Linkedin: Mauricio Márquez Goa

INDICE

DESARROLLO

PRESENTACION

El programa Sube y Baja desarrollado por la SECCCYFP del GCBA se implementó durante el 2018 en 71 escuelas mejorando la convivencia en el tránsito de los barrios. Su horario de implementación fue primordialmente a la hora de ingreso de los alumnos, este horario transcurre entre las 6:30 am y las 9:00 am. En el siguiente reportaje se puede comprender en que consiste el programa:

En Europa existen planes similares como lo son “Kiss & Ride” pero difieren del programa Sube y Baja al no tener el acompañamiento ni la colaboración de los padres de los niños ni de la seguridad brindada por los organismos de tránsito, sino que se dispone un área donde se prohíbe estacionar en el horario de entrada y salida en los colegios además que sólo se puede detener para dejar o recoger los niños en las áreas demarcadas por no más de 5 minutos, similar ocurre en Madrid con el programa “Kiss and Go” y por el desarrollo del Ayuntamiento de Las Palmas de Gran Canaria “Besa y Baja”, en ninguno de estos planes existe el acompañamiento como ocurre en el programa Sube y Baja de la Capital Autónoma de Buenos Aires.

Para más información de la implementación del programa Sube y Baja durante el 2018 se puede revisar en el siguiente enlace: Sube y Baja, La entrada y la salida de la escuela, más ordenada y segura para todos.

DATOS

Con los datos del Sistema Único de Atención Ciudadana (SUACI fuente abierta) 2017 y 2018 se evaluará si han disminuído las denuncias de los vecinos de vehículos mal estacionados en el horario de implementación del programa así como la pertinencia en la determinación de las escuelas implementadas. Las denuncias se registran mediante la app 147 (llamada telefónica) ó mediante la página web en el apartado tránsito vehículo mal estacionado.

Las ubicación de las escuelas en las que se ha implementado el programa durante el año 2018 están registradas y bajo seguimiento en la base de datos de la SECCCYFP.

EVALUACION DEL PROGRAMA SUBE Y BAJA

LLAMADO DE LIBRERIAS EN R

# Procedemos a llamar las librerías para conectarnos con las base de datos Postgres + PostGIS y acceder tanto a las escuelas implementadas como a los avisos contenidos en el SUACI tanto en el 2017 como en el 2018 y las librerías para visualizar los datos

library(DBI)
library(RPostgreSQL)
library(RPostgres)
library(rpostgis)
library(sf)
library(tidyverse)
library(ggplot2)
library(lubridate)

CREANDO CONEXION CON LA BASE DE DATOS POSTGRES POSTGIS PARA ACCEDER A LOS DATOS

# Creando la conexión con la base de datos de la SECCCYFP
con <- dbConnect(PostgreSQL(), 
                 dbname = "SCCYFP", 
                 user = "postgres",
                 host = "localhost",
                 password = "postgres")

CREANDO LAS SENTENCIAS SQL PARA LA CONSTRUCCION DE LAS TABLAS Y CAPAS CARTOGRAFICAS DESDE LA BASE DE DATOS POSTGRES POSTGIS

#Para poder tener el campo de Comuna y Barrio para cada escuela se debe hacer la intesección espacial entre las capas de escuelas y barrios
query_escuelas_71 <- paste("select nombre_est as escuela, escuelas as siglas, comuna, barrio, geom from 
    (select a.comuna, a.barrio, b.nombre_est, b.escuelas,  b.implementados, b.id, b.geom
     from dpt_caba.barrios as a join 
     sube_baja.v_escuelas_sube_baja  as b on 
     st_intersects (ST_TRANSFORM(a.geom,4326), (ST_TRANSFORM (b.geom,4326)))) as tabla
where implementados = 'TRUE'
group by tabla.id, tabla.comuna, tabla.barrio, tabla.nombre_est, tabla.escuelas, tabla.geom, tabla.implementados
order by tabla.id")

#Selección de Campos Capa de Barrios PostGIS
query_barrios <- paste("SELECT barrio, comuna, poblacion_censo as poblacion, area_km2 as area, geom FROM dpt_caba.barrios")

#Selección de Campos Capa de Comunas PostGIS
query_comunas <- paste("SELECT barrios, comunas, pob_2019, geom FROM dpt_caba.comunas")

#Selección de Areas Verdes (Plazas y Parques) PostGIS
query_areas_verdes <- paste("SELECT * FROM dpt_caba.plazas_parques where clasificac = 'PLAZA' OR clasificac = 'PARQUE'")

#Selección de datos SUACI VEHICULOS MAL ESTACIONADOS 2017 ENTRE LAS 6:30 Y 9:00 POSTGRES NUBE DE PUNTOS
query_suaci2017_point <- paste("SELECT *, ST_SetSRID(ST_MakePoint(long, lat),4326) as geom FROM compromiso_barrial.suac2017 WHERE concepto = 'VEHICULO MAL ESTACIONADO' and (hora_ingreso BETWEEN '6:30:00 a.m.' AND '8:59:59 a.m.')")

#Selección de datos SUACI VEHICULOS MAL ESTACIONADOS 2017 ENTRE LAS 6:30 Y 9:00 POSTGRES POR COMUNAS MES A MES
query_suaci2017_comuna <- paste("SELECT 
count(domicilio_cgpc) as denuncias, domicilio_cgpc as comuna, concepto, periodo
FROM compromiso_barrial.suac2017
WHERE concepto = 'VEHICULO MAL ESTACIONADO' and (hora_ingreso BETWEEN '6:30:00 a.m.' AND '9:00:00 a.m.')
GROUP by domicilio_cgpc, concepto, domicilio_cgpc,  periodo
ORDER by domicilio_cgpc, periodo  desc")

#Selección de datos SUACI VEHICULOS MAL ESTACIONADOS 2017 ENTRE LAS 6:30 Y 9:00 POSTGRES POR BARRIOS MES A MES
query_suaci2017_barrio <- paste("SELECT 
count(domicilio_barrio) as denuncias, domicilio_barrio as barrio, concepto, periodo
FROM compromiso_barrial.suac2017
WHERE concepto = 'VEHICULO MAL ESTACIONADO' and (hora_ingreso BETWEEN '6:30:00 a.m.' AND '9:00:00 a.m.')
GROUP by domicilio_barrio, concepto,  periodo
ORDER by domicilio_barrio, periodo  desc")

#Selección de datos SUACI VEHICULOS MAL ESTACIONADOS 2018 ENTRE LAS 6:30 Y 9:00 POSTGRES NUBE DE PUNTOS
query_suaci2018_point <- paste("SELECT *, ST_SetSRID(ST_MakePoint(long, lat),4326) as geom FROM compromiso_barrial.suac2018 WHERE concepto = 'VEHICULO MAL ESTACIONADO' and (hora_ingreso BETWEEN '06:30:00 a.m.' AND '08:59:59 a.m.')")

