HOMICIDIOS POR ACCIDENTES DE TRÁNSITO OCURRIDOS EN COLOMBIA
TAD-9
2025-09-07
INTRODUCCIÓN
Hoy en día la seguridad vial atraviesa muchos desafíos, que acarrean problemáticas en la salud pública, debido al alto número de homicidios que se registran cada año a causa de los accidentes de tránsito. Por tal razón, el siguiente análisis busca comprender cómo ha sido el comportamiento vial en Colombia desde el año 2018 hasta el mes de julio del año 2025.
Para esto, se hará uso de una base de datos relacionada con los homicidios a causa de accidentes de tránsito, ocurridos en Colombia donde comprende el período mencionado anteriormente. Se identificarán puntos importantes cómo los departamentos con una mayor incidencia de homicidios, e incluso el tipo de medio por el cuál se presentó el homicidio. Todo esto para tener un mejor acercamiento y comprensión de esta siniestralidad vial, identificando patrones o inusualidades.
DESCRIPCIÓN DE LOS DATOS
Dentro de esta base de datos, se podrán apreciar variables como los departamentos, municipios, regiones, e incluso los días, meses y años, dónde ocurrieron los homicidios; asimismo, el tipo de vehículo (identificado con nombre: “ARMAS MEDIO”), por el cuál ocurrió el homicidio. Cabe aclarar, qué hay registros dónde no se reportó el tipo de vehículo; asimismo, los registros sólo se encuentran hasta el mes de Julio del 2025
ANÁLISIS
Para el siguiente informe analítico, se mostrarán los siguientes parámetros:
- Homicidios presentados(2018-2025).
- Homicidios presentados por región(2018-2025).
- Municipios con mayor incidencia de homicidios.
- Homicidios presentados en los meses de cada año.
- Homicidios promedio por meses.(2018-2025).
- Homicidios presentados por arma medio(2018-2025)
IMPORTACIÓN DE LIBRERÍAS Y BASE DE DATOS
A continuación, encontrarás las librerías que se trabajaron a lo largo del informe, y su correspondiente función.
library(tidyverse) #colección de paquetes para manipular, analizar y visualizar datos.
library(scales)#paquete con funciones para formatear números, porcentaje, ejes de gráfico, etc.
library(readxl)#paquete para leer archivo de excel
library(dplyr)#paquete de manipulación de datos
library(ggrepel)#Evita que las etiquetas en los gráficos se sobrepongan.
# Cambiar fuente global y color de texto en ggplot
theme_update(
text = element_text(family = "Arial", colour = "black", size = 17) # Texto más grande en gráficos
)
BD_Homicidios <- read_xlsx(
"C:/Users/CORE I5/Downloads/HOMICIDO_ESTANDARIZADOS (1).xlsx",
sheet ="HOMICIDIO"
)#importamos la base de datosNOMBRE DE LAS COLUMNAS TRABAJADAS
Aquí podrás observar cuáles fueron las columnas que se trabajaron; así mismo, se eliminaron columnas en blanco que se encontraban en la base de datos.
## [1] "DEPARTAMENTO" "REGION" "MUNICIPIOS"
## [4] "CODIGO DANE" "FECHA HECHO" "DIA _SEMANA"
## [7] "DIA" "MES" "NOM_MES"
## [10] "AÑO" "GENERO" "CONTEO_GENERO"
## [13] "AGRUPA EDAD PERSONA" "CONTEO_POR_PERSONA" "CANTIDAD"
## [16] "ARMAS MEDIO" "...17" "...18"
## [19] "...19" "...20" "...21"BD_Homicidios <- BD_Homicidios %>%
select(-...17,-...18,-...19,-...20,-...21)#eliminar columnas vacías
colnames(BD_Homicidios)## [1] "DEPARTAMENTO" "REGION" "MUNICIPIOS"
## [4] "CODIGO DANE" "FECHA HECHO" "DIA _SEMANA"
## [7] "DIA" "MES" "NOM_MES"
## [10] "AÑO" "GENERO" "CONTEO_GENERO"
## [13] "AGRUPA EDAD PERSONA" "CONTEO_POR_PERSONA" "CANTIDAD"
## [16] "ARMAS MEDIO"HOMICIDIOS PRESENTADOS (2018-2025)
A partir del gráfico, se puede observar cómo en el año 2019, los homicidios alcanzaron su punto más alto con un total de 12.108 homicidios. Sin embargo, para el año 2020 comienza a descender, manteniendose los homicidios con una cantidad estable desde el año 2021 hasta el año 2024, con un promedio de 7.311 homicidios; asimismo, el año en qué se presentó un mayor declive, corresponde al año 2021 con un total de 6.999 homicidios; hecho que podría explicarse por la pandemia COVID-19, dónde para ese año, aún nos encontrabamos bajo medidas de aislamiento. Aunque pareciese que el año 2025 fue el que tuvo un mayor descenso, hay que recordar, como se mencionó en la introducción; que los datos registrados para este año, sólo se encuentran hasta el mes de Julio.
