Arxius de l'autor: Miquel Roca

Miquel Roca

Sobre Miquel Roca

Dr Enginyer en Automàtica i Electrònica Industrial per la UPC Llicenciat en Física per la UB i responsable del CCU. Estic treballant des de fa anys per que la informació pugui esdevenir coneixement i d’aquesta manera entendre millor el nostre entorn més immediat. Vull utilitzar les eines gràfiques i informàtiques que ens puguin ser més d'utilitat en cada moment per copsar una realitat concreta.

Pàgina web:

Filosofia per l’Anàlisi Urbà. Una evolució de les eines del CCU.

Durant tots els anys de la trajectòria del CCU s’ha anat passant per diferents fases, un element inicial clau és la utilització dels Sistemes d’Informació Geogràfica (SIG) per representar entitats urbanes georeferenciables. Aquestes entitats són capaces d’aportar informació rellevant inclús per la comprensió i interpretació de determinats fenòmens socials. Podem concloure que tot element significatiu ubicat en l’entorn urbà és suscep­tible de ser representat en un SIG, des de les canonades de transport d’aigua fins als arbres o les papereres, i en el mateix moment en que representem aquests objectes sobre d’un plànol adquireixen automàticament l’atribut de georeferenciable.

Un inconvenient que té això seria que aquestes entitats han d’estar més o menys ‘fixa­des’ sobre el territori, si volem ampliar encara més aquest concepte de georeferenciable a entitats mòbils o que siguin susceptibles de desplaçar-se d’un punt a un altre  haurem d’introduir el nou concepte de ‘posicionament global  mitjançat satèl·lits’ o sigui GPS, en aquesta fase hi hauria els desplaçament de vehicles, persones o posicionament de ‘contenidors’ o altres objectes susceptibles de ser canviats d’ubicació a la via pública, per exemple. El CCU va ser l’evolució d’un grup de treball en SIG, GPS i terminals portàtils, i  va realitzar en el seu moment un treball de camp sobre les barreres arqui­tectòniques a la la ciutat de Mataró. Avui dia el posicionament d’entitats mòbils forma ja part intrínseca de l’anàlisi urbà de manera que ambdós conceptes SIG i GPS estan absolutament lligats.

Un altre aspecte a tenir en compte serien les eines per a l’anàlisi que s’han anat cons­truint, precisament en aquest punt és on el CCU té el seu sentit, l’anàlisi de les dades ha de permetre convertir informació útil sobre la ciutat en coneixement envers temes com­plexos, com ara distribució de serveis a la població, distribució de l’activitat econòmica de la ciutat, zonificació a partir de temps de desplaçament des de o envers un determinat servei, trajectes a entitats properes, etc.

El CCU s’ha basat en un SIG per a completar-lo amb eines específiques d’anàlisi a de­manda dels tècnics corresponents, aquestes eines eren els anomenats ‘mòduls’ d’anàlisi del CCU. L’entorn inicial escollit fou el SIG  Geomedia Professional un recurs de fàcil aprenentatge i maneig, sobre l’entorn Windows. L’inconvenient era que aquest pro­grama interactuava, en la nostra concepció, amb bases de dades  de tipus local, i l’avantatge  que les BD eren estàndard i d’us majoritari com és el cas de Microsoft Ac­cess. De totes maneres el concepte principal consistia en que s’havia de tenir l’element de càlcul i les dades en el propi ordinador i això portava  dificultats en els aspectes de manteniment de la informació i del propi programari.

Per superar aquests obstacles es va pensar en utilitzar un producte més modern i no as­sociat a un fabricant determinat, més aviat lligat al concepte de Programari Lliure, i que disposés d’una comunitat important d’usuaris que garantissin el seu desenvolupament i continuïtat independentment dels aspectes comercials. Aquesta seria una nova fase en l’evolució de les eines del CCU.

El programari escollit fou el QGIS com a SIG per equips de sobretaula, aquest progra­mari també és l’escollit pel SSIT de l’Ajuntament de Mataró per a molts dels seus des­envolu­paments com ara el ‘Mataró SIG Visor 3.0’ que és un visor a través d’Internet de mapes i d’entitats georeferenciades de la ciutat, en el qual també participa el CCU. A més a més del QGIS,  en aquest projecte també s’utilitza la base de dades PostgreSQL (Postgres), que també és  de lliure distribució.

Durant anys es van fer avenços en la implementació dels Mòduls del CCU (desenvolu­pats en l’entorn Geomedia Professional) mitjançant el QGIS, encara que es tractava més que res d’una translació de funcionalitats, és a dir aconseguir les matei­xes funcionalitats del Geomedia en el nou entorn, però que encara no representava un canvi conceptual important.

El canvi va arribar a l’implementar la filosofia ‘client-servidor’ en la base de dades i en l’actualització automàtica dels mòduls, utilitzant els propis procediments ja previstos en el QGIS.

En aquesta filosofia ‘client-servidor’ cada client des de QGIS es con­necta amb la BD PostgreSQL. I el material es pot consolidar en la mateixa BD si l’usuari té els permisos corresponents.

Tampoc s’executa el codi dels procediments d’anàlisi només en l’equip local. El codi s’executa en part en l’equip local, en el llenguatge Python com és propi del QGIS però també en el servidor utilitzant la potència del llenguatge SQL amb PostGIS per les fun­cions espaci­als del PostgreSQL, per tant el SIG podria quedar reduït a un ‘front-end’ per entrar les dades de la consulta i representar-ne els resultats.

En resum s’hauria passat d’un entorn local a un entorn distribuït, però mantenint la ne­cessitat de disposar d’un programari instal·lat localment, sense costos de llicències, multi plataforma, i amb actualitzacions automàtiques

Una darrera fase en aquesta evolució, en la qual s’hi està treballant en l’actualitat, seria que l’entorn d’entrada i sortida de dades no fora pròpiament un programa SIG amb uns mòduls d’anàlisi, si no un entorn web del tipus del ‘Mataró SIG Visor 3.0’ en aquest cas sí que tot el càlcul es realitzaria en el servidor, i no es requereix cap potència en l’ordinador de l’usuari simplement els recursos estàndard dels navegadors web.

Resumint una mica tot el que ja s’ha exposat, en aquest moment es disposa d’una po­tència de càlcul i d’anàlisi en un entorn QGIS-PostgreSQL amb facilitats de manteni­ment de l’entorn i de les dades, capaç d’arribar a tot el personal tècnic i polític de l’Ajuntament sense costos de llicències i amb un equip de desenvolupament consolidat entre el CCU i el propi SSIT municipal.

L’aplicatiu web seria una altra forma de desenvolupar aquesta mateixa filosofia del QGIS-PostgreSQL, però sense QGIS, les consultes haurien de ser una mica més acota­des però les possibilitat d’anàlisi que té lloc en el servidor serien les mateixes. Això permetria una obertura del sistema al públic en general i tanmateix també es podria en­trar en el mon de les apps per a mòbils

Elements de Simulació en l’Anàlisi Urbà

Activitats Econòmiques

El mòdul per visualitzar les activitats econòmiques, tal com ja es va explicar en aquest Bloc, permet a més a més de ubicar les activitat segons una llista de descriptors, definir tambè una zona d’influència i representar mitjançant un mapa temàtic la població que es troba a fora d’aquesta zona d’influència.

