#Espacios verdes en Rosario, Santa Fe ##Análisis de datos espaciales
Primeras aproximaciones
Haremos un mapeo de la ciudad de Rosario obteniendo distintos mapas que nos llevaran a conclusiones entre a relaciones entre los espacios verdes y los distintos datos analizados
library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --## v ggplot2 3.3.0 v purrr 0.3.4
## v tibble 3.0.1 v dplyr 0.8.5
## v tidyr 1.0.2 v stringr 1.4.0
## v readr 1.3.1 v forcats 0.5.0## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(ggthemes)
library(ggplot2)
library(knitr)
library(sf)## Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1library(ggplot2)
library(osmdata)## Data (c) OpenStreetMap contributors, ODbL 1.0. https://www.openstreetmap.org/copyrightlibrary(hereR)
library(ggmap)## Google's Terms of Service: https://cloud.google.com/maps-platform/terms/.## Please cite ggmap if you use it! See citation("ggmap") for details.##
## Attaching package: 'ggmap'## The following objects are masked from 'package:hereR':
##
## geocode, routelibrary(leaflet)
library(readxl)
library(rmarkdown)
library(knitr)
library(hms)
library(ggsflabel)##
## Attaching package: 'ggsflabel'## The following objects are masked from 'package:ggplot2':
##
## geom_sf_label, geom_sf_text, StatSfCoordinateslibrary(viridis)## Loading required package: viridisLitelibrary(RColorBrewer)
library(leaflet)
library(sp)
library(rgeos)## rgeos version: 0.5-5, (SVN revision 640)
## GEOS runtime version: 3.8.0-CAPI-1.13.1
## Linking to sp version: 1.4-2
## Polygon checking: TRUElibrary(stringr)
library(htmltools)
library(maps)##
## Attaching package: 'maps'## The following object is masked from 'package:purrr':
##
## maplibrary(spdep)## Loading required package: spData## To access larger datasets in this package, install the spDataLarge
## package with: `install.packages('spDataLarge',
## repos='https://nowosad.github.io/drat/', type='source')`require(spatialreg) ## Loading required package: spatialreg## Loading required package: Matrix##
## Attaching package: 'Matrix'## The following objects are masked from 'package:tidyr':
##
## expand, pack, unpack## Registered S3 methods overwritten by 'spatialreg':
## method from
## residuals.stsls spdep
## deviance.stsls spdep
## coef.stsls spdep
## print.stsls spdep
## summary.stsls spdep
## print.summary.stsls spdep
## residuals.gmsar spdep
## deviance.gmsar spdep
## coef.gmsar spdep
## fitted.gmsar spdep
## print.gmsar spdep
## summary.gmsar spdep
## print.summary.gmsar spdep
## print.lagmess spdep
## summary.lagmess spdep
## print.summary.lagmess spdep
## residuals.lagmess spdep
## deviance.lagmess spdep
## coef.lagmess spdep
## fitted.lagmess spdep
## logLik.lagmess spdep
## fitted.SFResult spdep
## print.SFResult spdep
## fitted.ME_res spdep
## print.ME_res spdep
## print.lagImpact spdep
## plot.lagImpact spdep
## summary.lagImpact spdep
## HPDinterval.lagImpact spdep
## print.summary.lagImpact spdep
## print.sarlm spdep
## summary.sarlm spdep
## residuals.sarlm spdep
## deviance.sarlm spdep
## coef.sarlm spdep
## vcov.sarlm spdep
## fitted.sarlm spdep
## logLik.sarlm spdep
## anova.sarlm spdep
## predict.sarlm spdep
## print.summary.sarlm spdep
## print.sarlm.pred spdep
## as.data.frame.sarlm.pred spdep
## residuals.spautolm spdep
## deviance.spautolm spdep
## coef.spautolm spdep
## fitted.spautolm spdep
## print.spautolm spdep
## summary.spautolm spdep
## logLik.spautolm spdep
## print.summary.spautolm spdep
## print.WXImpact spdep
## summary.WXImpact spdep
## print.summary.WXImpact spdep
## predict.SLX spdep##
## Attaching package: 'spatialreg'## The following objects are masked from 'package:spdep':
##
## anova.sarlm, as.spam.listw, as_dgRMatrix_listw, as_dsCMatrix_I,
## as_dsCMatrix_IrW, as_dsTMatrix_listw, bptest.sarlm, can.be.simmed,
## cheb_setup, coef.gmsar, coef.sarlm, coef.spautolm, coef.stsls,
## create_WX, deviance.gmsar, deviance.sarlm, deviance.spautolm,
## deviance.stsls, do_ldet, eigen_pre_setup, eigen_setup, eigenw,
## errorsarlm, fitted.gmsar, fitted.ME_res, fitted.sarlm,
## fitted.SFResult, fitted.spautolm, get.ClusterOption,
## get.coresOption, get.mcOption, get.VerboseOption,
## get.ZeroPolicyOption, GMargminImage, GMerrorsar, griffith_sone,
## gstsls, Hausman.test, HPDinterval.lagImpact, impacts, intImpacts,
## Jacobian_W, jacobianSetup, l_max, lagmess, lagsarlm, lextrB,
## lextrS, lextrW, lmSLX, logLik.sarlm, logLik.spautolm, LR.sarlm,
## LR1.sarlm, LR1.spautolm, LU_prepermutate_setup, LU_setup,
## Matrix_J_setup, Matrix_setup, mcdet_setup, MCMCsamp, ME, mom_calc,
## mom_calc_int2, moments_setup, powerWeights, predict.sarlm,
## predict.SLX, print.gmsar, print.ME_res, print.sarlm,
## print.sarlm.pred, print.SFResult, print.spautolm, print.stsls,
## print.summary.gmsar, print.summary.sarlm, print.summary.spautolm,
## print.summary.stsls, residuals.gmsar, residuals.sarlm,
## residuals.spautolm, residuals.stsls, sacsarlm, SE_classic_setup,
## SE_interp_setup, SE_whichMin_setup, set.ClusterOption,
## set.coresOption, set.mcOption, set.VerboseOption,
## set.ZeroPolicyOption, similar.listw, spam_setup, spam_update_setup,
## SpatialFiltering, spautolm, spBreg_err, spBreg_lag, spBreg_sac,
## stsls, subgraph_eigenw, summary.gmsar, summary.sarlm,
## summary.spautolm, summary.stsls, trW, vcov.sarlm, Wald1.sarlmrequire(splitstackshape)## Loading required package: splitstackshapelibrary(tinytex)Distritos #### Analizaremos la cantidad de espacios público verde por distrito
distritos <- st_read ('https://datos.rosario.gob.ar/sites/default/files/distritos_descentralizados.gml')## Reading layer `distritos_descentralizados' from data source `https://datos.rosario.gob.ar/sites/default/files/distritos_descentralizados.gml' using driver `GML'