Tab_homicidios1 <- BD_Homicidios %>%
group_by(AÑO) %>%
summarise(CANTIDAD_HOMICIDIOS = sum(CANTIDAD), .groups = "drop") %>%
arrange(desc(CANTIDAD_HOMICIDIOS)) %>%
rename(AÑOS=AÑO, CANTIDAD_DE_HOMICIDIOS = CANTIDAD_HOMICIDIOS)
titulo <- str_wrap("CANTIDAD DE HOMICIDIOS (2018-2025)")
ggplot(Tab_homicidios1,aes( x = AÑOS, y = CANTIDAD_DE_HOMICIDIOS))+#inicia el gráfico indicando los ejes
geom_line(aes(group = 1), color="#DE403B", size=4)+#Dibuja línea para conectar puntos
geom_label(aes(label=label_comma(big.mark = ".",decimal.mark = ",")(CANTIDAD_DE_HOMICIDIOS)),#etiquetas de texto sobre cada punto
vjust=-0.5,#se ajusta el texto verticalmente
hjust=0.5,#se ajusta el texto horizontalmente
size=10,#tamaño de texto
fill= "#1C2C4E",#fondo de las etiquetas
color ="white")+ #color del texto
geom_point(size=8)+#puntos en cada valor
scale_x_continuous(breaks=unique(Tab_homicidios1$AÑOS),
labels=unique(Tab_homicidios1$AÑOS))+#muestra los años como texto
labs(title=titulo, #nombre del titulo de gráfico y ejes.
x=NULL,
y = NULL)+
scale_y_continuous(limits = c(2000,15000),
breaks = seq(2000,15000, by = 5000),
labels=label_comma(big.mark = ".", decimal.mark = ","))+ #ajusta el eje y
theme_minimal()+#un fondo más limpio para el gráfico.
theme(
plot.title = element_text(size = 35, hjust=0.5),#ajusta el título
panel.grid.major = element_blank(),#elimina líneas de cuadrícula
panel.grid.minor = element_blank(),
axis.line= element_line(color = "black"),#agrega línea negra en los ejes.
axis.text.x = element_text(size=25, color = "#1C2C4E"),#ajusta el texto del eje
axis.text.y = element_text(size=25, color = "#1C2C4E"),
panel.border = element_blank()#quita el borde del panel
)
HOMICIDIOS PRESENTADOS POR REGIÓN(2018-2025)
En el gráfico, se puede apreciar que existe una mayor incidencia de esta siniestralidad vial, en la región Andina con un total de 32.861 homicidios; esto podría explicarse debido a qué la región Andina cuenta con la mayor cantidad de habitantes, en comparación con las demás regiones; siendo las grandes ciudades como Bogota, Medellin, Cali y Bucaramanga las que cuentan con una mayor cantidad de habitantes. Así mismo, en la Región Andina se confluyen los principales ejes de transporte. En contraste, la región con una menor cantidad de homicidios, es la región Insular, posiblemente porque esta región en su mayoría, corresponde a un conjunto de islas, cayos o islotes.
