suppressPackageStartupMessages({
library(statnet)
library(igraph)
library(network)
library(sna)
library(Hmisc)
library(tidyverse)
library(readxl)
library(summarytools)
library(ggrepel)
library(corrplot)
library(knitr)
library(kableExtra)
library(psych)
})data <- read_csv("data.csv")
print(data)# A tibble: 203 × 98
CSV1_0 CSV1_1 CSV1_2 CSV1_3 CSV1_4 CSV1_5 CSV2 CSV3 FSV1_0 FSV1_1 FSV1_2
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 1 0 0 0 0 4 3 1 1 0
2 1 1 1 1 1 0 5 5 1 0 0
3 1 0 1 1 1 0 4 1 1 0 1
4 1 1 0 1 0 0 3 2 1 0 0
5 1 1 0 1 1 0 4 2 1 0 0
6 1 1 1 1 1 1 4 2 1 1 0
7 1 0 1 1 0 0 2 1 1 0 0
8 0 0 0 0 0 1 4 3 0 0 0
9 1 1 0 0 1 0 4 1 1 0 0
10 1 1 1 1 0 0 3 1 1 0 1
# ℹ 193 more rows
# ℹ 87 more variables: FSV1_3 <dbl>, FSV1_4 <dbl>, FSV2 <dbl>, FSV3 <dbl>,
# FSV4_0 <dbl>, FSV4_1 <dbl>, FSV4_2 <dbl>, FSV4_3 <dbl>, FSV4_4 <dbl>,
# FSV4_5 <dbl>, FSV4_6 <dbl>, FSV4_7 <dbl>, FSV4_8 <dbl>, ASV1 <dbl>,
# ASV2_0 <dbl>, ASV2_1 <dbl>, ASV2_2 <dbl>, ASV2_3 <dbl>, ASV2_4 <dbl>,
# ASV2_5 <dbl>, OSVA1 <dbl>, OSVA2 <dbl>, OSVA3 <dbl>, OSVA4 <dbl>,
# OSVA5 <dbl>, OSVN1 <dbl>, OSVN2 <dbl>, OSVN3 <dbl>, OSVN4 <dbl>, …knitr::opts_chunk$set(
fig.width = 10,
fig.height = 6
)
theme_set(
theme_minimal(base_size = 10) +
theme(
plot.title = element_text(
size = 10,
hjust = 0.5
)
)
)Cercetarea examinează modul în care locuitorii Bucureștiului și ai zonei metropolitane interacționează cu două categorii de spații verzi: cele amenajate (parcuri) și cele neamenajate, caracterizate de o vegetație spontană sau o intervenție umană minimă (zone de natură sălbatică).
Relevanța acestei lucrări este dată de analiza specifică a percepției publicului din București asupra distincției dintre aceste două categorii de medii. Majoritatea studiilor existente se concentrează fie pe aspecte strict ecologice, fie pe spațiile verzi convenționale, fără să pună accent pe dimensiunea subiectivă a relației locuitorilor din București cu natura sălbatică urbană. Astfel, studiul completează literatura de specialitate și oferă date importante care pot sta la baza dezvoltării politicilor publice urbane.
Studiul este structurat pe următoarele obiective: relația natură - comunitate, cum înțeleg oamenii natura în mediul urban; frecventarea spațiilor verzi; accesibilitatea acestor spații; identificarea beneficiilor și riscurilor percepute; evaluarea modului în care sunt privite spațiile verzi cu intervenție umană minimă și a celor amenajate; responsabilitatea pentru spațiile verzi; disponibilitatea de a face voluntariat pentru mediu; nevoile speciale ale familiilor cu copii.
Înțelegerea spațiilor verzi în mediul urban necesită o abordare interdisciplinară care poate începe cu cartografierea funcțională. Acest proces nu se limitează la simpla localizare geografică a parcurilor, ci identifică funcțiile sociale pe care acestea le îndeplinesc pentru comunitate (Florență, 2022). Baza acestei utilități o reprezintă accesul echitabil, principiul conform căruia toți locuitorii unui oraș, indiferent de zona de reședință, trebuie să beneficieze de o distribuție corectă a resurselor verzi, prevenind astfel inechitățile sociale (Jennings, Larson, & Yun, 2016).
Odată asigurată prezența și accesibilitatea spațiilor verzi, atenția se mută asupra calității acestora, (curățenia, siguranța percepută, infrastructură, facilități). Acești factori au un impact direct asupra frecvenței și modului de utilizare a spațiilor verzi (Li et al., 2020). Un aspect important al calității spațiilor verzi este naturalitatea, un concept care descrie gradul în care vegetația este percepută ca fiind apropiată de stadiul său natural, nemodificat. Cercetările indică faptul că un nivel ridicat de naturalitate sporește valoarea estetică și beneficiile pentru sănătatea psihică (Sang et al., 2016).
Această preferință pentru natural este însă amenințată de trendul de „parkificare”, prin care zonele verzi sălbatice sunt transformate în spații amenajate, proces care reduce biodiversitatea și alterează experiența autentică a naturii în oraș. În contrast cu această transformare a spațiilor verzi, contactul direct cu natura oferă beneficii non-materiale, denumite servicii ecosistemice culturale. Acestea se referă la simplul fapt de a fi în natură și de a te bucura de ceea ce natura îți oferă, la posibilitatea de a te recrea și de a-ți găsi echilibrul și starea de bine. (Jennings, Larson, & Yun, 2016; Ramírez-Agudelo et al., 2022).
Totodată, este important de subliniat că legătura dintre comunitate și spațiile verzi este întărită de interacțiunea dintre accesibilitatea fizică și atașamentul emoțional față de loc. Legăturile emoționale și sociale pe care oamenii le dezvoltă față de cartierul lor influențează direct atașamentul pentru spațiile verzi. Acest atașament stimulează acțiunile de voluntariat pentru mediu, transformând beneficiarii în activiști pentru conservarea naturii. Implicarea civică în întreținerea și protejarea acestor spații verzi devine astfel o expresie a rezilienței comunitare și a dorinței de a menține un mediu urban sustenabil (Ritchie et al., 2026).
Procedura de colectare a datelor a constat într-un chestionar online, completat de către respondenți în mod independent, creat de studenții programului de master „Cross-disciplinary perspectives on socio-ecological transformations program”. Pentru colectarea datelor, am aplicat o metodă combinată între eșantionarea de conveniență (mai precis, metoda de eșantionare neprobabilistică) și tehnica „bulgărelui de zăpadă”.
Chestionarul a fost distribuit pe diferite platforme de socializare (WhatsApp, Teams, Facebook), iar fiecare respondent a fost invitat să distribuie chestionarul în propria rețea socială.
Pentru acest studiu, grupul țintă a fost format din persoane care locuiesc în București și în zonele învecinate, cu vârste cuprinse între categoriile sub 18 ani si peste 65 de ani.
Înainte de completarea chestionarului, participanții au fost asigurați de confidențialitatea răspunsurilor lor, fiind informați că datele vor fi utilizate exclusiv în scopuri de cercetare. Prin completarea chestionarului, respondenții și-au dat consimțământul de a participa la studiu.
Scopul acestui studiu este să ofere o înțelegere aprofundată a experiențelor locuitorilor cu privire la spațiile verzi amenajate și spațiile verzi naturale din București și din zona metropolitană, precum și a nevoilor și așteptărilor locuitorilor legate de aceste spații. Pentru aceasta, am creat nouă dimensiuni și, pentru fiecare dimensiune, am formulat întrebări care ne-au ajutat să colectăm date primare de la respondenți.
Răspunsurile participanților au fost evaluate folosind Scala Likert de 7 puncte (1 = Total dezacord, 7 = Complet acord), iar pentru o parte din întrebări, respondenții au avut opțiunea de a selecta răspunsul deschis „Altele”.
Analiza datelor a fost realizată în mediul R. Pentru identificarea corelațiilor între variabile, am folosit statistici descriptive și analize bivariate.
Pentru a determina cât de familiarizați sunt respondenții cu spațiile verzi din București, am încercat să aflăm ce reprezintă pentru ei un spațiu verde și am reprezentat grafic răspunsurile în ordine descrescătoare a frecvenței.
# ----------------------------------------------------------------------
#CUNOAȘTEREA SPAȚIILOR VERZI
# ----------------------------------------------------------------------
Spatiu_verde <- data %>%
select(CSV1_0, CSV1_1, CSV1_2, CSV1_3, CSV1_4, CSV1_5) %>%
summarise(across(everything(), ~sum(. == 1, na.rm = TRUE))) %>%
pivot_longer(cols = everything(), names_to = "Varianta", values_to = "Voturi") %>%
mutate(Denumire = case_when(
Varianta == "CSV1_0" ~ "Parcuri amenajate",
Varianta == "CSV1_1" ~ "Grădini dintre blocuri",
Varianta == "CSV1_2" ~ "Păduri",
Varianta == "CSV1_3" ~ "Parcuri naturale",
Varianta == "CSV1_4" ~ "Alveole",
Varianta == "CSV1_5" ~ "Altele"
)) %>%
mutate(Denumire = reorder(Denumire, Voturi))
ggplot(Spatiu_verde, aes(x = Voturi, y = Denumire, fill = Voturi)) +
geom_col() +
geom_text(aes(label = Voturi), hjust = -0.2, size = 4, fontface = "bold") +
scale_fill_gradient(low = "#A2CD5A", high = "#458B00") +
labs(title = "Ce reprezintă un spațiu verde pentru locuitorii din București?",
x = "Număr de alegeri", y = "Variante") +
theme_minimal() +
theme(legend.position = "none")
Locuitorii Bucureștiului asociază spațiile verzi în primul rând cu parcurile amenajate (infrastructură formală), dar recunosc și importanța grădinilor de proximitate și a zonelor naturale (parcuri naturale, păduri). Această diversitate de preferințe sugerează necesitatea unei abordări mixte în politicile de infrastructură verde: extinderea parcurilor mari, conservarea și îmbunătățirea grădinilor de cartier, protejarea zonelor naturale și valorificarea spațiilor mici intercalate (alveole).
#----------------------------------------------------------------------
#CALITATEA SPAȚIILOR VERZI
# ----------------------------------------------------------------------
desc_CSV2 <- (data) %>%
summarise(
N = sum(!is.na(CSV2)),
Media = round(mean(CSV2, na.rm = TRUE), 2),
Mediana = median(CSV2, na.rm = TRUE),
SD = round(sd(CSV2, na.rm = TRUE), 2),
Min = min(CSV2, na.rm = TRUE),
Max = max(CSV2, na.rm = TRUE) )
print(desc_CSV2)# A tibble: 1 × 6
N Media Mediana SD Min Max
<int> <dbl> <dbl> <dbl> <dbl> <dbl>
1 203 3.26 3 1.27 1 7# ----------------------------------------------------------------------
# distribuție frecvențe
# ----------------------------------------------------------------------
freq_CSV2 <- (data) %>%
count(CSV2) %>%
mutate(Procent = round(n / sum(n) * 100, 1)) %>%
filter(!is.na(CSV2))
print(freq_CSV2)# A tibble: 7 × 3
CSV2 n Procent
<dbl> <int> <dbl>
1 1 16 7.9
2 2 40 19.7
3 3 65 32
4 4 50 24.6
5 5 23 11.3
6 6 7 3.4
7 7 2 1 # ----------------------------------------------------------------------
# grafic likert
# ----------------------------------------------------------------------
ggplot((data), aes(x = CSV2)) +
geom_histogram(aes(y = after_stat(density)),
binwidth = 1,
fill = "darkgreen",
color = "lightgreen",
alpha = 0.7) +
geom_density(color = "black", linewidth = 1.2) +
scale_x_continuous(breaks = 1:7) +
scale_y_continuous(
labels = scales::percent_format(accuracy = 1)
)+
labs(
title = "Cât de mulțumit/ă sunteți de întinderea și calitatea spațiilor verzi din oraș?",
subtitle = paste0("Media = ", desc_CSV2$Media,
" | SD = ", desc_CSV2$SD,
" | N = ", desc_CSV2$N),
x = "Scor (1 = Foarte nemulțumit/ă, 7 = Foarte mulțumit/ă)",
y = "Frecventa"
) +
theme_minimal(base_size = 13)
Locuitorii Bucureștiului se declară, în general, mai degrabă nemulțumiți de întinderea și calitatea spațiilor verzi din oraș, 59,6% dintre respondenți având o percepție preponderent negativă asupra acestui aspect. Evaluarea întinderii și calității spațiilor verzi indică un nivel general scăzut de acord sau satisfacție (media = 3,26), cu o concentrare accentuată a răspunsurilor la valori joase și moderate (scoruri 1–4: 84,2%) și o reprezentare redusă a scorurilor ridicate (5–7: 15,7%).
Distribuția răspunsurilor este asimetrică negativ, mediana situându-se la scorul 3 (32,0%), ceea ce reflectă o atitudine predominant rezervată sau nesatisfăcătoare față de dimensiunea analizată. Aceste rezultate evidențiază necesitatea unor intervenții și îmbunătățiri privind întinderea și calitatea spațiilor verzi din oraș, precum și oportunitatea de a analiza factorii care diferențiază subgrupurile cu percepții mai favorabile de cele cu percepții negative.
Analizele de corelație Pearson indică absența unor relații semnificative statistic între nivelul de satisfacție față de întinderea și calitatea spațiilor verzi (CSV2) și variabilele socio‑demografice analizate: vârstă și venit.
Variabile socio-demografice prezintă:
coeficienți de corelație foarte mici (|r| < 0.11),
valori p > 0.05 (nesemnificative statistic).
# ----------------------------------------------------------------------
# corelatii socio demo
# ----------------------------------------------------------------------
cor.test(data$Varsta, data$CSV2, method = "pearson")
Pearson's product-moment correlation
data: data$Varsta and data$CSV2
t = -0.71154, df = 201, p-value = 0.4776
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.18654741 0.08819334
sample estimates:
cor
-0.05012527 cor.test(data$Venit, data$CSV2, method = "pearson")
Pearson's product-moment correlation
data: data$Venit and data$CSV2
t = -0.39715, df = 201, p-value = 0.6917
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.1650750 0.1101328
sample estimates:
cor
-0.02800176 # ----------------------------------------------------------------------
# SUFICIENȚA SPAȚIILOR VERZI
# ----------------------------------------------------------------------
desc_CSV3 <- (data) %>%
summarise(
N = sum(!is.na(CSV3)),
Media = round(mean(CSV3, na.rm = TRUE), 2),
Mediana = median(CSV3, na.rm = TRUE),
SD = round(sd(CSV3, na.rm = TRUE), 2),
Min = min(CSV3, na.rm = TRUE),
Max = max(CSV3, na.rm = TRUE) )
print(desc_CSV3)# A tibble: 1 × 6
N Media Mediana SD Min Max
<int> <dbl> <dbl> <dbl> <dbl> <dbl>
1 203 2.29 2 1.32 1 7# ----------------------------------------------------------------------
# distribuție frecvențe
# ----------------------------------------------------------------------
freq_CSV3 <- (data) %>%
count(CSV3) %>%
mutate(Procent = round(n / sum(n) * 100, 1)) %>%
filter(!is.na(CSV3))
print(freq_CSV3)# A tibble: 7 × 3
CSV3 n Procent
<dbl> <int> <dbl>
1 1 69 34
2 2 58 28.6
3 3 46 22.7
4 4 17 8.4
5 5 6 3
6 6 5 2.5
7 7 2 1 # ----------------------------------------------------------------------
# grafic likert
# ----------------------------------------------------------------------
ggplot((data), aes(x = CSV3)) +
geom_histogram(aes(y = after_stat(density)),
binwidth = 1,
fill = "darkgreen",
color = "lightgreen",
alpha = 0.7) +
geom_density(color = "black", linewidth = 1.2) +
scale_x_continuous(breaks = 1:7) +
scale_y_continuous(
labels = scales::percent_format(accuracy = 1)
)+
labs(
title = "Consider că sunt suficiente spații verzi în București pentru toți locuitorii",
subtitle = paste0("Media = ", desc_CSV3$Media,
" | SD = ", desc_CSV3$SD,
" | N = ", desc_CSV3$N),
x = "Scor (1 = Total dezacord , 7 = Complet de acord )",
y = "Frecventa"
) +
theme_minimal(base_size = 13)
# ----------------------------------------------------------------------
# corelatii socio demo
# ----------------------------------------------------------------------
cor.test(data$Varsta, data$CSV3, method = "pearson")
Pearson's product-moment correlation
data: data$Varsta and data$CSV3
t = -0.36778, df = 201, p-value = 0.7134
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.1630597 0.1121783
sample estimates:
cor
-0.02593217 cor.test(data$Venit, data$CSV3, method = "pearson")
Pearson's product-moment correlation
data: data$Venit and data$CSV3
t = -0.32962, df = 201, p-value = 0.742
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.1604396 0.1148341
sample estimates:
cor
-0.02324328 Locuitorii Bucureștiului consideră în mod covârșitor că spațiile verzi din oraș sunt insuficiente, cu 85,3% dintre respondenți exprimând dezacord (scoruri 1–3) față de afirmația că „sunt suficiente spații verzi în București pentru toți locuitorii”. Consensul aproape unanim sugerează că această problemă este resimțită ca o realitate obiectivă, nu ca o simplă nemulțumire subiectivă, și impune prioritate maximă pentru politicile publice de urbanism și amenajare a spațiului urban.
Analizele de corelație Pearson indică absența unor relații semnificative statistic între percepția privind suficiența spațiilor verzi (CSV3) și variabilele socio‑demografice analizate: Vârstă (r = −0.026, p = 0.713) și Venit (r = −0.023, p = 0.742) . Valorile foarte mici ale coeficienților |r| indică efecte neglijabile, iar valorile p mult peste pragul de 0,05 confirmă că aceste asocieri nu sunt semnificative statistic.
Analiză realizată de: Iulia (FSV1, FSV2) și Tina (FSV3, FSV4)
# ----------------------------------------------------------------------
# FRECVENTAREA SPAȚIILOR VERZI
# ----------------------------------------------------------------------
Spatiu_verde_frecventat <- data %>%
select(FSV1_0, FSV1_1, FSV1_2, FSV1_3, FSV1_4) %>%
summarise(across(everything(), ~sum(. == 1, na.rm = TRUE))) %>%
pivot_longer(cols = everything(), names_to = "Varianta", values_to = "Voturi") %>%
mutate(Denumire = case_when(
Varianta == "FSV1_0" ~ "Parcuri amenajate",
Varianta == "FSV1_1" ~ "Grădini dintre blocuri",
Varianta == "FSV1_2" ~ "Păduri",
Varianta == "FSV1_3" ~ "Parcuri naturale",
Varianta == "FSV1_4" ~ "Altele"
)) %>%
mutate(Denumire = reorder(Denumire, Voturi))
ggplot(Spatiu_verde_frecventat, aes(x = Voturi, y = Denumire, fill = Voturi)) +
geom_col() +
geom_text(aes(label = Voturi), hjust = -0.2, size = 4, fontface = "bold") +
scale_fill_gradient(low = "#A2CD5A", high = "#458B00") +
labs(title = "Ce spații verzi frecventați cel mai des??",
x = "Număr de alegeri", y = "Variante") +
theme_minimal() +
theme(legend.position = "none")
Parcurile amenajate sunt, de departe, cele mai frecventate spații verzi, înregistrând cel mai mare număr de alegeri, mult peste celelalte categorii. La distanță considerabilă urmează grădinile dintre blocuri, apoi pădurile și parcurile naturale, care sunt frecventate într-o măsură mai redusă. Categoria „Altele” este marginală.
