Provincia de Loja
El presente informe ha sido elaborado para proporcionar a la Gerencia de Toyota un panorama estadístico del mercado de vehículos en Loja, Ecuador, considerando aspectos clave como modelos, precios y marcas disponibles. La finalidad de este análisis es entregar información relevante y basada en datos oficiales que sirva de soporte para la toma de decisiones estratégicas de la empresa.
En un entorno automotriz cada vez más competitivo, es esencial contar con visualizaciones de datos claras y precisas que permitan identificar tendencias del mercado, preferencias de los consumidores y oportunidades de mejora. Por ello, este informe no solo presenta cifras, sino que también utiliza gráficos interactivos y narraciones visuales para facilitar la comprensión y fortalecer el proceso de toma de decisiones gerenciales.
La información recopilada proviene de fuentes oficiales, como el Instituto Nacional de Estadística y Censos (INEC) de Ecuador (https://www.ecuadorencifras.gob.ec/transporte/), garantizando así la confiabilidad y pertinencia de los datos presentados.
Para la elaboración del informe en RStudio se utilizan las librerías necesarias para la manipulación y visualización de datos. Entre las librerías más relevantes están: readxl, dplyr y ggplot2.
Para evitar la aparición de mensajes y advertencias al cargar los paquetes —como los mensajes de carga o advertencias del tipo “package was built under R version…”— se emplean funciones específicas para suprimirlos. En particular:
suppressPackageStartupMessages() elimina los mensajes de inicio generados al cargar un paquete.
suppressWarnings() elimina las advertencias del sistema, como aquellas relacionadas con versiones de R.
Por tanto, se cargan las siguientes librerías de la siguiente manera:
suppressPackageStartupMessages(library(readxl))
suppressPackageStartupMessages(library(dplyr))
suppressWarnings(suppressPackageStartupMessages(library(ggplot2)))
suppressPackageStartupMessages(library(forcats))
suppressPackageStartupMessages(library(viridis))A continuación se usan las primeras dos librerías readxl y dplyr . Estas son esenciales para el manejo de datos en R. readxl permite importar archivos de Excel de forma directa y sencilla, facilitando el acceso a datos almacenados en hojas de cálculo. Por su parte, dplyr es clave para la manipulación de datos, ya que permite filtrar, seleccionar, transformar y resumir información de manera eficiente y con una sintaxis clara. Ambas herramientas son ampliamente utilizadas en análisis de datos por su funcionalidad y facilidad de uso.
list.files("C:/Users/USUARIO 2020/Documents/Maestria_EDE_2/Mod_09_Busnicess_Analityc/") [1] "~$ginas_deber01.docx"
[2] "2023_BDD_VEHÍCULOS_MATRICULADOS.sav"
[3] "analisis_vehiculo.qmd"
[4] "BA_U1"
[5] "BA_U2"
[6] "datos.csv"
[7] "DICCIONARIO_VARIABLES.xlsx"
[8] "paginas_deber01.docx"
[9] "v12023_BDD_VEHÍCULOS_MATRICULADOS.sav"
[10] "vehiculos.xlsx" autos <- read_excel("C:/Users/USUARIO 2020/Documents/Maestria_EDE_2/Mod_09_Busnicess_Analityc/vehiculos.xlsx")De manera preleminar se observa que la base de datos contiene 12 variables, estas son cuantitativas (Pasajeros y Tonelaje) y cualitativas (Provincia, Canton, Marca, Clase, Combustible, Modelo, Servicio, Estratone y Estrapasajero)
colnames(autos) [1] "Provincia" "Canton" "Marca" "Clase"
[5] "Pasajeros" "Tonelaje" "Combustible" "Modelo"
[9] "Servicio" "Estratone" "Estrapasajero" "Mes" Explorando mas detenidamente la base se observa que las variables cualitativas estan en escala o niveles, por lo que es importante recategorizar dichas variables. Esto con la finalidad de obtener una mejor comprención en la visualización de datos.
