Análisis de movilidad regional utilizando datos de “Google mobility report”
Datos para Sonora, México del 15/02/2020 al 13/10/2020
Obtenidos de: https://www.google.com/covid19/mobility/
setwd("~/PYE1112ITSON")
library(pacman)
p_load("readr","tidyverse","DT","prettydoc","gridExtra")
DatosMobilityReport <- read_csv("SonoraMobilityReport.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(),
## iso_3166_2_code = col_character(),
## census_fips_code = col_logical(),
## date = col_character(),
## retail_and_recreation_percent_change_from_baseline = col_double(),
## grocery_and_pharmacy_percent_change_from_baseline = col_double(),
## parks_percent_change_from_baseline = col_double(),
## transit_stations_percent_change_from_baseline = col_double(),
## workplaces_percent_change_from_baseline = col_double(),
## residential_percent_change_from_baseline = col_double()
## )- Gráficas
## Cambiar nombres de variables y extraer datos
##
Retail_Recreation_Percentage <- DatosMobilityReport$retail_and_recreation_percent_change_from_baseline
###
Grocery_Pharmacy_Percentage <- DatosMobilityReport$grocery_and_pharmacy_percent_change_from_baseline
###
Parks_Percentage <- DatosMobilityReport$parks_percent_change_from_baseline
###
TransitStations_Percentage <- DatosMobilityReport$transit_stations_percent_change_from_baseline
###
Workplaces_Percentage <- DatosMobilityReport$workplaces_percent_change_from_baseline
###
Residential_Percentage <- DatosMobilityReport$residential_percent_change_from_baseline
###
Porcentaje_VR <- DatosMobilityReport$retail_and_recreation_percent_change_from_baseline
###
Porcentaje_F <- DatosMobilityReport$grocery_and_pharmacy_percent_change_from_baseline
###
Porcentaje_P <- DatosMobilityReport$parks_percent_change_from_baseline
###
Porcentaje_ET <- DatosMobilityReport$transit_stations_percent_change_from_baseline
###
Porcentaje_AT <- DatosMobilityReport$workplaces_percent_change_from_baseline
###
Porcentaje_H <- DatosMobilityReport$residential_percent_change_from_baseline
# Data Frame (Marco de datos -con fecha)
FechaMR = seq(from = as.Date("2020-02-15"), to = as.Date("2020-10-13"), by = 'day')
dataMR <- data.frame(x=FechaMR,y=Retail_Recreation_Percentage)
# Gráficas
gMR1 <- ggplot(data=dataMR) +
geom_line(aes(x=FechaMR, y=Porcentaje_VR), size=1, colour="orange") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("a) Tiendas y ocio (-31%)")
gMR2 <- ggplot(data=dataMR) +
geom_line(aes(x=FechaMR, y=Porcentaje_F), size=1, colour="darkgreen") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("b) Supermercados y farmacias (-11%)")
gMR3 <- ggplot(data=dataMR) +
geom_line(aes(x=FechaMR, y=Porcentaje_P), size=1, colour="purple") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("c) Parques (-26%)")
gMR4 <- ggplot(data=dataMR) +
geom_line(aes(x=FechaMR, y=Porcentaje_ET), size=1, colour="brown") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("d) Estaciones de transporte (-31%)")
gMR5 <- ggplot(data=dataMR) +
geom_line(aes(x=FechaMR, y=Porcentaje_AT), size=1, colour="red") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("e) Lugares de trabajo (-27%)")
gMR6 <- ggplot(data=dataMR) +
geom_line(aes(x=FechaMR, y=Porcentaje_H), size=1, colour="blue") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("f) Zonas residenciales (+12%)")
# Unir gráficas
grid.arrange(gMR1,gMR2,gMR3,gMR4,gMR5,gMR6)
¿Ocurrió algo importante entre el 3 de enero y el 6 de febrero del 2020?
Dos días festivos: 6 de enero (día de Reyes), y 5 de febrero (día de asueto 3 feb: puente; día de la constitución mexicana)
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? Un invierno muy frío ¿Los festivos cayeron el mismo día de la semana? Si, generando lunes atípicos en la movilidad de la gente ¿Tienes otras fuentes de datos (como tiques de peajes, parquímetros o viajes en metro) que puedan ayudarte a determinar el cambio previsto? Si, existen herramientas de Google que miden esas variables
De enero hasta ahora, ¿cómo varía la cantidad de personas que visitan parques?
Solamente en un comienzo de la cuarentena, el número de gente que asistía a parques disminuyó drásticamente, con el tiempo el número fue nuevamente elevandose, aunque aún se mantiene por debajo del nivel de referencia
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? Un poco solamente, en temporadas de lluvia y calor 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? En días de lluvia la cantidad de visitantes disminuye ¿Tienes registros de visitas a parques de años anteriores que puedan ayudarte a analizar los cambios de este año? No, pero se asume que los valores serían mayores a los registrados durante la pandemia, debido a que estos forman el nivel de referencia
¿Cuánto tiempo crees que pasará la gente en las zonas residenciales?
19 horas al día, se estima que ahora la gente pasa mayor tiempo en su casa, debido a que no es posible asistir a ciertos lugares, en ciertos horarios, con determinado afluente de personas
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. Un trabajador, depende de su trabajo y de si le es posible realizarlo o no desde casa 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? Si, la gente en vacaciones tiende a salir más
¿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? Aquellos trabajos que son realizable desde el hogar, permiten a los trabajadores permenecer en su casa, y viceversa; aquellos que no, han despedido a un gran número de gente para evitar pérdidas en la empresa, y por seguridad ¿Los efectos serían diferentes en las personas que trabajan entre semana que en las que lo hacen los fines de semana? No, o muy poco
¿Con qué grado de precisión está representada tu región?
Con mucha precisión Estos informes se crean con el mismo tipo de datos que se usan para mostrar las horas punta en Google Maps. Responde las siguientes preguntas:
¿Cuántos lugares de interés muestra Google Maps en tu región? ¿Cuáles son las diferencias y similitudes entre tu región y otras regiones? Abre Google Maps y compruébalo. ¿En tu región hay lugares de trabajo en los que no se permitan dispositivos móviles? Por ejemplo, edificios de organismos públicos o bases militares. ¿Qué efecto podría tener esto en el número de personas que acuden a los lugares de trabajo? Los datos reales se ven diezmados, afectados
CONCLUSIÓN
Los eventos en la vida real nunca son eventos aislados, y para su estudio se hace uso de distribuciones de probabilidad.