Disponibilidad y accesibilidad al espacio verde público: análisis comparativo entre la CABA y otras ciudades argentinas
Lisandro Carrasco
18 de agosto de 2020
Paquetes a usar:
library(tidyverse)
library(ggplot2)
library(sf)
library(osmdata)
library(hereR)
library(nngeo)
library(tmap)
library(ggmap)
library(leaflet)
library(ggthemes)
library(readxl)
library(cowplot)
library(rmarkdown)
library(knitr)
library(summarytools)
library(lubridate)
library(hms)LOS PORTEÑOS Y EL VERDE
Este trabajo se propone explorar datos abiertos sobre el espacio público verde en diferentes ciudades del país para contrastar la disponibilidad y accesibilidad a estos lugares. ¿Hay datos que puedan confirmar que en la Ciudad Autónoma de Buenos Aires hay un peor acceso a los espacios verdes y menos "contacto con la naturaleza"? Y en un sentido contrario, otras ciudades del país, ¿realmente tienen más acceso al espacio verde que en en CABA?
Para eso, se elige se compara la disponibilidad y la accesibilidad a espacios verdes públicos en la Ciudad de Buenos Aires con otras ciudades importantes del país: en este caso, Rosario y Córdoba, pero también San Isidro, para sumar una perspectiva de los municipios de Buenos Aires.
ESPACIOS VERDES
Mapas
Para tener un primer pantallazo, se comienza con un mapeo rápido de los espacios verdes de cada una de las cuatro ciudades, obteniendo los mapas de barrios de los portales de datos abiertos de cada ciudad:
barrios_caba <- st_read('http://cdn.buenosaires.gob.ar/datosabiertos/datasets/barrios/barrios.geojson')
barrios_rosario<- st_read('https://datosabiertos.rosario.gob.ar/sites/default/files/barrios.gml')
barrios_cordoba <- st_read('C:/Users/Lisandro/Desktop/Flacso/Unidad 3 - Ciencia de datos geográfica/Proyecto Flacso/DATOS/CORDOBA/barrio/Barrio.shp')head(barrios_caba)## Simple feature collection with 6 features and 6 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -58.50617 ymin: -34.63064 xmax: -58.41192 ymax: -34.57829
## geographic CRS: WGS 84
## WKT
## 1 MULTIPOLYGON (((-58.4528200492791 -34.5959886570639,-58.453655193137 -34.5965557163041,-58.4537674321647 -34.5966342484151,-58.4538163134148 -34.5966684788922,-58.4547947928051 -34.5973527273643,-58.4554840815947 -34.5978347610252,-58.4559204833295 -34.5976953435828,-58.4560093721285 -34.5976669530232,-58.4560576047802 -34.5976515472868,-58.4562363723257 -34.5975900748435,-58.4564940053845 -34.5975015637739,-58.4570733158433 -34.5973024999733,-58.4576142986162 -34.597116530699,-58.4578298572665 -34.5970394940223,-58.4579314199407 -34.5970031094654,-58.4579383597537 -34.5970006235554,-58.457939151188 -34.5970004324802,-58.4580314840712 -34.5969781271248,-58.4582467474022 -34.5969261254882,-58.4592081863103 -34.5966936826245,-58.4592753814056 -34.5966774864904,-58.4607717313584 -34.5965908256843,-58.461008489241 -34.5965771669178,-58.461500184562 -34.5965469590602,-58.4615048306101 -34.5965466787569,-58.4623220712384 -34.5965110490604,-58.4624802220071 -34.5965042183086,-58.4625206541306 -34.5965018079147,-58.4637678264728 -34.5964274496069,-58.4638637221527 -34.5964294210885,-58.4646140234657 -34.5964785682445,-58.4651592721924 -34.5965757917791,-58.4651613793847 -34.5965761676386,-58.4652710724273 -34.5966020115654,-58.465339885911 -34.5966119403979,-58.4654505835152 -34.59661891152,-58.4655402165487 -34.5966463016308,-58.4656201094845 -34.5967043067335,-58.4655768128541 -34.5965577078058,-58.465554434696 -34.5964822872552,-58.465511825164 -34.5963386864843,-58.4654546732526 -34.5961458635988,-58.4651988343882 -34.5953364276981,-58.4650736836824 -34.5949011987359,-58.4648267024927 -34.5940422724471,-58.4644540217146 -34.5927935584922,-58.4643817851099 -34.5925515163591,-58.464409119827 -34.592467286843,-58.4650280527625 -34.591936410724,-58.4658796865854 -34.5912081588556,-58.4660489985854 -34.5910867180571,-58.4663928573575 -34.5908622593099,-58.4665306488686 -34.5907723125485,-58.4665923016107 -34.5907351963295,-58.4668281722695 -34.5905930920952,-58.4657830008229 -34.5896043925249,-58.4645332635208 -34.5884221360888,-58.4630744816449 -34.5870649213261,-58.4629751205092 -34.5869805400343,-58.461952645947 -34.5861122031233,-58.4618702043843 -34.5860421891544,-58.4614638213396 -34.5858332613902,-58.4603788016938 -34.5855276845223,-58.4604139194361 -34.5854024167589,-58.4604462802733 -34.5852877643505,-58.4604255057231 -34.5852032534776,-58.4604706411008 -34.5850361353814,-58.4605356159209 -34.5849439493523,-58.4605345318123 -34.5840461665944,-58.4605331978237 -34.5829502757213,-58.460531948912 -34.581853258747,-58.4605306146064 -34.580772157502,-58.4605292809645 -34.5796668306049,-58.4605276992685 -34.5782946601007,-58.4605232166307 -34.5782946690354,-58.4602248340306 -34.5782952880515,-58.4601985594291 -34.5782953479127,-58.4601021385732 -34.5782955676543,-58.4597845714173 -34.5783147333418,-58.4596950535931 -34.5783201362424,-58.4585384246269 -34.5783900346815,-58.4577639164538 -34.57843681251,-58.4577436676417 -34.5784380358533,-58.4573407479054 -34.5785467557746,-58.4571617667129 -34.5785949886772,-58.4571475839219 -34.5785988155734,-58.4559708829345 -34.5789162808654,-58.4553992793143 -34.579070479135,-58.4548623268909 -34.5792427067768,-58.453533474128 -34.5796688999369,-58.4530206113015 -34.5798333742389,-58.4521930272086 -34.5800988095871,-58.4521387166742 -34.5801162118211,-58.4520222992006 -34.5801535152443,-58.4512517652657 -34.5804006516243,-58.451017590163 -34.5804757586408,-58.4510096596172 -34.5804789048291,-58.450952449802 -34.5805016004481,-58.4505172245317 -34.5806742198247,-58.4499989853758 -34.5808797606533,-58.4496743253071 -34.581008511495,-58.449595440632 -34.5810397949394,-58.4494416523924 -34.5810963999447,-58.4491919812231 -34.5811882776714,-58.448459568068 -34.5814579241166,-58.4483934029757 -34.5814822833589,-58.4483258230482 -34.5815071661385,-58.4482895615355 -34.5815205167813,-58.4482796339798 -34.5815241718727,-58.4482750418364 -34.5815261463976,-58.4480518326744 -34.5816220940359,-58.4470924721564 -34.5820344712672,-58.4461817147653 -34.5824259258651,-58.4457859875885 -34.5825960105066,-58.4446425154933 -34.5830874842646,-58.4444715140105 -34.5831609807394,-58.4444485731026 -34.5831708409276,-58.4444069042627 -34.583188756327,-58.4443997765097 -34.5831918210745,-58.4444002339388 -34.5831933878554,-58.4447856534 -34.5845135514129,-58.4445857679104 -34.5846657823276,-58.4434772519387 -34.5854009946445,-58.4424251828668 -34.5860987403321,-58.4413975399073 -34.586780283069,-58.441089226108 -34.5869846738708,-58.4401565270955 -34.5876011493313,-58.4393890485044 -34.5881083499954,-58.4386143204607 -34.5886204031453,-58.4385455945534 -34.5886617712813,-58.4385357500838 -34.5886677008383,-58.4385362274348 -34.5886679479287,-58.4385831147669 -34.5886918427825,-58.4386416493153 -34.5887216732237,-58.4506005822012 -34.5943989522846,-58.450631084874 -34.5944213498744,-58.4509568590193 -34.5946605554372,-58.4517045016343 -34.5952095178055,-58.451886479147 -34.5953370036164,-58.4520837007571 -34.5954757585265,-58.4526072418644 -34.5958441274193,-58.4528200492791 -34.5959886570639)))
## 2 MULTIPOLYGON (((-58.4655768128541 -34.5965577078058,-58.4656201094845 -34.5967043067336,-58.4655402165487 -34.5966463016308,-58.4654505835152 -34.59661891152,-58.465339885911 -34.5966119403979,-58.4652710724273 -34.5966020115654,-58.4651613793847 -34.5965761676386,-58.4651592721924 -34.5965757917791,-58.4646140234657 -34.5964785682444,-58.4638637221527 -34.5964294210885,-58.4637678264729 -34.5964274496069,-58.4625206541306 -34.5965018079147,-58.4624802220071 -34.5965042183086,-58.4623220712384 -34.5965110490604,-58.4615048306101 -34.5965466787569,-58.461500184562 -34.5965469590603,-58.461008489241 -34.5965771669178,-58.4607717313584 -34.5965908256843,-58.4592753814056 -34.5966774864904,-58.4592081863103 -34.5966936826245,-58.4582467474022 -34.5969261254882,-58.4580314840712 -34.5969781271248,-58.457939151188 -34.5970004324802,-58.4579383597537 -34.5970006235554,-58.4579314199407 -34.5970031094654,-58.4578298572665 -34.5970394940223,-58.4576142986162 -34.5971165306991,-58.4570733158433 -34.5973024999733,-58.4564940053845 -34.597501563774,-58.4562363723257 -34.5975900748435,-58.4565649483382 -34.5986575277692,-58.4565820631157 -34.5987071080051,-58.4568992392284 -34.5997316695044,-58.4569850686866 -34.600022107683,-58.4572132709928 -34.6007634143661,-58.4572513336277 -34.6008870120056,-58.4575325063521 -34.6017944535376,-58.4579180002757 -34.6030386710626,-58.4581629096411 -34.6038291328157,-58.4582775470123 -34.603906956748,-58.4589348007685 -34.6043736870837,-58.4600209325863 -34.6040951835885,-58.4601239918094 -34.6040687762495,-58.4605391247462 -34.6039623717337,-58.4614693812193 -34.6037254044567,-58.461588281309 -34.6036951225396,-58.4621085137029 -34.603562586181,-58.4629111733521 -34.6033581429758,-58.4630729988728 -34.6033169439607,-58.4643593402439 -34.6029914980637,-58.4649457413074 -34.6028431031173,-58.4652785021155 -34.6027589378575,-58.4657969339579 -34.6026303999148,-58.4660826792748 -34.6025596155593,-58.4673339933893 -34.6022495620118,-58.4674929191544 -34.6022101889691,-58.4675615179203 -34.6021931571013,-58.4687660259264 -34.6018941342807,-58.4689122599928 -34.6018603931331,-58.4692921436233 -34.6021651032078,-58.470194497132 -34.6028061318919,-58.4701990499927 -34.6028086286082,-58.470434096158 -34.6029375301425,-58.4716096370496 -34.6038210727671,-58.471710063571 -34.6038835344526,-58.4718035037288 -34.6039416281862,-58.4726492421436 -34.6044675682139,-58.4729834864182 -34.60467437915,-58.4730385977442 -34.6047084598298,-58.4740166366362 -34.6053111422447,-58.4749324276301 -34.6041740394436,-58.4757052187982 -34.6032096982365,-58.4757362996711 -34.6031708905229,-58.4763815971173 -34.6023657189509,-58.4769714409304 -34.6015839310813,-58.4774987633725 -34.6008251076105,-58.476669510994 -34.6003562963919,-58.4765530831112 -34.600290469173,-58.4763923124358 -34.6001995767955,-58.4777284708533 -34.5999109586887,-58.4777938578449 -34.5998968313159,-58.4785428154048 -34.5997350048728,-58.4788312666633 -34.5996709502012,-58.4785798877833 -34.5989655336306,-58.4783476898453 -34.5983425113242,-58.4778797272717 -34.5970880858189,-58.4771156675186 -34.5951149914833,-58.4769031732479 -34.5945273940504,-58.4767114237342 -34.5939971526857,-58.4767088652291 -34.5939900766449,-58.4766864089774 -34.5939273828959,-58.4762056705046 -34.5925852184723,-58.4761265708182 -34.5923567742166,-58.4760357491942 -34.5920944684321,-58.475977511604 -34.5919471878162,-58.4758890918379 -34.5917235680243,-58.4758744292271 -34.5916864841922,-58.4757584777284 -34.5913932460193,-58.4757241422155 -34.5913075439713,-58.4753959989195 -34.5910515575481,-58.4750330793701 -34.5907684393738,-58.4740599511879 -34.5900093490555,-58.4732193579657 -34.5893536235053,-58.4730860732314 -34.5892494053899,-58.4728963251723 -34.5891011049055,-58.4721174082915 -34.5884923407816,-58.4718934281322 -34.5883172801659,-58.4712346909062 -34.5878023776804,-58.4711162286522 -34.5876997059328,-58.4708773629003 -34.5874968646286,-58.470818721034 -34.587448263538,-58.4708152687488 -34.58744531424,-58.4708045599282 -34.5874599535149,-58.4702308002024 -34.5879335760311,-58.4692116311952 -34.5887365542006,-58.4688952076176 -34.5889858057,-58.468190653953 -34.5895409327936,-58.4680767191257 -34.5896306595447,-58.4678926175035 -34.5897761660743,-58.4676611690711 -34.5899590706819,-58.4671179691007 -34.5903884044845,-58.4669592891568 -34.5905137875243,-58.466957621478 -34.5905151054942,-58.4668281722695 -34.5905930920952,-58.4665923016107 -34.5907351963295,-58.4665306488686 -34.5907723125485,-58.4663928573575 -34.5908622593099,-58.4660489985854 -34.5910867180571,-58.4658796865854 -34.5912081588557,-58.4650280527625 -34.591936410724,-58.464409119827 -34.592467286843,-58.4643817851099 -34.592551516359,-58.4644540217146 -34.5927935584922,-58.4648267024928 -34.5940422724471,-58.4650736836824 -34.5949011987359,-58.4651988343882 -34.5953364276981,-58.4654546732526 -34.5961458635988,-58.465511825164 -34.5963386864843,-58.465554434696 -34.5964822872553,-58.4655768128541 -34.5965577078058)))
## 3 MULTIPOLYGON (((-58.4237529813037 -34.5978273383242,-58.4249540814512 -34.5978518131508,-58.4263027567354 -34.5978820110738,-58.4264393571481 -34.5978996596333,-58.4265647997241 -34.5979158245663,-58.4267851958387 -34.5979442688696,-58.4277732175759 -34.5983289364703,-58.4278524958569 -34.5983640333898,-58.4279875449028 -34.5984239331189,-58.4285386314999 -34.5986683905607,-58.4285480104216 -34.5986725515433,-58.4291617783978 -34.5989591409145,-58.4292201011444 -34.5989992990939,-58.4294288790203 -34.5991261910455,-58.4296465764692 -34.5993206959886,-58.4301501679042 -34.5997705666994,-58.4301879687937 -34.5998043808895,-58.4302750634416 -34.5998822220318,-58.431038184486 -34.6007492887057,-58.4311543046289 -34.6008812251104,-58.4318726608325 -34.6016974253651,-58.432198468943 -34.6020724515145,-58.432240603845 -34.6021338007058,-58.4331418075004 -34.6025786183552,-58.4333340897605 -34.6026734568798,-58.4338657223514 -34.6029358466641,-58.4339139202579 -34.6029596624376,-58.4349717427515 -34.6034816154581,-58.435148360209 -34.6035749700857,-58.4353380037341 -34.6036751558045,-58.4366161625996 -34.6042834180673,-58.4368521539 -34.6043957041701,-58.4370245564896 -34.6044777339618,-58.4370522732679 -34.6044909215821,-58.4370532902874 -34.6044914058704,-58.4370573539651 -34.6044934719289,-58.4371745575828 -34.6045530538966,-58.437189096591 -34.6045604406513,-58.4379749764426 -34.6049597123982,-58.4385110441802 -34.605232040982,-58.4392016360998 -34.6055828639918,-58.439285357989 -34.6056058398189,-58.4401415480756 -34.6058405879173,-58.4403350497274 -34.605893653577,-58.4414652340414 -34.6062035152908,-58.4415997164354 -34.606239103216,-58.4428240218715 -34.6065715037177,-58.4429800527897 -34.6066123760783,-58.4441672392367 -34.6069229259565,-58.4451314561059 -34.6071751198908,-58.4456777355072 -34.6073574580686,-58.4462474253215 -34.6076156442747,-58.4470400254597 -34.6074182057012,-58.4490615867771 -34.6069146271066,-58.4492899508857 -34.6068576785813,-58.4502369641098 -34.6066217841759,-58.4506559556779 -34.6065151315752,-58.4507387492765 -34.606494082935,-58.4509883574839 -34.6064305500761,-58.4510137652973 -34.6064240828626,-58.4510499036093 -34.606414884398,-58.4515075640087 -34.606298444697,-58.4520150520165 -34.6061672880026,-58.4524282466381 -34.6060604881746,-58.4529588148562 -34.6059231320756,-58.4530692041112 -34.6058943370582,-58.4540018021279 -34.6056517929634,-58.454982349409 -34.6053967787283,-58.4555245781708 -34.6052557496337,-58.455803357362 -34.6051834393928,-58.45656329131 -34.604986289485,-58.4580800805224 -34.604592820887,-58.4584739254558 -34.6044918447749,-58.4584758017363 -34.6044913634697,-58.4589348007685 -34.6043736870837,-58.4582775470123 -34.603906956748,-58.4581629096411 -34.6038291328157,-58.4579180002757 -34.6030386710626,-58.4575325063521 -34.6017944535376,-58.4572513336276 -34.6008870120056,-58.4572132709928 -34.6007634143661,-58.4569850686865 -34.600022107683,-58.4568992392283 -34.5997316695044,-58.4565820631157 -34.5987071080051,-58.4565649483382 -34.5986575277692,-58.4562363723257 -34.5975900748435,-58.4560576047802 -34.5976515472868,-58.4560093721285 -34.5976669530232,-58.4559204833295 -34.5976953435828,-58.4554840815947 -34.5978347610252,-58.4547947928051 -34.5973527273643,-58.4538163134148 -34.5966684788922,-58.4537674321647 -34.5966342484151,-58.453655193137 -34.5965557163041,-58.4528200492791 -34.5959886570639,-58.4526072418644 -34.5958441274193,-58.4520837007571 -34.5954757585265,-58.451886479147 -34.5953370036164,-58.4517045016343 -34.5952095178055,-58.4509568590193 -34.5946605554372,-58.450631084874 -34.5944213498744,-58.4506005822012 -34.5943989522846,-58.4386416493153 -34.5887216732237,-58.4385831147669 -34.5886918427825,-58.4385362274348 -34.5886679479287,-58.4385357500838 -34.5886677008383,-58.4385342390723 -34.5886686100968,-58.4384977207683 -34.5886905936027,-58.4382498656754 -34.5888568895819,-58.438222454198 -34.5888752888822,-58.4380514110168 -34.5889900939942,-58.437124370636 -34.5896120406147,-58.4361738933016 -34.5902497512133,-58.4360366742256 -34.590341837211,-58.4353107968847 -34.5908219065265,-58.4343631907775 -34.5914486870439,-58.4341326121104 -34.5916011044642,-58.4335394301343 -34.5919959382459,-58.4334455527977 -34.5920584246196,-58.4334256765437 -34.5920716485461,-58.4323586460368 -34.5927817087344,-58.4312194188854 -34.5935397599187,-58.4307421171271 -34.593857378605,-58.430282226959 -34.5941634128745,-58.4302112522039 -34.5942076891461,-58.4300594740939 -34.5943023723595,-58.4293487864663 -34.5947454372284,-58.4293300106086 -34.5947569128829,-58.4291690482927 -34.5948553217406,-58.4280889074982 -34.5955150464028,-58.4270238274988 -34.5961656098697,-58.4269887518797 -34.5961870106965,-58.4269502240696 -34.5962105180767,-58.4269484087158 -34.5962112882791,-58.4262401640716 -34.5965118705847,-58.4260240564076 -34.5966140637672,-58.4248429581181 -34.597061889014,-58.4235392094858 -34.5976307165104,-58.4235308553819 -34.5976364082463,-58.4233672222353 -34.5977478956966,-58.4237529813037 -34.5978273383242)))
## 4 MULTIPOLYGON (((-58.4946097568899 -34.6148652395239,-58.4947856335724 -34.6150160431958,-58.4955729951466 -34.6143910936437,-58.4964396721751 -34.613402370291,-58.496560403693 -34.6132638809152,-58.4974040681281 -34.6122963552105,-58.4975330554217 -34.6121496936395,-58.4981584911478 -34.6114385017116,-58.4982028262468 -34.6113874906798,-58.4982997349152 -34.6112759902125,-58.4984438736683 -34.6111102379175,-58.4993513502659 -34.6100804234563,-58.5001924853705 -34.6091257666556,-58.5009599619752 -34.6082547925447,-58.50159708669 -34.6075317474647,-58.5017353390375 -34.6073748659525,-58.5021343433562 -34.6069204956701,-58.5022656128636 -34.6067705181396,-58.5028211612505 -34.6061360875505,-58.5029552376839 -34.6059835734816,-58.5030782462632 -34.6058436677894,-58.5034153671694 -34.6054592809068,-58.5034698295479 -34.6053971831053,-58.5036072237195 -34.6052410046341,-58.5037340611782 -34.6050967312963,-58.5046197940584 -34.6041066042438,-58.5053738203114 -34.6032637051683,-58.5059781887398 -34.6025880450468,-58.5061676697618 -34.6023785329234,-58.5055437660579 -34.6019930344095,-58.5048623619974 -34.6015720591563,-58.5036481521385 -34.600821880047,-58.503559975834 -34.6007674011613,-58.5034044094416 -34.6006713223903,-58.5030934498066 -34.6004788126282,-58.5022145067625 -34.5999349245795,-58.5008809056739 -34.599109613827,-58.50064296639 -34.59896235799,-58.4995434119097 -34.5982817528929,-58.4982225570743 -34.597464226313,-58.4980047320258 -34.5973293542778,-58.4971750925229 -34.5968173886491,-58.497128239577 -34.5967885277423,-58.4967848635468 -34.5968111602237,-58.4947157465585 -34.5969477114854,-58.4934176909747 -34.5970334010214,-58.4929088408056 -34.5970674728058,-58.4928202154593 -34.5970734171968,-58.4924899237548 -34.5970955701184,-58.4912174975615 -34.5971809126816,-58.490186167071 -34.5972500953407,-58.4895267456312 -34.5972965816907,-58.4885444671315 -34.597363980063,-58.4878245259718 -34.5974144769323,-58.4877982622605 -34.5974163203801,-58.4873536223273 -34.5974474684516,-58.4871433524001 -34.5974629344484,-58.4866810822726 -34.5974969709224,-58.4864869084866 -34.5975112346054,-58.4861304973603 -34.5975374318969,-58.4851810887768 -34.5976073308348,-58.4848534629526 -34.5976347865189,-58.4834622195535 -34.5977575454269,-58.4834561575031 -34.5977580801127,-58.4832881108842 -34.5977953030342,-58.4829992791041 -34.5978810876979,-58.4829839824668 -34.5978856335159,-58.4828436710217 -34.5979435456451,-58.482127362245 -34.5982507672892,-58.4807802385542 -34.5988312080854,-58.4797472529919 -34.5992763036972,-58.4788312666633 -34.5996709502012,-58.4785428154048 -34.5997350048728,-58.4777938578449 -34.5998968313159,-58.4777284708533 -34.5999109586887,-58.4763923124358 -34.6001995767955,-58.4765530831112 -34.600290469173,-58.476669510994 -34.6003562963919,-58.4774987633725 -34.6008251076105,-58.4769714409304 -34.6015839310813,-58.4763815971173 -34.6023657189509,-58.4757362996711 -34.6031708905229,-58.4757052187982 -34.6032096982365,-58.4749324276301 -34.6041740394436,-58.4740166366362 -34.6053111422447,-58.4741622962791 -34.6054009213075,-58.4743412613667 -34.6055128797115,-58.474635551709 -34.6056969654356,-58.4749539734666 -34.6058961444744,-58.475023341212 -34.6059378102565,-58.4751116458711 -34.6059908502735,-58.4752637808179 -34.6060821057173,-58.4762018148915 -34.6066506883624,-58.4762497738602 -34.6066797572554,-58.4763646858003 -34.6067494069775,-58.4768953734693 -34.6070265398008,-58.4773289570545 -34.6072529046616,-58.4774647356989 -34.6073030310137,-58.4776184023206 -34.6073597049054,-58.4787234544105 -34.6077037325947,-58.4789450938909 -34.6077623673191,-58.479203702936 -34.6078307863036,-58.479209980937 -34.6078323269198,-58.4796692143895 -34.6079450216672,-58.4798081442098 -34.6079790884853,-58.4802067904252 -34.6080769231085,-58.4804102870483 -34.6081267542887,-58.4813189159362 -34.608349162453,-58.4819692770025 -34.608507447493,-58.4822136640424 -34.6085669182289,-58.4834286183493 -34.6088656016791,-58.483673432878 -34.608925843753,-58.4840570960427 -34.6090202879475,-58.4843544692719 -34.6090935479778,-58.4846545699649 -34.6091674414064,-58.4849931724205 -34.6092508336703,-58.4851634541258 -34.6092927753624,-58.4853817800864 -34.6093466808418,-58.4857364841759 -34.6094342227899,-58.4860558942673 -34.6095130877815,-58.4860867600027 -34.6095207089662,-58.4862825985772 -34.6095690534424,-58.4864731543314 -34.6096151450293,-58.4878211958795 -34.6099415068484,-58.4879836416374 -34.6099738683962,-58.4881331777362 -34.6100035614482,-58.4881572461397 -34.6100083403786,-58.4882007824508 -34.6100195271902,-58.4886510952237 -34.6101352332156,-58.4886543020126 -34.6101360573524,-58.4886560512213 -34.610137308181,-58.488897285473 -34.6103097447428,-58.4889290908962 -34.6103324884889,-58.4891421456919 -34.6104848383875,-58.4892744608683 -34.6105863633258,-58.4901032919801 -34.6112222595451,-58.4902544394185 -34.611338215759,-58.4906798503902 -34.6116603841961,-58.490731481898 -34.6116994579354,-58.4912293195813 -34.6120763982716,-58.4916994702371 -34.612432356685,-58.492265393892 -34.6128608281553,-58.4930447849208 -34.6135123507059,-58.4933158367768 -34.6137500380392,-58.4934384539241 -34.6138576167179,-58.4940563111789 -34.614389168075,-58.4946097568899 -34.6148652395239)))
## 5 MULTIPOLYGON (((-58.4128700313088 -34.6141162515853,-58.4128163384983 -34.6154434604642,-58.4127540403586 -34.6166296036017,-58.4126875829795 -34.6180699094527,-58.4126822628094 -34.618277379144,-58.412642065306 -34.6193945849918,-58.4126353071549 -34.6195831102842,-58.4125438594995 -34.6206423349385,-58.4138235089274 -34.6207518717886,-58.4150931968101 -34.6208605466786,-58.4161025073398 -34.620946950879,-58.4161046891814 -34.620947137409,-58.4165096639127 -34.620977221929,-58.4180654217197 -34.6210925940398,-58.4194257653671 -34.6211935099967,-58.4202381057662 -34.6212537276873,-58.4204972441012 -34.6212721276585,-58.4209729286938 -34.6213048278657,-58.4214487838491 -34.6213395680367,-58.4222125708693 -34.6213937696887,-58.4222420377329 -34.6213958590867,-58.4235207924378 -34.6214865241336,-58.4237013268484 -34.6215055113165,-58.4237189354184 -34.6215073630932,-58.4237436227487 -34.6215099536045,-58.4240406831661 -34.6215411288497,-58.4240549955247 -34.6215426351832,-58.4242772983795 -34.6215660337646,-58.4242883188803 -34.6215671937824,-58.4250846700065 -34.6216824142699,-58.4251634217164 -34.6216938083874,-58.4266150608661 -34.6219037608576,-58.4277953059251 -34.6220745322699,-58.4278429433195 -34.6218338335437,-58.4279416336639 -34.6213313793461,-58.4280687504862 -34.6206839283811,-58.4282775041904 -34.6196205965817,-58.4282839653739 -34.6195876832223,-58.4283175112016 -34.6194252928435,-58.4285509638615 -34.6182948253391,-58.4285873307402 -34.6181187148184,-58.4285882637826 -34.6181141961592,-58.4287930040401 -34.6171870371001,-58.4292190265351 -34.6152573679322,-58.4292524794516 -34.6151056808614,-58.4300285387507 -34.6154492138687,-58.4300858329793 -34.6140153046343,-58.4301272441571 -34.6133281779149,-58.4302328303355 -34.6118973792484,-58.4302546049882 -34.6117598449431,-58.4303186505133 -34.6111286421292,-58.4303302315506 -34.6109154678478,-58.4303706394215 -34.6101719309269,-58.4304139280028 -34.6094654376025,-58.4304739241313 -34.6087252851568,-58.430512846566 -34.6085137378833,-58.4305494460249 -34.6079188671904,-58.4305599020217 -34.6077536518876,-58.4306058283309 -34.6070470885963,-58.4306691121634 -34.6059413604021,-58.4315294901374 -34.6049437994389,-58.4323301489925 -34.6039281885424,-58.4333340897605 -34.6026734568798,-58.4331418075004 -34.6025786183552,-58.432240603845 -34.6021338007058,-58.432198468943 -34.6020724515145,-58.4318726608325 -34.6016974253651,-58.4311543046289 -34.6008812251104,-58.431038184486 -34.6007492887057,-58.4302750634416 -34.5998822220318,-58.4301879687937 -34.5998043808895,-58.4301501679042 -34.5997705666995,-58.4296465764692 -34.5993206959886,-58.4294288790204 -34.5991261910455,-58.4292201011445 -34.5989992990939,-58.4291617783978 -34.5989591409145,-58.4285480104217 -34.5986725515433,-58.4285386314998 -34.5986683905607,-58.4279875449028 -34.5984239331189,-58.4278524958569 -34.5983640333898,-58.4277732175759 -34.5983289364703,-58.4267851958388 -34.5979442688696,-58.4265647997241 -34.5979158245663,-58.4264393571481 -34.5978996596333,-58.4263027567354 -34.5978820110738,-58.4249540814512 -34.5978518131509,-58.4237529813037 -34.5978273383243,-58.4233672222353 -34.5977478956966,-58.4228412386085 -34.5977129284098,-58.4228393701952 -34.5977128043017,-58.4227439703083 -34.5977147932357,-58.4217775294763 -34.5977349393259,-58.4206351458661 -34.5977540526928,-58.4204326622339 -34.5977574397593,-58.4201626834022 -34.5977631918047,-58.4191163537025 -34.5977855578756,-58.4189407925595 -34.5977893099523,-58.4188498151576 -34.5977912487497,-58.417465615083 -34.5978207444158,-58.4174049564343 -34.5978222183105,-58.4173995864056 -34.5978223488293,-58.4172643392939 -34.597825634787,-58.4172629177514 -34.597825669414,-58.4161590657049 -34.5978525085301,-58.4160004849245 -34.5978547718644,-58.4156907176245 -34.5978593656676,-58.415662543085 -34.5978597829959,-58.4146278378819 -34.5978979723458,-58.413252545732 -34.5979487635928,-58.4129838398691 -34.5979586541206,-58.4120909368906 -34.5979936407633,-58.4120460602925 -34.5979961011116,-58.4119871707235 -34.5979993290587,-58.4119188098038 -34.5980030767748,-58.412124043793 -34.5992961694465,-58.4122540250366 -34.6001147054936,-58.4122789019344 -34.6002435229469,-58.4122999635723 -34.6003521266652,-58.4125915912966 -34.6016018726856,-58.4128039713608 -34.6025117127077,-58.4129726905881 -34.603234555454,-58.4131834651307 -34.6041375618902,-58.4132219455173 -34.6043023034557,-58.4132288181709 -34.6043317689812,-58.4134123401703 -34.6051190997691,-58.4136448731501 -34.606116836545,-58.4139082529045 -34.607246350613,-58.4139369837026 -34.6073460841006,-58.4140989176591 -34.6079070140655,-58.4146599808851 -34.6081900636068,-58.4146220398713 -34.6088462702349,-58.4145829782171 -34.609376415152,-58.4144670312593 -34.6107364191074,-58.4140142540221 -34.6115504940252,-58.4135612124719 -34.6123651304441,-58.413435338726 -34.6126144552351,-58.413313983497 -34.6128547673049,-58.4131162838138 -34.6134164678236,-58.4128700313088 -34.6141162515853)))
## 6 MULTIPOLYGON (((-58.4306058283309 -34.6070470885963,-58.4305599020217 -34.6077536518876,-58.4305494460249 -34.6079188671904,-58.430512846566 -34.6085137378833,-58.4304739241313 -34.6087252851568,-58.4304139280028 -34.6094654376025,-58.4303706394215 -34.6101719309269,-58.4303302315506 -34.6109154678478,-58.4303186505133 -34.6111286421292,-58.4302546049882 -34.6117598449431,-58.4302328303355 -34.6118973792484,-58.4301272441571 -34.6133281779149,-58.4300858329793 -34.6140153046343,-58.4300285387507 -34.6154492138687,-58.4292524794516 -34.6151056808614,-58.4292190265351 -34.6152573679322,-58.4287930040401 -34.6171870371001,-58.4285882637826 -34.6181141961592,-58.4285873307402 -34.6181187148184,-58.4285509638615 -34.6182948253391,-58.4283175112016 -34.6194252928435,-58.4282839653739 -34.6195876832223,-58.4282775041904 -34.6196205965817,-58.4280687504862 -34.6206839283811,-58.4279416336639 -34.6213313793461,-58.4278429433195 -34.6218338335437,-58.4277953059251 -34.6220745322699,-58.4274914641565 -34.6236075971621,-58.4274620100176 -34.6237563964794,-58.4272374019672 -34.6248525654871,-58.4271761134203 -34.6251348820358,-58.4270405695629 -34.6257316934905,-58.4270118431471 -34.6258632654563,-58.426971596948 -34.626047599777,-58.4268193197769 -34.6267201124467,-58.4267558142259 -34.6269984842492,-58.4270800496555 -34.627045904908,-58.4275100741047 -34.6271073248692,-58.428160099665 -34.6272001641651,-58.4283671130969 -34.6272297303103,-58.4296338215233 -34.627412903802,-58.4309337595038 -34.6276008612372,-58.4323337203357 -34.6278032662996,-58.4325450821081 -34.6278338126087,-58.4338182822498 -34.6280201136966,-58.4347631543296 -34.6281583665836,-58.43564745819 -34.6282877249674,-58.4371695224437 -34.6285103839033,-58.438592769771 -34.6287185678086,-58.4395276056056 -34.628855303433,-58.4417593634747 -34.6291817032881,-58.4429251742539 -34.6293521156251,-58.4444775206576 -34.6295830689184,-58.4460608887631 -34.6298184435645,-58.4464236542022 -34.6298723678905,-58.4475134873018 -34.6300365279033,-58.448222239079 -34.6301433083558,-58.4484405513797 -34.6301761797895,-58.4490540167264 -34.630268549158,-58.4493589381783 -34.6303133726667,-58.4504979422975 -34.6304806808291,-58.4515763751329 -34.6306390990819,-58.4519952454565 -34.6297454449785,-58.4521028802275 -34.629519601633,-58.4525687796211 -34.6285418614587,-58.4526691672806 -34.6283312287465,-58.4526711165222 -34.6283272860133,-58.4526716259215 -34.6283262521049,-58.4528705358549 -34.6279246826956,-58.4534370513214 -34.6267810966534,-58.4539380234894 -34.6257644085877,-58.4540181068973 -34.6256498224597,-58.4540312405246 -34.6256310301889,-58.4545748928583 -34.6244799016703,-58.4547746325372 -34.6240469462431,-58.4550485767184 -34.6234531368557,-58.4555577810082 -34.6223386926784,-58.4560760031224 -34.6212043861374,-58.456623010347 -34.6200071193426,-58.4572246136626 -34.618690341177,-58.4572947329529 -34.6185368876207,-58.4577657088702 -34.6175060970158,-58.4581985906542 -34.6165606577218,-58.4584991572779 -34.6159005038146,-58.4590330606209 -34.6147344929947,-58.4594483620377 -34.6138856719602,-58.4595438568808 -34.6137419370003,-58.4600362426916 -34.6127562085241,-58.4604853424271 -34.6118569595956,-58.460552638707 -34.6117210405818,-58.4610748139279 -34.6106660801095,-58.4616405882431 -34.6095229457997,-58.4621928897609 -34.6084069924747,-58.4627046323134 -34.6073730117801,-58.4625100054773 -34.6072420213014,-58.4621504801479 -34.6069978556411,-58.4616233794326 -34.6066399192539,-58.461540459772 -34.6065836108184,-58.4605130118577 -34.6058858949687,-58.4596535397432 -34.6053040235468,-58.4595130070451 -34.6052090160578,-58.4587824070201 -34.6047148944397,-58.4584739254558 -34.604491844775,-58.4580800805224 -34.604592820887,-58.45656329131 -34.604986289485,-58.455803357362 -34.6051834393928,-58.4555245781708 -34.6052557496337,-58.454982349409 -34.6053967787283,-58.4540018021279 -34.6056517929634,-58.4530692041112 -34.6058943370582,-58.4529588148562 -34.6059231320756,-58.4524282466382 -34.6060604881746,-58.4520150520166 -34.6061672880026,-58.4515075640087 -34.606298444697,-58.4510499036093 -34.606414884398,-58.4510137652973 -34.6064240828626,-58.4509883574839 -34.6064305500761,-58.4507387492765 -34.606494082935,-58.4506559556779 -34.6065151315752,-58.4502369641098 -34.6066217841759,-58.4492899508857 -34.6068576785813,-58.4490615867771 -34.6069146271066,-58.4470400254597 -34.6074182057012,-58.4462474253215 -34.6076156442747,-58.4456777355072 -34.6073574580687,-58.4451314561059 -34.6071751198908,-58.4441672392367 -34.6069229259566,-58.4429800527897 -34.6066123760783,-58.4428240218715 -34.6065715037178,-58.4415997164355 -34.606239103216,-58.4414652340414 -34.6062035152908,-58.4403350497274 -34.605893653577,-58.4401415480756 -34.6058405879173,-58.439285357989 -34.6056058398189,-58.4392016360998 -34.6055828639918,-58.4385110441802 -34.605232040982,-58.4379749764426 -34.6049597123982,-58.437189096591 -34.6045604406513,-58.4371745575828 -34.6045530538966,-58.4370573539651 -34.6044934719289,-58.4370532902874 -34.6044914058704,-58.4370522732679 -34.6044909215821,-58.4370245564896 -34.6044777339618,-58.4368521539 -34.6043957041701,-58.4366161625996 -34.6042834180673,-58.4353380037341 -34.6036751558045,-58.4351483602091 -34.6035749700857,-58.4349717427515 -34.6034816154581,-58.4339139202579 -34.6029596624376,-58.4338657223514 -34.6029358466641,-58.4333340897605 -34.6026734568798,-58.4323301489925 -34.6039281885424,-58.4315294901374 -34.6049437994389,-58.4306691121634 -34.6059413604021,-58.4306058283309 -34.6070470885963)))
