Georreferenciación
Los datos utilizados provienen del Ministerio de Minas y Energía (SICOM). Representan las ventas de Gas Natural Comprimido Vehicular (GNCV) en Colombia. Hay datos desde el 16 de marzo de 2021 hasta el 15 de marzo de 2025, obtenidos diariamente en todas las EDS de distintos municipios de Colombia.
# Cargar paquetes necesarios
library(tidyverse)
library(skimr)
library(scales)
library(dplyr)
library(ggplot2)
library(knitr)
library(kableExtra)
library(sf)
library(leaflet)
# Cargar los datos
datos <- read.csv("Consulta_Ventas_de_Gas_Natural_Comprimido_Vehicular__AUTOMATIZADO__20250316.csv")
# Ver las primeras filas
head(datos)## FECHA_VENTA ANIO_VENTA MES_VENTA DIA_VENTA CODIGO_MUNICIPIO_DANE
## 1 2024-10-31 2024 10 31 50226
## 2 2024-10-31 2024 10 31 19001
## 3 2024-02-22 2024 2 22 25754
## 4 2024-10-31 2024 10 31 68307
## 5 2024-10-13 2024 10 13 8758
## 6 2024-10-11 2024 10 11 76001
## DEPARTAMENTO MUNICIPIO LATITUD LONGITUD TIPO_AGENTE
## 1 META CUMARAL 4.232526 -73.31477 ESTACION DE SERVICIO DE GNCV
## 2 CAUCA POPAYAN 2.471704 -76.59194 ESTACION DE SERVICIO DE GNCV
## 3 CUNDINAMARCA SOACHA 4.581866 -74.24030 ESTACION DE SERVICIO DE GNCV
## 4 SANTANDER GIRON 6.976734 -73.20527 ESTACION DE SERVICIO DE GNCV
## 5 ATLANTICO SOLEDAD 10.906906 -74.77843 ESTACION DE SERVICIO DE GNCV
## 6 VALLE DEL CAUCA CALI 3.399044 -76.57649 ESTACION DE SERVICIO DE GNCV
## TIPO_DE_COMBUSTIBLE EDS_ACTIVAS NUMERO_DE_VENTAS VEHICULOS_ATENDIDOS
## 1 GNV 2 173 118
## 2 GNV 1 139 99
## 3 GNV 4 1322 1095
## 4 GNV 1 200 154
## 5 GNV 6 3188 2234
## 6 GNV 47 17270 9687
## CANTIDAD_VOLUMEN_SUMINISTRADO
## 1 1220.92
## 2 1133.75
## 3 12901.08
## 4 1287.77
## 5 17727.51
## 6 106760.55Aquí se logra apreciar que en la fila 6 el dato “Valle del Cauca” está escrito con espacios. Conviene reemplazarlos en todos las celdas por guiones bajos, tanto en esta columna como en la de municipio.
datos <- datos %>%
mutate(DEPARTAMENTO = gsub(" ", "_", DEPARTAMENTO),
MUNICIPIO = gsub(" ", "_", MUNICIPIO))
unique(datos$DEPARTAMENTO)## [1] "META" "CAUCA" "CUNDINAMARCA" "SANTANDER"
