# ============================================================
# Tabla de indicadores urbanos de Gotemburgo
# ============================================================
indicadores_urbanos <- tibble(
  Indicador = c(
    "Población municipal (2023)",
    "Población área metropolitana",
    "Superficie municipal (km²)",
    "Densidad poblacional (hab/km²)",
    "PIB per cápita regional (EUR, 2022)",
    "Tasa de motorización (veh/1000 hab)",
    "Longitud red vial urbana (km)",
    "Estaciones de transporte público",
    "Líneas de tranvía",
    "Líneas de autobús rápido (BRT)"
  ),
  Valor = c(
    "~590.000",
    "~1.050.000",
    "447",
    "1.320",
    "~44.000",
    "~390",
    "~1.200",
    "~150",
    "13",
    "4"
  ),
  Fuente = c(
    "SCB (2023)",
    "Västra Götalandsregionen (2023)",
    "Lantmäteriet",
    "SCB (2023)",
    "Eurostat (2022)",
    "Trafikverket (2022)",
    "Göteborgs Stad (2022)",
    "Västtrafik (2023)",
    "Västtrafik (2023)",
    "Västtrafik (2023)"
  )
)

kable(indicadores_urbanos,
      caption = "Indicadores Urbanos de Gotemburgo (Göteborg), Suecia",
      align = c("l", "r", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE,
                font_size = 12) %>%
  row_spec(0, bold = TRUE, background = "#2E4057", color = "white")

# ============================================================
# Tabla de estructura tarifaria del peaje de Gotemburgo
# ============================================================
tarifas <- tibble(
  Período = c(
    "06:00 – 06:29",
    "06:30 – 06:59",
    "07:00 – 07:59",
    "08:00 – 08:29",
    "08:30 – 08:59",
    "09:00 – 09:29",
    "09:30 – 14:59",
    "15:00 – 15:29",
    "15:30 – 15:59",
    "16:00 – 17:29",
    "17:30 – 17:59",
    "18:00 – 18:29",
    "18:30 – 18:59"
  ),
  `Tarifa (SEK)` = c(8, 13, 18, 13, 8, 8, 8, 13, 13, 18, 13, 8, 8),
  `Tarifa (EUR aprox.)` = c(0.70, 1.15, 1.60, 1.15, 0.70, 0.70, 0.70,
                            1.15, 1.15, 1.60, 1.15, 0.70, 0.70),
  Período_Tipo = c(
    "Pico mañana bajo", "Pico mañana medio", "Pico mañana alto",
    "Pico mañana medio", "Pico mañana bajo", "Pico mañana bajo",
    "Valle", "Pico tarde bajo", "Pico tarde medio", "Pico tarde alto",
    "Pico tarde medio", "Pico tarde bajo", "Fuera de horas pico"
  )
)

kable(tarifas,
      caption = "Estructura Tarifaria del Peaje de Congestión de Gotemburgo (2013–presente)",
      align = c("l", "r", "r", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE,
                font_size = 11) %>%
  row_spec(0, bold = TRUE, background = "#048A81", color = "white") %>%
  row_spec(c(3, 10), background = "#fff3cd") %>%  # Horas punta máxima destacadas
  footnote(general = "Tarifa máxima diaria por vehículo: 60 SEK (~5.30 EUR). Fuente: Transportstyrelsen (2023).",
           general_title = "Nota:")

# ============================================================
# Modelado económico formal del peaje pigouviano
# Parámetros calibrados con datos aproximados de Gotemburgo
# ============================================================

# --- Parámetros del modelo ---
# Basados en estudios de Eliasson (2009) y Börjesson et al. (2012)
# para el contexto escandinavo de tarificación vial

a      <- 10    # Costo fijo de viaje (tiempo mínimo + combustible base, SEK por km)
b      <- 0.08  # Sensibilidad del costo al volumen (SEK por veh/hora)
P_max  <- 35    # Disposición máxima a pagar (SEK por km)
d      <- 0.12  # Sensibilidad de la demanda al costo

