Tarea 01: Uniones Espaciales
Juan Cruz Ferreyra
2022-09-15
knitr::opts_chunk$set(warning = FALSE, message = FALSE)library(tidyverse)
library(sf)
library(knitr)
library(kableExtra)Uniones Espaciales y Análisis Geoespacial
El dataset utilizado corresponde a los crímenes denunciados en la ciudad de Buenos Aires durante los años 2019, 2020 y 2021. Éste fue descargado desde la plataforma del curso ‘Introducción a la Ciencia de Datos’ que forma parte de la ‘Diplomatura en Ciudades y Políticas Urbanas’ dictada por la Universidad Torcuatto Di Tella. Además se trabaja con los polígonos geográficos de los barrios de CABA.
df_crimes <- read.csv("data/delitos_2019_2021.csv", stringsAsFactors = TRUE)df_crimes <- df_crimes %>%
mutate(across(c("anio", "comuna"), as.factor))df_crimes %>%
head(10) %>%
kbl(align = "c", longtable = TRUE) %>%
kable_styling(bootstrap_options = c("striped", "condensed"), font_size = 11)| fecha | franja_horaria | anio | mes | periodo | tipo | subtipo | uso_armas | comuna | victimas | comisaria_mas_cerca | lat | lon |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 01/01/20 | 10 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 10 | NA | Comisaria Vecinal 10-B | -34.62664 | -58.52761 | ||
| 01/01/20 | 22 | 2020 | enero | 2020-01 | Homicidio | Femicidio | 11 | 1 | Comisaria Vecinal 11-B | -34.61127 | -58.52539 | |
| 01/01/20 | 19 | 2020 | enero | 2020-01 | Robo (con violencia) | 10 | NA | Comisaria Vecinal 10-B | -34.62543 | -58.52501 | ||
| 01/01/20 | 17 | 2020 | enero | 2020-01 | Robo (con violencia) | 10 | NA | Comisaria Vecinal 10-B | -34.62543 | -58.52501 | ||
| 01/01/20 | 2 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 11 | NA | Comisaria Vecinal 11-B | -34.60679 | -58.52073 | ||
| 01/01/20 | 5 | 2020 | enero | 2020-01 | Robo (con violencia) | 9 | NA | Comisaria Comunal 9 | -34.65520 | -58.51430 | ||
| 01/01/20 | 2 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 10 | NA | Comisaria Vecinal 10-B | -34.62763 | -58.51336 | ||
| 01/01/20 | 2 | 2020 | enero | 2020-01 | Robo (con violencia) | 10 | NA | Comisaria Vecinal 10-B | -34.62131 | -58.51289 | ||
| 01/01/20 | 1 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 9 | NA | Comisaria Comunal 9 | -34.65903 | -58.51064 | ||
| 01/01/20 | 8 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 11 | NA | Comisaria Vecinal 11-B (edificio anexo) | -34.58959 | -58.50954 |
geodf_barrios <- st_read("data/barrios.geojson")## Reading layer `barrios2' from data source
## `D:\Documentos\Cambalache\Proyectos\2022 Diplomatura Di Tella\Urban Data Science - Scetta\02_TasksR\data\barrios.geojson'
## using driver `GeoJSON'
## Simple feature collection with 48 features and 6 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -58.53152 ymin: -34.70529 xmax: -58.33515 ymax: -34.52649
## Geodetic CRS: WGS 84Scatterplot de delitos
Para obtener una rápida previsualización de la distribución de los delitos denunciados en CABA se genera un gráfico de puntos superpuesto a la geometría de líneas de los barrios que la componen.