## [5] "ATLANTICO" "VALLE_DEL_CAUCA" "TOLIMA" "CORDOBA"
## [9] "MAGDALENA" "BOYACA" "CESAR" "LA_GUAJIRA"
## [13] "CALDAS" "SUCRE" "ANTIOQUIA" "HUILA"
## [17] "QUINDIO" "BOLIVAR" "CASANARE" "RISARALDA"
## [21] "BOGOTA_D.C." "CAQUETA"unique(datos$MUNICIPIO)## [1] "CUMARAL" "POPAYAN"
## [3] "SOACHA" "GIRON"
## [5] "SOLEDAD" "CALI"
## [7] "LERIDA" "SAHAGUN"
## [9] "GRANADA" "SANTA_MARTA"
## [11] "TUNJA" "BOSCONIA"
## [13] "IBAGUE" "RIOHACHA"
## [15] "SITIONUEVO" "MANIZALES"
## [17] "SINCELEJO" "HONDA"
## [19] "CAUCASIA" "NEIVA"
## [21] "BUENAVENTURA" "GIRARDOT"
## [23] "SAN_SEBASTIAN_DE_MARIQUITA" "BARBOSA"
## [25] "SAN_MARTIN" "FUSAGASUGA"
## [27] "CARTAGO" "CALARCA"
## [29] "TULUA" "PUERTO_TRIUNFO"
## [31] "PUERTO_COLOMBIA" "MALAMBO"
## [33] "ACACIAS" "MAGANGUE"
## [35] "CIENAGA" "VILLAVICENCIO"
## [37] "SABOYA" "LA_CEJA"
## [39] "YOPAL" "ESPINAL"
## [41] "JAMUNDI" "AGUACHICA"
## [43] "ARMENIA" "GIRARDOTA"
## [45] "RIONEGRO" "PALMIRA"
## [47] "ITAGUI" "BELLO"
## [49] "FACATATIVA" "MONTERIA"
## [51] "FLORIDA" "TURBACO"
## [53] "ZIPAQUIRA" "CARTAGENA_DE_INDIAS"
## [55] "LA_DORADA" "CAJICA"
## [57] "SANTA_ROSA_DE_CABAL" "RIOFRIO"
## [59] "MONTELIBANO" "PUERTO_SALGAR"
## [61] "LORICA" "PEREIRA"
## [63] "APARTADO" "VALLEDUPAR"
## [65] "CHIA" "GUADALAJARA_DE_BUGA"
## [67] "PLANETA_RICA" "CERETE"
## [69] "GUARNE" "DOSQUEBRADAS"
## [71] "COROZAL" "TENJO"
## [73] "MEDELLIN" "DUITAMA"
## [75] "VILLA_DE_SAN_DIEGO_DE_UBATE" "YUMBO"
## [77] "COTA" "ENVIGADO"
## [79] "PIEDECUESTA" "SOPO"
## [81] "LA_CALERA" "LEBRIJA"
## [83] "BARRANCABERMEJA" "SABANETA"
## [85] "SOGAMOSO" "MOSQUERA"
## [87] "MADRID" "FLORIDABLANCA"
## [89] "PAILITAS" "CHIQUINQUIRA"
## [91] "BUCARAMANGA" "LA_MESA"
## [93] "BARRANQUILLA" "CHINCHINA"
## [95] "SOTAQUIRA" "GUADUAS"
## [97] "BOGOTA,_D.C." "SANTANDER_DE_QUILICHAO"
## [99] "AGUAZUL" "SAN_PEDRO"
## [101] "ROLDANILLO" "ARMERO"
## [103] "FUNZA" "VILLAMARIA"
## [105] "VENADILLO" "PAZ_DE_ARIPORO"
## [107] "VILLANUEVA" "EL_CARMEN_DE_BOLIVAR"
## [109] "LA_UNION" "FLORENCIA"
## [111] "GACHANCIPA"Los datos fueron obtenidos de 111 municipios en 22 departamentos. Se procede ahora con un resumen.
# Resumen estadístico general
summary(datos)## FECHA_VENTA ANIO_VENTA MES_VENTA DIA_VENTA
## Length:124646 Min. :2021 Min. : 1.000 Min. : 1.00
## Class :character 1st Qu.:2022 1st Qu.: 4.000 1st Qu.: 8.00
## Mode :character Median :2023 Median : 7.000 Median :16.00
## Mean :2023 Mean : 6.531 Mean :15.73
## 3rd Qu.:2024 3rd Qu.:10.000 3rd Qu.:23.00
## Max. :2025 Max. :12.000 Max. :31.00
## CODIGO_MUNICIPIO_DANE DEPARTAMENTO MUNICIPIO LATITUD
## Min. : 5001 Length:124646 Length:124646 Min. : 1.749
## 1st Qu.:15759 Class :character Class :character 1st Qu.: 4.651
## Median :25473 Mode :character Mode :character Median : 5.316
## Mean :38470 Mean : 6.131
## 3rd Qu.:68081 3rd Qu.: 7.204
## Max. :85440 Max. :11.243
## LONGITUD TIPO_AGENTE TIPO_DE_COMBUSTIBLE EDS_ACTIVAS
## Min. :-77.12 Length:124646 Length:124646 Min. : 1.000
## 1st Qu.:-75.59 Class :character Class :character 1st Qu.: 1.000
## Median :-74.81 Mode :character Mode :character Median : 1.000
## Mean :-74.70 Mean : 4.429
## 3rd Qu.:-73.82 3rd Qu.: 3.000
## Max. :-70.87 Max. :116.000
## NUMERO_DE_VENTAS VEHICULOS_ATENDIDOS CANTIDAD_VOLUMEN_SUMINISTRADO
## Min. : 1 Min. : 1.0 Min. : 0
## 1st Qu.: 80 1st Qu.: 64.0 1st Qu.: 964
## Median : 211 Median : 161.0 Median : 2365
## Mean : 1194 Mean : 753.1 Mean : 12011
## 3rd Qu.: 650 3rd Qu.: 479.0 3rd Qu.: 6467
## Max. :59792 Max. :29474.0 Max. :5708358# Resumen más detallado con skimr
skim(datos)| Name | datos |
| Number of rows | 124646 |
| Number of columns | 15 |
| _______________________ | |
| Column type frequency: | |
| character | 5 |
| numeric | 10 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| FECHA_VENTA | 0 | 1 | 10 | 10 | 0 | 1461 | 0 |
| DEPARTAMENTO | 0 | 1 | 4 | 15 | 0 | 22 | 0 |
| MUNICIPIO | 0 | 1 | 4 | 27 | 0 | 111 | 0 |
| TIPO_AGENTE | 0 | 1 | 28 | 28 | 0 | 1 | 0 |
| TIPO_DE_COMBUSTIBLE | 0 | 1 | 3 | 3 | 0 | 1 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| ANIO_VENTA | 0 | 1 | 2022.82 | 1.16 | 2021.00 | 2022.00 | 2023.00 | 2024.00 | 2025.00 | ▅▇▇▇▂ |
| MES_VENTA | 0 | 1 | 6.53 | 3.47 | 1.00 | 4.00 | 7.00 | 10.00 | 12.00 | ▇▅▅▅▇ |
| DIA_VENTA | 0 | 1 | 15.73 | 8.80 | 1.00 | 8.00 | 16.00 | 23.00 | 31.00 | ▇▇▇▇▆ |
| CODIGO_MUNICIPIO_DANE | 0 | 1 | 38470.49 | 26572.02 | 5001.00 | 15759.00 | 25473.00 | 68081.00 | 85440.00 | ▇▆▂▃▅ |
| LATITUD | 0 | 1 | 6.13 | 2.27 | 1.75 | 4.65 | 5.32 | 7.20 | 11.24 | ▂▇▅▂▂ |
| LONGITUD | 0 | 1 | -74.70 | 1.13 | -77.12 | -75.59 | -74.81 | -73.82 | -70.87 | ▃▇▆▂▁ |
| EDS_ACTIVAS | 0 | 1 | 4.43 | 11.50 | 1.00 | 1.00 | 1.00 | 3.00 | 116.00 | ▇▁▁▁▁ |
| NUMERO_DE_VENTAS | 0 | 1 | 1194.31 | 3754.53 | 1.00 | 80.00 | 211.00 | 650.00 | 59792.00 | ▇▁▁▁▁ |
| VEHICULOS_ATENDIDOS | 0 | 1 | 753.06 | 2364.11 | 1.00 | 64.00 | 161.00 | 479.00 | 29474.00 | ▇▁▁▁▁ |
| CANTIDAD_VOLUMEN_SUMINISTRADO | 0 | 1 | 12011.21 | 58808.60 | 0.01 | 964.22 | 2364.53 | 6467.03 | 5708357.62 | ▇▁▁▁▁ |
El conjunto de datos contiene más de 120 mil instancias (cada una representa una fecha específica en un lugar específico) sin datos faltantes. Hay 15 columnas, pero con lo anterior, se evidencia que las columnas “TIPO_AGENTE” y “TIPO_DE_COMBUSTIBLE” no son útiles, pues todas las filas tienen el mismo valor: “Estación de servicio de GNCV” y “GNV” para ambas columnas respectivamente. Es viable eliminarlas.
