Exploración EVAS y FAO: Caucho
library(readr)
library(dplyr)
Adjuntando el paquete: 'dplyr'The following objects are masked from 'package:stats':
filter, lagThe following objects are masked from 'package:base':
intersect, setdiff, setequal, unionlibrary(ggplot2)
library(janitor)
Adjuntando el paquete: 'janitor'The following objects are masked from 'package:stats':
chisq.test, fisher.testlibrary(patchwork)Evas 2007-2108: https://www.datos.gov.co/Agricultura-y-Desarrollo-Rural/Evaluaciones-Agropecuarias-Municipales-EVA/2pnw-mmge/about_data
Evas 2018 - 2022: https://www.datos.gov.co/Agricultura-y-Desarrollo-Rural/Evaluaciones-Agropecuarias-Municipales-EVA-2019-20/uejq-wxrr/about_data
Evas 2007-2018
caucho_eva1 <- read_csv("datos_caucho/datos_colombia/Evaluaciones_Agropecuarias_Municipales_EVA_20240914.csv") Rows: 206068 Columns: 17
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (10): DEPARTAMENTO, MUNICIPIO, GRUPO
DE CULTIVO, SUBGRUPO
DE CULTIVO, ...
dbl (7): CÓD.
DEP., CÓD. MUN., AÑO, Área Sembrada
(ha), Área Cosechada
(ha...
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.caucho_eva1 %>%
head()# A tibble: 6 × 17
`CÓD. \nDEP.` DEPARTAMENTO `CÓD. MUN.` MUNICIPIO `GRUPO \nDE CULTIVO`
<dbl> <chr> <dbl> <chr> <chr>
1 15 BOYACA 15114 BUSBANZA HORTALIZAS
2 25 CUNDINAMARCA 25754 SOACHA HORTALIZAS
3 25 CUNDINAMARCA 25214 COTA HORTALIZAS
4 54 NORTE DE SANTANDER 54405 LOS PATIOS HORTALIZAS
5 54 NORTE DE SANTANDER 54518 PAMPLONA HORTALIZAS
6 68 SANTANDER 68377 LA BELLEZA HORTALIZAS
# ℹ 12 more variables: `SUBGRUPO \nDE CULTIVO` <chr>, CULTIVO <chr>,
# `DESAGREGACIÓN REGIONAL Y/O SISTEMA PRODUCTIVO` <chr>, AÑO <dbl>,
# PERIODO <chr>, `Área Sembrada\n(ha)` <dbl>, `Área Cosechada\n(ha)` <dbl>,
# `Producción\n(t)` <dbl>, `Rendimiento\n(t/ha)` <dbl>,
# `ESTADO FISICO PRODUCCION` <chr>, `NOMBRE \nCIENTIFICO` <chr>,
# `CICLO DE CULTIVO` <chr>Evas 2018-2022
caucho_eva2 <- read_csv("datos_caucho/datos_colombia/Evaluaciones_Agropecuarias_Municipales___EVA._2019_-_2023._Base_Agr_cola_20240914.csv") Rows: 115572 Columns: 18
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (12): Código Dane departamento, Departamento, Código Dane municipio, Mun...
dbl (3): Año, Rendimiento, Código del cultivo
num (3): Área sembrada, Área cosechada, Producción
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.caucho_eva2 %>%
head()# A tibble: 6 × 18
`Código Dane departamento` Departamento `Código Dane municipio` Municipio
<chr> <chr> <chr> <chr>
1 05 Antioquia 05002 Abejorral
2 05 Antioquia 05002 Abejorral
3 05 Antioquia 05002 Abejorral
4 05 Antioquia 05002 Abejorral
5 05 Antioquia 05002 Abejorral
6 05 Antioquia 05002 Abejorral
# ℹ 14 more variables: `Grupo cultivo` <chr>, Subgrupo <chr>, Cultivo <chr>,
# `Desagregación cultivo` <chr>, Año <dbl>, Periodo <chr>,
# `Área sembrada` <dbl>, `Área cosechada` <dbl>, Producción <dbl>,
# Rendimiento <dbl>, `Ciclo del cultivo` <chr>,
# `Estado físico del cultivo` <chr>, `Código del cultivo` <dbl>,
# `Nombre científico del cultivo` <chr>Estructura Eva1
glimpse(caucho_eva1)Rows: 206,068
Columns: 17
$ `CÓD. \nDEP.` <dbl> 15, 25, 25, 54, 54, 68…
$ DEPARTAMENTO <chr> "BOYACA", "CUNDINAMARC…
$ `CÓD. MUN.` <dbl> 15114, 25754, 25214, 5…
$ MUNICIPIO <chr> "BUSBANZA", "SOACHA", …
$ `GRUPO \nDE CULTIVO` <chr> "HORTALIZAS", "HORTALI…
$ `SUBGRUPO \nDE CULTIVO` <chr> "ACELGA", "ACELGA", "A…
$ CULTIVO <chr> "ACELGA", "ACELGA", "A…
$ `DESAGREGACIÓN REGIONAL Y/O SISTEMA PRODUCTIVO` <chr> "ACELGA", "ACELGA", "A…
$ AÑO <dbl> 2006, 2006, 2006, 2006…
$ PERIODO <chr> "2006B", "2006B", "200…
$ `Área Sembrada\n(ha)` <dbl> 2, 82, 2, 3, 1, 1, 72,…
$ `Área Cosechada\n(ha)` <dbl> 1, 80, 2, 3, 1, 1, 70,…
$ `Producción\n(t)` <dbl> 1, 1440, 26, 48, 5, 6,…
$ `Rendimiento\n(t/ha)` <dbl> 1.00, 18.00, 17.33, 16…
$ `ESTADO FISICO PRODUCCION` <chr> "FRUTO FRESCO", "FRUTO…
$ `NOMBRE \nCIENTIFICO` <chr> "BETA VULGARIS", "BETA…
$ `CICLO DE CULTIVO` <chr> "TRANSITORIO", "TRANSI…Resumen General EVa1
summary(caucho_eva1) CÓD. \nDEP. DEPARTAMENTO CÓD. MUN. MUNICIPIO
Min. : 5.00 Length:206068 Min. : 5001 Length:206068
1st Qu.:17.00 Class :character 1st Qu.:17524 Class :character
Median :41.00 Mode :character Median :41357 Mode :character
Mean :40.32 Mean :40748
3rd Qu.:68.00 3rd Qu.:68001
Max. :99.00 Max. :99773
GRUPO \nDE CULTIVO SUBGRUPO \nDE CULTIVO CULTIVO
Length:206068 Length:206068 Length:206068
Class :character Class :character Class :character
Mode :character Mode :character Mode :character
DESAGREGACIÓN REGIONAL Y/O SISTEMA PRODUCTIVO AÑO
Length:206068 Min. :2006
Class :character 1st Qu.:2009
Mode :character Median :2013
Mean :2012
3rd Qu.:2015
Max. :2018
PERIODO Área Sembrada\n(ha) Área Cosechada\n(ha) Producción\n(t)
Length:206068 Min. : 0.0 Min. : 0.0 Min. : 0
Class :character 1st Qu.: 10.0 1st Qu.: 8.0 1st Qu.: 32
Mode :character Median : 35.0 Median : 30.0 Median : 140
Mean : 291.1 Mean : 249.4 Mean : 2791
3rd Qu.: 151.0 3rd Qu.: 130.0 3rd Qu.: 648
Max. :47403.0 Max. :38600.0 Max. :4546116
Rendimiento\n(t/ha) ESTADO FISICO PRODUCCION NOMBRE \nCIENTIFICO
Min. : 0.030 Length:206068 Length:206068
1st Qu.: 1.500 Class :character Class :character
Median : 5.000 Mode :character Mode :character
Mean : 9.239
3rd Qu.: 11.230
Max. :246.000
NA's :3433
CICLO DE CULTIVO
Length:206068
Class :character
Mode :character
NO se observan entradas en blanco o NA
Limpieza de variables
caucho_eva1l <- caucho_eva1 %>%
clean_names()
caucho_eva1l# A tibble: 206,068 × 17
