Disponibilidad de espacios públicos en el área metropolitana de Caracas

Plaza de los Museos, Bellas Artes

Hola Rers!
En este proyecto estudiaré la disponibilidad de espacios públicos en la ciudad de Caracas, de forma exploratoria y a través de la extracción de datos de repositorios oficiales venezolanos (INE, INTI, MINAMB) y de repositorios libres (OSM). Me propongo entender cómo es la distribución de la superficie cubierta por espacios públicos, como parques, plazas y espacios municipales para el intercambio social, así como también espacios deportivos de caracter público. No incorporo dentro del análisis la superficie cubierta por el P.N. El Ávila, pero si le dedico una sección al final del documento.

El objetivo es contrastar los resultados de la distribución demográfica de la población y de los hogares pobres, con este indicador de disponibilidad de espacios públicos, bajo el supuesto de que la ciudad de Caracas posee una marcada desigualdad territorial (De recursos e infrasestrucutra) entre su “Este” simbólico y el Oeste del área metropolitana.

Esta publicación forma parte de la evaluación académica de la materia Ciencias de Datos II de la Diplomatura en Big Data e Inteligencia Territorial de la Facultad Latinoamericana de Ciencias Sociales.

Preparamos el entorno de trabajo

Importación de librerías

library(Rcpp)
library(sf)
library(osmdata)
library(tidyverse)
library(ggmap)
library(leaflet)
library(ggsn)
library(maptools)
library(units)
library(RColorBrewer)
options(scipen = 999)

Definición del Área de estudio

Utilizaremos las definiciones de OSM de la extensión territorial de la Ciudad de Caracas. Como mapa base se usará el “stamenmap” provisto.

bbox_caracas <- getbb("Caracas, Venezuela")
mapa_ccs <- get_stamenmap(bbox=bbox_caracas, zoom=12)
pol_caracas <- getbb("Caracas, Venezuela",format_out = "sf_polygon")

#escala_grafica <- edit(scalebar)

Observamos el polígono que nos devuelve la base de datos. Corresponde al Área Metropolitana de Caracas, que administrativamente pertenece a dos entidades federales (Distrito Capital + Estado Miranda), y a su vez, se compone por 5 municipios:

  • Distrito Capital: Municipio Libertador
  • Estado Miranda: Municipios –> Baruta, Chacao, El Hatillo, Sucre

(ver la seccion “Distribución Político Territorial caraqueña”)

Obtenemos el polígono del Municipio Libertador desde OSM, y también el mapa de la ciudad de Caracas donde se identifica el Área metropolitana en Rojo y el Distrito Capital propiamente, en color Azul.

pol_libertador <- getbb("Municipio Libertador, Venezuela",
                     format_out = "sf_polygon")
ggmap(mapa_ccs)+
 geom_sf(data=pol_caracas, fill=NA, size=1, color="firebrick3", inherit.aes = FALSE)+
  geom_sf(data= pol_libertador, fill=NA, size=0.5, color="blue", inherit.aes = F)+
  scalebar(pol_caracas,
           location = "bottomleft",
           dist = 8,
           st.dist = 0.04,
           st.bottom = F,
           st.size = 2.5, 
           dist_unit = "km", 
           border.size = 0.5, 
           transform = T, 
           model = "WGS84")+
 labs(title="Área Metropolitana de Caracas, Venezuela",
 caption="Fuente: Open Street Map")+
 theme_void()

Obtención de áreas verdes y de esparcimiento

Para el Análisis que quiero hacer, necesitaré obtener los polígonos de áreas destinadas al esparcimiento y recreación urbana, esto son las plazas, parques, y parques con áreas deportivas de caracter público. Los obtenemos desde el servicio de OSM data a través de la clave “leisure”.

parque_ccs <- opq(bbox_caracas) %>%
 add_osm_feature(key = "leisure")

parque_ccs <- osmdata_sf(parque_ccs)

parque_ccs
## Object of class 'osmdata' with:
##                  $bbox : 10.3404973,-67.16228,10.567559,-66.690883
##         $overpass_call : The call submitted to the overpass API
##                  $meta : metadata including timestamp and version numbers
##            $osm_points : 'sf' Simple Features Collection with 25211 points
##             $osm_lines : 'sf' Simple Features Collection with 87 linestrings
##          $osm_polygons : 'sf' Simple Features Collection with 1907 polygons
##        $osm_multilines : NULL
##     $osm_multipolygons : 'sf' Simple Features Collection with 31 multipolygons
# Crearé dos datasets que derivan del anterior, 1 para polígonos y 2 para multipolígonos

parque_ccs1 <- parque_ccs$osm_polygons
parque_ccs2 <- parque_ccs$osm_multipolygons

