Reclamos realizados a la Defensoría del Pueblo CABA 2017-2019
Manuel Zapico y Sofía Santamarina
17 de enero de 2020
En este trabajo vamos a realizar un análisis general de los trámites que fueron iniciados en la Defensoría del Pueblo de la Ciudad de Buenos Aires a partir de los reclamos realizados por los ciudadanos y las ciudadanas.
Estas visualizaciones fueron incluidas en el informe llamado Temas para el Debate 2019, el cual recuperó algunas problemáticas relevantes para que pudieran ser discutidos en los debates de candidatos y candidatas de las elecciones locales del 2019.1
¿Qué presentamos a continuación?
- Un mapeo de las comunas en donde residen las personas que realiza reclamos en la Defensoría
- División de temáticas más relevantes por comuna
- División de temáticas más relevantes por mes y año
Los paquetes que vamos a usar para este trabajo son los siguientes:
Datos Abiertos de trámites iniciados en la Defensoría del Pueblo CABA
Los trámites se encuentran subidos al sitio web de la Defensoría:
http://datos.defensoria.org.ar/dataset-tramites/
Como hemos mencionado, las bases de datos corresponden a 9 trimestres (2017, 2018 y primer trimestre de 2019). Las bajamos y las unimos con rbind.
La base DEFE_TOTAL reune todos los reclamos. Como podemos ver, tiene las siguientes variables: Comuna, Tema, Subtema, Fecha y Año.
## comuna numero tema
## 1 3 1 JUBILACIONES Y PENSIONES
## 2 Sin Comuna 2 JUBILACIONES Y PENSIONES
## 3 1 3 POLITICAS DE INCLUSION SOCIAL
## 4 Sin Comuna 4 DOCUMENTACIÓN PERSONAL
## 5 1 5 CONTROL COMUNAL
## 6 Sin Comuna 6 POLITICAS DE INCLUSION SOCIAL
## subtema
## 1 ANSES . Jubilaciones (iniciación y seguimiento)
## 2 ANSES. Otros (Reajustes, descuentos, suplementos, subsidios,mutuales, otros)
## 3 Ticket Social
## 4 DNI
## 5 Hoteles permisos y habilitaciones
## 6 Ciudadanía Porteña/ Estudiar es trabajar
## date year
## 1 2017-01-02 2017
## 2 2017-01-02 2017
## 3 2017-01-02 2017
## 4 2017-01-02 2017
## 5 2017-01-02 2017
## 6 2017-01-02 2017Finalmente, la carga de datos tiene un inconveniente que tenemos que abordar: como puede notarse, algunas comunas aparecen como NA o, en este caso, como Sin Comuna. Esto significa que no se cargó adecuadamente este dato en algunos trámites.
DEFE_TOTAL %>%
count(comuna, sort = TRUE)## # A tibble: 16 x 2
## comuna n
## <fct> <int>
## 1 Sin Comuna 31254
## 2 1 10934
## 3 7 6869
## 4 3 6501
## 5 4 5178
## 6 8 3893
## 7 15 3439
## 8 5 3246
## 9 10 2881
## 10 6 2775
## 11 13 2679
## 12 9 2563
## 13 11 2054
## 14 14 1868
## 15 2 1692
## 16 12 1459Por este motivo, vamos a crear un dataset sin estos valores perdidos. No realizaremos esto en la base original ( DEFE_TOTAL ) porque podremos analizar esos datos cuando no necesitemos la variable comuna (por ejemplo, cuando desarrollemos los estudios longitudinales).
reclamos_TOTAL_comuna_MAPA <- DEFE_TOTAL %>% filter(comuna != "Sin Comuna")
reclamos_TOTAL_comuna_MAPA %>%
count(comuna, sort = TRUE)## # A tibble: 15 x 2
## comuna n
## <fct> <int>
## 1 1 10934
## 2 7 6869
## 3 3 6501
## 4 4 5178
## 5 8 3893
## 6 15 3439
## 7 5 3246
## 8 10 2881
## 9 6 2775
## 10 13 2679
## 11 9 2563
## 12 11 2054
## 13 14 1868
## 14 2 1692
## 15 12 1459Mapeo de reclamos
Ahora sí podemos desarrollar nuestro mapa de reclamos por comuna. Antes, vamos a realizar un gráfico de barras para conocer la distribución. Para ello, necesitamos el paquete sf e incluir el mapa de las comunas, el cual obtenemos del sitio de Datos Abiertos de la Ciudad.
