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. :515000Número 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 carros registraron 1.938 comparendos (91.4%), mientras que las motos solo 182 (8.6%). Esto muestra una diferencia de 1.756 comparendos, lo que significa que los carros recibieron 10.6 veces más sanciones que las motocicletas.
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()) 
Las mujeres acumulan 945 comparendos (60.6%), superando a los hombres, que registran 615 (39.4%). La diferencia es de 330 comparendos, indicando que las mujeres presentan un 53% más de infracciones que los hombres dentro del periodo analizado.
Monto total a pagar por infracción
library(ggplot2)
library(dplyr)
library(scales)
ListaComparendos %>%
group_by(`NOM INFRACCION`) %>%
summarise(Total_Pagar = sum(VALOR_A_PAGAR, na.rm = TRUE)) %>%
slice_max(Total_Pagar, n = 10) %>%
ggplot(aes(x = reorder(`NOM INFRACCION`, Total_Pagar),
y = Total_Pagar,
fill = `NOM INFRACCION`)) +
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 = "Monto total a pagar por infracción",
x = "Infracción",
y = "Valor total ($)") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5),
plot.margin = margin(10, 60, 10, 10)
)
La infracción con mayor impacto económico es sentido contrario, con un total de $418.678.740, seguida por pasar luz roja o pare, que alcanza $198.275.000. Más abajo se encuentran no respetar el paso con $27.036.450 y exceso de velocidad con $2.060.000. La diferencia entre la primera y la última supera los $416 millones, demostrando que algunas infracciones representan un costo significativamente mayor para los infractores.
Valor total de comparendos por tipo de vehículo
library(ggplot2)
library(dplyr)
library(scales)
df <- ListaComparendos %>%
group_by(`TIPO DE VEHICULO`) %>%
summarise(Total_Pagar = sum(VALOR_A_PAGAR, na.rm = TRUE))
ggplot(df, aes(x = reorder(`TIPO DE VEHICULO`, Total_Pagar),
y = Total_Pagar,
fill = `TIPO DE VEHICULO`)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = comma(Total_Pagar)),
hjust = -0.1,
size = 3.5,
fontface = "bold") +
coord_flip(clip = "off") +
scale_y_continuous(labels = comma, expand = expansion(mult = c(0, 0.1))) +
labs(title = "Valor total de comparendos por tipo de vehículo",
x = "Tipo de vehículo",
y = "Valor total ($)") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5),
plot.margin = margin(10, 60, 10, 10)
)
Los carros concentran $593.264.280 en sanciones, mientras que las motos suman $52.785.910. La brecha económica es de $540 millones, lo que indica que los carros generan 11.2 veces más valor sancionado que las motocicletas, en coherencia con su mayor número de comparendos.
Número de comparendos por mes
library(ggplot2)
library(dplyr)
library(scales)
df_mes <- ListaComparendos %>%
group_by(`NOMBRE DEL MES`) %>%
summarise(Conteo = n())
ggplot(df_mes, aes(x = reorder(`NOMBRE DEL MES`, Conteo),
y = Conteo,
fill = `NOMBRE DEL MES`)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = comma(Conteo)),
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 = "Número de comparendos por mes",
x = "Mes",
y = "Cantidad de comparendos") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5),
plot.margin = margin(10, 60, 10, 10)
)
En mayo se registraron 1.408 comparendos, prácticamente el doble que en abril, que reporta 712 casos. La diferencia es de 696 comparendos, lo que representa un aumento cercano al 98% entre un mes y otro.
Número de comparendos por infraccion
library(ggplot2)
library(dplyr)
library(scales)
df_codigo <- ListaComparendos %>%
group_by(`NOM INFRACCION`) %>%
summarise(Conteo = n())
ggplot(df_codigo, aes(x = reorder(`NOM INFRACCION`, Conteo),
y = Conteo,
fill = `NOM INFRACCION`)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = comma(Conteo)),
hjust = -0.1,
size = 3,
fontface = "bold") +
coord_flip(clip = "off") +
scale_y_continuous(labels = comma,
expand = expansion(mult = c(0, 0.1))) +
labs(title = "Numero de comparendos por infracción",
x = "Nombre del comparendo",
y = "Cantidad de comparendos") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5),
plot.margin = margin(10, 60, 10, 10)
)
La infracción más común es exceso de velocidad, con 1.626 casos, seguida por pasar luz roja o pare con 385 registros. Más abajo están no respetar el paso con 105 comparendos y finalmente sentido contrario, que solo presenta 4 casos. Entre la infracción más frecuente y la menos reportada existe una diferencia de 1.622 casos, evidenciando que ciertos comportamientos son mucho más recurrentes que otros.
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 utilizadas
tidyverse ( Conjunto de paquetes para analisis de datos )
readxl ( Importa datos desde archivos Excel )
ggplot2 ( Usado para crear graficos )
dplyr ( Selecciona,filtra,agrupa,resume datos )
scales ( Complemento de ggplot2 )
rmdformats ( Plantillas tipo HTML )
prettydoc ( Crea documentos HTML sencillos y atractivos con poco codigo )
remotes ( Permite instalar paquetes desde otras fuentes )
hrbrthemes ( Mejora graficos de ggplot2 )
tint ( Estilos para documentos R Markdown )
tufte ( Plantillas minimalistas para reportes limpios )
bslib ( Personaliza temas,colores,fuentes )