TAB 6: Principales formas de eliminación de basura, uso de leña para cocinar y principales formas de obtener la leña

SOBRE EL TAB

(explicar brevemente que se analiza en el tab que les toco)

REPRODUCCIÓN DE RESULTADOS

En primer lugar se importaron las librerías y se seleccionaron las preguntas que correspondian al tab del Excel.

library(haven)
library(dplyr)
FormasDe<- read_sav("~/Data Science/Proyecto 2/hogares.sav")
FormasDe  <- select(FormasDe, DEPTO, AREA, POBREZA, P01D21, P01D27, P01D28)
names(FormasDe) <- c("Departamento", "Area", "Pobreza", "EliminarBasura", "UsaLenia", "ObtenerLenia")
FormasDe$ObtenerLenia[is.nan(FormasDe$ObtenerLenia)] <- 0
FormasDe <-FormasDe[complete.cases(FormasDe),]
FormasDe$Departamento <- as.factor(FormasDe$Departamento)
FormasDe$Area  <- as.factor(FormasDe$Area)
FormasDe$Pobreza  <- as.factor(FormasDe$Pobreza)
levels(FormasDe$Departamento)<- c("Guatemala", "El Progreso", "Sacatepequez", "Chimaltenango", "Escuintla", "Santa Rosa", "Solola", "Totonicapan", "Quetzaltenango", "Suchitepequez", "Retalhuleu", "San Marcos", "Huehuetenango", "Quiche", "Baja Verapaz", "Alta Verapaz", "Peten", "Izabal", "Zacapa", "Chiquimula", "Jalapa", "Jutiapa")
levels(FormasDe$Area)<- c("Urbana", "Rural")
levels(FormasDe$Pobreza) <- c ("Pobre extremo", "Pobre no extremo", "No pobre")

A continuación se reprodujeron los resultados de formas de eliminar la basura cuyas opciones son servicio municipal o quemarla. Se hizo en total, por área (rural y urbana), por nivel de pobreza y por departamento.

FormasDe_Total <- FormasDe %>%
  summarise(Servicio_Municipal = sum(ifelse(EliminarBasura==1,1,0))/n()*100, Quemar  = sum(ifelse(EliminarBasura==3,1,0))/n()*100)
FormasDe_Total
FormasDe_Area <- FormasDe %>%
  group_by(Area) %>%
  summarise(Servicio_Municipal = sum(ifelse(EliminarBasura==1,1,0))/n()*100, Quemar  = sum(ifelse(EliminarBasura==3,1,0))/n()*100)
FormasDe_Area
FormasDe_Pobreza <- FormasDe %>%
  group_by(Pobreza) %>%
  summarise(Servicio_Municipal = sum(ifelse(EliminarBasura==1,1,0))/n()*100, Quemar  = sum(ifelse(EliminarBasura==3,1,0))/n()*100)
FormasDe_Pobreza
FormasDe_Dep <- FormasDe %>%
  group_by(Departamento) %>%
  summarise(Servicio_Municipal = sum(ifelse(EliminarBasura==1,1,0))/n()*100, Quemar  = sum(ifelse(EliminarBasura==3,1,0))/n()*100)
FormasDe_Dep

Luego, se sacaron los porcentajes sobre las personas que usan leña para cocinar.

UsaLenia_Total <- FormasDe %>%
  summarise(UsaLenia = sum(ifelse(UsaLenia==1,1,0))/n()*100)
UsaLenia_Total
UsaLenia_Area <- FormasDe %>%
  group_by(Area)%>%
  summarise(UsaLenia = sum(ifelse(UsaLenia==1,1,0))/n()*100)
UsaLenia_Area
UsaLenia_Pobreza <- FormasDe %>%
  group_by(Pobreza)%>%
  summarise(UsaLenia = sum(ifelse(UsaLenia==1,1,0))/n()*100)
UsaLenia_Pobreza
UsaLenia_Departamento <- FormasDe %>%
  group_by(Departamento)%>%
  summarise(UsaLenia = sum(ifelse(UsaLenia==1,1,0))/n()*100)
UsaLenia_Departamento

Por último, se reprodujeron los resultados relacionados con la forma de obtener leña que es comprarla o recojerla.