## BARRIO COMUNA PERIMETRO AREA OBJETO
## 1 CHACARITA 15.00000000000 7724.85295457000 3115707.10626999987 BARRIO
## 2 PATERNAL 15.00000000000 7087.51329533000 2229829.03362999996 BARRIO
## 3 VILLA CRESPO 15.00000000000 8131.85707532000 3615977.55634000013 BARRIO
## 4 VILLA DEL PARQUE 11.00000000000 7705.38979708000 3399595.64148000022 BARRIO
## 5 ALMAGRO 5.00000000000 8537.90136849000 4050752.24524000008 BARRIO
## 6 CABALLITO 6.00000000000 10990.96447150000 6851028.91356999893 BARRIO
## geometry
## 1 MULTIPOLYGON (((-58.45282 -...
## 2 MULTIPOLYGON (((-58.46558 -...
## 3 MULTIPOLYGON (((-58.42375 -...
## 4 MULTIPOLYGON (((-58.49461 -...
## 5 MULTIPOLYGON (((-58.41287 -...
## 6 MULTIPOLYGON (((-58.43061 -...head(barrios_rosario)## Simple feature collection with 6 features and 3 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -60.72556 ymin: -32.99758 xmax: -60.6559 ymax: -32.89296
## geographic CRS: WGS 84
## gml_id MSLINK BARRIO geometry
## 1 barrios.1 28 Victoria Walsh POLYGON ((-60.68993 -32.964...
## 2 barrios.2 38 14 de Octubre POLYGON ((-60.66428 -32.996...
## 3 barrios.3 50 Docente "Hermanas Cossettini" POLYGON ((-60.72556 -32.893...
## 4 barrios.4 22 Latinoamerica POLYGON ((-60.66768 -32.968...
## 5 barrios.5 47 Bella Vista POLYGON ((-60.69234 -32.959...
## 6 barrios.6 45 Parque Casado POLYGON ((-60.66151 -32.976...head(barrios_cordoba)## Simple feature collection with 6 features and 4 fields (with 1 geometry empty)
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: 4381267 ymin: 6516992 xmax: 4388544 ymax: 6532802
## projected CRS: Campo Inchauspe / Argentina 4
## Nombre TipoBarrio Shape_area Shape_len
## 1 LALALALALALALA 0 0.00 0.0000
## 2 V.I.C.O.R. 1 61947.17 1215.8791
## 3 ALTOS SAN MARTIN 1 215104.87 2009.0369
## 4 BAJADA SAN ROQUE 1 52779.29 936.8028
## 5 IRUPE 1 137777.49 1565.6303
## 6 LOS HORNILLOS 2 48921.43 944.3861
## geometry
## 1 POLYGON EMPTY
## 2 POLYGON ((4381632 6517354, ...
## 3 POLYGON ((4384699 6528754, ...
## 4 POLYGON ((4385487 6522857, ...
## 5 POLYGON ((4385805 6519299, ...
## 6 POLYGON ((4388538 6532679, ...Los barrios de Buenos Aires y Rosario se encuentran en archivos espaciales y con proyección Mercator. Pero el dataset de Córdoba no (además, vemos que la primera observación resulta irrelevante). Vamos a transformarlo.
barrios_cordoba <- barrios_cordoba%>%
st_transform(crs=4326)%>%
slice(-1)
head(barrios_cordoba)## Simple feature collection with 6 features and 4 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -64.24949 ymin: -31.48442 xmax: -64.17119 ymax: -31.33909
## geographic CRS: WGS 84
## Nombre TipoBarrio Shape_area Shape_len
## 1 V.I.C.O.R. 1 61947.17 1215.8791
## 2 ALTOS SAN MARTIN 1 215104.87 2009.0369
## 3 BAJADA SAN ROQUE 1 52779.29 936.8028
## 4 IRUPE 1 137777.49 1565.6303
## 5 LOS HORNILLOS 2 48921.43 944.3861
## 6 LA ESPERANZA 2 32703.45 918.7706
## geometry
## 1 POLYGON ((-64.24561 -31.477...
## 2 POLYGON ((-64.21201 -31.375...
## 3 POLYGON ((-64.20441 -31.428...
## 4 POLYGON ((-64.20148 -31.460...
## 5 POLYGON ((-64.17123 -31.340...
## 6 POLYGON ((-64.24341 -31.483...Mientras que el dataset que ofrece la Municipalidad de San Isidro es un excel aparentemente de los códigos postales. Se asigna a la variable 'si_barrios' simplemente para no perder el orden de las nomenclaturas.
barrios_si <- read_excel('C:/Users/Lisandro/Desktop/Flacso/Unidad 3 - Ciencia de datos geográfica/Proyecto Flacso/DATOS/SAN ISIDRO/codigos-postales.xlsx')
head(barrios_si)## # A tibble: 6 x 2
## LOCALIDAD `CÓDIGO POSTAL`
## <chr> <dbl>
## 1 San Isidro 1642
## 2 Martínez 1640
## 3 Acassuso 1641
## 4 Béccar 1643
## 5 Boulogne 1609
## 6 Villa Adelina 1607Dado que los archivos de la web de datos abiertos de San Isidrio no responden a la necesidad sel trabajo, se recurre a Open Street Map (OSM) para conseguir la información geográfica necesaria:
adelina <- getbb('Villa Adelina, Partido de San Isidro', format_out = 'sf_polygon')
boulogne <- getbb('Boulogne Sur Mer, Partido de San Isidro', format_out = 'sf_polygon')
beccar <- getbb('Beccar, Partido de San Isidro', format_out = 'sf_polygon')
acassuso <- getbb('Acassuso, Partido de San Isidro', format_out = 'sf_polygon')
martinez <- getbb('Martínez, Partido de San Isidro', format_out = 'sf_polygon')
isidro <- getbb('San Isidro, Partido de San Isidro', format_out = 'sf_polygon')
barrios_si <- rbind(adelina, boulogne, beccar, acassuso, martinez, isidro)
nombres <- c(Localidad = 'Adelina', ' Boulogne', 'Beccar', 'Acassuso', ' Martínez', 'San Isidro')
barrios_si <- data.frame(nombres, barrios_si)
barrios_si <- st_as_sf(barrios_si, crs = 4326)
head(barrios_si)## Simple feature collection with 6 features and 1 field
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -58.5998 ymin: -34.53018 xmax: -58.47946 ymax: -34.44334
## geographic CRS: WGS 84
## nombres geometry
## 1 Adelina POLYGON ((-58.56196 -34.523...
## 2 Boulogne POLYGON ((-58.5998 -34.4894...
## 3 Beccar POLYGON ((-58.57499 -34.475...
## 4 Acassuso POLYGON ((-58.51265 -34.474...
## 5 Martínez POLYGON ((-58.54281 -34.499...
## 6 San Isidro POLYGON ((-58.56441 -34.485...Se realizan todos estos pasos para tener un dataframe final con los barrios separados y no uno unido con los límites del partido sin las divisiones de sus localidades para que coincida con la misma lógica que los otros, pero no será un análisis barrial.
Ya contamos con los 4 dataframes geográficos básicos. Los datos de los espacios verdes se toman del Atlas de Espacios Verdes de la Fundación Bunge y Born.
espacios_verdes <- st_read('C:/Users/Lisandro/Desktop/Flacso/Unidad 3 - Ciencia de datos geográfica/Proyecto Flacso/DATOS/atlas_espacios_verdes-master/data/processed/osm/areas_verdes_urbanas_argentina.shp')## Reading layer `areas_verdes_urbanas_argentina' from data source `C:\Users\Lisandro\Desktop\Flacso\Unidad 3 - Ciencia de datos geográfica\Proyecto Flacso\DATOS\atlas_espacios_verdes-master\data\processed\osm\areas_verdes_urbanas_argentina.shp' using driver `ESRI Shapefile'
## Simple feature collection with 7584 features and 5 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -979721 ymin: -1669210 xmax: 639007.6 ymax: 1975098
## projected CRS: Lambert_Azimuthal_Equal_Areaespacios_verdes <- st_transform(espacios_verdes, crs=4326)Se intersectan las geometrías de cada ciudad con el dataset de espacios verdes para filtrarlos.
espacios_verdes_caba <- st_intersection(barrios_caba, espacios_verdes)
espacios_verdes_rosario <- st_intersection(barrios_rosario, espacios_verdes)
espacios_verdes_cordoba <- st_intersection(barrios_cordoba, espacios_verdes)
espacios_verdes_si <- st_intersection(barrios_si, espacios_verdes)head(espacios_verdes_caba)## Simple feature collection with 6 features and 9 fields
## geometry type: GEOMETRY
## dimension: XY
## bbox: xmin: -58.47951 ymin: -34.69225 xmax: -58.45847 ymax: -34.67276
## geographic CRS: WGS 84
## barrio comuna perimetro area id
## 35 VILLA RIACHUELO 8.00000000000 10596.82673920000 4232595.92478999961 2609
## 19 VILLA LUGANO 8.00000000000 15057.46838940000 9296142.36140000075 2620
## 35.1 VILLA RIACHUELO 8.00000000000 10596.82673920000 4232595.92478999961 2620
## 19.1 VILLA LUGANO 8.00000000000 15057.46838940000 9296142.36140000075 2625
## 19.2 VILLA LUGANO 8.00000000000 15057.46838940000 9296142.36140000075 2653
## 36 VILLA SOLDATI 8.00000000000 12441.69587730000 8688163.55828000046 2655
## osm_id name fclass combina
## 35 149757226 Plaza Sudamérica park 1
## 19 149015627,149016456 Plaza Democracia park,park 2
## 35.1 149015627,149016456 Plaza Democracia park,park 2
## 19.1 149016453 <NA> park 1
## 19.2 736853120 Plaza Nicolas Granada park 1
## 36 19787144 <NA> park 1
## geometry
## 35 POLYGON ((-58.47594 -34.688...
## 19 MULTIPOLYGON (((-58.46345 -...
## 35.1 POLYGON ((-58.46404 -34.691...
## 19.1 POLYGON ((-58.46207 -34.690...
## 19.2 POLYGON ((-58.47951 -34.674...
## 36 POLYGON ((-58.45957 -34.673...Una primera visualización de las ciudades:
CABA
ggplot()+
geom_sf(data = barrios_caba)+
geom_sf(data=espacios_verdes_caba, fill = 'darkgreen')+
theme_map()+
labs(title = 'Espacios verdes en la CABA', caption = 'Fuente: Datos abiertos de la CABA y Atlas de espacios verdes, Fundación Bunge y Born')
Rosario
ggplot()+
geom_sf(data = barrios_rosario)+
geom_sf(data=espacios_verdes_rosario, fill = 'darkgreen')+
theme_map()+
labs(title = 'Espacios verdes en Rosario', caption = 'Fuente: Datos abiertos de la ciudad de Rosario y Atlas de espacios verdes, Fundación Bunge y Born')
San Isidro
ggplot()+
geom_sf(data = barrios_si)+
geom_sf(data=espacios_verdes_si, fill = 'darkgreen')+
theme_map()+
labs(title = 'Espacios verdes en San Isidrio', caption = 'Fuente: Open Street Map y Atlas de espacios verdes, Fundación Bunge y Born')
A simple vista, parece un municipio con muy poco espacio verde público. Comparando con Google Maps, se ve que pueden faltar algunos lugares. En este caso, se consideran los datos de OSM por sobre los de la Fundación.
bbox_si <- getbb("Partido de San Isidro, Buenos Aires")
espacios_verdes_si_osm <- opq(bbox_si)%>%
add_osm_feature(key="leisure", value="park")%>%
osmdata_sf()
espacios_verdes_si <- st_intersection(espacios_verdes_si_osm$osm_polygons, barrios_si)
ggplot()+
geom_sf(data = barrios_si)+
geom_sf(data = espacios_verdes_si, fill = 'darkgreen')+
theme_map()+
labs(title = 'Espacios verdes en San Isidrio', caption = 'Fuente: Open Street Map')
Estos nuevos datos muestran un poco más de espacios verdes.