## Simple feature collection with 6 features and 3 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -60.7971 ymin: -33.03897 xmax: -60.61183 ymax: -32.86925
## geographic CRS: WGS 84espacioverde <- st_read ('https://datos.rosario.gob.ar/sites/default/files/espacios_verdes_parques.gml')## Reading layer `espacios_verdes_parques' from data source `https://datos.rosario.gob.ar/sites/default/files/espacios_verdes_parques.gml' using driver `GML'
## Simple feature collection with 88 features and 5 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -60.75129 ymin: -33.01096 xmax: -60.61996 ymax: -32.89483
## geographic CRS: WGS 84espacioverde2 <- st_read('https://datos.rosario.gob.ar/sites/default/files/espacios_verdes_plazas.gml')## Reading layer `espacios_verdes_plazas' from data source `https://datos.rosario.gob.ar/sites/default/files/espacios_verdes_plazas.gml' using driver `GML'
## Simple feature collection with 480 features and 5 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -60.7789 ymin: -33.02477 xmax: -60.62133 ymax: -32.87118
## geographic CRS: WGS 84Juntamos ambos datasets ya que uno incluye parques y otro incluye las plazas
datosparques <-rbind(espacioverde,espacioverde2)Mapeamos los espacios verdes por Distristo en la ciudad de Rosario
ggplot() +
geom_sf(data = distritos) +
geom_sf(data = datosparques , fill = 'darkgreen')+
labs(title = "Espacio verde en Rosario, Santa Fe",
caption= "Fuente: https://datos.rosario.gob.ar/")+
theme_minimal()
Relacionamos los espacios verdes y su distribución por distrito
espacioverde_distrito<- st_join(datosparques, distritos)## although coordinates are longitude/latitude, st_intersects assumes that they are planarggplot() +
geom_sf(data = distritos) +
geom_sf(data = espacioverde_distrito, aes(color = DISTRITO), size=1) +
guides(fill = FALSE) +
labs(title = "Espacios Verdes por Distritos, Rosario",
caption= "Fuente: https://datos.rosario.gob.ar/",
fill= "DISTRITO",
y="",
x="") +
theme_minimal()
espacioverde_distrito_cant <- espacioverde_distrito %>%
group_by(DISTRITO) %>%
summarise(cantidad=n()) espacioverde_distrito_cant <- espacioverde_distrito_cant %>%
st_set_geometry(NULL)head(espacioverde_distrito_cant)## # A tibble: 6 x 2
## DISTRITO cantidad
## <fct> <int>
## 1 CENTRO 144
## 2 NOROESTE 133
## 3 NORTE 117
## 4 OESTE 71
## 5 SUDOESTE 41
## 6 SUR 69distritos_cant <- distritos %>%
left_join(espacioverde_distrito_cant, by="DISTRITO")
head(distritos_cant)## Simple feature collection with 6 features and 4 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -60.7971 ymin: -33.03897 xmax: -60.61183 ymax: -32.86925
## geographic CRS: WGS 84
## gml_id DISTRITO OBSERVACIO cantidad
## 1 distritos_descentralizados.1 NORTE Villa Hortencia 117
## 2 distritos_descentralizados.2 NOROESTE Olga y Leticia Cossettini 133
## 3 distritos_descentralizados.3 CENTRO Antonio Berni 144
## 4 distritos_descentralizados.4 SUDOESTE <NA> 41
## 5 distritos_descentralizados.5 OESTE Felipe More 71
## 6 distritos_descentralizados.6 SUR Rosa Ziperovich 69
## geometry
## 1 POLYGON ((-60.78204 -32.874...
## 2 POLYGON ((-60.77064 -32.896...
## 3 POLYGON ((-60.69245 -32.948...
## 4 POLYGON ((-60.69016 -33.034...
## 5 POLYGON ((-60.7605 -32.9509...
## 6 POLYGON ((-60.65979 -32.969...ggplot(distritos_cant) +
geom_bar(aes(weight = cantidad, x = DISTRITO), fill=brewer.pal(n = 6, name = "Spectral")) +
labs(title = "Espacios verdes por Distrito",
fill = "Cantidad",
caption= "Fuente: https://datos.rosario.gob.ar/",
y="Cantidad",
x="distrito") +
coord_flip()
####Se puede ver la marcada tendencia de contración de espacios verdes en distrito centro
Barrios Rosario
####Para poder enteder con mayor presiciÓn tendencias territoriales, sumamos la variable de Barrios
barrios <- st_read ('https://datos.rosario.gob.ar/sites/default/files/barrios.gml')## Reading layer `barrios' from data source `https://datos.rosario.gob.ar/sites/default/files/barrios.gml' using driver `GML'
## Simple feature collection with 50 features and 3 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -60.79693 ymin: -33.03934 xmax: -60.61278 ymax: -32.86941
## geographic CRS: WGS 84barrio_distrito<- st_join(barrios, distritos)## although coordinates are longitude/latitude, st_intersects assumes that they are planarMapeamos los espacios verdes en la ciudad de Rosario
ggplot() +
geom_sf(data = barrios) +
geom_sf(data = datosparques , fill = 'darkgreen')+
labs(title = "Espacios verdes por Barrio en Rosario, Santa Fe",
caption= "Fuente: https://datos.rosario.gob.ar/")+
theme_minimal()
Espacios Verdes en relacion a los barrios de Rosario
Queremos ver la proporción de espacio verde en cada barrio de la ciudad
espacioverde_barrios<- st_join(datosparques, barrios)## although coordinates are longitude/latitude, st_intersects assumes that they are planarMapeamos los espacios verdes que hay por barrio
ggplot() +
geom_sf(data = barrios) +
geom_sf(data = espacioverde_barrios, aes(color = BARRIO), size=1) +
guides(fill = FALSE) +
labs(title = "Espacios verdes por Barrio en Rosario, Santa Fe",
caption= "Fuente: https://datos.rosario.gob.ar/")+
theme(legend.position = "bottom") 
Calculamos la cantidad de espacio público verde para cada barrio de la ciudad
espacioverde_barrios_cant <- espacioverde_barrios %>%
group_by(BARRIO) %>%
summarise(cantidad=n())## Warning: Factor `BARRIO` contains implicit NA, consider using
## `forcats::fct_explicit_na`espacioverde_barrios_cant<- espacioverde_barrios_cant %>%
st_set_geometry(NULL)head(espacioverde_barrios_cant)## # A tibble: 6 x 2
## BARRIO cantidad
## <fct> <int>
## 1 17 de agosto 3
## 2 Alberdi 24
## 3 Alberto Olmedo 5
## 4 Alvear 18
## 5 Antártida Argentina 50
## 6 Azcuenaga 3barrios_cant <- barrios %>%
left_join(espacioverde_barrios_cant, by="BARRIO")
head(barrios_cant)## Simple feature collection with 6 features and 4 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -60.72556 ymin: -32.99758 xmax: -60.6559 ymax: -32.89296