#Nota: Hubo que hacer un update a la base de datos Postgres para eliminar la tílde de los registros "vehículo mal estacionado", esto, porque en el 2018 la palabra "vehículo" posee tílde. SENTENCIA PARA LIMPIAR LOS DATOS SQL EN LA BD: "update compromiso_barrial.suac2018 set concepto = 'VEHICULO MAL ESTACIONADO' where concepto = 'VEHÍCULO MAL ESTACIONADO'"
#Nota 2: El horario del 2018 entre las 00:00:00 y las 09:59:59 posee el primer 0 en el campo de hora, así que hubo que diferenciar las consultas con ese singularidad.
#Nota3: #Problemas con codificación de datos no hace join correctamente en barrios que poseen tílde en la Base de Datos 2018 (Constitución, San Cristóbal, Agronomía, etc.) Se hace un update a la base de datos Postgres para eliminar la tílde del nombre de los barrios
#update compromiso_barrial.suac2018 set domicilio_barrio = 'AGRONOMIA' where domicilio_barrio = 'AGRONOMÍA'
#update compromiso_barrial.suac2018 set domicilio_barrio = 'CONSTITUCION' where domicilio_barrio = 'CONSTITUCIÓN'
#update compromiso_barrial.suac2018 set domicilio_barrio = 'SAN NICOLAS' where domicilio_barrio = 'SAN NICOLÁS'
#update compromiso_barrial.suac2018 set domicilio_barrio = 'SAN CRISTOBAL' where domicilio_barrio = 'SAN CRISTÓBAL'
#update compromiso_barrial.suac2018 set domicilio_barrio = 'VELEZ SARSFIELD' where domicilio_barrio = 'VÉLEZ SARSFIELD'
#update compromiso_barrial.suac2018 set domicilio_barrio = 'VILLA ORTUZAR' where domicilio_barrio = 'VILLA ORTÚZAR'
#update compromiso_barrial.suac2018 set domicilio_barrio = 'VILLA PUEYRREDON' where domicilio_barrio = 'VILLA PUEYRREDÓN'


#Selección de datos SUACI VEHICULOS MAL ESTACIONADOS 2018 ENTRE LAS 6:30 Y 9:00 POSTGRES POR COMUNAS MES A MES
query_suaci2018_comuna <- paste("SELECT 
count(domicilio_cgpc) as denuncias, domicilio_cgpc as comuna, concepto, periodo
FROM compromiso_barrial.suac2018
WHERE concepto = 'VEHICULO MAL ESTACIONADO' and (hora_ingreso BETWEEN '06:30:00 a.m.' AND '09:00:00 a.m.')
GROUP by domicilio_cgpc, concepto, domicilio_cgpc,  periodo
ORDER by domicilio_cgpc, periodo  desc")

#Selección de datos SUACI VEHICULOS MAL ESTACIONADOS 2018 ENTRE LAS 6:30 Y 9:00 POSTGRES POR BARRIO MES A MES
query_suaci2018_barrio <- paste("SELECT 
count(domicilio_barrio) as denuncias, domicilio_barrio as barrio, concepto, periodo
FROM compromiso_barrial.suac2018
WHERE concepto = 'VEHICULO MAL ESTACIONADO' and (hora_ingreso BETWEEN '06:30:00 a.m.' AND '09:00:00 a.m.')
GROUP by domicilio_barrio, concepto,  periodo
ORDER by domicilio_barrio, periodo  desc")

CREANDO LAS TABLAS DE DATOS Y LAS CAPAS CARTOGRAFICAS

#Capa de Barrios PostGIS
barrios <- st_read(con, query = query_barrios) 

#Capa de Comunas PostGIS
comunas <- st_read(con, query = query_comunas)

#Capa de Plazas y Parques PostGIS
plazas_parques <- st_read(con, query = query_areas_verdes)

#Tabla de 71 Escuelas (Con campo Comuna y Barrio)
escuelas <- st_read(con, query = query_escuelas_71)

summary(escuelas)
##    escuela             siglas              comuna          barrio         
##  Length:71          Length:71          Min.   : 1.000   Length:71         
##  Class :character   Class :character   1st Qu.: 5.000   Class :character  
##  Mode  :character   Mode  :character   Median :12.000   Mode  :character  
##                                        Mean   : 9.563                     
##                                        3rd Qu.:13.000                     
##                                        Max.   :15.000                     
##             geom   
##  MULTIPOINT   :71  
##  epsg:4326    : 0  
##  +proj=long...: 0  
##                    
##                    
## 
#Capa de puntos denuncias vehículos mal estacionados 2017 PostGIS 
denuncias_2017_point <- st_read(con, query = query_suaci2017_point)

