Un espacio dedicado a la exploración de datos a través de la visualización de patrones latentes.
Una de las tendencias en movilidad más importantes de los últimos años en las ciudades más innovadoras del mundo es el desarrollo de las bicicletas como medio de transporte urbano. En línea con los objetivos de desarrollo sostenible que plantea la ONU, y con la intención de reducir la congestión en la ciudades, reduciendo el volumen de los vehículos circulantes, el uso de servicios de bicicletas compartidas ha aumentado exponencialmente en los últimos 10 años. El desarrollo de ciclovías y la implementación servicios de renta automatizada de bicicletas (en algunos casos, como el de Buenos Aires, es un servicio esponsoreado por el gobierno de la ciudad) son determinantes en la adopción del hábito de moverse en bicicleta. Sin embargo, al igual que cualquier fenómeno que involucre a individuos y su interacción con el ambiente, está supeditado a dinámicas que se despliegan en múltiples aristas conductuales. Tener acceso a una bicicleta no explica significativamente el uso que se le dé. Este fenómeno debe evaluarse identificando las cualidades diferenciales de los usuarios y entendiendo el contexto en el cual el uso de este medio se da, es de suma importancia para poder continuar con su desarrollo en el futuro. En el marco de la semana de los datos abiertos, que actualmente se está celebrando en la Ciudad de Buenos Aires, es que aprovecho para compartir una breve visualización de los patrones latentes en el uso del servicio de bicicletas públicas de la Ciudad de Buenos Aires.
Los tramos fueron estimados a partir del sistema de navegación de Google maps desetimando el tráfico y priorizando los caminos más cortos. Todavía no es posible extraer indicaciones que tengan en cuenta las bicisendas por lo que es muy probable que algunos de los trayectos graficados no correspondan a los utilizados en la realidad, sin embargo este método permite rapidamente evidenciar las zonas por donde los usuarios transitan.
Los datos fueron procesados y las imágenes producidas enteramente con R a través de Rstudio y con la ayuda de los siguientes paquetes de código: Wickham. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York, 2016. Frank E Harrell Jr, with contributions from Charles Dupont and many others. (2018).Hmisc: Harrell Miscellaneous. R package version 4.1-1. https://CRAN.R-project.org/package=Hmisc D. Kahle and H. Wickham. ggmap: Spatial Visualization with ggplot2. The R Journal, 5(1), 144-161. http://journal.r-project.org/archive/2013-1/kahle-wickham.pdf Garrett Grolemund, Hadley Wickham (2011). Dates and Times Made Easy with lubridate. Journal of Statistical Software, 40(3), 1-25. http://www.jstatsoft.org/v40/i03/ David Cooley (2018). googleway: Accesses Google Maps APIs to Retrieve Data and Plot Maps. R package version 2.7.0. https://CRAN.R-project.org/package=googleway R Core Team (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/.