Geolocalización de los datos del censo 2010

# Paquetes a utilizar:

library(tidyverse)
library(sf)
library(leaflet)
library(kableExtra)
library(mapdeck)
library(widgetframe)

Conocer la cantidad de niños en edad escolar que viven en los barrios informales no es sencillo. Si bien el GCBA realiza censos en los distintos barrios, en general en cumplimiento de órdenes judiciales, esos datos no son públicos. Por ello, habrá que recurrir a las fuentes disponibles, o al menos a las existentes. Esto es, los datos del Censo Nacional 2010.

En primer lugar voy a cargar los datos del censo 2010 de la Ciudad de Buenos Aires, por persona.

Asimismo, construiré la variable CO_FRAC_RA por la que voy a unir, en primer lugar el shapefile de los radios censales de la Ciudad, y luego, recortaré aquellos radios censales de la Comuna 4 y de los barrios informales de dicha comuna.

# Cargamos datos del censo 2010 para la Ciudad Autónoma de Buenos Aires.
# son casi 3 millones de registros, va a tomar un rato!

load(file = "https://elradar.github.io/data/radio_persona_caba.rdata")

radio_persona_caba <- radio_persona_caba %>% 
  rename("relacion_jefe" = P01,
         "sexo" = P02,
         "edad" = P03,
         "nacimiento" = P05,
         "pais" = P06,
         "lee_escribe" = P07,
         "usa_comput" = P12,
         "escolaridad" = P08,
         "nivel" = P09,
         "completo" = P10,
         "actividad" = CONDACT,
         "material_piso" = H05,
         "material_techo" = H06,
         "revestimientos" = H07)

#creando CO_FRAC_RA, desde las variables DPTO_REF_ID, IDFRAC e IDRADIO, sacandole los ceros de adelante. 
radio_persona_caba <- radio_persona_caba %>% 
  mutate(IDFRAC = as.numeric(IDFRAC),
         IDRADIO = as.numeric(IDRADIO)) %>% 
  unite(CO_FRAC_RA, DPTO_REF_ID, IDFRAC, IDRADIO, sep = "_", remove = FALSE)

Ahora cargo los shapefiles de los radios censales de la Ciudad, para unirlos a los datos del censo de personas.

#descargo del repositorio de datos abiertos de Ciudad
censo_geo <- st_read ("http://cdn.buenosaires.gob.ar/datosabiertos/datasets/informacion-censal-por-radio/CABA_rc.geojson", quiet = TRUE)

#selecciono la variable que me sirve
censo_geo_radio <- censo_geo %>% 
  select(CO_FRAC_RA = RADIO_ID)

#lo uno al censo de personas
radio_persona_caba <- radio_persona_caba %>% 
  left_join(censo_geo_radio, by = "CO_FRAC_RA")

Ahora tenemos los datos del censo de personas, y su radio censal geolocalizado. Con esto vamos a poder clasificar a las personas por edad, para saber quiénes asisten o deben asistir a las escuelas primarias. Pero primero comencemos con el piloto de la Comuna 4.

¿Cuántos niños en edad escolar hay?

Para saber cuántos niños en edad escolar hay en el barrio informal Villa 21-24, filtraré los datos del censo de personas por este barrio informal. Para ello, deberé identificar los radios censales del barrio y cruzarlo con los datos de los radios censales del Censo 2010. En primer lugar, filtraré los datos del censo para la Comuna 4, y luego lo cruzaré con los de la Villa 21-24.