summary(denuncias_2017_point)
##        id           contacto            periodo        categoria        
##  Min.   :    32   Length:31908       Min.   :201701   Length:31908      
##  1st Qu.:261730   Class :character   1st Qu.:201705   Class :character  
##  Median :436406   Mode  :character   Median :201708   Mode  :character  
##  Mean   :410307                      Mean   :201708                     
##  3rd Qu.:572771                      3rd Qu.:201711                     
##  Max.   :691860                      Max.   :201712                     
##                                                                         
##  subcategoria         concepto         tipo_prestacion   
##  Length:31908       Length:31908       Length:31908      
##  Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character  
##                                                          
##                                                          
##                                                          
##                                                          
##  fecha_ingreso      hora_ingreso       domicilio_cgpc    
##  Length:31908       Length:31908       Length:31908      
##  Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character  
##                                                          
##                                                          
##                                                          
##                                                          
##  domicilio_barrio   domicilio_calle    domicilio_altura
##  Length:31908       Length:31908       Min.   :    1   
##  Class :character   Class :character   1st Qu.: 1070   
##  Mode  :character   Mode  :character   Median : 2233   
##                                        Mean   : 2446   
##                                        3rd Qu.: 3374   
##                                        Max.   :15167   
##                                        NA's   :2238    
##  domicilio_esquina_proxima      lat              long       
##  Length:31908              Min.   :-34.70   Min.   :-58.53  
##  Class :character          1st Qu.:-34.62   1st Qu.:-58.48  
##  Mode  :character          Median :-34.59   Median :-58.46  
##                            Mean   :-34.59   Mean   :-58.45  
##                            3rd Qu.:-34.57   3rd Qu.:-58.43  
##                            Max.   :-34.54   Max.   :-58.36  
##                                                             
##     canal              genero          estado_del_contacto
##  Length:31908       Length:31908       Length:31908       
##  Class :character   Class :character   Class :character   
##  Mode  :character   Mode  :character   Mode  :character   
##                                                           
##                                                           
##                                                           
##                                                           
##             geom      
##  POINT        :31908  
##  epsg:4326    :    0  
##  +proj=long...:    0  
##                       
##                       
##                       
## 
#Capa de puntos denuncias vehículos mal estacionados 2018 PostGIS 
denuncias_2018_point <- st_read(con, query = query_suaci2018_point)

summary(denuncias_2018_point)
##        id           contacto            periodo        categoria        
##  Min.   :    30   Length:56044       Min.   :201801   Length:56044      
##  1st Qu.:251785   Class :character   1st Qu.:201804   Class :character  
##  Median :493168   Mode  :character   Median :201807   Mode  :character  
##  Mean   :478146                      Mean   :201807                     
##  3rd Qu.:706146                      3rd Qu.:201810                     
##  Max.   :893259                      Max.   :201812                     
##                                                                         
##  subcategoria         concepto         tipo_prestacion   
##  Length:56044       Length:56044       Length:56044      
##  Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character  
##                                                          
##                                                          
##                                                          
##                                                          
##  fecha_ingreso      hora_ingreso       domicilio_cgpc    
##  Length:56044       Length:56044       Length:56044      
##  Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character  
##                                                          
##                                                          
##                                                          
##                                                          
##  domicilio_barrio   domicilio_calle    domicilio_altura
##  Length:56044       Length:56044       Min.   :    1   
##  Class :character   Class :character   1st Qu.: 1076   
##  Mode  :character   Mode  :character   Median : 2299   
##                                        Mean   : 2500   
##                                        3rd Qu.: 3500   
##                                        Max.   :16392   
##                                        NA's   :11589   
##  domicilio_esquina_proxima      lat              long       
##  Length:56044              Min.   :-34.70   Min.   :-58.53  
##  Class :character          1st Qu.:-34.62   1st Qu.:-58.48  
##  Mode  :character          Median :-34.59   Median :-58.46  
##                            Mean   :-34.59   Mean   :-58.46  
##                            3rd Qu.:-34.57   3rd Qu.:-58.43  
##                            Max.   :-34.54   Max.   :-58.35  
##                                                             
##     canal              genero          estado_del_contacto
##  Length:56044       Length:56044       Length:56044       
##  Class :character   Class :character   Class :character   
##  Mode  :character   Mode  :character   Mode  :character   
##                                                           
##                                                           
##                                                           
##                                                           
##  fecha_cierre_contacto            geom      
##  Length:56044          POINT        :56044  
##  Class :character      epsg:4326    :    0  
##  Mode  :character      +proj=long...:    0  
##                                             
##                                             
##                                             
## 
#Tabla de con Denuncias por Barrios de Vehículos Mal Estacionados 2017
denuncias_2017_barrios <- st_read(con, query = query_suaci2017_barrio)

summary(denuncias_2017_barrios)
##    denuncias         barrio            concepto            periodo      
##  Min.   :  1.00   Length:568         Length:568         Min.   :201701  
##  1st Qu.: 13.00   Class :character   Class :character   1st Qu.:201704  
##  Median : 28.00   Mode  :character   Mode  :character   Median :201707  
##  Mean   : 56.18                                         Mean   :201707  
##  3rd Qu.: 62.00                                         3rd Qu.:201710  
##  Max.   :551.00                                         Max.   :201712
#Tabla de con Denuncias por Barrios de Vehículos Mal Estacionados 2018
denuncias_2018_barrios <- st_read(con, query = query_suaci2018_barrio)

summary(denuncias_2018_barrios)
##    denuncias         barrio            concepto            periodo      
##  Min.   :  2.00   Length:576         Length:576         Min.   :201801  
##  1st Qu.: 27.00   Class :character   Class :character   1st Qu.:201804  
##  Median : 53.00   Mode  :character   Mode  :character   Median :201807  
##  Mean   : 97.31                                         Mean   :201807  
##  3rd Qu.:112.25                                         3rd Qu.:201809  
##  Max.   :736.00                                         Max.   :201812

VISUALIZACION DE LOS DATOS

Mapeo de Los Datos 2017

ggplot(data = denuncias_2017_barrios) +
  geom_point(aes(x = barrio, y = denuncias, color = barrio)) +
  labs(title = "Reclamos de Vecinos por Vehículos Mal Estacionados 2017",
       subtitle = "En el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017",
       y = "Denuncias Vehículos Mal Estacionados") +
  guides(color = FALSE) +
  coord_flip()

Acá podemos detectar que los barrios que presentan mayor cantidad de denuncias son Belgrano, Caballito, Nuñez, Palermo y Villa Urquiza.

