Este R notebook tiene como objetivo analizar la dinámica agrícola del departamento de Bolívar, utilizando los resultados de las evaluaciones agropecuarias (EVA) del periodo 2019-2023.

library(tidyverse)
library(dplyr)
library(readr)
library(ggplot2)
eva_bolivar <- read_delim("~/R_exam/evaluaciones_bolivar.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)

Resultados obtenidos entre los años 2019 y 2023 en el departamento de Bolivar:

eva_bolivar %>% dplyr::rename(`Rendimiento(t/Ha)`= `Rendimiento(Ha/t)`) %>%
  dplyr::mutate(`AreaSembrada(Ha)` = (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_bolivar
new.eva_bolivar

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

2.1 Cultivos más representativos entre los años 2019 y 2023

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

Encontré que en Bolivar los cultivos más representativos son las “Raíces y tubérculos” y los “cereales” produciendo cada uno entre 1 y 2 millones de toneladas.

Gráfico de torta sobre los cultivos más representativos

new.eva_bolivar %>% group_by(Grupo) %>% summarize(`total_produccion(t)` = sum(`Produccion(t)`)) -> PT_bolivar
PT_bolivar %>% 
  filter(`total_produccion(t)` > 10000) -> main.groups_bolivar
value <- sum(main.groups_bolivar$`total_produccion(t)`, na.rm = TRUE)
main.groups_bolivar$percent = main.groups_bolivar$`total_produccion(t)`/value
PT_bolivar <- PT_bolivar %>%
  mutate(percentage = (`total_produccion(t)` / sum(`total_produccion(t)`)) * 100)
bp<- ggplot(main.groups_bolivar, 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_bolivar %>%
  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_bolivar
lideres_bolivar

2.3 Municipios más importantes en la agricultura del departamento

lideres_bolivar %>% 
  filter(`total_produccion(t)` > 50000) -> lideres.principales_bolivar
p <- ggplot(data = lideres.principales_bolivar, aes(x = reorder(Municipio, -`total_produccion(t)`), y = `total_produccion(t)`)) +
  geom_bar(stat = "identity", fill = "lightpink") +
  labs(
    title = "Municipios más importantes en la agricultura del departamento ",
    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

San Juan de Nepomuceno ha diversificado su producción agrícola, incluyendo cultivos de ñame, yuca, maíz y cacao. Esta variedad contribuye a la estabilidad económica y al liderazgo en la producción regional.

2.4 Especies más representativas según cosechada entre los años 2029 y 2023

especies_representativas_bolivar <- new.eva_bolivar %>%
  filter(`AreaCosechada(Ha)` > 0) %>%
  group_by(Especie, Grupo) %>%
  summarise(total_AreaCosechada = sum(`AreaCosechada(Ha)`, na.rm = TRUE), .groups = "drop") %>%
  arrange(desc(total_AreaCosechada)) %>%
  slice_head(n = 10)
especies_representativas_bolivar

Entre las especies representativas destaca el maíz puesto que Bolívar tiene un clima tropical con temperaturas cálidas y precipitaciones adecuadas para el crecimiento del mismo, además, existen periodos de lluvias bien definidos que coinciden con las temporadas de siembra y cosecha.

Gráfico de barras de las 10 especies más representativas en el departameto de Bolivar según área cosechada entre el 2019 y el 2023

ggplot(data = especies_representativas_bolivar, aes(x = reorder(Especie, -total_AreaCosechada), y = total_AreaCosechada, fill = Especie)) +
  geom_bar(stat = "identity") +
  scale_y_continuous(labels = number_format(big.mark = ".", decimal.mark = ",")) + # Separador de miles con punto
  labs(
    title = "Top 10 Especies en Área Cosechada",
    x = "Especie",
    y = "Área Cosechada Total (Ha)"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5),
    axis.text.x = element_text(angle = 45, hjust = 1)
  )

Como era de esperarse, el maíz sigue liderando las estadísticas.

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

Maiz <- new.eva_bolivar %>% 
  filter(Especie == "Maíz", Year >= 2019, Year <= 2023) %>% 
  group_by(Year) %>% 
  summarize(
    `Rendimiento_Total(t/Ha)` = sum(`Rendimiento(t/Ha)`, na.rm = TRUE),
    .groups = "drop"
  )
Maiz

Gráfico de línea del rendimiento en toneladas por hectárea del maíz en los años 2019 a 2023

ggplot(Maiz, aes(x = Year, y = `Rendimiento_Total(t/Ha)`)) +
  geom_line(color = "blue", size = 1) + 
  geom_point(color = "green", size = 2) +  
  labs(title = "Rendimiento Total de Maíz (2019-2023)",
       x = "Año",
       y = "Rendimiento Total (t/Ha)") +
  theme_minimal()

Desde 2020, el rendimiento del maíz en Bolívar ha disminuido debido a una combinación de factores climáticos, agronómicos y socioeconómicos. La variabilidad climática, con sequías y lluvias excesivas, ha afectado las etapas críticas del cultivo. Además, el manejo inadecuado del suelo y la fertilización, sumado a la falta de drenaje en algunas zonas, ha reducido la productividad. La erosión y la degradación del suelo, exacerbadas por prácticas agrícolas no sostenibles, también han contribuido a esta caída. A esto se suma el impacto de la pandemia de COVID-19, que interrumpió las cadenas de suministro de insumos agrícolas.

3. Conclusión

La productividad agrícola en Bolívar enfrenta varios retos que deben ser abordados de manera urgente para asegurar su futuro. Aunque la región tiene un gran potencial debido a sus condiciones naturales, factores como el cambio climático, el mal manejo del suelo, la erosión y la degradación de los recursos han afectado negativamente los rendimientos de cultivos importantes como el maíz. Además, las dificultades para acceder a insumos y servicios, sumadas a los efectos de la pandemia de COVID-19, han empeorado la situación. Sin embargo, con el compromiso de invertir en mejores prácticas agrícolas, tecnología adecuada y políticas que promuevan la sostenibilidad, Bolívar puede superar estos obstáculos y mejorar su productividad, garantizando un futuro más próspero para sus agricultores y para la región en general.

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