ggplot() +
geom_point(
data = df_crimes, #sample(df_crimes, 2000, replace = TRUE),
aes(x = lon, y = lat),
alpha = 0.01,
size = 0.35,
) +
geom_sf(data=geodf_barrios, fill = NA, color = "white", size = 0.75) +
theme_light() +
labs(title = "Distribución de los crímenes denunciados en CABA 2019-2021 por barrio ",
color = NULL,
x = NULL,
y = NULL,
caption = ("Fuente: Delitos 2019-2021")) +
theme(plot.margin = margin(15, 5, 15, 5),
aspect.ratio = 1,
panel.grid.major = element_line(color = "gray80",
linetype = "dashed"),
panel.background = element_rect(fill = "white",
colour = "gray100",
size = 2,
linetype = "solid"),
plot.title = element_text(size = 10,
face = "bold",
hjust = .5,
vjust = 2.5,
colour = "gray20"),
plot.caption = element_text(size = 5,
colour = "gray20"),
axis.text.x = element_text(size = 5,
colour = "gray20"),
axis.text.y = element_text(size = 5,
colour = "gray20"),
legend.position = "right",
legend.text = element_text(size = 7.5,
colour = "gray20")
)
Esta previsualización nos permite reconocer la concentración de los delitos denunciados sobre las avenidas, posiblemente debido a las denuncias relacionadas a siniestros viales. Por otro lado, se observan a primera vista puntos conflictivos en la ciudad. Por ejemplo, el área cercana a la facultad de Ciencias Sociales, ciertos sectores del centro de la ciudad y la zona de Retiro.
Transformación de los datos a datos espaciales
Se transforman los datos de delitos provenientes de un archivo en formato ‘.csv’ en datos de tipo espacial para poder realizar operaciones que requieren la geolocalización de las observaciones del dataset.
df_crimes <- df_crimes %>%
filter(!is.na(lon) & !is.na(lat))summary(df_crimes[c("lon", "lat")])## lon lat
## Min. :-58.53 Min. :-34.70
## 1st Qu.:-58.47 1st Qu.:-34.63
## Median :-58.43 Median :-34.61
## Mean :-58.44 Mean :-34.61
## 3rd Qu.:-58.40 3rd Qu.:-34.59
## Max. :-58.34 Max. :-34.53geodf_crimes <- df_crimes %>%
st_as_sf(coords = c("lon", "lat"), crs = 4326)geodf_crimes %>%
head(10) %>%
kbl(align = "c", longtable = TRUE) %>%
kable_styling(bootstrap_options = c("striped", "condensed"), font_size = 11)| fecha | franja_horaria | anio | mes | periodo | tipo | subtipo | uso_armas | comuna | victimas | comisaria_mas_cerca | geometry |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 01/01/20 | 10 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 10 | NA | Comisaria Vecinal 10-B | POINT (-58.52761 -34.62664) | ||
| 01/01/20 | 22 | 2020 | enero | 2020-01 | Homicidio | Femicidio | 11 | 1 | Comisaria Vecinal 11-B | POINT (-58.52539 -34.61127) | |
| 01/01/20 | 19 | 2020 | enero | 2020-01 | Robo (con violencia) | 10 | NA | Comisaria Vecinal 10-B | POINT (-58.52501 -34.62543) | ||
| 01/01/20 | 17 | 2020 | enero | 2020-01 | Robo (con violencia) | 10 | NA | Comisaria Vecinal 10-B | POINT (-58.52501 -34.62543) | ||
| 01/01/20 | 2 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 11 | NA | Comisaria Vecinal 11-B | POINT (-58.52073 -34.60679) | ||
| 01/01/20 | 5 | 2020 | enero | 2020-01 | Robo (con violencia) | 9 | NA | Comisaria Comunal 9 | POINT (-58.5143 -34.6552) | ||
| 01/01/20 | 2 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 10 | NA | Comisaria Vecinal 10-B | POINT (-58.51336 -34.62763) | ||
| 01/01/20 | 2 | 2020 | enero | 2020-01 | Robo (con violencia) | 10 | NA | Comisaria Vecinal 10-B | POINT (-58.51289 -34.62131) | ||
| 01/01/20 | 1 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 9 | NA | Comisaria Comunal 9 | POINT (-58.51064 -34.65903) | ||
| 01/01/20 | 8 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 11 | NA | Comisaria Vecinal 11-B (edificio anexo) | POINT (-58.50954 -34.58959) |
Combinación de los datos de crímenes y barrios
Se combinan ambos dataset, brindando información relativa a los barrios a cada una de las observaciones del dataset de crímenes denunciados. Se utiliza la geolocalización de éstas, generada en el apartado anterior, para ubicar cada denuncia en el barrio correspondiente.
