_sf(aes(fill = n), color = "white") +
theme_void() +
scale_fill_gradient(low = "#FFFFFF", high = "#00FF00") +
geom_sf(data = bcn_unico, alpha = 0.1, linewidth = 0.5) +
theme(legend.position = "none") +
annotation_scale()
En el año 2024, se identificó que las actividades comerciales más representativas en Barcelona son los restaurants, bares/cibercafés, y los servicios a empresas y oficinas. Estas actividades presentan una mayor concentración en distritos como Eixample, Sant Martí y Ciutat Vella, lo que evidencia una fuerte centralización de la actividad económica en zonas urbanas de alta densidad y flujo poblacional.
Entre 2019 y 2024 se observa una disminución general en el número de establecimientos en espacios de concentración comercial, con especial impacto en las galerías y centros comerciales, probablemente como consecuencia de la pandemia. Sin embargo, algunos mercados y ejes comerciales han mostrado resiliencia, manteniendo o incluso aumentando su actividad, lo cual sugiere una adaptación más ágil a los cambios del entorno.
El análisis geoespacial muestra que las zonas de mayor densidad comercial en 2024 se concentran principalmente en el centro de la ciudad, especialmente en distritos como Eixample y Ciutat Vella. En contraste, las áreas periféricas presentan una menor densidad, lo que revela una desigual distribución territorial del comercio y pone en evidencia la necesidad de políticas que fomenten una mayor descentralización de la actividad comercial.