## geographic CRS: WGS 84
## gml_id MSLINK BARRIO cantidad
## 1 barrios.1 28 Victoria Walsh NA
## 2 barrios.2 38 14 de Octubre NA
## 3 barrios.3 50 Docente "Hermanas Cossettini" NA
## 4 barrios.4 22 Latinoamerica 15
## 5 barrios.5 47 Bella Vista 9
## 6 barrios.6 45 Parque Casado 1
## geometry
## 1 POLYGON ((-60.68993 -32.964...
## 2 POLYGON ((-60.66428 -32.996...
## 3 POLYGON ((-60.72556 -32.893...
## 4 POLYGON ((-60.66768 -32.968...
## 5 POLYGON ((-60.69234 -32.959...
## 6 POLYGON ((-60.66151 -32.976...Realizamos un gráfico de barras que muestra la cantidad de espacio público verde por barrio
ggplot(barrios_cant) +
geom_bar(fill=rgb(0.1,1,0.5,0.7),aes(x = BARRIO, weight = cantidad))+
labs(title = "Espacios verdes por Barrio",
fill = "Cantidad",
caption= "Fuente: https://datos.rosario.gob.ar/",
y="Cantidad de Espacios Verdes",
x="Barrios") +
coord_flip()
Se puede ver que la disponibilidad de espacios verdes no es igual en todos los barrios de la ciudad
Ahora mapeamos los datos de manera geoespacial para poder enterder las relaciones obtenidas
ggplot() +
geom_sf(data = barrios_cant, aes(fill=cantidad)) +
labs(title = "Espacio verde por Barrio",
fill = "Cantidad",
caption= "Fuente: https://datos.rosario.gob.ar/",
y="",
x="") +
scale_fill_gradient(low="khaki2", high="deeppink4") +
geom_sf_label_repel(data = barrios_cant,
aes(label = BARRIO), size = 2)## Warning in st_point_on_surface.sfc(data$geometry): st_point_on_surface may not
## give correct results for longitude/latitude data
Se puede ver una fuerte concentracion de espacio verde en el barrio Centro de la ciudad de Rosario.
Disponibilidad de espacios verdes por habitante
###Vamos la proporción del suelo de la ciudad de Rosario destinada a Espacios Verdes y el metro cuadrado de esapcio verde por habitante. Para lo cual, vamos a relacionar la infoamción reunida anteriormente con el total de la pobleción de la ciudad
espacios_verdes_rosario<- espacioverde_barrios%>%
mutate(ciudad = 'Rosario')%>%
mutate(area = st_area(espacioverde_barrios))%>%
mutate(area = as.numeric(area))%>%
mutate(poblacion = 1350475)%>%
st_set_geometry(NULL)%>%
select(ciudad, NOMBRE_EV_, BARRIO, area, poblacion)head(espacios_verdes_rosario)## ciudad NOMBRE_EV_ BARRIO area
## 1 Rosario B. Mitre Belgrano 3695.690
## 2 Rosario B. Mitre Belgrano 3698.960
## 3 Rosario B. Mitre Belgrano 3702.121
## 4 Rosario B. Mitre Belgrano 2551.058
## 5 Rosario De La Independencia Centro 30560.202
## 6 Rosario De La Independencia Centro 32088.405
## poblacion
## 1 1350475
## 2 1350475
## 3 1350475
## 4 1350475
## 5 1350475
## 6 1350475espacios_verdes_rosario_total <- espacios_verdes_rosario%>%
group_by(ciudad, poblacion)%>%
summarise(area_verde = sum(area))head(espacios_verdes_rosario_total)## # A tibble: 1 x 3
## # Groups: ciudad [1]
## ciudad poblacion area_verde
## <chr> <dbl> <dbl>
## 1 Rosario 1350475 7542366.barrios_rosario <- barrios%>%
mutate(ciudad = 'ROSARIO')%>%
mutate(barrio = BARRIO)%>%
select(-gml_id, -MSLINK, -BARRIO)%>%
mutate(area = st_area(barrios))%>%
mutate(area = as.numeric(area))%>%
st_set_geometry(NULL)
head(barrios_rosario)## ciudad barrio area
## 1 ROSARIO Victoria Walsh 8823.922
## 2 ROSARIO 14 de Octubre 22365.857
## 3 ROSARIO Docente "Hermanas Cossettini" 54551.070
## 4 ROSARIO Latinoamerica 74111.759
## 5 ROSARIO Bella Vista 260123.034
## 6 ROSARIO Parque Casado 338832.749agrupado_barrios <- barrios_rosario%>%
group_by(ciudad)%>%
summarise(area_total = sum(area))head(agrupado_barrios)## # A tibble: 1 x 2
## ciudad area_total
## <chr> <dbl>
## 1 ROSARIO 179850244.agrupado_barrios$ciudad <- str_to_lower(agrupado_barrios$ciudad)espacios_verdes_rosario_total$ciudad <- str_to_lower(espacios_verdes_rosario_total$ciudad)agrupado <- espacios_verdes_rosario_total%>%
left_join(agrupado_barrios)## Joining, by = "ciudad"head (agrupado)## # A tibble: 1 x 4
## # Groups: ciudad [1]
## ciudad poblacion area_verde area_total
## <chr> <dbl> <dbl> <dbl>
## 1 rosario 1350475 7542366. 179850244.(Aclaración: Rosario, Argentina (unidad administrativa: Santa Fe) - última población conocida es ≈ 1 305 100 (Año 2015). Este fue 3.006% del total población Argentina. Si la tasa de crecimiento de la población sería igual que en el periodo 2011-2015 (+0.69%/Año), Rosario la población en 2020 sería: 1 350 475*.)