datos <- datos %>%
select(-TIPO_AGENTE, -TIPO_DE_COMBUSTIBLE)
colnames(datos)## [1] "FECHA_VENTA" "ANIO_VENTA"
## [3] "MES_VENTA" "DIA_VENTA"
## [5] "CODIGO_MUNICIPIO_DANE" "DEPARTAMENTO"
## [7] "MUNICIPIO" "LATITUD"
## [9] "LONGITUD" "EDS_ACTIVAS"
## [11] "NUMERO_DE_VENTAS" "VEHICULOS_ATENDIDOS"
## [13] "CANTIDAD_VOLUMEN_SUMINISTRADO"Enfocándonos en las últimas variables, vemos cómo se distribuyen por departamento, considerando todos los días registrados (sumatoria).
# Agrupar por DEPARTAMENTO y calcular los totales
tabla_departamentos <- datos %>%
group_by(DEPARTAMENTO) %>%
summarise(
CANTIDAD_VOLUMEN_SUMINISTRADO = sum(CANTIDAD_VOLUMEN_SUMINISTRADO, na.rm = TRUE),
NUMERO_DE_VENTAS = sum(NUMERO_DE_VENTAS, na.rm = TRUE),
VEHICULOS_ATENDIDOS = sum(VEHICULOS_ATENDIDOS, na.rm = TRUE)
) %>%
arrange(desc(CANTIDAD_VOLUMEN_SUMINISTRADO)) # Ordenar de mayor a menor
# Crear tabla con kable y kableExtra
tabla_departamentos %>%
kable("html", caption = "Totales por Departamento") %>%
kable_styling(bootstrap_options = c("striped", "hover", "responsive"),
full_width = F, position = "center") %>%
column_spec(1, bold = TRUE) # Resaltar la columna de DEPARTAMENTO| DEPARTAMENTO | CANTIDAD_VOLUMEN_SUMINISTRADO | NUMERO_DE_VENTAS | VEHICULOS_ATENDIDOS |
|---|---|---|---|
| BOGOTA_D.C. | 617009229 | 42101625 | 28186660 |
| VALLE_DEL_CAUCA | 143238427 | 21118098 | 13185676 |
| ANTIOQUIA | 128958719 | 8247933 | 6779086 |
| CUNDINAMARCA | 89047533 | 5100147 | 4165978 |
| ATLANTICO | 88945164 | 15365958 | 9043304 |
| META | 81367630 | 12846812 | 6320344 |
| SANTANDER | 55038434 | 7865867 | 5342441 |
| TOLIMA | 40350686 | 6190899 | 3195345 |
| BOLIVAR | 37177772 | 1550333 | 1021226 |
| RISARALDA | 33597231 | 4595396 | 3258343 |
| MAGDALENA | 26882815 | 4374697 | 2104219 |
| CORDOBA | 22078794 | 3113985 | 1642072 |
| BOYACA | 21886187 | 2246451 | 1565870 |
| CALDAS | 21737195 | 2567684 | 1359996 |
| QUINDIO | 20552284 | 2903925 | 1751027 |
| HUILA | 18415738 | 3106540 | 1623156 |
| CESAR | 16324062 | 984857 | 714997 |
| CASANARE | 15583607 | 2017263 | 961334 |
| SUCRE | 14693273 | 2060198 | 1327310 |
| LA_GUAJIRA | 3017107 | 363305 | 213109 |
| CAUCA | 1217429 | 139860 | 101883 |
| CAQUETA | 29496 | 3644 | 2858 |
A continuación, la información de esta tabla expuesta con gráficos de barras para una mejor visualización.