geodf_crimes <- st_join(geodf_crimes, geodf_barrios)geodf_crimes %>%
head(10) %>%
kbl(align = "c", longtable = TRUE) %>%
kable_styling(bootstrap_options = c("striped", "condensed"), font_size = 11)| fecha | franja_horaria | anio | mes | periodo | tipo | subtipo | uso_armas | comuna.x | victimas | comisaria_mas_cerca | BARRIO | PERIMETRO | AREA | comuna.y | area_km2 | POBLACION | geometry |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 01/01/20 | 10 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 10 | NA | Comisaria Vecinal 10-B | VERSALLES | 5650.46628643000 | 1406833.59580000001 | 10 | 1.407 | 13822 | POINT (-58.52761 -34.62664) | ||
| 01/01/20 | 22 | 2020 | enero | 2020-01 | Homicidio | Femicidio | 11 | 1 | Comisaria Vecinal 11-B | VILLA DEVOTO | 11562.00680000000 | 6404480.85371000040 | 11 | 6.404 | 66521 | POINT (-58.52539 -34.61127) | |
| 01/01/20 | 19 | 2020 | enero | 2020-01 | Robo (con violencia) | 10 | NA | Comisaria Vecinal 10-B | VERSALLES | 5650.46628643000 | 1406833.59580000001 | 10 | 1.407 | 13822 | POINT (-58.52501 -34.62543) | ||
| 01/01/20 | 17 | 2020 | enero | 2020-01 | Robo (con violencia) | 10 | NA | Comisaria Vecinal 10-B | VERSALLES | 5650.46628643000 | 1406833.59580000001 | 10 | 1.407 | 13822 | POINT (-58.52501 -34.62543) | ||
| 01/01/20 | 2 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 11 | NA | Comisaria Vecinal 11-B | VILLA DEVOTO | 11562.00680000000 | 6404480.85371000040 | 11 | 6.404 | 66521 | POINT (-58.52073 -34.60679) | ||
| 01/01/20 | 5 | 2020 | enero | 2020-01 | Robo (con violencia) | 9 | NA | Comisaria Comunal 9 | MATADEROS | 11124.63579210000 | 7398178.84035000019 | 9 | 7.398 | 64436 | POINT (-58.5143 -34.6552) | ||
| 01/01/20 | 2 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 10 | NA | Comisaria Vecinal 10-B | VILLA LURO | 8652.93003127000 | 2566936.87251000013 | 10 | 2.567 | 32502 | POINT (-58.51336 -34.62763) | ||
| 01/01/20 | 2 | 2020 | enero | 2020-01 | Robo (con violencia) | 10 | NA | Comisaria Vecinal 10-B | MONTE CASTRO | 7361.03641755000 | 2627481.32507999986 | 10 | 2.627 | 33623 | POINT (-58.51289 -34.62131) | ||
| 01/01/20 | 1 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 9 | NA | Comisaria Comunal 9 | MATADEROS | 11124.63579210000 | 7398178.84035000019 | 9 | 7.398 | 64436 | POINT (-58.51064 -34.65903) | ||
| 01/01/20 | 8 | 2020 | enero | 2020-01 | Hurto (sin violencia) | 11 | NA | Comisaria Vecinal 11-B (edificio anexo) | VILLA DEVOTO | 11562.00680000000 | 6404480.85371000040 | 11 | 6.404 | 66521 | POINT (-58.50954 -34.58959) |
Evaluación de las denuncias por barrio
Una vez combinados ambos datasets se elimina la geometría del resultante para poder procesar el dataset con mayor agilidad. Se procesan los datos disponibles para obtener la cantidad de delitos por barrio y el ratio de los mismos por cada 1000 habitantes.