Córdoba
ggplot()+
geom_sf(data = barrios_cordoba)+
geom_sf(data=espacios_verdes_cordoba, fill = 'darkgreen')+
theme_map()+
labs(title = 'Espacios verdes en Córdoba', caption = 'Fuente: Datos abiertos de la ciudad de Córdoba y Atlas de espacios verdes, Fundación Bunge y Born')
El mapa de Córdoba se ve muy extraño. Se compara con el resultado que arrojaría con OSM.
bbox <- getbb('Municipio de Córdoba, Córdoba, Argentina')
cordoba <- get_stamenmap(bbox=bbox, maptype = 'toner-lite', zoom = 12)ggmap(cordoba)+
geom_sf(data = espacios_verdes_cordoba, fill = 'darkgreen', inherit.aes = FALSE)+
theme_map()+
labs(title = 'Espacios verdes en Córdoba', caption = 'Fuente: Open Street Map y Atlas de espacios verdes, Fundación Bunge y Born')
Con un primera exploración, se puede intuir que no parece haber tanta diferencia entre CABA y las otras ciudades en términos de parques y plazas. De hecho, sí se puede ver que no parece haber grandes espacios públicos en otras ciudades, como lo son las reservas ecológicas y los lagos de Palermo en CABA: aunque el Parque Independencia y el Bosque de los Constituyentes en Rosario y el Parque Sarmiento o la reserva San Martín en Córdoba pueden asemejarse un poco, no parecen ser de las mismas dimensiones.
Para seguir con el análisis, se comparan tres aspectos de cada ciudad, asociando los primeros dos a la disponibilidad y el segundo a la accesibilidad de espacios verdes:
- Proporción del suelo de la ciudad destinada a espacios verdes
- M2 de espacio verde por habitante en cada ciudad
- Distancia en metros a espacios verdes dentro de cada ciudad
Disponibilidad
Se agregan dos columnas en cada dataframe: una con el nombre de la ciudad y otra con la cantidad de habitantes según el censo de 2010. Además, se calcula el área destinada a espacios verdes y el área total de cada ciudad. El objetivo es comparar cuántos metros cuadrados de espacio verde hay en cada ciudad sobre el total de su área, es decir, cuánto de cada ciudad corresponde a espacios verdes y cuántos de estos metros cuadrados hay por habitante.
Empezamos por las áreas verdes:
espacios_verdes_caba <- espacios_verdes_caba%>%
mutate(ciudad = 'CABA')%>%
mutate(area = st_area(espacios_verdes_caba))%>%
mutate(area = as.numeric(area))%>%
mutate(poblacion = 2890151)%>%
select(ciudad, comuna, barrio, name, area, poblacion)
head(espacios_verdes_caba)espacios_verdes_cordoba <- espacios_verdes_cordoba%>%
mutate(ciudad = 'CORDOBA')%>%
mutate(area = st_area(espacios_verdes_cordoba))%>%
mutate(area = as.numeric(area))%>%
mutate(barrio = Nombre)%>%
mutate(poblacion = 1329604)%>%
select(ciudad, barrio, name, area, poblacion)
head(espacios_verdes_cordoba)espacios_verdes_rosario <- espacios_verdes_rosario%>%
mutate(ciudad = 'ROSARIO')%>%
mutate(area = st_area(espacios_verdes_rosario))%>%
mutate(area = as.numeric(area))%>%
mutate(barrio = BARRIO)%>%
mutate(poblacion = 1139605)%>%
select(ciudad, barrio, name, area, poblacion)
head(espacios_verdes_rosario)espacios_verdes_si <- espacios_verdes_si%>%
mutate(ciudad = 'SAN ISIDRO')%>%
mutate(area = st_area(espacios_verdes_si))%>%
mutate(area = as.numeric(area))%>%
mutate(barrio = nombres)%>%
mutate(poblacion = 292878)%>%
select(ciudad, barrio, name, area, poblacion)
head(espacios_verdes_si)agrupado_verde <- espacios_verdes_caba%>%
select(-comuna)%>%
rbind(espacios_verdes_cordoba, espacios_verdes_rosario, espacios_verdes_si)%>%
group_by(ciudad, poblacion)%>%
summarise(area_verde = sum(area))## `summarise()` regrouping output by 'ciudad' (override with `.groups` argument)head(agrupado_verde)## Simple feature collection with 4 features and 3 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -64.30934 ymin: -34.69225 xmax: -58.33984 ymax: -31.31089
## geographic CRS: WGS 84
## # A tibble: 4 x 4
## # Groups: ciudad [4]
## ciudad poblacion area_verde geometry
## <chr> <dbl> <dbl> <MULTIPOLYGON [°]>
## 1 CABA 2890151 14656095. (((-58.46345 -34.69175, -58.46401 -34.69225, ~
## 2 CORDOBA 1329604 4770633. (((-64.24283 -31.37339, -64.24283 -31.37339, ~
## 3 ROSARIO 1139605 6324275. (((-60.68703 -33.02562, -60.6851 -33.02556, -~
## 4 SAN ISIDRO 292878 687573. (((-58.54671 -34.52395, -58.54663 -34.52402, ~Cálculo del área de cada ciudad a partir de la sumatoria del área de los barrios:
barrios_rosario <- barrios_rosario%>%
mutate(ciudad = 'ROSARIO')%>%
mutate(barrio = BARRIO)%>%
select(-gml_id, -MSLINK, -BARRIO)%>%
mutate(area = st_area(barrios_rosario))%>%
mutate(area = as.numeric(area))
head(barrios_rosario)barrios_cordoba <- barrios_cordoba%>%
mutate(ciudad = 'CORDOBA')%>%
mutate(barrio = Nombre)%>%
mutate(area = Shape_area)%>%
mutate(area = as.numeric(area))%>%
select(-TipoBarrio, -Shape_len, -Shape_area, -Nombre)
head(barrios_cordoba)barrios_si <- barrios_si%>%
mutate(ciudad = 'SAN ISIDRO')%>%
mutate(area = st_area(barrios_si))%>%
mutate(area = as.numeric(area))%>%
mutate(barrio = nombres)%>%
select(-nombres)
head(barrios_si)barrios_caba <- barrios_caba%>%
mutate(ciudad = 'CABA')%>%
select(-comuna, -perimetro)%>%
mutate(area = as.numeric(area))
head(barrios_caba)agrupado_barrios <- barrios_caba%>%
rbind(barrios_cordoba, barrios_rosario, barrios_si)%>%
group_by(ciudad)%>%
summarise(area_total = sum(area))%>%
st_set_geometry(NULL)## `summarise()` ungrouping output (override with `.groups` argument)head(agrupado_barrios)## # A tibble: 4 x 2
## ciudad area_total
## <chr> <dbl>
## 1 CABA 203649725.
## 2 CORDOBA 329382027.
## 3 ROSARIO 179850244.
## 4 SAN ISIDRO 52689716.agrupado <- agrupado_verde%>%
left_join(agrupado_barrios)## Joining, by = "ciudad"head(agrupado)## Simple feature collection with 4 features and 4 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -64.30934 ymin: -34.69225 xmax: -58.33984 ymax: -31.31089
## geographic CRS: WGS 84
## # A tibble: 4 x 5
## # Groups: ciudad [4]
## ciudad poblacion area_verde geometry area_total
## <chr> <dbl> <dbl> <MULTIPOLYGON [°]> <dbl>
## 1 CABA 2890151 14656095. (((-58.46345 -34.69175, -58.46401 ~ 203649725.
## 2 CORDOBA 1329604 4770633. (((-64.24283 -31.37339, -64.24283 ~ 329382027.
## 3 ROSARIO 1139605 6324275. (((-60.68703 -33.02562, -60.6851 -~ 179850244.
## 4 SAN ISIDRO 292878 687573. (((-58.54671 -34.52395, -58.54663 ~ 52689716.Cálculo de la proporción de espacio verde sobre el total del área de cada ciudad, así como la cantidad de metros cuadrados que hay por habitante en cada ciudad.
agrupado <- agrupado%>%
mutate(proporcion = (area_verde*100)/area_total)%>%
mutate(m2_hab = area_verde/poblacion)%>%
mutate_if(is.numeric, round, digits = 2)%>%
st_set_geometry(NULL)
kable(agrupado)| ciudad | poblacion | area_verde | area_total | proporcion | m2_hab |
|---|---|---|---|---|---|
| CABA | 2890151 | 14656094.8 | 203649725 | 7.20 | 5.07 |
| CORDOBA | 1329604 | 4770633.2 | 329382027 | 1.45 | 3.59 |
| ROSARIO | 1139605 | 6324274.6 | 179850244 | 3.52 | 5.55 |
| SAN ISIDRO | 292878 | 687572.8 | 52689716 | 1.30 | 2.35 |
Se grafica el porcentaje de suelo destinado a espacios verdes y la cantidad de metros cuadrados por habitante para tener más claridad sobre la situación de cada ciudad.
ggplot(agrupado)+
geom_bar(mapping = aes(x = reorder(ciudad, -proporcion), y = proporcion, fill = ciudad), stat="identity")+
geom_label(aes(x = ciudad, y=proporcion, label=proporcion), position = position_stack())+
labs(title = 'Porcentaje del suelo destinado a espacios verdes', subtitle = 'En CABA, Córdoba, Rosario y San Isidro', x = 'Ciudad', y = '% m2 de espacio verde sobre el total del área de la ciudad', fill = 'Ciudad', caption = 'Fuente: OSM | Fundación ByB | Datos abiertos de CABA, Rosario, Córdoba')+
theme_minimal()
ggplot(agrupado)+
geom_bar(mapping = aes(x = reorder(ciudad, -m2_hab), y = m2_hab, fill = ciudad), stat = "identity")+
geom_label(aes(x = ciudad, y=m2_hab, label=m2_hab), position = position_stack())+
labs(title = 'Metros cuadrados por habitante', subtitle = 'En CABA, Córdoba, Rosario y San Isidro', x = 'Ciudad', y = 'm2 por habitante', fill = 'Ciudad', caption = 'Fuente: OSM | Fundación ByB | Datos abiertos de CABA, Rosario, Córdoba')+
theme_minimal()
Los gráficos hablan tanto de la distribución del suelo como de la densidad poblacional. Mientras que Buenos Aires resulta ser la ciudad que destina el porcentaje más alto de su suelo a espacios verdes públicos entre las cuatro y por mucho (incluso más del doble de la segunda), no resulta ser la de mayor cantidad de metros cuadrados por habitantes. Es que aunque Rosario y Buenos Aires tienen una superficie similar, la población de la primera es casi el 40% de la segunda. En cualquier caso, comparada con las otras ciudades, la CABA no parece ser tan "de cemento", pero sí podemos ver que San Isidro ha quedado bastante mal en relación a las otras. Sin embargo, es verdad que con un simple vistazo a Google puede apreciarse que en este municipio hay algo más de "verde" que lo que podemos valorar en este trabajo. Entonces, ¿por qué no está contemplado entonces? Es que los más grandes espacios verdes de San Isidro resultan no ser públicos y, contrariamente, están destinados a actividades socialmente excluyentes, tales como el golf y el turf.
Por otro lado, hubiese sido interesante comparar también la cantidad de árboles que hay en cada ciudad, para tener una referencia más y ampliar nuestro concepto de 'verde'. Sin embargo, el portal de datos abiertos de San Isidro no ofrece información al respecto y el de Córdoba ofrece un dataset lo suficientemente pequeño como para dudar de su representatividad.
Accesibilidad
Retomando las comparaciones sobre el espacio público verde, además de la cantidad de metros cuadrados de plazas o parques que puede haber en una ciudad, otra característica de igual importancia es su accesibilidad. Para evaluar esto, se utilizan los radios censales de las ciudades para calcular la distancia de sus centroides a los espacios verdes más cercanos.