Mapeo de Los Datos 2018

ggplot(data = denuncias_2018_barrios) +
  geom_point(aes(x = barrio, y = denuncias, color = barrio)) +
  labs(title = "Reclamos de Vecinos por Vehículos Mal Estacionados 2018",
       subtitle = "En el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018",
       y = "Denuncias Vehículos Mal Estacionados") +
  guides(color = FALSE) +
     coord_flip()

En el 2018 cuando se empieza a implementar el programaa sube y baja se mantiene que los barrios que presentan mayor cantidad de denuncias son Belgrano, Caballito, Nuñez, Palermo y Villa Urquiza con un par de meses en Almagro y Villa Devoto. La razón de los vehículos mal estacionados en el horario no necesariamente son atribuibles totalmente al ingreso de estudiantes en la instituciones educativas, se debe tener en cuenta que a pesar que el horario está comprendido entre las 6:30 am hasta las 9:00 am se estipuló evaluar ese horario motivado a que hay escuelas que el ingreso a clases empieza a las 7:00 am y en otras empieza a las 8:00 am. Una primera evaluación determinó que las escuelas que presentaban mayor problema de convivencia tardaban hasta una (1) hora en el proceso de llegaba, bajada y entrada a la escuela de aquellos niños que sus padres los traían en vehículo, sin embargo, a partir de la implementación del programa estos tiempos se redujeron a quince (15) minutos todo el tiempo de llegada de los niños a las escuelas haciendo más rápido y eficiente la llegada a la vez de mejorar la convivencia en los barrios y calles donde se implementa “Sube y Baja”.

MODELO DE REGRESION

Regresion Por Variable Categorica 2017

ggplot(data = denuncias_2017_barrios) +
  geom_jitter(aes(x = barrio, y = denuncias, color = barrio)) +
  labs(title = "Reclamos de Vecinos por Vehículos Mal Estacionados 2017",
       subtitle = "En el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017",
       y = "Denuncias Vehículos Mal Estacionados") +
       guides(color = FALSE) +
       coord_flip()

#Histrograma
ggplot(data = denuncias_2017_barrios) +
    geom_histogram(aes(x = denuncias, fill = barrio, weight = denuncias)) +
    facet_wrap(ncol = 8, ~barrio) +
    theme(legend.position="none") +
    labs(title = "Histograma de Reclamos de Vecinos por Vehículos Mal Estacionados 2017",
    caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017",
    subtitle = "En el horario comprendido entre las 6:30 am y las 9:00 am",
    x = "Denuncias", 
    y = "Cantidad")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

#Hay una relación entre las denuncias y los barrios

modelo_exp_barrios_2017 <- lm(denuncias ~ barrio, data = denuncias_2017_barrios)

denuncias_2017_barrios <- denuncias_2017_barrios %>% 
    mutate(residuo_ml = residuals(modelo_exp_barrios_2017))

ggplot(denuncias_2017_barrios) +
    geom_jitter(aes(x = barrio, y = residuo_ml, color = barrio), width = 0.1, ) +
    geom_hline(yintercept = 0, col = "black") +
    guides(color = FALSE) +
    labs(x = "barrio", y = "residuo del modelo lineal") +
    coord_flip()

La mayoría de los residuos se aproximan a cero, sin embargo, los mayores transgesores corresponden a los barrios Belgrano, Caballito, Nuñez, Palermo y Villa Urquiza. Esta razón es la principal causa que generó el desarrollo del programa Sube y Baja con la finalidad de mejorar la convivencia en el tránsito de esos barrios en el horario estudiado.

Regresion Por Variable Categorica 2018

ggplot(data = denuncias_2018_barrios) +
  geom_jitter(aes(x = barrio, y = denuncias, color = barrio)) +
  labs(title = "Reclamos de Vecinos por Vehículos Mal Estacionados 2018",
       subtitle = "En el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018",
       y = "Denuncias Vehículos Mal Estacionados") +
       guides(color = FALSE) +
       coord_flip()

#Histrograma
ggplot(data = denuncias_2018_barrios) +
    geom_histogram(aes(x = denuncias, fill = barrio, weight = denuncias)) +
    facet_wrap(ncol = 8, ~barrio) +
    theme(legend.position="none") +
    labs(title = "Histograma de Reclamos de Vecinos por Vehículos Mal Estacionados 2018",
    caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018",
    subtitle = "En el horario comprendido entre las 6:30 am y las 9:00 am",
    x = "Denuncias", 
    y = "Cantidad")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

#Hay una relación entre las denuncias y los barrios

modelo_exp_barrios_2018 <- lm(denuncias ~ barrio, data = denuncias_2018_barrios)

denuncias_2018_barrios <- denuncias_2018_barrios %>% 
    mutate(residuo_ml = residuals(modelo_exp_barrios_2018))

ggplot(denuncias_2018_barrios) +
    geom_jitter(aes(x = barrio, y = residuo_ml, color = barrio), width = 0.1, ) +
    geom_hline(yintercept = 0, col = "black") +
    guides(color = FALSE) +
    labs(x = "barrio", y = "residuo del modelo lineal") +
    coord_flip()

La mayoría de los residuos se aproximan a cero nuevamente, sin embargo, los mayores transgesores corresponden a los barrios Belgrano, Caballito, Nuñez, Palermo y Villa Urquiza así como Almagro y Villa Devoto. Se reafirma la pertinencia en el desarrollo del programa Sube y Baja con la finalidad de mejorar la convivencia en el tránsito de esos barrios en el horario estudiado.

GRAFICOS DE BARRAS

Denuncias por Barrio 2017 Totales

denuncias_totales_barrio_2017 <- denuncias_2017_barrios %>% 
    group_by(barrio) %>% 
    summarise(total = sum(denuncias)) 

summary(denuncias_totales_barrio_2017)
##     barrio              total       
##  Length:48          Min.   :  53.0  
##  Class :character   1st Qu.: 215.8  
##  Mode  :character   Median : 362.0  
##                     Mean   : 664.8  
##                     3rd Qu.: 715.0  
##                     Max.   :3522.0
ggplot(denuncias_totales_barrio_2017) +
    geom_col(aes(x = factor(barrio), y = total, fill = barrio)) +
    theme(legend.position="none") +
    geom_text(size=3,
              aes(
                x = barrio, 
                y = total,
                label = total))+
    coord_flip() +
    labs(title = "Total Reclamos de Vecinos por Vehículos Mal Estacionados 2017",
         subtitle = "En el horario comprendido entre las 6:30 am y las 9:00 am",
         caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017",
         x = "Barrios de CABA",
         y = "Cantidad de Denuncias")

Con más de 2000 denuncias en el horario de 6:30 a 9:00am los barrios en el 2017 son Belgrano, Caballito, Nuñez, Palermo y Villa Urquiza.

