Introducción
El presente informe analiza la base de datos de comparendos del año 2010, clasificando la información según el tipo de vehículo, tipo de infracción, género del infractor y el valor total a pagar. El objetivo es identificar patrones de comportamiento, tendencias y valores asociados a las sanciones impuestas.
Resumen de la base de datos
## No. MANDAMIENTO DE PAGO FECHA MANDAMIENTO DE PAGO EJECUTADO
## Length:2120 Length:2120 Length:2120
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## TIPO DE IDENTIFICACION No. IDENTIFICACION SEXO COD. INFRACCION
## Length:2120 Min. :2.358e+05 Length:2120 Min. :64.00
## Class :character 1st Qu.:3.273e+07 Class :character 1st Qu.:64.00
## Mode :character Median :7.214e+07 Mode :character Median :64.00
## Mean :8.476e+08 Mean :66.53
## 3rd Qu.:8.002e+08 3rd Qu.:64.00
## Max. :9.003e+09 Max. :77.00
## NOM INFRACCION COMPARENDO FECHA DE COMPARENDO
## Length:2120 Length:2120 Min. :40280
## Class :character Class :character 1st Qu.:40295
## Mode :character Mode :character Median :40304
## Mean :40304
## 3rd Qu.:40314
## Max. :40325
## FECHA AÑO DIA MES
## Min. :2010-05-04 00:00:00 Min. :2010 Min. : 1.00 Min. :4.000
## 1st Qu.:2011-10-15 18:00:00 1st Qu.:2010 1st Qu.: 9.00 1st Qu.:4.000
## Median :2013-03-28 12:00:00 Median :2010 Median :16.00 Median :5.000
## Mean :2013-03-28 12:00:00 Mean :2010 Mean :15.76 Mean :4.664
## 3rd Qu.:2014-09-09 06:00:00 3rd Qu.:2010 3rd Qu.:23.00 3rd Qu.:5.000
## Max. :2016-02-21 00:00:00 Max. :2010 Max. :30.00 Max. :5.000
## NOMBRE DEL MES PACA DE VEHICULO TIPO DE VEHICULO VALOR_A_PAGAR
## Length:2120 Length:2120 Length:2120 Min. :257490
## Class :character Class :character Class :character 1st Qu.:257490
## Mode :character Mode :character Mode :character Median :257490
## Mean :304741
## 3rd Qu.:257490
## Max. :515000Consultas
Número de comparendos por tipo de vehículo
library(ggplot2)
library(dplyr)
ListaComparendos %>%
count(`TIPO DE VEHICULO`) %>%
ggplot(aes(x = "", y = n, fill = `TIPO DE VEHICULO`)) +
geom_bar(stat = "identity", width = 1) +
coord_polar(theta = "y") +
geom_text(aes(label = paste0(n, " (", round(n/sum(n)*100, 1), "%)")),
position = position_stack(vjust = 0.5)) +
labs(title = "Número de comparendos por tipo de vehículo",
x = NULL,
y = NULL) +
theme_void() +
theme(legend.title = element_blank())
Los resultados evidencian que los vehículos con mayor número de comparendos corresponden principalmente a motocicletas y automóviles, reflejando su alta participación en la movilidad urbana.
Distribución de comparendos por género
library(ggplot2)
library(dplyr)
ListaComparendos %>%
filter(SEXO %in% c("HOMBRE", "MUJER")) %>%
count(SEXO) %>%
ggplot(aes(x = "", y = n, fill = SEXO)) +
geom_bar(stat = "identity", width = 1) +
coord_polar(theta = "y") +
geom_text(aes(label = paste0(n, " (", round(n/sum(n)*100, 1), "%)")),
position = position_stack(vjust = 0.5)) +
labs(title = "Distribución de comparendos por género",
x = NULL,
y = NULL) +
theme_void() +
theme(legend.title = element_blank()) 
Este gráfico muestra la proporción de comparendos entre hombres y mujeres.
Generalmente, los hombres presentan una mayor participación en la comisión de infracciones, posiblemente por su predominio en la conducción de motocicletas y transporte público.