Mapa del Área metropolitana de Caracas y los espacios de esparcimiento

Tenemos cerca de 1900 unidades que representan espacios verdes de esparcimiento en la ciudad de Caracas; pueden ser parques, zonas deportivas, áreas verdes, plazas, parques privados, etc.

ggmap(mapa_ccs)+
 geom_sf(data=pol_caracas, fill=NA, size=1, color="firebrick3", inherit.aes = FALSE)+
  geom_sf(data= pol_libertador, fill=NA, size=0.5, color="blue", inherit.aes = F)+
  geom_sf(data=parque_ccs2, fill="green3", color=NA, inherit.aes = F)+
  geom_sf(data=parque_ccs1, fill="green3", color=NA, inherit.aes = F)+
  scalebar(pol_caracas,
           location = "bottomleft",
           dist = 8,
           st.dist = 0.04,
           st.bottom = F,
           st.size = 2.5, 
           dist_unit = "km", 
           border.size = 0.5, 
           transform = T, 
           model = "WGS84")+
 labs(title="Área Metropolitana de Caracas, Venezuela",
 caption="Fuente: Open Street Map")+
 theme_void()
## Coordinate system already present. Adding new coordinate system, which will replace the existing one.

Filtramos los espacios públicos

Filtraremos aquellas áreas identificadas de uso público, como “park” (parques y plazas), “nature_reserve” (bajo figuras de administración estatal en el caso de Venezuela), “summer_camp” y “fitness_station”.

# Invocamos la data de OSM con clave Leisure
espacios_publicos_ccs <- opq(bbox_caracas) %>% 
                  add_osm_feature(key = "leisure", value = c("park", "nature_reserve", "summer_camp", "fitness_station"))

espacios_publicos_ccs <- osmdata_sf(espacios_publicos_ccs)

espacios_publicos_ccs

# Definimos dos datasets, uno para los que vienen como "polígonos" y otro para los que vienen como "Multipolígonos"

espacios_publicos_ccs1 <-espacios_publicos_ccs$osm_polygons
espacios_publicos_ccs2 <-espacios_publicos_ccs$osm_multipolygons

# summary(espacios_publicos_ccs1)
# summary(espacios_publicos_ccs2)


Distribución político territorial:

Venezuela se compone de Estados (entidades federales), que contienen municipios, y éstos a su vez, contienen parroquias. (Sería similar a la estructura Provincia ► Departamento ► Municipio)

Para Profundizar en el análisis es espacio público relacionado con factores y variables demográficas, es propicio contar con un nivel de agregación menor, por lo que incluiré los polígonos de Parroquias, que ya sabemos, son las figuras político-administrativas supeditadas a los municipios.

DPT caraqueña:

El área metropolitana de Caracas contiene 32 parroquias, de las cuales 22 pertenecen al Distrito Capital (Mun. Libertador) y 10 al Estado Miranda y sus distintos muncipios metropolitanos.

Fuente: Instituto de Tierras - Instituto Geografía Nacional Simón Bolívar Entidades Político-territoriales de Venezuela.

A través del paquete ‘sf’ incorporaré las parroquias del Área Metropolitana de Caracas en formato SHP

parroquias <- st_read("datos/inti_CARTOINTI_DPT_AMCA.shp")
## Reading layer `inti_CARTOINTI_DPT_AMCA' from data source `D:\FLACSO\Ciencia de Datos II\TP_RATTIA\datos\inti_CARTOINTI_DPT_AMCA.shp' using driver `ESRI Shapefile'
## Simple feature collection with 32 features and 18 fields
## geometry type:  POLYGON
## dimension:      XY
## bbox:           xmin: -67.16304 ymin: 10.3407 xmax: -66.69278 ymax: 10.5654
## geographic CRS: REGVEN
# El shapefile de origen tiene proyección REGVEN, conviene transformar el sistema a WGS84 para una mejor representación cartográfica

st_transform(parroquias, crs = 4326)
ggmap(mapa_ccs)+
 geom_sf(data=espacios_publicos_ccs2, fill="green3", color=NA, inherit.aes = F)+
  geom_sf(data=espacios_publicos_ccs1, fill="green3", color=NA, inherit.aes = F)+
  geom_sf(data=parroquias, fill= NA, color= "yellow", size=0.7, inherit.aes = F)+
  geom_sf(data=pol_caracas, fill=NA, size=1, color="firebrick3", inherit.aes = F)+
  geom_sf(data= pol_libertador, fill=NA, size=0.5, color="blue", inherit.aes = F)+
  geom_sf_text(data = parroquias, aes(label = PARROQUIA),size=2,family="sans", inherit.aes = F)+
  scalebar(pol_caracas,
           location = "bottomleft",
           dist = 8,
           st.dist = 0.04,
           st.bottom = F,
           st.size = 2.5, 
           dist_unit = "km", 
           border.size = 0.5, 
           transform = T, 
           model = "WGS84")+
 labs(title="Área Metropolitana de Caracas, Venezuela",
 caption="Fuentes: Open Street Map / INTI ")+
 theme_void()
## Coordinate system already present. Adding new coordinate system, which will replace the existing one.