cod_dep departamento cod_mun municipio grupo_de_cultivo subgrupo_de_cultivo
<dbl> <chr> <dbl> <chr> <chr> <chr>
1 15 BOYACA 15114 BUSBANZA HORTALIZAS ACELGA
2 25 CUNDINAMARCA 25754 SOACHA HORTALIZAS ACELGA
3 25 CUNDINAMARCA 25214 COTA HORTALIZAS ACELGA
4 54 NORTE DE SANT… 54405 LOS PATI… HORTALIZAS ACELGA
5 54 NORTE DE SANT… 54518 PAMPLONA HORTALIZAS ACELGA
6 68 SANTANDER 68377 LA BELLE… HORTALIZAS ACELGA
7 25 CUNDINAMARCA 25754 SOACHA HORTALIZAS ACELGA
8 25 CUNDINAMARCA 25214 COTA HORTALIZAS ACELGA
9 54 NORTE DE SANT… 54518 PAMPLONA HORTALIZAS ACELGA
10 68 SANTANDER 68377 LA BELLE… HORTALIZAS ACELGA
# ℹ 206,058 more rows
# ℹ 11 more variables: cultivo <chr>,
# desagregacion_regional_y_o_sistema_productivo <chr>, ano <dbl>,
# periodo <chr>, area_sembrada_ha <dbl>, area_cosechada_ha <dbl>,
# produccion_t <dbl>, rendimiento_t_ha <dbl>, estado_fisico_produccion <chr>,
# nombre_cientifico <chr>, ciclo_de_cultivo <chr>Corroboramos limpieza
names(caucho_eva1l) [1] "cod_dep"
[2] "departamento"
[3] "cod_mun"
[4] "municipio"
[5] "grupo_de_cultivo"
[6] "subgrupo_de_cultivo"
[7] "cultivo"
[8] "desagregacion_regional_y_o_sistema_productivo"
[9] "ano"
[10] "periodo"
[11] "area_sembrada_ha"
[12] "area_cosechada_ha"
[13] "produccion_t"
[14] "rendimiento_t_ha"
[15] "estado_fisico_produccion"
[16] "nombre_cientifico"
[17] "ciclo_de_cultivo" Seleccionamos variables de interés
datos_caucho1 <- caucho_eva1l %>%
select(-grupo_de_cultivo ,-subgrupo_de_cultivo, -desagregacion_regional_y_o_sistema_productivo,- periodo,-estado_fisico_produccion, -nombre_cientifico, -ciclo_de_cultivo) %>%
rename(
year = ano
)
datos_caucho1 # A tibble: 206,068 × 10
cod_dep departamento cod_mun municipio cultivo year area_sembrada_ha
<dbl> <chr> <dbl> <chr> <chr> <dbl> <dbl>
1 15 BOYACA 15114 BUSBANZA ACELGA 2006 2
2 25 CUNDINAMARCA 25754 SOACHA ACELGA 2006 82
3 25 CUNDINAMARCA 25214 COTA ACELGA 2006 2
4 54 NORTE DE SANTANDER 54405 LOS PATIOS ACELGA 2006 3
5 54 NORTE DE SANTANDER 54518 PAMPLONA ACELGA 2006 1
6 68 SANTANDER 68377 LA BELLEZA ACELGA 2006 1
7 25 CUNDINAMARCA 25754 SOACHA ACELGA 2007 72
8 25 CUNDINAMARCA 25214 COTA ACELGA 2007 2
9 54 NORTE DE SANTANDER 54518 PAMPLONA ACELGA 2007 1
10 68 SANTANDER 68377 LA BELLEZA ACELGA 2007 1
# ℹ 206,058 more rows
# ℹ 3 more variables: area_cosechada_ha <dbl>, produccion_t <dbl>,
# rendimiento_t_ha <dbl>agrupar por el cultivo de interés = Caucho
unique(datos_caucho1$cultivo) [1] "ACELGA" "ACHICORIA"
[3] "MALANGA" "ACHIRA"
[5] "ACHIOTE" "AGRAZ"
[7] "AGUACATE" "AJI"
[9] "AGUAJE" "AHUYAMA"
[11] "AJO" "AJONJOLI"
[13] "ALBAHACA" "ALFALFA"
[15] "ALCACHOFA" "ALGARROBO"
[17] "ALGODON" "AMARANTO"
[19] "ANIS" "ANON"
[21] "ANTURIO" "APIO"
[23] "ARANDANO" "ARAZA"
[25] "ARRACACHA" "ARROZ"
[27] "ARVEJA" "ASAI"
[29] "ASPARRAGUS" "ASTROMELIA"
[31] "AVENA" "BACURI"
[33] "BADEA" "BANANITO"
[35] "BANANO" "BATATA"
[37] "BERENJENA" "BREVO"
[39] "BORE" "BOROJO"
[41] "BROCOLI" "CACAO"
[43] "PLATANO" "CADUCIFOLIOS"
[45] "CAFE" "CAUCHO"
[47] "CAIMO" "CALABACIN"
[49] "CALABAZA" "CALENDULA"
[51] "CANYARANA" "CAÑA AZUCARERA"
[53] "CAÑA FLECHA" "CAÑA MIEL"
[55] "CAÑA PANELERA" "CARDAMOMO"
[57] "CEBADA" "CEBOLLA DE BULBO"
[59] "CENTENO" "CEBOLLA DE RAMA"
[61] "CEBOLLIN" "CHACHAFRUTO"
[63] "CHAMBA" "CHAMPIÑON"
[65] "CHIA" "CIMARRON"
[67] "CHIRIMOYA" "CHOLUPA"
[69] "CIRUELA" "CHONQUE"
[71] "CHONTADURO" "CITRICOS"
[73] "CILANTRO" "CLAVEL"
[75] "COCCULUS" "COCO"
[77] "COCONA" "COL"
[79] "CURUBA" "COLIFLOR"
[81] "COPOAZU" "CORDELINE CINTA"
[83] "COROZO" "CURCUMA"
[85] "DATIL" "DURAZNO"
[87] "ENELDO" "ESPARRAGO"
[89] "ESPARTO" "ESPINACA"
[91] "ESTROPAJO" "EUCALIPTO BABY BLUE"
[93] "FEIJOA" "FIQUE"
[95] "FITOSPORUM" "FLOR DE JAMAICA"
[97] "FLORES Y FOLLAJES" "FLOR DE SAFARI"
[99] "FRESA" "FRAMBUESA"
[101] "FRIJOL" "GARBANZO"
[103] "GUANABANA" "FRUTALES VARIOS"
[105] "GIRASOL" "GLADIOLO"
[107] "GRANADILLA" "GUAMA"
[109] "GUANDUL" "GUATILA"
[111] "GUAYABA" "GULUPA"
[113] "HABA" "HABICHUELA"
[115] "IRACA" "HELECHO"
[117] "HELICONIA" "HIERBABUENA"
[119] "HIGO" "HIGUERILLA"
[121] "HORTALIZAS VARIAS" "HORTENSIA"
[123] "JATROPHA" "JENGIBRE"
[125] "LECHUGA" "LAUREL"
[127] "LIMA" "LENTEJA"
[129] "LIMON" "LIMONARIA"
[131] "LIMONIUM" "LULO"
[133] "MACADAMIA" "MAIZ FORRAJERO"
[135] "MAIZ" "MANDARINA"
[137] "MAMEY" "MAMONCILLO"
[139] "MANGO" "MANGOSTINO"
[141] "MANI" "MANZANA"
[143] "MANZANILLA" "MARACUYA"
[145] "MARAÑON" "MELON"
[147] "MENTA" "SORGO"
[149] "MIMBRE" "MORA"
[151] "MORERA" "MORINGA"
[153] "NABO" "NARANJA"
[155] "ÑAME" "NISPERO"
[157] "NONI" "PAPAYA"
[159] "OREGANO" "ORELLANA"
[161] "ORQUIDEA" "PALMA AMARGA"
[163] "PALMA DE ACEITE" "PALMA ROBELINA"
[165] "PALMITO" "PAPA"
[167] "PAPAYUELA" "PATILLA"
[169] "PEPA DE PAN" "PEPINO COHOMBRO"
[171] "PERA" "PEPINO GUISO"
[173] "PEREJIL" "PIMENTON"
[175] "PIÑA" "PIMIENTA"
[177] "PITAHAYA" "QUINUA"
[179] "PLANTAS AROMATICAS" "PLANTAS AROMATICAS Y MEDICINALES"
[181] "PLANTAS MEDICINALES" "POLEO"
[183] "POMARROSA" "POMELO"
[185] "CRISANTEMO" "PROTEA"
[187] "PUERRO" "RABANO"
[189] "RAMBUTAN" "REMOLACHA"
[191] "REPOLLO" "ROMERO"
[193] "ROSA" "RUBA"
[195] "RUDA" "RUSCUS"
[197] "SABILA" "SACHA INCHI"
[199] "SOYA" "STATICE"
[201] "STEVIA" "TABACO NEGRO"
[203] "TABACO RUBIO" "TRIGO"
[205] "TAMARINDO" "TANGARANA"
[207] "TANGELO" "TE"
[209] "TOMATE" "TOMATE DE ARBOL"
[211] "TOMILLO" "TORONJA"
[213] "TREE FERN" "UCHUVA"
[215] "ULLUCO" "UMARI"
[217] "UVA" "UVA CAIMARONA"
[219] "VAINILLA" "YACON"
[221] "YUCA" "ZANAHORIA"
