Índice de Accesibilidad a infraestructura de transporte público en barrios populares

El objetivo del presente trabajo es la construcción de un índice de accesibilidad de los barrios populares a infraestructura de transporte público compuesto por paradas de colectivos y estaciones de ferrocarriles en el área metropolitana de buenos aires.

Actividades preliminares

  1. Librerias utilizadas:
  library(tidyverse)
  library(ggmap)
  library(readr)
  library(sf)
  library(sp)
  library(RColorBrewer)
  library(ggplot2)
  library(osmdata)
  library(leaflet)
  library(ggsn)
  library(kableExtra)
  library(osmextract)
  1. Bases de datos utilizados:

Para este trabajo se utilizarón las siguientes bases de datos:

  • Límites de los Partidos de Buenos Aires: Fuente - INDEC
  • Infraestrutura Ferroviaria (Estaciones y Líneas de FF.CC): Fuente - Instituto Geográfico Nacional (IGN)
  • Paradas de Colectivos: Fuente - Open Street Maps (OSM y GEofabrik)
  • Barrios Populares: Fuente - Registro Nacional de Barrios Populares (RENABAP)
partidos <- st_read('../TP/deptos.shp')
## Reading layer `deptos' from data source `C:\Users\danie\OneDrive\Documentos\Big Data e Inteligencia Territorial 2020\TP\deptos.shp' using driver `ESRI Shapefile'
## Simple feature collection with 527 features and 13 fields
## geometry type:  MULTIPOLYGON
## dimension:      XY
## bbox:           xmin: -74.42394 ymin: -89.99741 xmax: -27.08869 ymax: -21.74506
## geographic CRS: WGS 84
estacion_trenes <- st_read('wfs:https://wms.ign.gob.ar/geoserver/ows?service=wfs&version=1.1.0&request=GetCapabilities','ign:puntos_de_transporte_ferroviario_AN070') %>%
  filter(gna=='Estación'|gna=='EStación') %>%
   select(fna,gna,nam)
## Reading layer `ign:puntos_de_transporte_ferroviario_AN070' from data source `wfs:https://wms.ign.gob.ar/geoserver/ows?service=wfs&version=1.1.0&request=GetCapabilities' using driver `WFS'
## Simple feature collection with 1992 features and 11 fields
## geometry type:  POINT
## dimension:      XY
## bbox:           xmin: -72.31004 ymin: -54.8332 xmax: -54.44514 ymax: -22.05531
## geographic CRS: WGS 84
 lineas_trenes <- st_read('wfs:https://wms.ign.gob.ar/geoserver/ows?service=wfs&version=1.1.0&request=GetCapabilities','ign:lineas_de_transporte_ferroviario_AN010') %>%
   select(fna)
## Reading layer `ign:lineas_de_transporte_ferroviario_AN010' from data source `wfs:https://wms.ign.gob.ar/geoserver/ows?service=wfs&version=1.1.0&request=GetCapabilities' using driver `WFS'
## Simple feature collection with 3221 features and 13 fields
## geometry type:  MULTILINESTRING
## dimension:      XY
## bbox:           xmin: -72.3043 ymin: -54.83606 xmax: -54.44447 ymax: -22.04799
## geographic CRS: WGS 84
## En caso de problemas de conexión
 
# estacion_trenes <- st_read('../TP/ff.cc/puntos_de_transporte_ferroviario_AN070.json') %>% 
#   filter(gna=='Estación'|gna=='EStación') %>% 
#   select(fna,gna,nam)
# 
# lineas_trenes <- st_read('../TP/ff.cc/lineas_de_transporte_ferroviario_AN010.json') %>% 
#   select(fna)
 
 barrios_populares <- st_read('../TP/barrios_populares/barrios-populares.shp')
## Reading layer `barrios-populares' from data source `C:\Users\danie\OneDrive\Documentos\Big Data e Inteligencia Territorial 2020\TP\barrios_populares\barrios-populares.shp' using driver `ESRI Shapefile'
## Simple feature collection with 4228 features and 5 fields
## geometry type:  MULTIPOLYGON
## dimension:      XY
## bbox:           xmin: -71.56234 ymin: -54.82007 xmax: -54.01357 ymax: -22.04006
## geographic CRS: WGS 84
  1. Definición del área de estudio:

Para este trabajo se tomó como área de estudio los partidos que integran el Área Metropolitana de Buenos Aires (AMBA), excluyendo la Ciudad Autónoma de Buenos Aires.