agrupado <- agrupado%>%
mutate(proporcion = (area_verde*100)/area_total)%>%
mutate(m2_hab = area_verde/poblacion)%>%
mutate_if(is.numeric, round, digits = 2)## `mutate_if()` ignored the following grouping variables:
## Column `ciudad` kable(agrupado)| ciudad | poblacion | area_verde | area_total | proporcion | m2_hab |
|---|---|---|---|---|---|
| rosario | 1350475 | 7542366 | 179850244 | 4.19 | 5.58 |
Vemos que la proporción destinada a espacio verdes en la ciudad de Rosario es baja (4.19) , asi como tambien la proporción de espacio verde por habitante (5.59m2). Ya que como se nombró anteriormente la ONU recomienda disponer de un mínimo de entre nueve y once metros cuadrados
Accesibiladad
Otra característica de los espacios públicos ademas de la cantidad es la accesibilidad. Por eso cruzaremos información entre espacios verdes y sus distancias
Tomamos los centroides de los barrios como punto de referencia para medir las distancias
centroides_barrios_rosario <- barrio_distrito %>%
st_centroid()## Warning in st_centroid.sf(.): 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 dataggplot()+
geom_sf(data=barrio_distrito, fill="lightyellow")+
geom_sf(data=centroides_barrios_rosario, color="red", shape=4, stroke=2, size=0.5)+
labs(title = "Barrios de la Ciudad de Rosario",
subtitle = "Ubicación de los centroides",
caption= "Fuente:https://datos.rosario.gob.ar/")+
theme_void()
distancia_barrios_rosario <- centroides_barrios_rosario%>%
mutate(distancia_verde = apply(st_distance(centroides_barrios_rosario, espacioverde_barrios), 1, function(x) min(x)))seleccion_rosario <- distancia_barrios_rosario%>%
st_set_geometry(NULL)
seleccion_rosario <- left_join(barrio_distrito, seleccion_rosario)## Joining, by = c("gml_id.x", "MSLINK", "BARRIO", "gml_id.y", "DISTRITO", "OBSERVACIO")seleccion_rosario <- seleccion_rosario%>%
mutate(distancia_verde = round(distancia_verde, 2))ggplot(data = seleccion_rosario) +
geom_jitter(aes(x = DISTRITO, y = distancia_verde, color= DISTRITO)) +
labs(title = "Distancia en metros a espacios verdes por Barrio", x = 'barrio', y = "Distancia al espacio verde más cercano", color = 'Ciudad', caption = 'Fuente:datos Rosario')+
theme_minimal()
###Vemos que tanto en el distrito Sudoeste como Sur se ve una mayor disperción, es decir, tienen menor accesibilidad
Accesibiladad y Bicicletas Públicas
Entendemos que es fundamental el acceso a los espacios verdes , es por eso que vamos a utlizar los puntos de ecobicis
ecobicis <- st_read ('https://datos.rosario.gob.ar/sites/default/files/estaciones_de_bicicletas_publica.gml')## Reading layer `estaciones_de_bicicletas_publica' from data source `https://datos.rosario.gob.ar/sites/default/files/estaciones_de_bicicletas_publica.gml' using driver `GML'
## Simple feature collection with 52 features and 11 fields
## geometry type: POINT
## dimension: XY
## bbox: xmin: -60.68365 ymin: -32.97866 xmax: -60.62385 ymax: -32.91593
## geographic CRS: WGS 84ggplot() +
geom_sf(data = barrios) +
geom_sf(data = ecobicis , colour = 'red')+
geom_sf(data = datosparques , fill = 'darkgreen')+
labs(title = "Ecobicis por Barrio en Rosario, Santa Fe",
caption= "Fuente: https://datos.rosario.gob.ar/")+
theme_minimal()
Tomamos los centroides de los barrios como punto de referencia para medir las distancias
centroides_espaciosverdes <- datosparques %>%
st_centroid()## Warning in st_centroid.sf(.): 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 datadatosparques_2 <- datosparques%>%
st_join (centroides_espaciosverdes)## although coordinates are longitude/latitude, st_intersects assumes that they are planardatosparques_3 <- datosparques_2 %>%
mutate(dist_ecobici = apply(st_distance(datosparques_2, ecobicis), 1, function(x) min(x)))summary(datosparques_3$dist_ecobici)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0 319 1787 2337 4018 9549La gran parte de las estaciones Ecobicis estan en los parques Visualicemos esto en un histograma para comprender mejor la distribución de los datos:
ggplot(datosparques_3) +
geom_histogram(aes(x = dist_ecobici))+
labs(title = "Distancias entre espacios verdes y Ecobicis en Rosario, Santa Fe",
caption= "Fuente: https://datos.rosario.gob.ar/")## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
datosparques_3 %>%
ggplot() +
geom_sf(data=barrio_distrito)+
geom_sf(aes(color=dist_ecobici)) +
geom_sf(data=ecobicis) +
scale_color_viridis_c(option = "plasma", direction = -1)+
labs(title = "Distancias entre espacios verdes y Ecobicis en Rosario, Santa Fe",
caption= "Fuente: https://datos.rosario.gob.ar/")
En el mapa se ve como la distribución de la oferta de ecobicis no es aleatoria. Los patrones de los 2 dataset son muy similares: gran concentración de puntos en Centro.
Bicisendas
Asi tambien mapeas los recorridos de las bisendas para poder visualizar su alcance
bicisenda <- st_read ('https://datos.rosario.gob.ar/sites/default/files/ciclovias_y_bicisendas.gml')## Reading layer `ciclovias_y_bicisendas' from data source `https://datos.rosario.gob.ar/sites/default/files/ciclovias_y_bicisendas.gml' using driver `GML'
## Simple feature collection with 1046 features and 18 fields
## geometry type: LINESTRING
## dimension: XY
## bbox: xmin: -60.72032 ymin: -33.02907 xmax: -60.62063 ymax: -32.88436
## geographic CRS: WGS 84ggplot() +
geom_sf(data = barrios) +
geom_sf(data = ecobicis , colour = 'red')+
geom_sf(data = datosparques , fill = 'darkgreen')+
geom_sf(data = bicisenda, color = "salmon", alpha = 10)+
labs(title = "Ecobicis y Bicisendas en Rosario, Santa Fe",
caption= "Fuente: https://datos.rosario.gob.ar/")+
theme_minimal()
ecobici_barrio<- st_join(ecobicis,distritos)## although coordinates are longitude/latitude, st_intersects assumes that they are planar
## although coordinates are longitude/latitude, st_intersects assumes that they are planarggplot() +
geom_sf(data = distritos) +
geom_sf(data = ecobici_barrio, aes(color = DISTRITO))+
labs(title = "Estaciones de Bicicletas por Distrito",
subtitle = "Ciudad de Rosario",
fill = "Cantidad",
caption= "Fuente: https://datos.rosario.gob.ar")
distritos_estaciones <- ecobici_barrio %>%
filter(!is.na(DISTRITO)) %>%
group_by(DISTRITO) %>%
summarise(cantidad=n())head(distritos_estaciones)## Simple feature collection with 5 features and 2 fields
## geometry type: MULTIPOINT
## dimension: XY
## bbox: xmin: -60.68365 ymin: -32.97866 xmax: -60.62385 ymax: -32.91593
## geographic CRS: WGS 84
## # A tibble: 5 x 3
## DISTRITO cantidad geometry
## <fct> <int> <MULTIPOINT [°]>
## 1 CENTRO 35 ((-60.68015 -32.94435), (-60.67203 -32.94586), (-60.67053 -~
## 2 NORTE 5 ((-60.67455 -32.92173), (-60.6731 -32.91593), (-60.66907 -3~
## 3 OESTE 5 ((-60.68365 -32.95779), (-60.68155 -32.95022), (-60.67633 -~
## 4 SUDOESTE 2 ((-60.66916 -32.97468), (-60.6606 -32.97153))
## 5 SUR 5 ((-60.66118 -32.97619), (-60.64944 -32.97858), (-60.64373 -~distritos_estaciones_2<- distritos%>%
st_join(distritos_estaciones, by="DISTRITO")## although coordinates are longitude/latitude, st_intersects assumes that they are planarhead(distritos_estaciones_2)## Simple feature collection with 6 features and 5 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -60.7971 ymin: -33.03897 xmax: -60.61183 ymax: -32.86925