df_crimes <- st_set_geometry(geodf_crimes, NULL)df_crimes_sum <- df_crimes %>%
group_by(BARRIO, POBLACION) %>%
summarise(DENUNCIAS = n()) %>%
mutate(c_mil = round(DENUNCIAS/(POBLACION/1000), digits=1)) %>%
arrange(desc(DENUNCIAS)) %>%
select(-POBLACION) df_crimes_sum %>%
head(10) %>%
kbl(align = "c", longtable = TRUE) %>%
kable_styling(bootstrap_options = c("striped", "condensed"), font_size = 11)| BARRIO | DENUNCIAS | c_mil |
|---|---|---|
| PALERMO | 23110 | 102.0 |
| BALVANERA | 19953 | 143.6 |
| FLORES | 14008 | 85.3 |
| RECOLETA | 13204 | 83.6 |
| CABALLITO | 12247 | 69.6 |
| ALMAGRO | 11413 | 86.7 |
| SAN NICOLAS | 10566 | 360.9 |
| VILLA LUGANO | 9734 | 77.0 |
| BELGRANO | 9429 | 74.7 |
| BARRACAS | 9119 | 101.9 |
Se encuentra que la mayor cantidad de delitos denunciados ocurren en el barrio Palermo, correspondiente al microcentro de la ciudad. Lo siguen el barrio Balvanera y Flores. Por otro lado, el mayor ratio entre denuncias ocurridas vs población se produce en el barrio San Nicolás. Esta situación cobra sentido si se considera la cantidad de personas que viajan diariamente al barrio en cuestión pero que no son habitantes de éste.
Mapa Coroplético de delitos por barrio
Se realiza un mapa coroplético para reconocer gráficamente aquellos barrios con la mayor cantidad de denuncias sufridas.
geodf_barrios <- left_join(geodf_barrios, df_crimes_sum, by = "BARRIO")ggplot() +
geom_sf(data = geodf_barrios, aes(fill = DENUNCIAS), color = "white", size = 0.25) +
scale_fill_distiller(palette = "YlOrRd", direction = 1, name = "Denuncias") +
theme_light() +
labs(title = "Distribución de los crímenes denunciados en CABA 2019-2021 por barrio ",
caption = ("Fuente: Delitos 2019-2021")) +
theme(plot.margin = margin(15, 5, 15, 5),
aspect.ratio = 1,
panel.grid.major = element_line(color = "gray80",
linetype = "dashed"),
panel.background = element_rect(fill = "white",
colour = "gray100",
size = 2,
linetype = "solid"),
plot.title = element_text(size = 10,
face = "bold",
hjust = .5,
vjust = 2.5,
colour = "gray20"),
plot.caption = element_text(size = 5,
colour = "gray20"),
axis.text.x = element_text(size = 5,
colour = "gray20"),
axis.text.y = element_text(size = 5,
colour = "gray20"),
legend.position = "right",
legend.title = element_text(size = 10,
colour = "gray20"),
legend.text = element_text(size = 7.5,
colour = "gray20")
)
Se observa que los barrios ubicados al noreste de la ciudad son en los que se realizaron la mayor cantidad de denuncias. Resulta interesante notar que Palermo, el barrio con mayor cantidad de denuncias como se vio en el apartado anterior, es el barrio de mayor superficie e intuitivamente el de mayor población. Ambas características constribuyen a entender la situación.
Se realiza un nuevo mapa coroplético pero utilizando como valor la cantidad de denuncias por cada 1000 habitantes estables de cada barrio, esta información contribuye a la comprensión del estado de situación.
ggplot() +
geom_sf(data = geodf_barrios, aes(fill = c_mil), color = "white", size = 0.25) +
scale_fill_distiller(palette = "YlOrRd", direction = 1, name = "Denuncias/1000 hab.") +
theme_light() +
labs(title = "Ratio de los crímenes denunciados cada 1000 hab en CABA 2019-2021 por barrio ",
caption = ("Fuente: Delitos 2019-2021")) +
theme(plot.margin = margin(15, 5, 15, 5),
aspect.ratio = 1,
panel.grid.major = element_line(color = "gray80",
linetype = "dashed"),
panel.background = element_rect(fill = "white",
colour = "gray100",
size = 2,
linetype = "solid"),
plot.title = element_text(size = 10,
face = "bold",
hjust = .5,
vjust = 2.5,
colour = "gray20"),
plot.caption = element_text(size = 5,
colour = "gray20"),
axis.text.x = element_text(size = 5,
colour = "gray20"),
axis.text.y = element_text(size = 5,
colour = "gray20"),
legend.position = "right",
legend.title = element_text(size = 10,
colour = "gray20"),
legend.text = element_text(size = 7.5,
colour = "gray20")
)
Se observa que, a diferencia del mapa realizado en el apartado anterior, los barrios con mayor ratio de denuncias vs población se ubican en el microcentro y las zonas aledañas. Razón de esto es la cantidad de personas que viajan diariamente al sector y que no son considerados dentro de la población estable del barrio.