Denuncias por Barrio 2018 Totales

denuncias_totales_barrio_2018 <- denuncias_2018_barrios %>% 
    group_by(barrio) %>% 
    summarise(total = sum(denuncias)) 

summary(denuncias_totales_barrio_2018)
##     barrio              total       
##  Length:48          Min.   : 135.0  
##  Class :character   1st Qu.: 427.5  
##  Mode  :character   Median : 628.0  
##                     Mean   :1167.7  
##                     3rd Qu.:1440.5  
##                     Max.   :5821.0
ggplot(denuncias_totales_barrio_2018) +
    geom_col(aes(x = factor(barrio), y = total, fill = barrio)) +
    theme(legend.position="none") +
    geom_text(size=3,
              aes(
                x = barrio, 
                y = total,
                label = total))+
    coord_flip() +
    labs(title = "Total Reclamos de Vecinos por Vehículos Mal Estacionados 2018",
         subtitle = "En el horario comprendido entre las 6:30 am y las 9:00 am",
         caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018",
         x = "Barrios de CABA",
         y = "Cantidad de Denuncias")

Con más de 2000 denuncias en el horario de 6:30 a 9:00am se encuentran los barrios Belgrano, Caballito, Nuñez, Palermo y Villa Urquiza así como Almagro y Villa Devoto.

VISUALIZACION DE PATRONES TEMPORALES

Denuncias Realizadas por Mes 2017

#convertimos el campo “fecha” al tipo de dato especializado que se llama fecha (fecha_ingreso). El formato en que aparecen es “31/01/2017” (día, mes y año). La función para convertir ese campo en fecha es dmy()
denuncias_2017_point <- denuncias_2017_point %>% mutate(fecha = dmy(fecha_ingreso))

options(scipen = 20)

denuncias_2017_point %>% 
    ggplot() +
        geom_bar(aes(x = month(fecha, label = TRUE))) +
    labs(title = "Reclamos de Vecinos por meses de Vehículos Mal Estacionados 2017",
       subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017",
       x = "Meses", 
       y = "Cantidad de Denuncias") +
       expand_limits(y = 0)

El cronograma escolar en el año 2017 inició el 6 de Marzo y culminó el 20 de diciembre con un receso invernal entre el 17 al 28 de julio. Es de notar que con el inicio de clases en el mes de marzo del 2017 las denuncias de vehículos mal estacionados en el horario comprendido entre las 6:30 am y las 9:00 am se incrementaron, siendo el período de septiembre a diciembre el más problemáticos.

Denuncias Realizadas por Mes 2017 mediante Poligono de Frecuencia

# Se realiza primeramente un conteo de denuncias por mes
conteo_2017 <-  denuncias_2017_point %>% 
    count(concepto, mes = month(fecha, label = TRUE))

# Luego se muestran las cantidades mensuales como polígono de frecuencia 
ggplot(conteo_2017) +
    geom_line(aes(x = mes, y = n, group = concepto, color = "red"), size = 2) +
    guides(color = FALSE) +
    geom_text(size=4,
              aes(
                x = mes, 
                y = n,
                label = n))+
    labs(title = "Reclamos de Vecinos por meses de Vehículos Mal Estacionados 2017",
    subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
    caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017",
    x = "Meses", 
    y = "Cantidad de Denuncias") +
    expand_limits(y = 0)

Denuncias Realizadas por Mes 2018

#convertimos el campo “fecha” al tipo de dato especializado que se llama fecha (fecha_ingreso). El formato en que aparecen es “2018-01-31” (año, mes y día). La función para convertir ese campo en fecha es ymd() (Distinto orden al año 2017)
denuncias_2018_point <- denuncias_2018_point %>% mutate(fecha = ymd(fecha_ingreso))

denuncias_2018_point %>% 
    ggplot() +
        geom_bar(aes(x = month(fecha, label = TRUE))) +
    labs(title = "Reclamos de Vecinos por meses de Vehículos Mal Estacionados 2018",
       subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018",
    x = "Meses", 
    y = "Cantidad de Denuncias") +
    expand_limits(y = 0)

El cronograma escolar en el año 2018 inició el 5 de Marzo y culminó el 19 de diciembre con un receso invernal entre el 16 al 27 de julio. Es de notar que con el inicio de clases nuevamente en el mes de marzo del 2018 las denuncias de vehículos mal estacionados en el horario comprendido entre las 6:30 am y las 9:00 am se incrementaron, sin embargo, a medida que se fue implementando el programa sube y baja, las denuncias tuvieron una disminución, incluso el período de octubre a diciembre aún siendo el más problemáticos presentó una tendencia a la baja contrario a lo registrado en el mismo período durante el año 2017.

Denuncias Realizadas por Mes 2018 mediante Poligono de Frecuencia

# Se realiza primeramente un conteo de denuncias por mes
conteo_2018 <-  denuncias_2018_point %>% 
    count(concepto, mes = month(fecha, label = TRUE))

# Luego se muestran las cantidades mensuales como polígono de frecuencia 
ggplot(conteo_2018) +
    geom_line(aes(x = mes, y = n, group = concepto, color = "red"), size = 2) +
    guides(color = FALSE) +
    geom_text(size=4,
              aes(
                x = mes, 
                y = n,
                label = n))+
    labs(title = "Reclamos de Vecinos por meses de Vehículos Mal Estacionados 2018",
    subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
    caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018",
    x = "Meses", 
    y = "Cantidad de Denuncias") +
    expand_limits(y = 0)

Comparativa Denuncias Realizadas por Mes 2017 y 2018 mediante Poligono de Frecuencia

ggplot() + 
    geom_line(data = conteo_2017, (aes(x = mes, y = n, group = concepto, color = "2017")), size = 1.1) +
  geom_line(data = conteo_2018, (aes(x = mes, y = n, group = concepto, color = "2018")), size = 1.1) +
  labs(title = "Reclamos de Vecinos por meses de Vehículos Mal Estacionados 2017 y 2018",
       subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Años 2017 y 2018",
       x = "Meses del Año", 
       y = "Cantidad de Denuncias",
       color = "Año") +
       expand_limits(y = 0)

Como previamente se ha indicado, a pesar del aumento de los avisos de los vecinos sobre denuncias de vehículos mal estacionados en el horario comprendido entre las 6:30 am y las 9:00 del año 2017 al 2018, se puede evidenciar como durante el año 2018 a partir de la implementación del programa sube y baja la tendencia a las denuncias disminuyen a diferencia del 2017 cuando se mantienen durante todo el período escolar.