# Función para generar gráficos de barras
crear_grafico <- function(df, variable, titulo, etiqueta_y, color) {
ggplot(df, aes(x = reorder(DEPARTAMENTO, !!sym(variable)), y = !!sym(variable))) +
geom_bar(stat = "identity", fill = color) +
labs(title = titulo, x = "Departamento", y = etiqueta_y) +
theme_minimal() +
coord_flip() + # Para mejorar la legibilidad
scale_y_continuous(labels = comma) # Evitar notación científica
}
# Gráfico para Volumen
grafico_volumen <- crear_grafico(tabla_departamentos, "CANTIDAD_VOLUMEN_SUMINISTRADO", "Cantidad de volumen suministrado por departamento", "Volumen", "pink")
# Gráfico para Número de Ventas
grafico_ventas <- crear_grafico(tabla_departamentos, "NUMERO_DE_VENTAS", "Número de Ventas por Departamento", "Número de Ventas", "brown")
# Gráfico para Vehículos Atendidos
grafico_vehiculos <- crear_grafico(tabla_departamentos, "VEHICULOS_ATENDIDOS", "Vehículos Atendidos por Departamento", "Vehículos Atendidos", "purple")
grafico_volumen
grafico_ventas
grafico_vehiculos
De los diagramas se deduce lo siguiente:
Bogotá D.C. tiene, por mucho, el mayor volumen suministrado en comparación con los demás departamentos.
Valle del Cauca, Antioquia y Cundinamarca también presentan un alto volumen, aunque significativamente menor que Bogotá.
Departamentos como Meta, Atlántico y Santander muestran valores intermedios.
Hay una larga cola de departamentos con volúmenes relativamente bajos, destacando que Caquetá y Cauca son los de menor suministro.
Este gráfico sugiere una fuerte concentración del suministro en ciertas regiones, lo cual es acorde a factores como el tamaño de la población, el desarrollo económico o la infraestructura.
Seguimos con la georreferenciación
colombia_map <- st_read("MGN2023_DPTO_POLITICO/MGN_ADM_DPTO_POLITICO.shp")## Reading layer `MGN_ADM_DPTO_POLITICO' from data source
## `C:\Users\f1714\Documents\VD\actividadGeorreferenciacion\MGN2023_DPTO_POLITICO\MGN_ADM_DPTO_POLITICO.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 33 features and 8 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -81.73562 ymin: -4.229406 xmax: -66.84722 ymax: 13.39473
## Geodetic CRS: MAGNA-SIRGAS# Extraer los nombres de los departamentos desde la base de datos y el shapefile
dpto_1 <- tolower(tabla_departamentos$DEPARTAMENTO) # Base de datos
dpto_2 <- tolower(colombia_map$dpto_cnmbr) # Archivo shapefileLuego de cargar el mapa se tratan los nombres de los departamentos.
# Verificar qué nombres de la base de datos no están en el shapefile
M1 <- which(is.na(match(dpto_1, dpto_2)))
# Corregir nombres que no coinciden entre la base de datos y el shapefile
dpto_2 <- str_replace_all(dpto_2, "bogotá, d.c.", "bogota_d.c.")
dpto_2 <- str_replace_all(dpto_2, " ", "_")
dpto_2 <- str_replace_all(dpto_2, "á", "a")
dpto_2 <- str_replace_all(dpto_2, "í", "i")
dpto_2 <- str_replace_all(dpto_2, "ó", "o")
# Agregar los nombres corregidos como códigos para unir las bases de datos
tabla_departamentos$codigo <- dpto_1
colombia_map$codigo <- dpto_2Una vez se hacen coincidir los nombres de los departamentos y se crea una columna con estos, se unen las tablas y se crea el mapa con la cantidad de volumen suministrado durante los años en cuestión.
colombia_mapa_datos <- colombia_map %>%
left_join(tabla_departamentos, by = "codigo")
ggplot(data = colombia_mapa_datos) +
geom_sf(aes(fill = CANTIDAD_VOLUMEN_SUMINISTRADO), color = "pink") +
scale_fill_viridis_c(option = "magma", name = "Volumen suministrado") +
theme_minimal() +
labs(title = "Volumen de GNV Suministrado por Departamento en Colombia (Marzo 2021 - Marzo 2025)",
caption = "Fuente: Datos SICOM y DANE")
La versión interactiva de este mapa está disponible como una aplicación Shiny independiente, a la que se puede acceder en la siguiente dirección: https://5bbtow-peter-sagan.shinyapps.io/colombia-gnv-map/
La aplicación Shiny permite: - Filtrar departamentos por volumen suministrado - Cambiar la paleta de colores del mapa - Mostrar u ocultar los nombres de los departamentos - Descargar los datos agregados