Característiques interessants de la representació són el poder escollir com a zona d’influència, la que hi ha a l’entorn del Graf de Trams de Carrer (GTC) que es genera al recòrrer a peu en distància o en temps a partir del punt on es desenvolupa l’activitat, igualment es pot escollir si es vol generar el mapa temàtic de la població exclosa i altres paràmetres de la generació del graf.

S’utilitzarà un mòdul del CCU que permet conèixer quin tant per cent de la població, possible usuària un recurs determinat, es troba dins d’una zona d’influència determinada pel desplaçament a peu, mesurada en distància o en temps. És el mòdul anomenat ‘Mesura de la Població Afectada’

Cas1: Panaderies o pastisseries amb la Zona d’Influència GTC que es genera anant 3 minuts a peu, i la població externa, segmentada per ILLES de cases. Vegeu la figura 1

Fig 1. Zones d’Influència GTC de 3m a peu i població exclosa: Forns de Pa

Cas 2: Peixeteries amb les mateixes condicions de 3m a peu. Vegeu la figura 2.

Fig 2. Zones d’Influència GTC de 3m a peu i població exclosa: Peixateries

Fig 2. Zones d’Influència GTC de 3m a peu i població exclosa: Peixateries

Cas 3: Papereries i llibreries en les mateixes condicion de 3m a peu. Vegeu la figura 3.

Fig 3. Zones d’Influència GTC de 3m a peu i població exclosa: Papereries i Llibreries

Tal com es pot veure en les corresponents figures en el cas dels forns de pa és difícil trobar zones on instal·lar un nou forn de pa que no estiguin dins de les arees d’influ-ència dels anteriors, encara que sí que n’ni ha en alguns punts de la ciutat. En el cas de les peixateries ja és molt més fàcil trobar-ne i en el cas de les papereries està en un punt intermig.

En aquest darrer (figura 3) cas hem volgut posar de manifest una altra de les possibi-litats del mòdul que és representar el punt on es troba l’activitat amb un tamany que és proporcional al tamany real en metres quadrats del local, exagerant una  mica l’escala del punt.

Simulació de la incorporació d’una nova activitat. Cas de les Peixeteries

En el mapa de la figura 2 podem veure a baix de tot que hi ha una zona molt poblada (ILLES més fosques) on no hi ha cap comerç d’aquest tipus. Simulem per tant que sobre un nou comerç en el punt que mostra la figura 4, encara sense zona d’influència delimitada.

Fig 4. Simulació d’una nova peixateria (punt vermell sense ZI)

Amb l’eina corresponent simulem la Zona d’Influència GTC visualizant el temàtic per ILLES de població exclosa i el tant per cent de cobertura. Figura 5

Fig 5. Simulació d’una nova peixateria amb ZI-GTC i temàtic de població exclosa

En el primer cas obtenim una cobertura del 58.15 % i en el segon del 60.53 %

Fragment del Quadre de Diàleg del mòdul 'Població Afectada'. Sense la Nova Peixateria

Fragment del Quadre de Diàleg del mòdul. Amb la Nova Peixateria

 

 

 

 

De manera que si ho volem saber exactament quants habitants hi ha a menys de 3 minuts d’aquest nou emplaçament tindriem:

(60.53-58.15)*123.744=2945 habitants

Àrees d’Influència d’Equipaments

El mateix que s’ha fet amb activitats econòmiques o comercials es pot fer amb equi-paments que realitzen un servei determinat. Ara es veurà un exemple amb els Centres d’Assitència Primària.

Suposem que tenim uns Centres d’Assistència Primària i volem saber la població que es troba a menys de 5 minuts a peu seguint el Graf de Trams de Carrer. En principi fem la representació dels entorns de cada centre i a 5 minuts, vegeu la figura 6

Fig 6. Zones d’Influència GTC a 5m dels CAP

Mitjançant el mòdul corresponent podem saber el tant per cent de a població total que està dins d’aquestes Zones d’Influència a 5 m del corresponent CAP. La interfície la podem veure a la figura 7

Fig 7. Quadre de Dialeg per a Definir la Zona d’Influència GTC i calcular la població inclosa. En aquest cas un 28.3 % del total d’usuaris potencials

Fixem-nos que el càlcul s’efectua a partir de la segmentació de la població per parcel·les tal com mostra la figura 8 amb un detall de mapa amb les ZI i les parcel·les que hi són en contacte.

Fig 8. Detall del procediment de calcul de la població a partir de la segmentació en parcel•les.

A efectes de simulació de possibles escenaris podem posar un nou CAP i tornar a fer els càlculs anteriors. El resultat és una cobertura del 32,11 % com mostren les figures 9 i 10

Fig 9. Simulació de la inclusió d’un nou CAP

Fig 10. Quadre de Diàleg amb Població Afectada. Simulació de nou CAP.

Tal com s’ha dit podem saber igualment la quantitat de població que es veurà bene-ficiada per aquest equipament en les condicions de proximitat que ens interessi, i anar-ho repetint per a qualsevol emplaçament que es vulgui testejar.

(32,11-28,3)*123.744= 4629 habitants

Aquestes eines gràfiques d’anàlisi no solament poden ajudar a tenir una fotografia més exacta del significat de tenin un equipament o una activitat en un lloc concret de la ciu-tat sinò que ens permeten visualitzar els efectes de tots els canvis i modificacions que es facin sobre tots els ciutadans o els usuaris en particular

Sobre la Generació de Taules de Proximitat

 

 

En anteriors entrades ja hem parlat del Graf de Trams de Carrer (GTC). El GTC és un conjunt de segments connectats per nodes per on poden circular els vianants de la ciutat per fer els seus trajectes a peu dins de la vila (vegeu l’entrada: ‘Sobre el Graf de Trams de Carrer (GTC) ‘).

També es va veure com mitjançant unes característiques pròpies dels segments del graf podem saber la distància mínima entre un punt qualsevol, normalment una adreça qual­sevol, i un centre proveïdor de servei (CAP, Escola, Centre Cívic etc.), això ens va por­tar al un nou concepte de Zona d’Influència basat en la distància sobre el GTC o en el temps necessari per recórrer aquesta distància (vegeu l’entrada: ‘Nou concepte de Zo­nes d’Influència lligat als desplaçaments de la població’).

El GTC és un graf orientat i d’aquí ve que en els seus segments podem tenir informació del Cost (temps que triga una persona en recórrer el segment anant a una determinada velocitat quan va en el sentit del tram) i Cost_invers (temps que triga quan va en sentit contrari), això també es pot aplicar a una población segmentada segons l’edat, ja que presumiblement la velocitat será diferent per una persona de 25 anys que per una per­sona de 65.

Una de les possibilitats que té el GTC dins del Geomèdia (GM) és la utilització d’eines de rutatge, com el Geomèdia Transportation Mànager (GMTM) que ens permeten, a més a més de generar el propi graf, calcular els camins més curts o òptims segons una determinada funció cost entre dues o més entitats o Classes d’Entitat (taula o conjunt d’entitats del mateix tipus). Una de les característiques del GMTM que es va desenvo­lupar és la possibilitat de generar cobertures a partir d’unes classes d’entitat inicials que ens van facilitar la construcció de l’eina per generar les Zones d’Influència basades en el GTC que ja s’ha descrit.

