Análisis de la oferta cultural en CABA desde una perspectiva geoespacial. Vol. II
Mauro Iuvaro (mauro.iuvaro@gmail.com)
2.05.2022
1 Recapitulación: cultura y geografía
¡Hola! Qué bueno volver a encontrarnos. Antes que nada, sugiero para aquelles que quieran correr el código de éste trabajo que lo hagan primero con el del volumen anterior https://rpubs.com/MAUIUVARO/893749.
Ahora sí, en el informe pasado hicimos un acercamiento a la temática que nos compete; la oferta cultural en CABA. Allí observávamos que la oferta cultural en la CABA se concentraba en el norte como en el centro de la ciudad, y que la zona escaza parecía trazar una medialuna desde la zona sureste hacia el noroeste. Si bien poníamos en juego la variable densidad poblacional al interior de cada unidad espacial (Comuna), creímos pertinente indagar un poco más en cómo se comporta nuestra variable (distribución de espacios culturales) en el territorio. Y ya que nos vamos a meter de lleno en esto creo pertinente retomar a nuestro colega sociólogo W. Tobler quién formuló la Primera Ley de la Geografía; que todas las cosas están relacionadas entre sí, pero las cosas más cercanas están mas relacionadas que las distantes. Esta Ley plantea que hay dependencia espacial, que el territorio es un factor a tener en cuenta para el análisis de los objetos en él.
Algunos problemas que conlleva esta ley son que:
- No tiene un régimen causal, ¿qué es cerca y qué es lejos? por ello no es una ley, sino un Principio.
- Solo considera la dependencia espacial general y el espacio euclidiano.
- Considera relaciones y no interacciones entre los objetos.
A esto le sumamos la segunda Ley de la Geografía: Las cosas que saben donde estan pueden actuar según el conocimiento de ubicación local. Espacialmente las cosas habilitadas han aumentado la utilidad financiera y funcional. El trafondo que plantea es el de la dependencia espacial local, es decir que hay heterogeneidad espacial en el territorio.
Para leer más sobre estas leyes, su aplicación e inconvenientes:
Tim Foresman & Ruth Luscombe (2017): The second law of geography for a spatially enabled economy, International Journal of Digital Earth, DOI: 10.1080/17538947.2016.1275830
A‐Xing Zhu, Guonian Lu, Jing Liu, Cheng‐Zhi Qin & Chenghu Zhou (2018) Spatial prediction based on Third Law of Geography, Annals of GIS, 24:4, 225-240, DOI: 10.1080/19475683.2018.1534890
En vistas de estos principios hoy vigentes en la Geografía y nuestra intriga sobre la cultura ¡pongámoslos en juego! Aver qué sucede.
2. Autocorrelación espacial
La pregunta que interpela a esta técnica es ¿cómo varía UN fenómeno a través del espacio geográfico? El término fue utilizado por Andrew Cliff Ord en 1967. Siguiendo a Siabato y Manrique (2018), “la autocorrelación mide el grado de asociación que una variable desarrolla a través de un espacio definido como marco geográfico, esto es, el espacio de análisis propiamente dicho. El marco geográfico estará delimitado por el problema que se requiere abordar”. Esto nos permite observar patrones espaciales y describir su comportamiento. Por eso este concepto se deriva y refleja la primera Ley de la Geografía; si exisste una relación entre los elementos del fenómeno analizado en un marco geográfico, se puede identificar un patrón espacial. Se plantean tres tipos de expresión del fenómeno; i) Si tiende a conformar aglomerados o clústeres, entonces se evidencia la existencia de autocorrelación positiva, ii) Si las medidas de la variable en las unidades lindantes son disímiles entonces la autocorr es negativa, iii) Si el fenómeno se comporta de forma aleatoria y no se identifica un comportamiento, se dice que no existe autocorr.
Vayamos a lo nuestro
# Librerias con las que trabajaremos
library(tmap) # libreria para mapas rapidos
library(spdep) # Libreria para trabajar autocorr
library(sf) # Simple Features
library(osmdata) # Open street map2. 1 Índice I de Morán Global
w <- poly2nb(comunas, row.names = "comuna") # Lista de vecinos.