Información Demográfica - Inistituto Nacional de Estadística

Utilizaremos información Censal (Censo de Población y Viviendas) y sus respectivas proyecciones. La fuente de los datos es oficial y se encuentran en el portal del Instituto Nacional de Estadísticas(INE)

Datos poblacionales por parroquia

Utilizaremos la proyección de población al 2020, basado en estimaciones del censo del 2011.

pob_proy <- read.csv("datos/proyecciones-ine-2020-por-parroquias.csv")

CI_PARROQ1 <- parroquias$CI_PARROQ

pob_proy <- pob_proy %>% 
  select(1:6,11) %>% 
  mutate(CI_PARROQ=substr(adm3_pcode,3,8)) %>% 
  filter(CI_PARROQ %in% CI_PARROQ1)

Obtenidos los datos correspondientes a las 32 parroquias del AMCA, veamos como es la distribución parroquial

parroquias_pob <- left_join(x = parroquias, y = pob_proy, by= "CI_PARROQ")
parroquias_pob


Mapas de población y densidad del Área Metropolitana de Caracas - Proyección 2020

Veamos los mapas de población (cantidad de habitantes) y densidad poblacional (habitantes/superficie) del Área Metropolitana de Caracas

ggmap(mapa_ccs)+
  geom_sf(data=parroquias_pob, aes(fill=proyeccion2020), inherit.aes = F)+
  geom_sf_text(data = parroquias, aes(label = PARROQUIA),size=1.5,family="sans",color="white", inherit.aes = F)+
  scalebar(pol_caracas,
           location = "bottomleft",
           dist = 8,
           st.dist = 0.04,
           st.bottom = F,
           st.size = 2.5, 
           dist_unit = "km", 
           border.size = 0.5, 
           transform = T, 
           model = "WGS84")+
 labs(title="Área Metropolitana de Caracas, Venezuela",
      subtitle = "Población total por parroquias (proy 2020)",
      fill= "Habitantes",
 caption="Fuentes: Open Street Map / INTI ")+
 theme_void()
## Coordinate system already present. Adding new coordinate system, which will replace the existing one.

ggmap(mapa_ccs)+
  geom_sf(data=parroquias_pob, aes(fill=proyeccion2020/Hectares),
          inherit.aes = F)+
  geom_sf_text(data = parroquias, aes(label = PARROQUIA),size=1.5,family="sans",color="black", inherit.aes = F)+
  scale_fill_distiller(palette = "Spectral")+
  scalebar(pol_caracas,
           location = "bottomleft",
           dist = 8,
           st.dist = 0.04,
           st.bottom = F,
           st.size = 2.5, 
           dist_unit = "km", 
           border.size = 0.5, 
           transform = T, 
           model = "WGS84")+
 labs(title="Área Metropolitana de Caracas, Venezuela",
      subtitle = "Densidad poblacional parroquias (proy 2020/H)",
      fill= "Hab x Hectárea",
 caption="Fuentes: Open Street Map / INTI ")+
 theme_void()
## Coordinate system already present. Adding new coordinate system, which will replace the existing one.


La parroquia Sucre (del municipio Libertador, no confundir con Municipio Sucre, al Este de la ciudad) es la parroquia más poblada de toda el Área Metropolitana de Caracas, con más de 360mil habitantes. Contiene los barrios más poblados, como Catia. Seguido por menos de la mitad de habitantes, las parroquias Caricuao, El Valle, Baruta y Antímano.

En cuanto a la densidad poblacional (segunda tabla), observamos que las parroquias centrales, como es típico en las ciudades metropolitanas, se concentran en el Centro administrativo e histórico, cuyas unidades administrativas son más pequeñas y concentradas. En el caso de Caracas: La Candelaria, San Jose, Santa Teresa y alrededores.

parroquias_pob %>% 
  summarise(PARROQUIA, hab= proyeccion2020 ) %>% 
  group_by(PARROQUIA) %>% 
  arrange(desc(hab), by_group=T) %>% 
  head(5)
## although coordinates are longitude/latitude, st_union assumes that they are planar
parroquias_pob %>% 
  summarise(PARROQUIA, densidad=proyeccion2020/Hectares) %>% 
  group_by(PARROQUIA) %>% 
  arrange(desc(densidad)) %>% 
  head(10)
## although coordinates are longitude/latitude, st_union assumes that they are planar


