exa

setwd("C:/Users/InnoVausuario/Desktop/LESLIE UNL MAESTRIA/ANALYTICS/deber final/nxcantones_V2-20250608T013535Z-1-001/nxcantones_V2")
library(spdep)

Cargando paquete requerido: spData

To access larger datasets in this package, install the spDataLarge
package with: `install.packages('spDataLarge',
repos='https://nowosad.github.io/drat/', type='source')`

Cargando paquete requerido: sf

Linking to GEOS 3.13.0, GDAL 3.10.1, PROJ 9.5.1; sf_use_s2() is TRUE

shape_canton <- st_read("NXCantones.shp")

Reading layer `NXCantones' from data source 
  `C:\Users\InnoVausuario\Desktop\LESLIE UNL MAESTRIA\ANALYTICS\deber final\nxcantones_V2-20250608T013535Z-1-001\nxcantones_V2\NXCantones.shp' 
  using driver `ESRI Shapefile'
Simple feature collection with 221 features and 12 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -732143.5 ymin: 9445216 xmax: 1147852 ymax: 10189400
Projected CRS: WGS 84 / UTM zone 17S

print(shape_canton)

Simple feature collection with 221 features and 12 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -732143.5 ymin: 9445216 xmax: 1147852 ymax: 10189400
Projected CRS: WGS 84 / UTM zone 17S
First 10 features:
    D_R D_R_B D_R_A DPA_VALOR DPA_ANIO DPA_CANTON ID_CANTON DPA_DESCAN
1  <NA>  <NA>  <NA>         0     2011       0101       101         NA
2  <NA>  <NA>  <NA>         0     2011       0102       102         NA
3  <NA>  <NA>  <NA>         0     2011       0103       103         NA
4  <NA>  <NA>  <NA>         0     2011       0104       104         NA
5  <NA>  <NA>  <NA>         0     2011       0105       105         NA
6  <NA>  <NA>  <NA>         0     2011       0106       106         NA
7  <NA>  <NA>  <NA>         0     2011       0107       107         NA
8  <NA>  <NA>  <NA>         0     2011       0108       108         NA
9  <NA>  <NA>  <NA>         0     2011       0109       109         NA
10 <NA>  <NA>  <NA>         0     2011       0110       110         NA
   DPA_PROVIN DPA_DESPRO CODIGO       CANTON                       geometry
1          01      AZUAY    101       Cuenca MULTIPOLYGON (((678670.4 97...
2          01      AZUAY    102        Giron MULTIPOLYGON (((719040.2 96...
3          01      AZUAY    103     Gualaceo MULTIPOLYGON (((763237.9 96...
4          01      AZUAY    104        Nabon MULTIPOLYGON (((729367 9636...
5          01      AZUAY    105        Paute MULTIPOLYGON (((762177.3 96...
6          01      AZUAY    106       Pucara MULTIPOLYGON (((669285.4 96...
7          01      AZUAY    107 San Fernando MULTIPOLYGON (((696094.9 96...
8          01      AZUAY    108 Santa Isabel MULTIPOLYGON (((688511 9660...
9          01      AZUAY    109       Sigsig MULTIPOLYGON (((747464.4 96...
10         01      AZUAY    110       O\xa4a MULTIPOLYGON (((716412.7 96...

Datos transpuesto

library(readxl)
ocupados_2022 <- read_excel("ocupados_2022.xlsx")
View(ocupados_2022)

Unir shape cantonal con datos de Ocupados

ls()

[1] "ocupados_2022" "shape_canton" 

shape_merge <- merge(shape_canton, ocupados_2022, by = "ID_CANTON")

Base de datos Ocupados_2022 del INEC

Esta información permite conocer el numero de personas coupadas por cantón en el año 2022.

Transformar shape con datos

shape_canton <- st_transform(shape_merge, crs = 4326)

Location

Plotting ocupados_2022 en Google maps

library(leaflet)
coords <- data.frame(lon = c(-78.9486770295817, -79.89498107314053, -78.624366841643), lat = c(-4.062113007435117, -2.188172304446958, -1.2549122134219175), name = c("Centro A", "Centro B", "Centro C"))
leaflet() %>%
  addTiles() %>%
  addMarkers(data = coords, ~lon, ~lat, popup = ~name)

Analisis

En el mapa se puede apreciar tres puntos exactos los cuales representan las ciudadades de Zamora, Ambato y Guayaquil y se puede evidenciar la distancia entre las mismas.

Conectar puntos con líneas (con coordenadas Manta - Pastaza)

library(leaflet)
leaflet() %>%
  addTiles() %>%
  addPolylines(lng = c(-0.9669435545495956, 80.70968777114926), lat = c(-1.492357569835877, -77.99996558909977), color = "purple", weight = 2)

Analisis

La distancia entre estas dos ciudades (Manta y Puyo)es representativa, debido a que se encuentran en dos regiones diferentes por ende se aprecia una distancia considerable.

Crear mapa de calor (con puntos de ejemplo)

library(leaflet.extras)
coords <- data.frame(lon = c(-78.9486770295817, -79.89498107314053, -78.624366841643), lat = c(-4.062113007435117, -2.188172304446958, -1.2549122134219175), intensity = c(600, 600, 900))
leaflet() %>%
  addTiles() %>%
  addHeatmap(data = coords, lat = ~lat, lng = ~lon, intensity = ~intensity, blur = 5, max = 1)

Mapa de coropletas con ggplot2

library(ggplot2)
ggplot(data = shape_canton) +
  geom_sf(aes(fill = shape_canton$OCUPADOS)) + 
  scale_fill_viridis_c() +
  theme_minimal() +
  labs(title = "Personas_ocupadas2022")

Warning: Use of `shape_canton$OCUPADOS` is discouraged.
ℹ Use `OCUPADOS` instead.

ANALISIS

El presente estudio permitió analizar y describir la distribución espacial de las personas ocupadas en los cantones del Ecuador durante el año 2022. Los resultados evidencian que la mayor concentración de población ocupada se encuentra en los principales Cantones del país, específicamente en Quito, Cuenca, Guayaquil, Ambato y Santo Domingo.Por otro lado, los cantones con menor proporción de personas ocupadas son El Pan (Azuay), Chilla (El Oro), Logroño y Pablo Sexto (Morona Santiago), lo que refleja la menor densidad económica y productiva en estas zonas.Estos hallazgos permiten identificar patrones de concentración laboral y contribuyen a comprender las desigualdades territoriales en la distribución del empleo, aspectos clave para la formulación de políticas públicas orientadas al desarrollo regional sostenible.