L’explotació de totes les possibilitats de trobar camins entre entitats a través d’un graf, si no es vol efectuar el càlcul directament en el moment, o si no es disposa dels ele­ments de càlcul ‘on line’, ens porta a la generació de taules amb tots els camins entre les entitats origen i les entitats final, que anomenem ‘Taules de Proximitat’.  Després per obtenir determinats trajectes només haurem de consultar la taula corresponent, sense necessitat de disposar de les eines de rutatge i ni tan sols l’entorn del GM.

Per la creació d’aquestes taules es va construïr un mòdul del GM anomenat ‘Generació de Taules de Proximitat’ que anem a descriure tot seguit [Aquest mòdul formava part del Projecte Final de Carrera de Eric Belando que va presentar el 2011 a la EUPMt per obtenir el Títol d’Enginyer Tècnic Industrial] . El format del Generador de Taules és el d’un formulari on haurem de plasmar les entrades i les opcions d’aquest càlcul, vegeu la figura 1.

Fig 1. Interfície d’usuari per la Generació de Taules de Proximitat

Anem a repassar les tres seccions que es poden veure en aquest formulari

ENTRADES

  • Entitats  ‘origen’ ,des de les quals volem accedir a les entitats proveïdores d’un servei, aquestes poden ser entitats puntuals, com ara els números de policia o portals a peu de carrer, que podem resumir en una adreça determinada tipus Nom de Carrer i Numèro de Carrer. Un altre tipus d’entitats genèriques de la ciutat poden ser les Illes de cases, o també les Parcel·les, en aquest cas serien entitats tipus àrea. Com que per fer el rutatge necessitem una entitat puntual d’origen, en el cas de les entitats tipus àrea s’agafaria el centroide. De totes maneres l’aplicatiu pot funcionar amb qualsevol tipus d’entitat origen, parades de bus, contenidors d’escombreries etc.
  • Entitats ‘destí’, cap a on es dirigeixen els camins que surten de les entitats ori­gen, aquestes entitats serien les que proveeixen d’un servei: Centres d’Assistència Primària, Escoles etc.
  • Graf de Trams de Carrer que utilitzarem. S’han de donar dues classes d’entitat: segments i nusos. El graf ha de tenir informació dels valors de les variables Cost i Cost_invers de cada segment i si es volen calcular taules amb segmentació d’edats hem de tenir aquests mateixos valors de Cost i Cost_invers per a cada segment d’edat. Per això hi ha l’opció d’escollir el GTC que en interessi.

PARÀMETRES

  • S’ha d’indicar si volem generar la taula agafant com a criteri de proximitat la dis­tància (camins de les entitats ‘origen’ fins a les entitats ‘final’ que siguin més curts en distància) o bé el temps  (camins de les entitats ‘origen’ fins a les enti­tats ‘final’ que siguin més curts en temps).

Si hem agafat com a criteri el temps haurem d’escollir si volem segmen­tació per edats o no (si és així el GTC l’ha d’incloure).

  • Nombre d’entitats a les que volem generar camins per ordre de proximitat. Ca­mins a 4 les Escoles Bressol (EB), per exemple, més properes. En aquest cas de cada entitat ‘origen’ hi haurà 4 camins a les 4 EB més properes.
  • Paràmetres interns de la generació de taules. Com ara quina ha la distància mà­xima de les entitats ‘origen’ al GTC per possibilitar el rutatge. O els les agrupa­cions d’entitats que podem fer com a bloc de càlcul.

SORTIDES

  • A quina connexió del GM volem posar les taules que generem com a sortida.
  • Els noms que tenen cada una de les dues taules que generem. Una taula de trajec­tes, o camins, per tant amb geometria de línia. I una taula sense geometria on només posem les dades de la proximitat les entitats ‘final’ per a cada entitat ‘origen’, aquesta proximitat pot ser expressada en metres (distància) o en minuts (temps) segons el mètode que hàgim utilitzat

Aquesta  interfície de la figura 1 correspon a la generació de taules de trajectes i proxi­mitat des de les Illes de Cases de la ciutat de Mataró fins a totes les Llars d’Infants (es­coles bressol privades) de la ciutat. Considerant la unitat de mesura el temps empleat en fer el recorregut , per les les persones de menys de 25 anys. Es considera també que cerquem els trajectes i la proximitat a les dues Llars d’Infants més properes a cada Illa de Cases.

A la part esquerra del formulari tenim les ENTRADES on s’ha d’escollir la classe d’entitat de les entitats ‘origen’ i la classe d’entitat de les entitats ‘destí’ i on també s’ha d’escollir l’atribut identificador de cada entitat. Igualment s’ha de seleccionar les dues classes d’entitat del GTC, els segments i els nodes.

A la part central hi ha els PARÀMETRES de les taules que ja hem comentat.

A la dreta hi ha la configuració de les SORTIDES, connexió escollida d’entre les con­nexions actives del GM, i els noms de les dues taules de sortida que estem generant. També hi ha una retroacció del procés que s’està desenvolupant, una barra de progrés abaix de tot i un ‘log’ de quan s’ha acabat de processar cada una dels blocs d’entitats en que s’ha dividit del procés. En el cas de la figura 1, s’ha escollit blocs de 100 entitats i com que hi ha unes 800 i escaig Illes tindrem unes nou línies en la finestra, indicant per a cada bloc en quin moment s’ha completat. Aquest informació ens pot permetre decidir quin format de bloc és més eficient per a cada procés i cada màquina.

 

Fig 2. Generació de la Taula des de cada portal

A la figura 2 veiem el cas de la generació de les taules de trajectes i proximitat des de cada portal, n’hi ha uns 20000, si s’agafen blocs de 100 es necessiten 200 blocs tal com mostra la finestra de seguiment del procés.

També a la figura 3 es mostra la taula generada,  amb el primer camp D_S_I (districte_secció_illa) que correspon de cada Illa de Cases, el segon camp que es veu correspon a l’entitat d’arribada, que està definida pel nom de la Llar d’Infants corresponent, el camp número 4 correspon al temps definit en minuts que es trigaria en anar des de l’Illa del primer camp a la Llar d’Infants del segon camp, la resta de camps indiquen la geometria o sigui el dibuix del trajecte i només els pot interpretar el GM. Com es pot veure per a cada Illa hi ha dos trajectes, són els dos més ‘curts’ a les Llars d’Infants més ‘properes’.

Fig. 3. Taula de les sortides dels trajectes: TrajectesILLES_LI_25a_2

Aquesta  mateixa informació està indicada en un sol registre, en comptes de dos, en la taula de proximitat, on no hi ha cap ‘geometria’. Vegeu la figura 4 on la primera entitat de destí que es troba és la més propera (en temps)

Fig 4. Taula de les sortides de la proximitat: ProximitatILLES_LI_25a_2

En resum aquest mòdul és molt interessant per tenir una base de dades de trajectes o de proximitat en temps o distància, que es poden utilitzar en la publicació ràpida d’informacions que es puguin cercar a partir de ubicacions sobre el mapa de la ciutat o de llistats de domicilis, o d’adreces amb georeferenciació.   Pot ser molt útil per un recurs web, com ara el el servei WFS, del que es pugui obtenir un o varis camins a partir d’una petició d’una pàgina web on hi hagi una ubicació sobre el mapa de mataró. Només cal que, per que la informació sigui actual, les taules es va­gin generant periòdicament, cosa que s’aconsegueix de forma senzilla utilitzant aquest aplicatiu mostrat.