# summary(w)
# str(w)
# card(w)
# Ploteamos vecinos
# plot(st_geometry(comunas), border="grey")
# plot(w, coordinates(as(comunas, "Spatial")), add=TRUE, col="red")
# Diseñamos una matriz de vecinos segun binarismo
# La proximidad espacial de los lugares vecinos
# es capturada por una matriz de pesos espaciales
# que utiliza criterios basicos de vecindad
# Las unidades espaciales deben tener un identificador único
wmatb <- nb2mat(neighbours = w, style='B') # Tomamos un estilo de vecinos tipo Reina
# Ahora tipo lista para hacer los calculos
lwb <- nb2listw(w, style='B')
# Test de Moran
moran.test(comunas$prop_espacios_cada1000, lwb)
# Grafico
mp <- moran.plot(comunas$prop_espacios_cada1000, lwb, zero.policy=TRUE, labels=comunas$comuna,
xlab="Proporción de espacios cada 1000 habitantes",
ylab="Promedio de valores vecinos",
quiet = TRUE,
plot = FALSE)moran.test(comunas$prop_espacios_cada1000, lwb)##
## Moran I test under randomisation
##
## data: comunas$prop_espacios_cada1000
## weights: lwb
##
## Moran I statistic standard deviate = 2.9645, p-value = 0.001516
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.23728198 -0.07142857 0.01084456# Ii: Moran local
# E.Ii: experanza del Moran local
# Var.Ii: varianza del local Moran statistic
# Z.Ii: desvío estándar del Moran local
# Pr(): p-value del Moran local
# Generamos un predeterminado estetico
t_mauro <- theme(plot.title = element_text(hjust = 0.5,
face= "bold",
size = 17,
vjust = 3),
plot.subtitle = element_text(hjust = 0.5,
face = "bold",
size = 15),
plot.caption = element_text(hjust = 0.5,
face = "bold",
size = 10),
legend.title = element_text(inherit.blank = TRUE,
face = "bold",
size = 10),
legend.text = element_text(face = "bold",
size = 10,
vjust = 1),
axis.text = element_text(face = "bold",
size = 10,
colour = "black"),
axis.title = element_text(face="bold",
size = 9,
colour = "black",
hjust = 1))
if (require(ggplot2, quietly=TRUE)) {
xname <- attr(mp, "xname")
ggplot(mp, aes(x=x, y=wx, label=labels))+
geom_point(shape=1, size=3,position=position_jitter(h=0.1,w=0.1)) +
ggrepel::geom_label_repel(aes(label = paste0("Comuna", labels)))+
geom_smooth(formula=y ~ x, method="lm", color="red", se=FALSE) +
geom_hline(yintercept=mean(mp$wx), lty=2) +
geom_vline(xintercept=mean(mp$x), lty=2) + theme_minimal() +
geom_point(data=mp[mp$is_inf,], aes(x=x, y=wx), shape=9, size=6) +
xlab(xname) + ylab(paste0("Spatially lagged ", xname)) +
labs(title="Índice de Moran Global",
x="aaaa de espacios cada 1000 habitantes",
y="Promedio de valores de vecinos")+
t_mauro
}
Luego de aplicar un I de Morán, y asumir un test de hipótesis donde el nivel de significancia para que se apruebe la hipótesis nula es mayor a 0.05, obtuvimos el estadístico de Moran de 0.00198, sabiendo que con este valor se corre un riesgo de equivocación del 1.98% de los casos. Es decir, que estaríamos en condiciones de aceptar la hipótesis alternativa de que la configuración espacial no se produce de manera aleatoria. Luego, el valor del I de Morán es de 0.207. Si bien no es muy alto es significativamente mayor que 0. En primer lugar podemos ver que el sentido de la recta de regresión toma un sentido positivo, es decir, una autocorrelación espacial positiva. Si observamos el cuadrante inferior izquierdo vemos que en aquellas comunas hay valores bajos (cada punto refiere a cada comuna), los cuales también estarían limitando (eje y, como el promedio de valores vecinos) con valores bajos. Sin embargo, el cuadrante superior izquierdo tampoco presenta una gran cantidad de casos altos, sino algunos pero que sí son limítrofes con casos altos. También son curiosos los casos de la comuna 3, 4 y 5 que si bien tienen apenas uno o dos espacios culturales cada mil habitantes, el promedio de los vecinos es alto. ¿Quién hace el diferencial? La comuna 1.
También es posible profundizar el análisis a partir de la identificación de patrones locales de asociación espacial a partir del método de cálculo LISA (Local Indicators of Spatial Association), “como método que permite llegar a una descomposición del índice I de Moran y verificar cuánto contribuye cada unidad espacial a la formación del valor global” (Buzai y Baxendale, 2012).
Anselin (1995) define los indicalores locales de asociacón espacial (LISA) como estadísticos que: i) Para cada observación, unidad espacial, el LISA brinda una medida del nivel de agrupamiento espacial significativo con relación a los valores que se localizan alrededor de esta observación (unidades vecinas), ii) La suma de las medidas LISA de todas las observaciones es proporcional al indicador global de asociación espacial. Así se pueden determinar clusters espaciales locales, hot-spots y cold-spots en agrupamiento de valores altos y bajos respectivamente. Entonces, mientras que con el diagrama de dispersión del I de Moran se grafica el promedio del vecindario vs el valor de la variable en la unidad central (donde la pendiente de la recta es el I de Moran), con el I de Moran Local podemos mapear las unidades con autocorrelación espacial significativa.