El Área Metropolitana de Buenos Aires es una delimitación utilizada por el INDEC (2003) que incluye a la Ciudad de Buenos Aires y 24 partidos del Gran Buenos Aires [http://www.observatorioamba.org/].

  • Merlo
  • Morón
  • Moreno
  • Quilmes
  • José C. Paz
  • Ituzaingó
  • Lanús
  • La Matanza
  • Lomas de Zamora
  • Malvinas Argentinas
  • San Miguel
  • San Isidro
  • Tigre
  • Vicente López
  • Tres de Febrero
  • Almirante Brown
  • Esteban Echeverría
  • Florencio Varela
  • Ezeiza
  • Hurlingham
  • General San Martín
  • Berazategui
  • Avellaneda
  • San Fernando
  • Pilar
  • Escobar
area_estudio <- c('Merlo',
         'Morón',
         'Moreno',
         'Quilmes',
         'José C. Paz',
         'Ituzaingó',
         'Lanús',
         'La Matanza',
         'Lomas de Zamora',
         'Malvinas Argentinas',
         'San Miguel',
         'San Isidro',
         'Tigre',
         'Vicente López',
         'Tres de Febrero',
         'Almirante Brown',
         'Esteban Echeverría',
         'Florencio Varela',
         'Ezeiza',
         'Hurlingham',
         'General San Martín',
         'Berazategui',
         'Avellaneda',
         'San Fernando',
         'Pilar',
         'Escobar',
         'Presidente Perón'
         )

AMBA <- partidos %>%
  filter(Provincia=='Ciudad Autónoma de Buenos Aires' | Provincia=='Buenos Aires') %>% 
  filter(nombre %in% area_estudio) %>% 
  select(nombre) %>% 
  st_as_sf(crs = 4326)

CABA <- partidos %>% 
  filter(Provincia=='Ciudad Autónoma de Buenos Aires') %>%
  select(nombre) %>%
  st_union() %>% 
  st_as_sf(crs = 4326)

union_AMBA <- AMBA %>% 
  st_union()
ggplot() +
  geom_sf(data = CABA, color='black', fill='gray96' , size = 0.1)+
  geom_sf_text(data = CABA,aes(label='CABA'), size=2.5, alpha=0.5, colour='black')+
  geom_sf(data = union_AMBA, color='black', alpha=0 , size = 0.8)+
  geom_sf(data = AMBA, fill = 'lightcyan', size = 0.2,alpha=0.5) +
  geom_sf_text(data = AMBA,aes(label=nombre), size=2, alpha=0.8, colour='black')+
  labs(title = "Área Metropolitana de Buenos Aires (AMBA)",
       subtitle = "Área de Estudio",
       caption= 'Fuente: OSM | INDEC | IGN',
       y="Latitud ",
       x="Longitud")+
   scalebar(data=AMBA, dist = 6, st.size=2.5, height=0.01, dist_unit = "km",  transform = T, location="bottomright" , model = 'WGS84',border.size=0.5)+
   north(AMBA,
         # location = "bottomleft",
         symbol = 16, 
         scale=0.08)+
          theme_bw()
## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

Infraestrucutra de Transporte Público en el AMBA

Paradas de Colectivos

En primer lugar se localizaron las paradas de colectivos en el área de estudio por medio de los servicio de Open Street Map (OSM) y de la base de datos de Geofabrik.