Denuncias Realizadas por día de semana 2017 mediante grafico de radar

conteo_2017_dia <-  denuncias_2017_point %>% 
    count(concepto, diasemana = wday(fecha, label = TRUE))

ggplot(conteo_2017_dia, aes(x = diasemana, y = n, col = n, group = concepto)) +
  guides(color = "NA") +
  geom_polygon(fill = "NA", show.legend = FALSE, size = 1.1, color = "blue" ) + 
  coord_polar() +
  labs(
    title = "Reclamos de Vecinos por día de la semana de Vehículos Mal Estacionados 2017",
    subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
    caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Años 2017") +
  expand_limits(y = 0) +
  xlab("")+
  ylab("")+
  geom_text(size=4,
        aes(label = n),
        color="black")

Se observa que las denuncias aumentan de lunes a viernes mientras que los fines de semana hay una reducción en los avisos de los vecinos sobre denuncias de vehículos mal estacionados en el horario comprendido entre las 6:30 am y las 9:00 del año 2017.

Denuncias Realizadas por día de semana 2018 mediante grafico de radar

conteo_2018_dia <-  denuncias_2018_point %>% 
    count(concepto, diasemana = wday(fecha, label = TRUE))

ggplot(conteo_2018_dia, aes(x = diasemana, y = n, col = n, group = concepto)) +
  guides(color = "NA") +
  geom_polygon(fill = "NA", show.legend = FALSE, size = 1.1, color = "blue" )  + 
  coord_polar() +
  labs(
    title = "Reclamos de Vecinos por día de la semana de Vehículos Mal Estacionados 2018",
    subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
     caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Años 2018") +
  expand_limits(y = 0) +
  xlab("")+
  ylab("")+
  geom_text(size=4,
        aes(label = n),
        color="black")

Durante el año 2018 los avisos de los vecinos sobre denuncias de vehículos mal estacionados en el horario comprendido entre las 6:30 am y las 9:00 presentan el mismo comportamiento al mostrado en el año 2017.

Comparativa Denuncias Realizadas por día de semana 2017 y 2018 mediante Poligono de Frecuencia

ggplot() + 
  geom_line(data = conteo_2017_dia, (aes(x = diasemana, y = n, group = concepto, color = "2017")), size = 1.1) +
  geom_line(data = conteo_2018_dia, (aes(x = diasemana, y = n, group = concepto, color = "2018")), size = 1.1) +
  labs(title = "Reclamos de Vecinos por día de la semana de Vehículos Mal Estacionados 2017 y 2018",
       subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Años 2017 y 2018",
       x = "Día de La Semana", 
       y = "Cantidad de Denuncias",
       color = "Año") +
       expand_limits(y = 0)

De nuevo se puede evidenciar como durante el año 2018 a partir de la implementación del programa sube y baja la tendencia a las denuncias disminuyen a diferencia del 2017 cuando se mantienen.

Comparativa Denuncias Realizadas por horario en 2017 y 2018 mediante Poligono de Frecuencia

#Para evaluar el ritmo según la hora del día necesitamos pasar a formato temporal la columna “hora”, que en ambos años tiene el formato “hh:mm:ss” (por ejemplo, “7:42:40” para el 2017 y “08:46:45” para el 2018). La función correspondiente para interpretar ese formato es hms(). Usamos una combinacion de hms() para interpretar el texto en “hora” como una variable de tipo tiempo, y hour() para extraer la hora base -por ejemplo, para “08:46:45” la hora base es 08.

por_hora_2017 <-  denuncias_2017_point %>% 
    count(concepto, hora_base = hour(hms(hora_ingreso))) %>%
    group_by(concepto)

por_hora_2018 <-  denuncias_2018_point %>% 
    count(concepto, hora_base = hour(hms(hora_ingreso))) %>%
    group_by(concepto)

ggplot() + 
  geom_line(data = por_hora_2017, (aes(x = hora_base, y = n, group = concepto, color = "2017")), size = 1.1) +
  geom_line(data = por_hora_2018, (aes(x = hora_base, y = n, group = concepto, color = "2018")), size = 1.1) +
  labs(title = "Distribución horaria de Reclamos de Vecinos de Vehículos Mal Estacionados 2017 y 2018",
       subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Años 2017 y 2018", 
       x = "Hora", 
       y = "Cantidad de Denuncias",
       color = "Año") +
       expand_limits(y = 0) +
       scale_x_continuous(breaks = 0:8)

Las denuncias de vehículos mal estacionados en el horario comprendido entre las 6:30 am y las 9:00 am se incrementan a medida que se acerca el horario de ingreso de los niños a las escuelas.

VISUALIZACION DE LA INFORMACION GEOGRAFICA

Mapa de Denuncias 2017 Totales por Barrio

barrios_2017 <- left_join(barrios, denuncias_totales_barrio_2017)
## Joining, by = "barrio"
ggplot() + 
    geom_sf(data = barrios_2017, aes(fill = total), color = NA) +
    scale_fill_gradient(low = "white", high = "red") +
    labs(title = "Total Reclamos de Vecinos por Vehículos Mal Estacionados 2017",
         subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
         caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017",
         fill = "Cantidad de Denuncias",
         x = "Longitud", 
         y = "Latitud")

Los barrios ubicados en la zona norte de CABA durante el año 2017 presentó la mayor cantidad de denuncias por vehículos mal estacionados. Importante destacar que los barrios más poblados estarán de primero.

Mapa de Denuncias 2018 Totales por Barrio

barrios_2018 <- left_join(barrios, denuncias_totales_barrio_2018)
## Joining, by = "barrio"
ggplot() + 
    geom_sf(data = barrios_2018, aes(fill = total), color = NA) +
    scale_fill_gradient(low = "white",high = "red") +
    labs(title = "Total Reclamos de Vecinos por Vehículos Mal Estacionados 2018",
         subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
         caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018",
         fill = "Cantidad de Denuncias",
         x = "Longitud", 
         y = "Latitud")

Los barrios ubicados en la zona norte de CABA durante el año 2018 continuaron presentando la mayor cantidad de denuncias por vehículos mal estacionados. Importante destacar que los barrios más poblados estarán de primero.