2. 2. I de Morán Local
library(spdep)
# Indice de moran LOCAL
propc_lm_lwb <- localmoran(comunas$prop_espacios_cada1000, lwb)
# 6.1 Macheo esta matriz con la base de datos de CABA
# Agrego la salida del Moran local a los datos por comuna para poder mapearlos
moran_map_propcasos <- cbind(comunas, propc_lm_lwb)
# Copio las p-values en la variable $p para que sea mas facil de llamar
moran_map_propcasos$p <- moran_map_propcasos$Pr.z...0.
# Cuadrante para los LISA clusters (con autocorrelación positiva)
# (hotspots del scatterplor de Moran en el mapa)
# Hay que hacerlo con valores estadarizados o escalados (valor - media)
# Son desagregaciones espaciales de los estadisticos globales
# Cada u de analisis tiene sus medidas de autocorrelacion
# Cada indice tiene su test estadistico
moran_map_propcasos <- moran_map_propcasos %>%
mutate(ppp= moran_map_propcasos$Pr.z...0.)
# Asigno valores Z
z_propcasos <- moran_map_propcasos$prop_espacios_cada1000 - mean(moran_map_propcasos$prop_espacios_cada1000) # Z propcasos
lag_propcasos <- lag.listw(lwb, moran_map_propcasos$prop_espacios_cada1000)#lag de propcasos
z_lag_propcasos <-lag_propcasos - mean(lag_propcasos) # Z de lag de propcasos
quad <- vector(mode="numeric",length=nrow(moran_map_propcasos))
quad[z_propcasos > 0 & z_lag_propcasos > 0] <- 1 #alto-alto HH rojo
quad[z_propcasos > 0 & z_lag_propcasos < 0] <- 2 #alto-bajo HL rosado
quad[z_propcasos < 0 & z_lag_propcasos > 0] <- 3 #bajo-alto LH celeste
quad[z_propcasos < 0 & z_lag_propcasos < 0] <- 4 #bajo-bajo LL azul
quad[moran_map_propcasos$p > 0.05] <- 5 #No Sig
moran_map_propcasos$quad <- quad
# Para crear el mismo mapa pero mejor tuneado y que sea transportable a un leaflet:
# Cree una columna que refiriera a las comunass pero con el agrupamiento geostadístico
# Luego asigne objeto de colores con los respectivos colores del agrupamiento
# Luego me vali de scale_color_manual para asignarlos, pero debe estar como factor y presente el argumento de
# aesthetics =c(fill)
# Para hacer colores tenemos dos opciones: 1) Addins, Colour Picker
# si no lo conocen <- install.packages("colourpicker")
c("#FC0905", "#F280E9", "#13D9F7", "#0911EB") # colores respectivos con Colour Picker
# Otra es con R(red) G(green) B(blue)
# Color rojo
# rgb(1,0,0.2)
# Rojo: #FF0033
#Rosa: #FF9999
# rgb(1,0.6,0.6)
# Azul #0033CC
# rgb(0,0.2,0.8)
# https://r-graph-gallery.com/43-rgb-colors.html
comunas <- comunas %>%
mutate(agrupamiento=case_when(comuna==15~"HH",
comuna==14~"HH",
comuna==13~"LH",
comuna==12~"LL",
comuna==11~"LL",
comuna==10~"LL",
comuna==9~"LL",
comuna==8~"LL",
comuna==7~"LL",
comuna==6~"LH",
comuna==5~"HH",
comuna==4~"HH",
comuna==3~"HH",
comuna==2~"HH",
comuna==1~"HH"))
# PALETA LISA
pal_LISA <- colorFactor(c('#FC0905', '#F280E9', "#0911EB"), domain = (comunas$agrupamiento)) #Col Picker
pal_LISA2 <- colorFactor(c('#FC0905', '#FF2079', "#0310EA"), domain = (comunas$agrupamiento)) # RGB