(Para el caso de Córdoba, volveremos a usar OSM porque los datos del portal oficial no permiten un buen cruce)
radios_cordoba <- st_read('C:/Users/Lisandro/Desktop/Flacso/Unidad 3 - Ciencia de datos geográfica/Proyecto Flacso/DATOS/CORDOBA/RADIOS/Cordoba_con_datos.shp')
radios_cordoba <- st_transform(radios_cordoba, 4326)
radios_cordoba
radios_santa_fe <- st_read('C:/Users/Lisandro/Desktop/Flacso/Unidad 3 - Ciencia de datos geográfica/Proyecto Flacso/DATOS/ROSARIO/RADIOS/Santa_Fe_con_datos.shp')
radios_santa_fe <- st_transform(radios_santa_fe, 4326)
radios_santa_fe
radios_caba <- st_read('C:/Users/Lisandro/Desktop/Flacso/Unidad 3 - Ciencia de datos geográfica/Proyecto Flacso/DATOS/CABA/RADIOS/cabaxrdatos.shp')
radios_caba <- st_transform(radios_caba, 4326)
radios_caba
radios_ba <- st_read('C:/Users/Lisandro/Desktop/Flacso/Unidad 3 - Ciencia de datos geográfica/Proyecto Flacso/DATOS/SAN ISIDRO/RADIOS/buenos-aires-shp.shp')
radios_ba
bbox_cordoba_poly <- getbb('Municipio de Córdoba, Córdoba, Argentina', format_out = "sf_polygon")
radios_cordoba <- st_intersection(radios_cordoba, bbox_cordoba_poly)
radios_rosario <- st_intersection(radios_santa_fe, barrios_rosario)
radios_si <- st_intersection(radios_ba, barrios_si)Para calcular las distancias, tomaremos los centroides de cada radio censal:
centroides_caba <- st_centroid(radios_caba)
centroides_cordoba <- st_centroid(radios_cordoba)
centroides_rosario <- st_centroid(radios_rosario)
centroides_si <- st_centroid(radios_si)Y calcularemos la distancia en metros de cada centroide al espacio verde más cercano:
distancia_caba <- centroides_caba%>%
mutate(distancia_verde = apply(st_distance(centroides_caba, espacios_verdes_caba), 1, function(x) min(x)))
distancia_cordoba <- centroides_cordoba%>%
mutate(distancia_verde = apply(st_distance(centroides_cordoba, espacios_verdes_cordoba), 1, function(x) min(x)))
distancia_rosario <- centroides_rosario%>%
mutate(distancia_verde = apply(st_distance(centroides_rosario, espacios_verdes_rosario), 1, function(x) min(x)))
distancia_si <- centroides_si%>%
mutate(distancia_verde = apply(st_distance(centroides_si, espacios_verdes_si), 1, function(x) min(x)))head(distancia_caba)## Simple feature collection with 6 features and 17 fields
## geometry type: POINT
## dimension: XY
## bbox: xmin: -58.471 ymin: -34.54318 xmax: -58.44252 ymax: -34.53608
## geographic CRS: WGS 84
## AREA PERIMETER PAIS0210_ PAIS0210_I PROV DEPTO FRAC RADIO TIPO
## 1 1760908.00 7579.745 2 1 02 013 03 02 U
## 2 2240206.00 14184.670 3 2 02 013 11 01 U
## 3 28001.00 720.460 4 3 02 013 01 04 U
## 4 68016.38 1084.790 5 4 02 013 01 03 U
## 5 53839.88 948.102 6 5 02 013 01 02 U
## 6 12901.25 458.849 7 6 02 013 01 05 U
## LINK VARONES MUJERES TOT_POB HOGARES VIV_PART VIV_PART_H
## 1 020130302 312 342 654 270 377 265
## 2 020131101 296 272 568 172 217 170
## 3 020130104 379 384 763 367 524 355
## 4 020130103 286 326 612 258 314 254
## 5 020130102 373 397 770 343 408 340
## 6 020130105 402 433 835 421 674 393
## geometry distancia_verde
## 1 POINT (-58.45845 -34.53827) 414.41942
## 2 POINT (-58.44252 -34.54318) 52.68009
## 3 POINT (-58.46741 -34.53608) 379.23313
## 4 POINT (-58.4688 -34.53716) 436.37902
## 5 POINT (-58.471 -34.53769) 365.36319
## 6 POINT (-58.46666 -34.53739) 243.77442head(distancia_cordoba)## Simple feature collection with 6 features and 9 fields
## geometry type: POINT
## dimension: XY
## bbox: xmin: -64.27085 ymin: -31.50314 xmax: -64.06895 ymax: -31.43939
## geographic CRS: WGS 84
## toponimo_i link varon mujer totalpobl hogares viviendasp viv_part_h
## 1 334994 140141310 303 337 640 166 175 151
## 2 334993 140141306 402 395 797 186 202 176
## 3 334992 140141201 506 498 1004 258 248 234
## 4 334991 140141018 326 332 658 198 258 193
## 5 334990 140141001 292 265 557 157 201 156
## 6 334988 140140812 568 464 1032 256 277 239
## geometry distancia_verde
## 1 POINT (-64.08691 -31.50314) 2426.1309
## 2 POINT (-64.06895 -31.48083) 1466.4023
## 3 POINT (-64.07377 -31.45556) 1118.8703
## 4 POINT (-64.22891 -31.45825) 557.9695
## 5 POINT (-64.22725 -31.45232) 411.3140
## 6 POINT (-64.27085 -31.43939) 785.7452head(distancia_rosario)## Simple feature collection with 6 features and 12 fields
## geometry type: POINT
## dimension: XY
## bbox: xmin: -60.72382 ymin: -32.99755 xmax: -60.66219 ymax: -32.8938
## geographic CRS: WGS 84
## toponimo_i link varon mujer totalpobl hogares viviendasp viv_part_h
## 1 331790 820848501 1173 1092 2265 551 507 494
## 2 325937 820843512 816 825 1641 467 484 447
## 3 323888 820848712 394 412 806 246 254 231
## 4 323885 820848711 367 382 749 228 229 209
## 5 323723 820848707 640 737 1377 452 495 442
## 6 320402 820840308 852 810 1662 479 482 450
## ciudad barrio area geometry
## 1 ROSARIO Victoria Walsh 8823.923 POINT (-60.68928 -32.96459)
## 2 ROSARIO Victoria Walsh 8823.923 POINT (-60.68913 -32.96424)
## 3 ROSARIO 14 de Octubre 22365.859 POINT (-60.66219 -32.99752)
## 4 ROSARIO 14 de Octubre 22365.859 POINT (-60.66374 -32.99755)
## 5 ROSARIO 14 de Octubre 22365.859 POINT (-60.66314 -32.997)
## 6 ROSARIO Docente "Hermanas Cossettini" 54551.071 POINT (-60.72382 -32.8938)
## distancia_verde
## 1 606.1524
## 2 568.7832
## 3 1313.7260
## 4 1323.5306
## 5 1377.5800
## 6 428.8571head(distancia_si)## Simple feature collection with 6 features and 17 fields
## geometry type: POINT
## dimension: XY
## bbox: xmin: -58.55083 ymin: -34.51505 xmax: -58.53199 ymax: -34.49925
## geographic CRS: WGS 84
## LINK DEPARTAMEN PROVINCIA HABTOT VIVTOT HOGTOT PORCCONNBI PORCAGUARE
## 1 067562009 San Isidro Buenos Aires 974 308 306 4 100
## 2 067562008 San Isidro Buenos Aires 1145 393 362 2 100
## 3 067562007 San Isidro Buenos Aires 1445 476 468 9 100
## 4 067562403 San Isidro Buenos Aires 691 197 214 3 100
## 5 067561708 San Isidro Buenos Aires 1193 438 407 1 100
## 6 067561811 San Isidro Buenos Aires 1211 487 425 1 91
## PORCGASRED PORCDESAGU PORCCOMPUT PORCCELULA
## 1 92 97 65 85
## 2 97 95 65 85
## 3 94 87 63 85
## 4 93 93 63 86
## 5 97 98 73 87
## 6 100 99 81 92
## GEOJSON
## 1 {"type":"MultiPolygon","coordinates":[[[[-58.5526529093541,-34.5050001247993],[-58.5514493747429,-34.5059683328365],[-58.5504776934739,-34.5067499961064],[-58.5495063063865,-34.5075136277549],[-58.5487666340418,-34.5080997342232],[-58.5495098076162,-34.5
## 2 {"type":"MultiPolygon","coordinates":[[[[-58.547280618819,-34.5040079581466],[-58.5463305380107,-34.5047988588339],[-58.5450326838831,-34.5058650288817],[-58.5450969803012,-34.5059243825928],[-58.5457383422276,-34.506297067611],[-58.5464609626482,-34.506
## 3 {"type":"MultiPolygon","coordinates":[[[[-58.5470829702941,-34.5000261356468],[-58.545200223398,-34.5009231078863],[-58.544091112691,-34.5014687325673],[-58.5460035550959,-34.5029381815707],[-58.5466472909354,-34.5034866536972],[-58.547280618819,-34.5040
## 4 {"type":"MultiPolygon","coordinates":[[[[-58.5510335881032,-34.5136339077214],[-58.5499737794839,-34.514468600358],[-58.549576899935,-34.5141213743525],[-58.549126370887,-34.5137284422195],[-58.5480442997656,-34.5145898938864],[-58.5472382926414,-34.5152
## 5 {"type":"MultiPolygon","coordinates":[[[[-58.5358198676635,-34.4953713780108],[-58.5353683346331,-34.4959788846734],[-58.5352680105698,-34.4961128846048],[-58.5351787282614,-34.4962380033275],[-58.5348886377188,-34.4966401328492],[-58.534777112196,-34.49
## 6 {"type":"MultiPolygon","coordinates":[[[[-58.5313203327226,-34.5076658676763],[-58.531281915788,-34.5076834327348],[-58.5280257198362,-34.5092666638291],[-58.5255711670042,-34.5104583857814],[-58.5257335083132,-34.5105144262867],[-58.5258577479246,-34.51
## ciudad area barrio geometry distancia_verde
## 1 SAN ISIDRO 4613993 Adelina POINT (-58.55083 -34.50754) 469.50150
## 2 SAN ISIDRO 4613993 Adelina POINT (-58.54781 -34.50611) 341.71896
## 3 SAN ISIDRO 4613993 Adelina POINT (-58.54793 -34.50378) 267.51701
## 4 SAN ISIDRO 4613993 Adelina POINT (-58.54946 -34.51505) 402.63193
## 5 SAN ISIDRO 4613993 Adelina POINT (-58.54267 -34.49925) 24.56409
## 6 SAN ISIDRO 4613993 Adelina POINT (-58.53199 -34.51202) 585.14631Cada dataframe presenta nombres diferentes para variables que significan lo mismo, así como tienen variables que no van a ser necesarias. Se seleccionan solo con las columnas necesarias y se renombran para poder unificar todo en un dataframe final que incluya todos los radios censales de las cuatro ciudades, la distancia más corta del centroide de cada uno a un espacio verde y la población de la ciudad.
seleccion_caba <- distancia_caba%>%
mutate(comuna = DEPTO)%>%
mutate(poblacion = TOT_POB)%>%
st_set_geometry(NULL)
seleccion_caba <- left_join(radios_caba, seleccion_caba)
seleccion_caba <- seleccion_caba%>%
mutate(id = PAIS0210_I)%>%
mutate(distancia_verde = round(distancia_verde, 2))%>%
mutate(ciudad = "CABA")%>%
select(id, ciudad, comuna, poblacion, distancia_verde)seleccion_si <- distancia_si%>%
mutate(poblacion = HABTOT)%>%
st_set_geometry(NULL)
seleccion_si <- left_join(radios_si, seleccion_si)
seleccion_si <- seleccion_si%>%
mutate(id = LINK)%>%
mutate(distancia_verde = round(distancia_verde, 2))%>%
mutate(ciudad = "SAN ISIDRO")%>%
select(id, ciudad, poblacion, distancia_verde)seleccion_rosario <- distancia_rosario%>%
st_set_geometry(NULL)
seleccion_rosario <- left_join(radios_rosario, seleccion_rosario)
seleccion_rosario <- seleccion_rosario%>%
mutate(id=toponimo_i)%>%
mutate(poblacion = totalpobl)%>%
mutate(ciudad = "ROSARIO")%>%
mutate(distancia_verde = round(distancia_verde, 2))%>%
select(id, ciudad, poblacion, distancia_verde)seleccion_cordoba <- distancia_cordoba%>%
st_set_geometry(NULL)
seleccion_cordoba <- left_join(radios_cordoba, seleccion_cordoba)
seleccion_cordoba <- seleccion_cordoba%>%
mutate(id=toponimo_i)%>%
mutate(poblacion = totalpobl)%>%
mutate(ciudad = "CORDOBA")%>%
mutate(distancia_verde = round(distancia_verde, 2))%>%
select(id, ciudad, poblacion, distancia_verde)head(seleccion_caba)## Simple feature collection with 6 features and 5 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -58.47268 ymin: -34.55205 xmax: -58.42512 ymax: -34.52755
## geographic CRS: WGS 84
## id ciudad comuna poblacion distancia_verde geometry
## 1 1 CABA 013 654 414.42 POLYGON ((-58.46681 -34.535...
## 2 2 CABA 013 568 52.68 POLYGON ((-58.45867 -34.537...
## 3 3 CABA 013 763 379.23 POLYGON ((-58.46846 -34.535...
## 4 4 CABA 013 612 436.38 POLYGON ((-58.46846 -34.535...
## 5 5 CABA 013 770 365.36 POLYGON ((-58.47002 -34.536...
## 6 6 CABA 013 835 243.77 POLYGON ((-58.4663 -34.5366...head(seleccion_si)## Simple feature collection with 6 features and 4 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -58.55281 ymin: -34.51671 xmax: -58.53122 ymax: -34.49917
## geographic CRS: WGS 84
## id ciudad poblacion distancia_verde geometry
## 1 067562009 SAN ISIDRO 974 469.50 POLYGON ((-58.55149 -34.505...
## 2 067562008 SAN ISIDRO 1145 341.72 POLYGON ((-58.54728 -34.504...
## 3 067562007 SAN ISIDRO 1445 267.52 POLYGON ((-58.54519 -34.500...
## 4 067562403 SAN ISIDRO 691 402.63 POLYGON ((-58.55103 -34.513...
## 5 067561708 SAN ISIDRO 1193 24.56 POLYGON ((-58.54256 -34.499...
## 6 067561811 SAN ISIDRO 1211 585.15 POLYGON ((-58.53122 -34.513...head(seleccion_rosario)## Simple feature collection with 6 features and 4 fields