Hom_por_region <- BD_Homicidios %>%
group_by(REGION) %>%
summarise(CANTIDAD_HOMICIDIOS = sum(CANTIDAD), .groups = "drop")
ggplot(Hom_por_region,aes(reorder(x = REGION, -CANTIDAD_HOMICIDIOS), y = CANTIDAD_HOMICIDIOS))+#inicia el gráfico
geom_col(fill= "#DE403B")+
scale_y_continuous(limits = c(0,35000),
breaks = seq(0,35000, by = 5000),
labels = label_comma(big.mark = ".", decimal.mark = ","))+ #ajusta el eje y
geom_text(aes(label=label_comma(big.mark = ".", decimal.mark = ",") (CANTIDAD_HOMICIDIOS)),#etiquetas de texto sobre cada punto
vjust=-0.5,#ajusta texto verticalmente
size= 12)+#ajusta texto horizontalmente
labs(title = "CANTIDAD DE HOMICIDIOS POR REGIÓN",#noombre del titulo y ejes del gráfico
x = NULL,
y = NULL)+
theme_minimal()+# aspecto más limpio para el gráfico
theme(
panel.grid.major = element_blank(),#elimina líneas de cuadrículas
panel.grid.minor = element_blank(),
plot.title = element_text(size = 35, hjust= 0.5),#ajusta título
axis.text.x = element_text(size = 25, color = "#1C2C4E"),
axis.text.y = element_text(size = 25, color = "#1C2C4E"),
axis.line = element_line(color= "black")
)
MUNICIPIOS CON MAYOR INCIDENCIA DE HOMICIDIOS
Gracias al gráfico, podemos observar el comportamiento de 10 municipios con una mayor cantidad de homicidios, presentándose la cantidad más alta, en el Municipio de Bogota, con un total de 4.923 homicidios, siguiéndole los municipios de Antioquia y Valle, con un total de 3.060 y 2.495 homicidios respectivamente. Estos 3 municipios que presentan una mayor incidencia de esta siniestralidad, responden a la región Andina; y cómo fue mencionado en el análisis anterior de esta región, esta es la que posee una mayor cantidad de habitantes,siendo una de las razones, la emigración por motivos laborales. Asimismo, la mayor incidencia en el municipio de Bogota, podría explicarse porque es la ciudad en dónde se presenta una mayor circulación tanto de vehículos, cómo de habitantes. En contraste, el municipio con una menor cantidad de homicidios, es Montería, con un total de 686 homicidios.
Tabla_top_10 <- BD_Homicidios %>%
group_by(MUNICIPIOS)%>%
summarise(CANTIDAD_HOMICIDIOS = sum(CANTIDAD), .groups="drop")%>%
arrange(desc(CANTIDAD_HOMICIDIOS))%>%
top_n(10)%>%
mutate(MUNICIPIOS = fct_reorder(MUNICIPIOS,CANTIDAD_HOMICIDIOS, .desc=TRUE))
title_2 <- str_wrap("CANTIDAD DE HOMICIDIOS POR MUNICIPIOS
(TOP 10)", width=40)
colores_graf <- c("#180302","#420705","#6D0C08","#98100B","#C2150F","#ED1E18","#F0433D","#F46C67","#F79592","#FABFBD")
ggplot(Tabla_top_10,aes(reorder(x =MUNICIPIOS, CANTIDAD_HOMICIDIOS), y = CANTIDAD_HOMICIDIOS, fill = MUNICIPIOS))+
geom_bar(stat = "identity")+
coord_flip()+
labs(title = title_2,
x = NULL,
y = NULL)+
geom_text(aes(label = label_comma(big.mark = ".", decimal.mark = ",")(CANTIDAD_HOMICIDIOS)),
size=12,
hjust= -0.3,
)+
scale_fill_manual(values = colores_graf)+
scale_y_continuous(limits = c(0,5500),
breaks = seq(0,5500, by = 1500),
labels = label_comma(big.mark = ".", decimal.mark = " ,"))+
theme_minimal()+
theme(
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
axis.text.x = element_text(size=25, color="#1C2C4E"),
axis.text.y = element_text(size = 25,color ="#1C2C4E"),
plot.title = element_text(size = 35, hjust = 0.5),
legend.position = "none",
axis.line = element_line(color = "black")
)
HOMICIDIOS PRESENTADOS EN LOS MESES DE CADA AÑO
AÑO 2018-2019
A partir de este primer gráfico, se puede apreciar que hubo una mayor cantidad de homicidios en el mes de diciembre, en los dos años; en el año 2018 este mes presentó un total de 640 homicidios; y en el año 2019, qué justamente comenzó a presentarse un ascenso en la cantidad de muertes por accidentes de tránsito, surgió un total de 1.306 homicidios para este mismo mes. Asimismo, podemos inferir gracias al gráfico, que en el año 2018, el mes de abril presentó una menor cantidad de homicidios con un total de 437 casos; y para el año 2019, el mes que presentó una menor cantidad de homicidios, fue febrero , con un total de 872 casos registrados.
