Plantilla

https://wiki.montera34.com/documentacion-tipo

Certificados energeticos https://app.enerfund.eu/

Pàgina: https://wiki.montera34.com/politicaspublicasvalencia/areas_vulnerables_vinaros?do=edit

====== Pregunta ¿Cuáles son las áreas vulnerables del centro histórico de Vinaroz?

• Fernando Navarro. fernando@elfabricantedeespheras.com @el_fabricante
• Bruno López-Guitián. bruno.lg.arranz@gmail.com
• Purificación Baldoví. baldovi_pur@gva.es baldoviborraspurificacion@gmail.com @purificacionbal
• Andrea Kruithof. andrea.kruithof@gmail.com @ankruit
• Gonzalo Gayo. gonzalogayo@gmail.com @DiariVal

En esta sección se listarán las visualizaciones a producir. Por ejemplo: Cuatro mapas:

1. Informe de evaluación de edificios (VISOR.GVA.ES)
2. Certificado de eficiencia energética (IVACE, ENERFUND).
3. Padrón geolocalizado (INMIGRACIÓN, ESTUDIOS, EDAD, AYUDAS SOCIALES).
4. Edificios en mal estado (CATASTRO).
5. Mapa “de intensidad de colores”, coropleta donde se especificarán las zonas más vulnerables.

Un gráfico de barras a modo de ranking. Tras ponderar los datos de los cuatro mapas, se realizará un gráfico de barras.

Visualización 1

Visualización 2

. Resultado Imagen de las diferentes visualizaciones y enlaces a la web en la que están publicadas.

Algunos ejemplos de análisis ya hechos que respondan a esta pregunta en otros lugares o a una pregunta relacionada. http://visor.gva.es/visor/

1. Lista de datos necesarios para responder la pregunta y enlaces para descargárselos.
2. Informe de evaluación de edificios. http://visor.gva.es/visor/ (Nota: la visualización que ofrece no permite obtener de momento las tablas en JSON. Pablo nos dará orientación al respecto).
3. Certificado de eficiencia energética (IVACE, ENERFUND).http://www.ivace.es y http://enerfund.eu (Fernando proporcionará la URL concreta de Vinaroz).
4. Padrón geolocalizado (INMIGRACIÓN, ESTUDIOS, EDAD, AYUDAS SOCIALES). http://www.argos.gva.es/bdmun/pls/argos_mun/DMEDB_MUNDATOSINDICADORES.DibujaPagina?aNMunId=12138&aNIndicador=2&aVLengua=c
5. Edificios en mal estado (CATASTRO). https://www.registrolegal.es/catastro/vinaros-plaza-parroquial-12-1067

== 3 Qué herramientas uso para preparar los datos. Qué pasos debo seguir ==

Los diferentes pasos a dar para preparar los datos: limpiarlos, filtrarlos, combinar bases de datos para trabajar más ágilmente… Y en qué herramientas son necesarias. Open Refine. Tablas dinámicas.

Qgis-mapas Dentro de Qgis se ha instalado un plugin del catastro. Hemos utilizado la capa 'building', para quedarnos con los datos que nos interesan (centro histórico), hemos hecho una selección por localización. Hemos marcado el centro histórico, acotándolo con una línea de puntos rojos.

Una vez hecho, hemos visualizado las viviendas teniendo en cuenta que los valores de estado de la vivienda dan los siguientes resultados:

1. no hay valores.
2. en mal estado.
3. funcional.

- A continuación, añadimos la capa de certificados energéticos completa. Es necesario, a través de la calculadora, seleccionar el 'rating' y dar una ponderación a los valores de certificados (A-G). Hemos discutido cuál debería ser esta valoración, y se ha considerado conveniente convertirlo en valores binarios: mal certificado/buen certificado, asignándoles valor O a los 'buenos certificados energéticos', que consideramos para este caso que son los comprendidos entre el A y D. Por su parte, los certificados valorados entre E y G tienen asignado el valor '1', y se entiende que son 'malos certificados'. En el categorizado, por valores, cambiamos el tamaño y el color de relleno.