Estudi de l’Activitat Econòmica

 

Unes de les aplicacions més sol·licitades dels Sistemes d’Informació Geogràfica (SIG) són les que tenen a veure amb l’anàlisi de l’activitat econòmica (AE), sigui aquesta la corresponent d’una ciutat, d’un territori o d’un país.

De fet la col·locació sobre el terreny de les diferents activitats econòmiques és una informació estratègica de primer ordre, ja que d’una mirada es pot intuir  si d’una determinada activitat, diguem-ne per exemple: restaurants, farmàcies o perruqueries, n’hi ha una concentració exagerada, equilibrada o deficient. Una anàlisi més rigorosa ens permetria saber si d’acord amb la població ‘target’ que hi ha en la seva proximitat i amb els hàbits de mobilitat de la població està justificada o no una determinada oferta en un lloc concret en relació amb la demanda possible. En aquest sentit s’hauria d’anar a esbrinar motivacions sociològiques, moltes vegades difícilment  racionalitzables, per explicar el per què de la presència o no  d’una activitat en una àrea determinada.

De tota manera, una de les motivacions més senzilles de la geolocalització d’activitats econòmiques en un territori, serien les aplicacions anomenades de ‘geo-marketing’, consistents en veure on hi ha ‘buits’ o mancances d’una determinada activitat per impulsar la creació de negocis precisament en aquells indrets.

Un primer punt d’un aplicatiu que respongués a tals característiques seria la ubicació de les activitats econòmiques sobre el mapa de la ciutat, en aquest cas, de la ciutat de Mataró. Aquesta eina per ser útil caldria que oferís la possibilitat de diferents mètodes de cerca de les activitats, sigui pel nom o descripció, sigui pel codi corresponent segons una determinada classificació. També caldria tenir una font de les activitats i un manteniment que permetés afegir amb agilitat les altes i les baixes que es van produint.

Arribats a aquest punt cal dir que el CCU ha treballat i està treballant en la generació d’eines que permetin ubicar les AE sobre el mapa de la ciutat de Mataró, tant pel que fa a parcel·la com a portal.

La font  de la informació de l’AE de Mataró que ha escollit el CCU és la Brossa Comercial (BC). Cada activitat genera un tipus de deixalles específic i això influeix en la tarifa que ha de pagar, i quan es deixi de fer l’activitat el seu titular serà el primer interessat en notificar-ho als responsables de recaptació per deixar de pagar per aquell concepte, per tant la Base de Dades de la Brossa Comercial és una font actualitzada de l’AE a la ciutat. Com a part negativa d’escollir aquesta font hi ha el fet  que l’activitat real que es faci no s’ajusti exactament a la declarada en concepte de deixalles generades.

Respecte al tema de la classificació, en aquest moment s’ha escollit la forma de classificació que la BC utilitza, que és la dels epígrafs de l’antic IAE (Impost sobre l’Activitat Econòmica), amb tendència a anar-ho canviant progressivament cap a la classificació CCAE (Classificació Catalana d’Activitats Econòmiques).

A l’aplicatiu del CCU també es poden visualitzar algunes característiques concretes com ara la superfície de l’activitat i consultar igualment algunes informacions proveïdes per la Base de Dades de la BC. A més a més també es poden consultar d’altres informacions relacionades amb la població que s’aniran explicant tot seguit i que el refermen com a eina analítica a més a més d’informativa.

Anem a concretar una mica tot això. A la figura 1 es pot veure la interfície on hi el cercador on a partir d’un paraula o conjunt de paraules o d’un codi podem anar seleccionant les activitats que es volen mostrar.

Fig 1. Llista d’activitats que podem cercar i seleccionar

Un cop escollida l’activitat, si es tracta de situar els portals on es desenvolupa l’activitat, es pot anar a una altra pestanya per incidir en el tamany del ‘topo’ on es mostra (proporcional a la superfície del local), i fer d’altres mesures relacionades amb la població, com ara definir una zona d’influència(ZI) a l’entorn de la ubicació de cada activitat i mostrar un mapa temàtic de la població que queda fora de aquestes zones d’influència.

Si mirem per exemple les ferreteries, la segona pestanya seria la que mostra la figura 2

Fig 2. Pestanya pes escollir tamany dels ‘topos’ i de la Zona d’Influència i tipus de Z.I

En aquest cas s’ha escollit un factor de forma dels ‘topos’ de 2, àrees d’influència circulars de 150 m de radi i veure el mapa temàtic de la població exclosa. La sortida es mostra a la figura 3 on s’ha fet un zoom sobre el centre urbà de la ciutat i es poden apreciar els indrets de l’activitat, les  ZI circulars i el mapa temàtic de les illes externes a les ZI.

Fig 3. Ferreteries amb ZI de 150 m i temàtic de població exterior

La llegenda corresponent a aquest mapa es mostra a la figura 4:

Fig 4. Llegenda del mapa de ferreteries

En el mapa temàtic de la població, les Illes més fosques corresponen a les de més població i per tant allà on ‘faria més falta’ la instal·lació de noves activitats.

Les ZI es poden escollir també sobre el Graf de Trams de Carrer (GTC), anem a  veure un altre exemple, les farmàcies.

En aquest cas hi ha la possibilitat d’escollir el treballar amb distància o recorregut seguint el GTC o bé amb temps de trajecte, i s’ha triat una zona d’influència de 3 minuts a l’entorn de cada centre d’activitat. La segona pantalla es mostra a la figura 5 i la sortida a la figura 6

Fig 5. Segona pantalla per a les Farmàcies amb ZI-GTC

Fig 6. Sortida de la consulta de Farmàcies amb ZI graf a 3 minuts

En resum la interacció entre la situació de les diferents activitats econòmiques amb la població, segmentada per Illes, permet veure la sobre-presència d’activitats en uns punts de la ciutat així com la no presència en d’altres on hi pot haver potencials usuaris o compradors. També la utilització del graf de trams de carrer graduat per distància o per temps ens dóna una idea molt fidel del concepte de proximitat i ens permet fer un anàlisi més acurat de les necessitats o tendències properes en la instal·lació de noves activitats.

 

 

 

 

 

 

 

Sobre el Graf de Trams de Carrer (GTC)

 

Tal com ja s’ha comentat en aquest bloc quan hem parlat del ‘Nou concepte de Zones d’Influència’, un element bàsic de la modelització dels desplaçaments a la ciutat de Mataró és el Graf de Trams de Carrer (GTC). Aquest graf està format per segments i nodes, cada segment és un tram de carrer (part del carrer entre cruïlles) i els nodes són precisament les cruïlles.

El GTC es pot obtenir de moltes maneres, però en resum hi ha dos orígens bàsics, ad­quirint-lo a una empresa especialitzada (com per exemple Navteq o  TomTom) , on s’inclouran informacions sobre els sentits de circulació en cada via i els girs prohibits i autoritzats en cada nus i moltes altres coses, o bé generant-lo nosaltres mateixos, aquí s’ha optat pel segon cas, més que res per que es vol estudiar més el desplaçament de vianants  que no pas el de vehicles i d’aquesta manera podem afegir i incloure en el GTC trams que no siguin vials de carrer, com ara camins de vianants dins de parcs o zones verdes i recorreguts específics de la gent que va a peu.