Necesidades Básicas Insatisfechas - Área Metropolitana de Caracas

Información según Censo de Población y Viviendas 2011. Los resultados se agregan por Hogares (unidades censales). Las tres categorías definidas son: Hogares No Pobres, Hogares Pobres, Hogares con pobreza extrema. Los criterios metodológicos se pueden ver en el Catálogo de Metadatos del INE

NBI_parroquia <- read.csv("datos/NBI_porParroquia.csv")

colnames(NBI_parroquia) <-  c("CI_PARROQ","Parroquia", "NoPobre","NoPobreExtrema", "PobreExtrema","x100NoPobre","x100NoPobreExtrema","x100PobreExtrema" )

NBI_caracas <- NBI_parroquia %>% 
  filter(CI_PARROQ %in% CI_PARROQ1)

# hacemos un join de tablas con los datos, para anexarlos a la capa anterior

parroquias_pob_nbi <- left_join(x = parroquias_pob, y = NBI_caracas, by= "CI_PARROQ")
parroquias_pob_nbi


Cómo se distribuyen los Hogares pobres en el área metropolitana de Caracas?

Mapa de distribución de hogares bajo la línea de pobreza en Caracas

ggmap(mapa_ccs)+
  geom_sf(data=parroquias_pob_nbi, aes(fill=x100NoPobreExtrema+x100PobreExtrema),
          inherit.aes = F)+
  geom_sf_text(data = parroquias, aes(label = PARROQUIA),
               size=1.5,family="sans",color="black", inherit.aes = F)+
  scale_fill_distiller(palette = "Spectral")+
  scalebar(pol_caracas,
           location = "bottomleft",
           dist = 8,
           st.dist = 0.04,
           st.bottom = F,
           st.size = 2.5, 
           dist_unit = "km", 
           border.size = 0.5, 
           transform = T, 
           model = "WGS84")+
 labs(title="Área Metropolitana de Caracas, Venezuela",
      subtitle = "% Hogares Pobres y pobreza extrema",
      fill= "% pobreza",
 caption="Fuentes: Open Street Map / INTI ")+
 theme_void()
## Coordinate system already present. Adding new coordinate system, which will replace the existing one.

La distribución absoluta de hogares pobres (excluyendo pobreza extrema), donde de nuevo coincide la Parroquia Sucre como la que concentra la mayoría de hogares con Necesidade Básicas Insatisfechas, de nuevo, conteniendo al barrio Catia, que es uno de los barrios populares más grandes del país junto a Petare (parroquia Petare)

Ahora bien, mirando estos datos en valores porcentuales podemos entender mejor la concentración de hogares en pobreza. En el segundo mapa se observa la distribución de hogares en pobreza y pobreza extrema (porcentaje sobre el total de hogares) resultado Filas de Mariches como la parroquia con creces más pobre de toda la AMCA.

El fenomeno caraqueño de la desigualdad se suele asociar al Este- Oeste, siendo el Este reconocido (imaginario social) como el de mayor poder adquisitivo y de clase media, esto realmente corresponde a los barrios Leoncio Martinez, Chacao y el Cafetal, y no propiamente el Este geográfico. El Municipio CHacao es reconocido también como el “más rico” del país.

parroquias_pob_nbi %>% 
  summarise(PARROQUIA, hogPobres=NoPobreExtrema) %>% 
  group_by(PARROQUIA) %>% 
  arrange(desc(hogPobres)) %>% 
  head(10)
## although coordinates are longitude/latitude, st_union assumes that they are planar
parroquias_pob_nbi %>% 
  summarise(PARROQUIA, PropHogPobres=x100NoPobreExtrema+x100PobreExtrema) %>% 
  group_by(PARROQUIA) %>% 
  arrange(desc(PropHogPobres)) %>% 
  head(10)
## although coordinates are longitude/latitude, st_union assumes that they are planar


Disponibilidad de Espacios Públicos para la convivencia en la Ciudad de Caracas

A efectos prácticos, hablaré de disponibilidad de espacios públicos en el área metropolitana de Caracas, considerando la superficie cubierta en metros cuadrados de tales espacios, sin considerar los otros factores en análisis de espacio público, a saber: accesibilidad, entorno, infraestructura, gestión, etc.

Me dispondré a analizar la superficie de espacios urbanos dedicados a esparcimiento, de carácter público, y como se comporta conjunto a las variables demográficas desarrolladas en el segmento anterior.