#Bajamos el dataset con las comunas
COMUNAS <- st_read('http://cdn.buenosaires.gob.ar/datosabiertos/datasets/comunas/CABA_comunas.geojson') %>%
arrange(COMUNAS)## Reading layer `comunas' from data source `http://cdn.buenosaires.gob.ar/datosabiertos/datasets/comunas/CABA_comunas.geojson' using driver `GeoJSON'
## Simple feature collection with 15 features and 6 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -58.53152 ymin: -34.70529 xmax: -58.33515 ymax: -34.52649
## epsg (SRID): 4326
## proj4string: +proj=longlat +datum=WGS84 +no_defs#Cambiamos la variable comuna, que es factor, a una variable numérica. Luego hacemos el conteo de reclamos por comuna.
reclamos_TOTAL_comuna_MAPA$comuna <- as.numeric(reclamos_TOTAL_comuna_MAPA$comuna)
conteo_reclamo_comuna <- reclamos_TOTAL_comuna_MAPA %>%
count(comuna, sort = TRUE) %>%
arrange(comuna)
# Graficamos!
ggplot(COMUNAS) +
geom_sf(aes(fill = conteo_reclamo_comuna$n))+
scale_fill_distiller(palette = "Spectral") +
labs(title = "Cantidad de reclamos por comuna",
subtitle = "Ciudad Autónoma de Buenos Aires: 2017, 2018 y primer trimestre 2019",
fill = "Reclamos")
Como puede notarse, la mayoría de reclamos se realizó en la Comuna 1. Este es el lugar donde están ubicadas las sedes centrales de la Defensoría. Después, hay bastantes reclamos en algunas comunas del sur de la Ciudad (9 y 10) y en la comuna 13 (límite norte de la Ciudad). Más adelante indagaremos qué características tienen estos reclamos.
Este gráfico nos enseña la cantidad total de reclamos por comuna. Sin embargo, puede ser interesante relevar la cantidad de reclamos en cada comuna dividido la cantidad de personas que viven en la comuna. De esta manera, tendremos una visualización que relacione el número de reclamos con la cantidad de gente que vive en la comuna.
Para esto vamos a utilizar la base del cientista de datos y urbanista Antonio Vázquez Brust (https://rpubs.com/HAVB), la cual tiene, entre otros datos, la población de cada una de las comunas de la Ciudad.