Gráfico de barras de delitos por año en cada barrio
La información disponible se utiliza para generar un gráfico de barras discriminado por barrio y por año. Resulta de especial interés la selección de la tríada de años para evaluar la evolución entre el estado pre-pandemia y el estado post-pandemia de cada uno de los barrios.
df_barrio_anio <- df_crimes %>%
group_by(BARRIO, anio) %>%
summarise(denuncias = n()) %>%
filter(!is.na(BARRIO))ggplot(df_barrio_anio) +
geom_bar(stat = "identity",
aes(x = BARRIO, y = denuncias, fill = anio),
position = position_dodge()
) +
scale_fill_brewer(palette = "RdYlGn") +
theme_light() +
labs(title = "Cantidad de delitos por barrio",
fill = NULL,
y = NULL,
x = NULL,
caption = ("Fuente: Delitos 2019-21")) +
theme(plot.margin = margin(15, 5, 15, 5),
aspect.ratio = .35,
panel.grid.major = element_line(color = "gray80",
linetype = "dashed"),
panel.background = element_rect(fill = "gray100",
colour = "gray100",
size = 2,
linetype = "solid"),
plot.title = element_text(size = 10,
face = "bold",
hjust = .5,
vjust = 2.5,
colour = "gray20"),
plot.caption = element_text(size = 5,
colour = "gray20"),
axis.title.x = element_text(size = 7.5,
colour = "gray20"),
axis.text.x = element_text(size = 5,
colour = "gray20",
angle = 90),
axis.text.y = element_text(size = 5,
colour = "gray20"),
legend.position = "top",
legend.text = element_text(size = 7.5,
colour = "gray20"),
legend.spacing.x = unit(.5, 'cm')
) +
guides(fill = guide_legend(override.aes = list(size = 5),
label.position = "bottom"))
Resulta interesante notar que el barrio San Nicolás, sexto en el conteo total de delitos denunciados durante la tríada de años, se encuentra tercero en los crímenes denunciados durante el año 2019. Por otro lado, se encuentra mucho más abajo en la tabla de crímenes denunciados durante el año 2021. En efecto, a excepción de Villa Soldati, en todos los barrios se observa una disminución entre las denuncias realizadas durante el año 2019 y el año 2021. Sin embargo, es destacable mencionar que San Nicolás posee la mayor disminución relativa de denuncias entre los años mencionados. Una posible explicación de esto es el fortalecimiento de los centros radiales de la ciudad y la implementación del teletrabajo, lo que ha reducido la cantidad de personas externas al barrio viajando diariamente a éste.
Utilizando los mismos datos se realiza un nuevo gráfico de barras comparando los valores relativos de denuncias por barrios en cada uno de los años estudiados.
ggplot(df_barrio_anio) +
geom_bar(stat = "identity",
aes(x = BARRIO, y = denuncias, fill = anio),
position = position_fill()
) +
# scale_fill_viridis_d(begin = 0.15, end = 0.92) +
scale_fill_brewer(palette = "RdYlGn") +
theme_light() +
labs(title = "Cantidad de delitos por barrio",
fill = NULL,
y = NULL,
x = NULL,
caption = ("Fuente: Delitos 2019-21")) +
theme(plot.margin = margin(15, 5, 15, 5),
aspect.ratio = .35,
panel.grid.major = element_line(color = "gray80",
linetype = "dashed"),
panel.background = element_rect(fill = "gray100",
colour = "gray100",
size = 2,
linetype = "solid"),
plot.title = element_text(size = 10,
face = "bold",
hjust = .5,
vjust = 2.5,
colour = "gray20"),
plot.caption = element_text(size = 5,
colour = "gray20"),
axis.title.x = element_text(size = 7.5,
colour = "gray20"),
axis.text.x = element_text(size = 5,
colour = "gray20",
angle = 90),
axis.text.y = element_text(size = 5,
colour = "gray20"),
legend.position = "top",
legend.text = element_text(size = 7.5,
colour = "gray20"),
legend.spacing.x = unit(.5, 'cm')
) +
guides(fill = guide_legend(override.aes = list(size = 5),
label.position = "bottom"))
Efectivamente, este gráfico permite observar la gran disminución relativa de denuncias en el barrio de San Nicolás. Además, se reconoce una situación similar en los barrios Monserrat y Retiro. Puede notarse, por otro lado, que la proporción del total de los crímenes denunciados durante el año 2020, año de la pandemia y de las medidas sanitarias más estrictas, resulta similar en todos los barrios.
