Introduccion

El análisis de la movilidad en Colombia constituye un aspecto fundamental para comprender las dinámicas sociales, económicas y de seguridad vial en el país. Dentro de este ámbito, los comparendos de tránsito representan una fuente de información clave, pues permiten identificar los comportamientos más frecuentes de los conductores, los tipos de vehículos más involucrados en infracciones y las características de los infractores.

El presente informe se centra en el estudio de los comparendos registrados en un periodo específico, con el propósito de describir las tendencias y patrones más relevantes. A través de consultas y representaciones gráficas, se analizarán variables como el tipo de vehículo, el género del infractor, y otras categorías que permiten obtener una visión más completa de las conductas que afectan la movilidad.

Este trabajo no solo busca presentar cifras, sino también generar reflexiones sobre los factores que podrían estar influyendo en el comportamiento de los actores viales. De esta manera, el análisis se convierte en un insumo útil para la formulación de estrategias de prevención, educación vial y control, contribuyendo al objetivo de mejorar la seguridad en las vías del país.

Hora de analizar

1. Total de comparendos por tipo de vehiculo

knitr::opts_chunk$set(echo = TRUE, message = FALSE)
library(knitr)

#cuenta cuantos comparendos tiene cada tipo de vehiculo
#sort true los ordena de mayor a menor
datos %>%
  count(TIPO.DE.VEHICULO, sort = TRUE) %>%
  kable(
    col.names = c("Tipo de vehículo", "Número de comparendos"),
     align = "c")
Tipo de vehículo Número de comparendos
CARRO 1938
MOTO 182 
datos %>%
  count(TIPO.DE.VEHICULO, sort = TRUE) %>%
#ordena los vehiculos segun la cantidad de carros, "n" la cantidad de #carros
  ggplot(aes(x = reorder(TIPO.DE.VEHICULO, n), y = n)) +
  #rellena el grafico con barras rojas
  geom_col(fill = "red") +
    geom_text(aes(label = n), hjust = 1.2, color = "white", size = 4) +

  coord_flip() +
  #añadimos titulos al grafico
  labs(x = "Tipo de vehículo", y = "Comparendos", title = "Comparendos por tipo de vehículo")

Del total de comparendos registrados, se evidencia un predominio en los carros del (91%), mientras que las motos representan únicamente el 9%. Este comportamiento puede estar relacionado con la mayor circulación de carros en la zona analizada o con una mayor vigilancia sobre este tipo de vehículos. En próximos análisis sería pertinente relacionar este dato con la distribución real del parque automotor para validar la representatividad de la información.

2. Compadendos por tipo de infractor (Genero | Empresa)

datos %>%
  count(SEXO, sort = TRUE) %>%
  kable(
    col.names = c("Genero", "Número de comparendos"),
    align = "c"
  )
Genero Número de comparendos
MUJER 945
HOMBRE 615
EMPRESA 472
CÉDULA NUEVA 88 
datos %>%
  count(SEXO, sort = TRUE) %>%
  ggplot(aes(x = reorder(SEXO, n), y = n, fill = SEXO)) +
  geom_col(show.legend = FALSE) +
  coord_flip() +
  labs(title = "Comparendos por género del infractor",
       x = "Género", y = "Número de comparendos") +
  geom_text(aes(label = n), hjust = -0.2) +
  theme_minimal()

3. Numero de comparendos por tipo de infraccion

library(dplyr)
library(knitr)
library(ggplot2)

# 1. Diccionario
diccionario <- data.frame(
  COD..INFRACCION = c(64, 67, 76, 77),
  NOMBRE.INFRACCION = c("Exceder velocidad maxima",
                        "No respetar paso peaton",
                        "Transitar en sentido contrario",
                        "No detenerse ante semaforo o pare")
)

# 2. Unir datos con diccionario
datos_join <- datos %>%
  left_join(diccionario, by = "COD..INFRACCION")

# 3. Crear tabla resumen (data.frame)
tabla_resumen <- datos_join %>%
  count(NOMBRE.INFRACCION, sort = TRUE)

# 4. Mostrar tabla bonita
tabla_resumen %>%
  kable(
    col.names = c("Tipo de infracción", "Número de comparendos"),
    align = "c"
  )
Tipo de infracción Número de comparendos
Exceder velocidad maxima 1626
No detenerse ante semaforo o pare 385
No respetar paso peaton 105
Transitar en sentido contrario 4 
# 5. Gráfico con ggplot (usando tabla_resumen)
ggplot(tabla_resumen, aes(x = reorder(NOMBRE.INFRACCION, -n), y = n, fill = NOMBRE.INFRACCION)) +
  geom_col(show.legend = FALSE) +
  geom_text(aes(label = n), vjust = -0.5) +
  labs(
    title = "Número de comparendos por tipo de infracción",
    x = "Tipo de infracción",
    y = "Número de comparendos"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 20, hjust = 1))

El análisis de las infracciones evidencia que el exceso de velocidad constituye el mayor problema en materia de tránsito, superando ampliamente a las demás causas. Este resultado sugiere la necesidad de reforzar las campañas de educación vial y los controles de velocidad en las vías. Por su parte, el incumplimiento de señales de tránsito y el irrespeto al paso de peatones siguen siendo conductas recurrentes, mientras que circular en sentido contrario aparece como un comportamiento aislado.