orden_meses <- c("ENERO", "FEBRERO", "MARZO", "ABRIL", "MAYO", "JUNIO",
"JULIO", "AGOSTO", "SEPTIEMBRE", "OCTUBRE", "NOVIEMBRE", "DICIEMBRE")
tabla_mes_1819 <- BD_Homicidios %>%
filter(AÑO %in% c(2018,2019))%>%
mutate(AÑO = as.character(AÑO))%>%
group_by(AÑO, NOM_MES)%>%
summarise(CANTIDAD_HOMICIDIOS = sum(CANTIDAD), .groups = "drop") %>%
mutate(NOM_MES = factor(NOM_MES, levels = orden_meses))%>%
mutate(AÑO = factor(AÑO, levels = c("2018","2019")))
title_3 <- str_wrap("CANTIDAD DE HOMICIDIOS POR MESES(2018-2019) ", width=35)
colores_graf_3 <- c("#420705","#DE403B")
ggplot(tabla_mes_1819,aes(x=NOM_MES, y=CANTIDAD_HOMICIDIOS, color=AÑO)) +
geom_line(aes(group=AÑO),size= 4) +
geom_label_repel(aes(label= label_comma(big.mark = ".", decimal.mark = ",") (CANTIDAD_HOMICIDIOS )),
size=8,
vjust= 1,
hjust = 0.5,
fill= "#1C2C4E",
color = "white"
)+
geom_point(size=8)+
scale_color_manual(values= colores_graf_3)+
scale_y_continuous(limits = c(0,1500),
breaks = seq(0,1500, by = 200),
labels = label_comma(big.mark = ".", decimal.mark = ","))+
labs(title = title_3,
x = NULL,
y = NULL)+
theme_minimal()+
theme(
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
axis.text.x = element_text(size=25, angle = 45, hjust= 1, color ="#1C2C4E"),
axis.text.y = element_text(size = 25, color ="#1C2C4E"),
plot.title = element_text(size = 35, hjust = 0.5),
axis.line = element_line(color = "black"),
legend.text = element_text(size=25),
legend.key.size = unit(1, "cm"),
legend.title = element_text(size= 28))
AÑO 2020-2022
Para este gráfico, se mostraron los años desde el 2020 hasta el 2022, con el fin de evaluar el comportamiento vial en este tiempo, que correspondió a la pandemia mejor conocida como COVID-19. Se puede apreciar que en el año 2020, fue para el mes de Marzo en dónde se presentó una mayor cantidad de homicidios con un total de 1.186 casos; sin embargo, para el mes de abril se presentó un descenso abrupto con un total de 335 homicidios, siendo el mes con una menor cantidad de casos en este mismo año, posiblemente porque en este mes, se presentaba un aislamiento definitivo a causa de la pandemia. Aunque, después de este mes, comienza a incrementarse la cantidad de homicidios por accidentes de tránsito. Para el año 2021 y 2022, se puede apreciar cómo la cantidad qué venía presentándose, empezó a disminuir; en el año 2021, el mes qué presentó una mayor cantidad de homicidios, fue septiembre con un total de 666 casos, mientras qué el mes que presentó una menor cantidad fue mayo con un total de 514 homicidios. Finalmente para el año 2022, dónde la pandemia ya se encontraba finalizando, empieza otra vez el incremento de la cantidad de homicidios, siendo el mes de diciembre el que presentó una mayor cantidad con un total de 776 casos, y siendo el mes de febrero el que presentó una menor cantidad con un total de 529 casos.