Des del punt de vista d’un SIG el GTC està format per un conjunt d’entitats, o classe d’entitat, segons la terminologia del GeoMedia, de tipus lineal, els segments del graf, i un conjunt d’entitats de tipus punt, els nodes. Aquestes entitats lineals han de ser total­ment connexes si es vol navegar al seu través, o sigui, no hi pot haver cap punt de des­connexió o discontinuïtat. També a part de les característiques geomètriques de cada classe d’entitat, línies i punts, cal que hi hagin uns atributs associats a cada element si­gui aquest segment o node.

Quins són aquests atributs?

En primer lloc hi ha d’haver un codi per a cada segment i un codi per a cada node aquests dos codis han d’estar relacionats, és a dir,  dins de cada segment hi ha d’haver informació d’entre quins dos nodes està definit aquell segment en concret, i això per a tots els segments, d’aquesta manera amb aquestes dues llistes la de segments amb els codis dels nodes dels extrems de cada segment i la dels nodes s’estableix la morfologia del graf i es podria calcular una ruta encara que no tinguéssim la imatge geomètrica precisa.

Un altre atribut que podem tenir dins de la taula de segments és sobre l’ orientació o sentit del tram, aquesta orientació és arbitrària i s’agafa en el moment de definir el graf, per tant ens cal saber quin és el node d’origen del tram i quin el node de final del tram, per tant aquests nodes extrems del tram no són qualssevol , un d’ells és des de on parteix el tram i l’altre és a on arriba.

Per la construcció del GTC utilitzem una eina del GeoMedia Transportation Manager que parteix d’una classe d’entitat lineal i ella mateixa et va guiant per acabar obtenint les dues classes d’entitat del graf, els segments i els nodes, automàticament és generen els camps: NodeId en la taula de nodes amb un codi per cada node, i els camps: EdgeId, FromNodeId, ToNodeId en la taula de segments, que ens indiquen el codi de segment, i des de quin node a quin altre node està definit el segment, respectivament. Aquests són els camps principals per la construcció del graf, després n’hi ha uns altres que anirem comentant a continuació. Vegeu a la figura 1 una part dels segments i els nodes del GTC amb els identificadors respectius.

Fig1. Segments i Nodes del GTC amb els codis de EdgeId (vermell) i NodeId (negre)

Si cliquem sobre del tram 1017 obtenim les informacions que es mostren a la figura 2, on es poden comprovar els valors dels atributs EdgeId, FromNodeId i ToNodeId i es pot veure que el tram 1017 efectivament va del node 836 fins al node 837 tal com es veu a la figura 1.

Fig2. Dades del Segment 1017

De la mateixa manera es pot comprovar que hi ha molts altres camps dins dels atributs del tram, fixem-nos de moment en els camps LENGTH i Cost i Cost_invers.

Per què volem el GTC?

Per a dues coses, en primer lloc per a navegar des d’un punt de la ciutat fins a un altre, aquesta navegació ens ha de portar al conjunt de segments concatenats que uneixin el punt inicial amb el punt final segons un determinat criteri d’optimització que podria ser minimitzant la distància o minimitzant alguna altra variable (a la figura 3 es mostren els trajectes a les 3 Escoles Bressol més properes des d’una adreça concreta de la ciutat)  i en segon lloc per desplegar a partir d’un punt el conjunt, ramificat en arbre, de trajectes fins a assolir una determinada distància màxima o un valor màxim d’un altre indicador (vegeu la figura 4)

Fig 3. Trajectes a les 3 Escoles Bressol més properes des d’un punt de la ciutat seguint el GTC. La variable a optimitzar és la distància.

A la figura 4 es pot veure aquesta construcció en arbre, seguin el GTC, a partir de l’entitat: Escola Bressol ‘Les Figueretes’ fins a una distància màxima de 250 m. Com es veu a la figura la progressió fins a assolir els 250 metres pot acabar en un punt entremig del tram.

Fig 4. Arbre corresponent a l’Escola Bressol ‘Les Figueretes’ sobre el GTC (segments i nodes) fins a una distància de 250 m.

Tant en el cas 1, camí o trajecte entre dos punts de la ciutat, com en el cas 2, arbre des­plegat sobre el GTC a partir d’un punt, s’ha utilitzat la distància, el camp LENGTH, de cada segment com a base dels càlculs, això vol dir el camí òptim de distància mínima entre dos punts o el desplegament per la xarxa de trams de carrer fins arribar a fer la distància fixada de 250 m.

Una altra possibilitat seria fer servir una altra variable a minimitzar quan volem definir un camí o a utilitzar quan volem definir un desplegament en arbre, aquesta variable se­ria la que tenim quantificada en els camps Cost i Cost_invers de cada tram. Així com la longitud del tram no depèn de si es recorre en un sentit  o en un altre, en canvi si es tre­balla amb una altra variable, com ara el temps de recorregut del tram, sí que depèn de les característiques específiques de cada tram, com ara el pendent, els obstacles i la ti­pologia (plataforma única, escales, etc.) i en aquest cas té sentit de tenir dos paràmetres per tram, per si es circula en el sentit definit del tram Cost o si es va en sentit contrari Cost_invers. Això pot donar lloc a diferències importants de recorregut o de conjunt de carrers a l’abast si es va de casa a l’Ambulatori o es torna de l’ambulatori, sobretot quan el terreny és accidentat, amb moltes pujades i baixades.

En resum, quan més acurada sigui la informació del GTC, i en concret de cada tram, més es podrà afinar en la cerca de recorreguts òptims i en la definició de les Zones d’Influència a través del graf. De la mateixa manera, la utilització de la variable temps com a funció de cost, ens dona una mesura molt més real de la proximitat o llunyania dels centres proveïdors de serveis al ciutadà però requereix de tenir un bon model de la velocitat en els desplaçaments.

Relació entre la capacitat d’un centre proveïdor de serveis i la seva àrea d’influència

 

Ja s’ha vist, en aquest mateix Bloc, com associar la població amb el territori, sabem que pot quedar associada a les Illes, parcel·les i els portals de la ciutat, i també s’ha vist com segmentar aquesta mateixa població segons determinats criteris, franja d’edat, estudis, procedència geogràfica, nacionalitat etc.

Ara anem a explicar com donat un determinat centre proveïdor d’un servei, per exemple un centre educatiu,  podem delimitar una zona del territori immediatament proper, de manera que ‘casin’ la capacitat del centre per una part i la població ‘target’ d’aquest zona propera per altra.

No cal dir que la vista del territori estudiat, en aquest cas la ciutat de Mataró, amb els centres proveïdors  del servei i les respectives àrees properes d’influència, pot donar una imatge, al menys teòrica, de la cobertura o no cobertura de les necessitats del global de la població en el servei objecte d’estudi.