## geographic CRS: WGS 84
## gml_id DISTRITO.x OBSERVACIO DISTRITO.y
## 1 distritos_descentralizados.1 NORTE Villa Hortencia NORTE
## 2 distritos_descentralizados.2 NOROESTE Olga y Leticia Cossettini <NA>
## 3 distritos_descentralizados.3 CENTRO Antonio Berni CENTRO
## 4 distritos_descentralizados.4 SUDOESTE <NA> SUDOESTE
## 5 distritos_descentralizados.5 OESTE Felipe More OESTE
## 6 distritos_descentralizados.6 SUR Rosa Ziperovich SUR
## cantidad geometry
## 1 5 POLYGON ((-60.78204 -32.874...
## 2 NA POLYGON ((-60.77064 -32.896...
## 3 35 POLYGON ((-60.69245 -32.948...
## 4 2 POLYGON ((-60.69016 -33.034...
## 5 5 POLYGON ((-60.7605 -32.9509...
## 6 5 POLYGON ((-60.65979 -32.969...ggplot() +
geom_sf(data = distritos_estaciones_2, aes(fill=cantidad)) +
geom_sf_text(data=distritos_estaciones_2, aes(label = DISTRITO.y), size=1.5, colour = "black") +
labs(title = "Estaciones de Bicicletas por Distrito",
subtitle = "Ciudad de Rosario",
fill = "Cantidad",
caption= "Fuente: https://datos.rosario.gob.ar",
y="latitud",
x="longitud") +
scale_fill_gradient(low="yellow", high="dark green")## Warning in st_point_on_surface.sfc(data$geometry): st_point_on_surface may not
## give correct results for longitude/latitude data## Warning: Removed 1 rows containing missing values (geom_text).
ggplot(distritos_estaciones) +
geom_bar(aes(x = DISTRITO, weight = cantidad, fill=DISTRITO)) +
coord_flip() +
labs(title = "Estaciones de Ecobici por DISTRITO",
subtitle = "Ciudad de Rosario",
caption = "Fuente: portal de datos abiertos de la Ciudad de Rosario, https://datos.rosario.gob.ar",
x = "DISTRITO",
y = "CANTIDAD")
distritos_estaciones_2 <- distritos_estaciones_2 %>%
mutate(superficie = st_area(distritos_estaciones_2))distritos_estaciones_2<- distritos_estaciones_2 %>%
mutate(superficie_ha=round(as.numeric(superficie)/10000, 2))ggplot() +
geom_sf(data = distritos_estaciones_2, aes(fill=cantidad/superficie_ha)) +
geom_sf_text(data=distritos, aes(label = DISTRITO), size=2.5, colour = "black") +
labs(title = "Estaciones de Bici por superficie",
subtitle = "Ciudad de Rosario",
fill = "Cantidad por ha",
caption= "Fuente: https://datos.rosario.gob.ar",
y="latitud",
x="longitud") +
scale_fill_gradient(low="khaki2", high="deeppink4")## Warning in st_point_on_surface.sfc(data$geometry): st_point_on_surface may not
## give correct results for longitude/latitude data
La tendencia en el Distrito Centro es por demás marcada. Tanto los puntos de Ecobici como las bicisendas se encuentran en su mayoría allí.
Accesibiladad Peatonal
Vamos a realizar un mapa que nos indique desde que puntos de la ciudad estamos a 10 minutos caminando
leaflet(datosparques) %>%
addProviderTiles(providers$CartoDB.Positron) %>%
addPolygons()datosparques <- st_transform(datosparques,
crs = "+proj=tmerc +lat_0=-34.6297166 +lon_0=-58.4627 +k=1 +x_0=100000 +y_0=100000 +ellps=intl +units=m +no_defs")datosparques <- datosparques %>%
mutate(area=st_area(.)) %>%
mutate(area=as.numeric(area)) %>%
filter(area>10000) leaflet(datosparques %>% st_transform(4326)) %>%
addProviderTiles(providers$CartoDB.Positron) %>%
addPolygons()set_key("m_gy2KqFB7XZKbjIh1ZIPgeLhuj-GWrZ7xw48GEtd6A")# Para cada uno de los espacios verdes agarramos 4 puntos al azar
puntosEspaciosVerdes <- purrr::map(1:nrow(datosparques),function(x){
st_sample(datosparques[x,],size= 4)
})
# Juntamos todos los puntos en un objeto
puntosEspaciosVerdes <- do.call("c",puntosEspaciosVerdes)
# Lo convertimos a un objeto SF
puntosEspaciosVerdesSF <- st_as_sf(puntosEspaciosVerdes)
# Hacemos una transformación para que esté en el WSG84, que es lo que puede procesar isoline()
puntosEspaciosVerdesSF <- st_transform(puntosEspaciosVerdesSF,crs=4326)# Efectivamente calculamos las isocronas para cada uno de los puntos
isocronosEspaciosVerdes <- purrr::map(1:nrow(puntosEspaciosVerdesSF),function(x) {
# Esta línea es solo para que nos vaya avisando qué está haciendo
cat("Procesando: ",x,"\r")
isoline(puntosEspaciosVerdesSF[x,], mode = "pedestrian",range_type = "time",range = 60*10)
})## Procesando: 1
Procesando: 2
Procesando: 3
Procesando: 4
Procesando: 5
Procesando: 6
Procesando: 7
Procesando: 8
Procesando: 9
Procesando: 10
Procesando: 11
Procesando: 12
Procesando: 13
Procesando: 14
Procesando: 15
Procesando: 16
Procesando: 17
Procesando: 18
Procesando: 19
Procesando: 20
Procesando: 21
Procesando: 22
Procesando: 23
Procesando: 24
Procesando: 25
Procesando: 26
Procesando: 27
Procesando: 28
Procesando: 29
Procesando: 30
Procesando: 31
Procesando: 32
Procesando: 33
Procesando: 34
Procesando: 35
Procesando: 36
Procesando: 37
Procesando: 38
Procesando: 39
Procesando: 40
Procesando: 41
Procesando: 42
Procesando: 43
Procesando: 44
Procesando: 45
Procesando: 46
Procesando: 47
Procesando: 48
Procesando: 49
Procesando: 50
Procesando: 51
Procesando: 52
Procesando: 53
Procesando: 54
Procesando: 55
Procesando: 56
Procesando: 57
Procesando: 58
Procesando: 59
Procesando: 60
Procesando: 61
Procesando: 62
Procesando: 63
Procesando: 64
Procesando: 65
Procesando: 66
Procesando: 67
Procesando: 68
Procesando: 69
Procesando: 70
Procesando: 71
Procesando: 72
Procesando: 73
Procesando: 74
Procesando: 75
Procesando: 76
Procesando: 77
Procesando: 78
Procesando: 79
Procesando: 80
Procesando: 81
Procesando: 82
Procesando: 83
Procesando: 84
Procesando: 85
Procesando: 86
Procesando: 87
Procesando: 88
Procesando: 89
Procesando: 90
Procesando: 91
Procesando: 92
Procesando: 93
Procesando: 94
Procesando: 95
Procesando: 96
Procesando: 97
Procesando: 98
Procesando: 99
Procesando: 100
Procesando: 101
Procesando: 102
Procesando: 103
Procesando: 104
Procesando: 105
Procesando: 106
Procesando: 107
Procesando: 108
Procesando: 109
Procesando: 110
Procesando: 111
Procesando: 112
Procesando: 113
Procesando: 114
Procesando: 115
Procesando: 116
Procesando: 117
Procesando: 118
Procesando: 119
Procesando: 120
Procesando: 121
Procesando: 122
Procesando: 123
Procesando: 124
Procesando: 125
Procesando: 126
Procesando: 127
