Análisis de la Dinámica Agrícola en Santander (2019-2023)
Laura Isabel Silva Zarate
2024-12-21
Introducción
Este análisis tiene como objetivo estudiar la dinámica agrícola en Santander entre 2019 y 2023 utilizando datos de las Evaluaciones Agropecuarias Municipales (EVA). El análisis considera la evolución de las áreas cultivadas, la producción y los municipios líderes en producción agrícola. Además, se incluyen visualizaciones y un resumen de los hallazgos clave.
Los datos provienen del documento “Resultados Evaluaciones Agropecuarias 2023” publicado por UPRA. ## Obtención de datos ## Instalación y carga de librerías
Carga de datos
Asegúrar de que el archivo CSV esté disponible en la carpeta
datos.
#Verificar archivos disponibles
list.files(pattern = "csv")## [1] "Evaluaciones_Agropecuarias_Municipales_EVA.csv"#Cargar datos EVA
eva <- read_csv("Evaluaciones_Agropecuarias_Municipales_EVA.csv",
col_names = TRUE,
show_col_types = FALSE,
locale = locale(encoding = "UTF-8"))
head(eva)## # A tibble: 6 × 18
## codigoDepartamento departamento codigoMunicipio municipio especie
## <dbl> <chr> <dbl> <chr> <chr>
## 1 68 Santander 68001 Bucaramanga Aguacate
## 2 68 Santander 68001 Bucaramanga Aguacate
## 3 68 Santander 68001 Bucaramanga Aguacate
## 4 68 Santander 68001 Bucaramanga Aguacate
## 5 68 Santander 68001 Bucaramanga Aguacate
## 6 68 Santander 68001 Bucaramanga Cacao
## # ℹ 13 more variables: nombre_tipo_ciclo <chr>, grupo_especie <chr>,
## # subGrupo_Especie <chr>, anho <dbl>, Periodo <chr>, AreaSembrada <dbl>,
## # AreaCosechada <dbl>, produccio <dbl>, rendimiento <dbl>, cod_cultiv <dbl>,
## # nombre_cientifico <chr>, EstadoFisicoProduccio <chr>, Clasifica_grupo <chr>Limpieza y transformación de datos
Selección y renombre de columnas clave
# Selección de columnas importantes
eva_tmp <- eva %>%
select(codigoMunicipio, municipio, grupo_especie, subGrupo_Especie, especie, anho, Periodo, AreaSembrada, AreaCosechada, produccio, rendimiento, EstadoFisicoProduccio)
# Renombrar columnas
eva_clean <- eva_tmp %>%
rename(
Cod_Mun = codigoMunicipio,
Grupo = grupo_especie,
Subgrupo = subGrupo_Especie,
Year = anho,
Estado = EstadoFisicoProduccio
)
head(eva_clean)## # A tibble: 6 × 12
## Cod_Mun municipio Grupo Subgrupo especie Year Periodo AreaSembrada
## <dbl> <chr> <chr> <chr> <chr> <dbl> <chr> <dbl>
## 1 68001 Bucaramanga Frutales "Dem\xe… Aguaca… 2019 2019 53
## 2 68001 Bucaramanga Frutales "Dem\xe… Aguaca… 2020 2020 53
## 3 68001 Bucaramanga Frutales "Dem\xe… Aguaca… 2021 2021 55
## 4 68001 Bucaramanga Frutales "Dem\xe… Aguaca… 2022 2022 67.5
## 5 68001 Bucaramanga Frutales "Dem\xe… Aguaca… 2023 2023 75.5
## 6 68001 Bucaramanga Cultivos trop… "Cultiv… Cacao 2019 2019 392
## # ℹ 4 more variables: AreaCosechada <dbl>, produccio <dbl>, rendimiento <dbl>,
## # Estado <chr>Análisis de la dinámica agrícola
Producción total por grupo de cultivos
PT <- eva_clean %>%
group_by(Grupo) %>%
summarize(total_produccion = sum(produccio, na.rm = TRUE)) %>%
arrange(desc(total_produccion))
