Herramientas de usuario

Herramientas del sitio


politicaspublicasvalencia:areas_vulnerables_vinaros

¡Esta es una revisión vieja del documento!


Áreas vulnerables Vinaròs

**Grupo de Vinarós**

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?

Equipo

  • 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

1 Qué análisis o visualización responde a la pregunta

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

Pasos a seguir para producir la visualización 1 y qué herramientas son necesarias.

Visualización 2

Pasos a seguir para producir la visualización 2 y qué herramientas son necesarias

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

Documentación

Referencias

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

2 Qué datos necesito y dónde los encuentro

  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).

== 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.

Qué herramientas uso para producir la visualización. Qué pasos debo seguir

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).

politicaspublicasvalencia/areas_vulnerables_vinaros.1570033049.txt.gz · Última modificación: 2019/10/02 18:17 por kruitau