# ----------------------------------------------------------------------
# FRECVENTA FRECVENTĂRII SPAȚIILOR VERZI
# ----------------------------------------------------------------------
# ----------------------------------------------------------------------
# analiză descriptivă și statistică
# ----------------------------------------------------------------------
desc_FSV2 <- (data) %>%
summarise(
N = sum(!is.na(FSV2)),
Media = round(mean(FSV2, na.rm = TRUE), 2),
Mediana = median(FSV2, na.rm = TRUE),
SD = round(sd(FSV2, na.rm = TRUE), 2),
Min = min(FSV2, na.rm = TRUE),
Max = max(FSV2, na.rm = TRUE) )
print(desc_FSV2)# A tibble: 1 × 6
N Media Mediana SD Min Max
<int> <dbl> <dbl> <dbl> <dbl> <dbl>
1 203 1.07 1 0.83 0 4# ----------------------------------------------------------------------
# distribuție frecvențe + procente
# ----------------------------------------------------------------------
freq_FSV2 <- (data) %>%
count(FSV2) %>%
mutate(Procent = round(n / sum(n) * 100, 1)) %>%
filter(!is.na(FSV2))
print(freq_FSV2)# A tibble: 5 × 3
FSV2 n Procent
<dbl> <int> <dbl>
1 0 43 21.2
2 1 119 58.6
3 2 27 13.3
4 3 11 5.4
5 4 3 1.5# ----------------------------------------------------------------------
# pie chart
# ----------------------------------------------------------------------
# Etichete FSV2
etichete_FSV2 <- c(
"0" = "Zilnic",
"1" = "Săptămânal",
"2" = "Lunar",
"3" = "De câteva ori pe an",
"4" = "Nu frecventez")
# ----------------------------------------------------------------------
# Pregătire date pentru pie chart
# ----------------------------------------------------------------------
freq_FSV2_plot <- freq_FSV2 %>%
mutate(
FSV2 = factor(FSV2,
levels = 0:4,
labels = etichete_FSV2) )
# ----------------------------------------------------------------------
# Pie chart
# ----------------------------------------------------------------------
ggplot(freq_FSV2_plot, aes(x = "", y = Procent, fill = FSV2)) +
geom_bar(stat = "identity", width = 1, color = "white") +
coord_polar("y") +
geom_text(
aes(label = paste0(Procent, "%")),
position = position_stack(vjust = 0.5),
size = 4
) +
labs(
title = "Cât de des frecventați spațiile verzi?",
fill = "Frecvență"
) +
theme_void() +
scale_fill_brewer(palette = "Greens")
# ----------------------------------------------------------
# Etichete pentru Rezidenta (axa X)
# ----------------------------------------------------------
data$Rezidenta <- factor(
data$Rezidenta,
levels = c(0, 1, 2, 3, 4, 5, 6),
labels = c(
"În afara Bucureștiului",
"Sector 1",
"Sector 2",
"Sector 3",
"Sector 4",
"Sector 5",
"Sector 6" ) )
# ----------------------------------------------------------
# Etichete pentru FSV2 (axa Y)
# ----------------------------------------------------------
etichete_FSV2 <- c(
"Zilnic",
"Săptămânal",
"Lunar",
"De câteva ori pe an",
"Nu frecventez")Locuitorii Bucureștiului vizitează spațiile verzi cu o frecvență relativ ridicată, cu 79,8% dintre respondenți declarând că vizitează aceste spații cel puțin săptămânal (zilnic sau săptămânal).
# ----------------------------------------------------------
# Boxplot FSV2 ~ Rezidenta
# ----------------------------------------------------------
ggplot(data, aes(x = Rezidenta, y = FSV2)) +
geom_boxplot(fill = "darkgreen", alpha = 0.7) +
scale_y_continuous(
breaks = 0:4,
labels = etichete_FSV2
) +
labs(
title = "Frecvența vizitării spațiilor verzi în funcție de rezidență",
x = "Zona de rezidență",
y = "Frecvența vizitării spațiilor verzi"
) +
theme_minimal(base_size = 13) +
theme(
axis.text.x = element_text(angle = 45, hjust = 1)
)
Graficul indică o utilizare frecventă și relativ uniformă a spațiilor verzi în toate zonele de rezidență, fără diferențe majore între sectoare. Această uniformitate sugerează că problema spațiilor verzi nu este una localizată teritorial, ci una structurală la nivel urban, afectând în mod similar locuitorii din toate zonele Bucureștiului și din împrejurimi.
data <- data %>%
mutate(FSV3_Label = factor(FSV3,
levels = c(0, 1, 2),
labels = c("În apropierea locuinței",
"În alt sector",
"La periferia Bucureștiului")))
tabel_FSV3 <- table(data$FSV3_Label)
print(tabel_FSV3)În apropierea locuinței În alt sector 133 55 La periferia Bucureștiului 15
ggplot(data %>% filter(!is.na(FSV3_Label)), aes(x = FSV3_Label, fill = FSV3_Label)) +
geom_bar(color = "white", alpha = 0.85) +
geom_text(stat = 'count', aes(label = after_stat(count)), vjust = -0.4, size = 4, fontface = "bold") +
scale_fill_manual(values = colorRampPalette(c("#FFF59D", "#2E7D32"))(3), guide = "none") +
labs(title = "Unde se află spațiile verzi frecventate cel mai des?",
x = "Locație",
y = "Număr respondenți") +
theme_minimal() +
theme(plot.title = element_text(face = "bold", size = 12))
freq(data$FSV3_Label, plain.ascii = FALSE, style = "rmarkdown",
headings = FALSE, title = "Frecvența locațiilor spațiilor verzi")| Freq | % Valid | % Valid Cum. | % Total | % Total Cum. | |
|---|---|---|---|---|---|
| În apropierea locuinței | 133 | 65.52 | 65.52 | 65.52 | 65.52 |
| În alt sector | 55 | 27.09 | 92.61 | 27.09 | 92.61 |
| La periferia Bucureștiului | 15 | 7.39 | 100.00 | 7.39 | 100.00 |
| <NA> | 0 | 0.00 | 100.00 | ||
| Total | 203 | 100.00 | 100.00 | 100.00 | 100.00 |
Importanța proximității și a timpului de access
Datele indică o tendință clară a bucureștenilor de a utiliza infrastructura verde locală, 65.52% dintre respondenți (133 de persoane) preferând să viziteze spațiile verzi aflate în imediata apropiere a locuinței. Doar o minoritate de 7.39% (15 persoane) este dispusă să se deplaseze până la periferia orașului pentru recreere.
Această dependență de proximitate este confirmată și de timpul de deplasare: peste jumătate dintre respondenți ajung la spațiul verde preferat în cel mult 15 minute (29.6% în sub 10 minute, iar 24.1% între 10 și 15 minute). Tranzițiile lungi sunt evitate, doar 16.8% din eșantion alocând peste 30 de minute drumului către un parc.
Concluzie parțială: Spațiile verzi funcționează în primul rând ca un bun de cartier. Accesibilitatea rapidă este factorul decizional principal, ceea ce subliniază nevoia critică de a menține și dezvolta parcuri mici sau grădini urbane intercalate între zonele rezidențiale.
date_activitati <- data %>%
select(FSV4_0, FSV4_1, FSV4_2, FSV4_3, FSV4_4, FSV4_5, FSV4_6, FSV4_7, FSV4_8) %>%
summarise(across(everything(), ~sum(. == 1, na.rm = TRUE))) %>%
pivot_longer(cols = everything(), names_to = "Varianta", values_to = "Voturi") %>%
mutate(Denumire = case_when(
Varianta == "FSV4_0" ~ "Plimbare",
Varianta == "FSV4_1" ~ "Sport",
Varianta == "FSV4_2" ~ "Muncă remote",
Varianta == "FSV4_3" ~ "Studiat/Lectură",
Varianta == "FSV4_4" ~ "Socializare",
Varianta == "FSV4_5" ~ "Relaxare",
Varianta == "FSV4_6" ~ "Admirat natura",
Varianta == "FSV4_7" ~ "Doar pentru tranzit",
Varianta == "FSV4_8" ~ "Altele"
)) %>%
mutate(Denumire = reorder(Denumire, Voturi))
# Generare grafic
ggplot(date_activitati, aes(x = Voturi, y = Denumire, fill = Voturi)) +
geom_col() +
geom_text(aes(label = Voturi), hjust = -0.2, size = 4, fontface = "bold") +
scale_fill_viridis_c(option = "viridis", guide = "none") +
labs(title = "Ce activități desfășurați în aceste spații verzi?",
x = "Număr de alegeri", y = "Activitate") +
theme_minimal() +
theme(legend.position = "none")
Analiza activităților desfășurate arată că parcurile sunt folosite predominant pentru recreere pasivă și deconectare psihologică.
„Plimbarea” domină detașat preferințele publicului, urmată de „Relaxare” (161 de alegeri), „Admirat natura” (126 de alegeri) și „Socializare” (109 alegeri).
Prin contrast, utilizarea parcurilor pentru efort fizic sau productivitate este mult mai redusă. „Sportul” a adunat doar 61 de alegeri, iar activitățile statice care necesită concentrare, precum „Studiat/Lectură” (48 de alegeri) și „Munca remote” (13 alegeri), se află la coada clasamentului.
Concluzie parțială: Locuitorii percep și folosesc spațiile verzi ca pe un „refugiu antistres” împotriva ritmului urban alert. Amenajările viitoare ar trebui să prioritizeze zonele de liniște, aleile de promenadă și menținerea naturalității vizuale, mai degrabă decât supra-aglomerarea cu infrastructură sportivă sau tehnologică.
Analiză realizată de: Tina
# Pregătim datele și calculăm procentele
asv1_summary <- data %>%
filter(!is.na(ASV1)) %>%
mutate(ASV1_Label = factor(ASV1,
levels = c(0, 1, 2, 3, 4),
labels = c("Mai puțin de 10 min",
"10-15 minute",
"16-30 minute",
"31-60 minute",
"Mai mult de o oră"))) %>%
group_by(ASV1_Label) %>%
summarise(n = n(), .groups = 'drop') %>%
mutate(prop = n / sum(n),
Procent_Text = paste0(round(prop * 100, 1), "%"))
# Generăm Pie Chart-ul
ggplot(asv1_summary, aes(x = "", y = prop, fill = ASV1_Label)) +
geom_bar(stat = "identity", width = 1, color = "white") +
coord_polar("y", start = 0) +
geom_text(aes(label = Procent_Text),
position = position_stack(vjust = 0.5),
size = 4, fontface = "bold") +
scale_fill_manual(values = colorRampPalette(c("#FFF59D", "#2E7D32"))(5)) +
labs(title = "În cât timp ajungeți la cel mai frecventat spațiu verde?",
fill = "Timp de deplasare") +
theme_void() 
data <- data %>%
mutate(ASV1_Label = factor(ASV1,
levels = c(0, 1, 2, 3, 4),
labels = c("Mai puțin de 10 min",
"10-15 minute",
"16-30 minute",
"31-60 minute",
"Mai mult de o oră")))
# 2. Generăm tabelul de frecvență
freq(data$ASV1_Label,
plain.ascii = FALSE,
style = "rmarkdown",
headings = FALSE,
title = "Frecvența timpului de deplasare")| Freq | % Valid | % Valid Cum. | % Total | % Total Cum. | |
|---|---|---|---|---|---|
| Mai puțin de 10 min | 60 | 29.56 | 29.56 | 29.56 | 29.56 |
| 10-15 minute | 49 | 24.14 | 53.69 | 24.14 | 53.69 |
| 16-30 minute | 60 | 29.56 | 83.25 | 29.56 | 83.25 |
| 31-60 minute | 28 | 13.79 | 97.04 | 13.79 | 97.04 |
| Mai mult de o oră | 6 | 2.96 | 100.00 | 2.96 | 100.00 |
| <NA> | 0 | 0.00 | 100.00 | ||
| Total | 203 | 100.00 | 100.00 | 100.00 | 100.00 |
Proximitatea ca factor decizional: Datele privind timpul de deplasare (ASV1) validează ipoteza conform căreia spațiile verzi sunt tratate de bucureșteni, în mod predominant, ca o resursă de proximitate. Peste jumătate din eșantion (53,7%) reușește să acceseze un parc în maximum 15 minute (29,56% în mai puțin de 10 minute și 24,14% în 10-15 minute).
Toleranța la tranzit: Există un segment mediu de 29,56% care alocă între 16 și 30 de minute deplasării, sugerând o disponibilitate moderată de a călători pentru parcuri mai mari sau cu dotări superioare. Totuși, se observă o barieră psihologică și fizică la pragul de 30 de minute: doar o minoritate cumulată de aproximativ 16,7% este dispusă să petreacă între 31 de minute și peste o oră pe drum.
Concluzie parțială: Corelând aceste date cu preferința masivă pentru locațiile din „apropierea locuinței”, rezultă clar că politicile urbane trebuie să se concentreze pe rețeaua de parcuri de cartier. Cetățenii preferă vizitele scurte și frecvente în detrimentul deplasărilor lungi către marile parcuri centrale sau periferice.
date_transport <- data %>%
select(ASV2_0, ASV2_1, ASV2_2, ASV2_3, ASV2_4, ASV2_5) %>%
summarise(across(everything(), ~sum(. == 1, na.rm = TRUE))) %>%
pivot_longer(cols = everything(), names_to = "Varianta", values_to = "Voturi") %>%
mutate(Denumire = case_when(
Varianta == "ASV2_0" ~ "Mașina personală",
Varianta == "ASV2_1" ~ "Bolt/Uber/Taxi",
Varianta == "ASV2_2" ~ "Transport în comun",
Varianta == "ASV2_3" ~ "Mersul pe jos",
Varianta == "ASV2_4" ~ "Bicicletă/Role/Trotinetă",
Varianta == "ASV2_5" ~ "Altele"
)) %>%
mutate(Denumire = reorder(Denumire, Voturi))
# Generare grafic
ggplot(date_transport, aes(x = Voturi, y = Denumire, fill = Voturi)) +
geom_col() +
geom_text(aes(label = Voturi), hjust = -0.2, size = 4, fontface = "bold") +
scale_fill_gradient(low = "#FFF59D", high = "#2E7D32") +
labs(title = "Ce modalitate de transport folosiți cel mai des?",
x = "Număr de alegeri", y = "Mijloc de transport") +
theme_minimal() +
theme(legend.position = "none")
Proximitatea dictează transportul: „Mersul pe jos” este detașat cea mai populară opțiune (fiind selectată de o majoritate covârșitoare a respondenților). Acest comportament validează datele anterioare privind locația și timpul: deoarece cetățenii aleg parcurile din cartier, la care ajung în mai puțin de 15 minute, deplasarea pietonală devine soluția naturală, gratuită și cea mai eficientă.
Transportul în comun ca principală alternativă: Când distanța nu permite mersul pe jos, „Transportul în comun” este a doua cea mai utilizată metodă (105 alegeri). Acest lucru sugerează o conectivitate relativ bună a marilor parcuri din București la rețeaua de transport (metrou, tramvai, linii STB).
Dezangajarea de la mașina personală: Este un indicator socio-ecologic foarte bun faptul că „Mașina personală” a strâns doar 42 de selecții, fiind surclasată masiv. Acest aspect indică dorința cetățenilor de a evita stresul generat de trafic. De asemenea, opțiunile de tranzit cu plată (Bolt/Uber/Taxi) sunt folosite doar marginal.
Mobilitatea micro-urbană: Utilizarea „Bicicletei/Rolelor/Trotinetei” (34 de alegeri) reprezintă un segment activ, dar minoritar, indicând un potențial ridicat de creștere pentru transportul verde, frânat probabil de lipsa infrastructurii adecvate.
Concluzie parțială: Din perspectiva mobilității urbane, spațiile verzi bucureștene sunt accesate predominant prin mijloace sustenabile. Dependența de autoturism pentru recreere este scăzută, ceea ce oferă un argument pentru lărgirea trotuarelor și amenajarea de piste pentru biciclete.
Pentru a oferi o imagine și mai detaliată asupra inechităților urbane, am analizat modalitatea de transport în funcție de sectorul în care locuiesc respondenții.
# ----------------------------------------------------------------------
# ASV2 vs. REZIDENȚĂ - Mașină vs. Transport Comun vs. Mers pe jos
# ----------------------------------------------------------------------
data_transport_sector <- data %>%
filter(!is.na(Rezidenta)) %>%
mutate(Sector = factor(Rezidenta,
levels = c(0, 1, 2, 3, 4, 5, 6),
labels = c("Ilfov/Afară", "Sector 1", "Sector 2",
"Sector 3", "Sector 4", "Sector 5", "Sector 6"))) %>%
group_by(Sector) %>%
summarise(
`Mașina personală` = sum(ASV2_0 == 1, na.rm = TRUE),
`Transport în comun` = sum(ASV2_2 == 1, na.rm = TRUE),
`Mersul pe jos` = sum(ASV2_3 == 1, na.rm = TRUE)
) %>%
pivot_longer(cols = c(`Mașina personală`, `Transport în comun`, `Mersul pe jos`),
names_to = "Tip_Transport", values_to = "Numar")
# Grafic comparativ (bare alăturate)
ggplot(data_transport_sector, aes(x = Sector, y = Numar, fill = Tip_Transport)) +
geom_col(position = "dodge", color = "black", alpha = 0.85) +
geom_text(aes(label = Numar), position = position_dodge(width = 0.9), vjust = -0.4, size = 3.5, fontface = "bold") +
scale_fill_manual(values = c("#FFF59D", "#81C784", "#2E7D32")) + # Galben, Verde deschis, Verde închis
labs(title = "Modalități de transport către spațiile verzi",
subtitle = "Comparație pe sectoare: Mașină, Transport Comun și Mers pe jos",
x = "Zona de rezidență", y = "Număr de alegeri", fill = "Mod de transport") +
theme_minimal() +
theme(plot.title = element_text(face = "bold", size = 12),
axis.text.x = element_text(angle = 30, hjust = 1))
Inechitatea spațială: Centru vs. Periferie
Analizând modalitățile de transport în funcție de sectorul de rezidență, graficul evidențiază un fenomen clasic de inechitate spațială în distribuția resurselor urbane.
Sectoarele cu autonomie verde: Locuitorii din sectoarele cu o infrastructură verde istorică și bine dezvoltată (în special Sectorul 3 și Sectorul 6) se bazează masiv pe mobilitatea pietonală (38, respectiv 24 de alegeri pentru mersul pe jos). Autoturismul personal este folosit marginal în aceste zone (doar 5 alegeri în S3 și 2 alegeri în S6), demonstrând că parcurile de proximitate își îndeplinesc cu succes rolul.
Dependența de la periferie: În contrast puternic, respondenții care locuiesc în zona Ilfov sau în afara Bucureștiului prezintă un comportament de mobilitate total diferit. Dependența de mașina personală în această zonă (15 alegeri) este cea mai ridicată comparativ cu orice alt sector, fiind depășită la limită doar de transportul în comun (17 alegeri).
Concluzie parțială: Această discrepanță demonstrează că locuitorii de la periferie sunt adesea forțați să recurgă la tranzit motorizat pentru a compensa lipsa parcurilor amenajate în proximitatea lor. În loc să beneficieze de acces echitabil, pietonal, aceștia contribuie la traficul urban de weekend sau de seară pentru a accesa serviciile ecosistemice oferite de marile parcuri centrale.
*Analiză realizată de: Tina (OSVA1), Diana (OSVA2-OSVA5)*
# Afișarea statisticilor descriptive (Media, Mediana, Min, Max)
summary(data$OSVA1) Min. 1st Qu. Median Mean 3rd Qu. Max.