orden_meses <- c("ENERO", "FEBRERO", "MARZO", "ABRIL", "MAYO", "JUNIO",
"JULIO", "AGOSTO", "SEPTIEMBRE", "OCTUBRE", "NOVIEMBRE", "DICIEMBRE")
tabla_mes_2022 <- BD_Homicidios %>%
filter(AÑO %in% c(2020,2021,2022))%>%
mutate(AÑO = as.character(AÑO))%>%
group_by(AÑO, NOM_MES)%>%
summarise(CANTIDAD_HOMICIDIOS = sum(CANTIDAD), .groups = "drop") %>%
mutate(NOM_MES = factor(NOM_MES, levels = orden_meses))%>%
mutate(AÑO = factor(AÑO, levels = c("2020","2021","2022")))
title_4 <- str_wrap("CANTIDAD DE HOMICIDIOS POR MESES(2020-2022) ", width=35)
colores_graf_4 <- c("#420705","#DE403B","#F46C67")
ggplot(tabla_mes_2022,aes(x=NOM_MES, y=CANTIDAD_HOMICIDIOS, color=AÑO)) +
geom_line(aes(group=AÑO),size= 4) +
geom_label_repel(aes(label= label_comma(big.mark = ".", decimal.mark = ",") (CANTIDAD_HOMICIDIOS )),
size=9,
vjust= 0.5,
hjust = 0.5,
fill= "#1C2C4E",
color = "white"
)+
geom_point(size=8)+
scale_color_manual(values = colores_graf_4)+
scale_y_continuous(limits = c(200,1500),
breaks = seq(200,1500, by = 100),
labels = label_comma(big.mark = ".", decimal.mark = ","))+
labs(title = title_4,
x = NULL,
y = NULL)+
theme_minimal()+
theme(
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
axis.text.x = element_text(size=25, angle = 45, hjust= 1, color ="#1C2C4E"),
axis.text.y = element_text(size = 25, color ="#1C2C4E"),
plot.title = element_text(size = 35, hjust = 0.5),
axis.line = element_line(color = "black"),
legend.text = element_text(size=25),
legend.key.size = unit(1, "cm"),
legend.title = element_text(size= 28))
AÑO 2023-2024
A partir de este gráfico, se puede apreciar que el año 2023 presenta una mayor cantidad de homicidios en el mes de diciembre con un total de 743 casos, mientras qué para el año 2024, este mes disminuye en cantidad, presentando un total de 630 casos.En contraste, para el año 2024, el mes dónde se presenta una mayor cantidad de casos, es septiembre con un total de 675 homicidios. Y, los meses dónde se presentaron una menor cantidad de homicidios, fue en el mes de enero para el año 2023 con un total de 568 casos; y el mes de noviembre para el año 2024, con un total de 505 casos.
orden_meses <- c("ENERO", "FEBRERO", "MARZO", "ABRIL", "MAYO", "JUNIO",
"JULIO", "AGOSTO", "SEPTIEMBRE", "OCTUBRE", "NOVIEMBRE", "DICIEMBRE")
tabla_mes_2325 <- BD_Homicidios %>%
filter(AÑO %in% c(2023,2024))%>%
mutate(AÑO = as.character(AÑO))%>%
group_by(AÑO, NOM_MES)%>%
summarise(CANTIDAD_HOMICIDIOS = sum(CANTIDAD), .groups = "drop") %>%
mutate(NOM_MES = factor(NOM_MES, levels = orden_meses))%>%
mutate(AÑO = fct_reorder(AÑO, CANTIDAD_HOMICIDIOS,.desc=TRUE))
title_5 <- str_wrap("CANTIDAD DE HOMICIDIOS POR MESES(2023-2024) ", width=35)
colores_graf_4 <- c("#420705","#DE403B","#F46C67")
ggplot(tabla_mes_2325,aes(x=NOM_MES, y=CANTIDAD_HOMICIDIOS, color=AÑO)) +
geom_line(aes(group=AÑO),size= 4) +
geom_label_repel(aes(label=label_comma(big.mark = ".", decimal.mark = ",") (CANTIDAD_HOMICIDIOS )),
size=9,
vjust= 1,
hjust = 0.5,
fill= "#1C2C4E",
color = "white"
)+
geom_point(size=8)+
scale_color_manual(values = colores_graf_4)+
scale_y_continuous(limits = c(300,900),
breaks = seq(300,900, by = 300),
labels = label_comma(big.mark = ".", decimal.mark = ","))+
labs(title = title_5,
x = NULL,
y = NULL)+
theme_minimal()+
theme(
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
axis.text.x = element_text(size=25, angle = 45, hjust= 1, color ="#1C2C4E"),
axis.text.y = element_text(size = 25, color ="#1C2C4E"),
plot.title = element_text(size = 35, hjust = 0.5),
axis.line = element_line(color = "black"),
legend.text = element_text(size=25),
legend.key.size = unit(1, "cm"),
legend.title = element_text(size= 28))
AÑO 2025
Debido a qué los registros del año 2025 se encuentran incompletos, se realizó el análisis de este gráfico aparte. Se puede apreciar que para este año, hasta el momento, se presentó una mayor cantidad de homicidios en el mes de junio con un total de 734 casos; cantidad mayor a comparación del año 2024 en dónde se presentaron en este mismo mes un total de 595 casos. Asimismo, hasta el momento, el mes qué ha presentado una menor cantidad de homicidios, es febrero con un total de 432 casos, presentando una mejoría en comparación con este mismo mes del año 2024, dónde hubo un total de 540 homicidios.
