1. Introducción

En el presente reporte se analizan los datos de infracciones de tránsito cometidas en la ciudad de Barranquilla desde el 12 de abril hasta mayo 27 de 2010. El objetivo principal es identificar patrones y tendencias que puedan servir como base para diseñar estrategias orientadas a la reducción de estas conductas y, en consecuencia, contribuir a la mejora de la movilidad urbana y la seguridad vial. Paralelamente, este análisis busca resaltar la importancia del uso de herramientas tecnológicas para el tratamiento de la información, demostrando cómo la analítica de datos puede generar aportes significativos en la comprensión y solución de problemáticas sociales. Para este caso en particular, se emplea R Markdown como herramienta de apoyo, dado su potencial en la integración de análisis estadístico, visualización de resultados y elaboración de informes dinámicos y reproducibles.

2. Estadísticas

2.1 Evolución en el tiempo por tipo de infracción

library(lubridate)

comparendos <- comparendos %>%
  mutate(
    FECHA_NUM = as.numeric(`FECHA DE COMPARENDO`),        # número serial
    FECHA_COMPARENDO = as.Date(FECHA_NUM, origin = "1899-12-30")  # fecha real
  )
serie_tiempo <- comparendos %>%
  group_by(FECHA_COMPARENDO, `NOMBRE INFRACCIÓN`) %>%
  summarise(conteo = n(), .groups = "drop")


ggplot(serie_tiempo, aes(x = FECHA_COMPARENDO, y = conteo, color = `NOMBRE INFRACCIÓN`)) + geom_line(size = 1) + labs( title = "Evolución de infracciones", x='', y = "N. de infracciones", color = "Tipo de infracción") +  scale_color_brewer(palette = "Blues") +
  theme_minimal() + theme(
    plot.title = element_text(hjust = 0.5, face = "bold", size = 14),  # Título centrado 
    legend.position = "bottom"   # leyenda abajo
  )

El análisis de la serie temporal de las infracciones de tránsito evidencia que el exceso de velocidad constituye la conducta más recurrente durante el intervalo de observación, superando de manera significativa a las demás categorías registradas. Asimismo, se identifican fluctuaciones periódicas caracterizadas por picos de mayor incidencia en determinados momentos, los cuales podrían estar asociados con patrones de movilidad propios de los fines de semana, días festivos o eventos excepcionales en la dinámica urbana de la ciudad de Barranquilla.

2.2 Número de infracciones por día de semana

infracciones_dia <- comparendos %>% 
  group_by(`NOMBRE DÍA`) %>%
  summarise(conteo = n())

infracciones_dia$`NOMBRE DÍA` <- factor(infracciones_dia$`NOMBRE DÍA`, levels = c("Lunes", "Martes", "Miércoles", "Jueves", "Viernes", "Sábado", "Domingo"))


ggplot(infracciones_dia, aes(x = `NOMBRE DÍA`, y = conteo, fill = `NOMBRE DÍA`)) + geom_col() + labs(title = "Infracciones  por día", x = "", y = "N. de infracciones") + scale_fill_brewer(palette = "Blues") + theme_minimal() + theme(legend.position = "none") + theme(plot.title = element_text(hjust = 0.5, face = "bold", size = 14))  # quitamos la leyenda

De manera más puntual, el análisis por días de la semana evidencia que los sábados y domingos concentran la mayor frecuencia de infracciones de tránsito. Este comportamiento podría estar asociado a un incremento en los desplazamientos relacionados con actividades de ocio y esparcimiento, característicos de los días no laborales. Dicho patrón resalta la influencia de los factores sociales y culturales en la movilidad urbana y en la ocurrencia de comportamientos infractores en la ciudad.