Una vez realizado eso, deberé analizar la base de datos de Barrios informales de la Ciudad. En el sitio de la [Plataforma Abierta Nacional del Hábitat] (https://panh.mininterior.gob.ar/#/) se puede buscar información sobre los barrios informales de la Ciudad y descargar el [shapefile] (https://panh-backoffice.mininterior.gob.ar/api/relevamientos/28/dataset/caba-datos.zip).

comuna4_geo <- censo_geo%>% 
  filter(COMUNA == 4) %>% 
  select(RADIO_ID)

barrios <- st_read("https://elradar.github.io/data/barrios_populares.geojson", quiet = TRUE)

comuna4_villa2124 <- barrios %>% 
  filter(FNA == "Villa 21-24") %>% 
  select(FNA)

Y hacemos un primer mapa para ver cómo vienen los datos de los radios censales de la Villa 21-24 tanto del shapefile de la Plataforma Abierta Nacional del Hábitat, como del shapefile del Censo 2010.

ggplot()+
  geom_sf(data = comuna4_geo, fill = NA, col = "grey40")+
  geom_sf(data = comuna4_villa2124, fill = "green")+
  labs(title = "Comuna 4. Radios censales y Asentamientos")+
  theme_minimal()

Puede verse que el mapa de los barrios está apenas corrido con el de los radios censales. Esto puede deberse a que al ser de distintas fuentes, puede diferir en alguna localización, o que se están juntando dos proyecciones similares pero sutilmente diferentes¹.

De este modo, habrá que hacer una sutil corrección manual del shapefile de los barrios informales, para que quede exacto. También voy a reducir un 1% el tamaño del barrio para que no exceda los límites de los barrios. Veamoslo en el mapa

barrios_bis <- st_geometry(barrios)
barrios_bis <- barrios_bis + c(0.00055,-0.0004)
barrios_bis_centroides <- st_centroid(barrios_bis)
barrios_bis <- (barrios_bis - barrios_bis_centroides)*0.99 + barrios_bis_centroides
barrios_bis <- st_sf(barrios_bis, crs = 4326)
barrios$geometry <- st_geometry(barrios_bis)

comuna4_villa2124 <- barrios %>%  #filtro por comuna 4
  filter(FNA == "Villa 21-24") %>% 
  select(FNA)

ggplot()+ #graficamos
  geom_sf(data = comuna4_geo, fill = NA, col = "grey40")+
  geom_sf(data = comuna4_villa2124, fill = "green")+
  labs(title = "Comuna 4. Radios censales y Asentamientos")+
  theme_minimal()

¡Mucho mejor! Ahora, vamos a seleccionar ahora los radios censales donde está la villa 21-24 del Censo 2010.

# función para detectar en qué radios censales está cierto objeto

cuales_radios <- function(x = comuna4_geo, y){
  radios <- st_intersects(x, y)
  radios <- lengths(radios)>0
  cbind(x, radios) %>% 
    filter(radios == TRUE)
}

radios_villa_2124 <- cuales_radios(comuna4_geo, comuna4_villa2124)

ggplot()+
  geom_sf(data = radios_villa_2124, fill = "red")+
  geom_sf(data = comuna4_geo, fill = NA)+
  geom_sf(data = comuna4_villa2124, fill = "green")+
  labs(title = "Comuna 4. Radios censales de la Villa 21-24")+
  theme_minimal()

En el mapa, lo verde es la Villa 21-24 y lo rojo son los radios censales seleccionados, donde hay alguna parte de la Villa. La zona roja es un poco más amplia que la verde, pero habrá que ver los datos para ver si esto es preocupante o no.

Al unir estos radios con el dataset del censo, podemos saber cuántas personas viven en los barrios informales, o sus radios censales contiguos. En base a esto, averiguar cuántos niños requieren una escuela cercana. Habrá una pequeña sobreestimación de los datos por los tamaños de los radios censales.

radio_persona_caba$CO_FRAC_RA <- factor(radio_persona_caba$CO_FRAC_RA)

villa_2124_censo <- radio_persona_caba %>% 
  filter(CO_FRAC_RA %in% radios_villa_2124$RADIO_ID)

Según este filtrado, en los 21 radios censales viven (o vivían al 2010) 33327 personas.