Cálculo de área en m2 de los espacios públicos definidos

espacios_publicos_ccs1 <- espacios_publicos_ccs1 %>% 
  mutate(aream2=st_area(espacios_publicos_ccs1))

espacios_publicos_ccs2 <- espacios_publicos_ccs2 %>% 
  mutate(aream2=st_area(espacios_publicos_ccs2))
# Transformación de los datos: Llevamos ambas capas al mismo sistema de coordenadas

st_crs(espacios_publicos_ccs1)
## 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]]
st_crs(parroquias_pob_nbi)
## Coordinate Reference System:
##   User input: REGVEN 
##   wkt:
## GEOGCRS["REGVEN",
##     DATUM["Red Geodesica Venezolana",
##         ELLIPSOID["GRS 1980",6378137,298.257222101,
##             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["Venezuela"],
##         BBOX[0.64,-73.38,16.75,-58.95]],
##     ID["EPSG",4189]]
parroquias_pob_nbi <- parroquias_pob_nbi %>% 
  st_transform(st_crs(espacios_publicos_ccs1))

# Hacemos un join espacial para obtener la PARROQUIA a la cual pertenece cada espacio público

join_ep1_parroquia <- st_join(espacios_publicos_ccs1, parroquias_pob_nbi, join= st_intersects )
# Generamos un primer resultado de superficie de espacio público en metros cuadrados por parroquia

sup_ep1_parroquia <- join_ep1_parroquia %>%
  filter(!is.na(CI_PARROQ)) %>% 
  group_by(CI_PARROQ, PARROQUIA) %>% 
  summarise(supep1=sum(aream2)) %>% 
  ungroup() %>% 
  as.data.frame()

sup_ep1_parroquia

Haremos el mismo paso anterior, pero correspondiente al segundo grpo de Espacios Públicos (plazas municipales en su mayoría)

st_crs(espacios_publicos_ccs2)
## 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]]
st_crs(parroquias_pob_nbi)
## 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]]
parroquias_pob_nbi <- parroquias_pob_nbi %>% 
  st_transform(st_crs(espacios_publicos_ccs2))

# Hacemos un join espacial para obtener la PARROQUIA a la cual pertenece cada espacio público

join_ep2_parroquia <- st_join(espacios_publicos_ccs2, parroquias_pob_nbi, join= st_intersects )

# Generamos un primer resultado de superficie de espacio público en metros cuadrados por parroquia

sup_ep2_parroquia <- join_ep2_parroquia %>%
  filter(!is.na(CI_PARROQ)) %>% 
  group_by(CI_PARROQ, PARROQUIA) %>% 
  summarise(supep1=sum(aream2)) %>% 
  ungroup() %>% 
  as.data.frame()

sup_ep2_parroquia


Superficie cubierta de áreas destinadas a espacios públicos

Con los dos resultados anteriores, genero un objeto “sup_en_parroquia” que contiene la sumatoria en superfice de todos las áreas extraídas (espacio público) agrupado por parroquia.

sup_ep_parroquia <- full_join(sup_ep1_parroquia, sup_ep2_parroquia, by=c("CI_PARROQ"="CI_PARROQ", "PARROQUIA"="PARROQUIA")) %>%  
  select(CI_PARROQ, PARROQUIA, supep1.x,supep1.y)

# El calculo de área devuelve un tipo de dato "units" que eliminaré en esta instancia, transformando el dato en un tipo "doble" o "decimal" para hacer correctamente una sumatoria de área total destinada a espacios públicos. Desestimaré los datos nulos "NA"

sup_ep_parroquia <- sup_ep_parroquia %>% 
  mutate(supep1.x=drop_units(sup_ep_parroquia$supep1.x),
         supep1.y=drop_units(sup_ep_parroquia$supep1.y)) %>% 
  mutate(supep1F = case_when(is.na(supep1.x) ~ 0,
                                 TRUE ~ supep1.x)) %>% 
  mutate(supep1G = case_when(is.na(supep1.y) ~ 0,
                             supep1.y<0 ~ 0,
                                 TRUE ~ supep1.y)) %>% 
  mutate(SuperficieTotal=supep1F+supep1G) %>% 
  select(CI_PARROQ, PARROQUIA, SuperficieTotal)

La Parroquia Caucaguita concentra la mayor superfice, dado que en sus límites administrativos se encuentra un gran parque recreacional (Maria Concepción Palacios, o Parque Caiza); luego las parroquias Chacao, Leoncio Martinez, El Recreo. Solo estas 5 parroquias de las 32 que son, acumulan el 50% de la superficie de los espacios públicos disponibles en el área metropolitana.

sup_ep_parroquia %>% 
  arrange(desc(SuperficieTotal))
sup_ep_parroquia %>% 
  mutate(x100= round((SuperficieTotal/sum(SuperficieTotal)*100),2)) %>% 
  arrange(desc(x100)) %>% 
  mutate(acum= cumsum(x100))
sup_ep_parroquia %>% 
  mutate(x100= round((SuperficieTotal/sum(SuperficieTotal)*100),2)) %>% 
  arrange(desc(x100)) %>% 
  mutate(acum= cumsum(x100))%>% 
  ggplot(aes(reorder(PARROQUIA, x100),x100)) +
  geom_col(fill="green4")+
  coord_flip()+
  labs(x = "",y="% de cobertura")+
  theme_minimal()


