Análisis catastral y de prestación de servicios para verificación del valor de la Tasa de Servicios Generales
Caterina Tibaldo Stralla
28/8/2021
En el presente trabajo se va a proceder a realizar un analisis en base a los datos catastrales de varias parcelas de la localidad de Llambi Campbell, Provincia de Santa Fe. A lo que apunta dicho trabajo es a obtener una base de datos para la localidad, en donde se encuentren asignados los valores propiamente catastrales de las parcelas y aquellos vinculados a los servicios que poseen. Todos los datos catastrales fueron obtenidos de los folios catastrales de cada una de las parcelas, los cuales pueden visualizarse dentro de la base de datos del Servicio de Catastro e Informacion territorial. Y en relacion a los datos de servicios, se solicitaron a la Comuna de Llambi Campbell. A partir de la base de datos generada, y de acuerdo los diferentes analisis que se realicen sobre los mismos, se podra obtener información que pueda ser utilizada para definir los valores de la tasa de servicios.
1)- Cargar las librerias a utilizar
library(openxlsx)
library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --## v ggplot2 3.3.5 v purrr 0.3.4
## v tibble 3.1.1 v dplyr 1.0.6
## v tidyr 1.1.3 v stringr 1.4.0
## v readr 1.4.0 v forcats 0.5.1## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(ggplot2)
library(sf)## Linking to GEOS 3.9.0, GDAL 3.2.1, PROJ 7.2.12)- Cargar la base de datos
base.manzanas<-read.xlsx(xlsxFile = "Basemanzanas.xlsx")
head(base.manzanas)## fid nomeclatura superficie planodemensura anoplano fechamejora masdeunfrente
## 1 1 1.00301e+14 267 156984 2010 <NA> si
## 2 2 1.00301e+14 842 164297 2012 <NA> no
## 3 3 1.00301e+14 835 164297 2012 <NA> no
## 4 4 1.00301e+14 266 156984 2010 <NA> no
## 5 5 1.00301e+14 1059 99178 1982 <NA> si
## 6 6 1.00301e+14 200 170199 2013 <NA> no
## rn11 pavimentoconcc ripiosincc tierra mejoras baldio agua luz cloacas
## 1 no si no no 0 A declarar si si si
## 2 no no no si 0 si no no no
## 3 no no no si 0 si no no no
## 4 no no no si 0 si no no no
## 5 no no no si 0 si no no no
## 6 no no si no 0 si si si no
## alumbrado recoleccionresiduos
## 1 si si
## 2 si no
## 3 si no
## 4 si no
## 5 si no
## 6 si si3)Analizar de la vigencia de los planos de mensura
En la Provincia de Santa Fe, todos los planos de mensura que hayan sido registrados antes del año 1967, deben ser verificados a través de un trabajo de mensura. Se puede realizar un analisis de la base de datos, e informar a los titulares registrales, siempre y cuando lo precisen, sobre la vigencia de su plano de mensura. En caso de querer llevar a cabo alguna transferencia, donación, o constitución de algun otro derecho real sobre la parcela, entre otros, se deberá realizar la verificación por parte de un profesional habilitado.
verificacionpl<- base.manzanas %>%
select(4,5) %>%
filter(anoplano<1967)
head(verificacionpl)## [1] planodemensura anoplano
## <0 rows> (or 0-length row.names)Se puede observar que no existen planos, dentro de las tres manzanas seleccionadas, que precisen de la verificacion parcelaria. La misma acción tambien puede realizarse por medio de la función table.
base.manzanas$anoplano %>% table()## .