Se utilizó la base de geofabrik por contener más registos (7141), que los provistos por OSM (5142).

bbox <- getbb("Provincia de Buenos Aires")

BsAs <- opq(bbox) %>% 
    add_osm_feature(key = 'public_transport' , value = 'stop_position') %>% 
    osmdata_sf()

bus_stop <- BsAs$osm_points

bus_stop_AMBA_OSM <-st_intersection(bus_stop,AMBA) %>% 
  select(name,public_transport)
## although coordinates are longitude/latitude, st_intersection assumes that they are planar
## Warning: attribute variables are assumed to be spatially constant throughout all
## geometries
# Por si se cae el servidor
#st_write(bus_stop_AMBA,'../TP/bus_stop_AMBA.shp') 

## nombres en UTF8

bus_stop_AMBA_UTF8 <- iconv(bus_stop_AMBA_OSM$name, from="UTF-8", to="UTF-8") %>%
as.data.frame()

bus_stop_AMBA_OSM <- bus_stop_AMBA_OSM %>% 
  bind_cols(bus_stop_AMBA_UTF8) %>% 
  rename(.,
nombres = `.`) 

## Geofabrik 

bus_stop_geofabrik <- st_read('../TP/argentina-latest-free.shp/gis_osm_transport_free_1.shp') %>% 
  filter(fclass=='bus_stop')
## Reading layer `gis_osm_transport_free_1' from data source `C:\Users\danie\OneDrive\Documentos\Big Data e Inteligencia Territorial 2020\TP\argentina-latest-free.shp\gis_osm_transport_free_1.shp' using driver `ESRI Shapefile'
## Simple feature collection with 35334 features and 4 fields
## geometry type:  POINT
## dimension:      XY
## bbox:           xmin: -73.13644 ymin: -54.93258 xmax: -53.02311 ymax: -22.05534
## geographic CRS: WGS 84
bus_stop_geofabrik_AMBA <- st_intersection(bus_stop_geofabrik,AMBA)
## although coordinates are longitude/latitude, st_intersection assumes that they are planar
## Warning: attribute variables are assumed to be spatially constant throughout all
## geometries
## Se selecciono la base de GEofabrik por contener más registos (7141), que los provistos por OSM (5142)
# st_write(bus_stop_geofabrik_AMBA,'../TP/bus_stop_geofabrik_AMBA.shp')

bus_stop_AMBA <- bus_stop_geofabrik_AMBA
ggplot() +
  geom_sf(data = CABA, color='black', fill='gray96' , size = 0.1)+
  geom_sf_text(data = CABA,aes(label='CABA'), size=2.5, alpha=0.5, colour='black')+
  geom_sf(data = union_AMBA, color='black', alpha=0 , size = 0.8)+
  geom_sf(data = AMBA, fill = 'lightcyan', size = 0.2,alpha=0.5) +
  geom_sf_text(data = AMBA,aes(label=nombre), size=2, alpha=0.8, colour='black')+
  geom_sf(data=bus_stop_AMBA, size=0.5, aes(color='Paradas de Colectivos'), alpha=0.6)+
  labs(title = "Área Metropolitana de Buenos Aires (AMBA)",
       subtitle = "Paradas de Colectivos",
       caption= 'Fuente: OSM | INDEC | IGN',
       y="Latitud ",
       x="Longitud")+
    scale_color_manual(values= c('Paradas de Colectivos'='blue2'),
                     name='Referencias')+
  guides(colour = guide_legend(override.aes = list(size=3,  
                                                   alpha = 0.7)))+
scalebar(data=AMBA, dist = 6, st.size=2.5, height=0.01, dist_unit = "km",  transform = T, location="bottomright" , model = 'WGS84',border.size=0.5)+
   north(AMBA,
         symbol = 16, 
         scale=0.08)+
          theme_bw()
## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

Infraestructura de trasnporte ferroviario

La información de infraestructura ferroviaria en el AMBA (área de estudio) se obtuvo a través del Instituto Geográfico Nacional (IGN). La información corresponde a las estaciones de FF.CC y a las líneas de FF.CC. Las capas geográficas se obtuvieron por medio del servicio Web Feature Service (WFS) del IGN.