Mapa Coroplético de delitos por año
Se realiza un mapa coroplético discriminado por año para analizar el tópico introducido en el apartado anterior.
geodf_barrio_anio <- left_join(geodf_barrios, df_barrio_anio, by = "BARRIO")ggplot() +
geom_sf(data = geodf_barrio_anio, aes(fill = denuncias), color = "white", size = 0.25) +
facet_wrap(vars(anio), nrow = 1) +
scale_fill_distiller(palette = "YlOrRd", direction = 1, name = "Denuncias") +
theme_light() +
labs(title = "Distribución de los crímenes denunciados en CABA 2019-2021 por barrio ",
caption = ("Fuente: Delitos 2019-2021")) +
theme(plot.margin = margin(15, 5, 15, 5),
aspect.ratio = 1,
panel.grid.major = element_line(color = "gray80",
linetype = "dashed"),
panel.background = element_rect(fill = "white",
colour = "gray100",
size = 2,
linetype = "solid"),
plot.title = element_text(size = 10,
face = "bold",
hjust = .5,
vjust = 2.5,
colour = "gray20"),
plot.caption = element_text(size = 5,
colour = "gray20"),
axis.text.x = element_text(size = 5,
colour = "gray20"),
axis.text.y = element_text(size = 5,
colour = "gray20"),
legend.position = "right",
legend.title = element_text(size = 10,
colour = "gray20"),
legend.text = element_text(size = 7.5,
colour = "gray20")
)
La comparativa de los tres gráficos permite comprobar la disminución de denuncias durante el año 2020, de manera proporcional y en todos los barrios. Además, aporta otra muestra de la disminución de denuncias en el barrio San Nicolás, y sus aledaños, en el año 2021, en relación al resto de los barrios de CABA.
Mapa Coroplético de delitos por superficie
Se realiza un mapa coroplético evaluando el ratio de denuncias en función de la superficie de cada uno de los barrios.
geodf_barrio_area <- geodf_barrio_anio %>%
group_by(BARRIO, area_km2) %>%
summarise(denuncias = sum(DENUNCIAS)) %>%
mutate(c_km2 = round(denuncias/area_km2, digits = 1))ggplot() +
geom_sf(data = geodf_barrio_area, aes(fill = c_km2), color = "white", size = 0.25) +
scale_fill_distiller(palette = "YlOrRd", direction = 1, name = "denuncias/km2") +
theme_light() +
labs(title = "Ratio de los crímenes denunciados por superficie en CABA 2019-2021 por barrio",
caption = ("Fuente: Delitos 2019-2021")) +
theme(plot.margin = margin(15, 5, 15, 5),
aspect.ratio = 1,
panel.grid.major = element_line(color = "gray80",
linetype = "dashed"),
panel.background = element_rect(fill = "white",
colour = "gray100",
size = 2,
linetype = "solid"),
plot.title = element_text(size = 10,
face = "bold",
hjust = .5,
vjust = 2.5,
colour = "gray20"),
plot.caption = element_text(size = 5,
colour = "gray20"),
axis.text.x = element_text(size = 5,
colour = "gray20"),
axis.text.y = element_text(size = 5,
colour = "gray20"),
legend.position = "right",
legend.title = element_text(size = 10,
colour = "gray20"),
legend.text = element_text(size = 7.5,
colour = "gray20")
)
Se observa en el gráfico, y en relación a los generados en los apartados anteriores, que el ratio de crímenes denunciados en función de la superficie de cada barrio, se reduce de manera casi lineal, desde el centro de la ciudad hacia el cordón perimetral. Esta situación se encuentra asociada a la distribución de la población en el territorio y al aumento del área de los barrios hacia las afueras de CABA.