El presente R notebook está dispuesto para visualizar la dinámica agrícola del departamento del Meta tomando como referencia los resultados de las evaluaciones agropecuarias (EVA) del año 2019 al 2023.

library(tidyverse)
library(dplyr)
library(readr)
library(ggplot2)
eva <- read_delim("evaluaciones_agropecuarias_meta.csv", delim = ";", escape_double = FALSE, col_types = cols(...13 = col_skip(), ...14 = col_skip(), ...15 = col_skip()),    trim_ws = TRUE)

1. Tabla de datos de las evaluaciones agropecuarias (EVA)

A continuación se muestran los resultados obtenidos entre los años 2019 y 2023 en el departamento del Meta:

eva %>% dplyr::rename(`Produccion(t)` = Produccion,`Rendimiento(t/Ha)` = Rendimiento,`AreaSembrada(Ha)` = AreaSembrada,`AreaCosechada(Ha)` = AreaCosechada) %>%
  dplyr::select(Cod_Mun:Estado) %>% 
  dplyr::mutate(`AreaSembrada(Ha)` = floor(as.numeric(gsub(",", ".",`AreaSembrada(Ha)`))),`AreaCosechada(Ha)` = floor(as.numeric(gsub(",", ".", `AreaCosechada(Ha)`))),`Produccion(t)` = floor(as.numeric(gsub(",", ".", `Produccion(t)`))),`Rendimiento(t/Ha)` = as.numeric(gsub(",", ".", `Rendimiento(t/Ha)`))) -> new.eva_meta
new.eva_meta

2. Análisis de datos de las evaluaciones agropecuarias (EVA)

2.1 Cultivos más representativos entre los años 2019 y 2023

new.eva_meta %>%
  ## filter(`Produccion(t)` > 0) %>% 
  group_by(Grupo) %>%
  summarize(`total_produccion(t)` = sum(`Produccion(t)`)) %>% 
  arrange(desc(`total_produccion(t)`))

Se observa que en el Meta los cultivos más representativos son los “cereales”, las “oleaginosas” y los “cultivos tradicionales tropicales” produciendo cada uno más de 4 millones de toneladas.

new.eva_meta %>% group_by(Grupo) %>% summarize(`total_produccion(t)` = sum(`Produccion(t)`)) -> PT
PT %>% 
  filter(`total_produccion(t)` > 10000) -> main.groups

Suma de los 4 cultivos más representativos en toneladas (t):

(value_eva = sum(main.groups$`total_produccion(t)`))
## [1] 18204604

En total, se produjeron 16’897.553 toneladas de “cereales”, “oleaginosas”, “Cultivos tropicales” y “Frutales” entre los años 2019 y 2023 en el departamento del Meta.

Gráfico de torta sobre los cultivos más representativos

main.groups$percent = main.groups$`total_produccion(t)`/value_eva
PT <- PT %>%
  mutate(percentage = (`total_produccion(t)` / sum(`total_produccion(t)`)) * 100)
bp<- ggplot(main.groups, aes(x="", y=percent, fill=Grupo))+
geom_bar(stat = "identity", width = 1, color = "white") +
  coord_polar("y", start = 0)+ theme_void() + labs(title = "Distribucion de Produccion por Grupo", fill = "Grupo") +  theme(plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),  
    legend.title = element_text(hjust = 0.5), 
    legend.text = element_text(size = 10),  
    plot.margin = margin(20, 20, 20, 20) )
# Piechart
pie <- bp + coord_polar("y", start=0)
pie

2.2 Municipios líderes en la producción de cada cultivo dede 2019 hasta 2023

new.eva_meta %>%
  group_by(Grupo, Municipio) %>%
  summarize(`total_produccion(t)` = sum(`Produccion(t)`, na.rm = TRUE)) %>%
  slice(which.max(`total_produccion(t)`))  %>%
  arrange(desc(`total_produccion(t)`)) -> lideres
lideres

Puerto Gaitán y Fuente de Oro destacan frente a otros municipios al ser líderes en dos cultivos respectivamente.

2.3 Municipios más importantes desde el punto de vista agrícola

lideres %>% 
  filter(`total_produccion(t)` > 50000) -> lideres.principales
library(scales)
p <- ggplot(data = lideres.principales, aes(x = reorder(Municipio, -`total_produccion(t)`), y = `total_produccion(t)`)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  labs(
    title = "Municipios Lideres en Produccion Agricola en el Meta ",
    x = "Municipio",
    y = "Produccion Total (t)"
  ) +
  theme_minimal() + 
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1),  
    plot.title = element_text(hjust = 0.5))+  scale_y_continuous(labels = label_comma())
p

2.4 Especies más representativas según área sembrada y cosechada entre los años 2019 y 2023

especies_representativas <- new.eva_meta %>%
  filter( `AreaSembrada(Ha)` > 0,`AreaCosechada(Ha)` > 0) %>% 
  group_by(Especie, Grupo) %>%
  summarize( `total_AreaSembrada(Ha)` = sum(`AreaSembrada(Ha)`, na.rm = TRUE), `total_AreaCosechada(Ha)` = sum(`AreaCosechada(Ha)`, na.rm = TRUE), .groups = "drop") %>%
  arrange(desc(`total_AreaCosechada(Ha)`)) %>% slice_head(n=10)
especies_representativas