FormasLenia_Total <- FormasDe %>%
  filter(UsaLenia==1)%>%
  summarise(Comprada = sum(ifelse(ObtenerLenia==1,1,0))/n()*100, Recogida = sum(ifelse(ObtenerLenia==4,1,0))/n()*100)
FormasLenia_Total
FormasLenia_Area <- FormasDe %>%
  filter(UsaLenia==1)%>%
  group_by(Area) %>%
  summarise(Comprada = sum(ifelse(ObtenerLenia==1,1,0))/n()*100, Recogida = sum(ifelse(ObtenerLenia==4,1,0))/n()*100)
FormasLenia_Area
FormasLenia_Pobreza <- FormasDe %>%
  filter(UsaLenia==1)%>%
  group_by(Pobreza) %>%
  summarise(Comprada = sum(ifelse(ObtenerLenia==1,1,0))/n()*100, Recogida = sum(ifelse(ObtenerLenia==4,1,0))/n()*100)
FormasLenia_Pobreza
FormasLenia_Dep <- FormasDe %>%
  filter(UsaLenia==1)%>%
  group_by(Departamento) %>%
  summarise(Comprada = sum(ifelse(ObtenerLenia==1,1,0))/n()*100, Recogida = sum(ifelse(ObtenerLenia==4,1,0))/n()*100)
FormasLenia_Dep

ANÁLISIS

Se decidió hacer summary de las tablas más importantes para encontrar estadísticas relevantes.

summary(FormasDe_Dep)
        Departamento Servicio_Municipal     Quemar     
 Guatemala    : 1    Min.   : 2.293     Min.   :10.63  
 El Progreso  : 1    1st Qu.:11.027     1st Qu.:48.43  
 Sacatepequez : 1    Median :13.788     Median :53.16  
 Chimaltenango: 1    Mean   :17.286     Mean   :52.88  
 Escuintla    : 1    3rd Qu.:25.564     3rd Qu.:64.99  
 Santa Rosa   : 1    Max.   :42.807     Max.   :84.48  
 (Other)      :16                                      
summary(FormasLenia_Dep)
        Departamento    Comprada        Recogida    
 Guatemala    : 1    Min.   :18.62   Min.   :20.39  
 El Progreso  : 1    1st Qu.:29.32   1st Qu.:28.72  
 Sacatepequez : 1    Median :43.30   Median :40.15  
 Chimaltenango: 1    Mean   :43.91   Mean   :41.81  
 Escuintla    : 1    3rd Qu.:56.58   3rd Qu.:55.64  
 Santa Rosa   : 1    Max.   :67.76   Max.   :63.10  
 (Other)      :16                                   
summary(UsaLenia_Departamento)
        Departamento    UsaLenia    
 Guatemala    : 1    Min.   :29.12  
 El Progreso  : 1    1st Qu.:74.29  
 Sacatepequez : 1    Median :84.78  
 Chimaltenango: 1    Mean   :80.25  
 Escuintla    : 1    3rd Qu.:90.43  
 Santa Rosa   : 1    Max.   :96.34  
 (Other)      :16                   

GRÁFICAS

En primer lugar se decidió analizar mediante una gráfica las formas de tirar basura por área.

grafica_area <- FormasDe_Area %>% gather(Forma.Eliminar, Porcentaje, -Area)
ggplot(data=grafica_area, aes(x=Area, y=Porcentaje, fill=Forma.Eliminar)) + geom_bar(stat="identity", position="stack") + labs(x="Área", title="Forma de Eliminar Basura por Área")

Se hizo una gráfica sobre las formas de recoger leña por departamento.

grafica_dep <- FormasLenia_Dep %>% gather(Forma.de.Conseguir.Lenia, Cantidad, -Departamento)
grafica_dep$Forma.de.Conseguir.Lenia <- factor(grafica_dep$Forma.de.Conseguir.Lenia)
grafica_dep$Cantidad <- as.numeric(grafica_dep$Cantidad) / 100
grafica_dep %>% ggplot(aes(Departamento, Cantidad)) +
    geom_col(aes(fill = Forma.de.Conseguir.Lenia, group = Forma.de.Conseguir.Lenia), position = "nudge") +
    theme(axis.text.x = element_text(angle = 90))

CONCLUSIONES

  1. En Guatemala las dos formas de eliminar basura son por medio del servicio municipal o por medio de la quema. Lo que se puede ver en las tablas y en la gráfica es que el servicio municipal es más usado en el área urbana y que en el área rural predomina la práctica de la quema. Esto se debe a que los servicios municipales solo están desarrollados en la ciudad y pueblos grandes, y también porque la gente tiene la cultura de quemar la basura.
  2. La gran mayoría de los guatemaltecos usan la leña para cocinar, alrededor del 80%. Estos porcentajes son aún mayores en las áreas rurales y entre las personas con nivel de pobreza alto. Esto se debe a que acceder a una estufa eléctrica o a gas implica una gran suma de dinero para muchos.
  3. Después de establecer que una gran mayoría usa leña, se debía determinar si compraban la leña o si la recogían. Lo que se oberva en la última gráfica es que la mayoría la recogen. Solo en departamentos como Guatemala, Sacatepéquez y Quetzaltenango hay bastante gente que la compra.
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