1.000 3.000 3.000 3.586 5.000 7.000 # Tabel de frecvență
freq_OSVA1 <- table(data$OSVA1)
print(freq_OSVA1)
1 2 3 4 5 6 7
13 33 56 46 37 14 4 # Generăm graficul cu distribuția scorurilor
ggplot(data %>% filter(!is.na(OSVA1)), aes(x = factor(OSVA1), fill = factor(OSVA1))) +
geom_bar(color = "white", alpha = 0.85) +
geom_text(stat = 'count', aes(label = after_stat(count)), vjust = -0.4, size = 4, fontface = "bold") +
scale_fill_viridis_d(option = "plasma", guide = "none") +
labs(title = "Spațiile verzi sunt întreținute corespunzător de către autorități",
subtitle = "Scală: 1 = Total dezacord, 7 = Complet de acord",
x = "Nivel de acord (1 - 7)",
y = "Număr respondenți") +
theme_minimal() +
theme(plot.title = element_text(face = "bold", size = 12))
freq(data$OSVA1, plain.ascii = FALSE, style = "rmarkdown",
headings = FALSE, title = "Satisfacția privind întreținerea")
| | Freq | % Valid | % Valid Cum. | % Total | % Total Cum. |
|-----------:|-----:|--------:|-------------:|--------:|-------------:|
| **1** | 13 | 6.40 | 6.40 | 6.40 | 6.40 |
| **2** | 33 | 16.26 | 22.66 | 16.26 | 22.66 |
| **3** | 56 | 27.59 | 50.25 | 27.59 | 50.25 |
| **4** | 46 | 22.66 | 72.91 | 22.66 | 72.91 |
| **5** | 37 | 18.23 | 91.13 | 18.23 | 91.13 |
| **6** | 14 | 6.90 | 98.03 | 6.90 | 98.03 |
| **7** | 4 | 1.97 | 100.00 | 1.97 | 100.00 |
| **\<NA\>** | 0 | | | 0.00 | 100.00 |
| **Total** | 203 | 100.00 | 100.00 | 100.00 | 100.00 |Tendința centrală negativă: Evaluarea modului în care autoritățile întrețin spațiile verzi relevă o atitudine generală de insatisfacție. Cu o medie de 3,58 și o mediană de 3 (pe scala de la 1 la 7), „centrul de greutate” al opiniilor înclină clar spre polul negativ.
Distribuția nemulțumirii: Mai mult de jumătate dintre respondenți (50,25%) au exprimat un grad de dezacord față de afirmația că spațiile verzi sunt bine întreținute (cumulând scorurile 1, 2 și 3). Dintre aceștia, cei mai mulți s-au poziționat pe un dezacord parțial (scor 3 - 27,59%).
Lipsa aprecierii pozitive: Polul pozitiv al scalei este slab reprezentat. Doar 27,1% din eșantion (cumulând scorurile 5, 6 și 7) consideră că parcurile sunt igienizate și irigate corespunzător, în timp ce un sfert din eșantion (22,66%) a preferat o poziție neutră (scor 4).
Concluzie parțială: Această distribuție indică o discrepanță majoră între așteptările calitative ale cetățenilor și realitatea administrativă din teren. Autoritățile locale prezintă un deficit sever de încredere în ceea ce privește capacitatea lor de a oferi servicii de mentenanță la standardele dorite de public.
Pentru a nuanța această nemulțumire, am analizat dacă opinia privind întreținerea diferă în funcție de generație:
# ----------------------------------------------------------------------
# OSVA1 vs. VÂRSTĂ - Satisfacția față de întreținerea autorităților
# ----------------------------------------------------------------------
data_varsta_osva <- data %>%
filter(!is.na(Varsta) & !is.na(OSVA1)) %>%
mutate(Varsta_Categorii = factor(Varsta,
levels = c(0, 1, 2, 3, 4, 5, 6),
labels = c("Sub 18", "18-24", "25-34",
"35-44", "45-54", "55-64", "65+")))
ggplot(data_varsta_osva, aes(x = Varsta_Categorii, y = OSVA1, fill = Varsta_Categorii)) +
geom_boxplot(alpha = 0.85, outlier.color = "red", outlier.shape = 16) +
stat_summary(fun = mean, geom = "point", shape = 23, size = 3, fill = "white") + # Punctul alb e media
scale_fill_manual(values = colorRampPalette(c("#FFF59D", "#2E7D32"))(7), guide = "none") +
labs(title = "Opinii privind întreținerea spațiilor verzi, pe grupe de vârstă",
subtitle = "1 = Total dezacord (Nemulțumit) ... 7 = Complet de acord (Mulțumit)",
x = "Grupa de vârstă", y = "Scor OSVA1 (1-7)") +
theme_minimal() +
theme(plot.title = element_text(face = "bold", size = 12),
axis.text.x = element_text(angle = 30, hjust = 1))
Distribuția pe vârste a nivelului de satisfacție privind întreținerea spațiilor verzi confirmă tendința generală negativă, dar adaugă nuanțe importante privind așteptările diferitelor generații de la administrația publică.
Tinerii adulți (18-24 ani) se dovedesc a fi un grup extrem de critic. Mediana pentru acest segment se situează la 3 (dezacord parțial), iar concentrarea răspunsurilor este în jumătatea inferioară a scalei, existând și câteva valori extreme de nemulțumire totală (scor 1). Acest lucru sugerează așteptări ridicate de la spațiul public, o sensibilitate mai mare la standardele de curățenie sau nevoia de facilități mai moderne pe care autoritățile nu le furnizează în prezent.
Adulții maturi (25-54 ani) prezintă opinii mai eterogene. Deși mediile (punctele albe) se mențin în jurul zonei neutre-negative (între 3.5 și 4), cutiile din grafic sunt mai largi, indicând o polarizare a opiniilor. În funcție de parcul specific pe care îl vizitează, unii adulți sunt moderat mulțumiți, în timp ce alții sunt clar dezamăgiți.
Vârstnicii (65+ ani) reprezintă segmentul cel mai nemulțumit. Deși grupul este mai restrâns, răspunsurile lor sunt puternic concentrate exclusiv în zona de dezacord (scoruri între 2 și 3). Pentru această categorie demografică, calitatea întreținerii (starea aleilor pentru evitarea accidentărilor, prezența băncilor intacte, curățenia) este vitală, iar deficiențele administrative sunt resimțite mult mai acut.
Pentru a aprofunda analiza, am testat statistic dacă există o legătură între efortul depus de cetățeni pentru a ajunge la un spațiu verde (Timpul de deplasare – ASV1) și cât de exigenți sau nemulțumiți sunt aceștia cu privire la starea parcului (Satisfacția față de întreținere – OSVA1).
Formularea ipotezelor statistice:
H0 (Ipoteza nulă): Nu există o corelație semnificativă statistic între timpul de deplasare către spațiile verzi și nivelul de satisfacție privind întreținerea acestora.
Ha (Ipoteza alternativă): Există o corelație semnificativă statistic între timpul de deplasare și nivelul de satisfacție.
# ----------------------------------------------------------------------
# TEST DE CORELAȚIE SPEARMAN: Timp de deplasare (ASV1) vs. Întreținere (OSVA1)
# ----------------------------------------------------------------------
# Rulăm testul Spearman (deoarece variabilele sunt de tip ordinal/Likert)
test_corelatie <- cor.test(data$ASV1, data$OSVA1, method = "spearman", exact = FALSE)
# Afișăm rezultatele în consolă/document
print(test_corelatie)
Spearman's rank correlation rho
data: data$ASV1 and data$OSVA1
S = 1409495, p-value = 0.8766
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.01096768 # (Opțional) Extragem valorile cheie într-un tabel curat
tabel_rezultate_test <- data.frame(
Test = "ASV1 vs OSVA1",
Rho = round(test_corelatie$estimate, 3),
P_value = round(test_corelatie$p.value, 4)
)
print(tabel_rezultate_test) Test Rho P_value
rho ASV1 vs OSVA1 -0.011 0.8766Testul de corelație Spearman a indicat o valoare p = 0.8766 (p > 0.05). Prin urmare, acceptăm ipoteza nulă (H0). Nu există o legătură semnificativă statistic între timpul de deplasare (ASV1) și satisfacția privind întreținerea spațiilor verzi (OSVA1), coeficientul de corelație fiind aproape nul (rho = -0.011).
Acest lucru înseamnă că nemulțumirea față de curățenia, irigarea și îngrijirea parcurilor este o atitudine generalizată și structurală în rândul bucureștenilor. Exigența sau dezamăgirea cetățenilor nu este influențată de efortul depus pentru a ajunge la spațiul verde; un locuitor care are parcul la 5 minute de casă este la fel de predispus să fie nemulțumit de starea acestuia precum un locuitor care traversează orașul timp de o oră pentru a se recrea.
Respondenții au manifestat o atitudine moderat favorabilă față de afirmația „Reducerea locurilor de parcare în favoarea spațiilor verzi este o măsură justificată.” Scorul mediu a fost de 4,68 pe o scală de șapte puncte, în timp ce mediana a fost 5, indicând o tendință spre acord. Mai mult de jumătate dintre respondenți (52,2%) au fost de acord cu afirmația, în timp ce 28,6% nu au fost de acord, iar 19,2% au rămas neutri. Deși sprijinul pentru această măsură a fost în general pozitiv, scorul mediu sugerează un acord moderat.
library(ggplot2)
library(dplyr)
library(tidyr)
data <- read.csv("data.csv")
# --------------------------------------------------
# OSVA2
# Reducerea locurilor de parcare în favoarea spațiilor verzi este justificată
# --------------------------------------------------
summary(data$OSVA2) Min. 1st Qu. Median Mean 3rd Qu. Max.
1.000 3.000 5.000 4.675 7.000 7.000 freq_OSVA2 <- data %>%
count(OSVA2) %>%
mutate(Procent = round(n / sum(n) * 100, 1))
print(freq_OSVA2) OSVA2 n Procent
1 1 26 12.8
2 2 14 6.9
3 3 18 8.9
4 4 39 19.2
5 5 17 8.4
6 6 23 11.3
7 7 66 32.5desc_OSVA2 <- data %>%
summarise(
N = sum(!is.na(OSVA2)),
Media = round(mean(OSVA2, na.rm = TRUE), 2)
)
print(desc_OSVA2) N Media
1 203 4.67## GRAFIC PT OSVA2
ggplot(data, aes(x = factor(OSVA2))) +
geom_bar(fill = "darkgreen") +
labs(
title = "Reducerea locurilor de parcare în favoarea spațiilor verzi este justificată",
subtitle = paste0(
"Media = ", desc_OSVA2$Media,
" | N = ", desc_OSVA2$N
),
x = "Scor (1 = Total dezacord, 7 = Complet de acord)",
y = "Număr respondenți"
) +
theme_minimal()
Figura 1 – Distribuția răspunsurilor la „Reducerea locurilor de parcare în favoarea spațiilor verzi este o măsură justificată.”
În schimb, respondenții au exprimat un dezacord puternic față de afirmația „Îndepărtarea plantelor și animalelor care afectează curățenia este o măsură justificată.” Scorul mediu a fost de 2,60, iar aproximativ 72% dintre respondenți au selectat valori între 1 și 3, indicând o preferință clară pentru menținerea biodiversității urbane chiar și atunci când aceasta poate afecta percepțiile asupra curățeniei.
# --------------------------------------------------
# OSVA3
# Îndepărtarea plantelor și animalelor care afectează curățenia este justificată
# --------------------------------------------------
summary(data$OSVA3) Min. 1st Qu. Median Mean 3rd Qu. Max.
1.000 1.000 2.000 2.601 4.000 7.000 freq_OSVA3 <- data %>%
count(OSVA3) %>%
mutate(Procent = round(n / sum(n) * 100, 1))
print(freq_OSVA3) OSVA3 n Procent
1 1 78 38.4
2 2 43 21.2
3 3 25 12.3
4 4 26 12.8
5 5 14 6.9
6 6 4 2.0
7 7 13 6.4desc_OSVA3 <- data %>%
summarise(
N = sum(!is.na(OSVA3)),
Media = round(mean(OSVA3, na.rm = TRUE), 2)
)
print(desc_OSVA3) N Media
1 203 2.6## GRAFIC PT OSVA3
ggplot(data, aes(x = factor(OSVA3))) +
geom_bar(fill = "darkgreen") +
labs(
title = "Îndepărtarea plantelor și animalelor care afectează curățenia este justificată",
subtitle = paste0(
"Media = ", desc_OSVA3$Media,
" | N = ", desc_OSVA3$N
),
x = "Scor (1 = Total dezacord, 7 = Complet de acord)",
y = "Număr respondenți"
) +
theme_minimal()
Figura 2 - Distribuția răspunsurilor la „Îndepărtarea plantelor și animalelor care afectează curățenia este o măsură justificată.”
Răspunsurile la „Gazonul este o soluție bună pentru înverzirea orașului.” au fost relativ neutre. Scorul mediu a fost de 3,81, în timp ce mediana a fost 4, sugerând absența unui consens clar cu privire la rolul gazonului în înverzirea orașului.
# --------------------------------------------------
# OSVA4
# Gazonul este o soluție bună pentru înverzirea orașului
# --------------------------------------------------
summary(data$OSVA4) Min. 1st Qu. Median Mean 3rd Qu. Max.
1.000 2.000 4.000 3.813 5.000 7.000 freq_OSVA4 <- data %>%
count(OSVA4) %>%
mutate(Procent = round(n / sum(n) * 100, 1))
print(freq_OSVA4) OSVA4 n Procent
1 1 37 18.2
2 2 23 11.3
3 3 24 11.8
4 4 44 21.7
5 5 37 18.2
6 6 8 3.9
7 7 30 14.8desc_OSVA4 <- data %>%
summarise(
N = sum(!is.na(OSVA4)),
Media = round(mean(OSVA4, na.rm = TRUE), 2)
)
print(desc_OSVA4) N Media
1 203 3.81## GRAFIC PT OSVA4
ggplot(data, aes(x = factor(OSVA4))) +
geom_bar(fill = "darkgreen") +
labs(
title = "Gazonul este o soluție bună pentru înverzirea orașului",
subtitle = paste0(
"Media = ", desc_OSVA4$Media,
" | N = ", desc_OSVA4$N
),
x = "Scor (1 = Total dezacord, 7 = Complet de acord)",
y = "Număr respondenți"
) +
theme_minimal()
Figura 3 - Distribuția răspunsurilor la „Gazonul este o soluție bună pentru înverzirea orașului.”
Respondenții au fost în general de acord cu afirmația „Plantele exotice și florile contribuie la înverzirea orașului.”. Scorul mediu a fost de 5,17, indicând o percepție pozitivă asupra contribuției estetice a plantelor și florilor exotice. Cel mai mare volum de răspunsuri a fost observat la capătul scalei de acord, în special pentru opțiunea de răspuns 7 („Complet de acord”).
# --------------------------------------------------
# OSVA5
# Plantele exotice și florile contribuie la înfrumusețarea orașului
# --------------------------------------------------
summary(data$OSVA5) Min. 1st Qu. Median Mean 3rd Qu. Max.
1.000 4.000 5.000 5.167 7.000 7.000 freq_OSVA5 <- data %>%
count(OSVA5) %>%
mutate(Procent = round(n / sum(n) * 100, 1))
print(freq_OSVA5) OSVA5 n Procent
1 1 8 3.9
2 2 16 7.9
3 3 13 6.4
4 4 26 12.8
5 5 42 20.7
6 6 30 14.8
7 7 68 33.5desc_OSVA5 <- data %>%
summarise(
N = sum(!is.na(OSVA5)),
Media = round(mean(OSVA5, na.rm = TRUE), 2)
)
print(desc_OSVA5) N Media
1 203 5.17## GRAFIC PT OSVA5
ggplot(data, aes(x = factor(OSVA5))) +
geom_bar(fill = "darkgreen") +
labs(
title = "Plantele exotice și florile contribuie la înfrumusețarea orașului",
subtitle = paste0(
"Media = ", desc_OSVA5$Media,
" | N = ", desc_OSVA5$N
),
x = "Scor (1 = Total dezacord, 7 = Complet de acord)",
y = "Număr respondenți"
) +
theme_minimal()
Figura 4 - Distribuția răspunsurilor la „Plantele exotice și florile contribuie la înverzirea orașului.”
Analiză realizată de: Diana, Raluca, Denisa
Răspunsurile la „Evit spațiile verzi neamenajate din cauza lipsei de igienă.” au fost împărțite. Scorul mediu a fost de 3,69, puțin sub punctul de mijloc al scalei, sugerând o ușoară tendință de dezacord cu afirmația. Cu toate acestea, răspunsurile au fost distribuite pe întreaga scală, indicând o lipsă de consens în rândul respondenților cu privire la această problemă.
# --------------------------------------------------
# OSNV1
# Evit spațiile verzi neamenajate din cauza lipsei de igienă
# --------------------------------------------------
summary(data$OSVN1) Min. 1st Qu. Median Mean 3rd Qu. Max.
1.000 2.000 4.000 3.695 5.000 7.000 freq_OSVN1 <- data %>%
count(OSVN1) %>%
mutate(Procent = round(n / sum(n) * 100, 1))
print(freq_OSVN1) OSVN1 n Procent
1 1 31 15.3
2 2 39 19.2
3 3 30 14.8
4 4 33 16.3
5 5 27 13.3
6 6 17 8.4
7 7 26 12.8desc_OSVN1 <- data %>%
summarise(
N = sum(!is.na(OSVN1)),
Media = round(mean(OSVN1, na.rm = TRUE), 2)
)
print(desc_OSVN1) N Media
1 203 3.69## GRAFIC PT OSNV1
ggplot(data, aes(x = factor(OSVN1))) +
geom_bar(fill = "darkgreen") +
labs(
title = "Evit spațiile verzi neamenajate din cauza lipsei de igienă",
subtitle = paste0(
"Media = ", desc_OSVN1$Media,
" | N = ", desc_OSVN1$N
),
x = "Scor (1 = Total dezacord, 7 = Complet de acord)",
y = "Număr respondenți"
) +
theme_minimal()
Figura 5 - Distribuția răspunsurilor la „Evit spațiile verzi neamenajate din cauza lipsei de igienă.”
A fost efectuată o analiză de corelație Spearman pentru a examina relația dintre caracteristicile socio-demografice și atitudinile față de spațiile verzi urbane. A fost identificată o corelație negativă slabă, dar semnificativă statistic, între vârstă și acordul cu afirmația „Reducerea locurilor de parcare în favoarea spațiilor verzi este justificată” (ρ = -0,188, p = 0,007), indicând faptul că respondenții mai în vârstă au avut tendința de a exprima niveluri ușor mai scăzute de acord cu această măsură. Nu s-au găsit corelații semnificative statistic între venit și atitudinile analizate, nici între vârstă și restul variabilelor.
# --------------------------------------------------
# CORELAȚII SPEARMAN
# --------------------------------------------------
cor.test(data$Varsta, data$OSVA2, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Varsta and data$OSVA2
S = 1656298, p-value = 0.007234
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.1879882 cor.test(data$Venit, data$OSVA2, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Venit and data$OSVA2
S = 1499478, p-value = 0.2843
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.07550858 cor.test(data$Varsta, data$OSVA3, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Varsta and data$OSVA3
S = 1332651, p-value = 0.5317
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.04414917 cor.test(data$Venit, data$OSVA3, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Venit and data$OSVA3
S = 1269629, p-value = 0.2049
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.0893522 cor.test(data$Varsta, data$OSVA4, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Varsta and data$OSVA4
S = 1356266, p-value = 0.7
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.02721121 cor.test(data$Venit, data$OSVA4, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Venit and data$OSVA4
S = 1447477, p-value = 0.5883
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.03821032 cor.test(data$Varsta, data$OSVA5, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Varsta and data$OSVA5
S = 1345907, p-value = 0.6237
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.03464105 cor.test(data$Venit, data$OSVA5, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Venit and data$OSVA5
S = 1517405, p-value = 0.2099
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.08836624 cor.test(data$Varsta, data$OSVN1, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Varsta and data$OSVN1
S = 1255096, p-value = 0.1567
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.09977582 cor.test(data$Venit, data$OSVN1, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Venit and data$OSVN1
S = 1527365, p-value = 0.1753
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.09551027 În partea aceasta de analiză am investigat cinci afirmații referitoare la opiniile cetățenilor cu privire la spațiile verzi neamenajate. Scopul a fost de a vedea modul în care respondenții percep atât posibilele riscuri ce ar exista în astfel de spații, cât și beneficiile pe care le pot aduce.
În primă instanță, au fost calculate mediile și deviațiile standard pentru fiecare item analizat. Rezultatele arată că cele mai ridicate valori au fost obținute pentru afirmațiile referitoare la beneficiile pe care aceste spații le pot aduce sănătății psihice (M=4,55) și a celei psihice (M=4,44). Aceste lucruri sugerează faptul că participanții tind să creadă că spațiile verzi neamenajate au un impact pozitiv asupra stării de bine și sănătății. Cercetările realizate de Sang et al. (2016) confirmă și ele rezultatele antemenționate, rezultatele acestora arătând că spațiile verzi caracterizate printr-un grad ridicat de naturalitate sunt asociate cu beneficii psihologice importante.