## geometry type: GEOMETRY
## dimension: XY
## bbox: xmin: -60.72556 ymin: -32.99758 xmax: -60.66219 ymax: -32.89296
## geographic CRS: WGS 84
## id ciudad poblacion distancia_verde geometry
## 1 331790 ROSARIO 2265 606.15 POLYGON ((-60.68974 -32.964...
## 2 325937 ROSARIO 1641 568.78 POLYGON ((-60.68866 -32.964...
## 3 323888 ROSARIO 806 1313.73 POLYGON ((-60.66219 -32.997...
## 4 323885 ROSARIO 749 1323.53 MULTIPOLYGON (((-60.66219 -...
## 5 323723 ROSARIO 1377 1377.58 POLYGON ((-60.66219 -32.997...
## 6 320402 ROSARIO 1662 428.86 POLYGON ((-60.72556 -32.893...head(seleccion_cordoba)## Simple feature collection with 6 features and 4 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -64.29182 ymin: -31.52498 xmax: -64.05728 ymax: -31.41713
## geographic CRS: WGS 84
## id ciudad poblacion distancia_verde geometry
## 1 334994 CORDOBA 640 2426.13 POLYGON ((-64.11087 -31.475...
## 2 334993 CORDOBA 797 1466.40 POLYGON ((-64.07834 -31.462...
## 3 334992 CORDOBA 1004 1118.87 POLYGON ((-64.10133 -31.451...
## 4 334991 CORDOBA 658 557.97 POLYGON ((-64.22379 -31.453...
## 5 334990 CORDOBA 557 411.31 POLYGON ((-64.21609 -31.448...
## 6 334988 CORDOBA 1032 785.75 POLYGON ((-64.25803 -31.420...todos_radios <- seleccion_caba%>%
select(-comuna)%>%
rbind(seleccion_si, seleccion_rosario, seleccion_cordoba)
head(todos_radios)## Simple feature collection with 6 features and 4 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -58.47268 ymin: -34.55205 xmax: -58.42512 ymax: -34.52755
## geographic CRS: WGS 84
## id ciudad poblacion distancia_verde geometry
## 1 1 CABA 654 414.42 POLYGON ((-58.46681 -34.535...
## 2 2 CABA 568 52.68 POLYGON ((-58.45867 -34.537...
## 3 3 CABA 763 379.23 POLYGON ((-58.46846 -34.535...
## 4 4 CABA 612 436.38 POLYGON ((-58.46846 -34.535...
## 5 5 CABA 770 365.36 POLYGON ((-58.47002 -34.536...
## 6 6 CABA 835 243.77 POLYGON ((-58.4663 -34.5366...Veamos algunas gráficos para entender cómo se encuentra cada ciudad.
ggplot(data = todos_radios) +
geom_jitter(aes(x = ciudad, y = distancia_verde, color = ciudad)) +
labs(title = "Distancia en metros a espacios verdes por ciudad", x = 'Ciudad', y = "Distancia al espacio verde más cercano", color = 'Ciudad', caption = 'Fuente: OSM | Fundación ByB | Datos abiertos de CABA, Rosario, Córdoba')+
theme_minimal()
El nivel de concentración de tantos puntos puede dificultar la interpretación, pero puede verse que los radios más alejados de un parque o de una plaza pública son los de Córdoba, seguidos por los de Rosario y San Isidro; mientras que los radios más alejados de CABA están más cerca de un espacio verde público que los radios más alejados de otras ciudades. Otra vez, ¿la densidad? Veamos rápidamente la densidad a ver si se corresponde con esta relación.
agrupado_tabla <- agrupado%>%
mutate(densidad = (poblacion/area_total)*1000000)%>%
mutate(densidad = round(densidad, 2))
kable(agrupado_tabla)| ciudad | poblacion | area_verde | area_total | proporcion | m2_hab | densidad |
|---|---|---|---|---|---|---|
| CABA | 2890151 | 14656094.8 | 203649725 | 7.20 | 5.07 | 14191.77 |
| CORDOBA | 1329604 | 4770633.2 | 329382027 | 1.45 | 3.59 | 4036.66 |
| ROSARIO | 1139605 | 6324274.6 | 179850244 | 3.52 | 5.55 | 6336.41 |
| SAN ISIDRO | 292878 | 687572.8 | 52689716 | 1.30 | 2.35 | 5558.54 |
En Rosario y San Isidro no parece respetarse el mismo orden, pero sí se puede ver claramente que Córdoba es la menos densa y Buenos Aires la más, coincidiendo indirectamente con la mayor distancia de los radios censales de la primera y la menor distancia de la segunda.
Veamos la distribución de los radios en cada ciudad.
ggplot(data = todos_radios) +
geom_histogram(aes(x = distancia_verde, fill = ciudad)) +
facet_wrap(~ciudad) +
labs(title = "Distancia en metros a espacios verdes por ciudad",
x = "Distancia",
y = "Radios censales", fill = 'Ciudad', caption = 'Fuente: OSM | Fundación ByB | Datos abiertos de CABA, Rosario, Córdoba')+
theme_minimal()
Lo mismo: casi impercetible, los radios muy alejados de Córdoba complican la interpretación. Se filtran los valores que están a 2 kilómetros o más de distancia, considerándolos outliers (solo representan el o,6% de las observaciones) para visualizar mejor los histogramas.
ggplot(data = filter(todos_radios, distancia_verde < 2000)) +
geom_histogram(aes(x = distancia_verde, fill = ciudad)) +
facet_wrap(~ciudad) +
labs(title = "Distancia en metros a espacios verdes por ciudad",
x = "Distancia", y = "Radios censales", fill='Ciudad', caption = 'Fuente: OSM | Fundación ByB | Datos abiertos de CABA, Rosario, Córdoba')+
theme_minimal()
Con este gráfico también se puede apreciar cómo la mayoría de los radios censales de CABA se encuentran a menos 500 metros de un espacio verde y es baja la proporción de radios que se encuentra más alejada que eso, mientras que las figuras más "amesetadas" de San Isidro y Rosario, por ejemplo, permiten ver que la distribución en esta ciudad es más amplia.
Otra forma más simple de ver esto es aprovechando las selecciones que ya hicimos con los radios por ciudad para ver sus estadísticos descriptivos:
seleccion_fil <- seleccion_caba%>%
select(-comuna)%>%
rbind(seleccion_cordoba, seleccion_rosario, seleccion_si)%>%
filter(distancia_verde < 2000)%>%
select(-poblacion)%>%
st_set_geometry(NULL)
stby(data = seleccion_fil, INDICES = seleccion_fil$ciudad, FUN = descr, stats = c("min","q1","med","mean","q3","max"), transpose = TRUE, headings = FALSE)##
## Min Q1 Median Mean Q3 Max
## ---------------- ------ -------- -------- -------- -------- ---------
## CABA 0.00 207.41 353.98 396.52 541.99 1444.38
## CORDOBA 0.00 222.74 383.95 441.01 598.90 1948.55
## ROSARIO 0.00 246.79 434.83 487.60 687.80 1975.12
## SAN ISIDRO 0.00 229.76 379.83 473.14 662.80 1622.41Habiendo quitado los valores extremos, podemos ver que la Ciudad de Buenos Aires no solo es la que mayor proporción de su suelo dedica a los espacios verdes públicos, sino que es la que tiene un promedio y una mediana de distancia entre radio censal y espacio verde más bajos. Podemos notar que esto también se refleja en mapas coropléticos, con la CABA mostrando una mayor cantidad de radios a menos de 425 metros de un espacio verde (el promedio de distancia a un espacio verde de todos los radios censales) que las otras ciudades:
todos_radios <- todos_radios%>%
mutate(limite = case_when(distancia_verde <= 425 ~ "Menos de 425 metros",
distancia_verde > 425 ~ "Más de 425 metros"))
plot_caba <- ggplot()+
geom_sf(data=filter(todos_radios, ciudad == 'CABA'), aes(fill=limite), show.legend = FALSE)+
theme_map()+
labs(title= 'Distancia a un espacio verde público por radio censal', subtitle = 'CABA')
plot_rosario <- ggplot()+
geom_sf(data=filter(todos_radios, ciudad == 'ROSARIO'), aes(fill=limite), show.legend = FALSE)+
theme_map()+
labs(subtitle = 'Rosario', caption = 'Fuente: OSM | Fundación ByB | Datos abiertos de CABA, Rosario, Córdoba')
plot_si <- ggplot()+
geom_sf(data=filter(todos_radios, ciudad == 'SAN ISIDRO'), aes(fill=limite), show.legend = FALSE)+
theme_map()+
labs(subtitle = 'San Isidro')
plot_cordoba <- ggplot()+
geom_sf(data=filter(todos_radios, ciudad == 'CORDOBA'), aes(fill=limite))+
theme_map()+
labs(fill = 'Distancia en m2', subtitle = 'Córdoba')
plot_grid(plot_caba, plot_si, plot_rosario, plot_cordoba)
Una última comparación entre ciudades: ¿qué porcentaje de la población de cada ciudad se encuentra a más y menos de 425 metros de un espacio verde público?
(Una observación: para esta comparación, se utiliza la suma de las poblaciones de los radios censales por ciudad y no la poblacion declarada en el censo de 2010, porque no coinciden y la suma de los promedios de cada ciudad arrojaba resultados por debajo del 100%)
radios_agrupados <- todos_radios%>%
filter(!is.na(poblacion))%>%
group_by(limite, ciudad)%>%
summarise(poblacion = sum(poblacion))
poblaciones <- radios_agrupados%>%
group_by(ciudad)%>%
summarise(poblacion_total = sum(poblacion))%>%
st_set_geometry(NULL)
radios_agrupados <- left_join(radios_agrupados, poblaciones)
radios_agrupados <- radios_agrupados%>%
mutate(porcentaje = (poblacion/poblacion_total)*100)%>%
mutate(porcentaje = round(porcentaje, 2))radios_agrupado_tabla <- radios_agrupados%>%
st_set_geometry(NULL)
kable(radios_agrupado_tabla)| limite | ciudad | poblacion | poblacion_total | porcentaje |
|---|---|---|---|---|
| Más de 425 metros | CABA | 1161251 | 2890151 | 40.18 |
| Más de 425 metros | CORDOBA | 652955 | 1366138 | 47.80 |
| Más de 425 metros | ROSARIO | 819173 | 1489776 | 54.99 |
| Más de 425 metros | SAN ISIDRO | 178635 | 413478 | 43.20 |
| Menos de 425 metros | CABA | 1728900 | 2890151 | 59.82 |
| Menos de 425 metros | CORDOBA | 713183 | 1366138 | 52.20 |
| Menos de 425 metros | ROSARIO | 670603 | 1489776 | 45.01 |
| Menos de 425 metros | SAN ISIDRO | 234843 | 413478 | 56.80 |
ggplot(filter(radios_agrupados, limite == 'Menos de 425 metros'))+
geom_bar(mapping = aes(x = reorder(ciudad, -porcentaje), y = porcentaje, fill = ciudad), stat = "identity")+
geom_label(aes(x = ciudad, y=porcentaje, ymax=porcentaje, label=porcentaje), position = position_stack())+
labs(title = 'Porcentaje de la población que vive a menos de 425 metros de un espacio verde público', subtitle= 'En CABA, Córdoba, Rosario y San Isidro', x = 'Ciudad', y = 'Porcentaje', fill = 'Ciudad', caption = 'Fuente: OSM | Fundación ByB | Datos abiertos de CABA, Rosario, Córdoba')+
theme_minimal()
Nuevamente, la ciudad de Buenos Aires no parece estar tan mal: casi 6 de cada 10 porteños vivirían aproximadamente a menos de 425 metros de distancia de una plaza o de un parque. Esta es una conclusión condicional, dado que para esto no hay que dejar de considerar los cambios que pueden significar las ubicaciones dentro de cada radio censal.
De igual manera, la información que arroja este análisis de datos no permite deducir que la accesibilidad a los espacios verdes en la Ciudad sea suficiente. Sin embargo, al menos en lo que compete a estos datos y a la relación de disponibilidad y cercanía con espacios verdes públicos, no se puede decir tajantemente que la CABA está considerablemente peor que otras ciudades importantes del país como Córdoba y Rosario o municipios de otras características como San Isidro.
Una última exploración busca comparar la disponibilidad y el acceso a espacios verdes con el valor inmobiliario del suelo.
VALOR EN CABA
Se hace un foco en la Ciudad de Buenos Aires para ver si hay correlación entre el valor de la vivienda y la accesibilidad a un espacio verde público en sus barrios. Para eso, se utilizan datos de ventas de inmuebles descargados de Properati Data, para los meses de septiembre de 2017 a febrero de 2018.