## 1968 1975 1980 1982 1992 2010 2012 2013
## 1 2 2 1 2 5 4 34) Categorizar las parcelas de acuerdo a su superficie
Considerando los valores de las superficies de los inmuebles, se puede llevar a cabo una categorizacion de acuerdo a una determinada escala. Esto ultimo puede ser útil, a la hora de agruparlos para obtener parte de la base imponible de la tasa. En general, en muchos municipios y comunas, la base imponible de la tasa se compone de valores vinculados a la superficie del inmueble, superficie de las mejoras empadronadas, valor fiscal, metros de frente y aspectos relacionados a los servicios prestados.
supparcelas<- base.manzanas %>%
select(fid, nomeclatura, superficie) %>%
mutate(tiposup=case_when(superficie %in% c(0:200) ~ "tipo 1",
superficie %in% c(201:600) ~ "tipo 2",
superficie %in% c(601:1200) ~ "tipo 3",
superficie > 1201 ~ "tipo 4"))
head(supparcelas)## fid nomeclatura superficie tiposup
## 1 1 1.00301e+14 267 tipo 2
## 2 2 1.00301e+14 842 tipo 3
## 3 3 1.00301e+14 835 tipo 3
## 4 4 1.00301e+14 266 tipo 2
## 5 5 1.00301e+14 1059 tipo 3
## 6 6 1.00301e+14 200 tipo 15) Estudiar sobre la declaracion de mejoras por parte de los titulares registrales
En primera medida se verificará el formato de la columna fecha mejora.
class(base.manzanas$fechamejora)## [1] "character"Considerando el formato no apropiado, se creó una columna, en dónde la fecha de la declaración de mejoras se corresponda con su formato. Luego se analizó el plazo de tiempo que existe entre le fecha de declaración de la mejora y la fecha actual. En el caso de que la diferencia sea mayor a 2880(8 años), la comuna debe controlar, a través de su poder de policía, si existen nuevas mejoras no declaradas. Esto último, con el fin de actualizar el valor de las mejoras, lo cuál repertute en la tasa.
base.mejoras<-base.manzanas %>% mutate(fechaconformato= ymd(base.manzanas$fechamejora))
class(base.mejoras$fechaconformato)## [1] "Date"class(base.mejoras$fechamejora)## [1] "character"base.fechamejoras<-base.mejoras %>%
select(fid,fechaconformato) %>%
mutate(today()) %>%
mutate(diferencia= `today()` - fechaconformato) %>%
mutate(declarar= diferencia>2880)
class(base.fechamejoras$diferencia)## [1] "difftime"base.fechamejoras## fid fechaconformato today() diferencia declarar
## 1 1 <NA> 2021-08-28 NA days NA
## 2 2 <NA> 2021-08-28 NA days NA
## 3 3 <NA> 2021-08-28 NA days NA
## 4 4 <NA> 2021-08-28 NA days NA
## 5 5 <NA> 2021-08-28 NA days NA
## 6 6 <NA> 2021-08-28 NA days NA
## 7 7 <NA> 2021-08-28 NA days NA
## 8 8 2015-05-03 2021-08-28 2309 days FALSE
## 9 9 2014-03-01 2021-08-28 2737 days FALSE
## 10 10 1992-05-08 2021-08-28 10704 days TRUE
## 11 11 1980-06-01 2021-08-28 15063 days TRUE
## 12 12 2011-06-09 2021-08-28 3733 days TRUE
## 13 13 2014-09-16 2021-08-28 2538 days FALSE
## 14 14 2001-06-05 2021-08-28 7389 days TRUE
## 15 15 1996-04-09 2021-08-28 9272 days TRUE
## 16 16 1993-03-02 2021-08-28 10406 days TRUE
## 17 17 1985-09-08 2021-08-28 13138 days TRUE
## 18 18 1950-03-04 2021-08-28 26110 days TRUE
## 19 19 2005-06-03 2021-08-28 5930 days TRUE
## 20 20 2000-01-06 2021-08-28 7905 days TRUE6) Cargar la capa de parcelas en formato .shp para analizar de forma conjunta con la base de datos
Una vez que se conto con todo el parcelario urbano de la localidad de Llambi Campbell, se realizaron algunas acciones sobre el mismos en QGIS. En primera medida se seleccionaron aquellas parcelas sobre las cuales se iba a realizar el analisis, y luego se les asigno una Proyección Cartográfica. En este caso, se escogió dentro de los tipos de proyección Transverse Mercator, la Proyección Gauss-Kruger faja 5.