În sens opus, afirmația referitoare la prezența animalelor periculoase a înregistrat cea mai scăzută medie (M=2,76). Prin acest rezultat, pare că majoritatea respondenților nu percep spațiile verzi neamenajate ca fiind locuri cu grad de risc ridicat, risc reprezentant de animalele ce ar putea fi periculoase. Ca și în cazul animalelor, nici insectele nu reprezintă un factor negativ major ce ar afecta prezența participanților în cadrul acestor tipuri de spații.
În partea aceasta de analiză am investigat cinci afirmații referitoarela opiniile cetățenilor cu privire la spațiile verzi neamenajate. Scopul a fost de a vedea modul în care respondenții percep atât posibilele riscuri ce ar exista în astfel de spații, cât și beneficiile pe care le pot aduce.
rezultate <- describe(data[, c("OSVN2", "OSVN3", "OSVN4", "OSVN5", "OSVN6")])
tabel <- data.frame(
Intrebare = c(
"Insecte periculoase",
"Animale periculoase",
"Înfrumusețează orașul",
"Beneficii sănătate fizică",
"Beneficii sănătate psihică"
),
Media = round(rezultate$mean, 2),
SD = round(rezultate$sd, 2)
)
tabelÎn primă instanță, au fost calculate mediile și deviațiile standard pentru fiecare item analizat. Rezultatele arată că cele mai ridicate valori au fost obținute pentru afirmațiile referitoare la beneficiile pe care aceste spații le pot aduce sănătății psihice (M=4,55) și a celei fizice(M=4,44). Aceste lucruri sugerează faptul că participanții tind să creadă că spațiile verzi neamenajate au un impact pozitiv asupra stării de bine și sănătății. Cercetările realizate de Sang et al. (2016) confirmă și ele rezultatele antemenționate, rezultatele acestora arătând că spațiile verzi caracterizate printr-un grad ridicat de naturalitate sunt asociate cu beneficii psihologice imp
În sens opus, afirmația referitoare la prezența animalelor periculoase aînregistrat cea mai scăzută medie (M=2,76). Prin acest rezultat, pare că majoritatea respondenților nu percep spațiile verzi neamenajate ca fiind locuri cu grad de risc ridicat, risc reprezentant de animalele ce ar putea fi periculoase. Ca și în cazul animalelor, nici insectele nu reprezintă un factor negativ major ce ar afecta prezența participanților în cadrul acestor tipuri de spații.
medii <- data.frame(
Intrebare = c(
"Insecte",
"Animale",
"Aspect oras",
"Sanatate fizica",
"Sanatate psihica"
),
Media = c(3.86, 2.76, 3.89, 4.44, 4.55)
)
ggplot(medii, aes(x = Intrebare, y = Media)) +
geom_col(fill = "darkseagreen3", color = "black", width = 0.7) +
geom_text(aes(label = round(Media, 2)), vjust = -0.4, size = 5) +
ylim(0, 7) +
theme_minimal() +
labs(
title = "Percepția asupra spațiilor verzi neamenajate",
subtitle = "Compararea mediilor pentru cele cinci afirmații analizate",
x = "",
y = "Media răspunsurilor (1-7)"
) +
theme(
plot.title = element_text(face = "bold", size = 14),
axis.text.x = element_text(size = 11)
)
Pentru a înțelege și mai bine modul în care respondenții percep beneficiile asupra sănătății psihice, am analizat și distribuția răspunsurilor pentru itemul OSVN6 (Spațiile verzi neamenajate aduc beneficii sănătății psihice). Graficul distribuției arată că cea mai frecventă categorie de răspuns a fost valoarea 7, corespunzătoare a „Acordului total”. Acest rezultat ne arată cum un număr semnificativ de participanți consideră că spațiile verzi neamenajate contribuie la menținerea unei stări psihice sănătoase. Totodată, poate fi interpretat în raport cu conceptul de servicii ecosistemice culturale descris de Jennings, Larson și Yun (2016), conform căruia simpla experiență a contactului cu natura oferă oportunități de recreere, relaxare și îmbunătățire a stării de bine.
ggplot(data, aes(x = factor(OSVN6))) +
geom_bar(fill = "darkseagreen3", color = "black") +
theme_minimal() +
labs(
title = "Spațiile verzi neamenajate contribuie la sănătatea psihică",
subtitle = "Distribuția răspunsurilor respondenților",
x = "Nivel de acord (1 = dezacord total, 7 = acord total)",
y = "Număr respondenți"
)
Pentru a analiza dacă există o legătură între beneficiile percepute asupra sănătății fizice și beneficiile percepute asupra sănătății psihice, a fost calculat coeficientul de corelație Spearman.
cor_osvn <- cor.test(
data$OSVN5,
data$OSVN6,
method = "spearman",
exact = FALSE # Folosit pentru a evita warning-urile la scoruri egale pe scala Likert
)
# Afișarea centralizată a rezultatului
tabel_corelatie <- data.frame(
Relatie = "Beneficii sanatate fizica - Beneficii sanatate psihica",
Rho = round(cor_osvn$estimate, 3),
P_value = "<0.001"
)
tabel_corelatie# Matricea de corelație completă pentru cei 5 itemi
cor(
data[, c("OSVN2", "OSVN3", "OSVN4", "OSVN5", "OSVN6")],
method = "spearman",
use = "pairwise.complete.obs"
) OSVN2 OSVN3 OSVN4 OSVN5 OSVN6
OSVN2 1.0000000 0.5109676 -0.3683012 -0.3724395 -0.3708226
OSVN3 0.5109676 1.0000000 -0.2834253 -0.2590645 -0.2760686
OSVN4 -0.3683012 -0.2834253 1.0000000 0.6855290 0.7418845
OSVN5 -0.3724395 -0.2590645 0.6855290 1.0000000 0.8043395
OSVN6 -0.3708226 -0.2760686 0.7418845 0.8043395 1.0000000#################################################
# REZUMAT CONCLUZII STATISTICE
#################################################
# Cea mai mare medie:
# OSVN6 = 4.55
# Cea mai mica medie:
# OSVN3 = 2.76
# Cea mai puternica relatie:
# OSVN5 - OSVN6
# rho = 0.804
# p < 0.001Rezultatele au indicat existența unei corelații pozitive foarte puternice între cele două variabile (ρ = 0,804; p < 0,001). Acest rezultat indică faptul că respondenții care consideră că spațiile verzi neamenajate contribuie la sănătatea fizică tind să considere, în aceeași măsură, că acestea au efecte benefice și asupra sănătății psihice. Cu alte cuvinte, cele două tipuri de beneficii nu sunt percepute separat, ci fac parte din aceeași evaluare generală pozitivă a spațiilor verzi neamenajate.
Rezultatul este în concordanță cu faptul că experiența contactului cu natura produce beneficii multiple și interconectate. Jennings, Larson și Yun (2016) subliniază importanța serviciilor ecosistemice culturale, care includ starea de bine, recreerea și relaxarea oferite de contactul cu natura. De asemenea, Sang et al. (2016) arată că spațiile verzi cu un grad ridicat de naturalitate sunt asociate cu efecte pozitive asupra sănătății psihice și cu o apreciere crescută din partea celor care le frecventează.
Prin urmare, rezultatele obținute susțin ideea că beneficiile percepute ale spațiilor verzi neamenajate nu se limitează la un singur domeniu, ci sunt evaluate de respondenți într-o manieră complexă, care include atât sănătatea fizică, cât și sănătatea psihică.
freq_OSVN7 <- data %>%
count(OSVN7) %>%
mutate(Procent = round(n/sum(n)* 100,1))
print(freq_OSVN7) OSVN7 n Procent
1 1 16 7.9
2 2 7 3.4
3 3 13 6.4
4 4 22 10.8
5 5 30 14.8
6 6 38 18.7
7 7 77 37.9desc_OSVN7 <-data %>%
summarise(Media = mean(OSVN7, na.rm = TRUE),
N = sum(!is.na(OSVN7)))
print(desc_OSVN7) Media N
1 5.29064 203ggplot(data, aes(x = as.factor(OSVN7),fill = as.factor(OSVN7))) +
geom_bar()+
geom_text(stat= "count", aes(label=..count..), vjust = -0.4) +
labs(title = "Perceptia privind contributia spatiilor verzi neamenajate la reducerea poluarii",
subtitle = "Media = 5,29 | N = 203",
x = "Nivel de acord ( 1 = Total dezacord, 7 = Complet de acord)",
y = "Numar respondenti") +
theme_minimal()+
theme(legend.position = "none")
Rezultatele indica o perceptie predominant pozitiva asupra rolului spatiilor verzi neamenajate in reducerea poluarii urbane. Media raspunsurilor este de 5,29 din 7, ceea ce arata un nivel ridicat de acord al respondentilor cu afirmatia analizata.
Distributia raspunsurilor evidentiaza faptul ca 37,9% dintre respondenti au ales scorul maxim (7), iar 18,7% au acordat scorul 6.
Aceste rezultate sugereaza ca majoritatea respondentilor considera ca spatiile verzi neamenajate contribuie la reducerea poluarii in oras.
freq_OSVN8 <- data %>%
count(OSVN8) %>%
mutate(Procent = round(n/sum(n)* 100,1))
print(freq_OSVN8) OSVN8 n Procent
1 1 18 8.9
2 2 14 6.9
3 3 14 6.9
4 4 28 13.8
5 5 30 14.8
6 6 40 19.7
7 7 59 29.1desc_OSVN8 <-data %>%
summarise(Media = mean(OSVN8, na.rm = TRUE),
N = sum(!is.na(OSVN8)))
print(desc_OSVN8) Media N
1 4.940887 203ggplot(data, aes(x = as.factor(OSVN8),fill = as.factor(OSVN8))) +
geom_bar()+
geom_text(stat= "count", aes(label=..count..), vjust = -0.4) +
labs(title = "Perceptia privind rolul spatiilor verzi neamenajate ca refugiu in timpul caniculei",
subtitle = "Media = 4,94 | N = 203",
x = "Nivel de acord ( 1 = Total dezacord, 7 = Complet de acord)",
y = "Numar respondenti") +
theme_minimal()+
theme(legend.position = "none")
Rezultatele indica o perceptie favorabila a respondentilor cu privire la rolurile spatiilor verzi neamenajate in perioadele de canicular. Media raspunsurilor este de 4,94 din 7, ceea ce sugereaza un nivel moderat spre ridicat de acord cu afirmatia analizata. Distributia raspunsurilor evidentiaza faptul ca o mare dintre respondenti considera aceste spatii utile pentru reducerea disconfortului termic si pentru crearea unor zone de refugiu in perioadele cu temperaturi ridicate.
freq_OSVN9 <- data %>%
count(OSVN9) %>%
mutate(Procent = round(n/sum(n)* 100,1))
print(freq_OSVN9) OSVN9 n Procent
1 1 29 14.3
2 2 22 10.8
3 3 24 11.8
4 4 36 17.7
5 5 42 20.7
6 6 23 11.3
7 7 27 13.3desc_OSVN9 <-data %>%
summarise(Media = mean(OSVN9, na.rm = TRUE),
N = sum(!is.na(OSVN9)))
print(desc_OSVN9) Media N
1 4.068966 203ggplot(data, aes(x = as.factor(OSVN9),fill = as.factor(OSVN9))) +
geom_bar()+
geom_text(stat= "count", aes(label=..count..), vjust = -0.4) +
labs(title = "Perceptia respondentilor privind siguranta in spatiile verzi neamenajate",
subtitle = "Media = 4,06 | N = 203",
x = "Nivel de acord ( 1 = Total dezacord, 7 = Complet de acord)",
y = "Numar respondenti") +
theme_minimal()+
theme(legend.position = "none")
Media raspunsurilor pentru OSVN9 este de 4,06 din 7, ceea ce indica o pozitie relative neutra a respondentilor in ceea ce priveste siguranta in spatiile verzi neamenajate. Rezultatele sugereaza existenta unor opinii impartite: o parte dintre respondenti considera aceste spatii sigure, in timp ce altii manifesteaza indoieli privind suguranta si gradul de intretinere al acestora.
Analiză realizată de: Denisa, Robert, Codruta
freq_RSP1 <- data %>%
count(RSP1) %>%
mutate(Procent = round(n/sum(n)* 100,1))
print(freq_RSP1) RSP1 n Procent
1 0 178 87.7
2 1 12 5.9
3 2 4 2.0
4 3 9 4.4ggplot(data, aes(x = as.factor(RSP1),fill = as.factor(RSP1))) +
geom_bar()+
geom_text(stat= "count", aes(label=..count..), vjust = -0.4) +
scale_x_discrete(labels = c(" Autoritatilor\npublice",
"Locuitorilor\ndin proximitate",
"Locuitorilor\ndin Bucuresti",
"ONG-urilor\nde specialitate")) +
labs(title = "Opinii privind responsabilitatea administrativa pentru spatiile verzi neamenajate",
x = "Categoria responsabila",
y = "Numar respondenti") +
theme_minimal()+
theme(legend.position = "none")
6.2 Spațiile verzi sunt o prioritate pentru autoritățile publice. (RSP2 - Denisa)
freq_RSP2 <- data %>%
count(RSP2) %>%
mutate(Procent = round(n/sum(n)* 100,1))
print(freq_RSP2) RSP2 n Procent
1 1 38 18.7
2 2 50 24.6
3 3 30 14.8
4 4 26 12.8
5 5 13 6.4
6 6 10 4.9
7 7 36 17.7desc_RSP2 <-data %>%
summarise(Media = mean(RSP2, na.rm = TRUE),
N = sum(!is.na(RSP2)))
print(desc_RSP2) Media N
1 3.492611 203ggplot(data, aes(x = as.factor(RSP2),fill = as.factor(RSP2))) +
geom_bar()+
geom_text(stat= "count", aes(label=..count..), vjust = -0.4) +
labs(title = "Perceptia privind prioritatea acordata spatiilor verzi de catre autoritatile publice",
subtitle = "Media = 3,49 | N = 203",
x = "Nivel de acord ( 1 = Total dezacord, 7 = Complet de acord)",
y = "Numar respondenti") +
theme_minimal()+
theme(legend.position = "none")
Media raspunsurilor pentru RSP2 este de 3,49 din 7. Acest rezultat indica o perceptie mai de graba neutra spre negative a respondentilor cu privire la importanta acordata spatiilor verzi de catre autoritatile publice. Desi exista respondenti care considera ca spatiile verzi reprezinta o prioritate, distributia raspunsurilor sugereaza ca o parte semnificativa a participantilor nu sunt convinsi de implicarea suficienta a autoritatilor in acest domeniu.
cor.test(data$Varsta, data$OSVN7, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Varsta and data$OSVN7
S = 1354625, p-value = 0.6876
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.02838821 cor.test(data$Venit, data$OSVN7, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Venit and data$OSVN7
S = 1487501, p-value = 0.3428
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.06691783 cor.test(data$Varsta, data$OSVN8, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Varsta and data$OSVN8
S = 1513722, p-value = 0.224
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.08572466 cor.test(data$Venit, data$OSVN8, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Venit and data$OSVN8
S = 1538202, p-value = 0.1425
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.1032834 cor.test(data$Varsta, data$OSVN9, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Varsta and data$OSVN9
S = 1508398, p-value = 0.2453
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.08190609 cor.test(data$Venit, data$OSVN9, method = "spearman", exact = FALSE)
Spearman's rank correlation rho
data: data$Venit and data$OSVN9
S = 1368781, p-value = 0.7962
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.01823468 | Corelatie | Rho | p-value | Interpretare |
| Vârsta – OSVN7 | 0,028 | 0,688 | Nesemnificativa |
| Venit – OSVN7 | 0,067 | 0,343 | Nesemnificativa |
| Vârsta – OSVN8 | 0,086 | 0,224 | Nesemnificativa |
| Venit – OSVN8 | 0,103 | 0,143 | Nesemnificativa |
| Vârsta – OSVN9 | 0,082 | 0,245 | Nesemnificativa |
| Venit – OSVN9 | 0,018 | 0,796 | Nesemnificativa |
Pentru a analiza relatia dintre caracteristicile socio-demografice ale respondentilor (varsta si venit) si perceptiile privind spatiile verzi neamenajate, a fost utilizat coeficientul de corelatie Spearman.
Rezultatele au evidentiat corelatii positive foarte slabe intre variabilele analizate, insa niciuna dintre acestea nu a fost semnificativa statistic (p > 0.05).
Prin urmare, nu se poate concluziona ca varsta sau venitul influenteaza perceptiile respondentilor cu privire la contributia spatiilor verzi neamenajate la reducerea poluarii, rolul acestora in timpul caniculei sau sentimentul de siguranta asociat acestor spatii.
Pentru această parte a cercetării noastre, am analizat care sunt percepțiile respondenților privind rolul autorităților publice în asumarea responsabilității pentru îngrijirea sau întreținerea acestor spații verzi din București. Pentru realizarea acestei analize, am extras 5 dintre întrebările referitoare la această parte.
Prima etapă a analizei este centrată pe analiza descriptivă a celor cinci dimensiuni de opinie privind acțiunile autorităților publice în gestionarea spațiilor verzi. Aceste dimensiuni se regăsesc în chestionar sub forma întrebărilor RSP3 → RSP7 și sunt măsurate pe o scală Likert în 7 trepte (1 – „Dezacord total” , 7 – „Acord total”).
RSP3, întrebarea care face referire la atenția pe care o oferă autoritățile publice florei și faunei, înregistrează o medie de 2.98 și o mediană de 3, semnificând un grad profund de nemulțumire în rândul cetățenilor atunci când vine vorba de atenția pe care o dau autoritățile în ceea ce privește protecția biodiversității din spațiile verzi. Cetățenii percep că cei abilitați să aibă grijă de aceste spații mai mult o neglijează.
#-----------------------------
#RESPONSABILITATEA PENTRU SPATIILE VERZI
#-----------------------------
data <- read.csv("data.csv")
date_multiplu <- data %>%
select(RSP3, RSP4, RSP5, RSP6, RSP7) %>%
summarise(across(everything(), ~mean(. ==1, na.rm = TRUE))) %>%
pivot_longer(cols = everything(), names_to = "Întrebare", values_to = "Scor_Mediu") %>%
mutate(Întrebare = reorder(Întrebare, Scor_Mediu))
#------------------------------
#ANALIZA UNIVARIATA RSP3-RSP7
#------------------------------
#RSP3 - ATUNCI CAND AUTORITATILE PUBLICE AMENAJEAZA SPATIILE VERZI, O FAC CU ATENTIE LA PLANTE SI VIETUITOARE (Robert)
#------------------------------
media_RSP3 <- mean(data$RSP3, na.rm = TRUE)
mediana_RSP3 <- median(data$RSP3, na.rm = TRUE)
deviatia_RSP3 <- sd(data$RSP3, na.rm = TRUE)
print(paste("Media (Mean):", round(media_RSP3, 2)))[1] "Media (Mean): 2.98"print(paste("Mediana (Median):", mediana_RSP3))[1] "Mediana (Median): 3"print(paste("Deviatia Standard (Standard Deviation):", round(deviatia_RSP3, 2)))[1] "Deviatia Standard (Standard Deviation): 1.62"ggplot(data, aes(x = as.factor(RSP3), fill = as.factor(RSP3))) +
geom_bar(fill = "darkgreen", color = "black", alpha = 0.85) +
geom_text(stat = 'count', aes(label = after_stat(count)), vjust = -0.4, size = 4) +
scale_fill_viridis_d(option = "plasma", guide = "none") +
labs(
title = "Atenția autorităților la plante și viețuitoare",
subtitle = "Distribuția răspunsurilor respondenților",
x = "Nivel de acord (1 = Dezacord total, 7 = Acord total)",
y = "Număr respondenți"
) +
theme_minimal()
RSP4, întrebarea care face referire la prioritizarea aspectului estetic al spațiilor verzi în detrimentul altor aspecte, al autorităților, înregistrează o medie de 4.71 și mediana de 5, arătând un nivel neutru de acord, validând afirmația cu privire la faptul că autoritățile publice au ca prioritate îngrijirea spațiilor verzi doar pentru aspectul estetic pe care îl oferă.