Este resultado que obtuvimos (al filtrar el censo geolocalizado) es similar al que publicó la Dirección de Estadísticas y Censos de la Ciudad, en el informe de resultados 856 de Abril de 2015 en el siguiente link. Para la Villa 21-24 y el NHT Zavaleta², el documento oficial informa 33.245, un número muy similar al de 33327 que obtuve. La diferencia puede deberse al radio censal superior, que si bien está prácticamente despoblado (existen en dicho lugar vías de tren, depósitos ferroviarios y fiscales, junto al estadio del club Huracán) puede ser que incluya a las 82 personas de diferencia. A falta de mejores datos, vamos a asumir que esos valores son actuales. Esta congruencia de datos nos permite validar la asunción de que la población de este barrio es relativamente estable en el tiempo, ya que entre 2010 y 2015 no hubo variaciones significativas.

Y ahora sí, con estos datos, podemos estimar cuántos niños en edad escolar primaria existen. Para ello deberemos filtrar los niños entre 6 y 12 años de edad, ambos inclusive.

Como modo de control, podemos filtrar también por el campo P09 que he renombrado como nivel que indica el nivel educativo que cursa o cursó, junto con la variable P08 que renombre escolaridad e indica condición de asistencia escolar, pudiendo seleccionar sólo aquellos que son de valor 1, es decir, que asiste a ese nivel.

edad_escolar <- villa_2124_censo %>% 
  filter(edad >= 6 & edad <= 12)

nivel_primario <- villa_2124_censo %>% 
  filter(nivel == 2 & escolaridad == 1)

edad_noasiste <- edad_escolar %>% 
  filter(escolaridad == 2 | escolaridad == 3) %>% 
  filter(completo == 2| completo == 0)

repitencia <- nivel_primario %>% 
  filter(edad > 13 & edad <= 18) 

Según los datos del Censo 2010, en la Villa 21-24 habitan 4434 niños en edad escolar primaria. Sin embargo, contestaron que asisten al nivel primario 5461 personas, por lo que puede observarse que muchas personas cursan el nivel primario luego de la edad establecida. También pudimos filtrar cuántos niños en edad escolar no asisten a la primaria, lo que no da un total de 56, ya sea porque abandonaron (32 personas) o porque nunca lo iniciaron (28 personas).

De este modo, el total de niños en edad escolar que requieren vacantes en escuelas de la Ciudad es de 4434 niños.

¿Cuántas vacantes escolares hay?

Ahora habrá que sumar las escuelas y sus vacantes, para ver si son suficientes para los 4434 niños de la Villa 21-24.

Para ello descargamos el shapefile del repositorio oficial del GCBA y filtramos las escuelas públicas y primarias. Luego las proyectaremos en el mapa y seleccionaremos aquellas a una distancia razonable de los radios censales del barrio informal seleccionado.

También será necesario calcular cuántas vacantes hay en cada escuela. Esto no está disponible facilmente, pero podrá calcularse en razón de las inscripciones realizadas por escuela, lo que sí está disponible en el repositorio.

De ese repositorio pude descargar las inscripciones para primer grado de los años 2016 y 2017. Cómo son similares, pero no idénticos, sacaré el promedio y multiplicaré por siete para saber la cantidad total de vacantes por escuela.

#Escuelas Geo
escuelas <-  read_csv("http://cdn.buenosaires.gob.ar/datosabiertos/datasets/establecimientos-educativos/establecimientos-educativos.csv") %>% st_as_sf(coords = c("long", "lat"), crs = 4326) 

primarios <- escuelas %>% 
  filter(nivmod == "PriCom") %>% 
  mutate(cueanexo = as.numeric(as.character(cueanexo)))