lineas_trenes_AMBA <- st_intersection(lineas_trenes,AMBA)
## although coordinates are longitude/latitude, st_intersection assumes that they are planar
## Warning: attribute variables are assumed to be spatially constant throughout all
## geometries
estacion_trenes_AMBA <-  st_intersection(estacion_trenes,AMBA)
## although coordinates are longitude/latitude, st_intersection assumes that they are planar
## Warning: attribute variables are assumed to be spatially constant throughout all
## geometries
ggplot() +
  geom_sf(data = CABA, color='black', fill='gray96' , size = 0.1)+
  geom_sf_text(data = CABA,aes(label='CABA'), size=2.5, alpha=0.5, colour='black')+
  geom_sf(data = union_AMBA, color='black', alpha=0 , size = 0.8)+
  geom_sf(data = AMBA, fill = 'lightcyan', size = 0.2,alpha=0.5) +
  geom_sf_text(data = AMBA,aes(label=nombre), size=2, alpha=0.8, colour='black')+
  geom_sf(data=lineas_trenes_AMBA, size=0.4, aes(color='Lineas de FF.CC'),show.legend = 'line',alpha=0.2)+
  geom_sf(data=estacion_trenes_AMBA, size=1, aes(color='Estaciones de FF.CC'), show.legend = 'point', alpha=0.7)+
  labs(title = 'Área Metropolitana de Buenos Aires (AMBA)',
       subtitle = 'Infraestructura de Transporte Ferroviario',
       caption= 'Fuente: OSM | INDEC | IGN',
       y="Latitud ",
       x="Longitud")+
  scale_color_manual(values= c('Estaciones de FF.CC'='black', 'Lineas de FF.CC'='red'),
                     name='Referencias',
                      guide = guide_legend(override.aes = list(linetype = c('blank','solid'),
                                                               size=c('Estaciones de FF.CC'=3,
                                                                      'Lineas de FF.CC'=1),
                                                               shape = c(20, NA),
                                                               alpha = 1)))+
scalebar(data=AMBA, dist = 6, st.size=2.5, height=0.01, dist_unit = "km",  transform = T, location="bottomright" , model = 'WGS84',border.size=0.5)+
   north(AMBA,
         symbol = 16, 
         scale=0.08)+
          theme_bw()
## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data
## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

Barrios Populares

En relación a la localización de áreas vulnerables, se tomó a partir del Resgitro Nacional de Barrios Populares RENABAP. Este registro considera Barrio Popular a los barrios vulnerables en los que viven al menos 8 familias agrupadas o contiguas, donde más de la mitad de la población no cuenta con título de propiedad del suelo ni acceso regular a dos, o más, de los servicios básicos (red de agua corriente, red de energía eléctrica con medidor domiciliario y/o red cloacal). [https://www.argentina.gob.ar/noticias/barrios-populares].

BP_AMBA <-st_intersection(barrios_populares,AMBA)
## although coordinates are longitude/latitude, st_intersection assumes that they are planar
## Warning: attribute variables are assumed to be spatially constant throughout all
## geometries
BP_AMBA_total <- BP_AMBA %>% 
  group_by() %>% 
  summarise(sum=n()) %>% 
  pull(1)

BP_total <- barrios_populares %>% 
   summarise(sum=n()) %>% 
  pull(1)

AMBA_pobl <- partidos %>%
  filter(Provincia=='Ciudad Autónoma de Buenos Aires' | Provincia=='Buenos Aires') %>% 
  filter(nombre %in% area_estudio) %>% 
  select(nombre, tot_pob) %>% 
  st_set_geometry(NULL) 

pob_area <-AMBA_pobl %>% 
   group_by() %>% 
  summarise(sum(tot_pob))%>% 
  pull(1) 

pobl_total <- partidos %>% 
   group_by() %>% 
  summarise(sum(tot_pob))%>% 
  st_set_geometry(NULL) %>% 
  pull(1)

Teniendo en cuenta esta base en el área de estudio se encuentran 1.119 Barrios Populares lo que significa un 26 % del total del país.