Tasa de Denuncias 2017 por Barrio

ggplot() + 
    geom_sf(data = barrios_2017, aes(fill = (total/poblacion)*100000), color = NA) +
    scale_fill_viridis_c() +
    labs(title = "Tasa de Reclamos de Vecinos por Vehículos Mal Estacionados 2017 por cada 100.000 habitantes",
         subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
         caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017 / Población sobre la base de datos de INDEC. CNPHyV 2010",
         fill = "Tasa por cada 100.000 habitantes",
         x = "Longitud", 
         y = "Latitud")

Los barrios de Nuñez, Belgrano y Villa Urquiza así como Palermo y Caballito presentan la mayor tasa de denuncias donde se presentan mayor problemas de convivencia por tránsito vehicular.

Tasa de Denuncias 2018 por Barrio

ggplot() + 
    geom_sf(data = barrios_2018, aes(fill = (total/poblacion)*100000), color = NA) +
    scale_fill_viridis_c() +
    labs(title = "Tasa de Reclamos de Vecinos por Vehículos Mal Estacionados 2018 por cada 100.000 habitantes",
         subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
         caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018 / Población sobre la base de datos de INDEC. CNPHyV 2010",
         fill = "Tasa por cada 100.000 habitantes",
         x = "Longitud", 
         y = "Latitud")

Los barrios de Nuñez, Belgrano, Villa Urquiza, Villa Pueyrredón, Agronomía, Parque Chas, Villa Devoto, Villa del Parque, Monte Castro así como Palermo, Villa Crespo, Caballito, Floresta y Santa Rita presentan la mayor tasa de denuncias donde se presentan mayor problemas de convivencia por tránsito vehicular.

Densidad de Denuncias 2017 por Barrio

ggplot() + 
    geom_sf(data = barrios_2017, aes(fill = total/area), color = NA) +
    scale_fill_gradient(low = "white",high = "red") +
    labs(title = "Densidad de Reclamos de Vecinos por Vehículos Mal Estacionados 2017",
         subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
         caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017",
         fill = "Denuncias/Km²",
         x = "Longitud", 
         y = "Latitud")

Los barrios de Nuñez, Belgrano, Colegiales, Villa Urquiza y Caballito así como Palermo, Villa Crespo y Almagro presentan la mayor densidad por Km² de denuncias donde se presentan mayor problemas de convivencia por tránsito vehicular.

Se debe acotar que el barrio Palermo posee dentro de sus linderos el Parque Tres de Febrero compuesto por una serie de plazas (áreas verdes), el Campo de Golf Juan Bautista Segura, El Hipódromo de Palermo y el Aeroparque Jorge Newberrry, sin embargo, en esas áreas no ocurren denuncias asociadas a vehículos mal estacionados por llegadas y salidas de niños en escuelas, por ello al ajustar el área del barrio de Palermo restando el territorio compuesto por esta observación definirá su densidad de reclamos como de prioridad.

Densidad de Denuncias 2018 por Barrio

ggplot() + 
    geom_sf(data = barrios_2018, aes(fill = total/area), color = NA) +
    scale_fill_gradient(low = "white",high = "red") +
    labs(title = "Densidad de Reclamos de Vecinos por Vehículos Mal Estacionados 2018",
         subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
         caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018",
         fill = "Denuncias/Km²",
         x = "Longitud", 
         y = "Latitud")

Los barrios de Nuñez, Belgrano, Colegiales, Villa Urquiza, Caballito, Villa Crespo y Almagro así como Palermo presentan la mayor densidad por Km² de denuncias donde se presentan mayor problemas de convivencia por tránsito vehicular.

Al igual que en el 2017 el barrio de Palermo se debe hacer el ajuste a su área lo que definirá su densidad de reclamos como de prioridad.

Ubicacion de las Denuncias de Vehiculos Mal Estacionados en el 2017

ggplot() + 
  geom_sf(data = barrios, color = "gray39", fill = "white") +
  geom_sf(data = plazas_parques, color = "forestgreen") +
  geom_sf(data = denuncias_2017_point, color = "red", size = 0.1, alpha = 0.1) +
  labs(title = "Ubicacion de los 31908 Reclamos de Vecinos por Vehículos Mal Estacionados 2017",
       subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017",
       x = "Longitud", 
       y = "Latitud")

El área del barrio de Palermo que no refleja denuncias por vehículos mal estacionados es la indicada en los análisis de densidad de denuncias.

Ubicacion de las Denuncias de Vehiculos Mal Estacionados en el 2018

ggplot() + 
  geom_sf(data = barrios, color = "gray39", fill = "white") +
  geom_sf(data = plazas_parques, color = "forestgreen") +
  geom_sf(data = denuncias_2018_point, color = "red", size = 0.1, alpha = 0.1) +
  labs(title = "Ubicación de los 56044 Reclamos de Vecinos por Vehículos Mal Estacionados 2018",
       subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018",
       x = "Longitud", 
       y = "Latitud")

Mapa de Densidad de Denuncias 2017 por Ubicacion

ggplot() + 
    geom_sf(data = barrios, color = "gray39", fill = "white") +
    geom_bin2d(data = denuncias_2017_point, aes(x = long, y = lat), bins = 65) +
    scale_fill_viridis_c() +
    labs(title = "Densidad Reclamos de Vecinos por Vehículos Mal Estacionados 2017",
       subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017",
       x = "Longitud", 
       y = "Latitud")

Ubicación de la mayor concentración de las denuncias de vehículos mal estacionados en el horario comprendido entre las 6:30 am y las 9:00 del año 2017.

Mapa de Densidad de Denuncias 2018 por Ubicacion

ggplot() + 
    geom_sf(data = barrios, color = "gray39", fill = "white") +
    geom_bin2d(data = denuncias_2018_point, aes(x = long, y = lat), bins = 65) +
    scale_fill_viridis_c() +
    labs(title = "Densidad Reclamos de Vecinos por Vehículos Mal Estacionados 2018",
       subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018",
       x = "Longitud", 
       y = "Latitud")

Ubicación de la mayor concentración de las denuncias de vehículos mal estacionados en el horario comprendido entre las 6:30 am y las 9:00 del año 2018.