Procesando: 128
Procesando: 129
Procesando: 130
Procesando: 131
Procesando: 132
Procesando: 133
Procesando: 134
Procesando: 135
Procesando: 136
Procesando: 137
Procesando: 138
Procesando: 139
Procesando: 140
Procesando: 141
Procesando: 142
Procesando: 143
Procesando: 144
Procesando: 145
Procesando: 146
Procesando: 147
Procesando: 148
Procesando: 149
Procesando: 150
Procesando: 151
Procesando: 152
Procesando: 153
Procesando: 154
Procesando: 155
Procesando: 156
Procesando: 157
Procesando: 158
Procesando: 159
Procesando: 160
Procesando: 161
Procesando: 162
Procesando: 163
Procesando: 164
Procesando: 165
Procesando: 166
Procesando: 167
Procesando: 168
Procesando: 169
Procesando: 170
Procesando: 171
Procesando: 172
Procesando: 173
Procesando: 174
Procesando: 175
Procesando: 176
Procesando: 177
Procesando: 178
Procesando: 179
Procesando: 180
Procesando: 181
Procesando: 182
Procesando: 183
Procesando: 184
Procesando: 185
Procesando: 186
Procesando: 187
Procesando: 188
Procesando: 189
Procesando: 190
Procesando: 191
Procesando: 192
Procesando: 193
Procesando: 194
Procesando: 195
Procesando: 196
Procesando: 197
Procesando: 198
Procesando: 199
Procesando: 200
Procesando: 201
Procesando: 202
Procesando: 203
Procesando: 204
Procesando: 205
Procesando: 206
Procesando: 207
Procesando: 208
Procesando: 209
Procesando: 210
Procesando: 211
Procesando: 212
Procesando: 213
Procesando: 214
Procesando: 215
Procesando: 216
Procesando: 217
Procesando: 218
Procesando: 219
Procesando: 220
Procesando: 221
Procesando: 222
Procesando: 223
Procesando: 224
Procesando: 225
Procesando: 226
Procesando: 227
Procesando: 228
Procesando: 229
Procesando: 230
Procesando: 231
Procesando: 232
Procesando: 233
Procesando: 234
Procesando: 235
Procesando: 236
Procesando: 237
Procesando: 238
Procesando: 239
Procesando: 240
Procesando: 241
Procesando: 242
Procesando: 243
Procesando: 244
Procesando: 245
Procesando: 246
Procesando: 247
Procesando: 248
Procesando: 249
Procesando: 250
Procesando: 251
Procesando: 252
Procesando: 253
Procesando: 254
Procesando: 255
Procesando: 256
Procesando: 257
Procesando: 258
Procesando: 259
Procesando: 260
Procesando: 261
Procesando: 262
Procesando: 263
Procesando: 264
Procesando: 265
Procesando: 266
Procesando: 267
Procesando: 268
Procesando: 269
Procesando: 270
Procesando: 271
Procesando: 272
Procesando: 273
Procesando: 274
Procesando: 275
Procesando: 276
Procesando: 277
Procesando: 278
Procesando: 279
Procesando: 280
Procesando: 281
Procesando: 282
Procesando: 283
Procesando: 284
Procesando: 285
Procesando: 286
Procesando: 287
Procesando: 288
Procesando: 289
Procesando: 290
Procesando: 291
Procesando: 292
Procesando: 293
Procesando: 294
Procesando: 295
Procesando: 296
Procesando: 297
Procesando: 298
Procesando: 299
Procesando: 300
Procesando: 301
Procesando: 302
Procesando: 303
Procesando: 304
Procesando: 305
Procesando: 306
Procesando: 307
Procesando: 308
Procesando: 309
Procesando: 310
Procesando: 311
Procesando: 312
Procesando: 313
Procesando: 314
Procesando: 315
Procesando: 316
Procesando: 317
Procesando: 318
Procesando: 319
Procesando: 320
Procesando: 321
Procesando: 322
Procesando: 323
Procesando: 324
Procesando: 325
Procesando: 326
Procesando: 327
Procesando: 328
Procesando: 329
Procesando: 330
Procesando: 331
Procesando: 332
Procesando: 333
Procesando: 334
Procesando: 335
Procesando: 336
Procesando: 337
Procesando: 338
Procesando: 339
Procesando: 340
Procesando: 341
Procesando: 342
Procesando: 343
Procesando: 344
Procesando: 345
Procesando: 346
Procesando: 347
Procesando: 348
Procesando: 349
Procesando: 350
Procesando: 351
Procesando: 352
Procesando: 353
Procesando: 354
Procesando: 355
Procesando: 356
Procesando: 357
Procesando: 358
Procesando: 359
Procesando: 360
Procesando: 361
Procesando: 362
Procesando: 363
Procesando: 364
Procesando: 365
Procesando: 366
Procesando: 367
Procesando: 368
Procesando: 369
Procesando: 370
Procesando: 371
Procesando: 372
Procesando: 373
Procesando: 374
Procesando: 375
Procesando: 376
Procesando: 377
Procesando: 378
Procesando: 379
Procesando: 380
Procesando: 381
Procesando: 382
Procesando: 383
Procesando: 384
Procesando: 385
Procesando: 386
Procesando: 387
Procesando: 388
Procesando: 389
Procesando: 390
Procesando: 391
Procesando: 392
Procesando: 393
Procesando: 394
Procesando: 395
Procesando: 396
Procesando: 397
Procesando: 398
Procesando: 399
Procesando: 400
Procesando: 401
Procesando: 402
Procesando: 403
Procesando: 404
Procesando: 405
Procesando: 406
Procesando: 407
Procesando: 408
Procesando: 409
Procesando: 410
Procesando: 411
Procesando: 412
Procesando: 413
Procesando: 414
Procesando: 415
Procesando: 416
Procesando: 417
Procesando: 418
Procesando: 419
Procesando: 420
Procesando: 421
Procesando: 422
Procesando: 423
Procesando: 424
Procesando: 425
Procesando: 426
Procesando: 427
Procesando: 428
Procesando: 429
Procesando: 430
Procesando: 431
Procesando: 432
Procesando: 433
Procesando: 434
Procesando: 435
Procesando: 436
Procesando: 437
Procesando: 438
Procesando: 439
Procesando: 440
Procesando: 441
Procesando: 442
Procesando: 443
Procesando: 444
Procesando: 445
Procesando: 446
Procesando: 447
Procesando: 448
Procesando: 449
Procesando: 450
Procesando: 451
Procesando: 452
Procesando: 453
Procesando: 454
Procesando: 455
Procesando: 456
Procesando: 457
Procesando: 458
Procesando: 459
Procesando: 460
Procesando: 461
Procesando: 462
Procesando: 463
Procesando: 464 # Los juntamos en el mismo data frame
isocronosEspaciosVerdesJuntas <- do.call(rbind,isocronosEspaciosVerdes)
# Hacemos un gran poligono
isocronosEspaciosVerdesJuntasUnion <- st_union(isocronosEspaciosVerdesJuntas)leaflet(isocronosEspaciosVerdesJuntasUnion %>% st_transform(4326)) %>%
addTiles() %>%
addPolygons()manzanas <- st_read ('https://datos.rosario.gob.ar/sites/default/files/manzanas.gml')## Reading layer `manzanas' from data source `https://datos.rosario.gob.ar/sites/default/files/manzanas.gml' using driver `GML'