En cuanto a la poblacion en el area de estudio en base al CENSO 2010 es de 10.510.552, equivalente al 26% del país.

ggplot() +
  geom_sf(data = CABA, color='black', fill='gray96' , size = 0.1)+
  geom_sf_text(data = CABA,aes(label='CABA'), size=2.5, alpha=0.5, colour='black')+
  geom_sf(data = union_AMBA, color='black', alpha=0 , size = 0.8)+
  geom_sf(data = AMBA, fill = 'lightcyan', size = 0.2,alpha=0.5) +
  geom_sf_text(data = AMBA, aes(label=nombre), size=2, alpha=0.8, colour='black')+
  geom_sf(data = BP_AMBA, color='black', aes(fill='Barrios Populares'),  size = 0.05, alpha=0.8) +
  scale_fill_manual(values= c('Barrios Populares'='red'),
                     name='Referencias', 
                     )+
  labs(title = 'Área Metropolitana de Buenos Aires (AMBA)',
       subtitle = 'Barrios Populares',
       caption= 'Fuente: OSM | INDEC | IGN',
       y="Latitud ",
       x="Longitud")+
  scalebar(data=AMBA, dist = 6, st.size=2.5, height=0.01, dist_unit = "km",  transform = T, location="bottomright" , model = 'WGS84',border.size=0.5)+
   north(AMBA,
         symbol = 16, 
         scale=0.08)+
          theme_bw()
## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

Construcción de un Índice de Accesibilidad de Barrios Populares a Infraestructura de Trasporte Público (Paradas de Colectivos y Estaciones de FF.CC)

  1. Cálculo de distancias de Barrios Populares a infraestrucutura de transporte público

En primer lugar calculamos un punto de referencia (centroides) dentro del área de cada barrio popular para efectuar el análisis de distancias a infraestructura de transporte público (Estaciones de Colectivos y Estaciones de FF.CC).

Posteriormente calculamos las distancias de cada centroide a las paradas de colectivos y a las estaciones de trenes más cercana.

centroides_BP_AMBA <- st_centroid(BP_AMBA)
## Warning in st_centroid.sf(BP_AMBA): st_centroid assumes attributes are constant
## over geometries of x
## Warning in st_centroid.sfc(st_geometry(x), of_largest_polygon =
## of_largest_polygon): st_centroid does not give correct centroids for longitude/
## latitude data
dist_BP_accesibilidad <- centroides_BP_AMBA %>% 
  mutate(dist_BP_bus = apply(st_distance(centroides_BP_AMBA, bus_stop_AMBA ), 1, function(x) min(x))) %>% 
  mutate(dist_BP_est_trenes = apply(st_distance(centroides_BP_AMBA, estacion_trenes_AMBA ), 1, function(x) min(x)))
  1. Cálculo de estadísticos
estad_bus <- data.frame(unclass(summary(dist_BP_accesibilidad$dist_BP_bus)), check.names = FALSE, stringsAsFactors = FALSE)
colnames(estad_bus)[1] <- "Estadísticos (m)"


kable((estad_bus),caption = "Estadísticos - Distancia de barrios populares a paradas de colectivos") %>% 
  kable_styling(bootstrap_options=c("hover","condensed"))
Estadísticos - Distancia de barrios populares a paradas de colectivos
Estadísticos (m)
Min. 9.999959
1st Qu. 496.770292
Median 1000.578722
Mean 1375.746789
3rd Qu. 1831.256868
Max. 7307.445805 
estad_ffcc <- data.frame(unclass(summary(dist_BP_accesibilidad$dist_BP_est_trenes)), check.names = FALSE, stringsAsFactors = FALSE)

colnames(estad_ffcc)[1] <- "Estadísticos (m)"


kable((estad_ffcc),caption = "Estadísticos - Distancia de barrios populares a estaciones de FF.CC") %>% 
  kable_styling(bootstrap_options=c("hover","condensed"))
Estadísticos - Distancia de barrios populares a estaciones de FF.CC
Estadísticos (m)
Min. 9.004587
1st Qu. 1253.882031
Median 1930.272277
Mean 2265.127344
3rd Qu. 2818.944177
Max. 11892.832197

Observamos que el promedio de distancia entre el centroide de un Barrio Popular a una parada de colectivo es de 1376 m, y a una estación de FF.CC es de 2265 m.