Distribución parroquial de espacios públicos en el Área Metropolitana de Caracas

Genero un solo dataframe espacial con contenga datos de poblacion, nbi y superficie cubierta de e.públicos.

parroquias_pob_nbi_ep <- left_join(parroquias_pob_nbi, sup_ep_parroquia, by=c("CI_PARROQ"="CI_PARROQ", "PARROQUIA"= "PARROQUIA"))

parroquias_pob_nbi_ep

Este mapa nos permite ver la información anterior distribuido por parroquias, denotando la predominancia de Caucaguita, la acumulación de superficie en las parroquias del centro-Este y la ausencia en las parroquias del Junquito, Macarao y Filas de Mariches

# Mapa Superficie Total

ggmap(mapa_ccs)+
  geom_sf(data=parroquias_pob_nbi_ep, aes(fill=SuperficieTotal),
          inherit.aes = F)+
  geom_sf_text(data = parroquias, aes(label = PARROQUIA),
               size=1.5,family="sans",color="black", inherit.aes = F)+
  scale_fill_viridis_c()+
  scalebar(pol_caracas,
           location = "bottomleft",
           dist = 8,
           st.dist = 0.04,
           st.bottom = F,
           st.size = 2.5, 
           dist_unit = "km", 
           border.size = 0.5, 
           transform = T, 
           model = "WGS84")+
 labs(title="Área Metropolitana de Caracas, Venezuela",
      subtitle = "Superficie cubierta por Espacios Públicos (m2)",
      fill= "m2",
 caption="Fuentes: Open Street Map / INTI ")+
 theme_void()
## Coordinate system already present. Adding new coordinate system, which will replace the existing one.


Este mapa nos muestra “la parroquia más verde” entendiendo la expresión, como la cobertura total de espacios públicos y de esparcimiento sobre la superficie total de la parroquia, donde, de nuevo, las parroquias del Centro del área Metropolitana cobran preponderancia.

ggmap(mapa_ccs)+
  geom_sf(data=parroquias_pob_nbi_ep %>% 
            mutate(x100 = (SuperficieTotal/(Hectares*10000))*100), 
          aes(fill= x100),
          inherit.aes = F)+
  scale_fill_gradient(low="azure3", high = "darkgreen")+
  geom_sf(data=espacios_publicos_ccs2, fill="green2", color=NA, inherit.aes = F, alpha=0.5)+
  geom_sf(data=espacios_publicos_ccs1, fill="green2", color=NA, inherit.aes = F, alpha=0.5)+
  geom_sf_text(data = parroquias, aes(label = PARROQUIA),
               size=1.5,family="sans",color="black", inherit.aes = F)+
  scalebar(pol_caracas,
           location = "bottomleft",
           dist = 8,
           st.dist = 0.04,
           st.bottom = F,
           st.size = 2.5, 
           dist_unit = "km", 
           border.size = 0.5, 
           transform = T, 
           model = "WGS84")+
 labs(title="Área Metropolitana de Caracas, Venezuela",
      subtitle = "Superficie cubierta por Espacios Públicos (% sobre la superfice parroquial)",
      fill= "% de cobertura",
 caption="Fuentes: Open Street Map / INTI ")+
 theme_void()
## Coordinate system already present. Adding new coordinate system, which will replace the existing one.


Disponibilidad: superficie cubierta / habitante


Ahora bien, si quisieramos contemplar la cantidad de metros cuadrados de espacios públicos por habitante, hablaríamos de la disponibilidad “per cápita” del recurso. Veamos el siguiente mapa

ggmap(mapa_ccs)+
  geom_sf(data=parroquias_pob_nbi_ep, aes(fill=SuperficieTotal/proyeccion2020),
          inherit.aes = F)+
  geom_sf_text(data = parroquias, aes(label = PARROQUIA),
               size=1.5,family="sans",color="white", inherit.aes = F)+
  scale_fill_viridis_c()+
  geom_sf(data=espacios_publicos_ccs2, fill="green2", color=NA, inherit.aes = F, alpha=0.5)+
  geom_sf(data=espacios_publicos_ccs1, fill="green2", color=NA, inherit.aes = F, alpha=0.5)+
  scalebar(pol_caracas,
           location = "bottomleft",
           dist = 8,
           st.dist = 0.04,
           st.bottom = F,
           st.size = 2.5, 
           dist_unit = "km", 
           border.size = 0.5, 
           transform = T, 
           model = "WGS84")+
 labs(title="Área Metropolitana de Caracas, Venezuela",
      subtitle = "Superficie cubierta por Espacios Públicos (m2)",
      fill= "m2 x hab",
 caption="Fuentes: Open Street Map / INTI ")+
 theme_void()
## Coordinate system already present. Adding new coordinate system, which will replace the existing one.