RADIOS <- st_read('https://bitsandbricks.github.io/data/CABA_rc.geojson', stringsAsFactors = FALSE)## Reading layer `CABA_rc' from data source `https://bitsandbricks.github.io/data/CABA_rc.geojson' using driver `GeoJSON'
## Simple feature collection with 3554 features and 8 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -58.53092 ymin: -34.70574 xmax: -58.33455 ymax: -34.528
## epsg (SRID): 4326
## proj4string: +proj=longlat +datum=WGS84 +no_defscenso_comunas <- RADIOS %>%
group_by(COMUNA) %>%
summarise(POBLACION = sum(POBLACION),
VIVIENDAS = sum(VIVIENDAS),
HOGARES = sum(HOGARES),
HOGARES_NBI = sum(HOGARES_NBI),
AREA_KM2 = sum(AREA_KM2))
# Ahora el grafico de reclamos dividido la cantidad de personas en cada comuna
ggplot(censo_comunas) +
geom_sf(aes(fill = conteo_reclamo_comuna$n/censo_comunas$POBLACION))+
scale_fill_distiller(palette = "Spectral") +
labs(title = "Cantidad de reclamos por comuna per cápita a la Defensoría CABA",
subtitle = "Ciudad Autónoma de Buenos Aires: 2017, 2018 y primer trimestre 2019",
fill = "Reclamos") +
theme(legend.position="bottom")
Ahora podemos sacar algunas conclusiones a partir de la cantidad de gente. Según el mapa, la Comuna 1 es la que ha realizado la mayor cantidad de reclamos en este período. Las otras dos comunas con más reclamos sobre cantidad de habitantes son la Comuna 3 y la Comuna 7. Como se ha mencionado, en la Comuna 1 se encuentran las sedes principales de la Defensoría; por su parte, la Comuna 7 también tiene una sede importante -Sede Flores-. Por este motivo, podríamos preguntarnos si esta condición territorial es importante al considerar la cantidad de reclamos. A partir del gráfico, podríamos responder afirmativamente: las Comunas 1, 3 y 7 son las que tienen más reclamos.
Más allá de este primer análisis, resulta fundamental conocer las características de estos reclamos o trámites iniciados. ¿Son diferentes según comuna y de acuerdo a los años? Como consecuencia de las diferencias que existen en cada una de las comunas, podemos suponer que sí hay variaciones en los temas reclamados. A continuación, veremos si esto es cierto y desarrollaremos una categorización de los reclamos por comuna.
Finalmente, la cantidad de reclamos suele ser mayor en la zona sur de la Ciudad. En las comunas del norte (2, 14, 13, 12), además de ser menos en cantidad sobre la cantidad de personas que viven en cada comuna, también son temas especiales, algo que se verá a continuación.
TEMAS GENERALES -por comuna y por año-
En esta apartado nos enfocaremos en especificar los temas de los reclamos que realizaron los ciudadanos y ciudadanas en la Defensoría del Pueblo CABA. Comenzaremos con una visualización rápida de los 10 reclamos más reiterados en 2017, 2018 y el primer trimestre 2019.
Top_10 temas más tratados
#Hacemos el top 10 de temas y sacamos "otros".
TOP_10_RECLAMOS <- DEFE_TOTAL %>%
count(subtema, sort = TRUE) %>%
filter(subtema != "Otros") %>%
top_n(10)## Selecting by n#Graficamos!
TOP_10_RECLAMOS %>%
mutate(subtema = fct_reorder(subtema, desc(n))) %>%
ggplot(aes(x=subtema, y= n, fill=subtema))+
geom_col(aes(fill = subtema), position = "dodge") +
geom_text(aes(label = n), size =4, vjust = 0.9)+
theme(axis.text.x=element_blank())+
labs(title = "Reclamos en la Defensoria del Pueblo CABA",
subtitle = "Años: de 2017 al Primer Trimestre 2019",
x="temas",
y="cantidad") +
guides(fill=guide_legend(ncol=2))+
theme(legend.position="bottom")
El tema con mayor cantidad de reclamos en la Defensoría en este período analizado es Reparación Histórica. Esto corresponde a una política particular impulsada por el Gobierno Nacional de ese momento, destinada a regular y actualizar haberes jubilatorios. La Defensoría ofrecía asistencia gratuita para realizar este trámite, por lo que es lógico que la mayor cantidad de trámites de los últimos años sean de esta temática.
Otros temas relevantes están relacionados a problemáticas habitacionales: reclamos de inquilinos y subsidios habitacionales.
Debido a la particularidad del caso de Reparación Histórica, vamos a removerlo de las visualizaciones presentadas a continuación.
Reclamos: cantidad de reclamos por año
A continuación, presentamos los 5 temas con mayor cantidad de reclamos por año. Para que sean dimensiones comparables, normalizamos los datos: dividimos la suma de los reclamos por año sobre la totalidad de los reclamos de ese año.2 Antes, seleccionamos los reclamos que tengan más de 100 casos y, tal como hemos dicho, sacamos “Reparación Histórica”.
