Caso de estudio: Movilidad durante la cuarentene en Sonora México
Lectura de datos
library(pacman)
p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc", "readr", "knitr", "DT", "scales", "tidyverse", "gridExtra", "modeest" , "fdth")
movilidad <- read_csv("2020_MX_Region_Mobility_Report.csv")## Parsed with column specification:
## cols(
## country_region_code = col_character(),
## country_region = col_character(),
## sub_region_1 = col_character(),
## sub_region_2 = col_logical(),
## metro_area = col_logical(),
## iso_3166_2_code = col_character(),
## census_fips_code = col_logical(),
## Fecha = col_character(),
## PorcentajeDeRecreacion = col_double(),
## PorcentajeDeFarmacias = col_double(),
## PorcentajeDeParques = col_double(),
## PorcentajeDeTransito = col_double(),
## PorcentajeDeTrabajo = col_double(),
## PorcentajeRecidencial = col_double()
## )## # A tibble: 6 x 14
## country_region_~ country_region sub_region_1 sub_region_2 metro_area
## <chr> <chr> <chr> <lgl> <lgl>
## 1 MX Mexico <NA> NA NA
## 2 MX Mexico <NA> NA NA
## 3 MX Mexico <NA> NA NA
## 4 MX Mexico <NA> NA NA
## 5 MX Mexico <NA> NA NA
## 6 MX Mexico <NA> NA NA
## # ... with 9 more variables: iso_3166_2_code <chr>, census_fips_code <lgl>,
## # Fecha <chr>, PorcentajeDeRecreacion <dbl>, PorcentajeDeFarmacias <dbl>,
## # PorcentajeDeParques <dbl>, PorcentajeDeTransito <dbl>,
## # PorcentajeDeTrabajo <dbl>, PorcentajeRecidencial <dbl>Filtro de los datos de Sonora
## # A tibble: 243 x 7
## Fecha PorcentajeDeRec~ PorcentajeDeFar~ PorcentajeDePar~ PorcentajeDeTra~
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 15/0~ 7 6 0 -7
## 2 16/0~ 6 6 -1 -3
## 3 17/0~ 4 4 2 3
## 4 18/0~ 3 -1 5 1
## 5 19/0~ 1 -1 3 1
## 6 20/0~ 1 0 12 3
## 7 21/0~ 0 -1 3 8
## 8 22/0~ 1 -1 5 -1
## 9 23/0~ 3 0 6 0
## 10 24/0~ -3 -1 8 0
## # ... with 233 more rows, and 2 more variables: PorcentajeDeTrabajo <dbl>,
## # PorcentajeRecidencial <dbl>¿Ocurrió algo importante entre el 3 de enero y el 6 de febrero del 2020?
El valor de referencia de cada día es el valor medio del periodo de cinco semanas de enero. Piensa en eventos locales y cambios estacionales que puedan sesgar el valor de referencia:
¿Hubo un invierno frío o un verano más largo de lo habitual en tu región?
¿Los festivos cayeron el mismo día de la semana?
¿Tienes otras fuentes de datos (como tiques de peajes, parquímetros o viajes en metro) que puedan ayudarte a determinar el cambio previsto?
Valor de referencia
Los datos muestran cómo cambia la cantidad de visitantes en los lugares categorizados (o el tiempo que pasan en ellos) en comparación con nuestros días de referencia. Un día de referencia representa un valor normal en ese día de la semana. El día de referencia es el valor medio del periodo de 5 semanas comprendido entre el 3 de enero y el 6 de febrero del 2020. En cada región-categoría, el valor de referencia no es un valor único, sino 7 valores individuales. El mismo número de visitantes en dos días diferentes de la semana da lugar a cambios de porcentaje diferentes. Por lo tanto, recomendamos lo siguiente:
No deduzcas que los cambios mayores implican más visitas ni que los cambios menores implican menos visitas. Evita comparar los cambios de un día a otro. Sobre todo, los fines de semana con los días laborables.
- ¿Cómo hemos elegido los días normales de referencia? Probablemente no lo hemos hecho: un periodo corto del año no puede representar un valor normal en todas las regiones del mundo. Hemos elegido un periodo reciente previo a la disrupción general y a la respuesta de las comunidades al COVID-19. Aun así, en algunas regiones, el valor de referencia corresponde a un periodo en el que el COVID-19 ya estaba extendido. Para interpretar los datos de tu región, revisa la lista de comprobación local.
De enero hasta ahora, ¿cómo varía la cantidad de personas que visitan parques?
Tanto el tiempo meteorológico diario como el de cada estación tienen efecto en la cantidad de personas que van a los parques:
- En un año normal, ¿cambia la frecuencia de las visitas a los parques desde enero hasta ahora?
- Según los registros meteorológicos, ¿cómo cambia la cantidad de personas que visitan parques en los días de lluvia en comparación con los días de sol?
- ¿Tienes registros de visitas a parques de años anteriores que puedan ayudarte a analizar los cambios de este año?
¿Cuánto tiempo crees que pasará la gente en las zonas residenciales?
Haz una estimación del número de horas que crees que pasaba la gente en zonas residenciales antes de la respuesta al COVID-19. Realiza la estimación de los días laborables y de los fines de semana por separado:
- ¿Cómo podrían cambiar las horas de trabajo según el puesto? Por ejemplo, un empleado de oficina, un padre que se queda en casa, un estudiante, un empleado de supermercado o una enfermera que trabaja por turnos. Usa los datos demográficos de tu región para consultar la variedad de trabajos. Por cada grupo de tu comunidad, estima el número de horas al día que crees que va a permanecer la gente en zonas residenciales durante la respuesta al COVID-19.
- ¿Tienes que ajustar las estimaciones según la estación o los periodos académicos?
¿Cómo pueden relacionarse los tipos de trabajo con los cambios en la movilidad los días laborables y los fines de semana?
No informamos de ningún cambio en función de los tipos de trabajo, pero puedes pensar en los diferentes trabajos que realiza la gente de tu comunidad durante los fines de semana y los días laborables.
¿Qué efectos pueden tener las respuestas al COVID-19 en los diferentes trabajos?
¿Los efectos serían diferentes en las personas que trabajan entre semana que en las que lo hacen los fines de semana?