A la hora de la visualización, podemos ver que no todos los edificios tienen certificado energético y que, en general, es algo generalizado en el casco histórico.

Vamos a probar con otra baremación con mayor gradación, porque da la sensación de que nos estamos perdiendo información. - Por otra parte, hemos añadido la capa del padrón, es una capa de puntos en la que seleccionamos los datos que corresponden al casco histórico. De esta capa nos interesan los datos referentes a año de nacimiento, país de nacimiento y nivel de estudios, que utilizaremos para definir vulnerabilidad socio-económica. Hemos incorporado la capa catastral de 'años', en la que nos interesa . Por lo que respecta a la variable 'estudios', hemos optado por una categorización de 4, en la que asignamos el valor máximo (1) a la gente sin estudios, englobando aquí las diferentes categorías que puedan ser asimilables, como 'no sabe leer o escribir', 'estudios primarios', u otros. La siguiente categoría corresponde a estudios obligatorios (ESO o similares), con un valor de 0.5, estudios de FP y bachillerato equivaldrían a 0.2 y 0 para los estudios superiores.

Hacemos un proceso similar para la capa de 'año de edificación', en la que solo seleccionamos aquellos edificios que tienen más de 50 años, ya que nos parece interesante como aproximación al estado de las viviendas (puesto que es difícil tener datos fiables al respecto). Utilizamos un cálculo de catastro en el cual la edad del edificio corresponde a la última reforma realizada, puesto que aquello que buscamos visualizar son los edificios en estado deficiente.

Nos encontramos con el problema, no obstante, de que cada punto marcado en el mapa no se corresponde con una persona, con lo cual no tenemos claro a cuanta gente identifica cada punto. Cuando convertimos a mapa de calor, se ven concentraciones muy grandes, pero al estar representando números absolutos, no podemos saber si ello tiene que ver con mayores concentraciones de personas.

Para solucionarlo, generamos una cuadrícula '50×50', para identificar áreas. Eliminamos las partes que quedan fuera del casco urbano. Vamos a contar dentro de cada cuadro cuantos puntos hay. De ahí sacaremos el número de personas total y el número de personas en función de su nivel de estudios, para obtener el porcentaje correspondiente. No es posible desagregar tanto para contar, con lo cual para contar cada categoría tenemos que crear una capa específica con esos datos únicamente.

Una vez obtenidos los números absolutos y calculados los porcentajes, comparamos los mapas. Nos encontramos con dos resultados distintos, uno que mide el % de personas con pocos estudios (sobre el número de población que hay en cada retícula) y otro que identifica aquellas zonas donde hay más número de personas sin estudios. Al final la representación del número, teniendo en cuenta que se quiere conseguir información para actuar sobre el máximo posible de población vulnerable.

Por otra parte, superponiendo capas de edad de la edificación y personas sin estudios, no hay relación aparente, con lo que nos planteamos darle un valor de ponderación bajo.

Pasamos a la capa de edad. Aunque la intención era mostrar todas las edades, por una cuestión de tiempo solo generaremos tres categorías que relacionamos con mayor vulnerabilidad, es decir, personas entre 65 y 75 años, de 76 a 85 y mayores de 85. Al trasladar estos datos al mapa, nos encontramos con una concentración muy grande de personas mayores en frente de una residencia, lo que nos hace plantearnos que puede que los puntos no estén bien geolocalizados. Después de debatirlo, hemos optado por eliminar el punto en cuestión.

Otra de las problemáticas con la que nos encontramos está relacionada con la información sobre ayudas sociales. En ese sentido, se contabilizan el número total de ayudas prestadas, sin tener en cuenta si hay personas que puedan haberla recibido durante dos años consecutivos (2017 y 2018). Hemos utilizado la visualización de calle de Google, para comprobar mirando la tipología de vivienda si una densidad muy grande de ayudas sociales en un espacio muy pequeño tenía sentido.