orden_meses <- c("ENERO", "FEBRERO", "MARZO", "ABRIL", "MAYO", "JUNIO",
"JULIO", "AGOSTO", "SEPTIEMBRE", "OCTUBRE", "NOVIEMBRE", "DICIEMBRE")
tabla_mes_25 <- BD_Homicidios %>%
filter(AÑO == 2025) %>%
group_by(AÑO, NOM_MES) %>%
summarise(CANTIDAD_HOMICIDIOS = sum(CANTIDAD), .groups= "drop")%>%
mutate(NOM_MES = factor(NOM_MES, levels = orden_meses))
title_10 <- str_wrap("CANTIDAD DE HOMICIDIOS POR MESES (2025)", width=35)
ggplot(tabla_mes_25, aes(x = NOM_MES, y = CANTIDAD_HOMICIDIOS))+
geom_line(aes(group = 1), size= 4, color="#DE403B")+
geom_point(size=8) +
geom_label(aes(label=label_comma(big.mark = ".", decimal.mark = ",") (CANTIDAD_HOMICIDIOS )),
size=10,
vjust= -0.5,
hjust= 0.5,
fill = "#1C2C4E",
color ="white")+
scale_y_continuous(limits = c(400,850),
breaks = seq(400,850, by = 200),
labels = label_comma(big.mark = ".", decimal.mark = ","))+
labs(title = title_10,
x = NULL,
y = NULL)+
theme_minimal()+
theme(
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
axis.text.x = element_text(size=25, angle = 45, hjust= 1,color="#1C2C4E"),
axis.text.y = element_text(size = 25,color="#1C2C4E"),
plot.title = element_text(size = 35, hjust = 0.5),
axis.line = element_line(color="black"))
HOMICIDIOS PROMEDIO POR MESES
A partir de este gráfico, podemos inferir que en todos los años, el mes que presentó una mayor cantidad de homicidios, fue diciembre con un promedio de 830 casos, posiblemente por las fechas de las fiestas de Navidad y año nuevo, en dónde el flujo vehicular aumenta. En contraste, el mes que presenta una menor cantidad de homicidios, es abril con un promedio de 582 casos.
orden_meses <- c("ENERO", "FEBRERO", "MARZO", "ABRIL", "MAYO", "JUNIO",
"JULIO", "AGOSTO", "SEPTIEMBRE", "OCTUBRE", "NOVIEMBRE", "DICIEMBRE")
tabla_mes_PROM <- BD_Homicidios %>%
group_by(AÑO, NOM_MES) %>%
summarise(CANTIDAD_HOMICIDIOS = sum(CANTIDAD), .groups = "drop") %>%
group_by(NOM_MES) %>%
summarise(CANTIDAD_PROM = round(mean(CANTIDAD_HOMICIDIOS),0), .groups = "drop")%>%
mutate(NOM_MES = factor(NOM_MES, levels = orden_meses))
title_3 <- str_wrap("CANTIDAD PROMEDIO DE HOMICIDIOS POR MESES ", width=35)
ggplot(tabla_mes_PROM,aes(x=NOM_MES, y= CANTIDAD_PROM)) +
geom_line(aes(group=1),size= 4, color= "#DE403B") +
geom_label_repel(aes(label= CANTIDAD_PROM ),
size=8,
vjust= 1,
hjust = 0.5,
fill= "#1C2C4E",
color = "white"
)+
geom_point(size=8)+
scale_y_continuous(limits = c(0,1500),
breaks = seq(0,1500, by = 200))+
labs(title = title_3,
x = NULL,
y = NULL)+
theme_minimal()+
theme(
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
axis.text.x = element_text(size=25, angle = 45, hjust= 1, color ="#1C2C4E"),
axis.text.y = element_text(size = 25, color ="#1C2C4E"),
plot.title = element_text(size = 35, hjust = 0.5),
axis.line = element_line(color = "black"),
legend.text = element_text(size=25),
legend.key.size = unit(1, "cm"),
legend.title = element_text(size= 28))
HOMICIDIOS PRESENTADOS POR ARMA MEDIO(2018-2025)
Gracias al siguiente gráfico, se puede inferir que el medio por el cuál se frecuentó una mayor cantidad de homicidios, fue el vehículo con un 49.68%, mientras que los medios que se registraron con una menor cantidad de homicidios, es el tren con un 0.08% y la bicicleta con un 0.6%, posiblemente porque en su mayoría, la gente acostumbra a usar medios motorizados.
