Título o pie de foto de tu imagen

Título o pie de foto de tu imagen

INTRODUCCIÓN

El presente informe tiene como propósito analizar el comportamiento y la distribución de las infracciones de tránsito registradas en la base de datos de comparendos correspondientes al año 2010 en la ciudad de Barranquilla. Mediante el uso de herramientas de procesamiento de datos y visualización analítica en R , se examinan los patrones de comportamiento vial, las faltas de mayor recurrencia, los tipos de vehículos implicados y el impacto financiero generado según el género o perfil del infractor durante los meses de abril y mayo. Este diagnóstico permite comprender la dinámica de la movilidad urbana y ofrece insumos clave fundamentados en evidencia para el fortalecimiento de la fiscalización y la toma de decisiones en seguridad vial.

bibliotecas utilizadas

#Permite importar y leer archivos de Excel
library(readxl)
#Se utiliza para diseñar y construir gráficos estadísticos personalizados por capas.
library(ggplot2)
#Facilita la manipulación, filtrado, conteo y organización rápida de los datos en las tablas.
library(dplyr)

Análisis y Resultados de los Gráficos

Multas Frecuentes por Vehículo (Auto vs. Moto)

# 1. Carga tu base de datos 
BD_Comparendos_OK_TAD_LIMPIO_version_1_5_ <- read_excel("C:/Users/cabar/Downloads/BD Comparendos OK$ - TAD LIMPIO (version 1) (5).xlsx")

# 2. Agrupar y contar los datos por infracción y tipo de vehículo
bd<- BD_Comparendos_OK_TAD_LIMPIO_version_1_5_ %>%
  count(`NOM.INFRACCION`, VEHICULO)

# 3. Crear el gráfico de barras horizontales
ggplot(bd, aes(x = reorder(`NOM.INFRACCION`, n), y = n, fill = VEHICULO)) +
  geom_bar(stat = "identity", position = "dodge") +
  scale_fill_manual(values = c("AUTO" = "#1f4e78", "MOTO" = "#85c1e9")) +
  coord_flip() +
  labs(title = "MULTAS FRECUENTES POR VEHICULO",
       x = "Infracción",
       y = "Cantidad",
       fill = "Vehículo") +
  theme_minimal()

# 1. Agrupar y contar los datos por infracción y tipo de vehículo (igual que el gráfico)
bd_tabla <- BD_Comparendos_OK_TAD_LIMPIO_version_1_5_ %>%
  count(`NOM.INFRACCION`, VEHICULO, name = "Cantidad")

# 2. Mostrar la tabla formateada
knitr::kable(bd_tabla, 
      col.names = c("Infracción", "Vehículo", "Cantidad"),
      caption = "Resumen de multas frecuentes por tipo de vehículo")
Resumen de multas frecuentes por tipo de vehículo
Infracción Vehículo Cantidad
No detenerse ante una luz roja o amarilla AUTO 364
No detenerse ante una luz roja o amarilla MOTO 21
No respetar el paso de peatones AUTO 105
Transitar en sentido contrario AUTO 2
Transitar en sentido contrario MOTO 2
velocidad superior a la maxima permitida AUTO 1467
velocidad superior a la maxima permitida MOTO 159

Este gráfico de barras horizontales, complementado con la tabla de frecuencias, muestra la cantidad exacta de infracciones cometidas según el tipo de vehículo involucrado (AUTO y MOTO):

Velocidad superior a la maxima permitida Registra un total de 1.467 infracciones, posicionándose de forma abrumadora como la falta más cometida por los conductores de automóviles y 159 en motocicletas.

Los automóviles acaparan abrumadoramente las multas en las categorías críticas (velocidad y semáforos), mientras que las motocicletas presentan incidencias notablemente más bajas en estas faltas

Identificación con más multas

# 1. Contar la cantidad de registros por tipo de identificación
datos_id <- BD_Comparendos_OK_TAD_LIMPIO_version_1_5_ %>%
  count(`TIPO DE IDENTIFICACION`)

# 2. Crear el gráfico de líneas y puntos
ggplot(datos_id, aes(x = `TIPO DE IDENTIFICACION`, y = n, group = 1)) +
  geom_line(color = "steelblue", linewidth = 1.5) +
  geom_point(color = "steelblue", size = 3) +
  labs(title = "IDENTIFICACION CON MAS MULTAS",
       x = "Tipo de Identificación",
       y = "Cantidad") +
  theme_minimal()

Hallazgo: La representación de las multas según el documento de identificación muestra una concentración abrumadora en una categoría específica (predominantemente la cédula de ciudadanía frente a otras formas de identificación como NIT o cédula de extranjería).

