OBJETIVO

El objetivo será visualizar la distribución espacial de los viajes en la ciudad de Cali, segmentados por origen, destino y modo de transporte de todo tipo, pero nos enfocaremos en Bicleta, Moto, Automovil , para posteriormente generar 8 mapas tematicos que muestren el volumen de viajes por columna, identificando zonas con mayor generación y atracción de viajes

1. Configuración del Entorno

En esta primera parte, cargaremos las librerías necesarias para el respectivo análisis:

  • sf: (Simple Features) La librería moderna en R para manejar datos espaciales (shapefiles, polígonos, etc.).
  • readr: Para leer nuestro archivo CSV de manera eficiente.
  • dplyr: Esencial para la manipulación y agregación de datos (group_by, summarize, left_join).
  • ggplot2: Para crear nuestras visualizaciones y mapas.
  • viridis: Para paletas de colores de alta calidad y accesibles.
  • janitor: limpieza de nombres de columnas y detección de duplicados
  • tidyr: Organización de Datos

2. Carga de Datos

Procedemos a importar los datos que tenemos a disposición para este escenario, el cual lo compone un archivo de formato tipo shape, que representa geográficamente las comunas de cali, adicional de la base de datos de la encuesta oriente_destino.

Almacenaremos la información

3. Preparación y Limpieza

  • Aseguraremos la capa espacios y los datos de la encuesta, buscando una llave en común que permita su unificación
  • Pasaremos las columnas origen y comuna a formato numerico para que coincidan
  • Recodificación de la variable de tipo de vehículo de acuerdo a la leyenda compartida

4. Agregación de Datos

Crearemos 8 métricas clave usando dplyr, donde contaremos el número de viajes agrupando por:

  • Comuna Origen (Total)
  • Comuna Origen (Por Cada tipo de vehículo)
  • Comuna Destino (Total)
  • Comuna Destino (Por Cada tipo de vehículo)

5. Unión de Datos

Realizaremos la unificación de la tabla de datos a nuestro objetivo espacial sf (mapa de columnas)

6. Visualización Mapas

Usaremos ggplot2 y geom_sf para la generación de los amaps temáticos donde aplicaremos una paleta de colores que permita visualizar la intensidad de los viajes

crear_mapa_tematico(
  data_sf = mapa_datos,
  fill_var = "mapa1_origen_total",
  title = "Mapa 1: Origen General de Viajes",
  legend_name = "Nº Total Viajes (Origen)"
)

Mapa 1

Se observa mayor participación de total viajes desde el origen de la comuna 2 y 19, siguiendolos la comuna 3 y 17

crear_mapa_tematico(
  data_sf = mapa_datos,
  fill_var = "mapa2_origen_bici",
  title = "Mapa 2: Origen de Viajes en Bicicleta",
  legend_name = "Nº Viajes (Bicicleta)"
)

Mapa 2

Ya sobre el contexto de bicileta se mantiene la columna 2 y 19 como las top, entra en participación la comuna 18 mostrando una importancia sobre este tipo de vehículo

crear_mapa_tematico(
  data_sf = mapa_datos,
  fill_var = "mapa3_origen_moto",
  title = "Mapa 3: Origen de Viajes en Moto",
  legend_name = "Nº Viajes (Moto)"
)

Mapa 3

Para el caso de las motos se mantiene la relevancia de la comuna 2 y 19, perdiendo participación en la comuna 18 pero manteniendo relevancia sobre la comuna 17

crear_mapa_tematico(
  data_sf = mapa_datos,
  fill_var = "mapa4_origen_auto",
  title = "Mapa 4: Origen de Viajes en Automóvil",
  legend_name = "Nº Viajes (Automóvil)"
)

Mapa 4

La comuna 2 y 19 mantiene su relevancia aún sobre el tipo de vehículo de Auto, mientras que la comuna 17 se mantiene en relevancia , pero perdiendo relevancia en la comuna 18

crear_mapa_tematico(
  data_sf = mapa_datos,
  fill_var = "mapa5_destino_total",
  title = "Mapa 5: Destino General de Viajes",
  legend_name = "Nº Total Viajes (Destino)"
)

Mapa 5

Para el caso de destinos se observa la comuna 2 como relevante igual que en origen, pero si observando una perdida de importancia para la comuna 19,17 y observando una reducción considerable de la comuna 18, adicional se observa una poca participación en el sector del distrito, siendo menos relevante que en el tipo de Origen, donde tiene una mayor participación en este sector

crear_mapa_tematico(
  data_sf = mapa_datos,
  fill_var = "mapa6_destino_bici",
  title = "Mapa 6: Destino de Viajes en Bicicleta",
  legend_name = "Nº Viajes (Bicicleta)"
)

Mapa 6

Para el caso de destino con origen de tipo de vehículo bicileta, las comunas 3 y 19 son relevantes en esta variable, mientras que el sector del distrito se observa una poca participación.

crear_mapa_tematico(
  data_sf = mapa_datos,
  fill_var = "mapa7_destino_moto",
  title = "Mapa 7: Destino de Viajes en Moto",
  legend_name = "Nº Viajes (Moto)"
)

Mapa 7

La comuna 2 sigue siendo representativa en el sector, distrito no presenta una mejora, su participación es menor, para la comuna 19 sigue siendo representate aún siendo la variable de tipo de vehículo moto.

crear_mapa_tematico(
  data_sf = mapa_datos,
  fill_var = "mapa8_destino_auto",
  title = "Mapa 8: Destino de Viajes en Automóvil",
  legend_name = "Nº Viajes (Automóvil)"
)

Mapa 8

Finalmente para el tipo de vehículo de automóvil la comuna 2 y la 19 se mantiene la tendencia de importancia, adicional de la constante de la comuna 3 y su importancia

Conclusiones

  • Dentro del análisis observado desde Origen-Destino, pudimos observar geográficamente la variabilidad entre comunas, partiendo de las diferencias visualizada desde el Poblado hasta el restante de cali, lo cual evidencia la dependencia de estas variables a varias alternas como el estrato socioeconomico, finalmente se observa la constante de las principales comunas y su comportamiento dependiendo de los tipos de vehículos análizados.

  • Para el caso de Origen las principales comunas fueron 2,19,17 y 3 y para el caso de Destino pudimos observar las principales comunas como 2,19 y 3, observando una constante de participación independiente del origen o destino de las comunas 2 y 19.

  • Cada análisis geográfico permitirá que el lector tenga a su disposición una visual geográfica que le permita tomar decisiones estrategicas de una manera más agil, dirigiendo a un sector geográfico cualquier toma de decisiones con mayor precisión, se espera que este tipo de análisis nutra de manera positiva las herramientas geoespaciales combinadas con un análisis de datos