[223] "ZAPOTE" observamos que la base de datos cuenta con entradas del cultivo de caucho
Filtramos por el cultivo de caucho
datosc1 <- datos_caucho1 %>%
filter(cultivo =="CAUCHO")
datosc1 %>%
head()# A tibble: 6 × 10
cod_dep departamento cod_mun municipio cultivo year area_sembrada_ha
<dbl> <chr> <dbl> <chr> <chr> <dbl> <dbl>
1 13 BOLIVAR 13670 SAN PABLO CAUCHO 2009 230
2 13 BOLIVAR 13160 CANTAGALLO CAUCHO 2009 6
3 17 CALDAS 17867 VICTORIA CAUCHO 2009 578
4 17 CALDAS 17444 MARQUETALIA CAUCHO 2009 230
5 17 CALDAS 17662 SAMANA CAUCHO 2009 194
6 17 CALDAS 17777 SUPIA CAUCHO 2009 25
# ℹ 3 more variables: area_cosechada_ha <dbl>, produccion_t <dbl>,
# rendimiento_t_ha <dbl>unique(datosc1$cultivo)[1] "CAUCHO"observemos la estructura y el resumen de la nueva base de datos
glimpse(datosc1)Rows: 1,327
Columns: 10
$ cod_dep <dbl> 13, 13, 17, 17, 17, 17, 50, 50, 50, 50, 50, 50, 50, …
$ departamento <chr> "BOLIVAR", "BOLIVAR", "CALDAS", "CALDAS", "CALDAS", …
$ cod_mun <dbl> 13670, 13160, 17867, 17444, 17662, 17777, 50689, 500…
$ municipio <chr> "SAN PABLO", "CANTAGALLO", "VICTORIA", "MARQUETALIA"…
$ cultivo <chr> "CAUCHO", "CAUCHO", "CAUCHO", "CAUCHO", "CAUCHO", "C…
$ year <dbl> 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009…
$ area_sembrada_ha <dbl> 230, 6, 578, 230, 194, 25, 40, 39, 25, 19, 14, 11, 1…
$ area_cosechada_ha <dbl> 0, 0, 37, 25, 50, 25, 9, 10, 22, 10, 0, 7, 0, 3, 66,…
$ produccion_t <dbl> 0, 0, 59, 36, 65, 38, 12, 13, 29, 13, 0, 9, 0, 4, 96…
$ rendimiento_t_ha <dbl> NA, NA, 1.59, 1.44, 1.30, 1.52, 1.30, 1.30, 1.30, 1.…De una base promordial de dimensiones 206,068x17 pasó a 1,327x10.
summary(datosc1) cod_dep departamento cod_mun municipio
Min. : 5.00 Length:1327 Min. : 5031 Length:1327
1st Qu.:17.00 Class :character 1st Qu.:17867 Class :character
Median :25.00 Mode :character Median :25662 Mode :character
Mean :41.16 Mean :41596
3rd Qu.:68.00 3rd Qu.:68385
Max. :99.00 Max. :99773
cultivo year area_sembrada_ha area_cosechada_ha
Length:1327 Min. :2007 Min. : 1.0 Min. : 0.00
Class :character 1st Qu.:2010 1st Qu.: 30.0 1st Qu.: 0.00
Mode :character Median :2013 Median : 124.0 Median : 10.00
Mean :2013 Mean : 414.7 Mean : 95.57
3rd Qu.:2016 3rd Qu.: 397.5 3rd Qu.: 62.00
Max. :2018 Max. :14128.0 Max. :2149.00
produccion_t rendimiento_t_ha
Min. : 0.0 Min. :0.070
1st Qu.: 0.0 1st Qu.:0.900
Median : 12.0 Median :1.200
Mean : 120.8 Mean :1.204
3rd Qu.: 63.0 3rd Qu.:1.450
Max. :4298.0 Max. :8.700
NA's :436 HASTA AQUÍ TENEMOS LA PRIMERA BASE DE DATOS: datosc1
Estructura Eva2
glimpse(caucho_eva2)Rows: 115,572
Columns: 18
$ `Código Dane departamento` <chr> "05", "05", "05", "05", "05", "05", "0…
$ Departamento <chr> "Antioquia", "Antioquia", "Antioquia",…
$ `Código Dane municipio` <chr> "05002", "05002", "05002", "05002", "0…
$ Municipio <chr> "Abejorral", "Abejorral", "Abejorral",…
$ `Grupo cultivo` <chr> "Frutales", "Frutales", "Frutales", "F…
$ Subgrupo <chr> "Demás frutales", "Demás frutales", "D…
$ Cultivo <chr> "Aguacate", "Aguacate", "Aguacate", "A…
$ `Desagregación cultivo` <chr> "Aguacate demás variedades", "Aguacate…
$ Año <dbl> 2019, 2020, 2021, 2022, 2023, 2019, 20…
$ Periodo <chr> "2019", "2020", "2021", "2022", "2023"…
$ `Área sembrada` <dbl> 807.00, 857.00, 1007.00, 4307.00, 3807…
$ `Área cosechada` <dbl> 506.00, 707.00, 707.00, 3857.00, 1007.…
$ Producción <dbl> 9614.00, 13433.00, 13433.00, 73283.00,…
$ Rendimiento <dbl> 19.00, 19.00, 19.00, 19.00, 19.00, 15.…
$ `Ciclo del cultivo` <chr> "Permanente", "Permanente", "Permanent…
$ `Estado físico del cultivo` <chr> "En fresco", "En fresco", "En fresco",…
$ `Código del cultivo` <dbl> 2040299, 2040201, 2040201, 2040201, 20…
$ `Nombre científico del cultivo` <chr> "Persea americana", "Persea americana"…Resumen General EVa2
summary(caucho_eva2) Código Dane departamento Departamento Código Dane municipio
Length:115572 Length:115572 Length:115572
Class :character Class :character Class :character
Mode :character Mode :character Mode :character
Municipio Grupo cultivo Subgrupo Cultivo
Length:115572 Length:115572 Length:115572 Length:115572
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
Desagregación cultivo Año Periodo Área sembrada
Length:115572 Min. :2019 Length:115572 Min. : 0.0
Class :character 1st Qu.:2020 Class :character 1st Qu.: 6.0
Mode :character Median :2021 Mode :character Median : 20.0
Mean :2021 Mean : 233.7
3rd Qu.:2022 3rd Qu.: 97.0
Max. :2023 Max. :60000.0
Área cosechada Producción Rendimiento Ciclo del cultivo
Min. : 0.0 Min. : 0 Min. : 0.00 Length:115572
1st Qu.: 5.0 1st Qu.: 23 1st Qu.: 1.90 Class :character
Median : 18.1 Median : 108 Median : 6.00 Mode :character
Mean : 214.3 Mean : 3214 Mean : 10.69
3rd Qu.: 85.0 3rd Qu.: 575 3rd Qu.: 13.00
Max. :61000.0 Max. :4776340 Max. :640.00
Estado físico del cultivo Código del cultivo Nombre científico del cultivo
Length:115572 Min. :1010101 Length:115572
Class :character 1st Qu.:1051400 Class :character
Mode :character Median :1080400 Mode :character
Mean :1436985
3rd Qu.:2041400
Max. :2080300 NO se observan entradas en blanco o NA
Limpieza de variables
caucho_eva2l <- caucho_eva2 %>%
clean_names()
caucho_eva2l# A tibble: 115,572 × 18
codigo_dane_departamento departamento codigo_dane_municipio municipio
<chr> <chr> <chr> <chr>
1 05 Antioquia 05002 Abejorral
2 05 Antioquia 05002 Abejorral
3 05 Antioquia 05002 Abejorral
4 05 Antioquia 05002 Abejorral
5 05 Antioquia 05002 Abejorral
6 05 Antioquia 05002 Abejorral
7 05 Antioquia 05002 Abejorral