Interpretación: Esto refleja fielmente la composición demográfica de los conductores sancionados: la gran mayoría de los comparendos son impuestos a personas naturales residentes que conducen vehículos particulares o de uso personal, dejando un margen menor para personas jurídicas o extranjeros.

top 10 mujeres con mas comparendos

# 1. Filtrar mujeres y obtener el top 10 (reemplaza 'EJECUTADO' por tu columna real de nombres si es necesario)
top_mujeres <- BD_Comparendos_OK_TAD_LIMPIO_version_1_5_ %>%
  filter(GENERO == "MUJER") %>%
  count(`EJECUTADO`) %>% 
  slice_max(n, n = 10)

# 2. Crear el gráfico de barras horizontales con etiquetas de datos
ggplot(top_mujeres, aes(x = reorder(`EJECUTADO`, n), y = n)) +
  geom_col(fill = "skyblue", color = "black") +
  geom_text(aes(label = n), hjust = -0.3, size = 3.5, fontface = "bold") + # <--- Esto agrega las etiquetas
  coord_flip() +
  labs(title = "TOP 10 MUJERES CON MAS INFRACCIONES",
       x = "Nombre",
       y = "Cantidad") +
  theme_minimal()

El ranking de las mujeres con mayor número de infracciones acumuladas muestra una curva donde unas pocas conductoras concentran múltiples comparendos, mientras que el resto mantiene una frecuencia menor pero constante,mostrando a 8 mujeres con alrededor de 5 a 9 multas y las sobrantes sobrepasando dicha cantidad

Veiculo con mas infracciones por mes

# 1. Sumar el total a pagar agrupado por vehículo, mes y género
datos_veh_mes <- BD_Comparendos_OK_TAD_LIMPIO_version_1_5_ %>%
  group_by(VEHICULO, `NOM MES`, GENERO) %>%
  summarise(total_pagar = sum(TOTAL_A_PAGAR, na.rm = TRUE))

# 2. Crear el gráfico de barras agrupadas con paneles por mes
ggplot(datos_veh_mes, aes(x = VEHICULO, y = total_pagar, fill = GENERO)) +
  geom_bar(stat = "identity", position = "dodge") +
  scale_fill_manual(values = c("EMPRESA" = "#85c1e9", 
                               "HOMBRE" = "#2e86c1", 
                               "MUJER" = "#1b4f72")) +
  facet_wrap(~ `NOM MES`) +
  labs(title = "VEHICULO CON MAS INFRACCIONES POR MES",
       x = "Vehículo",
       y = "Total a Pagar ($)",
       fill = "Género / Empresa") +
  theme_minimal()

# 1. Agrupar por vehículo, mes y género (coincidiendo con el gráfico)
datos_veh_mes <- BD_Comparendos_OK_TAD_LIMPIO_version_1_5_ %>%
  group_by(VEHICULO, `NOM MES`, GENERO) %>%
  summarise(total_pagar = sum(TOTAL_A_PAGAR, na.rm = TRUE), .groups = "drop")

# 2. Mostrar la tabla limpia con el género incluido
knitr::kable(datos_veh_mes, 
      col.names = c("Vehículo", "Mes", "Género / Empresa", "Total a Pagar ($)"),
      caption = "Tabla de multas por veiculos")
Tabla de multas por veiculos
Vehículo Mes Género / Empresa Total a Pagar ($)
AUTO ABRIL EMPRESA 94245000
AUTO ABRIL HOMBRE 109695000
AUTO ABRIL MUJER 123600000
AUTO MAYO EMPRESA 137505000
AUTO MAYO HOMBRE 192610000
AUTO MAYO MUJER 340415000
MOTO ABRIL EMPRESA 3090000
MOTO ABRIL HOMBRE 20085000
MOTO ABRIL MUJER 15965000
MOTO MAYO EMPRESA 5665000
MOTO MAYO HOMBRE 29355000
MOTO MAYO MUJER 19570000

En el grafico y tabla se puede notar que -La parte automovilistica concentra la mayor carga económica en multas de tránsito, superando por amplias proporciones a las motocicletas en ambos meses. -La categoría con mayor impacto financiero de todo el estudio corresponde a las mujeres en automóviles durante mayo, alcanzando la cifra récord de $340.415.000

Interpretación: Los meses analizados muestran variaciones financieras importantes en las sanciones impuestas, lo que ayuda a entender el impacto económico que las multas de tránsito generan sobre los diferentes sectores de conductores a lo largo del tiempo.