head(autos)# A tibble: 6 × 12
Provincia Canton Marca Clase Pasajeros Tonelaje Combustible Modelo Servicio
<dbl> <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 101 YAMAHA 7 1 0.25 2 1111 3
2 9 911 YAMAHA 7 1 0.25 2 1111 3
3 11 1109 YAMAHA 7 1 0.75 2 1111 3
4 8 803 YAMAHA 7 1 0.25 2 1111 3
5 1 101 YAMAHA 7 1 0.25 2 1111 3
6 1 101 YAMAHA 7 1 0.25 2 1111 3
# ℹ 3 more variables: Estratone <dbl>, Estrapasajero <dbl>, Mes <dbl>Para la categorización de las variables es indispensable leer el diccionario de las mismas con el objetivo de cambiar el valor numérico por las etiquetas correspondientes (https://anda.inec.gob.ec/anda/index.php/catalog/1073/datafile/F52).
# Crear un vector de mapeo
table(autos[,1])Provincia
1 2 3 4 5 6 7 8 9 10 11
64381 11073 17713 10188 12770 40210 49173 19510 464831 30216 14687
12 13 14 15 16 17 18 19 20 21 22
60286 93742 6165 1957 2207 68413 14978 3356 1328 9517 6340
23 24
24235 21299 autos$`Provincia` <- factor(autos$`Provincia`,
labels = c("Azuay",
"Bolivar",
"Cañar",
"Carchi",
"Cotopaxi",
"Chimborazo",
"El Oro",
"Esmeraldas",
"Guayas",
"Imbabura",
"Loja",
"Los Rios",
"Manabi",
"Morona Santiago",
"Napo",
"Pastaza",
"Pichincha",
"Tungurahua",
"Zamora Chinchipe",
"Galápagos",
"Sucumbíos",
"Orellana",
"Santo Domingo De Los Tsáchilas",
"Santa Elena"
))
head(autos)# A tibble: 6 × 12
Provincia Canton Marca Clase Pasajeros Tonelaje Combustible Modelo Servicio
<fct> <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 Azuay 101 YAMAHA 7 1 0.25 2 1111 3
2 Guayas 911 YAMAHA 7 1 0.25 2 1111 3
3 Loja 1109 YAMAHA 7 1 0.75 2 1111 3
4 Esmeraldas 803 YAMAHA 7 1 0.25 2 1111 3
5 Azuay 101 YAMAHA 7 1 0.25 2 1111 3
6 Azuay 101 YAMAHA 7 1 0.25 2 1111 3
# ℹ 3 more variables: Estratone <dbl>, Estrapasajero <dbl>, Mes <dbl>table(autos[,4])Clase
1 2 3 4 5 6 7 8 9 10 11
342819 8590 51841 175952 27367 217221 208403 1020 6930 3953 4479 autos$`Clase` <- factor(autos$`Clase`,
labels = c("Automovil",
"Autobus",
"Camion",
"Camioneta",
"Furgoneta",
"Suv",
"Motocicleta",
"Tanquero",
"Trailer",
"Volqueta",
"Otra clase"
))
head(autos)# A tibble: 6 × 12
Provincia Canton Marca Clase Pasajeros Tonelaje Combustible Modelo Servicio
<fct> <dbl> <chr> <fct> <dbl> <dbl> <dbl> <dbl> <dbl>
1 Azuay 101 YAMAHA Motoc… 1 0.25 2 1111 3
2 Guayas 911 YAMAHA Motoc… 1 0.25 2 1111 3
3 Loja 1109 YAMAHA Motoc… 1 0.75 2 1111 3
4 Esmeraldas 803 YAMAHA Motoc… 1 0.25 2 1111 3
5 Azuay 101 YAMAHA Motoc… 1 0.25 2 1111 3
6 Azuay 101 YAMAHA Motoc… 1 0.25 2 1111 3
# ℹ 3 more variables: Estratone <dbl>, Estrapasajero <dbl>, Mes <dbl>table(autos[,7])Combustible
1 2 3 4 5 6
156281 879754 11506 979 31 24 autos$`Combustible` <- factor(autos$`Combustible`,
labels = c("Diesel",
"Gasolina",
"Hibrido",
"Electrico",
"Gas licuado de petroleo",
"Otro"
))
head(autos)# A tibble: 6 × 12
Provincia Canton Marca Clase Pasajeros Tonelaje Combustible Modelo Servicio
<fct> <dbl> <chr> <fct> <dbl> <dbl> <fct> <dbl> <dbl>
1 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina 1111 3
2 Guayas 911 YAMAHA Motoc… 1 0.25 Gasolina 1111 3
3 Loja 1109 YAMAHA Motoc… 1 0.75 Gasolina 1111 3
4 Esmeraldas 803 YAMAHA Motoc… 1 0.25 Gasolina 1111 3
5 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina 1111 3
6 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina 1111 3