Des d’un punt de vista tecnològic, és a dir, de les eines que ens poden permetre obtenir aquesta representació gràfica, un SIG (Sistema d’Informació Geogràfica) per sí mateix no ens permet obtenir-ho d’una forma fàcil i immediata. Per tant hem hagut d’anar a les funcionalitats base del nostre SIG, en aquest cas el GeoMedia, per generar un procés iteratiu i convergent de modificació de la zona d’influència fins que el nombre d’habitants continguts a la zona, coincideixi amb la capacitat de servei del centre estudiat.

Anem a veure-ho per un cas concret que coneixem. Suposem que volem estudiar la implantació de les Escoles Bressol Municipal a la ciutat de Mataró, recordem la situació dels centres en la figura 1.

Fig 1. Situació de les Escoles Bressol Municipals a la ciutat de Mataró.

Ja que els usuaris de les Escoles Bressol són nens entre 0 i 2 anys, el que s’ha de fer és preparar una segmentació de la població total que només tingui en compte aquesta franja d’edat, i també s’ha d’escollir si ho agreguem per Illes, parcel·les o portals. Utilitzarem el recurs basat en Visual Basic que ja vam explicar, la interfície seria la de la figura 2.

Fig 2. Escollim els habitants entre 0 i 2 anys agrupats per Illes.

Això vol dir exactament que tenim associat a cada illa de cases el nombre de nens entre 0 i 2 anys que hi ha empadronats en algun habitatge de l’illa. Ens cal també tenir associat a cada entitat Escola Bressol el nombre màxim de nens que pot acollir. A partir d’aquestes dues dades podem iniciar el procés de càlcul pròpiament dit. Cal tenir en compte que l’àrea d’influència resultant serà, probablement, diferent per a cada entitat ja que dependrà tant de la capacitat del centre com de la densitat que hi hagi a les illes del voltant de cada centre de nens entre 0 i 2 anys.

Fixem-nos en la interfície de càlcul de les Àrees d’Influència de la figura 3, aquí podem veure el formulari que s’ha d’omplir per iniciar el càlcul.

Fig 3. Interfície per generar les Àrees d’Influència

Els camps més importants són:

Tipus d’agregació: ILLES [podrien ser també Parcel·les o Portals]
Entitat Base: Escoles Bressol [a partir de les quals generem les Àrees d’Influència]
Paràmetre del Radi Incial: 400 [valor associal al radi de les Zones d’Influència incials]
Cobertura: 100% [si volem que Tota la població del rang tingui Escola Bressol, o només una part, en aquest cas aquest valor seria de menys del 100%]
Possibilitat de comptar els habitants que no estàn a cap zona: Sí
Possibilitat de fer un mapa temàtic de la població no inclosa: No
Treballar per Trams: No [Possibilitat d’agafar Zones d’Influència Circulars o a partir del Graf de Trams de Carrer]

Si premem el botó de ‘Calcular l’Àrea d’Influència’ obtenim el que surt a la figura 4.

Fig4. Àrees d’Influència de les EB Municipals

A l’anterior figura es pot veure l’Àrea d’Influència de cada Escola Bressol Muncipal on s’ha aproximat la població entre 0 i 2 anys de cada zona i la disponibilitat de places de cada centre. Encara que no es vegi a la figura 4, s’ha calculat igualment el  nombre de nens d’aquestes edats que queda fora del conjunt d’àrees, que és per a tota la ciutat de 1972. Cal pensar també que segons la mena d’agregació que es faci l’aproximació entre la xifra del recompte de nens dins de la zona i la del nombre de places serà més o menys propera, si comptem per illes l’error que es pot cometre és molt més gran que si comptem per parcel·les o portals, ja que a l’incloure o no una illa el nombre d’habitants de la zona canvia molt bruscament.

També hi ha la possibilitat de fer un mapa temàtic de tota aquesta població que queda fora, d’aquesta manera les illes més fosques són les que tenen més nens ‘exclosos’ en la situació actual de les Escoles Bressol Municipals i considerant una cobertura del 100%. Vegeu la figura 5.

Fig 5. Àrees d’Influència de les EB Municipals, amb mapa temàtic per illes de la població exclosa

Es imporant pensar que el que s’ha vist per les Escoles Bressol Municipals, es pot generalitzar a qualsevol grup d’entitats que ofereixin un servei determinat i de les que coneixem la seva capacitat en el servei, per exemple els Centres d’Assistència Primària, els Centres Cívics, les institucions socio-sanitàries, etc.

En un cop d’ull, si mirem per exemple la figura 5 podem saber a quins llocs de la ciutat seria més interessant que hi hagués un nou centre o a on no caldria que n’hi hagués un d’existent. L’eina permet fer simulacions modificant la ubicació i la capacitat d’un centre en concret observant com varien el nombre i distribució de la població no inclosa.

Igualment tot el que s’ha fet per les Àrees d’Influència circulars, a vista d’ocell, es pot fer també per les Àrees d’Influència seguint el Graf de Trams de Carrers, considerant els trajectes del vianants i donant una imatge més real de la capacitat d’accedir a un determinat servei.  Però això ja ho comentarem més endavant.

Nou concepte de Zones d’Influència lligat als desplaçaments de la població

 

Tots els Sistemes d’Informació Geogràfica (SIG) tenen el concepte de Zona d’Influència, normalment anomenat ‘buffer’, que consisteix en agafar una classe d’entitat (taula d’entitats) i generar en el seu entorn una àrea que amplia la frontera de les entitats una certa distància i respon a la idea de zona d’influència o zona de proximitat o de veïnatge.

Per tant si la classe d’entitat de la que volem definir el ‘buffer’ és una àrea, tal com hem dit, el seu ‘buffer’ és una altra àrea que comprèn l’entitat i té més o menys la mateixa forma, però si la classe d’entitat és lineal el seu ‘buffer’ és una àrea de tipus rectangular que pot estar arrodonida en els extrems  i si la classe d’entitat és puntual el seu ‘buffer’ és una àrea de tipus circular.

Un paràmetre característic de les zones d’influència és el ‘radi’ o distància, en realitat el concepte més adequat és el de distància ja que ens indica a quina distància de l’entitat base es troba el límit de la seva zona d’influència, però que en el cas d’entitats  puntuals, com que la zona d’influència és circular, sí que coincideix amb el radi d’aquest cercle.

Fig 1: Zones d’Influència sobre les Zones Verdes a una distància de 50 m.

A la figura 1 podem veure un exemple de les zones d’influència sobre entitats tipus àrea, com és el cas de les zones verdes accessibles de la ciutat de Mataró, en aquest cas s’ha considerat una distància fixa de 50 metres. Això podria tenir un sentit de comptar , per exemple, quants ciutadans viuen a menys de 50 metres d’una zona verda.

Un altre cas molt comú d’utilització de les zones d’influència seria veure quants ciutadans estan a més d’una determinada distància d’un centre proveïdor de serveis, com un Centre d’Assistència Primària (CAP) o un centre docent o un centre cívic, en aquest cas són molt útils els ‘buffers’ a l’entorn d’aquestes entitats, que normalment són representades com a entitats puntuals i per tant les seves zones d’influència seran circulars. Això ho podem veure a la figura 2 pel cas d’Escoles Bressol Municipals de la ciutat de Mataró.

