INTRODUCCION

Este informe tiene como objetivo analizar una base de datos sobre comparendos de tránsito en la ciudad de Barranquilla, correspondientes a los meses de abril y mayo de 2010.

DESCRIPCION GENERAL

La base de datos contiene 17 columnas con información detallada de los comparendos. Los datos los datos mas importantes que podemos encontrar son:

  • Información del infractor: Nombre, género, tipo y número de identificación.

  • Información del vehículo: Placa y tipo.

  • Detalles de la infracción: Código, nombre, valor a pagar y fecha general y desglosada por día, mes, año, nombre del día y nombre del mes.

  colnames(df)
##  [1] "No. MANDAMIENTO DE PAGO"   "FECHA MANDAMIENTO DE PAGO"
##  [3] "EJECUTADO"                 "TIPO DE IDENTIFICACION"   
##  [5] "No. IDENTIFICACION"        "SEXO"                     
##  [7] "COD. INFRACCION"           "COMPARENDO"               
##  [9] "FECHA DE COMPARENDO"       "FECHA"                    
## [11] "AÑO"                       "DIA"                      
## [13] "MES"                       "NOMBRE DEL MES"           
## [15] "PACA DE VEHICULO"          "TIPO DE VEHICULO"         
## [17] "VALOR_A_PAGAR"
completo <- df
datos<- completo %>% filter(`FECHA DE COMPARENDO` < "2010-12-31")

ANALISIS DE RESULTADOS

A continuación se relacionan los hallazgos después de realizado el análisis de datos de la Base de Datos Comparendos para el año 2010

- Distribución de Comparendos por Género/Empresa

 datos %>%
  count(SEXO) %>% 
ggplot(aes(x = reorder(SEXO, -n), y = n, fill = SEXO)) + 
geom_col() + 
labs(title = "Distribucion de Comparendos por Genero", x = "Genero" , y = " Cantidad") + theme(legend.position = "none")

Los comparendos se concentran principalmente en mujeres y hombres, siendo las mujeres el grupo con mayor número de infracciones. También se observa una presencia relevante de las empresas, lo que indica que una parte de los comparendos corresponde a vehículos corporativos o flotas.

- TOP 10 Infracciones con mayor recaudo

datos %>%
  group_by(`COD. INFRACCION`) %>% 
  summarise(Total = sum(VALOR_A_PAGAR, na.rm = TRUE)) %>% 
  arrange(desc(Total)) %>% 
  top_n(10, Total) %>% 
  ggplot(aes(x = reorder(`COD. INFRACCION`, Total), y = Total)) + 
  geom_col(fill = "darkred") + 
  coord_flip() + 
  labs(title = "Top 10 Infracciones con Mayor Recaudo", 
       x = "Infraccion",   
       y = "Total Recaudado") +
scale_y_continuous(labels = comma)

El gráfico muestra una concentración extrema del recaudo en una sola infracción, lo que puede ser un indicador para la toma de decisiones en materia de control vial y campañas de prevención.

El análisis del top 10 de infracciones con mayor recaudo muestra que la infracción 64 concentra la mayor parte de los ingresos económicos, seguida por la 77 con un aporte mucho menor. Las demás infracciones (67 y 76) tienen una participación marginal. Esto refleja una distribución altamente desigual, donde pocas infracciones generan la mayor carga económica en los comparendos.

- Cantidad de Comparendos por Motos

motos_pocentaje <- datos %>%
  filter(`TIPO DE VEHICULO` == "MOTO") %>%
  group_by(SEXO) %>%
  summarise(n = n()) %>%
  mutate(porcentaje = n / sum(n)) %>%
  mutate(etiqueta = paste0(round(porcentaje * 100), "%"))

ggplot(motos_pocentaje, aes(x = "", y = n, fill = as.factor(SEXO))) +
  geom_bar(width = 1, stat = "identity") +
  geom_text(aes(label = etiqueta),
            position = position_stack(vjust = 0.5)) +
  coord_polar(theta = "y", start = 0) +
  theme_void() +
  labs(title = "Cantidad de Comparendos por Motos",fill = "GENERO")

Los comparendos de motos podemos ver que los hombres son los que tienen la mayor proporción de comparendos en motos teniendo casi la mitad de las infracciones esto refleja una mayor presencia en este vehiculo , las mujeres mantienen una participación relevante, aunque menor que en carros , empresas y cédula nueva tienen poca incidencia en motos .

- Cantidad de Comparendos en Carros

carros_pocentaje <- datos %>%
  filter(`TIPO DE VEHICULO` == "CARRO") %>%
  group_by(SEXO) %>%
  summarise(n = n()) %>%
  mutate(porcentaje = n / sum(n)) %>%
  mutate(etiqueta = paste0(round(porcentaje * 100), "%"))

ggplot(carros_pocentaje, aes(x = "", y = n, fill = as.factor(SEXO))) +
  geom_bar(width = 1, stat = "identity") +
  geom_text(aes(label = etiqueta),
            position = position_stack(vjust = 0.5)) +
  coord_polar(theta = "y", start = 0) +
  theme_void() +
  labs(title = "Cantidad de comparendos por carro",fill = "GENERO")

Los comparendos en Carros estan concentrados en las mujeres quienes lideran el analisis . Los Hombres y las empresas suman la mitad de los comparendos en carros demostrando que son actores relevantes en la recurrencia de infracciones de transito.

- Comparendos en los meses de abril y mayo

pagos <- df %>%
  group_by(`NOMBRE DEL MES`,`SEXO`) %>%
  summarise(TOTAL = sum(`VALOR_A_PAGAR`)) %>% #sumo valor a pagar para que me de los precios de las infracciones
  pivot_wider(names_from = SEXO, values_from = TOTAL)

knitr::kable(pagos, align = "lcccc")
NOMBRE DEL MES CÉDULA NUEVA EMPRESA HOMBRE MUJER
Abril 16239300 83829900 99191400 113236200
Mayo 22383900 123330900 170732100 301524300

Todos los generos muestran un incremento en los comparendos de Abril a Mayo, encontrando un mayor aumento en el caso de las mujeres resaltando la tendencia de este grupo poblacional. Esto sugiere que en mayo se presento una intensificación de controles por las autoridad o un aumento en la movilidad, lo que generó los indices de comparendos sobre todo en mujeres y empresas.

CONCLUSIONES

Los comparendos están altamente concentrados en la población natural (mujeres y hombres), con diferentes tipos de vehículos, y que existe un crecimiento notable en el número en la cantidad de infracciones en el tiempo de estudio.

Los comparendos se concentran principalmente en mujeres y hombres, con las mujeres como el grupo con mayor participación en carros y los hombres liderando en motos.

Se observa un aumento generalizado en todas las categorías de comparendos entre abril y mayo.

Las infracciones más frecuentes también son las de mayor recaudo, lo que refleja que las sanciones tienen un impacto económico significativo en los conductores y las empresas.

REFERENCIAS

  • Base de Datos Comparendos