parcelas<-st_read("parcelas.shp")## Reading layer `parcelas' from data source
## `C:\Users\admin\Documents\Caterina\Diplomatura\Trabajo final modulo 1 y 2\Trabajofinalmodulo123\Finalult\Finalult\parcelas.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 20 features and 2 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: 5429017 ymin: 6550504 xmax: 5429249 ymax: 6550637
## Projected CRS: POSGAR 2007 / Argentina 5parcelas## Simple feature collection with 20 features and 2 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: 5429017 ymin: 6550504 xmax: 5429249 ymax: 6550637
## Projected CRS: POSGAR 2007 / Argentina 5
## First 10 features:
## fid NOMENC geometry
## 1 1 100301008700007 POLYGON ((5429068 6550624, ...
## 2 2 100301008400007 POLYGON ((5429142 6550566, ...
## 3 3 100301008400006 POLYGON ((5429181 6550560, ...
## 4 4 100301008700008 POLYGON ((5429068 6550624, ...
## 5 5 100301008400002 POLYGON ((5429178 6550539, ...
## 6 6 100301008000005 POLYGON ((5429073 6550529, ...
## 7 7 100301008400008 POLYGON ((5429185 6550582, ...
## 8 8 100301008700003 POLYGON ((5429069 6550631, ...
## 9 9 100301008400003 POLYGON ((5429184 6550512, ...
## 10 10 100301008000004 POLYGON ((5429084 6550527, ...Luego, se realizó una combinación de las bases de datos, tanto de “base.manzanas” como de “parcelas”.
combinado<-merge(parcelas, base.manzanas)
combinado## Simple feature collection with 20 features and 19 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: 5429017 ymin: 6550504 xmax: 5429249 ymax: 6550637
## Projected CRS: POSGAR 2007 / Argentina 5
## First 10 features:
## fid NOMENC nomeclatura superficie planodemensura anoplano
## 1 1 100301008700007 1.00301e+14 267 156984 2010
## 2 2 100301008400007 1.00301e+14 842 164297 2012
## 3 3 100301008400006 1.00301e+14 835 164297 2012
## 4 4 100301008700008 1.00301e+14 266 156984 2010
## 5 5 100301008400002 1.00301e+14 1059 99178 1982
## 6 6 100301008000005 1.00301e+14 200 170199 2013
## 7 7 100301008400008 1.00301e+14 482 164297 2012
## 8 8 100301008700003 1.00301e+14 559 120352 1992
## 9 9 100301008400003 1.00301e+14 1805 74966 1975
## 10 10 100301008000004 1.00301e+14 930 170199 2013
## fechamejora masdeunfrente rn11 pavimentoconcc ripiosincc tierra mejoras
## 1 <NA> si no si no no 0
## 2 <NA> no no no no si 0
## 3 <NA> no no no no si 0
## 4 <NA> no no no no si 0
## 5 <NA> si no no no si 0
## 6 <NA> no no no si no 0
## 7 <NA> no no no no si 0
## 8 2015-05-03 si no si no no 143
## 9 2014-03-01 no no no no si 1352
## 10 1992-05-08 si no no si si 456
## baldio agua luz cloacas alumbrado recoleccionresiduos
## 1 A declarar si si si si si
## 2 si no no no si no
## 3 si no no no si no
## 4 si no no no si no
## 5 si no no no si no
## 6 si si si no si si
## 7 si no no no si no
## 8 no si si si si si
## 9 no si si no si si
## 10 no si si no si si
## geometry
## 1 POLYGON ((5429068 6550624, ...
## 2 POLYGON ((5429142 6550566, ...
## 3 POLYGON ((5429181 6550560, ...
## 4 POLYGON ((5429068 6550624, ...
## 5 POLYGON ((5429178 6550539, ...
## 6 POLYGON ((5429073 6550529, ...
## 7 POLYGON ((5429185 6550582, ...
## 8 POLYGON ((5429069 6550631, ...
## 9 POLYGON ((5429184 6550512, ...
## 10 POLYGON ((5429084 6550527, ...7) Ejecutar diferentes analísis para definir la base imponible
En primer lugar, se realizó una categorización respecto al tipo de inmueble, considerando si es baldío o no.