La última variable que incorporamos a nuestro análisis es la de 'extranjeros'. Si bien somos conscientes de que hacer una valoración binomial (extranjero/nacional), la cuestión del tiempo nos obliga a simplificar. Nos encontramos, además, que el mapa de calor coincide con los otros realizados antes, con lo que podemos tener una idea ya intuitiva de los espacios más vulnerables.

Una vez vistos y comparados los distintos mapas, y ya que hemos encontrado muchas coincidencias entre las distintas variables medidas, decidimos dibujar áreas.

La siguiente fase consiste en ponderar los diferentes elementos para crear un índice de vulnerabilidad. Es una operación complicada porque implica cierto grado de discrecionalidad. Por ejemplo, cuando planteamos que valor darle a la variable 'inmigración', nos genera dudas hasta qué punto es un elemento que por sí mismo marque la vulnerabilidad, sin tener en cuenta otras cuestiones como puedan ser el nivel de estudios o el nivel de renta. Es, probablemente, la variable que menos clara tenemos. Lo dejamos en barbecho hasta mañana.

Luego uniremos toda la información y la ponderaremos para dar la información agregada por calles (constituyendo esto una de las capas).

Al haber analizado desde diferentes formas cada uno de los análisis realizados, como por ejemplo, el mapa de estudios (el cual es de calor y daba tres puntos calientes), o el mapa de estudios de población (que ofrecía la información por cuadrículas), si comparamos, hay una correlación directa entre ambos. La visualización, aún siendo interesantes, no acaba de ser claro.

El mapa de referencia catastral, además, tiene el inconveniente que superpone puntos.

Por tanto…, vamos a sacarlo por áreas de cuadros de 50 por 50. Cuando esta información se obtiene por porcentajes, el resultado no tiene sentido.

Las visualizaciones, en conclusión, han de ser valores absolutos (número real de personas) que viven etc. en cada área.

Las visualizaciones, seguramente serán de puntos, donde luego pondremos una etiqueta con el nº concreto de personas en cada área de la zona a estudio.

Y luego al final, tras la consolidación de los datos, se podrá ponderar toda la información para agregarla y obtener con ello un ranking de prioridades de actuación por parte de la Administración Pública.

Los datos se calculan por áreas confeccionadas por zonas/calles que están relacionadas más que por distritos.

Desde QGis (por si acaso luego es útil), vamos a poner el área de cada zona dibujada (en base al conocimiento “sobre el terreno” de la realidad). Para diferenciar las áreas, las hemos numerado. Hay 38.

En la representación se escogerán las zonas que más necesiten intervención por su vulnerabilidad.

Vamos a incorporar la cantidad de personas que viven en cada área. Para ello se va a sacar, utilizando cualquiera de las capas generadas ayer como la de padrón.

Lo primero que se va a hacer ahora, es contar los puntos en polígono. En las capas generadas ayer, cogemos cualquiera (no la que se le quitó el punto del asilo) y le pedimos que “cuente puntos”, por lo que se creará una capa nueva y ejecutamos.

Se ha creado una nueva capa. Abrimos “atributos” y se ve que se ha añadido que dentro de cada capa, se dice el nº de personas que vive en cada área (oscilando de cero a ochocientas). Analizamos ¿qué está pasando? y lo que pasa es que en el Juzgado y en el Colegio, no vive nadie, hay naves abandonadas… conclusión, el resultado tiene sentido.

Decidimos, eliminar la capa generada y repetir el proceso basándonos en la capa sin asilo. Cogemos “los puntos que están mal” y lo dejamos dentro del área del asilo.

Ejecutamos de nuevo el análisis de puntos y sobreescribimos la capa generada antes. Analizamos.

Tenemos tres áreas con poca población (de nuevo)… algo no estamos haciendo bien. Sólo habíamos movido un punto, no todos… Problema. ¿Cómo podemos hacerlo?

Repetimos.

No había tantos puntos en el asilo…

Vale…, no utilizamos la edificación. Utilizaremos los estudios, porque creemos que puede ser más representativo.

Hay más puntos.

Algo había mal en inmigración, que parece que tenía algún error.