8 05 Antioquia 05002 Abejorral
9 05 Antioquia 05002 Abejorral
10 05 Antioquia 05002 Abejorral
# ℹ 115,562 more rows
# ℹ 14 more variables: grupo_cultivo <chr>, subgrupo <chr>, cultivo <chr>,
# desagregacion_cultivo <chr>, ano <dbl>, periodo <chr>, area_sembrada <dbl>,
# area_cosechada <dbl>, produccion <dbl>, rendimiento <dbl>,
# ciclo_del_cultivo <chr>, estado_fisico_del_cultivo <chr>,
# codigo_del_cultivo <dbl>, nombre_cientifico_del_cultivo <chr>Corroboramos limpieza
glimpse(caucho_eva2l)Rows: 115,572
Columns: 18
$ codigo_dane_departamento <chr> "05", "05", "05", "05", "05", "05", "05"…
$ departamento <chr> "Antioquia", "Antioquia", "Antioquia", "…
$ codigo_dane_municipio <chr> "05002", "05002", "05002", "05002", "050…
$ municipio <chr> "Abejorral", "Abejorral", "Abejorral", "…
$ grupo_cultivo <chr> "Frutales", "Frutales", "Frutales", "Fru…
$ subgrupo <chr> "Demás frutales", "Demás frutales", "Dem…
$ cultivo <chr> "Aguacate", "Aguacate", "Aguacate", "Agu…
$ desagregacion_cultivo <chr> "Aguacate demás variedades", "Aguacate H…
$ ano <dbl> 2019, 2020, 2021, 2022, 2023, 2019, 2020…
$ periodo <chr> "2019", "2020", "2021", "2022", "2023", …
$ area_sembrada <dbl> 807.00, 857.00, 1007.00, 4307.00, 3807.0…
$ area_cosechada <dbl> 506.00, 707.00, 707.00, 3857.00, 1007.00…
$ produccion <dbl> 9614.00, 13433.00, 13433.00, 73283.00, 1…
$ rendimiento <dbl> 19.00, 19.00, 19.00, 19.00, 19.00, 15.00…
$ ciclo_del_cultivo <chr> "Permanente", "Permanente", "Permanente"…
$ estado_fisico_del_cultivo <chr> "En fresco", "En fresco", "En fresco", "…
$ codigo_del_cultivo <dbl> 2040299, 2040201, 2040201, 2040201, 2040…
$ nombre_cientifico_del_cultivo <chr> "Persea americana", "Persea americana", …Seleccionamos variables de interés
datos_caucho2 <- caucho_eva2l %>%
select(-grupo_cultivo ,-subgrupo, -desagregacion_cultivo,- periodo,-estado_fisico_del_cultivo, -nombre_cientifico_del_cultivo, -ciclo_del_cultivo) %>%
rename(
year = ano
)
datos_caucho2 # A tibble: 115,572 × 11
codigo_dane_departamento departamento codigo_dane_municipio municipio cultivo
<chr> <chr> <chr> <chr> <chr>
1 05 Antioquia 05002 Abejorral Aguaca…
2 05 Antioquia 05002 Abejorral Aguaca…
3 05 Antioquia 05002 Abejorral Aguaca…
4 05 Antioquia 05002 Abejorral Aguaca…
5 05 Antioquia 05002 Abejorral Aguaca…
6 05 Antioquia 05002 Abejorral Banano
7 05 Antioquia 05002 Abejorral Banano
8 05 Antioquia 05002 Abejorral Banano
9 05 Antioquia 05002 Abejorral Banano
10 05 Antioquia 05002 Abejorral Banano
# ℹ 115,562 more rows
# ℹ 6 more variables: year <dbl>, area_sembrada <dbl>, area_cosechada <dbl>,
# produccion <dbl>, rendimiento <dbl>, codigo_del_cultivo <dbl>agrupar por el cultivo de interés = Caucho
unique(datos_caucho2$cultivo) [1] "Aguacate"
[2] "Banano"
[3] "Cacao"
[4] "Café"
[5] "Caña"
[6] "Frijol"
[7] "Limón"
[8] "Lulo"
[9] "Maíz"
[10] "Mango"
[11] "Mora"
[12] "Papa"
[13] "Plátano"
[14] "Tomate de árbol"
[15] "Ají"
[16] "Arracacha"
[17] "Arveja"
[18] "Cebolla de bulbo"
[19] "Cilantro"
[20] "Durazno o albaricoque"
[21] "Guanábana"
[22] "Lima"
[23] "Mandarina"
[24] "Naranja"
[25] "Otros cítricos"
[26] "Pepino Cohombro"
[27] "Pimentón"
[28] "Tabaco"
[29] "Tomate"
[30] "Yuca"
[31] "Ahuyama"
[32] "Cebolla de rama"
[33] "Granadilla"
[34] "Gulupa o cholupa"
[35] "Habichuela"
[36] "Lechuga"
[37] "Repollo"
[38] "Zanahoria"
[39] "Arroz"
[40] "Mangostino"
[41] "Maracuyá"
[42] "Palma de aceite"
[43] "Patilla"
[44] "Piña"
[45] "Plantas aromáticas"
[46] "Soya"
[47] "Coco"
[48] "Ñame"
[49] "Guayaba"
[50] "Otras hortalizas"
[51] "Pitahaya"
[52] "Zapote"
[53] "Badea"
[54] "Melón"
[55] "Papaya"
[56] "Uva"
[57] "Algodón"
[58] "Anón"
[59] "Sábila"
[60] "Sorgo"
[61] "Fique"
[62] "Fresa"
[63] "Iraca"
[64] "Sacha inchi"
[65] "Batata"
[66] "Malanga, achín, yota, papa china, bore"
[67] "Pomelo"
[68] "Achira"
[69] "Maní"
[70] "Tangelo"
[71] "Ajonjolí"
[72] "Arazá"
[73] "Chontaduro"
[74] "Haba"
[75] "Berenjena"
[76] "Col"
[77] "Curuba"
[78] "Calabacín, calabaza"
[79] "Guatila"
[80] "Pepino Guiso"
[81] "Borojó"
[82] "Uchuva"
[83] "Chirimoya"
[84] "Espárrago"
[85] "Morera"
[86] "Papayuela -Babaco"
[87] "Arándano"
[88] "Macadamia"
[89] "Achiote"
[90] "Ciruela"
[91] "Guandul"
[92] "Chiraran - albahaca"
[93] "Cúrcuma o azafrán"
[94] "Rambután"
[95] "Asaí"
[96] "Copoazú"
[97] "Ajo"
[98] "Avena"
[99] "Cebada"
[100] "Feijoa"
[101] "Trigo"
[102] "Ulluco"
[103] "Moringa"
[104] "Chamba"
[105] "Apio"
[106] "Garbanzo"
[107] "Quinua"
[108] "Cimarrón"
[109] "Higo"
[110] "Níspero"
[111] "Otros cultivos para condimentos, bebidas medicinales y aromáticas"
[112] "Ruscus"
[113] "Brevo"
[114] "Manzana"
[115] "Remolacha"
[116] "Acelga"
[117] "Brócoli"
[118] "Coliflor"
[119] "Espinaca"
[120] "Otros frutales"
[121] "Perejil"
[122] "Stevia"
[123] "Millo"
[124] "Mamoncillo"
[125] "Cardamomo"
[126] "Nabo"
[127] "Uva Caimarona"
[128] "Noni"
[129] "Marañón"
[130] "Agraz - mortiño"
[131] "Rábano"
[132] "Manzanilla"
[133] "Hibias, ocas"
[134] "Otras raíces y tubérculos"
[135] "Albahaca"
[136] "Arbol de pan o pepa del pan"
[137] "Higuerilla"
[138] "Romero"
[139] "Corozo"
[140] "Guama"
[141] "Jengibre"
[142] "Orégano"
[143] "Toronja"
[144] "Toronjil"
[145] "Limonaria"
[146] "Ruda"
[147] "Tomillo"
[148] "Frambuesa"
[149] "Pera"
[150] "Caimo"
[151] "Té"
[152] "Laurel"
[153] "Otros caducifolios"
[154] "Alcachofa"
[155] "Palmito"
[156] "Pimienta"
[157] "Tamarindo"
[158] "Carambolo"
[159] "Dátil"
[160] "Menta"
[161] "Olivo"