# Ahora buscaremos el centro de la oferta cultural en la zona de PUNTOS CALIENTES
# También incluiremos las comunas de valores altos reodeadas de valores bajos, ya que no nos interesan
# sus vecinos, sino sus valores.
# En este caso NO trabajamos con las coordenadas de los polígonos, sino de los puntos ya que queremos saber el centro de su agrupamiento
# Definimos la zona
espacios_HP <- espacios %>%
filter(COMUNA=="COMUNA 01"|
COMUNA=="COMUNA 02"|
COMUNA=="COMUNA 03"|
COMUNA=="COMUNA 04"|
COMUNA=="COMUNA 05"|
COMUNA=="COMUNA 06"|
COMUNA=="COMUNA 13"|
COMUNA=="COMUNA 14"|
COMUNA=="COMUNA 15")
# Construimos un objeto que contenga todas sus coordenadas condensadas
espacios_HP <- st_union(espacios_HP) %>%
st_as_sf(crs = 4326)
# Ahora ubicamos su centro
espacios_HP_centro <- st_centroid(espacios_HP)
long_lat <- espacios_HP_centro %>%
st_coordinates()
long_lat <- as.data.frame(long_lat)
# Pegamos las coordenadas del centro a la zona
espacios_HP <- espacios_HP %>%
bind_cols(long_lat)
# Buscamos un icono copado
centro_icono <- makeAwesomeIcon(
icon = "map",
iconColor = "black",
markerColor = "white",
library = "fa")leaflet() %>%
addProviderTiles("CartoDB.DarkMatter") %>%
addPolygons(data=comunas,
fillColor = ~pal_LISA2(comunas$agrupamiento),
weight = 2,
opacity = .6,
color = "#A0EDFF",
dashArray = "3",
fillOpacity =.6,
highlightOptions = highlightOptions(
weight = 5,
color = "white",
dashArray = "",
fillOpacity = 0.7,
bringToFront = TRUE),
label= paste("COMUNA", comunas$comuna),
labelOptions = labelOptions(
style = list(
"color" = "#FFFFF3",
"font-family" = "Roboto",
"font-weight" = "bold",
"box-shadow" = "3px 3px rgba(0,0,0,0.25)",
"font-size" = "12px",
"background-color" = "#566270",
"border-color" = "rgba(0,0,0,0.5)"))) %>%
addAwesomeMarkers(data=espacios_HP,
lat = espacios_HP$Y,
lng = espacios_HP$X,
popup = paste0("<b>Tucumán y Av. Corrientes: Centro de la alta oferta cultural en CABA"),
icon = centro_icono) %>%
addLegend(data=comunas, pal = pal_LISA, values = ~agrupamiento, opacity = 0.7, title = "Tipo de agrupamiento",
position = "bottomright")Lo primero en advertir es que los puntos calientes de oferta cultural se inclinan desde el sur este de la ciudad, pasando por el centro hasta llegar al norte. Aquellas comunas operan como divisorias de esta tendencia son la 6 (Caballito) y la 13 (Colegiales, Núñez, etc.). Vecinas a estas se extiende la medialuna de escasa oferta cultural; región sur, oeste y noreste de la ciudad (Mataderos, Parque Chacabuco, Flores, Versalles, Villa Lugano, Monte Castro, Villa Urquiza y algunos barrios más).
Si hacemos el cálculo de centro entre todos los espacios contenidos por cada una de las comunas con altos valores, vemos que las coordenadas caen en Av. Corrientes y Tucumán; más Recoleta que Once. Es decir, quienes viven allí están en el centro de la alta oferta cultural en CABA. Si nos preguntamos sobre una suerte de trayecto cultural veríamos que siempre se dirige hacia el norte, como vemos en el mapa siguiente:
espacios_1234 <- read_sf("http://cdn.buenosaires.gob.ar/datosabiertos/datasets/ministerio-de-cultura/espacios-culturales/espacios-culturales.geojson")
library(ggmap)
# Vamos a tener que obtener sus coordenadas de manera artesanal porque las descargadas parecen estar rotas
# Se construye un objeto nuevo con las coordenadas "rotas" y se desconstruye de manera de poder acceder a este.
espacios_1234 <- espacios %>%
filter(COMUNA=="COMUNA 01"|
COMUNA=="COMUNA 02"|
COMUNA=="COMUNA 03"|
COMUNA=="COMUNA 04")
espacios_1234 <- espacios_1234 %>%
select(COMUNA,LONGITUD,LATITUD)
espacios_centroides <- espacios_1234 %>%
st_centroid()
long_lat <- espacios_centroides %>%
st_coordinates()
long_lat <- as.data.frame(long_lat)
espacios_1234 <- espacios_1234 %>%
bind_cols(long_lat)
espacios <- espacios %>%
select(-LATITUD, -LONGITUD)
bbox_1234 <- make_bbox(espacios_1234$X, espacios_1234$Y)mapa_1234 <- get_stamenmap(bbox = bbox_1234, maptype = "toner", zoom=16)
ggmap(mapa_1234)+
stat_density_2d(data = espacios_1234,
aes(x = X, y = Y,
fill = stat(level)), alpha = 0.2, geom = "polygon")+
scale_fill_distiller(palette = "Spectral")+
labs(title = "Concentración de espacios culturales",
subtitle = "Comunas 1-2-3-4",
fill="Cantidad de espacios",
caption = "Elaboración propia; Análisis de la oferta cultural en CABA desde una perspectiva geoespacial.") +
theme_void() +
theme(plot.title = element_text(hjust = 0.5,
face= "bold",
size = 17,
vjust = 3),
plot.subtitle = element_text(hjust = 0.5,
face = "bold",
size = 15),
plot.caption = element_text(hjust = 0.5,
face = "bold",
size = 10),
legend.title = element_text(inherit.blank = TRUE,
face = "bold",
size = 10),
legend.text = element_text(face = "bold",
size = 10,
vjust = 1))
3 Análisis de la situación:
Afinemos el análisis. Desde La Boca ya se ve una cierta densidad que se acrecienta llegando a microcentro, yendo para nuestro centro de la calle Tucumán hasta llegar a Recoleta. Allí sigue por Palermo y hasta llegar al límite con Chacarita y Colegiales. En el primer barrio mencionado está el Distrito de las Artes y lindante las milongas y tanguerías de San Telmo. Caminando por microcentro tenemos los teatros y librería (como espacios de mediación cultural). Y si vamos para el lado de Palermo, Chacarita, Villa Crespo, y Colegiales nos encontramos mayormente con bibliotecas, centros culturales, librerías y espacios escénicos y de exhibición.