Total de comparendo por mes

bd <- BD_Comparendos_OK_TAD_LIMPIO_version_1_5_

bd %>% 
  count(`NOM MES`) %>% 
  ggplot(aes(x = `NOM MES`, y = n)) + 
  geom_col(fill = "skyblue", color = "black") + 
  geom_text(aes(label = n), vjust = -0.4) + 
  labs(title = "Comparendos por mes", x = "Mes", y = "Cantidad") + 
  theme_minimal()

El análisis de la distribución temporal de los comparendos procesados en la base de datos permite observar una marcada diferencia en el volumen de infracciones registradas entre los dos meses evaluados:

Mes de Abril: Se contabilizaron un total de 712 comparendos, estableciendo el volumen base más bajo del periodo analizado.
Mes de Mayo: Se registró un total de 1.408 comparendos, lo que evidencia un incremento sustancial en la cantidad de sanciones impuestas en las vías

Distribucion de comparendos por mes

# 1. Calcular los porcentajes y crear la columna de la etiqueta
datos_torta <- BD_Comparendos_OK_TAD_LIMPIO_version_1_5_ %>%
  count(`NOM MES`, GENERO) %>%
  mutate(categoria = paste(`NOM MES`, GENERO),
         porcentaje = n / sum(n) * 100,
         etiqueta = paste0(round(porcentaje, 1), "%")) # Redondea a 1 decimal y añade '%'

# 2. Crear el gráfico de pastel con las etiquetas
ggplot(datos_torta, aes(x = "", y = porcentaje, fill = categoria)) +
  geom_bar(stat = "identity", width = 1, color = "white") + # Borde blanco opcional para separar secciones
  coord_polar("y", start = 0) +
  scale_fill_manual(values = c(
    "ABRIL EMPRESA" = "#d4e6f1", 
    "ABRIL HOMBRE"  = "#85c1e9", 
    "ABRIL MUJER"   = "#3498db", 
    "MAYO EMPRESA"  = "#2e86c1", 
    "MAYO HOMBRE"   = "#1b4f72", 
    "MAYO MUJER"    = "#154360")) +
  geom_text(aes(label = etiqueta), 
            position = position_stack(vjust = 0.5), # Centra el texto dentro de cada porción
            color = "white",                        # Color del texto (blanco para que resalte)
            fontface = "bold",                      # Texto en negrita
            size = 4) +                             # Tamaño del texto
  labs(title = "REPRESENTACION DE VEHICULOS POR MES",
       fill = "Categoría") +
  theme_void()

El gráfico circular (o de pastel) muestra la distribución porcentual de los comparendos combinando el mes de ocurrencia y el perfil o género del infractor/empresa, reflejando el peso relativo de cada segmento dentro del total analizado:

Periodo de Abril:

Abril - Empresa: Representa el 8.9% del total de la muestra.

Abril - Hombre: Constituye el 11.9%.

Abril - Mujer: Alcanza el 12.8%.

Periodo de Mayo:

Mayo - Empresa: Representa el 13.1%.

Mayo - Hombre: Constituye el 20.3%.

Mayo - Mujer: Se posiciona como la categoría con mayor participación, abarcando el 33.0% de toda la distribución.

CONCLUCION

El análisis exhaustivo de la base de datos de comparendos de 2010 permite sintetizar los siguientes hallazgos clave:

  1. Se registró un incremento crítico en la fiscalización de un mes a otro, pasando de 712 comparendos en abril a 1,408 en mayo, lo que representa un aumento absoluto de 696 sanciones y una variación porcentual del 97.7% (prácticamente duplicando la operatividad sancionatoria).

2.La falta por velocidad superior a la máxima permitida se posiciona como la infracción predominante en las vías, registrando 1,467 casos en automóviles y 159 en motocicletas. En segundo lugar se ubica la infracción por no detenerse ante una luz roja o amarilla, con 364 comparendos en autos frente a 21 en motos.

3.Los automóviles representan la mayor carga económica acumulada. Durante el mes de mayo, la categoría de mujeres en automóviles alcanzó el pico financiero más alto del estudio con un total a pagar de $340,415,000, seguida por los hombres en automóviles con $192,610,000. En contraste, las motocicletas registraron montos significativamente menores, alcanzando su máximo en el segmento masculino con $29,355,000 en mayo.

4.La participación relativa refleja que el mes de mayo concentró el 66.4% de la representatividad total de comparendos, donde la categoría Mayo - Mujer lideró con el 33.0% de la muestra general, seguida por Mayo - Hombre (20.3%) y Mayo - Empresa (13.1%).

Título o pie de foto de tu imagen

Título o pie de foto de tu imagen