[162] "Otros cultivos tropicales tradicionales" HASTA AQUÍ TENEMOS LA SEGUNDA BASE DE DATOS: No existen datos para el cultivo de caucho en la eva 2019-2023
Observemos la variable producción
A nivel nacional
caucho_pnal <- datosc1 %>%
summarize(produccion_total = sum(produccion_t, na.rm = TRUE),
media = mean(produccion_t, na.rm=TRUE),
desviación = sd(produccion_t, na.rm=TRUE))
caucho_pnal # A tibble: 1 × 3
produccion_total media desviación
<dbl> <dbl> <dbl>
1 160296 121. 341.por año
datosp_year <-
datosc1 %>%
group_by(year) %>%
summarise(area_cosechada_total_ha = sum(area_cosechada_ha, na.rm = TRUE),
promedio_area_cosechada_ha = mean(area_cosechada_ha, na.rm = TRUE),
produccion_total_t = sum(produccion_t, na.rm = TRUE),
promedio_produccion_total_t = mean(produccion_t, na.rm = TRUE),
)
datosp_year# A tibble: 12 × 5
year area_cosechada_total_ha promedio_area_cosechada_ha produccion_total_t
<dbl> <dbl> <dbl> <dbl>
1 2007 2600 31.3 3730
2 2008 2933 29.6 3431
3 2009 4057 39.0 4725
4 2010 5123 47.4 6176
5 2011 7502 68.8 9654
6 2012 6619 64.3 9648
7 2013 8932 76.3 11512
8 2014 12927 110. 16524
9 2015 15573 127. 20131
10 2016 18434 147. 22858
11 2017 20377 171. 24719
12 2018 21750 183. 27188
# ℹ 1 more variable: promedio_produccion_total_t <dbl>Visualicemos area cosechada y producción por año
vp1 <- datosp_year %>%
tail(10) %>%
ggplot(aes(x=year, y=area_cosechada_total_ha)) +
geom_line(color="#69b3a2") +
geom_point(color="#69b3a2", size=2) +
geom_text(aes(label=area_cosechada_total_ha), vjust = -0.5, size=2.8)+
ggtitle("Area cosechada por año") +
ylab("area cosechada ha")
vp2 <- datosp_year %>%
tail(10) %>%
ggplot( aes(x=year, y=produccion_total_t)) +
geom_line(color="#69b3a2") +
geom_point(color="#69b3a2", size=2) +
geom_text(aes(label=produccion_total_t), vjust = -0.5, size=2.8
)+
ggtitle("producción año en toneladas") +
ylab("producción total de latex por año)") +
ylim(0,30000)
vp1+vp2
por departamento
unique(datosc1$departamento
) [1] "BOLIVAR" "CALDAS" "META"
[4] "CAQUETA" "PUTUMAYO" "QUINDIO"
[7] "ANTIOQUIA" "CASANARE" "CORDOBA"
[10] "CUNDINAMARCA" "GUAVIARE" "SANTANDER"
[13] "CESAR" "VICHADA" "GUAINIA"
[16] "TOLIMA" "NORTE DE SANTANDER"datosp_depar <-
datosc1 %>%
group_by(departamento) %>%
summarise(area_cosechada_total_ha = sum(area_cosechada_ha, na.rm = TRUE),
promedio_area_cosechada_ha = mean(area_cosechada_ha, na.rm = TRUE),
produccion_total_t = sum(produccion_t, na.rm = TRUE),
promedio_produccion_total_t = mean(produccion_t, na.rm = TRUE),
) %>%
arrange(desc(produccion_total_t))
datosp_depar# A tibble: 17 × 5
departamento area_cosechada_total…¹ promedio_area_cosech…² produccion_total_t
<chr> <dbl> <dbl> <dbl>
1 SANTANDER 41862 238. 47617
2 CAQUETA 27010 144. 32703
3 META 17542 80.1 27755
4 ANTIOQUIA 15210 61.3 24071
5 CALDAS 8546 158. 12486
6 CORDOBA 7079 157. 5419
7 GUAVIARE 4006 83.5 5045
8 CUNDINAMARCA 1547 16.6 1633
9 PUTUMAYO 1970 22.6 1270
10 TOLIMA 420 38.2 1072
11 CASANARE 759 11.3 607
12 BOLIVAR 688 20.8 439
13 CESAR 100 5.88 100
14 GUAINIA 40 5.71 60
15 QUINDIO 48 4.8 19
16 NORTE DE SA… 0 0 0
17 VICHADA 0 0 0
# ℹ abbreviated names: ¹area_cosechada_total_ha, ²promedio_area_cosechada_ha
# ℹ 1 more variable: promedio_produccion_total_t <dbl>Visualicemos el promedio de produción por departamento
datosc1 %>%
ggplot(aes(x = departamento, y = produccion_t)) +
geom_boxplot() +
scale_y_log10() +
labs(x = "Departamento",
y = "producción total (t)",
title = "Producción de latex en toneladas por departamento",
subtitle = "Colombia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))Warning in scale_y_log10(): log-10 transformation introduced infinite values.Warning: Removed 438 rows containing non-finite outside the scale range
(`stat_boxplot()`).
Observemos la producción anual de los primeros 5 departamentos
unique(datosp_depar$departamento) [1] "SANTANDER" "CAQUETA" "META"
[4] "ANTIOQUIA" "CALDAS" "CORDOBA"
[7] "GUAVIARE" "CUNDINAMARCA" "PUTUMAYO"
[10] "TOLIMA" "CASANARE" "BOLIVAR"
[13] "CESAR" "GUAINIA" "QUINDIO"
[16] "NORTE DE SANTANDER" "VICHADA" DA <- datosc1 %>%
filter(departamento=="ANTIOQUIA") %>%
group_by(year) %>%
summarise(produccion_total_t = sum(produccion_t, na.rm = TRUE)
) %>%
tail(10) %>%
ggplot(aes(x=year, y=produccion_total_t)) +
geom_line(color="#69b3a2") +
geom_point(color="#69b3a2", size=2) +
geom_text(aes(label=produccion_total_t), vjust = -0.5, size=2.8)+
ggtitle("produccion de latex en Antoiquia") +
ylab("produccion de latex (t)")
DS <- datosc1 %>%
filter(departamento=="SANTANDER") %>%
group_by(year) %>%
summarise(produccion_total_t = sum(produccion_t, na.rm = TRUE)
) %>%
tail(10) %>%
ggplot(aes(x=year, y=produccion_total_t)) +
geom_line(color="#69b3a2") +
geom_point(color="#69b3a2", size=2) +
geom_text(aes(label=produccion_total_t), vjust = -0.5, size=2.8)+
ggtitle("produccion de latex en Santander") +
ylab("produccion de latex (t)")
DA+DS
¿Puede ser por la disminución del área cosechada? Veamos
DAAC <- datosc1 %>%
filter(departamento=="ANTIOQUIA") %>%
group_by(year) %>%
summarise(area_cosechada_total_ha = sum(area_cosechada_ha, na.rm = TRUE),
) %>%
tail(10) %>%
ggplot(aes(x=year, y=area_cosechada_total_ha))+
geom_line(color="#69b3a2") +
geom_point(color="#69b3a2", size=2) +
geom_text(aes(label=area_cosechada_total_ha ), vjust = -0.5, size=2.8)+
ggtitle("Area de caucho cosechada en Antioquia") +
ylab("area cosechada (ha)")
DAAC
Aquí corroboramos la casi relación de una a una (1:1) que existe entre el área cosechada y la producción
¿Cómo va la siembra?