En un primer análisis, la alta oferta del sur compuesta por galerías de arte propias del Distrito; definido por el GCABA como polo para “fomentar la creación, producción y difusión cultural en el sur de la Ciudad de Buenos Aires, en los barrio de La Boca, y parte de San Telmo y Barracas.” Lindante: Caminito, el Mercado de San Telmo, los caserones y conventillos, el tango. La coexistencia entre dos lugares; uno atravesado por el turismo cultural en un territorio que operó de base para la construcción del “arrabal” como expresión estética del tango. Allí se vinculan los tres elementos operativos del concepto del lugar; el espacio geográfico, el barrio con sus conventillos y casas, y lo simbólico surgido de allí. De allí que históricamente al lugar (La Boca, San Telmo, Barracas) lo han moldeado sus vecines, y este a elles. Allí mismo, el Distrito de las Artes”.
Como iniciativa gubernamental de crear un polo artístico, ¿cuán ligados simbólicamente están les vecines de estos barrios ante esta política? ¿Cuánto dialoga este lugar con el arrabal y sus vecines?
“Los vecinos afirman que “el peligro de los desalojos” es un problema histórico en el barrio de la Boca, pero que “se vio totalmente acelerado a partir de la creación (por parte del Gobierno de la ciudad) del Distrito de las Artes” dado que “los beneficios del Distrito gravan sobre los inmuebles y no sobre las actividades culturales, como debería ser, de manera que hay todo un mercado de especulación inmobiliaria que se volcó a comprar durante todo el proceso que terminó con la creación del Distrito”, relata Carlos Rodriguez de P12, 2016 (https://www.pagina12.com.ar/diario/sociedad/3-312504-2016-10-24.html). “En sus 26 mil metros cuadrados, no sólo están previstas galerías de arte, sino “una amplia y variada propuesta gastronómica” y playas de estacionamiento.”, define Eduardo Videla, también del mismo periódico (https://www.pagina12.com.ar/diario/sociedad/3-220192-2013-05-17.html)
Cuando llegamos para microcentro se acrecienta la distribución. Allí tenemos mayormente espacios de exhibición y librerías, junto a una oferta gastronómica clásica de pizzerías. Que a la calle Corrientes, tenga el pseudónimo de “la calle que nunca duerme” complementa el sentido simbólico que asume de lugar. Aquí también el lugar está constituido por el espacio absoluto, sus espacios de producción y reproducción de bienes artísticos y el sentido asignado a estos.
3. 1 El caso de Palermo
Ahora vamos para Recoleta y Palermo. Cambia la cosa. ¿Qué sentidos de lugar asociados a la cultura condensan estas zonas? La mayoría de los espacios culturales refieren a bares, centros culturales, librerías y espacios de exhibición. Como es un proceso de apenas diez o quince años, creo que una descripción de lugar aún se está conformando. Sin embargo podemos explorar cómo se autodescribe, o lo describen.
Según La Nación, ya en 2008…: “Hoy, como un imán, congrega a jóvenes escritores, músicos, cineastas y artistas. Hervidero intelectual, sofisticado laberinto consumista, se ha convertido en una suerte de capital cultural de Buenos Aires”
(https://www.lanacion.com.ar/cultura/palermo-gran-manzana-cultural-nid1020271/)
Según Mi Buenos Aires Querido, una página turística de la ciudad, hay que elegir Palermo porque:
Es un barrio excelente para amantes de la gastronomía, ya que es uno de los barrios, junto a Puerto Madero, de mayor cantidad y calidad de restaurantes
Perfecto para los fanáticos de la moda y la decoración dada la gran variedad de locale de diseñadores argentinos (https://mibuenosairesquerido.com/es/buenos-aires/palermo/)
Según Properati, una página de inmuebles, “cuando termina la jornada se convierten en zonas para disfrutar de eventos culturales para todos los gustos”
(https://www.properati.com.ar/guia_de_barrio/palermo)
Según National Geographic Channel, “Buenos Aires reúne a diseñadores, estudios creativos y un sinfín de bouitiques de referencia que la convierten en la vanguardia de América Latina y en un motor imparable. Muchos de estos nuevos emprendedores han ido ocupando antiguos barrios portuarios hoy transformados. Los primeros en vivir este fenómeno fueron en Palermo, donde se instalaron las primeras productoras audiovisuales y muchos espacios gastronómicos (…) Los últimos barrios en apuntarse a esta tendencia son Villa Crespo y Chacarita”
(https://viajes.nationalgeographic.com.es/a/4-formas-vivir-cultura-buenos-aires_11035)
En 2021, la revista de turismo Time Out publicó las 30 calles más cools del mundo. La encuesta se basó en 27.000 habitantes de ciudades y ha consutlado a expertos locales que ranqueen las mejores calles según comida, cultura y comunidad. En el número N° 10 estaba la calle Thames. Allí destacan las cocinas independientes en edificios refaccionados y mencionan el Mercat de Villa Crespo como otro espacio a tener en cuenta.