#------------------------------
#RSP4 - ATUNCI CAND AUTORITATILE PUBLICE AMENAJEAZA SPATIILE VERZI, PRIORITATEA LOR ESTE ASPECTUL ESTETIC (Robert)
#------------------------------
media_RSP4<- mean(data$RSP4 , na.rm = TRUE)
mediana_RSP4<- median(data$RSP4, na.rm = TRUE)
deviatia_RSP4<- sd(data$RSP4 , na.rm = TRUE)
print(paste("Media (Mean):", round(media_RSP4, 2)))[1] "Media (Mean): 4.71"print(paste("Mediana (Median):", mediana_RSP4))[1] "Mediana (Median): 5"print(paste("Deviatia Standard (Standard Deviation):", round(deviatia_RSP4, 2)))[1] "Deviatia Standard (Standard Deviation): 1.61"ggplot(data, aes(x = as.factor(RSP4), fill = as.factor(RSP4))) +
geom_bar(fill = "darkgreen", color = "black", alpha = 0.85)+
geom_text(stat = 'count' , aes(label = after_stat(count)), vjust = -0.4, size = 4) +
scale_fill_viridis_d(option = "plasma", guide = "none")+
labs(
title = "Prioritatea autorităților privind aspectul estetic",
subtitle = "Distribuția răspunsurilor respondenților",
x = "Nivel de acord (1 = Dezacord total, 7 = Acord total)",
y = "Număr respondenți"
) +
theme_minimal ()
RSP5, întrebarea care măsoară percepția efectelor negative asupra naturii, pe care autoritățile publice nu le iau în considerare când amenajează spațiile verzi, avem media de 5.06 și mediana de 5. Acest lucru înseamnă că o parte dintre răspunsurile la această afirmație tind să se apropie de un „acord parțial” privind modul în care autoritățile gestionează spațiile verzi prin ignorarea efectelor negative asupra spațiilor verzi. Cetățenii privesc acest lucru ca pe o ignorare din partea celor care dețin cea mai mare putere să modeleze aceste spații verzi urbane.
#-------------------------------
#RSP5 - ATUNCI CAND AUTORITATILE PUBLICE AMENAJEAZA SPATIILE VERZI (EX., AMENAJEAZA SPATII DE RELAXARE SI/SAU JOACA IN ZONELE VERZI), NU IAU IN CONSIDERARE EFECTELE NEGATIVE ASUPRA NATURII (EX. VIZITATORI CARE PERTURBA ECOSISTEMUL) (Robert)
#-------------------------------
media_RSP5 <- mean(data$RSP5 , na.rm = TRUE)
mediana_RSP5 <- median(data$RSP5, na.rm = TRUE)
deviatia_RSP5 <- sd(data$RSP5, na.rm = TRUE)
print(paste("Media (Mean):", round(media_RSP5, 2)))[1] "Media (Mean): 5.06"print(paste("Mediana (Median):", mediana_RSP5))[1] "Mediana (Median): 5"print(paste("Deviatia Standard (Standard Deviation):", round(deviatia_RSP5, 2)))[1] "Deviatia Standard (Standard Deviation): 1.46"ggplot(data, aes(x = as.factor(RSP5), fill = as.factor(RSP5))) +
geom_bar(fill = "darkgreen", color = "black", alpha = 0.85) +
geom_text(stat = 'count', aes(label = after_stat(count)), vjust = -0.4, size = 4) +
scale_fill_viridis_d(option = "plasma", guide = "none")+
labs(
title = "Amenajarea spațiilor publice de către autorități și efectele negative asupra naturii",
subtitle = "Distribuția răspunsurilor respondenților",
x = "Nivel de acord (1 = Dezacord total, 7 = Acord total)",
y = "Număr respondenți"
) +
theme_minimal ()
RSP6, întrebarea care măsoară percepția cu privire la grija autorităților publice de a lua în considerare nevoile și dorințele cetățenilor atunci când amenajează spațiile verzi, are ca și medie de răspunsuri 3.34 și mediana de 3, răspunsuri aflate în jumătatea celor de „dezacord”, respondenții considerând că, din contră, autoritățile nu consultă sau iau în considerare părerile, nevoile sau dorințele cetățenilor atunci când se amenajează spații verzi în oraș. Prin răspunsurile oferite aici, se poate constata o discrepanță destul de vizibilă între așteptările cetățenilor și modul în care operează autoritățile publice privind bunăstarea locuitorilor.
#--------------------------------
#RSP6 - ATUNCI CAND AUTORITATILE PUBLICE AMENAJEAZA SPATIILE VERZI, IAU IN CONSIDERARE NEVOILE SI DORINTELE CETATENILOR (Robert
#--------------------------------
media_RSP6 <- mean(data$RSP6, na.rm = TRUE)
mediana_RSP6 <- median(data$RSP6, na.rm = TRUE)
deviatia_RSP6 <- sd(data$RSP6, na.rm = TRUE)
print(paste("Media (Mean):", round(media_RSP6 , 2)))[1] "Media (Mean): 3.34"print(paste("Mediana (Median):", mediana_RSP6))[1] "Mediana (Median): 3"print(paste("Deviatia Standard (Standard Deviation):" , round(deviatia_RSP6 , 2)))[1] "Deviatia Standard (Standard Deviation): 1.5"ggplot(data, aes(x = as.factor(RSP6) , fill = as.factor(RSP6)))+
geom_bar(fill = "darkgreen" , color = "black", alpha = 0.85)+
geom_text(stat = 'count' , aes(label = after_stat(count)), vjust = -0.4, size = 4) +
scale_fill_viridis_d(option = "plasma" , guide = "none") +
labs(
title = "Autoritățile publice iau în considerare nevoile și dorințele cetățenilor",
subtitle = "Distribuția răspunsurilor respondenților",
x = "Nivel de acord (1 = Dezacord total, 7 = Acord total)",
y = "Număr respondenți"
) +
theme_minimal ()
RSP7, ultima din seria întrebărilor analizate în această parte, face referire la percepția asupra comunicării și transparenței autorităților publice cu privire la informațiile comunicate despre proiectele urbane naturale. Media este de 2.82 și mediana de 3 se poate traduce printr-o neîncredere foarte puternică a cetățenilor în autoritățile publice, aceștia simțindu-se ignorați și dați la o parte atunci când proiecte de o asemenea importanță publică sunt realizate fără consultarea sau cunoștința acestora.
#---------------------------------
#RSP7 - ATUNCI CAND AUTORITATILE AMENAJEAZA SPATIILE VERZI, COMUNICA TRANSPARENT INFORMATIILE LEGATE DE ACESTE PROIECTE
#---------------------------------
media_RSP7 <- mean(data$RSP7 , na.rm = TRUE)
mediana_RSP7 <- median(data$RSP7 , na.rm = TRUE)
deviatia_RSP7 <- sd(data$RSP7 , na.rm = TRUE)
print(paste("Media (Mean):" , round(media_RSP7 , 2)))[1] "Media (Mean): 2.82"print(paste("Mediana (Median):" , mediana_RSP7))[1] "Mediana (Median): 3"print(paste("Deviatia Standard (Standard Deviation):" , round(deviatia_RSP7 , 2)))[1] "Deviatia Standard (Standard Deviation): 1.64"ggplot(data , aes(x = as.factor(RSP7) , fill = as.factor(RSP7)))+
geom_bar(fill = "darkgreen" , color = "black" , alpha = 0.85) +
geom_text(stat = 'count' , aes(label = after_stat(count)) , vjust = -0.4 , size = 4) +
scale_fill_viridis_d(option = "plasma" , guide = "none") +
labs(
title = "Transparența autorităților publice privind proiectele spațiilor verzi",
subtitle = "Distribuția răspunsurilor respondenților",
x = "Nivel de acord (1 = Dezacord total , 7 = Acord total)",
y = "Număr respondenți"
)+
theme_minimal ()
#----------------------------------
#ANALIZA BIVARIATA RSP3 - RSP7
#----------------------------------
#ANALIZA SPEARMAN RSP3 - RSP7 SI VARSTA RESPONDENTILOR
#----------------------------------
print("---Corelație Vârstă și RSP3 ---")[1] "---Corelație Vârstă și RSP3 ---"cor.test(data$Varsta , data$RSP3 , method = "spearman" , exact = FALSE)
Spearman's rank correlation rho
data: data$Varsta and data$RSP3
S = 1288502, p-value = 0.2823
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.07581499 print("--- Corelație Vârstă și RSP4 ---")[1] "--- Corelație Vârstă și RSP4 ---"cor.test(data$Varsta , data$RSP4 , method = "spearman" , exact = FALSE)
Spearman's rank correlation rho
data: data$Varsta and data$RSP4
S = 1616855, p-value = 0.02285
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.1596978 print("--- Corelație Vârstă și RSP5 ---")[1] "--- Corelație Vârstă și RSP5 ---"cor.test(data$Varsta , data$RSP5, method = "spearman" , exact = FALSE)
Spearman's rank correlation rho
data: data$Varsta and data$RSP5
S = 1547739, p-value = 0.1178
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.1101237 print("--- Corelație Vârstă și RSP6 ---")[1] "--- Corelație Vârstă și RSP6 ---"cor.test(data$Varsta , data$RSP6 , method = "spearman" , exact = FALSE)
Spearman's rank correlation rho
data: data$Varsta and data$RSP6
S = 1417362, p-value = 0.814
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.01661016 print("--- Corelație Vârstă și RSP7 ---")[1] "--- Corelație Vârstă și RSP7 ---"cor.test(data$Varsta , data$RSP7 , method = "spearman" , exact = FALSE)
Spearman's rank correlation rho
data: data$Varsta and data$RSP7
S = 1492059, p-value = 0.3197
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.07018679 Concluzionând această analiză individuală a întrebărilor și cunoașterea percepțiilor respondenților cu privire la modul în care autoritățile publice se raportează la amenajarea și îngrijirea spațiilor verzi din București, perspectiva generală asupra relației cetățean – instituții publice este una negative, aceștia fiind de acord, în urma măsurătorilor, că: autoritățile publice neglijează natura și ceea ce înseamnă biodiversitate, aspectul estetic al spațiilor verzi primează în fața altor aspecte la fel de importante ale acestora, autoritățile publice ignoră cetățenii când vine vorba de a exprima dorințe și nevoi pe care le au în legătură cu amenajarea spațiilor verzi, și, în final, transparența comunicării autorităților publice cu cetățenii privind aceste proiecte este foarte puțină spre deloc, nefiind informați când vine vorba de decizii ce țin de aspecte publice.
De asemenea, în continuare, pentru a vedea dacă aceste percepții sunt modelate de structura socială a eșantionului (N = 203), a fost aplicată o analiză bivariată de corelație Spearman, folosindu-se două dintre variabilele demografice ca și predictori, respective vârsta și nivelul de educație.
#----------------------------------
#ANALIZA SPEARMAN RSP3 - RSP7 SI NIVELUL DE STUDII AL RESPONDENTILOR
#----------------------------------
print("--- Corelație Studii și RSP3 ---")[1] "--- Corelație Studii și RSP3 ---"cor.test(data$Studii , data$RSP3 , method = "spearman" , exact = FALSE)
Spearman's rank correlation rho
data: data$Studii and data$RSP3
S = 1493993, p-value = 0.3102
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.07157396 print("--- Corelație Studii și RSP4 ---")[1] "--- Corelație Studii și RSP4 ---"cor.test(data$Studii , data$RSP4 , method = "spearman" , exact = FALSE)
Spearman's rank correlation rho
data: data$Studii and data$RSP4
S = 1787382, p-value = 4.577e-05
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.2820086 print("--- Corelație Studii și RSP5 ---")[1] "--- Corelație Studii și RSP5 ---"cor.test(data$Studii , data$RSP5 , method = "spearman" , exact = FALSE)
Spearman's rank correlation rho
data: data$Studii and data$RSP5
S = 1417513, p-value = 0.8129
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.0167184 print("--- Corelație Studii și RSP6 ---")[1] "--- Corelație Studii și RSP6 ---"cor.test(data$Studii , data$RSP6 , method = "spearman" , exact = FALSE)
Spearman's rank correlation rho
data: data$Studii and data$RSP6
S = 1465852, p-value = 0.4665
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.05138991 print("--- Corelație Studii și RSP7 ---")[1] "--- Corelație Studii și RSP7 ---"cor.test(data$Studii , data$RSP7 , method = "spearman" , exact = FALSE)
Spearman's rank correlation rho
data: data$Studii and data$RSP7
S = 1558674, p-value = 0.09369
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.1179671 #----------------------------------
library(corrplot)
#----------------------------------
date_corelatie <- data %>%
select(RSP3, RSP4, RSP5, RSP6, RSP7)
matrice_spearman <- cor(date_corelatie , method = "spearman" , use = "complete.obs")
corrplot(matrice_spearman , method = "ellipse" , type = "upper" , addCoef.col = "black" , number.cex = 0.85 , tl.col = "darkgreen" , tl.srt = 45 , diag = FALSE)
#----------------------------------În urma rulării testului statistic pentru determinarea relației dintre nivelul de studii al respondenților și acordul cu RSP4, valoarea indicatorului p este de 4.557e-05, adică valoarea acestuia este de 0.00004557, cu mult sub pragul critic de 0.05, iar valoarea lui rho este de -0.282. Întrebarea RSP4 a fost singura aleasă pentru a face parte din testul bivariat, deoarece este singura variabilă îndeajuns de valoroasă printre indicatorii socio-demografici aleși.
Testul de corelație indică o relație înalt semnificativă între nivelul de studii al respondenților și întrebarea RSP4, data de indicatorul p și coeficientul de corelație rho. Analizate împreună, această corelație confirmă că educația reprezintă un factor major în evaluarea politicilor publice de mediu. Cei cu studii superioare dețin un nivel mai mare de cunoștințe cu privire la sustenabilitatea urbană și ecologică. Cu cât cetățenii sunt mai educați, cu atât devine mai vizibilă preferința pentru existența unor spații verzi sustenabile, în detrimentul celor doar pur estetice.
Totodată, o altă corelație realizată a fost între variabila Vârstă și acordul cu RSP4. Valoarea indicatorului de semnificație p este de 0.022, iar coeficientul rho este -0.159. În urma acestei analize, se poate observa faptul că valoarea lui p oferă o relație semnificativ statistică între cele două elemente analizate, iar valoarea lui rho arată o relație inversă, dar de intensitate slabă. Cu alte cuvinte, cu cât scade vârsta respondenților, cu atât crește gradul de acord al acestora cu privire la prioritatea autorităților publice de a se concentra mai mult pe aspectele estetice ale spațiilor verzi decât a altor aspecte.
Acest item al chestionarului a urmărit să vadă acordul sau dezacordul respondenților în legătură cu afirmația că investițiile în spațiile verzi sunt motivate în principal de cheltuirea unui buget alocat decât de îngirjirea și conservarea mediului.
library(ggplot2)
library(dplyr)
library(tidyr)
library(corrplot)
date_sondaj <- data
date_sondaj <- date_sondaj %>%
mutate(
VSP1 = as.numeric(VSP1),
Varsta = as.numeric(Varsta),
Gen = as.numeric(Gen),
Studii = as.numeric(Studii),
Venit = as.numeric(Venit),
# Etichete pentru variabilele categoriale
Gen_Label = factor(Gen,
levels = c(0, 1),
labels = c("Feminin", "Masculin")),
Varsta_Categorii = factor(Varsta,
levels = c(0, 1, 2, 3, 4, 5, 6),
labels = c("Sub 18 ani", "18-24 ani", "25-34 ani",
"35-44 ani", "45-54 ani", "55-64 ani",
"65 ani si peste")),
Studii_Label = factor(Studii,
levels = c(0, 1, 2, 3, 4, 5),
labels = c("Gimnaziale", "Liceale",
"Postliceale", "Licență", "Master", "Altele")),
Venit_Label = factor(Venit,
levels = c(0, 1, 2, 3, 4, 5, 6),
labels = c("Fără venit", "Sub 2500", "2501-4000 lei", "4001-6000 lei",
"6001-8000 lei", "8001-10000 lei", "Prefer să nu răspund")),
Rezidenta_Label = factor(Rezidenta,
levels = c(1, 2, 3, 4, 5, 6, 0),
labels = c("sector 1", "sector 2", "sector 3", "sector 4", "sector 5", "sector 6", "în afara Bucureștiului"))
)
# Distribuția scorurilor RSP8
ggplot(date_sondaj %>% filter(!is.na(RSP8)),
aes(x = factor(RSP8), fill = factor(RSP8))) +
geom_bar(color = "white", alpha = 0.85) +
geom_text(stat = "count", aes(label = after_stat(count)), vjust = -0.4, size = 4, fontface = "bold") +
scale_fill_viridis_d(option = "mako", guide = "none") +
labs(title = "Investițiile în spații verzi sunt motivate de cheltuierea unui buget, nu de mediu",
subtitle = "scala Likert 1 (Total dezacord) la 7 (Complet de acord)",
x = "Scor",
y = "Număr respondenți") +
theme_minimal() +
theme(plot.title = element_text(face = "bold", size = 12))
Pentru acest item am aplicat o scară Likert de la 1-7 (1 = Total dezacord; 7 = Complet de acord). 80 din cei 203 respondenți sunt complet de acord cu această afirmați iar 78 s-au plasat pe 5 sau 6 peste linia de mijloc. Scorurile mici (1-3) sunt în minoritate cu doar 21 de respondenți, ceea ce arată că neîncrederea în întențiile autorităților este crescută în rândul eșantionului.
Acest item al chestionarului a urmărit să vadă acordul sau dezacordul respondenților în legătură cu afirmația că lipsa de transparență îngreunează accesul la informații despre cheltuielile pentru amenajarea spațiilor verzi.
# Distribuția scorurilor RSP9
ggplot(date_sondaj %>% filter(!is.na(RSP9)),
aes(x = factor(RSP9), fill = factor(RSP9))) +
geom_bar(color = "white", alpha = 0.85) +
geom_text(stat = "count", aes(label = after_stat(count)), vjust = -0.4, size = 4, fontface = "bold") +
scale_fill_viridis_d(option = "plasma", guide = "none") +
labs(title = "Cheltuielile pentru amenajarea spațiilor verzi sunt dificil de accesat din lipsă de transparență",
subtitle = "1 (Total dezacord) - 7 (Complet de acord)",
x = "Scor",
y = "Număr respondenți") +
theme_minimal() +
theme(plot.title = element_text(face = "bold", size = 12))
Majoritatea respondenților consideră că informațiile despre cheltuielile pentru amenajarea spațiilor verzi sunt greu accesibile din cauza lipsei de transparență. Distribuția este înclinată spre scoruri mari: 52 de persoane au acordat scorul maxim (7), iar scorurile 4,5,6 sunt aproape egale. Scorul de mijloc cu 45 de răspunsuri neutre ar putea să indice o lipsă de cunoaștere sau familiaritate cu acest subiect, abținându-se de la o poziție clară de acord sau dezacord.
Luând în considerare distribuția răspunsurilor de la afirmația anterioară, se pot spune următoarele: respondenții nu doar că suspectează că învestițiile în spațiile verzi sunt motivate de cheltuierea unui buget, dar simt și că nu au acces la informațiile care le-ar permite să verifice sau să conteste acest lucru. Lipsa de intenție reală și lipsa de transparență resimțite de respondenții acestui chestionar reprezință o barieră în construirea încrederii între cetățeni și autoritățile locale din București.