#Analizamos el tipo de reclamos (que superen 100 reclamos) que hay en cada comuna.
RECLAMOS_POR_YEAR <- DEFE_TOTAL %>%
filter(subtema != "Programa de Reparación Histórica") %>%
group_by(year)%>%
count(subtema, sort = TRUE)
RECLAMOS_POR_YEAR %>%
summarise(sum(n)) ## # A tibble: 3 x 2
## year `sum(n)`
## <int> <int>
## 1 2017 33801
## 2 2018 33533
## 3 2019 9318RECLAMOS_POR_YEAR <- RECLAMOS_POR_YEAR %>%
mutate(TOTAL_YEAR = sum(n))
RECLAMOS_POR_YEAR <- RECLAMOS_POR_YEAR %>% mutate(COEF= (n/TOTAL_YEAR))
TOP_5_YEAR <- RECLAMOS_POR_YEAR %>% top_n(5)## Selecting by COEFggplot(TOP_5_YEAR,aes(x = year, y = COEF, fill = subtema)) +
geom_col(position = "dodge") +
labs(title = "Coeficiente de Top 5 reclamos por año", x = "Años", y="Coeficiente")+
guides(fill=guide_legend(ncol=2))+
theme(legend.position="bottom")
Se puede notar una constante: los tres años el mayor número de reclamos es de derechos de inquilinos (principalmente vinculados a alquileres de inmuebles). Cuestiones vinculadas a la documentación personal también es un reclamo recurrente. Los reclamos de ANSES descienden, hasta llegar a perder relevancia en 2019.
Entre 2018 y 2019 -primer trimestre-, adquieren una mayor relevancia los trámites migratorios y los cortes de suministros eléctricos de EDESUR. Los subsidios habitacionales son altos en los dos años.
Reclamos: mayor cantidad de temas ordenados por comunas
Ahora vamos a realizar una visualización interesante. Hemos mencionado que, debido a las características de las comunas, pueden existir diferencias en los tipos de reclamos. Por este motivo, vamos a seleccionar los 2 temas con más reclamos en cada una de las comunas para realizar nuestra comparación.
#Reclamos: mayor cantidad de subtemas ordenados por comunas
RECLAMOS_POR_COMUNA <- DEFE_TOTAL %>%
filter(subtema != "Programa de Reparación Histórica") %>%
group_by(comuna)%>%
count(subtema, sort = TRUE)
RECLAMOS_POR_COMUNA <- RECLAMOS_POR_COMUNA %>% filter(comuna != "Sin Comuna") %>% arrange(comuna)
MAX_SUB <- RECLAMOS_POR_COMUNA %>%top_n(2)## Selecting by nCOMUNA_MAX_SUBTEMA <- inner_join(RECLAMOS_POR_COMUNA,MAX_SUB) ## Joining, by = c("comuna", "subtema", "n")COMUNA_MAX_SUBTEMA$comuna = as.numeric(COMUNA_MAX_SUBTEMA$comuna)
ggplot(COMUNA_MAX_SUBTEMA, aes(x=comuna, y=n, fill=subtema))+
geom_col(stat="identity", width=0.5,
position=position_dodge(width=0.5))+
coord_flip()+
geom_text(aes(label=subtema, y=150), position=position_dodge(width=1), size = 2)+
scale_x_continuous(breaks = seq(1,15,1))+
theme(legend.position="bottom")+
labs(title = "Los dos temas con más reclamos por comuna",
subtitle = "2017, 2018 y primer trimestre 2019",
x= "Comuna",
y= "Cantidad")+
theme(legend.position="none")## Warning: Ignoring unknown parameters: stat
El tipo de reclamo más común en todas las comunas está vinculado a los derechos de los inquilinos. Esta problemática está presente en todas las comunas -excepto la 1, 9 y 14- y suele ser el reclamo más repetido en cada una de las comunas.