# --- Funciones de costo ---
CMP <- function(q) a + b * q          # Costo Marginal Privado
CMS <- function(q) a + (2 * b) * q   # Costo Marginal Social (incluye externalidad)

# --- Función de demanda ---
Demanda <- function(q) P_max - d * q

# --- Cálculo de equilibrios ---

# Equilibrio privado: D(q) = CMP(q)
# P_max - d*q = a + b*q  =>  q_priv = (P_max - a) / (d + b)
q_privado <- (P_max - a) / (d + b)
p_privado <- CMP(q_privado)

# Equilibrio social: D(q) = CMS(q)
# P_max - d*q = a + 2b*q  =>  q_social = (P_max - a) / (d + 2b)
q_social <- (P_max - a) / (d + 2 * b)
p_social <- CMS(q_social)

# Impuesto pigouviano óptimo
tau_optimo <- CMS(q_social) - CMP(q_social)

# Pérdida irrecuperable (deadweight loss) sin impuesto
# Triángulo entre q_social, q_privado, y la brecha CMS - CMP
deadweight_loss <- 0.5 * (q_privado - q_social) * tau_optimo

# --- Tabla de resultados ---
resultados <- tibble(
  Concepto = c(
    "Volumen tráfico (equilibrio privado) [veh/hora]",
    "Precio equilibrio privado [SEK/km]",
    "Volumen tráfico (equilibrio social) [veh/hora]",
    "Precio equilibrio social [SEK/km]",
    "Impuesto pigouviano óptimo [SEK/km]",
    "Reducción de tráfico con peaje [%]",
    "Pérdida irrecuperable (sin peaje) [SEK·veh/km]"
  ),
  Valor = c(
    round(q_privado, 1),
    round(p_privado, 2),
    round(q_social, 1),
    round(p_social, 2),
    round(tau_optimo, 2),
    round((1 - q_social / q_privado) * 100, 1),
    round(deadweight_loss, 2)
  )
)

kable(resultados,
      caption = "Resultados del Modelo de Tarificación Pigouviana",
      align = c("l", "r"),
      col.names = c("Indicador", "Valor")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE) %>%
  row_spec(0, bold = TRUE, background = "#2E4057", color = "white") %>%
  row_spec(5, bold = TRUE, background = "#d4edda")  # Destacar el impuesto óptimo

# ============================================================
# Verificación numérica con optimize() y uniroot()
# ============================================================

# Verificar equilibrio privado con uniroot
f_privado <- function(q) Demanda(q) - CMP(q)
eq_privado_check <- uniroot(f_privado, interval = c(1, 500))

# Verificar equilibrio social con uniroot
f_social <- function(q) Demanda(q) - CMS(q)
eq_social_check <- uniroot(f_social, interval = c(1, 500))

# Mostrar resultados de verificación
cat(sprintf("✓ Equilibrio privado verificado: q = %.2f veh/hora (coincide: %s)\n",
            eq_privado_check$root,
            ifelse(abs(eq_privado_check$root - q_privado) < 0.01, "Sí", "No")))

cat(sprintf("✓ Equilibrio social verificado:  q = %.2f veh/hora (coincide: %s)\n",
            eq_social_check$root,
            ifelse(abs(eq_social_check$root - q_social) < 0.01, "Sí", "No")))

cat(sprintf("✓ Impuesto pigouviano óptimo:    τ* = %.2f SEK/km\n", tau_optimo))

cat(sprintf("✓ Reducción de tráfico:           %.1f%%\n",
            (1 - q_social / q_privado) * 100))

# ============================================================
# Datos de distribución modal (basados en estudios empíricos)
# Fuentes: Trafikverket (2020), Göteborgs Stad (2022),
#          Böjesson et al. (2012), Eliasson et al. (2022)
# ============================================================

# Datos de distribución modal 2011 vs 2024
datos_modales <- tibble(
  Anio = rep(c(2011, 2015, 2018, 2021, 2024), each = 4),
  Modo = rep(c("Automóvil privado", "Transporte público",
               "Bicicleta", "Caminata/Otro"), times = 5),
  Porcentaje = c(
    # 2011 (pre-peaje)
    48.0, 25.0, 5.0, 22.0,
    # 2015 (2 años post-peaje)
    44.5, 27.5, 5.8, 22.2,
    # 2018
    43.0, 28.5, 6.3, 22.2,
    # 2021
    42.5, 28.0, 7.0, 22.5,
    # 2024
    42.0, 29.0, 7.2, 21.8
  )
)