# Boxplot RSP9 în funcție de Vârstă
ggplot(date_sondaj %>% filter(!is.na(RSP9), !is.na(Varsta_Categorii)),
aes(x = Varsta_Categorii, y = RSP9, fill = Varsta_Categorii)) +
geom_boxplot(alpha = 0.8, outlier.color = "red", outlier.shape = 16) +
stat_summary(fun = mean, geom = "point", shape = 23, size = 3, fill = "white") +
scale_fill_viridis_d(option = "plasma", guide = "none") +
labs(title = "Opinia respondenților privind transparența cheltuielilor pentru spațiile verzi în funcție de vârstă",
subtitle = "1 (Total dezacord) - 7 (Complet de acord)" ,
x = "Grupă de vârstă", y = "Scor") +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 30, hjust = 1, size = 10),
plot.title = element_text(face = "bold", size = 12),
legend.position = "none"
)
În cazul acestui grafic, grupa 35-44 de ani înregistrează cel mai înalt nivel de aprobare a afirmației că accesul la cheltuielile făcute în legătură cu spațiile publice este îngreunat de lipsa de transparență. Mediana este de 6 iar media este apropiată. Grupele sub 18 ani, 18-24 de ani, 25-34 de ani au mediane de 5 și distribuții moderate sugerând o îngirjorare prezentă, dar mai puțin pronunțată. Grupa 45-54 de ani este cea mai eterogenă, cu o cuție largă și o medie la aproximativ 4,5 indicât opinii mai împărțite. Grupa 65+ este reprezentată de foarte puțini respondenți, deci concluziile pentru aceasta sunt nesigure. Media totuși, este cea mai ridicată dintre toate.
# Boxplot RSP9 în funcție de Gen
ggplot(date_sondaj %>% filter(!is.na(RSP9), !is.na(Gen_Label)),
aes(x = Gen_Label, y = RSP9, fill = Gen_Label)) +
geom_boxplot(alpha = 0.8, outlier.color = "red", outlier.shape = 16) +
stat_summary(fun = mean, geom = "point", shape = 23, size = 3, fill = "white") +
scale_fill_manual(values = c("#E06666", "#6FA8DC")) +
labs(title = "Opinia respondenților privind transparența cheltuielilor pentru spațiile verzi în funcție de gen",
x = "Gen", y = "Scor RSP9 (1-7)") +
theme_minimal() +
theme(legend.position = "none",
plot.title = element_text(face = "bold", size = 12))
Diferențele dintre bărbați și femei sunt minime. Ambele grupuri au o mediană de aproximativ 5 și o medie foarte apropiată. Femeile prezintă o variabilitate mai mai mare cu o cutie extinsă spre scoruri mai înalte (până la 7) în timp ce bărbații au o distribuție mai compactă. Nu există o diferență semnificativă între genuri.
Analiză realizată de: Codruta Colceriu
Acest item al chestionarului a urmărit dispoziția, preferințele și motivațiile respondenților în legătura cu participarea la activități de voluntariat în spațiile verzi.
# 1. DESCRIPTIV — Distribuția scorurilor VSP1
ggplot(date_sondaj %>% filter(!is.na(VSP1)),
aes(x = factor(VSP1), fill = factor(VSP1))) +
geom_bar(color = "white", alpha = 0.9) +
geom_text(stat = "count", aes(label = after_stat(count)),
vjust = -0.4, size = 4, fontface = "bold") +
scale_fill_viridis_d(option = "mako", guide = "none") +
labs(
title = "Dispoziția de a participa la voluntariat în spații verzi",
subtitle = "VSP1 — scala Likert 1 (deloc dispus) la 7 (foarte dispus)",
x = "Distributie scor",
y = "Numar respondenti"
) +
theme_minimal() +
theme(plot.title = element_text(face = "bold", size = 14))
Graficul indică un interes ridicat al bucureștenilor față de voluntariatul în spații verzi. Distribuția este asimetrică spre dreapta: scorurile 5,6 și 7 cumulează 134 de respondenți din totalul de 203, reprezentând 66% din eșantion. Scorul de 4, ales de 31 de persoane reprezintă un grup neutru față de voluntariat care ar putea fi convins prin mijloacele potrivite. Scorurile mici (1-3) sunt alese de 19% din eșantion. Deși respondenții consideră că există o lipsă de transparență și că banii pentru spațiile verzi sunt cheltuiți cu scopul utilizării unui buget, aceștia sunt dispuși să facă voluntariat.
# 2. VSP1 × GEN — Boxplot
ggplot(date_sondaj %>% filter(!is.na(VSP1), !is.na(Gen_Label)),
aes(x = Gen_Label, y = VSP1, fill = Gen_Label)) +
geom_boxplot(alpha = 0.85, outlier.color = "red", outlier.shape = 16) +
stat_summary(fun = mean, geom = "point", shape = 23, size = 4, fill = "white") +
scale_fill_manual(values = c("#6FA8DC", "#E06666")) +
labs(
title = "Dispoziția de a face voluntariat în spații verzi în funcție de gen",
subtitle = "1=Deloc dispus(ă) 7=Foarte dispus(ă)",
x = "Gen",
y = "Scor Likert"
) +
theme_minimal() +
theme(legend.position = "none",
plot.title = element_text(face = "bold", size = 12))
Graficul relevă diferențe moderate între cele două grupuri. Femeile prezintă o mediană de 5 și o medie de aproximativ 5.1. Intercuartila se întinde aproximativ între 4 și 7, indicând o omogenitate mai mare a răspunsurilor și o tendință clară spre disponibilitate ridicată. Bărbații au aceeași mediană de 5, însă media este mai coborâtă (~4.6), iar cutia este considerabil mai largă (aproximativ 3–6), ceea ce indică o variabilitate intra-grup mai mare.
# 3. VSP1 × VÂRSTĂ — Boxplot pe grupe
ggplot(date_sondaj %>% filter(!is.na(VSP1), !is.na(Varsta_Categorii)),
aes(x = Varsta_Categorii, y = VSP1, fill = Varsta_Categorii)) +
geom_boxplot(alpha = 0.85, outlier.color = "red", outlier.shape = 16) +
stat_summary(fun = mean, geom = "point", shape = 23, size = 3, fill = "white") +
scale_fill_viridis_d(option = "plasma", guide = "none") +
labs(
title = "Dispoziția de a face voluntariat în spații verzi în funcție de grupa de vârstă",
subtitle = "1=Deloc dispus(ă) 7=Foarte dispus(ă)",
x = "Grupa de vârstă",
y = "Scor Likert"
) +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 30, hjust = 1, size = 10),
plot.title = element_text(face = "bold", size = 12),
legend.position = "none"
)
Grupa sub 18 ani prezintă cea mai mică variabilitate și media cea mai coborâtă, cu o distribuție omogenă, sigerând o dispoziție moderată. Grupele 18-24 li 25-34 au mediane de 5, însă cutii largi care indică opinii eterogene în rândul tinerilor adulți. Grupele 34-35 și 45-54 înregistrează o ușoară scădere a mediei, cu distribuții mai compacte și poziționate mai jos pe scală. Grupele de vârstă mai înaintată (55-64 și 65+) prezintă cele mai ridicate medii și cutii poziționate desupra celorlalte. Aceast lucru ar putea să indice o dispoziție mai ridicată și o dorință de implicare în activități de voluntariat.
# VSP2 — Tipuri de activități de voluntariat preferate
date_vsp2 <- date_sondaj %>%
select(VSP2_0, VSP2_1, VSP2_2, VSP2_3, VSP2_4) %>%
summarise(across(everything(), ~sum(. == 1, na.rm = TRUE))) %>%
pivot_longer(cols = everything(), names_to = "Varianta", values_to = "Voturi") %>%
mutate(Denumire = case_when(
Varianta == "VSP2_0" ~ "Plantarea și îngrijirea copacilor",
Varianta == "VSP2_1" ~ "Curățarea și igienizarea parcurilor",
Varianta == "VSP2_2" ~ "Amenajarea spațiilor verzi dintre blocuri",
Varianta == "VSP2_3" ~ "Activități de educație ecologică",
Varianta == "VSP2_4" ~ "Altele"
)) %>%
mutate(Denumire = reorder(Denumire, Voturi))
# Generăm graficul
ggplot(date_vsp2, aes(x = Voturi, y = Denumire, fill = Voturi)) +
geom_col() +
geom_text(aes(label = Voturi), hjust = -0.2, size = 3, fontface = "bold") +
scale_fill_gradient(low = "#A8D8A8", high = "#2E7D32") +
labs(title = "Activitățile de voluntariat preferate de respondenți",
x = "Număr de alegeri", y = "Tip activitate") +
theme_minimal() +
theme(legend.position = "none")
date_vsp2_varsta <- date_sondaj %>%
filter(!is.na(Varsta_Categorii)) %>%
select(Varsta_Categorii, VSP2_0, VSP2_1, VSP2_2, VSP2_3, VSP2_4) %>%
group_by(Varsta_Categorii) %>%
summarise(across(VSP2_0:VSP2_4, ~sum(. == 1, na.rm = TRUE)), .groups = "drop") %>%
pivot_longer(cols = VSP2_0:VSP2_4, names_to = "Varianta", values_to = "Voturi") %>%
mutate(Denumire = case_when(
Varianta == "VSP2_0" ~ "Plantarea și îngrijirea copacilor",
Varianta == "VSP2_1" ~ "Curățarea și igienizarea parcurilor",
Varianta == "VSP2_2" ~ "Amenajarea spațiilor verzi dintre blocuri",
Varianta == "VSP2_3" ~ "Activități de educație ecologică",
Varianta == "VSP2_4" ~ "Altele"
))Plantarea și îngrijirea copacilor domină net cu 160 de alegeri, urmată de amenajarea spațiilor verzi (111) și activitățile de educație ecologică (96).
# Generăm graficul pe grupe de vârstă
ggplot(date_vsp2_varsta, aes(x = Voturi, y = reorder(Denumire, Voturi), fill = Varsta_Categorii)) +
geom_col(position = "fill", alpha = 0.88) +
scale_x_continuous(labels = scales::percent) +
scale_fill_viridis_d(option = "plasma") +
labs(title = "Activități de voluntariat preferate pe grupe de vârstă",
subtitle = "Proporția fiecărei grupe de vârstă din totalul alegerilor",
x = "Proporție", y = "Tip activitate", fill = "Grupă de vârstă") +
theme_minimal() +
theme(
plot.title = element_text(face = "bold", size = 14),
legend.position = "top",
legend.text = element_text(size = 8)
)
date_vsp2_rezidenta <- date_sondaj %>%
filter(!is.na(Rezidenta_Label)) %>%
select(Rezidenta_Label, VSP2_0, VSP2_1, VSP2_2, VSP2_3, VSP2_4) %>%
group_by(Rezidenta_Label) %>%
summarise(across(VSP2_0:VSP2_4, ~sum(. == 1, na.rm = TRUE)), .groups = "drop") %>%
pivot_longer(cols = VSP2_0:VSP2_4, names_to = "Varianta", values_to = "Voturi") %>%
mutate(Denumire = case_when(
Varianta == "VSP2_0" ~ "Plantarea și îngrijirea copacilor",
Varianta == "VSP2_1" ~ "Curățarea și igienizarea parcurilor",
Varianta == "VSP2_2" ~ "Amenajarea spațiilor verzi dintre blocuri",
Varianta == "VSP2_3" ~ "Activități de educație ecologică",
Varianta == "VSP2_4" ~ "Altele"
))Distribuția activităților de voluntariat pe grupe de vârstă reflectă în mare măsură compoziția demografică a eșantionului, în care grupa 18–24 ani este cea mai reprezentată. Prin urmare, proporțiile vizibile în grafic nu pot fi interpretate ca preferințe diferențiate ale grupelor de vârstă, ci mai degrabă ca o consecință a structurii eșantionului. În categoria altele s-a menționat că unele persoane nu ar participa la niciuna dintre aceste activități sau că lipsa de timp se împiedică implicarea.
date_vsp2_rezidenta <- date_sondaj %>%
filter(!is.na(Rezidenta_Label)) %>%
select(Rezidenta_Label, VSP2_0, VSP2_1, VSP2_2, VSP2_3, VSP2_4) %>%
group_by(Rezidenta_Label) %>%
summarise(across(VSP2_0:VSP2_4, ~sum(. == 1, na.rm = TRUE)), .groups = "drop") %>%
pivot_longer(cols = VSP2_0:VSP2_4, names_to = "Varianta", values_to = "Voturi") %>%
mutate(Denumire = case_when(
Varianta == "VSP2_0" ~ "Plantarea și îngrijirea copacilor",
Varianta == "VSP2_1" ~ "Curățarea și igienizarea parcurilor",
Varianta == "VSP2_2" ~ "Amenajarea spațiilor verzi dintre blocuri",
Varianta == "VSP2_3" ~ "Activități de educație ecologică",
Varianta == "VSP2_4" ~ "Altele"
))
# Generăm graficul comparativ pe rezidență
ggplot(date_vsp2_rezidenta, aes(x = Voturi, y = reorder(Denumire, Voturi), fill = Rezidenta_Label)) +
geom_col(position = "fill", alpha = 0.88) +
scale_x_continuous(labels = scales::percent) +
scale_fill_viridis_d(option = "mako") +
labs(title = "Activități de voluntariat preferate în funcție de rezidență",
subtitle = "Proporția fiecărui sector din totalul alegerilor",
x = "Proporție", y = "Tip activitate", fill = "Rezidență") +
theme_minimal() +
theme(
plot.title = element_text(face = "bold", size = 14),
legend.position = "top",
legend.text = element_text(size = 8)
)
La fel ca la 4.2.
# VSP3 — Motivații pentru implicare în voluntariat
date_vsp3 <- date_sondaj %>%
select(VSP3_0, VSP3_1, VSP3_2, VSP3_3, VSP3_4,
VSP3_5, VSP3_6, VSP3_7, VSP3_8, VSP3_9, VSP3_10) %>%
summarise(across(everything(), ~sum(. == 1, na.rm = TRUE))) %>%
pivot_longer(cols = everything(), names_to = "Varianta", values_to = "Voturi") %>%
mutate(Denumire = case_when(
Varianta == "VSP3_0" ~ "Rezultate vizibile ale implicării",
Varianta == "VSP3_1" ~ "Informații clare despre ce trebuie făcut și cât timp implică",
Varianta == "VSP3_2" ~ "Oportunitatea de a socializa cu oameni care au valori similare",
Varianta == "VSP3_3" ~ "Să mă simt apreciat de comunitate/autorități",
Varianta == "VSP3_4" ~ "Desfășurare aproape de casă/loc de muncă",
Varianta == "VSP3_5" ~ "Participare ocazională, fără angajament pe termen lung",
Varianta == "VSP3_6" ~ "Relaxare, timp petrecut în natură, activitate fizică, reducerea stresului",
Varianta == "VSP3_7" ~ "Informații despre impactul naturii urbane asupra orașului",
Varianta == "VSP3_8" ~ "Echipamente asigurate de organizatori",
Varianta == "VSP3_9" ~ "Certificate/recompense simbolice",
Varianta == "VSP3_10" ~ "Altele"
)) %>%
mutate(Denumire = reorder(Denumire, Voturi))
# Generăm graficul
ggplot(date_vsp3, aes(x = Voturi, y = Denumire, fill = Voturi)) +
geom_col() +
geom_text(aes(label = Voturi), hjust = -0.2, size = 4, fontface = "bold") +
scale_fill_gradient(low = "#B3CDE3", high = "#2C5F8A") +
labs(title = "Ce i-ar motiva pe respondenți să se implice în voluntariat?",
x = "Număr de alegeri", y = "Motivație") +
theme_minimal() +
theme(legend.position = "none")
Rezultatele vizibile ale implicării sunt motivația cea mai selectată de respondenții acestui chestionar, ceea ce reflectă nevoia acestor persoane de a vedea că efortul lor are un impact concret. Comunicarea rezultatelor (fotografii înainte/după, statistici de impact) ar putea fi o strategie pentru organizatori pentru recrutare și fidelizare Participarea ocazională fără angajament pe termen lung (124) și relaxarea în natură (123) ocupă locurile 2 și 3, subliniind că respondenții preferă flexibilitatea și beneficiile personale directe în defavoarea unui angajament formal. Informațiile clare despre ce presupune activitatea (107 alegeri) indică o barieră care poate fi luată în considerare de organizatorii activităților: lipsa de claritate în comunicare poate descuraja potențiali voluntari.
# Heatmap corelații Spearman
# Selectăm variabilele
date_corelatie <- date_sondaj %>%
select(RSP8, RSP9, VSP1, CSV2, CSV3, Varsta) %>%
mutate(across(everything(), as.numeric))
matrice_spearman <- cor(date_corelatie, method = "spearman", use = "complete.obs")
# Desenăm heatmap-ul
corrplot(matrice_spearman,
method = "ellipse",
type = "upper",
col = colorRampPalette(c("#1B5E20", "#A5D6A7", "#FFFFFF", "#C8E6C9", "#2E7D32"))(200),
addCoef.col = "black",
number.cex = 0.9,
tl.col = "#1B5E20",
tl.srt = 45,
diag = FALSE)
Corelația cea mai puternică din această matrice estre de r=.60 (corelație pozitivă moderată spre puternică). Respondenții care sunt mulțumiți de întinderea și calitatea spațiilor verzi din oraș tind să considere și că acestea sunt suficiente pentru toți locuitorii, și invers. A doua corelație care merită menționată este cu r=0.53 (corelație pozitivă, moderată) care arată că respondenții care cred că investițiile sunt motivate de cheltuirea unui buget consideră și că aceste cheltuielu sunt greu accesibile și lipsite de transparență. Absența unei corelații semnificative între vârstă și celelalte variabile sugerează că atât satisfacția față de spațiile verzi, cât și neîncrederea instituțională sunt atitudini relativ uniform distribuite în populație, indiferent de vârsta respondentului.
Analiză realizată de: Cristina Popescu, Lucia Iscru
1. Funcția summary pentru Vârstă, Gen, Studii, Venit (funcția oferă statistici descriptive de bază: Minim, Quartila1, Mediana, Media, Quartila3 și Maxim)
1.1. Interpretarea funcției summary pentru vector Vârstă:
library(ggplot2)
library(dplyr)
library(tidyr)
library(summarytools)
library(ggrepel)
### SUMMARY
summary(data$Varsta) Min. 1st Qu. Median Mean 3rd Qu. Max.
0.000 1.000 2.000 2.281 3.000 6.000 Extremele (Min 0.000 și Max 6.000): Scala este acoperită complet. Există cel puțin un respondent la categoria 0 (sub 18 ani) și cel puțin unul la categoria 6 (65 de ani și peste).
Mediana (2.000): Indică faptul că 50% din respondenți au ales o valoare din categoria 2 (25-34 de ani) sau mai mică (adică 0, 1 sau 2). Respondentul “mediu” se situează la categoria 2.
Media (2.281): Este mai mare decât mediana (2.281 > 2.000), iar acest lucru indică o asimetrie pozitivă. Deși majoritatea respondenților sunt concentrați în categoriile 1 (18-24 de ani), 2 (25-34 de ani) și 3 (35-44 de ani), există un număr suficient de răspunsuri mari (4, 5 și 6) care “trag” media în sus față de centru.
Prima Quartilă (1.000): 25% din totalul respondenților au vârsta codificată 1 (18-24 de ani) sau mai mică (sub 18 ani).
A treia Quartilă (3.000): 75% din respondenți au o valoare de 3 (35-44 de ani) sau mai mică.
În concluzie, distribuția vârstei este concentrată în zona inferioară-de mijloc. Respondenții nu sunt distribuiți uniform, evită extremele (0 și 6) și valorile mari (4, 5). Faptul că media (2.281) este apropiată de mediană (2.000), dar totuși diferită, indică un grup majoritar pe 1, 2, 3, cu o “coadă” lungă și subțire de respondenți spre 4, 5 și 6 care influențează calculul mediei.
1.2. Interpretarea funcției summary pentru vector Gen:
summary(data$Gen) Min. 1st Qu. Median Mean 3rd Qu. Max.
0.0000 0.0000 0.0000 0.4039 1.0000 2.0000 Faptul că Mediana și Q1 sunt 0.0000 indică faptul că peste 50% din respondenți au ales categoria 0 (feminin). Faptul că Q3 este 1.0000 indică faptul că 75% din respondenți au ales categoria 0 (feminin) și 1 (masculin).
Media (0.4039), deși cei mai mulți respondenți fac parte din categoria 0 (feminin), media este ceva mai mare de 0, ceea ce indică prezența celorlalte categorii.
Max (2.000) confirmă prezența respondenților din categoria 2 (“altele”), însă media mică sugerează un număr foarte mic de răspunsuri. Dacă ar fi fost mai mulți respondenți din categoria 2, media ar fi fost ceva mai mare).