Vamos moviendo punto a punto… ¿habrá alguna forma de moverlos todos a la vez? El proceso es farragoso y lento.

Es importante, tras cada paso, comprobar si éste tiene errores o no.

Vamos a volver a hacer el cálculo de la población total en cada área.Contamos puntos.

Analizamos el resultado. Las áreas pequeñas y las zonas con dotación de edificios públicos, tienen poca población. En la zona de la playa, con edificios altos, hay poca gente empadronada porque son segundas residencia. Como el resultado tiene sentido, seguimos avanzando.

Para sacar el primero de los planos, el de certificados energéticos, por ejemplo,

Ayer se obtuvieron unas valoraciones, en cuanto a los certificados y con ello, simplificamos dando valores de 1 (bueno), 0 (malo) y con el resultado induce a pensar que la simplificación no ofrece demasiada información como resultado. Se decide cambiar el criterio, de modo que se amplia los valores que salen peor.

Con la “calculadora”…, no creamos un campo nuevo y cuando el campo rating sea categoría F-G el valor es uno, cuando sea D y E, el valor es cero coma cinco y cuando el valor sea A y B, el valor será cero.

Desde propiedades, escogemos colores para cada uno de los tres valores (los que están peor, escogemos color rojo), y nos sale un mapa diferente. En equipo, analizamos el resultado para validarlo, si procede.

Tal vez, en lugar de por puntos, se representaría mejor por parcela. Podríamos contar los puntos y poner etiquetas con la suma de puntos por área.

La visualización, queda dispersa. Contamos puntos…

Le vamos a pedir que, en otra capa, cuente sólo los “malos”, los F-G. Con esta capa, contamos: cuantos certificados y cuantos F-G.

De momento, los F-G, están por toda el área de estudio. De momento, hay una discordancia entre la tabla con datos y el mapa obtenido.

Estaba todo bien. Vamos a “unir atributos por localización”.

La representación, pasada de puntos a parcelas, permite visualizar más claramente la situación de vulnerabilidad por zonas.

No nos acaba de gustar cómo de clasificador es la representación anterior. Quitamos las zonas con buenos certificados energéticos.

Ahora vamos a obtener el mapa de “edad de la edificación” a través de la base de datos catastral y lo sacamos a puntos para después poder contarlos.

Hay que trabajar la información porque el primer resultado no visualiza claramente la realidad.

Vamos a pedir que muestre las viviendas más antiguas de 50 años.

Publicamos segundo mapa (de edificación) para el “hilo” del Twitter del proyecto.

Siguiente… Mapa de estudios. El mapa calculado tiene exceso de puntos para poder obtener conclusiones, por lo que depuramos la información. Contamos puntos. Tras contar los puntos, valoramos que se pueda colorear las zonas donde hay mayor cantidad de personas sin estudios. Se concluye que las personas sin estudios, se concentran en las zonas periféricas, principalmente al oeste de la población.

Iniciamos mapa de inmigrantes. El resultado es similar a la tabla sin estudios. Algo no está bien. No se ha hecho bien. Ag! Sin estudios tampoco se ha hecho bien. Hemos cogido a toda la población… Ah ho! De estudios está bien… Volvemos a hacerlo a ver que pasa… Efectivamente.. estaba mal :( Lo borramos.

Volvemos atrás…

El resultado muestra un barrio que claramente es vulnerable.

Pasamos al mapa de los inmigrantes. El resultado es congruente y diferente al análisis del mapa sin estudios.

Queda el mapa de ayudas sociales y a continuación, el mapa que agrega a todos los demás.

De la capa de personas mayores, se ha extraído: -los mayores de 65, los mayores de 75 y los mayores de 85.

Sobre el anterior mapa, volvemos a contar, sólo los de 85 años. El resultado no es posible. Se detecta un error.

El error estaba en contar una capa que no tocaba. Ahora ya sólo cuenta los mayores de 65.

Faltan los mapas de ayudas y los del estado del edificio.

El mapa de ayudas, se ha hecho como mapa de calor.