(Aclaración: son seis archivos correspondientes a un mes cada uno)
p1 <- read.csv('C:/Users/Lisandro/Desktop/Flacso/Unidad 3 - Ciencia de datos geográfica/Proyecto Flacso/DATOS/PROPERATI/properati1.csv', encoding = "UTF-8")
p2 <- read.csv('C:/Users/Lisandro/Desktop/Flacso/Unidad 3 - Ciencia de datos geográfica/Proyecto Flacso/DATOS/PROPERATI/properati2.csv', encoding = "UTF-8")
p3 <- read.csv('C:/Users/Lisandro/Desktop/Flacso/Unidad 3 - Ciencia de datos geográfica/Proyecto Flacso/DATOS/PROPERATI/properati3.csv', encoding = "UTF-8")
p4 <- read.csv('C:/Users/Lisandro/Desktop/Flacso/Unidad 3 - Ciencia de datos geográfica/Proyecto Flacso/DATOS/PROPERATI/properati4.csv', encoding = "UTF-8")
p5 <- read.csv('C:/Users/Lisandro/Desktop/Flacso/Unidad 3 - Ciencia de datos geográfica/Proyecto Flacso/DATOS/PROPERATI/properati5.csv', encoding = "UTF-8")
p6 <- read.csv('C:/Users/Lisandro/Desktop/Flacso/Unidad 3 - Ciencia de datos geográfica/Proyecto Flacso/DATOS/PROPERATI/properati6.csv', encoding = "UTF-8")
properati <- rbind(p1, p2, p3, p4, p5, p6)Los datos disponibles en la sección de datos de Properati contienen coordenadas pero no se encuentran en formato geográfico:
properati <- properati%>%
filter(!is.na(lat), !is.na(lon), !is.na(surface_total_in_m2))%>%
mutate(lat =as.numeric(lat), lon=as.numeric(lon))%>%
distinct(lat_lon, .keep_all = TRUE)%>%
st_as_sf(coords = c("lon", "lat"), crs = 4326)
properati <- st_intersection(properati, radios_caba)
names(properati)## [1] "id" "created_on"
## [3] "operation" "property_type"
## [5] "place_name" "place_with_parent_names"
## [7] "country_name" "state_name"
## [9] "geonames_id" "lat_lon"
## [11] "price" "currency"
## [13] "price_aprox_local_currency" "price_aprox_usd"
## [15] "surface_total_in_m2" "surface_covered_in_m2"
## [17] "price_usd_per_m2" "price_per_m2"
## [19] "floor" "rooms"
## [21] "expenses" "properati_url"
## [23] "description" "title"
## [25] "image_thumbnail" "AREA"
## [27] "PERIMETER" "PAIS0210_"
## [29] "PAIS0210_I" "PROV"
## [31] "DEPTO" "FRAC"
## [33] "RADIO" "TIPO"
## [35] "LINK" "VARONES"
## [37] "MUJERES" "TOT_POB"
## [39] "HOGARES" "VIV_PART"
## [41] "VIV_PART_H" "geometry"Se seleccionan las variables importantes y se agrupan los datos por radio censal para obtener el valor del m2 en cada radio.
valor_m2 <- properati%>%
group_by(PAIS0210_I)%>%
summarise(valor_m2 = mean(price_usd_per_m2))%>%
mutate(id = PAIS0210_I)%>%
select(valor_m2)
properati <- st_join(seleccion_caba, valor_m2)
head(properati)## Simple feature collection with 6 features and 6 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -58.47268 ymin: -34.55205 xmax: -58.42512 ymax: -34.52755
## geographic CRS: WGS 84
## id ciudad comuna poblacion distancia_verde valor_m2
## 1 1 CABA 013 654 414.42 NA
## 2 2 CABA 013 568 52.68 2310.261
## 3 3 CABA 013 763 379.23 2685.750
## 4 4 CABA 013 612 436.38 2257.558
## 5 5 CABA 013 770 365.36 2665.266
## 6 6 CABA 013 835 243.77 NA
## geometry
## 1 POLYGON ((-58.46681 -34.535...
## 2 POLYGON ((-58.45867 -34.537...
## 3 POLYGON ((-58.46846 -34.535...
## 4 POLYGON ((-58.46846 -34.535...
## 5 POLYGON ((-58.47002 -34.536...
## 6 POLYGON ((-58.4663 -34.5366...Se busca si hay alguna relación entre el valor del metro cuadrado inmobiliario y la distancia a espacios verdes. Primero, mapas:
ggplot()+
geom_sf(data = barrios_caba)+
geom_sf(data = properati, aes(fill = valor_m2), color = NA)+
scale_fill_gradient(low="khaki2", high="deeppink4")+
theme_map()+
labs(title = "Valor del m2 por radio censal en CABA", caption = 'Fuente: BA Data | Properati')
Con muchos espacios en blanco, pero se ve bastante claro como el valor del suelo aumenta hacia el norte de la ciudad. Veamos nuevamente el mapa coroplético de CABA para ver si hay algún patrón visible:
ggplot()+
geom_sf(data = barrios_caba)+
geom_sf(data = properati, aes(fill = distancia_verde), color = NA)+
scale_fill_viridis_b()+
theme_map()+
labs(title = "Distancia de radio censal a espacio verde público en CABA", fill = "Distancia en m", caption = 'Fuente: BA Data | Fundación ByB')
En principio, no parece darse una relación muy clara entre cercanía a espacios verdes y valor del metro cuadrado. Si bien en el norte de la ciudad sí parece darse que los radios de mayor valor están más cerca de espacios verdes, el sur contradice esto, siendo que la distancia a parques es muy baja pero el valor del metro cuadrado también lo es. Un dotplot es un primer paso exploratorio para evaluar la existencia de posibles correlaciones de manera visual:
properati <- properati%>%
filter(!is.na(valor_m2))
regresion_radios <- lm(valor_m2 ~ distancia_verde,
properati)
regresion_radios##
## Call:
## lm(formula = valor_m2 ~ distancia_verde, data = properati)
##
## Coefficients:
## (Intercept) distancia_verde
## 2479.1086 -0.5145ggplot(data = properati, mapping = aes(x=distancia_verde, y = valor_m2))+
geom_point()+
geom_abline(aes(intercept = 2479.1086, slope = -0.5145), color = 'blue')+
labs(title = '¿Correlación entre distancia a espacios verdes y valor del m2?', subtitle = 'Por radio censal en CABA', x = 'Distancia en metros a espacios verdes', y = 'Valor inmobiliario del m2', caption = 'Fuente: BA Data | Fundación ByB | Properati')
cor(properati$valor_m2, properati$distancia_verde)## [1] -0.1577522Parece ser que que la correlación es nula entre ambas variables. Evaluaremos también si hay correlación agrupando por barrio o considerando la distancia en tiempo.
- Viéndolo desde un agrupamiento barrial:
properati_barrios<- properati%>%
st_join(barrios_caba)%>%
group_by(barrio)%>%
summarise(valor_m2 = mean(valor_m2),
distancia_verde = mean(distancia_verde))
regresion_barrios <- lm(valor_m2 ~ distancia_verde,
properati_barrios)
regresion_barrios##
## Call:
## lm(formula = valor_m2 ~ distancia_verde, data = properati_barrios)
##
## Coefficients:
## (Intercept) distancia_verde
## 2686.277 -1.395ggplot(data = properati_barrios, mapping = aes(x=distancia_verde, y = valor_m2))+
geom_point()+
geom_abline(aes(intercept = 2686.277, slope = -1.395), color = 'blue')+
labs(title = '¿Correlación entre distancia a espacios verdes y valor del m2?', subtitle = 'Por barrio en CABA', x = 'Distancia en metros a espacios verdes', y = 'Valor inmobiliario del m2', caption = 'Fuente: BA Data | Fundación ByB | Properati')
cor(properati_barrios$distancia_verde, properati_barrios$valor_m2)## [1] -0.3363713- Viéndolo por la distancia en tiempo, identificando los espacios verdes más cercanos con
nngeoy calculando rutas conhereR:
verdes_caba <- st_intersection(espacios_verdes, radios_caba)
verdes_caba <- st_centroid(verdes_caba)
id_cercano <- unlist(st_nn(centroides_caba, verdes_caba))
tiempo_caba <- tibble(
origen_id = centroides_caba$PAIS0210_I,
origen_X = st_coordinates(st_centroid(radios_caba))[, 1],
origen_Y = st_coordinates(st_centroid(radios_caba))[, 2],
destino_id = verdes_caba[id_cercano, "name"]$name,
destino_X = st_coordinates(verdes_caba[id_cercano, ])[, 1],
destino_Y = st_coordinates(verdes_caba[id_cercano, ])[, 2]
)
origen_caba <- tiempo_caba%>%
st_as_sf(coords = c('origen_X', 'origen_Y'), crs =4326)
destino_caba <- tiempo_caba%>%
st_as_sf(coords = c('destino_X', 'destino_Y'), crs =4326)
rutas <- hereR::route(origen_caba, destino_caba, mode='pedestrian')
rutas_mapa <- rutas%>%
select(id, travelTime)%>%
st_set_geometry(NULL)
radios_mapa <- radios_caba%>%
left_join(rutas_mapa, by=c('PAIS0210_I'='id'))%>%
mutate(id = PAIS0210_I)%>%
select(id, travelTime)%>%
mutate(minutos = as_hms(travelTime))%>%
mutate(minutos = round_hms(minutos, 1))Veamos primero cómo se ven los recorridos con leaflet y después cómo difiere el mapa coroplético hecho en base al tiempo con el mapa anterior, hecho en base a la distancia.
leaflet(rutas) %>%
addProviderTiles(providers$OpenStreetMap) %>%
addPolylines()Un entramado gigantesco del que es muy difícil concluir algo.
ggplot()+
geom_sf(data = radios_mapa)+
geom_sf(data = radios_mapa, aes(fill=travelTime), color = NA)+
scale_fill_viridis_b()+
theme_map()+
labs(title = 'Distancia en tiempo a un espacio verde en CABA', caption = 'Fuente: BA Data | Fundación ByB', fill='Distancia en segundos')
Visualmente, parecen notarse menos las diferencias en la distancia que en el mapa planteado sobre la distancia en metros. Sin embargo, tampoco permite intuir alguna relación con el valor del metro cuadrado. Veamos si se correlacionan estadísticamente.
tiempos <- radios_mapa%>%
select(id, travelTime)%>%
st_set_geometry(NULL)
properati <- left_join(properati, tiempos)## Joining, by = "id"regresion_tiempo <- lm(valor_m2 ~ travelTime,
properati)
regresion_tiempo##
## Call:
## lm(formula = valor_m2 ~ travelTime, data = properati)
##
## Coefficients:
## (Intercept) travelTime
## 2417.1900 -0.1765ggplot(data = properati, mapping = aes(x=travelTime, y = valor_m2))+
geom_point()+
geom_abline(aes(intercept = 2380.281, slope = -0.156), color = 'blue')+
labs(title = '¿Correlación entre distancia en tiempo y valor del m2?', subtitle = 'Por radio censal en CABA', x = 'Distancia en segundos a espacios verdes', y = 'Valor inmobiliario del m2', caption = 'Fuente: BA Data | Fundación ByB | Properati')## Warning: Removed 1844 rows containing missing values (geom_point).
cor(properati$travelTime, properati$distancia_verde)## [1] NANada indica que haya una correlación directa, ni entre la distancia lineal o temporal a un parque, ni considerando los radios censales ni considerando una escala barrial.
Si no se le asigna más valor a la cercanía ni en tiempo ni en distancia, ¿de igual manera se genera un proceso de segregación? ¿vivir en los barrios menos pudientes, implica también vivir lejos de un espacio verde? Para eso buscaremos dónde se encuentra el 10% de los barrios menos valuados y el 10% de los radios censales con mayor lejanía.
properati <- properati%>%
mutate(lejania = ntile(distancia_verde, 100))
properati_barrios <- properati_barrios%>%
mutate(decil = ntile(valor_m2, 10))ggplot()+
geom_sf(data = barrios_caba)+
geom_sf(data = filter(properati_barrios, decil == 1), aes(fill = decil), fill = 'limegreen')+
theme_map()+
labs(title='Barrios del decil menos valuado inmobiliariamente en CABA', caption = 'Fuente: BA Data | Properati')
ggplot()+
geom_sf(data = barrios_caba)+
geom_sf(data = filter(properati_barrios, decil == 1), aes(fill = decil), fill = 'limegreen')+
geom_sf(data = filter(properati, lejania > 90), aes(fill = lejania), fill = 'orange', alpha = 0.5)+
theme_map()+
labs(title='Radios censales más distantes a un espacio verde', subtitle = 'Sobre barrios del decil menos valuado inmobiliariamente en CABA', caption = 'Fuente: BA Data | Fundación ByB | Properati')
Está claro que los radios censales más lejanos a un espacio verde no se encuentran necesariamente en los barrios más económicos: en el primer mapa vemos una concentración notoria de los barrios con valor del metro cuadrado más bajo en el sur de la ciudad, pero esta concentración no se repite para nada en términos de la distancia de los radios censales a espacios verdes, por el contrario, parecen repartirse por diferentes zonas de la ciudad, con el centro y el oeste como los puntos con mayor lejanía.
CONCLUSIONES
Puede apreciarse que no hay correlación entre el valor del suelo y la distancia a una plaza o un parque en la Ciudad de Buenos Aires. Al menos en el sentido inmboliario, no podemos afirmar que los porteños le dan más valor a encontrarse cerca de un espacio verde. De igual manera, a modo de reflexión final, el sentido de valor no puede ni debe definirse en función únicamente de lo monetario o de las reglas del mercado. Por el contrario, en el marco de la cuarentena, está claro que en la Ciudad (y en las grandes ciudades del mundo, como se ve en el proceso de migración que comenzó en Nueva York, por ejemplo) se le asigna una nueva posición a los espacios abiertos, con ciudadanos que buscan cada vez más encontrar alguna forma de contacto con la naturaleza. Pero, como hemos visto en la comparación de la disponibilidad de espacios entre CABA y las otras ciudades argentinas, esta diferencia del espacio abierto en las ciudades no se da necesariamente en el espacio público, sino en el espacio privado que se expresa en la posibilidad que ofrecen los espacios conurbanos o de las ciudades menos densas de tener una vivienda más espaciosa que la mayoría de los típicos edificios de departamentos de los centros urbanos.