names(datosc1) [1] "cod_dep" "departamento" "cod_mun"
[4] "municipio" "cultivo" "year"
[7] "area_sembrada_ha" "area_cosechada_ha" "produccion_t"
[10] "rendimiento_t_ha" DAAS <- datosc1 %>%
filter(departamento=="ANTIOQUIA") %>%
group_by(year) %>%
summarise(area_total_sembrada_ha = sum(area_sembrada_ha, na.rm = TRUE),
) %>%
tail(10) %>%
ggplot(aes(x=year, y=area_total_sembrada_ha))+
geom_line(color="#69b3a2") +
geom_point(color="#69b3a2", size=2) +
geom_text(aes(label=area_total_sembrada_ha ), vjust = -0.5, size=2.8)+
ggtitle("Area sembrada de caucho en Antioquia") +
ylab("area sembrada (ha)")
DAAS
Las áreas sembradas de Antioquia auguran una futura mejora en la producción de latex
Qué se sabe de El Bagre
caucho_elbagre <- datosc1 %>%
filter(departamento=="ANTIOQUIA") %>%
filter(cod_mun=="5250") %>%
group_by(year) %>%
summarise(area_cosechada_total_ha = sum(area_cosechada_ha, na.rm = TRUE),
produccion_total_t = sum(produccion_t, na.rm = TRUE)
)
caucho_elbagre# A tibble: 12 × 3
year area_cosechada_total_ha produccion_total_t
<dbl> <dbl> <dbl>
1 2007 0 0
2 2008 0 0
3 2009 0 0
4 2010 0 0
5 2011 0 0
6 2012 0 0
7 2013 0 0
8 2014 13 10
9 2015 70 56
10 2016 70 63
11 2017 70 63
12 2018 70 63MAEBA <- datosc1 %>%
filter(cod_mun =="5250") %>%
group_by(year) %>%
summarise(area_total_cosechada_ha = sum(area_cosechada_ha, na.rm = TRUE)
) %>%
tail(10) %>%
ggplot(aes(x=year, y=area_total_cosechada_ha)) +
geom_line(color="#69b3a2") +
geom_point(color="#69b3a2", size=2) +
geom_text(aes(label=area_total_cosechada_ha), vjust = -0.5, size=2.8)+
ggtitle("Áreas cosechadas en El Bagre") +
ylab("area cosechada (ha)")
MAEBP <- datosc1 %>%
filter(cod_mun =="5250") %>%
group_by(year) %>%
summarise(produccion_total_t = sum(produccion_t, na.rm = TRUE)
) %>%
tail(10) %>%
ggplot(aes(x=year, y=produccion_total_t)) +
geom_line(color="#69b3a2") +
geom_point(color="#69b3a2", size=2) +
geom_text(aes(label=produccion_total_t), vjust = -0.5, size=2.8)+
ggtitle("produccion de latex en El Bagre") +
ylab("produccion de latex (t)")
MAEBA +MAEBP 
Veamos el área cultivada
MBAS <- datosc1 %>%
filter(cod_mun=="5250") %>%
group_by(year) %>%
summarise(area_total_sembrada_ha = sum(area_sembrada_ha, na.rm = TRUE),
) %>%
tail(10) %>%
ggplot(aes(x=year, y=area_total_sembrada_ha))+
geom_line(color="#69b3a2") +
geom_point(color="#69b3a2", size=2) +
geom_text(aes(label=area_total_sembrada_ha ), vjust = -0.5, size=2.8)+
ggtitle("Area sembrada de caucho en El Bagre") +
ylab("area sembrada (ha)")
MBAS
Produccion Mundial
caucho_w <- read_csv("datos_caucho/datos_mundo/FAOSTAT_data_en_9-16-2024.csv")Rows: 2382 Columns: 15
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (11): Domain Code, Domain, Area Code (M49), Area, Element, Item Code (CP...
dbl (4): Element Code, Year Code, Year, Value
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.caucho_w %>%
head()# A tibble: 6 × 15
`Domain Code` Domain `Area Code (M49)` Area `Element Code` Element
<chr> <chr> <chr> <chr> <dbl> <chr>
1 QCL Crops and livest… 050 Bang… 5312 Area h…
2 QCL Crops and livest… 050 Bang… 5419 Yield
3 QCL Crops and livest… 050 Bang… 5510 Produc…
4 QCL Crops and livest… 050 Bang… 5312 Area h…
5 QCL Crops and livest… 050 Bang… 5419 Yield
6 QCL Crops and livest… 050 Bang… 5510 Produc…
# ℹ 9 more variables: `Item Code (CPC)` <chr>, Item <chr>, `Year Code` <dbl>,
# Year <dbl>, Unit <chr>, Value <dbl>, Flag <chr>, `Flag Description` <chr>,
# Note <chr>Vemos las variables y sus características
names(caucho_w) [1] "Domain Code" "Domain" "Area Code (M49)" "Area"
[5] "Element Code" "Element" "Item Code (CPC)" "Item"
[9] "Year Code" "Year" "Unit" "Value"
[13] "Flag" "Flag Description" "Note" a)Estoy interesada en las variables:Area,Year, Unit,Element y Value
glimpse(caucho_w)Rows: 2,382
Columns: 15
$ `Domain Code` <chr> "QCL", "QCL", "QCL", "QCL", "QCL", "QCL", "QCL", "Q…
$ Domain <chr> "Crops and livestock products", "Crops and livestoc…
$ `Area Code (M49)` <chr> "050", "050", "050", "050", "050", "050", "050", "0…
$ Area <chr> "Bangladesh", "Bangladesh", "Bangladesh", "Banglade…
$ `Element Code` <dbl> 5312, 5419, 5510, 5312, 5419, 5510, 5312, 5419, 551…
$ Element <chr> "Area harvested", "Yield", "Production", "Area harv…
$ `Item Code (CPC)` <chr> "01950.01", "01950.01", "01950.01", "01950.01", "01…
$ Item <chr> "Natural rubber in primary forms", "Natural rubber …
$ `Year Code` <dbl> 2000, 2000, 2000, 2001, 2001, 2001, 2002, 2002, 200…
$ Year <dbl> 2000, 2000, 2000, 2001, 2001, 2001, 2002, 2002, 200…
$ Unit <chr> "ha", "100 g/ha", "t", "ha", "100 g/ha", "t", "ha",…
$ Value <dbl> 23000, 1000, 2300, 57000, 1000, 5700, 52000, 1000, …
$ Flag <chr> "E", "E", "X", "E", "E", "X", "E", "E", "X", "I", "…
$ `Flag Description` <chr> "Estimated value", "Estimated value", "Figure from …
$ Note <chr> NA, NA, "Unofficial figure", NA, NA, "Unofficial fi…Limpiermos nombre de Variables y seleccionemos variables
caucho_w1 <- caucho_w %>%
select(Area, Element,Year,Unit, Value) %>%
clean_names() %>%
rename(
pais=area,
varaible_productiva=element,
unidad=unit,
cantidad=value
)
caucho_w1 %>%
head()# A tibble: 6 × 5
pais varaible_productiva year unidad cantidad
<chr> <chr> <dbl> <chr> <dbl>
1 Bangladesh Area harvested 2000 ha 23000
2 Bangladesh Yield 2000 100 g/ha 1000
3 Bangladesh Production 2000 t 2300
4 Bangladesh Area harvested 2001 ha 57000
5 Bangladesh Yield 2001 100 g/ha 1000
6 Bangladesh Production 2001 t 5700Veamos área productiva y producción por país
Cuántos paises participan en la producción de caucho en su forma primaria o leatex
unique(caucho_w1$pais) [1] "Bangladesh" "Bolivia (Plurinational State of)"
[3] "Brazil" "Brunei Darussalam"
[5] "Cambodia" "Cameroon"
[7] "Central African Republic" "China"
[9] "China, mainland" "Colombia"
[11] "Congo" "Costa Rica"
[13] "Côte d'Ivoire" "Democratic Republic of the Congo"
[15] "Dominican Republic" "Ecuador"
[17] "Gabon" "Ghana"
[19] "Guatemala" "Guinea"
[21] "Guinea-Bissau" "India"
[23] "Indonesia" "Lao People's Democratic Republic"
[25] "Liberia" "Malaysia"
[27] "Mexico" "Myanmar"
[29] "Nigeria" "Papua New Guinea"
[31] "Peru" "Philippines"
[33] "Singapore" "Sri Lanka"
[35] "Thailand" "Timor-Leste"
[37] "Viet Nam" 37 paises se registran como productores de latex de caucho
Area
caucho_w1a <- caucho_w1 %>%
filter(varaible_productiva=="Area harvested") %>%
group_by(pais) %>%
summarise(
total_area_productiva_ha = sum(cantidad, na.rm=TRUE)
) %>%
arrange(desc(total_area_productiva_ha))
caucho_w1a# A tibble: 37 × 2
pais total_area_productiva_ha
<chr> <dbl>
1 Indonesia 75773393
2 Thailand 54833014
3 Malaysia 26885482
4 China 13639081
5 China, mainland 13639081
6 Viet Nam 11178598
7 India 9550356
8 Nigeria 8087213
9 Côte d'Ivoire 5535366
10 Myanmar 4739292
# ℹ 27 more rowsProducción
caucho_w1p <- caucho_w1 %>%
filter(varaible_productiva=="Production") %>%
group_by(pais) %>%
summarise(
total_produccion_t = sum(cantidad, na.rm=TRUE)
) %>%
arrange(desc(total_produccion_t))