Resulta evidente la distribución desigual de espacios públicos en la Ciudad de Caracas, no tanto en su proporción geográfica (superfice total, o la superfice cubierta en el límite administrativo de cada parroquia) si no en la concentración de habitantes es barrios y sectores que carecen de suficientes espacios destinados al uso público de esparcimiento. En el Área metropolitana de Caracas, el Este parece tener una mayor disponibilidad, mientras que en el Municipio Libertador (o Distrito Capital) parecen insuficientes los espacios públicos para la cantidad de personas que habitan en él.

Mapa interactivo de Caracas

El siguiente mapa contiene el resultado de lo visto anteriormente, los indicadores demográficos de densidad y pobreza, y el indicador de disponibilidad de espacios públicos por habitante.

# Paleta de colores para capas
## Poblacion
bins <- c(0, 1000, 2000, 50000, 100000, 200000, 500000, 1000000, Inf)
paleta_poblacion <- colorBin("YlOrRd", domain = parroquias_pob_nbi$proyeccion2020, bins = bins)

## Densidad
bins2 <- c(0, 100, 200, 500, 1000, Inf)
paleta_densidad <- colorBin("YlOrRd", domain = parroquias_pob_nbi$proyeccion2020/parroquias_pob_nbi$Hectares, bins = bins2)

## Pobreza
bins3 <- c(0, 10, 15, 20, 25, 30, 35, 40, 50,  Inf)
paleta_pobreza <- colorBin("Reds", domain = parroquias_pob_nbi$x100NoPobreExtrema+parroquias_pob_nbi$x100PobreExtrema, bins = bins3)

## Disponibilidad 
bins4 <- c(0, 5, 10, 50, 100, 200, 300, 400, Inf)
paleta_disponib <- colorBin("Greens", domain = parroquias_pob_nbi_ep$SuperficieTotal/parroquias_pob_nbi_ep$proyeccion2020, bins = bins4)


El Ávila

PN.El Ávila

El Ávila, una extensa cordillera bajo figura de administración y protección natural, y un tesoro visual e identitario de cualquier caraqueñx. El Ávila representa un símbolo geográfico de la ciudad de Caracas y posee caminerias, rutas y senderos que ofrecen a la población cercana un espacio de esparcimiento, de carácter también público bajo control de la ley de Parques Nacionales (ABRAE).

Al ubicarse en el límite norte de la ciudad, el Ávila garantiza mayor disponibilidad de áreas verdes y de esparcimiento para la ciudadanía que habita en su proximidad, y quienes viven más lejos, se trasladan al parque para poder subir sus cerros o usar sus senderos.

No he incorporado al Ávila en este estudio de espacios públicos porque considero que debe tratarse aparte, dado que es una gran extensión montañosa con estricto control administrativo, si bien público; Por eso, su tratamiento no debe ser igual al de una plaza o un parque municipal. De todas formas, no debe dejarse de lado su importancia en cuanto a la calidad de vida de las personas y la accesibilidad a este bien natural.