## Simple feature collection with 8509 features and 4 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -60.78127 ymin: -33.03465 xmax: -60.614 ymax: -32.87056
## geographic CRS: WGS 84# Transformamos la proyección de las manzanas
manzanas <- manzanas %>%
st_transform("+proj=tmerc +lat_0=-34.6297166 +lon_0=-58.4627 +k=1 +x_0=100000 +y_0=100000 +ellps=intl +units=m +no_defs")
# Transformamos la proyección de la cobertura de espacios verdes
isocronosEspaciosVerdesJuntasUnion <- isocronosEspaciosVerdesJuntasUnion %>%
st_transform("+proj=tmerc +lat_0=-34.6297166 +lon_0=-58.4627 +k=1 +x_0=100000 +y_0=100000 +ellps=intl +units=m +no_defs")
# Lo convertimos en un objeto sf y creamos una columna, cobertura, que tendrá valor TRUE siempre
isocronosEspaciosVerdesJuntasUnion <- st_as_sf(isocronosEspaciosVerdesJuntasUnion) %>%
mutate(cobertura=TRUE)
# Spatial join
manzanas <- st_join(manzanas,st_as_sf(isocronosEspaciosVerdesJuntasUnion))
# Completamos los datos para los casos en los cuales no hubo ningún resultadoe en el match
manzanas <- manzanas %>% mutate(cobertura=ifelse(is.na(cobertura),FALSE,TRUE))bbRosario <-getbb("Rosario, Argentina")
RosarioBaseMap <- get_stamenmap(bbRosario,maptype = "toner-lite",zoom=12)## Source : http://tile.stamen.com/toner-lite/12/1356/2444.png## Source : http://tile.stamen.com/toner-lite/12/1357/2444.png## Source : http://tile.stamen.com/toner-lite/12/1358/2444.png## Source : http://tile.stamen.com/toner-lite/12/1356/2445.png## Source : http://tile.stamen.com/toner-lite/12/1357/2445.png## Source : http://tile.stamen.com/toner-lite/12/1358/2445.png## Source : http://tile.stamen.com/toner-lite/12/1356/2446.png## Source : http://tile.stamen.com/toner-lite/12/1357/2446.png## Source : http://tile.stamen.com/toner-lite/12/1358/2446.pngggmap(RosarioBaseMap,extent = "device") +
geom_sf(data=manzanas %>% st_transform(4326),aes(fill=cobertura), color=NA, inherit.aes=FALSE, alpha=0.7) +
theme_minimal() +
coord_sf(datum=NA) +
labs(x="",y="") +
scale_fill_manual(values = c("#37b84f","#e41a1c"),
breaks = c(TRUE,FALSE),
labels=c("Menos de 10 minutos","Más de 10 minutos"),
name="")+
theme(legend.position = "bottom")## Coordinate system already present. Adding new coordinate system, which will replace the existing one.
Relaciones
Vamos a ver si existe relación entre el precio del m2 y la distancia a un espacio verde
ar_properties <- read.csv("C:/Users/garbarino39/Desktop/ar_properties.csv", stringsAsFactors = FALSE,
encoding = "UTF-8")names(ar_properties)## [1] "id" "ad_type" "start_date" "end_date"
## [5] "created_on" "lat" "lon" "l1"
## [9] "l2" "l3" "l4" "l5"
## [13] "l6" "rooms" "bedrooms" "bathrooms"
## [17] "surface_total" "surface_covered" "price" "currency"
## [21] "price_period" "title" "description" "property_type"
## [25] "operation_type"rosarioproperati <- filter(ar_properties, l3 == "Rosario", operation_type== "Alquiler", property_type == "Departamento")rosarioproperatii2_b <- rosarioproperati %>%
filter(!is.na(lat), !is.na(lon)) %>%
st_as_sf(coords = c("lon", "lat"), crs = 4326)
st_crs(rosarioproperatii2_b)## Coordinate Reference System:
## User input: EPSG:4326
## wkt:
## GEOGCRS["WGS 84",
## DATUM["World Geodetic System 1984",
## ELLIPSOID["WGS 84",6378137,298.257223563,
## LENGTHUNIT["metre",1]]],
## PRIMEM["Greenwich",0,
## ANGLEUNIT["degree",0.0174532925199433]],
## CS[ellipsoidal,2],
## AXIS["geodetic latitude (Lat)",north,
## ORDER[1],
## ANGLEUNIT["degree",0.0174532925199433]],
## AXIS["geodetic longitude (Lon)",east,
## ORDER[2],
## ANGLEUNIT["degree",0.0174532925199433]],
## USAGE[
## SCOPE["unknown"],
## AREA["World"],
## BBOX[-90,-180,90,180]],
## ID["EPSG",4326]]rosarioproperatii2_b1 <- filter (rosarioproperatii2_b, price <50000, currency == "ARS", surface_total<600)summary(rosarioproperatii2_b$price)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0 8000 9800 11727 13000 900000 288ggplot(rosarioproperatii2_b1) +
geom_histogram(aes(x = price))## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
###Veamos si hay alguna relación entre el valor del alquiler de un departamento y la distancia a espacios verdes. #Vamos a calcular la distancia en m2 desde cada departamento en alquiler a un espacio verde. Creamos un centroide en cada espacio verde y calculamos la distancia creando una nueva variable llamada dist_verde
datosparquesreg <- datosparques %>%
st_transform("+proj=tmerc +lat_0=-34.6297166 +lon_0=-58.4627 +k=1 +x_0=100000 +y_0=100000 +ellps=intl +units=m +no_defs")centroideparques <- datosparquesreg %>%
st_centroid()## Warning in st_centroid.sf(.): st_centroid assumes attributes are constant over
## geometries of xcentroideparques <- centroideparques %>%
st_transform("+proj=tmerc +lat_0=-34.6297166 +lon_0=-58.4627 +k=1 +x_0=100000 +y_0=100000 +ellps=intl +units=m +no_defs")rosarioproperatii2_b <- rosarioproperatii2_b %>%
st_transform("+proj=tmerc +lat_0=-34.6297166 +lon_0=-58.4627 +k=1 +x_0=100000 +y_0=100000 +ellps=intl +units=m +no_defs")properati_espacioverde <- rosarioproperatii2_b %>%
mutate(dist_verde = apply(st_distance(rosarioproperatii2_b, centroideparques), 1, function(x) min(x)))Limpiamos los datos ya que observamos algunos valores atípicos (outliers)
properati_espacioverde <- filter (properati_espacioverde, price <50000, currency == "ARS", dist_verde<5000, surface_total<600)Gráficamos los departamentos en alquiler según precio y distancia espacio verde
ggplot() +
geom_sf(data = barrios) +
geom_sf(data = properati_espacioverde, (aes(color=price))) +
scale_color_viridis_c(option = "plasma", direction = -1)+
theme_map()+
labs(title = "Price de departamentos en Rosario", caption = 'Fuente: Rosario Datos | Properati')
ggplot() +
geom_sf(data = barrios) +
geom_sf(data = properati_espacioverde, (aes(color=dist_verde))) +
scale_color_viridis_c(option = "plasma", direction = 1)+
theme_map()+
labs(title = "Distancia de departamento a espacio verde público en Rosario", caption = 'Fuente: Rosario Datos | properati')