# Verificar que los porcentajes sumen 100 por año
check <- datos_modales %>%
  group_by(Anio) %>%
  summarise(total = sum(Porcentaje))
# (todos deben ser 100)

# Colores por modo de transporte
colores_modos <- c(
  "Automóvil privado"    = "#C84B31",
  "Transporte público"   = "#048A81",
  "Bicicleta"            = "#EF8354",
  "Caminata/Otro"        = "#2E4057"
)

# ============================================================
# Modelo de simulación de reducción de emisiones
# Basado en factores de emisión COPERT y datos de Trafikverket
# Eliasson et al. (2009), Transportstyrelsen (2022)
# ============================================================

# Parámetros del modelo de emisiones
# Reducción de tráfico observada: ~10-12% (Trafikverket, 2020)
reduccion_trafico_base <- 0.11  # 11% de reducción en volumen vehicular

# Factores de elasticidad emisiones-tráfico
# CO2: aproximadamente proporcional al combustible consumido
# PM10 y NOx: reducción no lineal (más eficiente en tráfico fluido)
elasticidad_CO2  <- 0.95   # Casi proporcional
elasticidad_PM10 <- 1.20   # Más que proporcional (beneficio de fluidez)
elasticidad_NOx  <- 1.15   # Más que proporcional

# Niveles de emisiones de referencia (toneladas/año, área de peaje)
# Basados en inventarios de la Agencia de Medio Ambiente sueca (Naturvårdsverket)
CO2_base  <- 120000   # toneladas CO2/año (2012)
PM10_base <- 85       # toneladas PM10/año (2012)
NOx_base  <- 420      # toneladas NOx/año (2012)

# Simular evolución anual 2011-2024
años <- 2011:2024

set.seed(42)  # Reproducibilidad

df_emisiones <- tibble(
  Año = años
) %>%
  mutate(
    # Reducción acumulativa del tráfico (logística con efectos de largo plazo)
    reduccion_trafico = ifelse(
      Año < 2013,
      0,
      pmin(reduccion_trafico_base * (1 + 0.3 * (Año - 2013)) +
           rnorm(n(), 0, 0.005),
           0.20)  # Máximo 20% de reducción
    ),
    # Efecto pandemia 2020-2021
    reduccion_trafico = ifelse(
      Año %in% c(2020, 2021),
      reduccion_trafico + 0.15,  # Reducción adicional por COVID
      reduccion_trafico
    ),
    # Cálculo de emisiones por contaminante
    CO2_ton  = CO2_base  * (1 - reduccion_trafico * elasticidad_CO2),
    PM10_ton = PM10_base * (1 - reduccion_trafico * elasticidad_PM10),
    NOx_ton  = NOx_base  * (1 - reduccion_trafico * elasticidad_NOx)
  )

# Tabla resumen de reducción
resumen_emisiones <- df_emisiones %>%
  filter(Año %in% c(2011, 2013, 2016, 2019, 2022, 2024)) %>%
  mutate(
    `CO2 (ton/año)`   = round(CO2_ton, 0),
    `PM10 (ton/año)`  = round(PM10_ton, 1),
    `NOx (ton/año)`   = round(NOx_ton, 1),
    `Reducción tráfico` = scales::percent(reduccion_trafico, accuracy = 0.1)
  ) %>%
  select(Año, `Reducción tráfico`, `CO2 (ton/año)`, `PM10 (ton/año)`, `NOx (ton/año)`)

kable(resumen_emisiones,
      caption = "Simulación de Emisiones Vehiculares en el Área de Peaje de Gotemburgo",
      align = c("r", "r", "r", "r", "r")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE) %>%
  row_spec(0, bold = TRUE, background = "#048A81", color = "white") %>%
  row_spec(2, background = "#d4edda") %>%  # Año de implementación
  footnote(general = "Nota: Datos de 2020-2021 incluyen efecto de la pandemia COVID-19. Valores simulados con base en inventarios de Naturvårdsverket y factores de emisión COPERT.",
           general_title = "")