(https://www.timeout.com/things-to-do/coolest-streets-in-the-world)
De esta simple muestra podríamos inducir que los puntos nodales son la gastronomía, la industria cultural audiovisual, el diseño y el arte. Todos estos elementos condensan un “motor imparable”. Y no solo nosotres hemos advertido la expansión de esta tendencia hacia la Comuna 15, en Chacarita y Villa Crespo… también National Geographic Channel. Si tuviéramos que mencionar una característica de estas comunas la primera sería la gastronomía, cuyo costo suele ser caro y no accesible para el bolsillo de cualquiera familia.
En el perímetro de esta zona también se concentra el Distrito Audiovisual, demarcado por las calles Costa Rica, Alvarez Thomas, Federico Lacroze, La Pampa, San Martín, Warnes y Juan B. Justo. Las varias contradicciones que señalaban referentes de la industria audiovisual como Julio Raffo, Juan Villegas en los comienzos del proyecto porteño eran que implicaba la sectorización en un lugar donde ya había productoras establecidas, y que no necesitaban proveerse comercialmente. Los beneficios de las empresas allí instaladas son la reducción del impuesto a los Ingresos Brutos durante diez años y seis meses para abonar el Impuesto de Sellos. Tanto para las que originalmente estaban allí como para las que vayan, no pagarán ABL durante la primera década ni Derecho de Delineación y Construcciones en los inmuebles sobre los que se realicen obras o mejoras.
(https://www.buenosaires.gob.ar/distritoseconomicos/distrito-audiovisual/beneficios-para-empresas)
Ezequiel Boetti para Página 12, señalaba que el “Régimen de Promoción Audiovisual no distingue el resultado de las producciones, no diferencia entre un comercial con destino de importación de un pequeño film independiente, iguala un producto de pretensiones artísticas con otro concebido para el entretenimiento popular: beneficia sin distinguir”
(https://www.pagina12.com.ar/diario/suplementos/espectaculos/17-18894-2010-08-10.html)
Por un lado una zona de las más cotizadas de la ciudad. Allí una política cultural que otorga beneficios fiscales para la industria audiovisual, pero sin precisar para quiénes y qué tipo de contenido produce. A este combo le sumamos los grandes escenarios musicales como el Hipódromo de Palermo (donde se hace anualmente el Lollapalooza), y el Movistar Arena en Villa Crespo, por mencionar algunos. En la página de ambos la cuestión gastronómica parece fundamental; “viví la experiencia gastronómica y de bares”, y “Lolla Food te trae las propuestas gastronómicas de los chefs argentinos más reconocidos del mundo para disfrutar de los mejores sabores mientras escuchas a tu artista favorito”.
Es una política cultural producir y promocionar estos mega-eventos en la zona donde se encuentra la calle N° 10 más cool del mundo. La elección de la revista expresa la condensación de un proceso de hace al menos diez años; un lugar cool donde circulan determinados bienes culturales, ya sean producidos por la industrias culturales, ya sean del orden de lo creativo, con la gastronomía y el diseño de autor.
¿Quién tiene acceso a este consumo cool?
Es una responsabilidad de gestión advertir que la coolización/gentrificación de una zona devendrá en la valorización del suelo, de los alquileres y en la carestía de la calidad de vecines que ya vivían allí. Para leer sobre este concepto; Gorelik (2008), “El romance del espacio público”
# Construyamos un polígono que delimite el área
# Para eso primero tomaremos cada una de lass empresas que forman parte del Distrito Audiovisuales, con sus respectivass coordenadas.