En principio, no parece darse una relación muy clara entre cercanía a espacios verdes y valor del metro cuadrado. Veamos si hay alguna correlación estadística:
properati_espacioverde <- properati_espacioverde%>%
filter(!is.na(price))
modelo_exp <- lm(price ~ dist_verde, data = properati_espacioverde)
modelo_exp##
## Call:
## lm(formula = price ~ dist_verde, data = properati_espacioverde)
##
## Coefficients:
## (Intercept) dist_verde
## 12132.646 -1.415summary(modelo_exp)##
## Call:
## lm(formula = price ~ dist_verde, data = properati_espacioverde)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8066 -3554 -1572 1721 36755
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 12132.6462 182.0180 66.656 < 2e-16 ***
## dist_verde -1.4149 0.3291 -4.299 1.76e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5605 on 4239 degrees of freedom
## Multiple R-squared: 0.00434, Adjusted R-squared: 0.004105
## F-statistic: 18.48 on 1 and 4239 DF, p-value: 1.757e-05ggplot(data = properati_espacioverde, mapping = aes(x=dist_verde, y = price))+
geom_point()+
geom_abline(aes(intercept = 12526.19
, slope = -3.08 ), color = 'blue')+
labs(title = 'Correlación entre distancia a espacios verdes y valor del alquiler', x = 'Distancia en metros a espacios verdes', y = 'Valor inmobiliario del Alquiler', caption = 'Fuente: Rosario datos| Properati')
cor(properati_espacioverde$price, properati_espacioverde$dist_verde)## [1] -0.06588126A partir del coeficiente obtenido vemos que la correlación es prácticamente nula. Vamos a calcular de nuevo el modelo incorporando la variable superficie total por departamento para ver si encontramos una correlación estadísticamente significativa
plot(residuals(modelo_exp))
Regresión multiple
modelo_exp_multiple <- lm(price ~ dist_verde + surface_total, data = properati_espacioverde)
modelo_exp_multiple##
## Call:
## lm(formula = price ~ dist_verde + surface_total, data = properati_espacioverde)
##
## Coefficients:
## (Intercept) dist_verde surface_total
## 3972.9789 -0.8362 153.8532summary(modelo_exp_multiple)##
## Call:
## lm(formula = price ~ dist_verde + surface_total, data = properati_espacioverde)
##
## Residuals:
## Min 1Q Median 3Q Max
## -23475 -1940 -576 1237 36278
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3972.9789 172.5858 23.020 < 2e-16 ***
## dist_verde -0.8362 0.2266 -3.691 0.000226 ***
## surface_total 153.8532 2.2395 68.699 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3856 on 4238 degrees of freedom
## Multiple R-squared: 0.5289, Adjusted R-squared: 0.5287
## F-statistic: 2379 on 2 and 4238 DF, p-value: < 2.2e-16A partir de la tabla de correlación obtenida podemos observar que la superficie total del departamento si es una variable estadísticamente significativa pero no existe correlación entre el valor de alquiler de un departamento y la distancia al espacio público verde.
Nos fijamos el intervalo de confianza para cada una de las variables.
confint(modelo_exp_multiple)## 2.5 % 97.5 %
## (Intercept) 3634.620318 4311.3374456
## dist_verde -1.280432 -0.3920197
## surface_total 149.462540 158.2438502A partir de la tabla de correlación obtenida podemos observar que la superficie total del departamento si es una variable estadísticamente significativa pero no existe correlación entre el valor de alquiler de un departamento y la distancia al espacio público verde.
vecinosRosario <- knn2nb(knearneigh(as_Spatial(properati_espacioverde), k = 3))## Warning in knearneigh(as_Spatial(properati_espacioverde), k = 3): knearneigh:
## identical points foundvecinosRosario <- nb2listw(vecinosRosario, style="W")
class(vecinosRosario)## [1] "listw" "nb"properati_espacioverde$precioVecinosk3 <- lag.listw(x = vecinosRosario,
var = properati_espacioverde$price)Vamos a hacer un gráfico para ver de las observaciones para ver la relación con el precio de las observaciones y sus vecinos
ggplot(properati_espacioverde) +
geom_point(aes(x=precioVecinosk3,y=price))
Vamos a realizar el Test I de Morán para ver si existe despendecia espacial en nuestros datos
regMoran <- lm(formula = precioVecinosk3 ~ price ,
data = properati_espacioverde)
summary(regMoran)##
## Call:
## lm(formula = precioVecinosk3 ~ price, data = properati_espacioverde)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13458.3 -2161.0 -717.8 1335.7 27973.4
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.072e+03 1.261e+02 56.10 <2e-16 ***
## price 3.678e-01 9.890e-03 37.19 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3617 on 4239 degrees of freedom
## Multiple R-squared: 0.246, Adjusted R-squared: 0.2459
## F-statistic: 1383 on 1 and 4239 DF, p-value: < 2.2e-16coef(regMoran)[2]## price
## 0.3678405Enconstramos que en nuestra de inmuebles no exite una relación alta ni significativa entre el precio de la observacion y el de sus vecinos
Vamos a reestimar el modelo para ello vamos hacer una simulación de 1000 veces para poder corroborar por el error muestral si efectivamente no existe relacion entre el precio de la observacion y sus vecinos
set.seed(1)
samples <- c(1:1000)
MCoef <- c()
for(sample in samples) {
precio <- sample(properati_espacioverde$price, replace=FALSE)
precio.lag <- lag.listw(vecinosRosario, precio)
MCoef<- c(MCoef,
coef(lm(precio.lag ~ precio))[2])
}
ggplot() +
geom_histogram(aes(x = MCoef))## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
sum(coef(regMoran)[2]>MCoef)## [1] 1000ggplot() +
geom_histogram(aes(x = MCoef)) +
geom_vline(xintercept = coef(regMoran)[2])## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Al ver el p-valor = 0.000999 podemos obserbar que tan probable es haber obtenido de el “I” de moran de 0.36
moran.mc(x = properati_espacioverde$price,listw = vecinosRosario, nsim=1000)##
## Monte-Carlo simulation of Moran I
##
## data: properati_espacioverde$price
## weights: vecinosRosario
## number of simulations + 1: 1001
##
## statistic = 0.36784, observed rank = 1001, p-value = 0.000999
## alternative hypothesis: greater