Fig 2: Zones d’Influència a l’entorn de Escoles Bressol Municipals a 250 m

En aquesta figura es veuen els típics cercles que corresponen a les zones d’influència de les entitats puntuals i que podrien servir, tal com hem dit, per veure quanta població està a menys de 250 metres d’una Escola Bressol Municipal i quanta a més, per exemple.

Aquesta característica de dibuixar ‘buffers’ a l’entorn d’entitats és molt utilitzada en SIG quan es volen fer operacions espacials, com ara unió, intersecció, combinacions analítiques, agregacions etc. En el cas de les Escoles Bressol, es pot fer una agregació de tota la població (o dels infants entre 0 i 2 anys) que hi ha  dins de cada zona d’influència a partir de les dades que tenim prèviament agrupades per Illes de cases, parcel·les o portals, tal com s’ha descrit en un altre ‘post’ en aquest mateix bloc, indicant que es sumen tots els habitants que pertanyen a les entitats (siguin aquestes Illes, parcel·les o portals) que estan contingudes dins de la zona d’influència corresponent.

De totes maneres, en totes les operacions que tenen a veure amb la població i amb els seus desplaçaments per la ciutat, aquesta mesura de la proximitat directe que ens proporciona el ‘buffer’ dels SIG no sempre ens és útil, ja que si volem dir ‘nens que hi ha a menys de 250 m de l’Escola Bressol’ aquest concepte de ‘buffer’ ens mostra els nens que viuen  a menys de 250 m, però en línia recta, ja que és el radi de la zona d’influència. El que seria més real seria indicar els nens que hi ha a 250 m seguint la xarxa de carrers, comptant que els nens aniran a l’escola circulant pel carrer. També seria útil considerar en comptes de distància, el seu equivalent en temps, nens que hi ha a menys de 5 minuts del centre, i en aquest cas tenint en compte les facilitats o inconvenients que presenten els carrers, pendents, obstacles ,escales etc.

Això ens ha de portar a definir una nova zona d’influència lligada a la xarxa de trams de carrer (anomenem tram el segment de carrer entre cruïlla i cruïlla). En primer lloc considerarem la xarxa com a una entitat lineal arborescent que creix a partir de l’entitat puntual origen (en aquest cas serien les Escoles Bressol). Vegeu la figura 3

Fig 3. Graf de Trams de Carrer a partir de les Escoles Bressol fins a 250 m de distància

Efectivament  a la figura es poden veure els recorreguts a partir de l’entitat origen que faria un vianant anant en qualsevol direcció (sense passar dues vegades pel mateix lloc) i recorrent un màxim de 250 metres. Com es pot veure els possibles recorreguts depenen de la morfologia de la xarxa de carrers en cada lloc de la ciutat, a part de la pròpia distància a recòrrer. En aquest cas el sentit de distància és molt més real que considerant les zones d’influència clàssiques amb distància a vista d’ocell.

Com que volem tenir una zona d’influència amb les mateixes característiques que la definida de forma clàssica, hem de convertir aquest conjunt de trams en un àrea, agafant precisament un ‘buffer’ sobre aquesta entitat lineal (abans hem hagut de convertir el conjunt de trams en una entitat lineal única)

Fig 4. Zones d’Influència sobre el Graf de Trams de Carrer, distància 250 m

A la figura 4 es pot veure l’efecte d’agafar un ‘buffer’ sobre cada conjunt de trams desplegats a 250 m de la seva entitat origen. Aquest ‘buffer’ s’agafa a 20 m de les línies del graf de trams.

D’aquesta manera es poden continuar aplicant les operacions espacials que ens calguin pels nostres càlculs com si fossin àrees circulars, però amb l’avantatge d’uns resultats molt més realistes quan treballem amb població i distàncies.

 

Segmentació de la Població

 

Tal com vam veure en un ‘post’ anterior sobre les agregacions de la població de la ciutat, utilitzant la base de dades del Padró Municipal d’Habitants es pot localitzar la població segons la Illa de cases on es viu, segons la parcel·la o segons el portal on hi ha el seu domicili.

Aquesta manera de geolocalitzar pot ser molt útil per mesures o consultes en les quals interessi veure on hi ha més gent o on n’hi ha menys. Però, anant més enllà, pot caldre també discernir sobre quin tipus de població hi ha, segons característiques que estiguin reflectides en el Padró, aquestes característiques són: la data de naixement, el gènere, els estudis, el lloc de procedència , la nacionalitat, i totes les  declarades per cada ciutadà a   l’empadronar-se a la ciutat.

Aquestes propietats, juntes, combinades o separades poden determinar segmentacions de la població en cada una de les agregacions per lloc de què parlàvem abans.

En un anterior exemple sobre les Escoles Bressol Municipal, el segment de població que interessava geolocalitzar era el de nens entre 0 i 2 anys. Anem a veure una interfície del plug-in construït en VB per treballar sobre el SIG  GeoMedia que permet fer aquestes segmentacions.

 

Fig 1. Interfície per fer la Segmentació i l’Agregació dels habitants

A la figura 1 podem veure a la pestanya de l’ edat uns camps on indicar el marge inferior i el marge superior de l’edat que estem cercant, i amb dues possibilitats de comptabilitzar-ho,  estrictament si compleix anys a la data indicada, o en sentit ampli, la persona té X anys fins que no en compleixi  X+1. A la part superior del formulari es pot veure el mètode d’agregació que s’utilitzarà que en aquest cas és el de les Illes.

Aquestes dades de franges d’edat es podrien combinar amb el gènere i el nivell d’estudis o qualsevol altre propietat. Per exemple si el segment que cerquem és el d’homes entre 50 i 60 anys que tinguin estudis universitaris a nivell de llicenciatura, s’haurien de posar els paràmetres a les pestanyes corresponents com es pot veure a les figures 2, 3 i 4.

Fig 2: Marge d’edat
Fig 3: Gènere
Fig 4: Estudis

També s’observa a la figura 4, que en el formulari cal marcar tots els criteris pels quals es farà la cerca, abans de generar la taula,  a més a més cal posar els paràmetres corresponents a cada una de les pestanyes que siguin necessaris per a cada cas.

En resum, com a eina necessària en els estudis de població basats en les dades del Padró Municipal d’Habitants, presentem aquest recurs que permet de generar taules per entitats agregades,  escollides segons els segments de població que ens interessin i que permetin les dades, presentant sempre dades agregades i mai personalitzades.

 

Entitats agregades de Població

 

Hem vist en anteriors entrades que al final de qualsevol càlcul de proximitat en un sentit o en altre (comptar entitats), arribàvem a veure la població afectada agrupada per illes de cases, cosa que permetia, mitjançant un mapa temàtic, veure les illes on hi havia més o menys gent, que en el cas dels càlculs de proximitat ens  portava a estudiar  les illes que es trobaven a més distància d’un determinat centre o que no en tenien cap a una distància determinada.

Es pot dir que aquesta relació amb la població és el motiu final de molts càlculs i simulacions, ja que la població, en darrera instància és el subjecte principal de l’activitat de la gestió municipal.

Anem a veure una mica en detall com fem aquestes agrupacions dels habitants. L’eina base és el Padro Municipal d’Habitants. En un primer procés s’agafen totes les dades rellevants de la base de dades del Padró, i un cop despersonalitzades, s’inclouen en una taula única, que seria una imatge de la situació del Padró Municipal en un moment determinat, en una data determinada, per tant seria una fotografia que es queda obsoleta immediatament acabada de fer ja que el Padró va canviant en el temps constantment degut a les altes i baixes que es van produint de forma contínua.