PT## # A tibble: 8 × 2
## Grupo total_produccion
## <chr> <dbl>
## 1 "Cultivos tropicales tradicionales" 11100084.
## 2 "Frutales" 5293261.
## 3 "Oleaginosas" 1886725.
## 4 "Hortalizas" 1034263.
## 5 "Ra\xedces y tub\xe9rculos" 797653.
## 6 "Cereales" 215509.
## 7 "Leguminosas" 75632.
## 8 "Cultivos para condimentos, bebidas medicinales y arom\xe1ti… 7169.Los datos indican que los cultivos tropicales tradicionales dominan con una producción total de 11,100,084.33 toneladas, representando un 57.47% del total. Los frutales siguen en importancia con 5,293,261.28 toneladas (27.41%), mientras que las oleaginosas ocupan el tercer lugar con 1,886,725.49 toneladas (9.77%). Los grupos menores como hortalizas, raíces y tubérculos, y cultivos para condimentos muestran una participación mucho más reducida. Santander está enfocado en cultivos tropicales tradicionales(café, cacao y caña) y frutales (citricos,platano, guayaba, etc.,), probablemente debido a las condiciones climáticas favorables y la alta demanda tanto en el mercado interno como externo. Las oleaginosas también destacan, reflejando una diversificación hacia productos con valor industrial, como el aceite de palma. ### Filtrar grupos importantes
main_groups <- PT %>%
filter(total_produccion > 1000000) %>%
mutate(percent = total_produccion / sum(total_produccion))
main_groups## # A tibble: 4 × 3
## Grupo total_produccion percent
## <chr> <dbl> <dbl>
## 1 Cultivos tropicales tradicionales 11100084. 0.575
## 2 Frutales 5293261. 0.274
## 3 Oleaginosas 1886725. 0.0977
## 4 Hortalizas 1034263. 0.0535Gráfico de pastel Distribución de la producción por grupo de cultivos
ggplot(main_groups, aes(x = "", y = percent, fill = Grupo)) +
geom_bar(width = 1, stat = "identity") +
coord_polar("y", start = 0) +
labs(title = "Distribución de la Producción por Grupo de Cultivos")
Los cultivos tropicales tradicionales ocupan más de la mitad del gráfico, lo que confirma su papel central en la economía agrícola de Santander. Los frutales, aunque secundarios, también son significativos. La alta proporción de cultivos tropicales tradicionales indica que la región podría depender de mercados específicos para estos productos, lo que puede ser una fortaleza si existe una demanda constante, pero también un riesgo en caso de fluctuaciones de precios o eventos climáticos adversos. ### Municipios líderes por grupo
leaders <- eva_clean %>%
group_by(Grupo, municipio) %>%
summarize(total_prod = sum(produccio, na.rm = TRUE)) %>%
slice_max(total_prod) %>%
arrange(desc(total_prod))## `summarise()` has grouped output by 'Grupo'. You can override using the
## `.groups` argument.leaders## # A tibble: 8 × 3
## # Groups: Grupo [8]
## Grupo municipio total_prod
## <chr> <chr> <dbl>
## 1 "Cultivos tropicales tradicionales" "Suaita" 1998178.
## 2 "Frutales" "Lebrija" 1759436.
## 3 "Oleaginosas" "Puerto … 1023254.
## 4 "Hortalizas" "Tona" 464324.
## 5 "Ra\xedces y tub\xe9rculos" "Rionegr… 107793
## 6 "Cereales" "Sabana … 81921.
## 7 "Leguminosas" "Curit\x… 6529.
## 8 "Cultivos para condimentos, bebidas medicinales y arom\x… "Enciso" 2519.Los municipios que lideran la producción por grupo son:
Suaita: Sobresale en cultivos tropicales tradicionales con 1,998,177 toneladas. Lebrija: Líder en frutales con 1,759,436 toneladas. Puerto Wilches: Mayor productor de oleaginosas con 1,023,254 toneladas. Tona: Destacado en hortalizas con 464,324 toneladas.