# Este es un data set confeccionado por el GCABA.
# Luego crearemos una caja de coordenadas y con ella haremos un polígono
audiovisuales <- read.csv("https://cdn.buenosaires.gob.ar/datosabiertos/datasets/empresas-audiovisuales/registro-de-empresas-audiovisuales.csv")
bbox_audiovisuales <- make_bbox(audiovisuales$long, audiovisuales$lat)
poly_audiovisuales <- as(raster::extent(-58.47827, -58.42750 , -34.60269, -34.57271), "SpatialPolygons")
proj4string(poly_audiovisuales) <- "+proj=longlat +ellps=WGS84 +datum=WGS84 +no_defs"
# Buscamos un icono audiovisual
icono_audiov <- makeAwesomeIcon(
icon = "film",
iconColor = "blue",
markerColor = "white",
library = "fa")
leaflet(poly_audiovisuales) %>%
addProviderTiles("Stamen.TonerLite") %>%
addPolygons(weight = 3,
opacity = .6,
color = "black",
fillColor = "#FC0905",
dashArray = "3",
fillOpacity =.3) %>%
addAwesomeMarkers(data=audiovisuales,
lat = audiovisuales$lat,
lng = audiovisuales$long,
popup=paste0("<b> PRODUCTORA: </b>", audiovisuales$nombre, "<br>",
"<b>CALLE: </b>", audiovisuales$calle, "<br>",
"<b> ALTURA: </b>", audiovisuales$altura, "<br>"),
clusterOptions = markerClusterOptions(showCoverageOnHover = FALSE),
icon = icono_audiov)3. 2 La CABA cultural del este
Vayamos al este de la ciudad, donde la oferta era muchísimo más baja. La sumatoria del top 3 de espacios culturales en todas estas comunas da un total de 156 espacios; 51 bares, 65 bibliotecas y 40 centros culturales. Si bien no es determinante, el barrio como lugar con sus casas bajas, calles no tan transitadas y con una oferta gastronómica no tan de moda (por mencionar algunas), contribuye a la reproducción de ciertas prácticas y experiencias de sus vecines que hacen a un tipo de práctica cultural y con ello al tipo de oferta disponible. Pero, ¿dónde se reproduce la cultura? Para Toni Puig (2000), la cultura son “ideas, valores, estilos, mentalidades. Es sentido. Es símbolo. Lo que hemos de ser. Cultura no es solo los cuadros, la música, el teatro, es especialmente lo que dicen, lo que transmiten esos cuadros, este teatro, estas músicas; ideas propuestas rotundas para la vida”. Son prácticas de sentido, siguiendo a García Canclini (1987), que organizan la vida social, la relaciones de significación, y que estas consisten en cultura.
Lo que se produce en los clubes de barrio también es cultura, y estos no estuvieron incluidos en la categorización de espacios culturales por el GCABA. También podría ser lo que ocurre en una Iglesia, o lo que sucede en un plaza y así llegaríamos a un problema. Por eso la concepción de cultura determina las políticas culturales, así como sus objetivos y la nominación del sujeto destinatario. Sólo para presentar la discusión, ¿es un asistente el destinatario de las políticas culturales? Este sujeto es quien está presente y asiste, pero creo que la sola asistencia no es suficiente para sugerir que se ha cumplido el objetivo de fondo de una política cultural.
library(highcharter)
tiposEspacios_medialuna_cultura <- hchart(espacios %>%
filter(COMUNA=="COMUNA 07"|
COMUNA=="COMUNA 08"|
COMUNA=="COMUNA 09"|
COMUNA=="COMUNA 10"|
COMUNA=="COMUNA 11"|
COMUNA=="COMUNA 12") %>%
group_by(FUNCION_PRINCIPAL) %>%
count() %>%
top_n(n=3, n)
, "pie", hcaes(name = `FUNCION_PRINCIPAL`, y = n),
name = "Cantidad",
innerSize = "80%",
taLabels = list(format = "{point.FUNCION_PRINCIPAL}<br>({point.n})")) %>%
hc_title(text = "Top 3 de espacios culturales en comunas 7, 8, 9, 10, 11, 12")tiposEspacios_medialuna_cultura4. Discusión
4. 1 GIS Science y un criterio de cultura
Este análisis fue posible gracias a una propuesta metodológica basada en técnicas de Sistemas de Información Geográfica (SIG o GIS en inglés), que constituyen una herramienta estratégica a la hora de generar diagnósticos en el territorio. Con estas pudimos aplicar una autocorrelación espacial local. A diferencia de la global que sólo nos arroja un valor y un diagrama de dispersión, con el I de Moran Local podemos mapear los resultados y observar la diferenciación geográfica de la oferta cultural en el territorio.