Un aspecte important és com situar els habitants en el territori. Nosaltres fem les agregacions dels habitants de tres maneres: càlcul dels habitants que viuen en una  mateixa illa, càlcul dels habitants que viuen en una mateixa parcel·la, i càlcul dels habitants que viuen en el mateix ‘portal’.

Aquesta diferent forma de comptar els habitants correspon al nivell de resolució que ens cal, segons el tipus d’estudi que volem fer. Les illes de Mataró són de l’ordre de 600, les parcel·les, estaríem en unes 12.000 i els portals  (també anomenats números de policia) de l’ordre de 20.000. Per tenir una visió general, no massa precisa, les illes són suficients. Si volem calcular els habitants d’una zona arbitrària de la ciutat  afinarem molt més amb àrees molt més petites com ara les parcel·les, i amb els portals, que per definició no són àrees sinó punts, encara més. Seria com tenir una mateixa fotografia amb uns pixels molt grans (illes) o més petits (parcel·les i portals).

Com podem associar cada habitant amb una illa, una parcel·la o un portal?  D’entrada hem dit que tenim tots els habitants en una única taula, cada fila de la taula és una persona i tant tindrem un total de tantes files com persones. Ara el que cal és un identificador de l’entitat amb la qual volem associar aquest habitant. Si parlem d’illes hi ha una forma única d’identificar cada illa amb un conjunt de tres codis INE (Instituto Nacional de Estadística) : codi de districte censal, i dins de cada districte codi de secció censal i dins de cada secció codi d’illa, tots tres són codis numèrics, i el conjunt de tots tres codis constitueix un identificador únic per una illa de la ciutat de Mataró, el format sol ser D-S-I (districte-secció-illa) per exemple: 5-2-4 que vol dir la illa 4 de la secció 2 del districte 5. Com que cada registre (fila) de la taula tindrà el seu codi D-S-I podrem sumar tots els habitants que tenen un mateix codi, per exemple pel codi 5-2-4 podríem dir que hi ha 235 habitants i així podríem fer una nova taula de dues columnes en la primera tindríem tots els codis d’illa i en la segona els habitants que podem comptar de cada codi. Aquesta seria una primera forma d’agregació dels habitants.

Codificació INE per les Illes: Districte-Secció-Illa
Taula d’agregacions d’habitants per Illa

De la mateixa manera podem tenir en cada registre de la taula general del Padró un identificador únic per la parcel·la que en aquest cas s’anomena codi UTM o Referència Cadastral [set caracters numèrics], aquest codi no existeix per les parcel·les dins de les zones rurals i en aquest cas és substituït per un altre codi que s’anomena CODI_GIS[ nou caracters numèrics]

Codificació per les parcel·les urbanes codi UTM

De la mateixa manera que hem fet la taula d’agregacions per les illes ho faríem per les parcel·les

Agregacions dels habitants per parcel·la

Tal com es pot veure el nombre d’habitants per parcel·la és molt menor que en el cas de les illes, però clar depèn de l’edificació en vertical que hi hagi.

L’agregació per portals o números de policia la faríem en base a un codi que es genera directament de l’adreça postal. El codi NP estaria format per codiCarrer+NumCasa+Lletra, corresponent a cinc caracters numèrics pel codi de carrer, tres pel número de casa, i un per la lletra que si no n’hi ha, que és el normal, es posa una x.

Numeros de Carrer. Codificació CodiCarrer.NumCarrer.Lletra

Com podem veure són els números de carrer que es correspondran amb els portals de les cases i/o les escales. Podem fer l’agregació igual que s’ha fet per les Illes i les parcel·les.

Agregació d’habitants per portal

En resum, d’aquesta manera podem construir les agregacions d’habitants segons la unitat de referència geogràfica que agafem.

Aquesta georeferenciació agregada dels habitants de la ciutat ens pot permetre fer estudis de densitat de població per barris o per àrees concretes de la ciutat, també per carrers, vies i eixos i preveure necessitats de serveis a la població.

 

Una altra cara de la mateixa moneda. Comptar entitats properes

Hem vist en el ‘post’ anterior d’aquesta secció com podem visualitzar la proximitat de la població a un centre de serveis utilitzant el recurs dels mapes de colors o mapes temàtics, ho hem vist aplicat a les Escoles Bressol Municipals.

Una altra manera de posar de manifest si un determinat servei està a prop del teu domicili o està més lluny, seria comptant quants centres proveïdors d’aquest servei tens com a màxim a una determinada distància, per exemple a menys de 200 metres de casa teva, en aquest cas la informació és un pel diferent, ja que també dóna una idea de saturació, o de possibilitats d’escollir, que conformen una altra categoria, de qualitat d’atenció.

En resum podem saber si estem a prop d’una determinada Escola Bressol si la nostra illa està pintada en un to de gris molt clar o també podem saber si tenim una, dues, tres o cap Escoles Bressol a una determinada distància de la nostra illa de cases.

Aquesta gradació de cap, una, dues, tres etc. es pot mostrar també en forma de mapa temàtic on cada color representa, no un rang, com fèiem en el cas de les distàncies sinó un nombre d’entitats properes.

Tornem a un exemple:

Compta les Escoles Bressol a menys de 400 de cada illa de cases

Aquí es veuen les Illes que tenen una Escola Bressol a menys de 400 m de distància (gris clar) les que en tenen dues (gris fosc) i les que no en tenen cap a menys de 400 m (blanc)

També podem fer un temàtic de la població de nens entre zero i dos anys que viuen en illes que estan a més de 400m de qualsevol Escola Bressol

En groc la població de les illes que estan a ms de 400 m de cada illa de cases

Les illes en groc més fosc corresponen a les que tenen un nombre més gran de nens entre zero i dos anys que haurien de desplaçarse més distància per anar a un centre. Això està fet pel cas de 400 m però ho podríem fer per a qualsevol distància.

Altres exemples d’aplicació d’aquesta mesura de quantitat de centres proveïdors de servei que tenim a una determinada distància màxima ho podem aplicar a les parades d’autobús, de taxi, de contenidors d’envasos de vidre etc.

Mirem ara un exemple aplicat a les Zones Verdes Accessible, podem mesurar quantes Zones Verdes Accessible tenim a prop, i a on viu més gent en les illes mes allunyades

Tematic de nombre de Zones Verdes Accessibles a menys de 100 de cada illa de cases i de la població exclosa

A la llegenda podem veure els dos temàtics: en tons de gris els que indiquen el nombre de Zones Verdes Accessibles a menys de 100 m de la nostra illa de cases i en tons de groc els habitants, en general, que viuen en cada illa per rangs equivalent.

Llegenda dels dos temàtics, el de la població que queda fora i els de les entitats a menys de 100 m de distància

Per tant visualment s’obtè informació del punts més faltats i també dels punts més ben situats des d’aquest punt de vista. Aquesta informació en matisa la que obteníem nomes de la proximitat. També veiem que podem fer dues menes de mapes temàtics, quan es tracta de variables contínues, en aquest cas es fan intervals o rangs i quan es tracta de variables discretes on hi ha un color per a cada valor.