ggplot(data=combinado)+geom_sf(aes(fill=baldio)) + labs(title= "Tipo de lote: BALDIO", fill= "Referencias")
Luego, se procedió a generar un mapa temático en donde se pueda realizar un estudio de acuerdo al tipo de superficie.
supparcelas<- combinado %>%
select(fid, nomeclatura, superficie) %>%
mutate(tiposup=case_when(superficie %in% c(0:200) ~ "tipo 1",
superficie %in% c(201:600) ~ "tipo 2",
superficie %in% c(601:1200) ~ "tipo 3",
superficie > 1201 ~ "tipo 4"))
ggplot(data=supparcelas)+geom_sf(aes(fill=tiposup)) + labs(title= "Tipo de superficie", fill= "Categorizacion")
Y por último, se realizaron diversas combinaciones para poder categorizar a las parcelas de acuerdo a la prestación de servicios. Y esto ultimo tambien se represento por medio de un mapa temático.
parcelas.con.servicios.completos<- base.manzanas %>%
select(fid, pavimentoconcc, agua, luz, cloacas, alumbrado, recoleccionresiduos) %>%
filter(agua =="si", luz=="si", cloacas=="si", alumbrado=="si", recoleccionresiduos=="si") %>%
mutate(servicios="categoria1")
parcelas.con.servicios.medio<- base.manzanas %>%
select(fid, pavimentoconcc, agua, luz, cloacas, alumbrado, recoleccionresiduos) %>%
filter(agua =="si", luz=="si", cloacas=="no", alumbrado=="si", recoleccionresiduos=="si") %>%
mutate(servicios="categoria2")
parcelas.con.servicios.bajo<- base.manzanas %>%
select(fid, tierra, agua, luz, cloacas, alumbrado, recoleccionresiduos) %>%
filter(tierra=="si", agua =="si", luz=="si", cloacas=="no", alumbrado=="si", recoleccionresiduos=="no") %>%
mutate(servicios="categoria3")
parcelas.con.servicios.muybajo<- base.manzanas %>%
select(fid, tierra, agua, luz, cloacas, alumbrado, recoleccionresiduos) %>%
filter(tierra=="si", agua =="no", luz=="no", cloacas=="no", alumbrado=="si", recoleccionresiduos=="no") %>%
mutate(servicios="categoria4")
categoria.servicios1<- parcelas.con.servicios.completos %>% select(fid,servicios)
categoria.servicios2<- parcelas.con.servicios.medio %>% select(fid,servicios)
categoria.servicios3<- parcelas.con.servicios.bajo %>% select(fid,servicios)
categoria.servicios4<- parcelas.con.servicios.muybajo %>% select(fid,servicios)
categorias.servios.gral1<- full_join (categoria.servicios1, categoria.servicios2, by= c("fid", "servicios"))
categorias.servios.gral2<- full_join (categoria.servicios3, categoria.servicios4, by= c("fid", "servicios"))
categorias.servicios.gral<- full_join (categorias.servios.gral1, categorias.servios.gral2, by= c("fid", "servicios"))
categoria.servicio.parcela<-merge(parcelas, categorias.servicios.gral)
ggplot(data=categoria.servicio.parcela) + geom_sf(aes(fill=servicios)) + labs(title= "Tipo de servicios", fill= "Categorizacion")
En conclusión se pueden observar cuáles son las multifinalidades que posee el software para el análisis de datos. Con los últimos mapas, se pueden visualizar diferentes elementos de cada una de las parcelas que son necesarios a tener en cuenta a la hora de calcular la base imposible. Ademas se trata de aspectos cualitativos, que permiten obtener una composición mas simple de la tasa.