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("~/PYE1112ADITSON")
library(pacman)
p_load("readr","tidyverse","DT","prettydoc","gridExtra")
DatosRSon <- read_csv("SonoraReport.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 <- DatosRSon$retail_and_recreation_percent_change_from_baseline
Grocery_Pharmacy_Percentage <- DatosRSon$grocery_and_pharmacy_percent_change_from_baseline
Parks_Percentage <- DatosRSon$parks_percent_change_from_baseline
TransitStations_Percentage <- DatosRSon$transit_stations_percent_change_from_baseline
Workplaces_Percentage <- DatosRSon$workplaces_percent_change_from_baseline
Residential_Percentage <- DatosRSon$residential_percent_change_from_baseline
Porcentaje_VR <- DatosRSon$retail_and_recreation_percent_change_from_baseline
Porcentaje_F <- DatosRSon$grocery_and_pharmacy_percent_change_from_baseline
Porcentaje_P <- DatosRSon$parks_percent_change_from_baseline
Porcentaje_ET <- DatosRSon$transit_stations_percent_change_from_baseline
Porcentaje_AT <- DatosRSon$workplaces_percent_change_from_baseline
Porcentaje_H <- DatosRSon$residential_percent_change_from_baseline
# Data Frame (Marco de datos - con fecha)
fechaRS = seq(from = as.Date("2020-02-15"), to = as.Date("2020-10-13"), by = 'day')
dataRS <- data.frame(x=fechaRS,y=Retail_Recreation_Percentage)
# Gráficas
gRS1 <- ggplot(data=dataRS) +
geom_line(aes(x=fechaRS, y=Porcentaje_VR), size=1, colour="orange") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("a) Tiendas y ocio (-31%)")
gRS2 <- ggplot(data=dataRS) +
geom_line(aes(x=fechaRS, y=Porcentaje_F), size=1, colour="darkgreen") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("b) Supermercados y farmacias (-11%)")
gRS3 <- ggplot(data=dataRS) +
geom_line(aes(x=fechaRS, y=Porcentaje_P), size=1, colour="purple") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("c) Parques (-26%)")
gRS4 <- ggplot(data=dataRS) +
geom_line(aes(x=fechaRS, y=Porcentaje_ET), size=1, colour="brown") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("d) Estaciones de transporte (-31%)")
gRS5 <- ggplot(data=dataRS) +
geom_line(aes(x=fechaRS, y=Porcentaje_AT), size=1, colour="red") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("e) Lugares de trabajo (-27%)")
gRS6 <- ggplot(data=dataRS) +
geom_line(aes(x=fechaRS, y=Porcentaje_H), size=1, colour="blue") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("f) Zonas residenciales (+12%)")
# Representación de todas las gráficas
grid.arrange(gRS1,gRS2,gRS3,gRS4,gRS5,gRS6)
¿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, ya que las autoridades los mantuvieron cerrador por un tiempo, sin embargo, con el tiempo y una vez que abriaran el número aumento nuevamente, pero no se a normalizado.
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? Si, en las temporadas de lluvia.
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 los días de lluvia la frecuencia de visistas en menor a comparación con los días soliados.
¿Tienes registros de visitas a parques de años anteriores que puedan ayudarte a analizar los cambios de este año? No, dado que despues de mucho tiempo se presenta una pandemia, eso quiere decir que no hay registros previoas con los cuales analizar los de este año.
¿Cuánto tiempo crees que pasará la gente en las zonas residenciales?
- Alrededor de 15 y 20 horas, se estima que ahora la gente pasa mayor tiempo en su casa, debido a que no es posible asistir a ciertos lugares, en ciertas horas del día, debido a la situación, esto para evitar el mayor número de contagios posibles.
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? La mayoria de trabajos son de manera presencial, por ende al momento de realizarce la cuarentena, millones de personas se quedaron sin trabajo.
¿Los efectos serían diferentes en las personas que trabajan entre semana que en las que lo hacen los fines de semana? No.
¿Con qué grado de precisión está representada tu región?
- 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 principales serían los bancos.