  1. Cálculo de índice de accesibilidad

El índice de accesibilidad se calculó en base a la identificación de aquellos barrios populares que presentaban distancias mayores y menores al promedio a paradas de colectivos y a estaciones de FF.CC:

tabla1 <- data.frame(Infraestructura= c('Paradas de Colectivos','Estaciones de FF.CC'),
                     Mayor=c(0,0),
                     Menor=c(1,1))
colnames(tabla1)[1] <- "Infraestructura de Transporte"
colnames(tabla1)[2] <- "Distancia Mayor al promedio"
colnames(tabla1)[3] <- "Distancia Menor al Promedio"

kable(tabla1) %>% 
  kable_styling(bootstrap_options=c("hover","condensed"))
Infraestructura de Transporte Distancia Mayor al promedio Distancia Menor al Promedio
Paradas de Colectivos 0 1
Estaciones de FF.CC 0 1

En primer lugar se categorizaron los barrios populares que tienen distancias mayores al promedio, ya sea a parada de colectivo o a una estaciones de FF.CC, como uno (1); o cero (0), si es menor al promedio.

Por último, el índice se estimó considerando la sumatoria de estas dos columnas (distancia a paradas de colectivos + distancia a estaciones de FF.CC) por cada barrio en donde:

tabla2 <- data.frame(Accesibilidad= c('Accesibilidad Baja','Accesbilidad Media','Accesibilidad Alta'),
                     Rango=c(0,1,2)) 
colnames(tabla2)[1] <- "Accesibilidad a Insfraestructura de Transporte"
colnames(tabla2)[2] <- "Paradas de Colectivos + Estaciones de FF.CC"

kable(tabla2) %>% 
  kable_styling(bootstrap_options=c("hover","condensed"))
Accesibilidad a Insfraestructura de Transporte Paradas de Colectivos + Estaciones de FF.CC
Accesibilidad Baja 0
Accesbilidad Media 1
Accesibilidad Alta 2 
dist_BP_accesibilidad_analisis <- dist_BP_accesibilidad %>% 
  mutate(dist_BP_bus_mean=ifelse(dist_BP_bus>mean(dist_BP_bus),0,1)) %>% 
  mutate(dist_BP_est_trenes_mean=ifelse(dist_BP_est_trenes>mean(dist_BP_est_trenes),0,1)) %>% 
  mutate(dist_total=(dist_BP_bus_mean+dist_BP_est_trenes_mean)) %>% 
  mutate(dist_total_acce=(ifelse(dist_total==0,'Accesibilidad Baja',ifelse(dist_total==1,'Accesibilidad Media', ifelse(dist_total==2,'Accesibilidad Alta',0)))))

dist_BP_accesibilidad_analisis$dist_total_acce <- factor(dist_BP_accesibilidad_analisis$dist_total_acce , levels = c("Accesibilidad Alta", "Accesibilidad Media", "Accesibilidad Baja"))
ggplot() +
  geom_sf(data = CABA, color='black', fill='gray96' , size = 0.1)+
  geom_sf_text(data = CABA,aes(label='CABA'), size=2.5, alpha=0.5, colour='black')+
  geom_sf(data = union_AMBA, color='black', alpha=0 , size = 0.8)+
  geom_sf(data = AMBA, fill = 'lightcyan', size = 0.2,alpha=0.5) +
  geom_sf_text(data = AMBA,aes(label=nombre), size=2, alpha=0.8, colour='black')+
  geom_sf(data=dist_BP_accesibilidad_analisis, size=2, aes(color=dist_total_acce), alpha=1)+
  labs(title = "Área Metropolitana de Buenos Aires (AMBA)",
       subtitle = "Accesibilidad a Insfraestructura de Transporte de Barrios Populares",
       caption= 'Fuente: OSM | INDEC | IGN',
       y="Latitud ",
       x="Longitud")+
    scale_color_manual(values=c('#31a354', '#fdae6b','#e34a33'),
                     name='Referencias')+
  guides(colour = guide_legend(override.aes = list(size=3,  
                                                   alpha = 0.7)))+
scalebar(data=AMBA, dist = 6, st.size=2.5, height=0.01, dist_unit = "km",  transform = T, location="bottomright" , model = 'WGS84',border.size=0.5)+
   north(AMBA,
         symbol = 16, 
         scale=0.08)+
          theme_bw()
## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