2.3 Frecuencia de infracciones por día de semana

comparendos %>%  mutate(`NOMBRE DÍA` = factor(`NOMBRE DÍA`, levels = c("Lunes", "Martes", "Miércoles", "Jueves", "Viernes", "Sábado", "Domingo"))) %>%
  count(`NOMBRE DÍA`, `NOMBRE INFRACCIÓN`) %>%
  ggplot(aes(x = `NOMBRE DÍA`, y = `NOMBRE INFRACCIÓN`, fill = n)) + geom_tile() + scale_fill_gradient(low = "white", high = "blue") + labs(title = "Frecuencia de infracciones por día",  x = "", y = "") + theme_minimal()

El examen de la distribución de las infracciones de tránsito por día de la semana permite observar un patrón claro y recurrente: la infracción por exceso de velocidad sobresale de manera consistente frente a las demás conductas, sin importar el día considerado. Este hallazgo resulta particularmente significativo, ya que sugiere que la problemática de la velocidad no responde únicamente a factores asociados a días específicos, sino que constituye un comportamiento generalizado en la dinámica vial de la ciudad.

2.4 Número de comparendos por tipo de vehículo

infracciones_vehiculo <- comparendos %>%
  group_by(`TIPO DE VEHICULO`, `NOMBRE INFRACCIÓN`) %>%
  summarise(conteo = n(), .groups = "drop")


ggplot(infracciones_vehiculo, aes(x = `NOMBRE INFRACCIÓN`, y = conteo, fill = `TIPO DE VEHICULO`)) + geom_bar(stat = "identity", position = "dodge") + labs(title = "Infracciones por tipo de vehículo", x = "", y = "N. de infracciones", fill = "Vehículo") + scale_fill_brewer(palette = "Blues") + theme_minimal() + theme(axis.text.x = element_text(angle = 30, hjust = 1)) + theme(plot.title = element_text(hjust = 0.5, face = "bold", size = 14))

Además de los hallazgos previamente expuestos, resulta igualmente relevante examinar la relación entre el tipo de vehículo y la recurrencia de las infracciones de tránsito. En la representación gráfica obtenida, se observa de manera clara que, en el caso de la infracción por exceso de velocidad, los automóviles presentan una superioridad numérica ampliamente marcada frente a las motocicletas. De igual modo, en infracciones como la omisión de luz roja y el irrespeto por la cebra peatonal, los carros registran un mayor número de faltas, consolidándose como el tipo de vehículo con mayor participación en estas conductas.

2.5 Recaudo por tipo de identificación (género)

recaudo_sexo <- comparendos %>%
  group_by(GENERO) %>%
  summarise(recaudo_total = sum(`COSTO COMPARENDO`, na.rm = TRUE))   %>% mutate(pct = recaudo_total / sum(recaudo_total) * 100) #Poner porcentaje

ggplot(recaudo_sexo, aes(x = "", y = recaudo_total, fill = GENERO)) + geom_col(width = 1, color = "white") + coord_polar(theta = "y") + geom_text(aes(label = sprintf("%.2f%%", pct)), position = position_stack(vjust = 0.5)) + labs(title = "Recaudo por género", fill = "Género") + scale_fill_brewer(palette = "Blues")+ theme_void() + theme(plot.title = element_text(hjust = 0.5, face = "bold", size = 14)) #coord_polar para pie chart

Dentro del alcance de este análisis, también resulta pertinente considerar la variable de género de los infractores, dado que este factor puede ofrecer perspectivas adicionales sobre los patrones de comportamiento vial. En este caso, los resultados muestran que el porcentaje del recaudo derivado de las infracciones está concentrado en un 46% por parte del género femenino, mientras que el género masculino aporta un 31,89%. Por su parte, los vehículos registrados bajo entidades institucionales representan únicamente un 22,08% del recaudo total.

3. Conclusión

El análisis de los comparendos de tránsito en Barranquilla permitió identificar patrones relevantes en torno al comportamiento vial de la ciudad. Entre los principales hallazgos, se evidenció que el exceso de velocidad constituye la infracción más frecuente, con presencia marcada a lo largo de la semana y con picos en fines de semana y días festivos. Asimismo, se observó que los vehículos tipo carro presentan una mayor recurrencia en este tipo de infracciones frente a las motos, mientras que en otras faltas, como la omisión de luz roja o paso peatonal, también mantienen predominio. En cuanto al perfil de los infractores, el análisis mostró que el género femenino aporta el mayor porcentaje del recaudo económico, seguido del masculino y de los vehículos vinculados a entidades. Estos resultados aportan insumos valiosos para orientar estrategias de control y prevención vial, priorizando tanto las infracciones más comunes como los segmentos poblacionales y de vehículos que concentran la mayor incidencia.