1.3. Interpretarea funcției summary pentru vector Studii:
summary(data$Studii) Min. 1st Qu. Median Mean 3rd Qu. Max.
0.000 2.000 3.000 2.813 4.000 5.000 Mediana (3.000): Jumătate din respondenți (50%) au un nivel de studii de 3 (licență) sau mai mic, iar cealaltă jumătate are 3 sau mai mare. Respondentul tipic se situează exact la categoria 3.
Media (2.813): Fiind mai mică decât mediana (2.813 < 3.000), acest lucru indică o ușoară asimetrie negativă, există un grup suficient de mare de respondenți cu valori mici (0-gimnazial, 1-liceal, 2-postliceal) care “trag” media în jos față de mediană.
Q1 (2.000): 25% din respondenți au studii de nivel 2 sau mai mic. Aceasta indică faptul că un sfert din eșantion are un nivel de educație scăzut (variantele 0, 1 sau 2).
Q3 (4.000): 75% din respondenți au studii de nivel 4 (master) sau mai mic.
Min 0.000 și Max 5.0000: Scala este complet acoperită. Există respondenți atât la nivelul cel mai de jos (0), cât și la cel mai înalt (5), ceea ce indică o diversitate a eșantionului, fără a exclude nicio categorie educațională.
În concluzie, eșantionul este dominat de respondenți cu studii medii (categoria 3), având, totodată, și o minoritate semnificativă cu studii scăzute (25% din categoria 2 sau mai mică) și o minoritate similară cu studii superioare (25% din categoria 4 sau mai mare).
1.4. Interpretarea funcției summary pentru vector Venit:
summary(data$Venit) Min. 1st Qu. Median Mean 3rd Qu. Max.
0.00 1.00 3.00 2.98 5.00 6.00 Mediana (3.00): Respondentul “mediu” se află exact la mijlocul scalei (categoria 3 – 4001-6000 RON). 50% dintre respondenți au venituri din categoria 3 sau mai mici, iar 50% au venituri din categoria 3 sau mai mari.
Media (2.98): Este aproape identică cu mediana (2.98 ≈ 3.00). De obicei, acest lucru sugerează o distribuție simetrică (normală).
Q1 (1.00): 25% din respondenți au venituri foarte mici (0 sau 1).
Q3 (5.00): 75% din respondenți au venituri de 5 sau mai mici, ceea ce înseamnă că 25% din eșantion este concentrat la capătul superior (valorile 5 și 6).
Diferența mare dintre Q1 (1) și Q3 (5) indică faptul că doar 50% din populație este cuprinsă între categoriile 1 și 5. Restul de 50% este împărțit între extremele inferioare (0-1) și cele superioare (5-6).
2. Pie chart pentru fiecare variabilă (Vârstă, Gen, Studii, Venit)
2.1. Vârstă: Cei mai mulți respondenți (38%) au vârsta cuprinsă între 18-24 de ani. 23% au între 35-44 de ani, iar 21% între 25-34 de ani. Practic, eșantionul nostru este reprezentat de persoane cu vârsta cuprinsă între 18 – 44 de ani (în acest interval sunt cei mai mulți respondenți). Restul respondenților sunt distribuiți între 55-64 de ani (8%), 45-54 de ani (6%), 65 de ani și peste (2%) și 1% (sub 18 ani).
### PIECHART
library(ggplot2)
data_summary_varsta <- data %>%
group_by(Varsta) %>%
summarise(n = n(), .groups = 'drop') %>%
mutate(prop = n / sum(n),
label_pos = cumsum(prop) - prop / 2,
Varsta_Categorii = factor(Varsta,
levels = c(0, 1, 2, 3, 4, 5, 6),
labels = c("Sub 18 ani",
"18-24 ani",
"25-34 ani",
"35-44 ani",
"45-54 ani",
"55-64 ani",
"65 ani și peste")))
data_label_varsta <- data_summary_varsta %>%
arrange(desc(Varsta_Categorii)) %>%
mutate(ypos = cumsum(prop) - prop / 2)
ggplot(data_label_varsta, aes(x = "", y = prop, fill = Varsta_Categorii)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y", clip = "off") +
geom_label_repel(
aes(y = ypos, label = paste0(round(prop * 100), "%")),
nudge_x = 0.7,
direction = "y",
segment.color = "grey50",
segment.size = 0.5,
arrow = arrow(length = unit(0.03, "inches"), type = "closed"),
size = 5,
show.legend = FALSE
) +
scale_fill_brewer(palette = "Set3") +
theme_void() +
labs(title = "Distribuția respondenților pe categorii de Vârstă",
subtitle = "Structura eșantionului în funcție de grupele de vârstă",
)
2.2. Gen: 62% dintre respondenți sunt femei și 36% bărbați. 2% dintre ei au ales categoria “altele” (nonbinari).
data_summary_gen <- data %>%
group_by(Gen) %>%
summarise(n = n(), .groups = 'drop') %>%
mutate(prop = n / sum(n),
label_pos = cumsum(prop) - prop / 2,
Gen_Categorii = factor(Gen,
levels = c(0, 1, 2),
labels = c("feminin",
"masculin",
"altele")))
data_label_gen <- data_summary_gen %>%
arrange(desc(Gen_Categorii)) %>%
mutate(ypos = cumsum(prop) - prop / 2)
ggplot(data_label_gen, aes(x = "", y = prop, fill = Gen_Categorii)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y", clip = "off") +
geom_label_repel(
aes(y = ypos, label = paste0(round(prop * 100), "%")),
nudge_x = 0.7,
direction = "y",
segment.color = "grey50",
segment.size = 0.5,
arrow = arrow(length = unit(0.03, "inches"), type = "closed"),
size = 5,
show.legend = FALSE
) +
scale_fill_brewer(palette = "Set3") +
theme_void() +
labs(title = "Distribuția respondenților pe categorii de Gen",
subtitle = "Structura eșantionului în funcție de gen",
)
2.3. Venit: Cei mai mulți respondenți au declarat că au venituri între 4.001-6.000 RON. 18% au preferat să nu răspundă, iar 17% nu au venituri. 13% dintre respondenți au venituri sub 2.500 RON, 11% între 8.001-10.000 RON și 10% între 2.501-4.000 RON.
data_summary_venituri <- data %>%
group_by(Venit) %>%
summarise(n = n(), .groups = 'drop') %>%
mutate(prop = n / sum(n),
label_pos = cumsum(prop) - prop / 2,
Venituri_Categorii = factor(Venit,
levels = c(0, 1, 2, 3, 4, 5, 6),
labels = c("nu am venit",
"sub 2500",
"2501-4000",
"4001-6000",
"6001-8000",
"8001-10000",
"prefer să nu raspund")))
data_label_venituri <- data_summary_venituri %>%
arrange(desc(Venituri_Categorii)) %>%
mutate(ypos = cumsum(prop) - prop / 2)
ggplot(data_label_venituri, aes(x = "", y = prop, fill = Venituri_Categorii)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y", clip = "off") +
geom_label_repel(
aes(y = ypos, label = paste0(round(prop * 100), "%")),
nudge_x = 0.7,
direction = "y",
segment.color = "grey50",
segment.size = 0.5,
arrow = arrow(length = unit(0.03, "inches"), type = "closed"),
size = 5,
show.legend = FALSE
) +
scale_fill_brewer(palette = "Set3") +
theme_void() +
labs(title = "Distribuția respondenților pe categorii de Venituri",
subtitle = "Structura eșantionului în funcție de grupele de venituri",
)
2.4. Studii: Aproape jumătate dintre respondeni (47%) au studii universitare de licență, 26% au studii universitare de master și 22% au studii liceale. Restul respondenților (5%), au studii postliceale și “altele” (doctorat).
data_summary_studii <- data %>%
group_by(Studii) %>%
summarise(n = n(), .groups = 'drop') %>%
mutate(prop = n / sum(n),
label_pos = cumsum(prop) - prop / 2,
Studii_Categorii = factor(Studii,
levels = c(0, 1, 2, 3, 4, 5),
labels = c("gimnaziale",
"liceale",
"postliceale",
"licenta",
"master",
"altele")))
data_label_studii <- data_summary_studii %>%
arrange(desc(Studii_Categorii)) %>%
mutate(ypos = cumsum(prop) - prop / 2)
ggplot(data_label_studii, aes(x = "", y = prop, fill = Studii_Categorii)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y", clip = "off") +
geom_label_repel(
aes(y = ypos, label = paste0(round(prop * 100), "%")),
nudge_x = 0.7,
direction = "y",
segment.color = "grey50",
segment.size = 0.5,
arrow = arrow(length = unit(0.03, "inches"), type = "closed"),
size = 5,
show.legend = FALSE
) +
scale_fill_brewer(palette = "Set3") +
theme_void() +
labs(title = "Distribuția respondenților pe categorii de Studii",
subtitle = "Structura eșantionului în funcție de grupele de studii",
)
3. Bar chart pentru fiecare variabilă (Vârstă, Gen, Studii, Venit)
3.1. Vârstă: Cei mai mulți respondenți, 78 de persoane, se încadrează la categoria 18-24 de ani. 47 de persoane au vârste cuprinde între 35-44 de ani, 43 între 25-34 de ani, 16 între 55-64 de ani, 12 între 45-54 de ani, 5 persoane se încadrează la peste 65 de ani și peste și 2 persoane au sub 18 ani.
data_demog <- data %>%
select(OSVA2, Varsta, Gen, Studii, Venit) %>%
mutate(Varsta_Categorii = factor(Varsta,
levels = c(0, 1, 2, 3, 4, 5, 6),
labels = c("Sub 18 ani",
"18-24 ani",
"25-34 ani",
"35-44 ani",
"45-54 ani",
"55-64 ani",
"65 ani și peste")))
ggplot(data_demog, aes(x = Varsta_Categorii, fill = Varsta_Categorii)) +
geom_bar(color = "white", alpha = 0.85) +
geom_text(stat = 'count', aes(label = ..count..), vjust = -0.4, size = 4, fontface = "bold") +
scale_fill_viridis_d(option = "plasma", guide = "none") +
labs(title = "Distribuția respondenților pe categorii de Vârstă",
subtitle = "Structura eșantionului în funcție de grupele de vârstă",
x = "Interval de vârstă",
y = "Număr respondenți") +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 30, hjust = 1, vjust = 1, size = 11),
plot.title = element_text(face = "bold", size = 14)
)
data_demog <- data %>%
select(OSVA2, Varsta, Gen, Studii, Venit) %>%
mutate(Gen_Categorii = factor(Gen,
levels = c(0, 1, 2),
labels = c("feminin",
"masculin",
"altele")))
ggplot(data_demog, aes(x = Gen_Categorii, fill = Gen_Categorii)) +
geom_bar(color = "white", alpha = 0.85) +
geom_text(stat = 'count', aes(label = ..count..), vjust = -0.4, size = 4, fontface = "bold") +
scale_fill_viridis_d(option = "plasma", guide = "none") +
labs(title = "Distribuția respondenților pe categorii de Gen",
subtitle = "Structura eșantionului în funcție de gen",
x = "Gen",
y = "Număr respondenți") +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 30, hjust = 1, vjust = 1, size = 11),
plot.title = element_text(face = "bold", size = 14)
)
3.2. Gen: Din totalul respondenților, 125 sunt femei, 74 bărbați și 4 au ales categoria “altele” (nonbinari).
data_demog <- data %>%
select(OSVA2, Varsta, Gen, Studii, Venit) %>%
mutate( Studii_Categorii = factor(Studii,
levels = c(0, 1, 2, 3, 4, 5),
labels = c("gimnaziale",
"liceale",
"postliceale",
"licență",
"master",
"altele" )))
ggplot(data_demog, aes(x = Studii_Categorii, fill = Studii_Categorii)) +
geom_bar(color = "white", alpha = 0.85) +
geom_text(stat = 'count', aes(label = ..count..), vjust = -0.4, size = 4, fontface = "bold") +
scale_fill_viridis_d(option = "plasma", guide = "none") +
labs(title = "Distribuția respondenților pe categorii de Studii",
subtitle = "Structura eșantionului în funcție de grupele de studii",
x = "Studii",
y = "Număr respondenți") +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 30, hjust = 1, vjust = 1, size = 11),
plot.title = element_text(face = "bold", size = 14)
)
3.3. Studii: Cei mai mulți respondenți, 95 de persoane, au studii universitare de licență, iar 52 de persoane au studii de master. 44 au studii liceale și 7 au studii postliceale. 4 persoane au ales categoria “altele” (doctorat).
data_demog <- data %>%
select(OSVA2, Varsta, Gen, Studii, Venit) %>%
mutate( Venit_Categorii = factor(Venit,
levels = c(0, 1, 2, 3, 4, 5, 6),
labels = c("nu am venit",
"sub 2500",
"2501-4000",
"4001-6000",
"6001-8000",
"8001-10000",
"prefer să nu raspund"))
)
ggplot(data_demog, aes(x = Venit_Categorii, fill = Venit_Categorii)) +
geom_bar(color = "white", alpha = 0.85) +
geom_text(stat = 'count', aes(label = ..count..), vjust = -0.4, size = 4, fontface = "bold") +
scale_fill_viridis_d(option = "plasma", guide = "none") +
labs(title = "Distribuția respondenților pe categorii de Venit",
subtitle = "Structura eșantionului în funcție de grupele de venit",
x = "Venit",
y = "Număr respondenți") +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 30, hjust = 1, vjust = 1, size = 11),
plot.title = element_text(face = "bold", size = 14)
)
3.4. Venit: Cei mai multi respondenți, 46 de persoane, au venituri între 4.001-6.000 RON. 37 dintre ei au preferat să nu răspundă. 34 au declarat cănu au niciun venit. 27 de persoane au sub 2.500 RON, 22 între 8.001-10.000 RON, 20 de persoane între 2.501-4.000 RON și 17 persoane între 6.001-10.000 RON.
4. Corelație între variabilele “Vârstă” și “Reducerea numărului de locuri de parcare din București în favoarea spațiilor verzi este o măsură justificată”.
4.1. Variabila “Reducerea numărului de locuri de parcare din București în favoarea spațiilor verzi este o măsură justificată” (codificată OSVA2) este o scală Likert 1-7 (1-Total dezacord, 7-Complet acord).
### CORELATIE
cor.test(data_demog$OSVA2,data_demog$Varsta, method = "spearman", exact = F)
Spearman's rank correlation rho
data: data_demog$OSVA2 and data_demog$Varsta
S = 1656298, p-value = 0.007234
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.1879882 Rezultatul indică o corelație negativă, slabă, dar statistic semnificativă între variabilele OSVA2 și Vârstă.
· Coeficientul de corelație negativ (rho = -0.1879882) indică o relație inversă. Pe măsură ce vârsta crește, scorul OSVA2 tinde să scadă. Concret, respondenții mai în vârstă au tendința de a oferi scoruri mai mici la OSVA2 comparativ cu cei tineri.
· Semnificația statistică (p-value = 0.007234). Deoarece p-value < 0.05, rezultatul este statistic semnificativ.
Pentru că 0.7% < 5%, acest lucru înseamnă că probabilitatea ca această corelație să apară din întâmplare este foarte mică (aprox. 0.7%). Putem respinge ipoteza nulă (nu există nicio legătură reală între variabile) și putem trage concluzia că relația negativă observată este reală în populația studiată, nu este o eroare de eșantionare.
· (S = 1656298, aceasta este suma pătratelor diferențelor dintre ranguri, o valoare intermediară de calcul specifică algoritmului Spearman. Nu se interpretează direct în raport cu intensitatea relației, fiind utilă doar pentru calcularea p-value.)
În concluzie, există o tendință confirmată statistic - respondenții mai în vârstă au tendința de a obține scoruri ușor mai mici la OSVA2. Totuși, deoarece corelația este slabă (-0.1879882), vârsta nu este un predictor puternic. Adică, vârsta explică doar o mică parte din diferențele de scor, restul din diferențe se datorează altor factori (de exemplu, educația).
O parte dintre respondenții în vârstă pot avea scoruri mari, iar o parte din tineri pot avea scoruri mai mici. Distribuția scorurilor pentru tineri și pentru vârstnici se suprapune, astfel ca majoritatea vârstnicilor au scoruri care se regăsesc și la tineri.
4.2. Interpretarea Box Plot pentru această corelație
· Graficul ilustrează o corelație negativă - pe măsură ce vârsta crește, nivelul de acord scade, traversând toate valorile scalei Likert: de la Complet acord (7) la categoria sub 18 ani, trecând prin Neutru (4) la categoriile de vârstă 35-44 ani, 45-54 ani, 55-64 ani și ajungând la Dezacord (2) la categoria 65 de ani și peste.
· Intervalul Interquartilic (diferența dintre Q3 și Q1): Cutiile variază în înălțime, ceea ce arată că unele grupe de vârstă au opinii mai omogene (cutii mai scurte), în timp ce altele arată o dispersie mai mare a răspunsurilor (cutii mai înalte).
· Whiskers: Respondenții, indiferent de vârstă (mai puțin cei sub 18 ani) au oferit scoruri variate.
# Boxplot
data_demog <- data_demog %>%
mutate(
Varsta_Categorii = factor(
Varsta,
levels = c(0, 1, 2, 3, 4, 5, 6),
labels = c(
"Sub 18 ani",
"18-24 ani",
"25-34 ani",
"35-44 ani",
"45-54 ani",
"55-64 ani",
"65 ani și peste")))
ggplot(data_demog, aes(x = Varsta_Categorii, y = OSVA2, fill = Varsta_Categorii)) +
geom_boxplot(outlier.color = "gray50", outlier.shape = 16, outlier.size = 2) +
scale_y_continuous(
breaks = c(1, 2, 3, 4, 5, 6, 7),
labels = c(
"1-Total dezacord",
"2-Dezacord",
"3-Dezacord parțial",
"4-Neutru",
"5-Acord parțial",
"6-Acord",
"7-Complet acord"
),
limits = c(0.5, 7.5)
) +
labs(
title = "Distribuția pe Vârstă a variabilei Likert “Reducerea numărului de locuri de parcare\ndin București în favoarea spațiilor verzi este o măsură justificată”",
x = "Grupa de Vârstă",
y = "Nivel de Acord"
) +
scale_fill_brewer(palette = "Spectral", direction = -1) +
theme_minimal(base_size = 11) +
theme(
axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1),
axis.text.y = element_text(size = 8, hjust = 1),
legend.position = "none",
panel.grid.major.y = element_line(color = "gray90"),
panel.grid.minor = element_blank(),
plot.margin = margin(10, 20, 10, 10),
plot.title = element_text(hjust = 0.5, face = "bold", lineheight = 1.2)
) 
4.3. Interpretarea Heatmap pentru această corelație
Graficul confirmă aceeași concluzie: cu cât respondenții sunt mai tineri, cu atât nivelul de acord este mai ridicat.
· Cea mai intensă culoare (albastru închis) și cea mai mare valoare numerică (29) se regăsesc la intersecția grupei 18-24 ani cu valoarea 7 (Complet acord). Aceasta indică un consens ridicat în rândul tinerilor pentru aprobarea afirmației “Reducerea numărului de locuri de parcare din București în favoarea spațiilor verzi este o măsură justificată”.
· Pe măsură ce ne deplasăm spre dreapta (grupele cu vârstă mai mare), culorile se deschid spre galben în partea de sus a graficului (acord), iar intensitatea se mută în partea de jos, ceea ce indică o respingere a afirmației.