En la Comuna 1 y la 9, los dos problemas con más reclamos son los mismos: reajustes, descuentos, subsidios, etc.; documentación personal; y subsidios habitacionales. Tanto “derecho de los inquilinos” como “subsidios habitacionales”, está relacionado a las problemáticas de vivienda. El subsidio habitacional aparece en las comunas 1, 9, 10 y 11.
Más allá de las diferencias y temas preponderantes, es interesante conocer el tipo de denuncias que cada comuna realiza en la Defensoría del Pueblo.
A partir de estos gráficos, vamos a ocuparnos en una próxima publicación de algunos reclamos relevantes realizados en la Defensoría del Pueblo. Básicamente, ahondaremos en las problemáticas de los inquilinos, urgencia habitacional, servicios y ANSES.
Una muestra de las próximas publicaciones: reclamo de inquilinos por comuna y por mes
Como primera aproximación, y para preparar el trabajo siguiente, podemos analizar los reclamos de los/as inquilinos/as por comuna y en cada uno de los meses del año.
#Inquilinos
Inquilinos <- filter(DEFE_TOTAL, subtema == "Derechos de los Inquilinos")
Inquilinos$year = as.factor(Inquilinos$year)
Inquilinos$comuna = as.numeric(Inquilinos$comuna)
Inquilinos %>% filter(comuna != 16) %>%
mutate(MES = month(date)) %>%
group_by(comuna, MES) %>%
count() %>%
filter(comuna != "Sin Comuna") %>%
ggplot() +
geom_point(aes(x = factor(MES), y = factor(comuna), size = n, color = n))+
labs(title = "Reclamos de inquilinos",
subtitle = "Por comuna y mes",
x = "mes",
y = "Comuna") +
scale_color_distiller(palette = "Spectral")
A partir de la visualización, puede notarse que en los primeros tres meses del año este tipo de reclamos es más común. Las comunas de donde es la gente que denuncia estas problemáticas en la Defensoría del Pueblo CABA son la 13 (constantemente alto durante todo el año), la 12 y la 1.
En las próximas publicaciones seguiremos indagando en mayor profundidad sobre las características de los reclamos y trámites iniciados en la Defensoría del Pueblo CABA por los ciudadanos y las ciudadanas.
Reflexiones finales
En el presente informe hemos visto que con visualizaciones simples podemos empezar a trabajar en un análisis más pormenorizado de las características de reclamos y problemáticas de las personas que viven en la Ciudad de Buenos Aires. Los aspectos más importantes son: problemas habitacionales -emergencia habitacional, reclamos de inquilinos-; demandas vinculadas a los servicios públicos -EDESUR-; tramitación de documentos -documentación personal-; y reclamos por pensiones a personas con discapacidad o beneficiarios -ANSES-.
Además, hemos constatado que existen distintas problemáticas en cada una de las comunas. Existe una diferenciación socioeconómica entre las comunas del norte de la Ciudad (2, 14, 13, 12) y las del sur (4, 8, 9, 10, parte de la 1). Es necesario seguir trabajando a partir de los trámites para detectar características de las demandas y reclamos en los distintos sectores de la Ciudad.
Asimismo, estos análisis también pueden servir para tener información de la Defensoría: por ejemplo, hemos visto que en los lugares donde hay sedes centrales suele haber una mayor cantidad de reclamos; o el mayor trámite fue por la Ley de Reparacion Histórica, para la cual la Defensoría promocionó servicios de asistencia gratuitos.
Estas cuestiones deben seguir siendo un aspecto central de nuestro estudio.
El trabajo final está disponible en: https://www.calameo.com/read/002682399c513b3d4be5a↩
Los datos de 2019 son del primer trimestre, por lo que la cantidad total de reclamos es necesariamente menor a los años 2017 y 2018.↩