Mapa de Densidad de Estimacion de Denuncias 2017 por Ubicacion

ggplot() + 
      geom_sf(data = comunas, color = "gray89", fill = "white") +
      geom_density2d(data = denuncias_2017_point, aes(x = long, y = lat, color = stat(level))) +
    scale_color_viridis_c() +
      labs(title = "Intensidad Reclamos de Vecinos por Vehículos Mal Estacionados 2017",
       subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017",
       x = "Longitud", 
       y = "Latitud")

Los barrios de Nuñez, Belgrano, Colegiales, Villa Urquiza, Caballito y Palermo presentan la mayor densidad estimación de denuncias donde se presentan mayor problemas de convivencia por tránsito vehicular en el 2017.

Mapa de Densidad de Estimacion de Denuncias 2018 por Ubicacion

ggplot() + 
      geom_sf(data = comunas, color = "gray89", fill = "white") +
      geom_density2d(data = denuncias_2018_point, aes(x = long, y = lat, color = stat(level))) +
    scale_color_viridis_c() +
      labs(title = "Intensidad Reclamos de Vecinos por Vehículos Mal Estacionados 2018",
       subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018",
       x = "Longitud", 
       y = "Latitud")

Los barrios de Nuñez, Belgrano, Colegiales, Villa Urquiza, Villa Pueyrredón, Caballito, Villa Crespo, Almagro y Palermo presentan la mayor densidad de estimación de denuncias donde se presentan mayor problemas de convivencia por tránsito vehicular en el 2018.

Visualizacion de cambio de posicion a traves de los dias de semana 2017

denuncias_2017_point <- denuncias_2017_point %>% 
    mutate(dia_semana = wday(fecha, label = TRUE))

ggplot() + 
    geom_sf(data = barrios, color = "gray39", fill = "white") +
    geom_point(data = denuncias_2017_point,
               aes(x = long, y = lat, color = concepto), alpha = .1, size = .1) +
    facet_wrap(~dia_semana, nrow = 2) +
    guides(color = FALSE) +
    labs(title = "Reclamos de Vecinos por Vehículos Mal Estacionados 2017 por Dia",
         subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
         caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017",
         x = "Longitud", 
         y = "Latitud")

Visualizacion de cambio de posicion a traves de los dias de semana 2018

denuncias_2018_point <- denuncias_2018_point %>% 
    mutate(dia_semana = wday(fecha, label = TRUE))

ggplot() + 
    geom_sf(data = barrios, color = "gray39", fill = "white") +
    geom_point(data = denuncias_2018_point,
               aes(x = long, y = lat, color = concepto), alpha = .1, size = .1) +
    facet_wrap(~dia_semana, nrow = 2) +
    guides(color = FALSE) +
      labs(title = "Reclamos de Vecinos por Vehículos Mal Estacionados 2018 por Dia",
           subtitle = "Denuncias Vehículos Mal Estacionados en el horario comprendido entre las 6:30 am y las 9:00 am",
           caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018",
           x = "Longitud", 
           y = "Latitud")

Visualizacion de zonas donde concentran las Denuncias 2017 de acuerdo por a la hora entre las 6:30 am y las 9:00 am:

denuncias_2017_point <- denuncias_2017_point %>% 
    mutate(hora_base = hour(hms(hora_ingreso)))

ggplot() + 
  geom_sf(data = barrios, color = "gray89", fill = "white") +
  geom_density2d(data = denuncias_2017_point, aes(x = long, y = lat, color = stat(level))) +
  scale_color_viridis_c() +
  facet_wrap(~hora_base, nrow = 1) +
  labs(title = "Concentración de Reclamos de Vecinos por Vehículos Mal Estacionados 2017",
       subtitle = "Denuncias Vehículos Mal Estacionados Ssgún la hora (entre las 6:30 am y las 9:00 am)",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2017",
       x = "Longitud", 
       y = "Latitud")

Visualizacion de zonas donde concentran las Denuncias 2018 de acuerdo por a la hora entre las 6:30 am y las 9:00 am:

denuncias_2018_point <- denuncias_2018_point %>% 
    mutate(hora_base = hour(hms(hora_ingreso)))

ggplot() + 
  geom_sf(data = barrios, color = "gray89", fill = "white") +
  geom_density2d(data = denuncias_2018_point, aes(x = long, y = lat, color = stat(level))) +
  scale_color_viridis_c() +
  facet_wrap(~hora_base, nrow = 1) +
  labs(title = "Concentración de Reclamos de Vecinos por Vehículos Mal Estacionados 2018",
       subtitle = "Denuncias Vehículos Mal Estacionados Ssgún la hora (entre las 6:30 am y las 9:00 am)",
       caption = "Fuente: Registros del SUACI. Ciudad de Buenos Aires. Año 2018",
       x = "Longitud", 
       y = "Latitud")

Escuelas con el programa Sube y Baja Implementado en el 2018

ggplot() + 
  geom_sf(data = barrios_2018, aes(fill = total/area), color = NA) +
  geom_sf(data = escuelas, color = "orange") +
  labs(title = "71 Escuelas Implementadas con el Programa Sube y Baja en el 2018",
  subtitle = "Densidad de Reclamos de Vecinos por Vehículos Mal Estacionados 2018. Horario comprendido entre las 6:30 am y las 9:00 am.",
  caption = "Fuente: Escuelas Implementadas programa Sube y Baja por la SECCCYFP. Año 2018",
  fill = "Denuncias/Km²")

CONCLUSION

Se evidencia que se está implementando el programa Sube y Baja en los barrios donde existe la mayor presencia de problemática de convivencia por tránsito vehicular en el horario de las 6:30 am a las 9:00 am.

Al finalizar el mes de mayo del 2019 la SECCCYFP ha implementado mas de 100 escuelas con el programa Sube y Baja, lo que ha incidido en seguir mejorando la convivencia por tránsito vehicular. Actualmente se está desarrollando una campaña de difusión del programa a los vecinos de los barrios con la problemática de convivencia por tránsito vehicular mediante áreas de influencia en las escuelas con el programa implementando.

Muestra de mapa desarrollado a través del Atlas de QGIS con zonas de Jornadas de Concientización del programa Sube y Baja a vecinos de CABA mediante áreas donde se determinó mayores cantidades de instituciones educativas implementadas.

SUBE Y BAJA