avila <- st_read("datos/minamb_ABRAE_PNAVILA.shp")
## Reading layer `minamb_ABRAE_PNAVILA' from data source `D:\FLACSO\Ciencia de Datos II\TP_RATTIA\datos\minamb_ABRAE_PNAVILA.shp' using driver `ESRI Shapefile'
## Simple feature collection with 1 feature and 30 fields
## geometry type:  POLYGON
## dimension:      XY
## bbox:           xmin: -67.0232 ymin: 10.45621 xmax: -66.21765 ymax: 10.62888
## geographic CRS: REGVEN
st_transform(avila, crs = 4326)
mapa_final_ccs_avila <- leaflet() %>% 
  addProviderTiles("CartoDB") %>%
  addProviderTiles(providers$Stamen.TonerLite, group = "Toner Lite") %>%
  addPolygons(data= parroquias_pob_nbi_ep,
              weight = 1,
              fillColor = "lightgray",
              color = "#000000",
              group = "PARROQUIA",
              popup= paste0("<b>Parroquia: </b>",
                 parroquias_pob_nbi_ep$PARROQUIA,"<br>",
                "<b>Municipio: </b>", "<br>",
                 parroquias_pob_nbi_ep$MUNICIPIO,"<br>",
                 "<b>Estado: </b>",
                 parroquias_pob_nbi_ep$ESTADO, "<br>",
                 "<b>Población: </b>",
                parroquias_pob_nbi_ep$proyeccion2020,"<br>",
                 "<b>Sup. de Espacios Públicos (m2): </b>",
               round(parroquias_pob_nbi_ep$SuperficieTotal,2)),
              highlightOptions = highlightOptions(color = "red", weight = 1,
                                                  bringToFront = T)) %>% 
  addPolygons(data= parroquias_pob_nbi,
              fillColor = ~paleta_poblacion(proyeccion2020),
              weight = 2,
              opacity = 1,
              color = "white",
              dashArray = "3",
              popup= paste0("<b>Parroquia: </b>",
                 parroquias_pob_nbi_ep$PARROQUIA,"<br>",
                "<b>Municipio: </b>", "<br>",
                 parroquias_pob_nbi_ep$MUNICIPIO,"<br>",
                 "<b>Estado: </b>",
                 parroquias_pob_nbi_ep$ESTADO, "<br>",
                 "<b>Población: </b>",
                parroquias_pob_nbi_ep$proyeccion2020,"<br>"),
              fillOpacity = 0.7,
              group = "POB") %>% 
  addPolygons(data= parroquias_pob_nbi,
              fillColor = ~paleta_densidad(proyeccion2020/Hectares),
              weight = 2,
              opacity = 1,
              color = "white",
              dashArray = "3",
              popup= paste0("<b>Parroquia: </b>",
                 parroquias_pob_nbi_ep$PARROQUIA,"<br>",
                "<b>Municipio: </b>", "<br>",
                 parroquias_pob_nbi_ep$MUNICIPIO,"<br>",
                 "<b>Estado: </b>",
                 parroquias_pob_nbi_ep$ESTADO, "<br>",
                 "<b>Hab/Hectárea: </b>",
                parroquias_pob_nbi_ep$proyeccion2020/parroquias_pob_nbi_ep$Hectares,"<br>"),
              fillOpacity = 0.7,
              group = "Densidad") %>% 
  addPolygons(data= parroquias_pob_nbi,
              fillColor = ~paleta_pobreza(x100NoPobreExtrema+x100PobreExtrema),
              weight = 2,
              opacity = 1,
              color = "white",
              dashArray = "3",
              popup= paste0("<b>Parroquia: </b>",
                 parroquias_pob_nbi_ep$PARROQUIA,"<br>",
                "<b>Municipio: </b>", "<br>",
                 parroquias_pob_nbi_ep$MUNICIPIO,"<br>",
                 "<b>Estado: </b>",
                 parroquias_pob_nbi_ep$ESTADO, "<br>",
                 "<b>% Hogares Pobres: </b>",
                parroquias_pob_nbi_ep$x100NoPobreExtrema,"<br>",
                "<b>% Hogares Pobreza Extrema: </b>",
                parroquias_pob_nbi_ep$x100PobreExtrema,"<br>"),
              fillOpacity = 0.7,
              group = "Pobreza") %>% 
  addPolygons(data= parroquias_pob_nbi_ep,
              fillColor = ~paleta_disponib(SuperficieTotal/proyeccion2020),
              weight = 2,
              opacity = 1,
              color = "white",
              dashArray = "3",
              popup= paste0("<b>Parroquia: </b>",
                 parroquias_pob_nbi_ep$PARROQUIA,"<br>",
                "<b>Municipio: </b>", "<br>",
                 parroquias_pob_nbi_ep$MUNICIPIO,"<br>",
                 "<b>Estado: </b>",
                 parroquias_pob_nbi_ep$ESTADO, "<br>",
                 "<b>m2 Espacios públicos x hab: </b>",
                parroquias_pob_nbi_ep$SuperficieTotal/parroquias_pob_nbi_ep$proyeccion2020,"<br>"),
              fillOpacity = 0.7,
              group = "Disponibilidad EP") %>% 
  addPolygons(data= espacios_publicos_ccs1,
              weight = 0.5,
              fillColor = "green",
              color = "#000000",
              group= "EspaciosPublicos",
              popup = paste0("<b>Nombre: </b>",
              espacios_publicos_ccs1$name,"<br>",
              "<b>Superficie: </b>", "<br>",
              espacios_publicos_ccs1$aream2),
              highlightOptions = highlightOptions(color = "blue", weight = 0.5,
                                                  bringToFront = TRUE)) %>%
  addPolygons(data= avila,
              weight = 1,
              fillColor = "darkgreen",
              popup = ~NOMBRE,
              color = "#000000",
              group = "Avila")%>% 
  addLayersControl (
    overlayGroups = c("EspaciosPublicos","POB","Densidad","Pobreza", "Disponibilidad EP", "Avila"),
                    position = "bottomleft",
                    options = layersControlOptions(collapsed = FALSE),
    baseGroups = c("CartoDB","Toner Lite"))
## Warning: sf layer has inconsistent datum (+proj=longlat +ellps=GRS80 +towgs84=0,0,0,0,0,0,0 +no_defs).
## Need '+proj=longlat +datum=WGS84'
mapa_final_ccs_avila


Encuéntrame en LinkedIn Daniela Rattia - Geógrafa., Especialista en Datos y GisAnalytics