Factores Explicativos: Suaita: Las condiciones agroclimáticas y el enfoque en cultivos como café y caña de azúcar son clave. Lebrija: Reconocido por su producción de piña, aprovechando suelos fértiles y climas favorables. Puerto Wilches: Beneficiado por programas de incentivo para el cultivo de palma africana. Tona: Sus bajas temperaturas favorecen la producción de hortalizas.
Filtrar municipios principales
main_leaders <- leaders %>%
filter(total_prod > 50000)
main_leaders## # A tibble: 6 × 3
## # Groups: Grupo [6]
## Grupo municipio total_prod
## <chr> <chr> <dbl>
## 1 "Cultivos tropicales tradicionales" Suaita 1998178.
## 2 "Frutales" Lebrija 1759436.
## 3 "Oleaginosas" Puerto Wilches 1023254.
## 4 "Hortalizas" Tona 464324.
## 5 "Ra\xedces y tub\xe9rculos" Rionegro 107793
## 6 "Cereales" Sabana de Torres 81921.Gráfico de barras Municipios lideres
p<-ggplot(data=main_leaders, aes(x=municipio, y=total_prod)) +
geom_bar(stat="identity")
p
El gráfico muestra a Suaita como el mayor productor entre los municipios líderes, seguido de Lebrija. La notable diferencia entre los volúmenes producidos refleja la especialización agrícola de cada municipio.
Concentración geográfica: Suaita y Lebrija representan una gran parte de la producción total, indicando posibles ventajas competitivas, como infraestructura agrícola o apoyo institucional. Oportunidades de mejora: En municipios como Tona o Rionegro, aunque su producción es menor, se podrían identificar oportunidades de expansión en cultivos estratégicos.
Evolución de la producción de Café en Suaita
suaita_coffee <- eva_clean %>%
filter(municipio == "Suaita" & especie == "Caf\xe9") %>%
group_by(Year) %>%
summarize(produccion_total = sum(produccio, na.rm = TRUE))
suaita_coffee## # A tibble: 5 × 2
## Year produccion_total
## <dbl> <dbl>
## 1 2019 1172
## 2 2020 1114
## 3 2021 1026.
## 4 2022 936.
## 5 2023 817.Visualización: Evolución de la producción
ggplot(suaita_coffee, aes(x = Year, y = produccion_total / 1000)) +
geom_bar(stat = "identity") +
labs(
title = "Evolución de la Produccion de Cafeen Suaita (2019-2023)",
x = "year",
y = "Producción (Ton x 1000)",
caption = "Fuente: EVA (Minagricultura, 2023)"
)
La producción de café en Suaita ha mostrado una disminución constante desde 2019 (1,172 toneladas) hasta 2023 (817 toneladas).
Factores Clave:
Declive en producción: Esto puede estar relacionado con factores como: Cambios en el clima que afectan los ciclos del café. Envejecimiento de los cafetales. Fluctuaciones en los precios internacionales. Se podrian implementar estrategias como, la fomentación de prácticas agrícolas sostenibles para mejorar los rendimientos, promover la diversificación hacia subproductos del cafe y implementar programas de renovación de cafetales
Conclusiones
Santander enfrenta una dinámica agrícola compleja, marcada por una fuerte dependencia de unos pocos cultivos tradicionales, una concentración geográfica de la producción, y retos relacionados con el cambio climático y la caída en la producción de café. Sin embargo, presenta también grandes oportunidades para diversificar su producción, incrementar el valor agregado de sus productos, y mejorar la resiliencia ante crisis climáticas o económicas. Un enfoque en diversificación de cultivos, sostenibilidad, tecnologías agrícolas innovadoras, y un mayor apoyo institucional a los pequeños productores podrían transformar la región en un modelo de agricultura sostenible e innovadora en Colombia.