# Heatmap
heatmap_data_OSVA2_Varsta <- data_demog %>%
count(Varsta_Categorii, OSVA2, name = "Frecventa") %>%
mutate(
OSVA2 = factor(OSVA2),
text_color = ifelse(Frecventa > max(Frecventa) * 0.6, "white", "black")
)
heatmap_data_OSVA2_Varsta <- heatmap_data_OSVA2_Varsta %>%
mutate(OSVA2 = as.numeric(as.character(OSVA2)))
ggplot(heatmap_data_OSVA2_Varsta, aes(x = Varsta_Categorii, y = OSVA2, fill = Frecventa)) +
geom_tile(color = "white") +
geom_text(aes(label = Frecventa, color = text_color), fontface = "bold", size = 3.5) +
scale_fill_viridis_c(option = "plasma", direction = -1, name = "Frecvența") +
scale_color_identity() +
scale_y_continuous(
breaks = c(1, 2, 3, 4, 5, 6, 7),
labels = c(
"1-Total dezacord", "2-Dezacord", "3-Dezacord parțial",
"4-Neutru", "5-Acord parțial", "6-Acord", "7-Complet acord"
),
limits = c(0.5, 7.5),
expand = c(0, 0)
) +
labs(
title = "Frecvența răspunsurilor la variabila “Reducerea numărului de locuri de parcare\ndin București în favoarea spațiilor verzi este o măsură justificată” pe Vârstă",
x = "Grupa de Vârstă",
y = "Nivel de Acord"
) +
theme_minimal(base_size = 10) +
theme(
axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1),
axis.text.y = element_text(size = 7.5, hjust = 1),
plot.margin = margin(10, 25, 10, 10)
)
data <- read_csv("data.csv")
print(data)# A tibble: 203 × 98
CSV1_0 CSV1_1 CSV1_2 CSV1_3 CSV1_4 CSV1_5 CSV2 CSV3 FSV1_0 FSV1_1 FSV1_2
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 1 0 0 0 0 4 3 1 1 0
2 1 1 1 1 1 0 5 5 1 0 0
3 1 0 1 1 1 0 4 1 1 0 1
4 1 1 0 1 0 0 3 2 1 0 0
5 1 1 0 1 1 0 4 2 1 0 0
6 1 1 1 1 1 1 4 2 1 1 0
7 1 0 1 1 0 0 2 1 1 0 0
8 0 0 0 0 0 1 4 3 0 0 0
9 1 1 0 0 1 0 4 1 1 0 0
10 1 1 1 1 0 0 3 1 1 0 1
# ℹ 193 more rows
# ℹ 87 more variables: FSV1_3 <dbl>, FSV1_4 <dbl>, FSV2 <dbl>, FSV3 <dbl>,
# FSV4_0 <dbl>, FSV4_1 <dbl>, FSV4_2 <dbl>, FSV4_3 <dbl>, FSV4_4 <dbl>,
# FSV4_5 <dbl>, FSV4_6 <dbl>, FSV4_7 <dbl>, FSV4_8 <dbl>, ASV1 <dbl>,
# ASV2_0 <dbl>, ASV2_1 <dbl>, ASV2_2 <dbl>, ASV2_3 <dbl>, ASV2_4 <dbl>,
# ASV2_5 <dbl>, OSVA1 <dbl>, OSVA2 <dbl>, OSVA3 <dbl>, OSVA4 <dbl>,
# OSVA5 <dbl>, OSVN1 <dbl>, OSVN2 <dbl>, OSVN3 <dbl>, OSVN4 <dbl>, …# ----------------------------------------------------------------------
# DIMENSIUNEA 8 (NO FILTER)
# ----------------------------------------------------------------------
# 8.5 Rezidenta
#graficfrumiptgen
ggplot(data, aes(x = factor(Rezidenta))) +
geom_bar(fill = "darkgreen") +
labs(title = "Distribuția tipului de rezidență",
x = "Rezidență",
y = "Număr respondenți") +
theme_minimal()
Distribuția tipului de rezidență scoate în evidență modul în care respondenții sunt repartizați între diferite medii de locuire. Se poate observa o predominanță a anumitor tipuri de rezidență, care poate influența direct accesul la spațiile verzi. De exemplu, persoanele care locuiesc în mediul urban dens pot avea acces mai limitat la spații verzi extinse, comparativ cu cele din zone mai puțin aglomerate.
ggplot(data, aes(x = factor(Copii))) +
geom_bar(fill = "darkblue") +
labs(title = "Proporția respondenților care au copii",
x = "Are copii (0 = Nu, 1 = Da)",
y = "Număr respondenți") +
theme_minimal()
(Filtru: doar respondenții care au răspuns „Da” la întrebarea 8.6)
Analiză realizată de: Lucia, Franci
# ----------------------------------------------------------------------
# DIMENSIUNEA 9 (FILTER)
# ----------------------------------------------------------------------
# Filter: doar respondenti cu copii
data_copii <- data %>% filter(Copii == 1)
# 9.1 Varsta_copii
ggplot(data_copii, aes(x = factor(Varsta_copii))) +
geom_bar(fill = "darkgreen") +
labs(title = "Distribuția vârstei copiilor",
x = "Categorie vârstă",
y = "Număr respondenți") +
theme_minimal()
Când vine vorba de distribuția vârstei copiilor se poate observa o concentrare a răspunsurilor în anumite intervale, ceea ce sugerează că majoritatea respondenților au copii în etape similare de dezvoltare. Acest aspect este relevant deoarece nevoile și preferințele legate de spațiile verzi diferă în funcție de vârsta copiilor. De exemplu, copiii mai mici necesită spații sigure și amenajate, în timp ce copiii mai mari pot prefera spații mai variate și mai puțin structurate.
9.2 Tipuri de spații verzi preferate
# ----------------------------------------------------------------------
# 9.2 SVC1
# ----------------------------------------------------------------------
SVC1_plot <- data_copii %>%
select(SVC1_0, SVC1_1, SVC1_2, SVC1_3, SVC1_4, SVC1_5, SVC1_6) %>%
summarise(across(everything(), ~sum(. == 1, na.rm = TRUE))) %>%
pivot_longer(cols = everything(), names_to = "Varianta", values_to = "Voturi") %>%
mutate(Denumire = case_when(
Varianta == "SVC1_0" ~ "Parcuri amenajate",
Varianta == "SVC1_1" ~ "Parcuri naturale",
Varianta == "SVC1_2" ~ "Păduri",
Varianta == "SVC1_3" ~ "Locuri de joacă",
Varianta == "SVC1_4" ~ "Spații verzi mici",
Varianta == "SVC1_5" ~ "Altele",
Varianta == "SVC1_6" ~ "Nu știu"
))
#graficfrumiptgen
ggplot(SVC1_plot, aes(x = reorder(Denumire, Voturi), y = Voturi)) +
geom_col(fill = "darkgreen") +
coord_flip() +
labs(title = "Tipuri preferate de spații verzi",
x = "Categorie",
y = "Număr răspunsuri") +
theme_minimal()
#graficfrumiptgen
ggplot(SVC1_plot, aes(x = "", y = Voturi, fill = Denumire)) +
geom_col(width = 1) +
coord_polar("y") +
labs(title = "Distribuția preferințelor pentru spații verzi") +
theme_void()
Analiza preferințelor indică o orientare clară către parcurile amenajate, acestea fiind cele mai frecvent selectate de respondenți. Această tendință sugerează importanța infrastructurii adecvate pentru familiile cu copii care caută spații sigure, accesibile și dotate cu facilități specifice precum locuri de joacă, alei și zone de odihnă. În contrast, opțiunile precum pădurile sau spațiile verzi mai puțin amenajate sunt alese într-o măsură mai redusă, ceea ce poate reflecta preocupări legate de siguranță, accesibilitate sau lipsa facilităților. Distribuția procentuală confirmă aceste tendințe, evidențiind diferențe clare între opțiuni.
# ----------------------------------------------------------------------
# 9.3 SVC2
# ----------------------------------------------------------------------
#graficfrumiptgen
ggplot(data_copii, aes(x = SVC2)) +
geom_histogram(binwidth = 1, fill = "darkgreen", color = "white") +
labs(title = "Distribuția accesibilității spațiilor verzi",
x = "Scor",
y = "Frecvență") +
theme_minimal()
freq_SVC2 <- data_copii %>%
count(SVC2)
#graficfrumiptgen
ggplot(freq_SVC2, aes(x = factor(SVC2), y = n)) +
geom_col(fill = "darkblue") +
labs(title = "Frecvența scorurilor de accesibilitate",
x = "Scor",
y = "Număr respondenți") +
theme_minimal()
#graficfrumiptgen
ggplot(freq_SVC2, aes(x = "", y = n, fill = factor(SVC2))) +
geom_col(width = 1) +
coord_polar("y") +
labs(title = "Distribuția procentuală a accesibilității",
fill = "Scor") +
theme_void()
Rezultatele privind accesibilitatea indică o distribuție neuniformă a scorurilor, cu o concentrare semnificativă în zona valorilor scăzute. Acest lucru sugerează că o parte importantă a respondenților percep dificultăți în utilizarea spațiilor verzi, în special în ceea ce privește accesul cu cărucioare, biciclete sau alte mijloace necesare familiilor cu copii. Frecvențele evidențiază acest problemă, iar reprezentarea procentuală confirmă predominanța evaluărilor mai puțin favorabile. Aceste rezultate pot indica necesitatea unor îmbunătățiri în infrastructura urbană, astfel încât spațiile verzi să devină mai accesibile și mai incluzive pentru toate categoriile de utilizatori.
9.4 Am încredere să-mi las copilul să se joace/să exploreze nesupravegheat spațiile verzi. (SVC3 – Franci)
data <- read.csv("data.csv")
summary(data$SVC3) Min. 1st Qu. Median Mean 3rd Qu. Max.
0.0000 0.0000 0.0000 0.7241 0.0000 7.0000 freq_SVC3 <- data %>%
count(SVC3) %>%
mutate(Procent = round(n / sum(n) * 100, 1))
print(freq_SVC3) SVC3 n Procent
1 0 167 82.3
2 1 7 3.4
3 2 1 0.5
4 3 3 1.5
5 4 11 5.4
6 5 6 3.0
7 6 1 0.5
8 7 7 3.4desc_SVC3 <- data %>%
summarise(
N = sum(!is.na(SVC3)),
Media = round(mean(SVC3, na.rm = TRUE), 2)
)
print(desc_SVC3) N Media
1 203 0.72ggplot(data, aes(x = factor(SVC3))) +
geom_bar(fill = "darkgreen") +
labs(
title = "Am încredere să-mi las copilul să se joace/să exploreze nesupravegheat spațiile verzi.",
subtitle = paste0(
"Media = ", desc_SVC3$Media,
" | N = ", desc_SVC3$N
),
x = "Scor (0= Fara copii, 1 = Total dezacord, 7 = Complet de acord)",
y = "Număr respondenți"
) +
theme_minimal()
Rezultatele arată că majoritatea respondenților nu au copii, motiv pentru care au selectat categoria „0 – Fără copii”.
În rândul respondenților care au copii și au evaluat afirmația, se observă o tendință generală de încredere moderată spre ridicată în posibilitatea de a-și lăsa copilul să se joace sau să exploreze nesupravegheat spațiile verzi. Răspunsurile negative sunt puține, iar scorurile de acord (4–7) predomină, sugerând o percepție relativ favorabilă asupra siguranței și adecvării acestor spații pentru activitățile independente ale copiilor.
9.5 Ce pericole/riscuri considerați că există în spațiile verzi pe care le frecventați împreună cu copilul dumneavoastră? (SVC4 – Franci)
Pericole_spații_verzi_copii <- data %>%
select(SVC4_0, SVC4_1, SVC4_2, SVC4_3, SVC4_4, SVC4_5, SVC4_6) %>%
summarise(across(everything(), ~sum(. == 1, na.rm = TRUE))) %>%
pivot_longer(cols = everything(), names_to = "Varianta", values_to = "Voturi") %>%
mutate(Denumire = case_when(
Varianta == "SVC4_0" ~ "Fără copii",
Varianta == "SVC4_1" ~ "Echipamente de joacă stricate/ruginite",
Varianta == "SVC4_2" ~ "Lipsa aleilor/alei abrupti",
Varianta == "SVC4_3" ~ "Vegetație necontrolată",
Varianta == "SVC4_4" ~ "Câini fără stăpân",
Varianta == "SVC4_5" ~ "Lipsa iluminării/iluminare slabă",
Varianta == "SVC4_6" ~ "Altele"
)) %>%
mutate(Denumire = reorder(Denumire, Voturi))
ggplot(Pericole_spații_verzi_copii, aes(x = Voturi, y = Denumire, fill = Voturi)) +
geom_col() +
geom_text(aes(label = Voturi), hjust = -0.2, size = 4, fontface = "bold") +
scale_fill_gradient(low = "#A2CD5A", high = "#458B00") +
labs(title = "Ce pericole/riscuri considerați că există în spațiile verzi pe care le frecventați împreună cu copilul dumneavoastră?",
x = "Număr de alegeri", y = "Variante") +
theme_minimal() +
theme(legend.position = "none")
Din totalul celor 203 respondenți, 167 au selectat opțiunea „Fără copii”, ceea ce indică faptul că aproximativ 82,3% din eșantion nu au copii și nu pot evalua direct riscurile asociate utilizării spațiilor verzi împreună cu aceștia.
În rândul respondentilor care au copii, rezultatele indică faptul că principalele riscuri percepute în spațiile verzi frecventate împreună cu copiii sunt asociate în primul rând cu starea necorespunzătoare a infrastructurii și cu nivelul de întreținere al acestor spații. Cele mai frecvente probleme semnalate sunt echipamentele de joacă deteriorate sau ruginite (80,6%), vegetația necontrolată (52,8%) și iluminarea insuficientă (47,2%). Într-o măsură mai redusă, respondenții menționează lipsa aleilor adecvate (36,1%) și prezența câinilor fără stăpân (33,3%). Aceste rezultate sugerează necesitatea unor intervenții de întreținere și modernizare care să contribuie la creșterea siguranței și confortului utilizatorilor, în special al copiilor.
9.6 Contactul cu spațiile verzi îl ajută pe copilul meu să înțeleagă mai bine natura și mediul înconjurător. (SVC5 – Franci)
summary(data$SVC5) Min. 1st Qu. Median Mean 3rd Qu. Max.
0.000 0.000 0.000 1.099 0.000 7.000 freq_SVC5 <- data %>%
count(SVC5) %>%
mutate(Procent = round(n / sum(n) * 100, 1))
print(freq_SVC5) SVC5 n Procent
1 0 167 82.3
2 1 1 0.5
3 4 4 2.0
4 5 2 1.0
5 6 7 3.4
6 7 22 10.8desc_SVC5 <- data %>%
summarise(
N = sum(!is.na(SVC5)),
Media = round(mean(SVC5, na.rm = TRUE), 2)
)
print(desc_SVC5) N Media
1 203 1.1ggplot(data, aes(x = factor(SVC5))) +
geom_bar(fill = "darkblue") +
labs(
title = "Contactul cu spațiile verzi îl ajută pe copilul meu să înțeleagă mai bine natura și mediul înconjurător.",
subtitle = paste0(
"Media = ", desc_SVC5$Media,
" | N = ", desc_SVC5$N
),
x = "Scor (0= Fara copii, 1 = Total dezacord, 7 = Complet de acord)",
y = "Număr respondenți"
) +
theme_minimal()
Se observă că majoritatea respondenților (aproximativ 170 de persoane) au selectat opțiunea 0, ceea ce indică faptul că nu au copii și, prin urmare, nu au evaluat afirmația. Dintre respondenții care au copii, răspunsurile sunt concentrate în zona acordului, cele mai frecvente fiind scorurile 7 (complet de acord) și 6 (în mare măsură de acord). Numărul răspunsurilor care exprimă dezacord este foarte redus, iar scorurile intermediare apar sporadic.
Media variabilei este 1,1, însă această valoare este influențată de numărul mare de răspunsuri care aparțin categoriei „0 – Fără copii”, motiv pentru care nu reflectă întru totul opinia părinților. Analizând doar răspunsurile valide ale persoanelor cu copii, se poate observa o tendință clară de apreciere a rolului educativ al spațiilor verzi.
Datele sugerează că părinții care au răspuns la întrebare consideră, în mare măsură, că interacțiunea copiilor cu spațiile verzi contribuie la o mai bună înțelegere a naturii și a mediului înconjurător. Distribuția răspunsurilor indică un nivel ridicat de acord față de această afirmație și foarte puține opinii negative.
9.7 Consider că lipsa accesului la spații verzi variate afectează negativ dezvoltarea copilului. (SVC6 – Franci)
data <- read.csv("data.csv")
summary(data$SVC6) Min. 1st Qu. Median Mean 3rd Qu. Max.
0.000 0.000 0.000 1.108 0.000 7.000 freq_SVC6 <- data %>%
count(SVC6) %>%
mutate(Procent = round(n / sum(n) * 100, 1))
print(freq_SVC6) SVC6 n Procent
1 0 167 82.3
2 1 1 0.5
3 4 2 1.0
4 5 5 2.5
5 6 5 2.5
6 7 23 11.3desc_SVC6 <- data %>%
summarise(
N = sum(!is.na(SVC6)),
Media = round(mean(SVC6, na.rm = TRUE), 2)
)
print(desc_SVC6) N Media
1 203 1.11ggplot(data, aes(x = factor(SVC6))) +
geom_bar(fill = "lightgreen") +
labs(
title = "Consider că lipsa accesului la spații verzi variate afectează negativ dezvoltarea copilului.",
subtitle = paste0(
"Media = ", desc_SVC6$Media,
" | N = ", desc_SVC6$N
),
x = "Scor (0 = Fără copii, 1 = Total dezacord, 7 = Complet de acord)",
y = "Număr respondenți"
) +
theme_minimal()
Dintre respondenții care au copii și au exprimat o opinie, răspunsurile sunt puternic orientate către acord. Scorul 7 (complet de acord) este cel mai frecvent, fiind ales de aproximativ 22 respondenți (10,8% din totalul eșantionului). Alte răspunsuri sunt distribuite la scorurile 6 (3,9%), 4 ( 2,5%), respectiv 1 și 5 (1%).
Datele indică faptul că, în rândul respondenților care au oferit un răspuns valid pe scală, predomină acordul cu afirmația că lipsa accesului la spații verzi variate poate afecta negativ dezvoltarea copilului, răspunsurile fiind concentrate în special la nivelurile ridicate ale scalei (6 și 7).
Totuși, interpretarea mediei (1,1) trebuie făcută cu prudență deoarece majoritatea cazurilor aparțin categoriei „0 – Fără copii”, care influențează puternic distribuția și valoarea medie.
9.8 Este important pentru mine ca școala/grădinița să includă activități în spații verzi. (SVC7 – Franci)
summary(data$SVC7) Min. 1st Qu. Median Mean 3rd Qu. Max.
0.000 0.000 0.000 1.177 0.000 7.000 freq_SVC7 <- data %>%
count(SVC7) %>%
mutate(Procent = round(n / sum(n) * 100, 1))
print(freq_SVC7) SVC7 n Procent
1 0 167 82.3
2 1 1 0.5
3 5 2 1.0
4 6 3 1.5
5 7 30 14.8desc_SVC7 <- data %>%
summarise(
N = sum(!is.na(SVC7)),
Media = round(mean(SVC7, na.rm = TRUE), 2)
)
print(desc_SVC7) N Media
1 203 1.18ggplot(data, aes(x = factor(SVC7))) +
geom_bar(fill = "lightblue") +
labs(
title = "Este important pentru mine ca școala/grădinița să includă activități în spații verzi (lecții în natură, grădinărit, observarea plantelor și animalelor, etc.).",
subtitle = paste0(
"Media = ", desc_SVC7$Media,
" | N = ", desc_SVC7$N
),
x = "Scor (0= Fara copii, 1 = Total dezacord, 7 = Complet de acord)",
y = "Număr respondenți"
) +
theme_minimal()
Rezultatele indică un nivel foarte ridicat de susținere pentru includerea activităților desfășurate în spații verzi în procesul educațional. Majoritatea respondenților care au copii au ales valoarea maximă a scalei (7 – complet de acord), în timp ce răspunsurile intermediare (1, 5 și 6) sunt foarte puțin reprezentate. De asemenea, o parte importantă dintre participanți se regăsesc în categoria „0 – fără copii”, ceea ce explică concentrarea răspunsurilor la această valoare.
Valoarea medie (1,18) este influențată semnificativ de numărul mare de persoane fără copii și nu reflectă nivelul real de susținere al părinților.
Datele evidențiază că, în rândul respondenților care au copii, există un consens puternic privind importanța integrării activităților educaționale desfășurate în natură și în spații verzi în cadrul școlii sau grădiniței.