#Escuelas vacantes
vacantes17 <- read_csv2("http://cdn.buenosaires.gob.ar/datosabiertos/datasets/inscripcion-escolar/preinscripciones-escolares-2017.csv", locale = locale(encoding = "latin1") ) %>% 
  filter(NIVEL == "PRIMARIO") %>% 
  group_by(ESTABLECIMIENTO, CUE_ANEXO) %>% 
  summarise(primero_17 = n())

vacantes16 <- read_csv2("http://cdn.buenosaires.gob.ar/datosabiertos/datasets/inscripcion-escolar/inscripciones-escolares-2016.csv", locale = locale(encoding = "UTF-8") )%>% 
  filter(NIVEL == "PRIMARIO") %>% 
  group_by(ESTABLECIMIENTO) %>% 
  summarise(primero_16 = n())  


vacantes_prom <- vacantes17 %>% 
  bind_cols(., vacantes16) %>% 
  select(-ESTABLECIMIENTO1) %>% 
  mutate(total = round((primero_17+primero_16)/2*7,0)) %>% 
  ungroup() %>% 
  select(-primero_17, -primero_16, -ESTABLECIMIENTO)

primarios_vacantes <- primarios %>% 
  left_join(vacantes_prom, by = c("cueanexo" = "CUE_ANEXO")) %>% 
  select(cueanexo, dom_edific, nombre_abrev, de, comunas, total)

Y graficamos los de la COMUNA 4 en un mapa interactivo, con el centro en el límite de la Villa 21-24. Cuando pasamos el puntero vemos el nombre de la escuela y la cantidad de vacantes.

primarios_comuna_4 <- primarios_vacantes %>% 
    mutate(long = st_coordinates(primarios_vacantes)[,1],
           lat = st_coordinates(primarios_vacantes)[,2]) %>% 
    filter(comunas == 4)

mapa_escuelas <- leaflet() %>% 
    setView(lng =-58.399685,lat = -34.654402, zoom = 13) %>% 
    addTiles() %>% 
    addPolygons(data = st_union(comuna4_geo)) %>% 
    addPolygons(data = st_union(comuna4_villa2124), color = "red") %>% 
    addMarkers(data = primarios_comuna_4,
               lng = primarios_comuna_4$long,
               lat = primarios_comuna_4$lat,
               label = ~paste0(primarios_comuna_4$NOMBRE_ABR, ": ",as.character(primarios_comuna_4$total)) )

mapa_escuelas

Para ver qué escuelas están dentro del radio de diez cuadras de la villa –que es la distancia para obtener prioridad en la inscripción, de acuerdo al artículo 29 del Reglamento de inscripciones³– podemos ampliar el perímetro de la villa con un st_buffer y graficarlo.

comuna4_villa2124_buffer<- comuna4_villa2124 %>% 
  st_buffer(.,0.007) 

escuelas_buffer <- leaflet() %>% 
    setView(lng =-58.399685,lat = -34.654402, zoom = 13) %>% 
    addTiles() %>% 
    addPolygons(data = comuna4_villa2124_buffer, color = "green") %>% 
    addPolygons(data = st_union(comuna4_geo)) %>% 
    addPolygons(data = st_union(comuna4_villa2124), color = "red") %>% 
    addMarkers(data = primarios_comuna_4,
               lng = primarios_comuna_4$long,
               lat = primarios_comuna_4$lat,
               label = ~paste0(primarios_comuna_4$NOMBRE_ABR, ": ",as.character(primarios_comuna_4$total)) )

escuelas_buffer

Ahora podemos identificar las escuelas que están en el radio de 10 cuadras, que pueden darle vacantes a los niños de la Villa 21-24, y calcular su cantidad de vacantes.

escuelas_villa <- st_intersects(primarios_vacantes, comuna4_villa2124_buffer, sparse = FALSE) 

escuelas_villa <- data.frame(escuelas_villa) %>% 
    rename(villa = escuelas_villa)

primarias_villa <-cbind(primarios_vacantes, escuelas_villa$villa) %>% 
    rename(villa = escuelas_villa.villa)

primarias_villa <- primarias_villa %>% 
    filter(villa == TRUE)

primarias_villa <- primarias_villa %>% 
    mutate ( distancia = st_distance(primarias_villa, st_centroid(comuna4_villa2124)) ) %>% 
    select(-cueanexo, -de, -comunas, villa)