Monto promedio a pagar por infracción
library(ggplot2)
library(dplyr)
library(scales)
ListaComparendos %>%
group_by(`NOM INFRACCION`) %>%
summarise(Promedio_Pago = mean(VALOR_A_PAGAR, na.rm = TRUE)) %>%
slice_max(Promedio_Pago, n = 10) %>%
ggplot(aes(x = reorder(`NOM INFRACCION`, Promedio_Pago),
y = Promedio_Pago,
fill = `NOM INFRACCION`)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = comma(Promedio_Pago)),
hjust = -0.1,
size = 3.5,
fontface = "bold") +
coord_flip(clip = "off") +
scale_y_continuous(labels = comma, expand = expansion(mult = c(0, 0.1))) +
labs(title = "Monto promedio a pagar por infracción",
x = "Código de infracción",
y = "Promedio de valor ($)") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5),
plot.margin = margin(10, 60, 10, 10)
)
Se identifican las infracciones con mayor monto promedio, lo cual sugiere la gravedad de las conductas sancionadas.
Este indicador permite enfocar los controles en las faltas con mayor impacto económico y social.
Valor total de comparendos por tipo de vehículo
library(ggplot2)
library(dplyr)
library(scales)
df <- ListaComparendos %>%
group_by(`TIPO DE VEHICULO`) %>%
summarise(Total_Pagar = sum(VALOR_A_PAGAR, na.rm = TRUE))
ggplot(df, aes(x = reorder(`TIPO DE VEHICULO`, Total_Pagar),
y = Total_Pagar,
fill = `TIPO DE VEHICULO`)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = comma(Total_Pagar)),
hjust = -0.1,
size = 3.5,
fontface = "bold") +
coord_flip(clip = "off") +
scale_y_continuous(labels = comma, expand = expansion(mult = c(0, 0.1))) +
labs(title = "Valor total de comparendos por tipo de vehículo",
x = "Tipo de vehículo",
y = "Valor total ($)") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5),
plot.margin = margin(10, 60, 10, 10)
)
El valor total muestra el impacto económico por categoría vehicular, destacándose los vehículos con más infracciones y mayor costo acumulado en sanciones.
Conclusiones
El análisis de los comparendos vehiculares evidencia que las motocicletas y los automóviles concentran la mayor cantidad de infracciones, lo que refleja su papel predominante en la movilidad urbana y la alta frecuencia con la que circulan por las vías. Esta situación sugiere que los controles y estrategias de prevención deben enfocarse especialmente en estos tipos de vehículos, ya que su comportamiento tiene un impacto directo en la seguridad vial y en el flujo del tránsito.
Asimismo, se observa que los hombres presentan una mayor proporción de comparendos en comparación con las mujeres, posiblemente debido a su predominio en actividades relacionadas con la conducción de motocicletas, transporte público o de carga, además de factores culturales asociados a patrones de conducción más arriesgados. Este dato invita a reflexionar sobre la necesidad de promover campañas educativas y de sensibilización orientadas a modificar conductas imprudentes y fomentar una conducción responsable.
En cuanto a las infracciones con montos más elevados, se identifican conductas de alta gravedad, como el exceso de velocidad, la conducción en estado de embriaguez o el irrespeto a las normas de tránsito. Estos comportamientos no solo representan un riesgo significativo para la seguridad vial, sino que también tienen un fuerte impacto económico y social, tanto para los infractores como para las autoridades encargadas del control y la gestión de sanciones.
Finalmente, el análisis del valor total de comparendos por categoría vehicular demuestra que los vehículos con mayor número de infracciones también acumulan los costos más altos, evidenciando un efecto directo entre la frecuencia de las faltas y el impacto económico generado. En conjunto, los resultados permiten concluir que el fenómeno de los comparendos trasciende el simple incumplimiento normativo y está influenciado por factores estructurales, sociales y culturales. Por ello, se requiere una estrategia integral que combine control efectivo, educación vial y políticas de movilidad sostenibles, orientadas a reducir las infracciones y fortalecer una cultura de respeto y responsabilidad en las vías.
Librerias usadas
tidyverse
readxl
ggplot2
dplyr
scales
rmdformats
prettydoc
remotes
hrbrthemes
tint
tufte
bslib