Gráfico de barras de las 10 especies más representativas en el departamento del Meta según área cosechada entre el 2019 y el 2023

ggplot(data = especies_representativas , aes(x = reorder(Especie, -`total_AreaCosechada(Ha)`), y = `total_AreaCosechada(Ha)`, fill = Especie)) +
  geom_bar(stat = "identity") +
  labs(
    title = "Top 10 Especies en Area Cosechada",
    x = "Especie",
    y = "Area Cosechada Total (Ha)"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5),
    axis.text.x = element_text(angle = 45, hjust = 1)
  )

Teniendo en cuenta los análisis hechos mediante las tablas de datos y los gráficos se puede llegar a una conclusión; el cultivo por especie más importante en el departamento del Meta es la “palma de aceite”. Esta especie es de gran importancia agronómica ya que es clave en la producción de aceites comestibles, productos cosméticos y biocombustibles, lo que ha aumentado su demanda.

2.5 Rendimiento en el cultivo de palma de aceite en los años 2019 a 2023.

Palma_de_aceite <- new.eva_meta %>% 
  filter(Especie == "Palma de aceite", Year >= 2019, Year <= 2023) %>% 
  group_by(Year) %>% 
  summarize(
    `Rendimiento_Total(t/Ha)` = sum(`Rendimiento(t/Ha)`, na.rm = TRUE),
    .groups = "drop"
  )
Palma_de_aceite

Gráfico de línea del rendimiento en toneladas por hectárea de la Palma de aceite en los años 2019 a 2023

ggplot(Palma_de_aceite, aes(x = Year, y = `Rendimiento_Total(t/Ha)`)) +
  geom_line(color = "pink", size = 1) + 
  geom_point(color = "red", size = 2) +  
  labs(title = "Rendimiento Total de Palma de Aceite (2019-2023)",
       x = "Año",
       y = "Rendimiento Total (t/Ha)") +
  theme_minimal()

El año 2022 tuvo un alza importante en el rendimiento del cultivo de “Palma de aceite” en comparación a los años anteriores, tal vez gracias a la pronta recuperación de la economía luego de la emergencia sanitaria generada por el covid 19.

3. Conclusión

En conclusión, las evaluaciones agropecuarias 2023 del Meta reflejan un panorama agrícola diverso, donde la palma de aceite sigue siendo un motor clave, pero con una creciente diversificación en cultivos frutales y hortícolas. Para mejorar la competitividad de la región y garantizar una agricultura sostenible, es fundamental fortalecer la asistencia técnica, mejorar el acceso a mercados y continuar con la investigación para optimizar los rendimientos en los cultivos más tradicionales.

4. Bibliografía

Lizarazo, I., 2022. Understanding dynamic productivity of crops. Available at https://rpubs.com/ials2un/production_dyn_v1.

EVA 2023. (2023). Upra.gov.co. https://upra.gov.co/es-co/Paginas/eva_2023.aspx

sessionInfo()
## R version 4.4.2 (2024-10-31 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 10 x64 (build 19045)
## 
## Matrix products: default
## 
## 
## locale:
## [1] LC_COLLATE=Spanish_Colombia.utf8  LC_CTYPE=Spanish_Colombia.utf8   
## [3] LC_MONETARY=Spanish_Colombia.utf8 LC_NUMERIC=C                     
## [5] LC_TIME=Spanish_Colombia.utf8    
## 
## time zone: America/Bogota
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] scales_1.3.0    lubridate_1.9.4 forcats_1.0.0   stringr_1.5.1  
##  [5] dplyr_1.1.4     purrr_1.0.2     readr_2.1.5     tidyr_1.3.1    
##  [9] tibble_3.2.1    ggplot2_3.5.1   tidyverse_2.0.0
## 
## loaded via a namespace (and not attached):
##  [1] bit_4.5.0.1       gtable_0.3.6      jsonlite_1.8.9    crayon_1.5.3     
##  [5] compiler_4.4.2    tidyselect_1.2.1  parallel_4.4.2    jquerylib_0.1.4  
##  [9] yaml_2.3.10       fastmap_1.2.0     R6_2.5.1          labeling_0.4.3   
## [13] generics_0.1.3    knitr_1.49        munsell_0.5.1     bslib_0.8.0      
## [17] pillar_1.9.0      tzdb_0.4.0        rlang_1.1.4       utf8_1.2.4       
## [21] stringi_1.8.4     cachem_1.1.0      xfun_0.49         sass_0.4.9       
## [25] bit64_4.5.2       timechange_0.3.0  cli_3.6.3         withr_3.0.2      
## [29] magrittr_2.0.3    digest_0.6.37     grid_4.4.2        vroom_1.6.5      
## [33] rstudioapi_0.17.1 hms_1.1.3         lifecycle_1.0.4   vctrs_0.6.5      
## [37] evaluate_1.0.1    glue_1.8.0        farver_2.1.2      fansi_1.0.6      
## [41] colorspace_2.1-1  rmarkdown_2.29    tools_4.4.2       pkgconfig_2.0.3  
## [45] htmltools_0.5.8.1