4. TOP 10 personas | Entidades con mas comparendos

library(dplyr)
library(ggplot2)
library(knitr)


top_personas <- datos %>%
  count(EJECUTADO, sort = TRUE) %>%    
  top_n(10, n)


top_personas %>%
  kable(
    col.names = c("Persona", "Número de comparendos"),
    align = "c"
  )
Persona Número de comparendos
LEASING DE CREDITO SA 110
TRANSPORTES MST Y CIA S. EN C 48
FINANCIERA INTERNACIONAL S.A 32
LILIANA ROZO PINZON 27
GMAC FINANCIERA DE COLOMBI 21
UINON FAMILIAR CHARRIS S.EN C 13
ELVIRA DEL CARMEN GARRIDO AREVALO 10
MIGUEL HERNANDO GARAY CALLE 9
BENEMOTORS S.A. 8
FRANCISCO COLLAVINI CIA LTDA. 8
IRIS DEL CARMEN OVIEDO CANTILLO 8
JOSE ANTONIO TOVAR PUCCINI 8
TRANSURBAR LTDA 8 
ggplot(top_personas, aes(x = reorder(EJECUTADO, n), y = n)) +
  #rellenar las columnas de color
  geom_col(fill = "steelblue") +
  #añadir etiqueta de datos
  geom_text(aes(label = n), hjust = -0.2, size = 3.5) + 
  #poner barras horizontales
  coord_flip() + 
  labs(
    title = "Top 10 personas | Entidades con más comparendos",
    x = "Persona",
    y = "Número de comparendos"
  ) +
  theme_minimal()

El análisis del top de personas con más comparendos revela que la mayoría de infracciones están concentradas en empresas de transporte y financieras, siendo “LEASING DE CREDITO SA” la entidad con el mayor número (110). Sin embargo, también se identifican personas naturales reincidentes como “LILIANA ROZO PINZON” (27 comparendos). Estos resultados evidencian que la problemática no es generalizada, sino que está concentrada en un grupo reducido de infractores frecuentes, lo cual abre la posibilidad de enfocar las medidas correctivas en ellos.

5. Comparacion de comparendos por meses

library(dplyr)


datos_mes <- datos %>%
  count(MES) %>%
  mutate(
    MES = case_when(
      MES == "4" ~ "Abril",
      MES == "5" ~ "Mayo",
    )
  )



library(knitr)

datos_mes %>%
  kable(col.names = c("Mes", "Total"), align = "c")
Mes Total
Abril 712
Mayo 1408 
library(ggplot2)

ggplot(datos_mes, aes(x = MES, y = n)) +
  geom_col(fill = "steelblue") +
  labs(title = "Comparendos por mes" )

Conclusiones

El análisis de los comparendos de tránsito permitió identificar patrones relevantes en la movilidad. En primer lugar, se observa que los vehículos tipo carro concentran la mayor cantidad de infracciones, lo que puede asociarse tanto a su predominio en las vías como a una mayor vigilancia sobre ellos.

Asimismo, el estudio evidenció que el exceso de velocidad constituye la principal infracción, lo que sugiere la necesidad urgente de fortalecer estrategias de educación vial, controles efectivos y campañas de sensibilización enfocadas en la prevención de accidentes.

En cuanto a los infractores, se identificó que un número reducido de empresas y personas concentra la mayor cantidad de comparendos, lo que indica comportamientos reiterativos que deben ser intervenidos con medidas más estrictas y personalizadas.

La comparación por meses permitió visualizar tendencias temporales en la ocurrencia de comparendos, lo que brinda una herramienta útil para planificar controles según la estacionalidad del comportamiento vial.

En conclusión, los resultados obtenidos no solo aportan al entendimiento de la dinámica de las infracciones, sino que también ofrecen un punto de partida para el diseño de políticas públicas orientadas a la reducción de la siniestralidad vial, el fortalecimiento del cumplimiento normativo y la promoción de una cultura ciudadana en el tránsito.