tabla_gen <- BD_Homicidios %>%
filter(`ARMAS MEDIO` != "NO REPORTADO")%>%
group_by(`ARMAS MEDIO`) %>%
summarise(CANTIDAD_H = sum(CANTIDAD), .groups ="drop")%>%
mutate(PORCENTAJE = round(CANTIDAD_H/ sum(CANTIDAD_H)*100,2)) %>%
mutate(`ARMAS MEDIO` = fct_reorder(`ARMAS MEDIO`,CANTIDAD_H, .desc = TRUE))
title_12 <- str_wrap("PORCENTAJE DE HOMICIDIOS POR TIPO DE VEHICULO INTERMEDIO (Sacando los que no fueron reportados)", width=45)
colores_graf_2 <- c("#180302","#420705","#98100B","#ED1E18","#F79592")
ggplot(tabla_gen, aes(x = "", y = PORCENTAJE, fill = `ARMAS MEDIO`))+
geom_bar(stat = "identity", width = 5)+
coord_polar("y", start = 1)+
geom_text_repel(aes(label = paste0(PORCENTAJE, "%")),
size = 12,
color = "white",
position = position_stack(vjust=0.5)
)+
theme_minimal()+
theme_void()+
labs(title= title_12)+
scale_fill_manual(values = colores_graf_2) +
theme(
legend.text = element_text(size = 25),
legend.title = element_blank(),
legend.key.size = unit(1, "cm"),
plot.title = element_text(size= 35, hjust=0.5)
)
CONCLUSIONES
En conclusión, a partir de todos los gráficos analizados, se puede observar que los homicidios por accidentes de tránsito en Colombia han tenido un comportamiento variable en los últimos años, alcanzando su punto más alto en el 2019 y presentando una disminución significativa durante la pandemia del COVID-19, especialmente en el 2021, año en el que se registró el menor número de casos por efecto de las medidas de aislamiento. Sin embargo, a partir del 2022, nuevamente se evidencia un incremento progresivo en la cantidad de homicidios, lo que refleja que el retorno a la normalidad también trajo consigo el aumento en la circulación de vehículos y, con ello, los siniestros viales.
Así mismo, se puede inferir que la región Andina es la que presenta la mayor incidencia de homicidios, lo cual se explica por su densidad poblacional y porque allí confluyen los principales ejes de transporte del país; mientras que la región Insular es la que menos casos reporta, debido a sus características geográficas y poblacionales. A nivel de municipios, Bogotá encabeza la lista con la mayor cantidad de homicidios, seguida de Antioquia y Valle, lo que confirma la relación entre el tamaño poblacional, la movilidad y la cantidad de casos registrados.
Por otra parte, el análisis mensual muestra que diciembre es el mes con la mayor concentración de homicidios en la mayoría de los años, posiblemente por las festividades de fin de año que aumentan el flujo vehicular; en contraste, abril suele ser el mes con menos homicidios. Finalmente, respecto a los medios de transporte, el vehículo particular es el que más se asocia a los casos de homicidios, mientras que el tren y la bicicleta presentan la menor incidencia.
BIBLIOGRAFÍA:
UNIVERSIDAD DE ANTIOQUIA. (s.f.). Covid-19: así se pasó del encierro a la normalidad.
Wikipedia. (s.f.). DISTRIBUCIÓN DE LA POBLACIÓN POR REGIONES . https://es.wikipedia.org/wiki/Regi%C3%B3n_insular_de_Colombia
DANE . (s.f.). DISTRIBUCIÓN DE LA POBLACIÓN POR REGIONES .