Li et al (2015) apoya el argumento de que el 80% de los datos producidos son geográficos. Si bien se ha tematizado que la Big Data tiene alcances de acceso y producción de la información sin precedentes, no debemos olvidar dónde se alojan estos datos y el rol que cumplen ciertos actores en la acumulación y generación de estos. La base de datos fue posible gracias al reservorio que existe en el portal https://data.buenosaires.gob.ar/dataset/. Sin este no podríamos haberlo hecho, tal vez habríamos recolectado la info de OSM data, pero habría sido muy tedioso sistematizar esta información. Por ello es valioso que exista un reservorio oficial de datos geolocalizados organizados según un criterio. ¿Y si no existiesen ambos? Estaríamos ante la falta, hoy, de un insumo estratégico para potenciar la gestión territorial. De allí a cuán importante es la tarea de recolectar esta información, y la definición de cultura según la gestión, porque tal vez un club de barrio no estará presente en la categoría de “espacios culturales”, dificultando así una visión más amplia del fenómeno para la gestión territorial de la cultura.
Esto nos lleva a preguntarnos sobre la existencia de otros reservorios federales de datos geolocalizados;
https://datos.mardelplata.gob.ar/?q=search/type/dataset&query=CULTURA
http://geoportal.idesa.gob.ar/search/?title__icontains=CULTURA&limit=100&offset=0
https://datos.ciudaddemendoza.gov.ar/dataset?groups=cultura-turismo&q=cultura
Estos son algunos otros portales de Rosario, Mar del Plata, Bahía Blanca, Salta, Mendoza y Nación. Sería interesante conocer si hay algún consenso en el criterio de registrar la cultura; nuestro territorio nacional es sumamente extenso y existen muchísimas expresiones provenientes no exclusivamente de las industrias culturales.
4. 2 La cultura en las comunas
El recorrido que hicimos intentó abordar al menos una parte de un tema que nos propusimos; la oferta cultural en CABA. Mientras que en el volumen I vimos el uso de mapas coropléticos según la densidad de la oferta en diálogo con una variable sociodemográfica, aquí pudimos desagregar un poco más el primer dato y ponerlo en diálogo con los sentidos de lugar allí creados.
Podríamos afirmar que en las comunas 13 y 14 se está constituyendo un sentido de lugar cultural asociado por un lado a las propuestas creativas como la gastronomía, el diseño, por otro al consumo de grandes marcas de indumentaria (los outlets de la calle Aguirre, Córdoba y Distrito Los Arcos), y los mega-eventos musicales en el Hipódromo, Movistar Arena y Groove. Sería interesante conocer más a fondo las propuestas formativas y de bienes culturales que se producen y reproducen en los centros culturales como dato que pueda dialogar con estas otras dimensiones. En la comuna 4 diríamos que aparecen en el territorio dos sentidos de lugares culturales; uno asociado al turismo cultural y otro a la promoción de las artes plásticas. Uno respaldado por su historia y vecines, el otro instalado desde la gestión. A esto le sumo la opinión generalizada de que les vecines cercanes a La Usina del Arte no la sienten parte del barrio, sino algo ajeno.
La comuna 1 concentra los espacios teatrales y librerías; “la calle Corrientes que nunca duerme”. Más al oeste Almagro y Caballito. Será cuestión de ver en el tiempo para dónde se direccionan culturalmente.
La medialuna del sur y este con escasa oferta cultural es un desafío por indagar. Que haya poco espacios registrados no significa que allí no se produzca cultural, sino que se produce en otros ámbitos. ¿Es considerado el mercado de Liniers un espacio cultural, o una zona cultural? ¿Es un asistente el destinatario de las políticas culturales? Está presente y asiste, pero creo que la sola asistencia no es suficiente para sugerir que se ha cumplido el objetivo de fondo de una política cultural. Creo que son preguntas que dan pie para pensar qué registramos, y qué política públicas diseñamos para la población en el territorio.
5. Próximo apartado
La próxima entrega pondré en juego la oferta según algunas variables sociodemográficas. Para ello utilizaré técnicas de la geocomputación como la Regresión Lineal Ponderada. ¡Les espero!
Bibliografía
Anselin, Luc. 1995. “Local Indicators of Spatial Association— lisa.” Geographical Analysis 27 (2): 93-115. doi: 10.1111/ j.1538-4632.1995.tb00338.
Buzai, G. y Baxendale, C. (2012). Análisis socioespacial con sistemas de información geográfica; ordenamiento territorial, temática de base vectorial. Buenos Aires: Lugar Editorial. Tomo II
Canclini, G. (1987). Políticas culturales en América Latina, Méjico. Ed Grijalbo.
Li Songnian, Dragicevic Suzana, Anton François, et al. (2016), Geospatial Big Data Handling Theory and Methods: A Review and Research Challenges. Revist
Puig, T. (2000). Ciudad y Cultura en el siglo XXI. Un paseo por el bosque de la gestión; 605 ideas y un método, Buenos Aires, Ed. Ciccus
Siabato, Willington, y Jhon Guzmán-Manrique. 2019. “La autocorrelación espacial y el desarrollo de la geografía cuantitativa.” Cuadernos de Geografía: Revista Colombiana de Geografía 28 (1): 1-22. doi: 10.15446/rcdg.v28n1.76919.