De este modo, hay 7 escuelas que están dentro de un radio menor a 10 cuadras del centro de la villa que pueden ofrecer vacantes para estos niños. Ellas son las siguientes:

primarias_villa %>% 
  st_set_geometry(NULL) %>% 
  select(-villa) %>% 
  kable() %>% 
  kable_styling(bootstrap_options = "striped", full_width = F)

Si estas escuelas sólo le dan vacantes a los niños de la villa 21-24, habría un total de 3726 vacantes, para los 4434 niños. Sin embargo, no hay que dejar de tener en cuenta que hay otros niños en los alrededores de la Villa 21-24 que también requieren vacantes escolares.

Podemos calcular cuántos niños hay en esos radios censales, del mismo modo que lo hicimos con los niños de la villa 21-24.

alrededores <- cuales_radios(comuna4_geo, comuna4_villa2124_buffer)

alrededores_censo <- radio_persona_caba %>% 
  filter(CO_FRAC_RA %in% alrededores$RADIO_ID)

alrededores_edad_escolar <- alrededores_censo %>% 
  filter(edad >= 6 & edad <= 12)

Cuando sumamos los alrededores, vemos que la cantidad de vacantes es sensiblemente inferior a la requerida. Así, las 7 escuelas cercanas a la Villa 21-24, con sus 3726, vacantes, deben proveerle educación primaria a 6915, lo que es llamativamente insuficiente.

Es cierto que, como vimos en el mapa interactivo anterior, hay más escuelas disponibles en los alrededores de los alrededores de la villa, y esto nos podría llevar a un loop. Podría ser que en la Comuna (o en realidad en el Distrito Escolar, que es la unidad territorial para las escuelas) en total haya vacantes disponibles para todos los niños del lugar. Pero no es poco importante cómo estan distribuidas las vacantes, que es lo que queríamos analizar, sobre si las escuelas dentro o cercanas a la Villa 21-24 tiene vacantes para todos los niños de la zona.

¿Las escuelas están realmente a 10 cuadras de la villa?

Por último, deberíamos ver si estas escuelas están realemente a 10 cuadras de la villa o si el calculo de la distancia lineal es menor que el trayecto realizado por cuadras.

En primer lugar, habrá que aclarar que la distancia la medimos desde el centroide de la Villa, que estimamos como promedio de la vivienda de cada niño. De este modo, habra algunos niños más cerca y otros más lejos que lo medido.

En segundo lugar habrá que calcular los recorridos, y ello aún no lo sé hacer (🙈). Pero sí puedo calcular cómo sería el arco….

key <- "API key de Mapbox aqui" # ver https://docs.mapbox.com/help/how-mapbox-works/access-tokens/
mapdeck(token = key)

caminos <- primarias_villa %>% 
    mutate(lon_salida = st_coordinates(st_centroid(comuna4_villa2124))[1],
           lat_salida = st_coordinates(st_centroid(comuna4_villa2124))[2])

caminos <- caminos %>% 
    mutate(lon_llegada = st_coordinates(caminos)[,1],
           lat_llegada = st_coordinates(primarias_villa)[,2]) %>% 
    st_set_geometry(NULL)

escuelas_arcos <- mapdeck(style = mapdeck_style("streets"),
        location = c(-58.399685, -34.654402), zoom = 10, token = key, pitch = 60) %>% 
    add_arc(data = caminos,
             layer_id = "caminos_escuelas",
             destination = c("lon_salida", "lat_salida"),
             origin  = c("lon_llegada", "lat_llegada")) %>% 
    add_polygon(data = comuna4_villa2124)

escuelas_arcos