A continuacion se presentan los resultados de accesibilidad por partidos:

dist_BP_accesibilidad_analisis_partidos <- dist_BP_accesibilidad_analisis %>% 
  group_by(departamen,dist_total_acce) %>% 
  summarise(total_acc=sum(dist_total=n())) %>% 
  st_set_geometry(NULL) 

dist_BP_accesibilidad_analisis_partidos_total <- dist_BP_accesibilidad_analisis_partidos %>% 
   group_by(departamen) %>% 
  summarise(total=sum(total_acc))

dist_BP_accesibilidad_analisis_partidos_join <- left_join(dist_BP_accesibilidad_analisis_partidos,dist_BP_accesibilidad_analisis_partidos_total) 
## Joining, by = "departamen"
dist_BP_accesibilidad_analisis_partidos_join$dist_total_acce <- factor(dist_BP_accesibilidad_analisis_partidos_join$dist_total_acce, levels = c("Accesibilidad Baja", "Accesibilidad Media", "Accesibilidad Alta"))


dist_BP_accesibilidad_analisis_partidos_Plot <- ggplot() +
  geom_col(data = dist_BP_accesibilidad_analisis_partidos_join, aes(x=reorder(departamen,-total), y = total_acc, fill = (dist_total_acce)), colour="black",alpha=0.6)+
  labs(title = 'Accesibilidad a transporte público por partido de Barrios Popuales',
       x = NULL,
       y = "Barrios Popualres",
       size=8,
       fill='Referencias')+
  theme_bw ()+
  scale_x_discrete(label = function(x) stringr::str_trunc(x, 20))+
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))+
  scale_fill_manual(values=c( '#e34a33','#fdae6b', '#31a354'))

dist_BP_accesibilidad_analisis_partidos_Plot

dist_BP_accesibilidad_analisis_sum <- dist_BP_accesibilidad_analisis %>% 
  group_by(dist_total_acce) %>% 
  summarise(Total=n()) 

Alta <- filter(dist_BP_accesibilidad_analisis_sum,
               dist_total_acce=='Accesibilidad Alta') %>% 
  select(Total) %>% 
  pull()

Media <- filter(dist_BP_accesibilidad_analisis_sum,
               dist_total_acce=='Accesibilidad Media') %>% 
  select(Total) %>% 
  pull()

Baja <- filter(dist_BP_accesibilidad_analisis_sum,
               dist_total_acce=='Accesibilidad Baja') %>% 
  select(Total) %>% 
  pull()

Total <- dist_BP_accesibilidad_analisis %>% 
   group_by() %>% 
  summarise(Total=n()) %>% 
  pull(1)

Conclusiones:

A traves de este analisis se concluye que la cantidad de Barrios Populares que presentan una accesibilidad a infraestructura de transporte baja es de 13% (150) , con accsesibilidad media es de 49% (546) y con accesibilidad alta de 38% (423).

Tenemos como limitantes de este trabajo que las distancias son calculadas teniendo como referencia los centroides de cada barrio, lo cual podría tener inconvenientes en poligonos con superficies grandes y cuyos perímetros estén próximos a alguna infratestructura de transporte.

También las distancias son calculadas línealmente sin tener en consideración la trama urbana (calles, avenidas u obstáculos) de acceso a la infraestructura de transporte.