caucho_w1p# A tibble: 37 × 2
pais total_produccion_t
<chr> <dbl>
1 Thailand 85763814.
2 Indonesia 62880487
3 Malaysia 19486617.
4 Viet Nam 18325056.
5 India 18200220.
6 China 15774817
7 China, mainland 15774817
8 Côte d'Ivoire 9043252.
9 Philippines 8660000.
10 Guatemala 4668413.
# ℹ 27 more rowsLos 4 primeros paises con mayor área de producción y producción son: 1)Tailandia (54.833.014 ha - 85.763.813 t) con 20.940.379 menos de ha que indonesia. 2) Indonesia (75.773.393 ha- 62.880.487t). 3) Malasia (26.885.482 ha- 19486617 t) 4) Vietnam (11.178.598 ha- 18.325.055 t) De sexto en areas productivas. Colombia se encuentra ubicada en el lugar 27 por area productiva (184.049 ha) y 28 por producción (124.702). Por detrás de paises de la region como: Guatemala (10, 19.986.314 ha, 668.413 t) Brazil (11, 3.044.129 ha, 3.591.047 t) Mexico (19, 453.281 ha, 1.146.777 t) Ecuador (22, 239.087 ha, 354.110 t) Bolivia (26, 90.162 ha, 222.599 t)
Visualicemos
caucho_w1p %>%
filter(!is.na(total_produccion_t)) %>%
ggplot( aes(x=reorder(pais, total_produccion_t), y=total_produccion_t) ) +
geom_bar(stat="identity", fill="#69b3a2") +
coord_flip() +
theme(
panel.grid.minor.y = element_blank(),
panel.grid.major.y = element_blank(),
legend.position="none"
) +
xlab("") +
ylab("Producción de caucho natural en su forma primaria")
Observemos la dinámica de la producción anual entre Tailandia y Colombia
Desde qué años se registran los datos
unique(caucho_w1$year) [1] 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
[16] 2015 2016 2017 2018 2019 2020 2021 2022cauchot_year <- caucho_w1 %>%
filter(pais=="Thailand") %>%
filter(varaible_productiva =="Production") %>%
group_by(year) %>%
summarise(produccion_anual_t = sum(cantidad)) %>%
ggplot(aes(x=year, y=produccion_anual_t))+
geom_line(color="#69b3a2") +
geom_point(color="#69b3a2", size=2) +
geom_text(aes(label=produccion_anual_t ), vjust = -0.5, size=1.8)+
ggtitle("Producción anual Tailandia") +
ylab("Producción anual (t)")
cauchot_year
Los Tailandeses duplicaron la producción anual de poco mas de dos millones a mas de 4 millones
cauchoc_year <- caucho_w1 %>%
filter(pais=="Colombia") %>%
filter(varaible_productiva =="Production") %>%
group_by(year) %>%
summarise(produccion_anual_t = sum(cantidad)) %>%
ggplot(aes(x=year, y=produccion_anual_t))+
geom_line(color="#69b3a2") +
geom_point(color="#69b3a2", size=2) +
geom_text(aes(label=produccion_anual_t ), vjust = -0.5, size=1.8)+
ggtitle("Producción anual Colombia") +
ylab("Producción anual (t)")
cauchoc_year
Fuente: Datos Abiertos de Colombia
FAOSTAT: https://www.fao.org/faostat/en/#data
world_p <- read_csv("datos_caucho/datos_mundo/FAOSTAT_RUBBER_VALORP.csv")Rows: 27 Columns: 16
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (11): Domain Code, Domain, Area Code (M49), Area, Element, Item Code (CP...
dbl (5): Element Code, Year Code, Year, Months Code, Value
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.world_p %>%
head()# A tibble: 6 × 16
`Domain Code` Domain `Area Code (M49)` Area `Element Code` Element
<chr> <chr> <chr> <chr> <dbl> <chr>
1 PP Producer Prices 076 Brazil 5532 Produc…
2 PP Producer Prices 076 Brazil 5532 Produc…
3 PP Producer Prices 076 Brazil 5532 Produc…
4 PP Producer Prices 156 China,… 5532 Produc…
5 PP Producer Prices 214 Domini… 5532 Produc…
6 PP Producer Prices 214 Domini… 5532 Produc…
# ℹ 10 more variables: `Item Code (CPC)` <chr>, Item <chr>, `Year Code` <dbl>,
# Year <dbl>, `Months Code` <dbl>, Months <chr>, Unit <chr>, Value <dbl>,
# Flag <chr>, `Flag Description` <chr>Variables y características
glimpse(world_p)Rows: 27
Columns: 16
$ `Domain Code` <chr> "PP", "PP", "PP", "PP", "PP", "PP", "PP", "PP", "PP…
$ Domain <chr> "Producer Prices", "Producer Prices", "Producer Pri…
$ `Area Code (M49)` <chr> "076", "076", "076", "156", "214", "214", "214", "3…
$ Area <chr> "Brazil", "Brazil", "Brazil", "China, mainland", "D…
$ `Element Code` <dbl> 5532, 5532, 5532, 5532, 5532, 5532, 5532, 5532, 553…
$ Element <chr> "Producer Price (USD/tonne)", "Producer Price (USD/…
$ `Item Code (CPC)` <chr> "01950.01", "01950.01", "01950.01", "01950.01", "01…
$ Item <chr> "Natural rubber in primary forms", "Natural rubber …
$ `Year Code` <dbl> 2020, 2021, 2022, 2020, 2020, 2021, 2022, 2020, 202…
$ Year <dbl> 2020, 2021, 2022, 2020, 2020, 2021, 2022, 2020, 202…
$ `Months Code` <dbl> 7021, 7021, 7021, 7021, 7021, 7021, 7021, 7021, 702…
$ Months <chr> "Annual value", "Annual value", "Annual value", "An…
$ Unit <chr> "USD", "USD", "USD", "USD", "USD", "USD", "USD", "U…
$ Value <dbl> 497.0, 693.3, 854.0, 2009.9, 1066.1, 1281.6, 1433.1…
$ Flag <chr> "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "…
$ `Flag Description` <chr> "Official figure", "Official figure", "Official fig…Limpio datos
world_p1 <- world_p %>%
select(Area,Element,Year, Value) %>%
clean_names() %>%
rename(
pais = area,
usd_t = element,
valor = value
)
world_p1# A tibble: 27 × 4
pais usd_t year valor
<chr> <chr> <dbl> <dbl>
1 Brazil Producer Price (USD/tonne) 2020 497
2 Brazil Producer Price (USD/tonne) 2021 693.
3 Brazil Producer Price (USD/tonne) 2022 854
4 China, mainland Producer Price (USD/tonne) 2020 2010.
5 Dominican Republic Producer Price (USD/tonne) 2020 1066.
6 Dominican Republic Producer Price (USD/tonne) 2021 1282.
7 Dominican Republic Producer Price (USD/tonne) 2022 1433.
8 Indonesia Producer Price (USD/tonne) 2020 440
9 Indonesia Producer Price (USD/tonne) 2021 540.
10 Indonesia Producer Price (USD/tonne) 2022 536.
# ℹ 17 more rowsVeamos los paises que reciben ingresos por las formas primaria del caucho
unique(world_p1$pais
) [1] "Brazil" "China, mainland" "Dominican Republic"
[4] "Indonesia" "Malaysia" "Mexico"
[7] "Philippines" "Sri Lanka" "Thailand"