# ============================================================
# GRÁFICO 3: Simulación de reducción de emisiones (2011-2024)
# ============================================================

# Reformatear datos para gráfico de líneas múltiples
df_emis_long <- df_emisiones %>%
  select(Año, CO2_ton, PM10_ton, NOx_ton) %>%
  pivot_longer(cols = c(CO2_ton, PM10_ton, NOx_ton),
               names_to = "Contaminante",
               values_to = "Emisiones_raw") %>%
  mutate(
    Contaminante_label = case_when(
      Contaminante == "CO2_ton"  ~ "CO₂ (escala: ×0.001 ton)",
      Contaminante == "PM10_ton" ~ "PM10 (ton) × 100",
      Contaminante == "NOx_ton"  ~ "NOx (ton)"
    ),
    # Normalizar para visualización en escala común (índice base 2012 = 100)
    Emisiones_idx = NA_real_
  )

# Calcular índice base 2012 = 100 para comparación
base_2012 <- df_emisiones %>% filter(Año == 2012) %>%
  select(CO2_ton, PM10_ton, NOx_ton) %>% as.list()

df_emis_idx <- df_emisiones %>%
  mutate(
    idx_CO2  = (CO2_ton  / base_2012$CO2_ton)  * 100,
    idx_PM10 = (PM10_ton / base_2012$PM10_ton) * 100,
    idx_NOx  = (NOx_ton  / base_2012$NOx_ton)  * 100
  ) %>%
  select(Año, idx_CO2, idx_PM10, idx_NOx) %>%
  pivot_longer(cols = starts_with("idx_"),
               names_to = "Contaminante",
               values_to = "Índice") %>%
  mutate(
    Contaminante = case_when(
      Contaminante == "idx_CO2"  ~ "CO₂",
      Contaminante == "idx_PM10" ~ "PM₁₀",
      Contaminante == "idx_NOx"  ~ "NOₓ"
    )
  )

colores_emisiones <- c("CO₂" = "#C84B31", "PM₁₀" = "#2E4057", "NOₓ" = "#048A81")

g3 <- ggplot(df_emis_idx, aes(x = Año, y = Índice,
                               color = Contaminante,
                               group = Contaminante)) +
  # Zona pandemia
  annotate("rect", xmin = 2020, xmax = 2022,
           ymin = -Inf, ymax = Inf,
           fill = "#f0e68c", alpha = 0.3) +
  annotate("text", x = 2021, y = 105,
           label = "Pandemia\nCOVID-19",
           size = 3, color = "#8B8000", fontface = "italic") +
  # Línea de implementación del peaje
  geom_vline(xintercept = 2013, linetype = "dashed",
             color = "#6a0572", linewidth = 1) +
  annotate("label", x = 2013, y = 108,
           label = "Inicio\npeaje",
           fill = "#6a0572", color = "white", size = 3,
           label.r = unit(0.2, "lines")) +
  # Línea de referencia (base = 100)
  geom_hline(yintercept = 100, linetype = "dotted",
             color = "gray50", linewidth = 0.8) +
  annotate("text", x = 2011.3, y = 101.5,
           label = "Nivel base 2012", color = "gray50",
           size = 3, hjust = 0) +
  # Curvas de emisiones
  geom_line(linewidth = 1.3) +
  geom_point(size = 3, shape = 21, fill = "white", stroke = 1.5) +
  scale_color_manual(values = colores_emisiones, name = "Contaminante") +
  scale_x_continuous(breaks = seq(2011, 2024, by = 2)) +
  scale_y_continuous(
    labels = function(x) paste0(x, ""),
    name   = "Índice de Emisiones (2012 = 100)"
  ) +
  labs(
    title    = "Evolución de Emisiones Vehiculares en el Área de Peaje de Gotemburgo (2011–2024)",
    subtitle = "Índice base 2012 = 100. Reducción impulsada por el peaje y cambio modal.",
    x        = "Año",
    caption  = "Fuentes: Naturvårdsverket (2023), Trafikverket (2022), Transportstyrelsen (2022).\nSimulación con factores de emisión COPERT y elasticidades calibradas para el contexto sueco."
  ) +
  tema_academico

print(g3)