[10] "Viet Nam" unique(world_p1$year)[1] 2020 2021 2022Para Brazil
world_p1 %>%
filter(pais=="Brazil")# A tibble: 3 × 4
pais usd_t year valor
<chr> <chr> <dbl> <dbl>
1 Brazil Producer Price (USD/tonne) 2020 497
2 Brazil Producer Price (USD/tonne) 2021 693.
3 Brazil Producer Price (USD/tonne) 2022 854 Para Tailandia
world_p1 %>%
filter(pais=="Thailand")# A tibble: 3 × 4
pais usd_t year valor
<chr> <chr> <dbl> <dbl>
1 Thailand Producer Price (USD/tonne) 2020 1433.
2 Thailand Producer Price (USD/tonne) 2021 1625.
3 Thailand Producer Price (USD/tonne) 2022 1474.promedio del valor por la tonelada recibida por algunos paises productores
worldv_vB <- world_p1 %>%
filter(pais=="Brazil") %>%
group_by(year) %>%
summarise(valor_anual_usd = sum(valor)) %>%
ggplot(aes(x=year, y=valor_anual_usd))+
geom_line(color="#69b3a2") +
geom_point(color="#69b3a2", size=2) +
geom_text(aes(label=valor_anual_usd), vjust = -0.5, size=1.8)+
labs( x= "año",
y = "valor producción anual USD",
title = "valor en USD por tonelada anual",
subtitle = "Brazil"
)
worldv_vB
Visualicemos
worldv_v2 <- world_p1%>%
filter(!is.na(valor)) %>%
filter(year=="2022") %>%
ggplot( aes(x=reorder(pais, valor), y=valor) ) +
geom_bar(stat="identity", fill="#69b3a2") +
coord_flip() +
theme(
panel.grid.minor.y = element_blank(),
panel.grid.major.y = element_blank(),
legend.position="none"
) +
xlab("") +
ylab("Valor en USD por tonelada de latex para el año 2022")
worldv_v2
Existe una diferenciación entre los valores pagados por tonelada para los paises que registran ventas anuales por tonelada. Para Sri Lanka el valor por tonelada sobrepasa los 1500 dolares, mientras que México solo alcanza los 500 dolares
Importación y exportación de caucho para Colombia
caucho_impo_expo <- read_csv("datos_caucho/datos_colombia/FAOSTAT_impor_expor_colombia.csv")Rows: 22 Columns: 15
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (9): Domain Code, Domain, Area, Element, Item Code (CPC), Item, Unit, Fl...
dbl (5): Area Code (M49), Element Code, Year Code, Year, Value
lgl (1): Note
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.caucho_impo_expo %>%
head()# A tibble: 6 × 15
`Domain Code` Domain `Area Code (M49)` Area `Element Code` Element
<chr> <chr> <dbl> <chr> <dbl> <chr>
1 TCL Crops and livest… 170 Colo… 5622 Import…
2 TCL Crops and livest… 170 Colo… 5922 Export…
3 TCL Crops and livest… 170 Colo… 5622 Import…
4 TCL Crops and livest… 170 Colo… 5922 Export…
5 TCL Crops and livest… 170 Colo… 5622 Import…
6 TCL Crops and livest… 170 Colo… 5922 Export…
# ℹ 9 more variables: `Item Code (CPC)` <chr>, Item <chr>, `Year Code` <dbl>,
# Year <dbl>, Unit <chr>, Value <dbl>, Flag <chr>, `Flag Description` <chr>,
# Note <lgl>glimpse(caucho_impo_expo) Rows: 22
Columns: 15
$ `Domain Code` <chr> "TCL", "TCL", "TCL", "TCL", "TCL", "TCL", "TCL", "T…
$ Domain <chr> "Crops and livestock products", "Crops and livestoc…
$ `Area Code (M49)` <dbl> 170, 170, 170, 170, 170, 170, 170, 170, 170, 170, 1…
$ Area <chr> "Colombia", "Colombia", "Colombia", "Colombia", "Co…
$ `Element Code` <dbl> 5622, 5922, 5622, 5922, 5622, 5922, 5622, 5922, 562…
$ Element <chr> "Import Value", "Export Value", "Import Value", "Ex…
$ `Item Code (CPC)` <chr> "01950.01", "01950.01", "01950.01", "01950.01", "01…
$ Item <chr> "Natural rubber in primary forms", "Natural rubber …
$ `Year Code` <dbl> 2012, 2012, 2013, 2013, 2014, 2014, 2015, 2015, 201…
$ Year <dbl> 2012, 2012, 2013, 2013, 2014, 2014, 2015, 2015, 201…
$ Unit <chr> "1000 USD", "1000 USD", "1000 USD", "1000 USD", "10…
$ Value <dbl> 25280, 56, 19158, 31, 21306, 25, 18293, 36, 11944, …
$ Flag <chr> "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "…
$ `Flag Description` <chr> "Official figure", "Official figure", "Official fig…
$ Note <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,… *Las variables de interés tienen un tipo de dato que corresponde a su naturaleza*
summary(caucho_impo_expo) Domain Code Domain Area Code (M49) Area
Length:22 Length:22 Min. :170 Length:22
Class :character Class :character 1st Qu.:170 Class :character
Mode :character Mode :character Median :170 Mode :character
Mean :170
3rd Qu.:170
Max. :170
Element Code Element Item Code (CPC) Item
Min. :5622 Length:22 Length:22 Length:22
1st Qu.:5622 Class :character Class :character Class :character
Median :5772 Mode :character Mode :character Mode :character
Mean :5772
3rd Qu.:5922
Max. :5922
Year Code Year Unit Value
Min. :2012 Min. :2012 Length:22 Min. : 9.0
1st Qu.:2014 1st Qu.:2014 Class :character 1st Qu.: 157.5
Median :2017 Median :2017 Mode :character Median : 5664.0
Mean :2017 Mean :2017 Mean : 8395.0
3rd Qu.:2020 3rd Qu.:2020 3rd Qu.:16062.2
Max. :2022 Max. :2022 Max. :25280.0
Flag Flag Description Note
Length:22 Length:22 Mode:logical
Class :character Class :character NA's:22
Mode :character Mode :character
unique(caucho_impo_expo$Element)[1] "Import Value" "Export Value" **Limpieza**
caucho_impo_expo2 <- caucho_impo_expo %>%
select(Element,Year,Unit, Value) %>%
clean_names() %>%
rename(
tipo_transaccion=element,
valor_USD=value
)
caucho_impo_expo2# A tibble: 22 × 4
tipo_transaccion year unit valor_USD
<chr> <dbl> <chr> <dbl>
1 Import Value 2012 1000 USD 25280
2 Export Value 2012 1000 USD 56
3 Import Value 2013 1000 USD 19158
4 Export Value 2013 1000 USD 31
5 Import Value 2014 1000 USD 21306
6 Export Value 2014 1000 USD 25
7 Import Value 2015 1000 USD 18293
8 Export Value 2015 1000 USD 36
9 Import Value 2016 1000 USD 11944
10 Export Value 2016 1000 USD 43
# ℹ 12 more rowsImportación
importaciones <- caucho_impo_expo2 %>%
filter(tipo_transaccion=="Import Value")
importaciones# A tibble: 11 × 4
tipo_transaccion year unit valor_USD
<chr> <dbl> <chr> <dbl>
1 Import Value 2012 1000 USD 25280
2 Import Value 2013 1000 USD 19158
3 Import Value 2014 1000 USD 21306
4 Import Value 2015 1000 USD 18293
5 Import Value 2016 1000 USD 11944
6 Import Value 2017 1000 USD 14722
7 Import Value 2018 1000 USD 13147
8 Import Value 2019 1000 USD 10005
9 Import Value 2020 1000 USD 10698
10 Import Value 2021 1000 USD 16509
11 Import Value 2022 1000 USD 19613 **Exportaciones**
exportaciones <- caucho_impo_expo2 %>%
filter(tipo_transaccion=="Export Value")
exportaciones# A tibble: 11 × 4
tipo_transaccion year unit valor_USD
<chr> <dbl> <chr> <dbl>
1 Export Value 2012 1000 USD 56
2 Export Value 2013 1000 USD 31
3 Export Value 2014 1000 USD 25
4 Export Value 2015 1000 USD 36
5 Export Value 2016 1000 USD 43
6 Export Value 2017 1000 USD 9
7 Export Value 2018 1000 USD 462
8 Export Value 2019 1000 USD 483
9 Export Value 2020 1000 USD 867
10 Export Value 2021 1000 USD 680
11 Export Value 2022 1000 USD 1323La balanza comercial entre las importaciones y exportaciones del caucho natural en estado primario es deficitaria. Ya que casi se importa hasta 18 veces más de lo que se exporta