# ============================================================
# Tabla de beneficios económicos del peaje (estimaciones)
# Basada en Börjesson et al. (2020) y evaluaciones de Trafikverket
# ============================================================

beneficios <- tibble(
  Componente = c(
    "Reducción tiempo de viaje (usuarios automóvil)",
    "Reducción tiempo de viaje (usuarios TP)",
    "Beneficios ambientales (CO2, NOx, PM10)",
    "Reducción de accidentes",
    "Excedente del productor (transportistas)",
    "Costo de operación del sistema",
    "Costos de cumplimiento (usuarios)",
    "**Beneficio neto anual (estimado)**"
  ),
  `Millones SEK/año` = c(
    "+320",
    "+180",
    "+85",
    "+45",
    "+30",
    "-120",
    "-50",
    "**+490**"
  ),
  `Millones EUR/año` = c(
    "+28.4",
    "+16.0",
    "+7.5",
    "+4.0",
    "+2.7",
    "-10.6",
    "-4.4",
    "**+43.6**"
  ),
  Certidumbre = c(
    "Alta", "Alta", "Media", "Media", "Baja",
    "Alta", "Media", "Media"
  )
)

kable(beneficios,
      caption = "Evaluación de Beneficios y Costos del Peaje de Congestión de Gotemburgo",
      align = c("l", "r", "r", "c"),
      escape = FALSE) %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = TRUE) %>%
  row_spec(0, bold = TRUE, background = "#2E4057", color = "white") %>%
  row_spec(8, bold = TRUE, background = "#d4edda") %>%
  footnote(general = "Tipo de cambio referencial: 1 EUR ≈ 11.25 SEK (media 2022-2023). Fuentes: Börjesson et al. (2020), Trafikverket CBA metodología.",
           general_title = "")

# ============================================================
# Tabla comparativa de sistemas internacionales de peaje
# ============================================================

comparacion_int <- tibble(
  Ciudad       = c("Estocolmo\n(Suecia)", "Gotemburgo\n(Suecia)",
                   "Londres\n(R. Unido)", "Milán\n(Italia)",
                   "Nueva York\n(EE.UU.)"),
  `Año inicio` = c(2007, 2013, 2003, 2008, 2024),
  `Tarifa máx.` = c("~135 SEK\n(~12 EUR)", "60 SEK/día\n(~5.3 EUR)",
                     "~15 GBP\n(~17 EUR)", "~7.5 EUR\n(día)",
                     "~9 USD\n(~8.4 EUR)"),
  `Reducción tráfico` = c("~22%", "~12%", "~30%", "~18%", "~15%*"),
  `Aceptación pública` = c("Inicial rechazo,\nluego +51%",
                            "Rechazo en\nreferéndum 57%",
                            "Creciente\naceptación",
                            "Moderada\naceptación",
                            "Controversia\nongoing"),
  `Destino recaudación` = c("Transporte local\nEstocolmo",
                             "West Link +\ntransporte local",
                             "Transport\nfor London",
                             "Fondo local\ntransporte",
                             "MTA + mejoras\ninfraest.")
)

kable(comparacion_int,
      caption = "Comparación Internacional de Sistemas de Peaje de Congestión",
      align = c("l", "c", "c", "c", "c", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = TRUE,
                font_size = 11) %>%
  row_spec(0, bold = TRUE, background = "#2E4057", color = "white") %>%
  row_spec(2, background = "#fff3cd") %>%  # Destacar Gotemburgo
  footnote(general = "(*) Estimación preliminar para el primer año de operación en Nueva York (2024). Fuentes: TfL (2023), AMAT Milano (2023), MTA (2024), Transportstyrelsen (2023), Trafikverket (2023).",
           general_title = "")