# ℹ 3 more variables: Estratone <dbl>, Estrapasajero <dbl>, Mes <dbl>table(autos[,8])Modelo
1111 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
347314 43843 61400 68008 68301 60737 45798 22498 29458 54925 63381
2020 2021 2022 2023 2024
37569 21302 39439 54071 30531 autos$`Modelo` <- factor(autos$`Modelo`,
labels = c("<=2009_",
"2010",
"2011",
"2012",
"2013",
"2014",
"2015",
"2016",
"2017",
"2018",
"2019",
"2020",
"2021",
"2022",
"2023",
"2024"
))
head(autos)# A tibble: 6 × 12
Provincia Canton Marca Clase Pasajeros Tonelaje Combustible Modelo Servicio
<fct> <dbl> <chr> <fct> <dbl> <dbl> <fct> <fct> <dbl>
1 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… 3
2 Guayas 911 YAMAHA Motoc… 1 0.25 Gasolina <=200… 3
3 Loja 1109 YAMAHA Motoc… 1 0.75 Gasolina <=200… 3
4 Esmeraldas 803 YAMAHA Motoc… 1 0.25 Gasolina <=200… 3
5 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… 3
6 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… 3
# ℹ 3 more variables: Estratone <dbl>, Estrapasajero <dbl>, Mes <dbl>table(autos[,9])Servicio
1 2 3 4
11118 77095 959619 743 autos$`Servicio` <- factor(autos$`Servicio`,
labels = c("Estado",
"Uso público, alquiler o comercial",
"Particular",
"Otros"
))
head(autos)# A tibble: 6 × 12
Provincia Canton Marca Clase Pasajeros Tonelaje Combustible Modelo Servicio
<fct> <dbl> <chr> <fct> <dbl> <dbl> <fct> <fct> <fct>
1 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
2 Guayas 911 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
3 Loja 1109 YAMAHA Motoc… 1 0.75 Gasolina <=200… Particu…
4 Esmeraldas 803 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
5 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
6 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
# ℹ 3 more variables: Estratone <dbl>, Estrapasajero <dbl>, Mes <dbl>table(autos[,10])Estratone
1 2 3 4 5
982105 31652 12484 9677 12657 autos$`Estratone` <- factor(autos$`Estratone`,
labels = c("1/4 a 3",
"3 1/4 a 6",
"6 1/4 a 10",
"10 1/4 a 15",
"15 1/4 y más"
))
head(autos)# A tibble: 6 × 12
Provincia Canton Marca Clase Pasajeros Tonelaje Combustible Modelo Servicio
<fct> <dbl> <chr> <fct> <dbl> <dbl> <fct> <fct> <fct>
1 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
2 Guayas 911 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
3 Loja 1109 YAMAHA Motoc… 1 0.75 Gasolina <=200… Particu…
4 Esmeraldas 803 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
5 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
6 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
# ℹ 3 more variables: Estratone <fct>, Estrapasajero <dbl>, Mes <dbl>table(autos[,11])Estrapasajero
1 2 3 4 5
1021630 18495 781 2307 5362 autos$`Estrapasajero` <- factor(autos$`Estrapasajero`,
labels = c("1 a 10",
"11 a 20",
"21 a 30",
"31 a 40",
"41 y más"
))
head(autos)# A tibble: 6 × 12
Provincia Canton Marca Clase Pasajeros Tonelaje Combustible Modelo Servicio
<fct> <dbl> <chr> <fct> <dbl> <dbl> <fct> <fct> <fct>
1 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
2 Guayas 911 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
3 Loja 1109 YAMAHA Motoc… 1 0.75 Gasolina <=200… Particu…
4 Esmeraldas 803 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
5 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
6 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
# ℹ 3 more variables: Estratone <fct>, Estrapasajero <fct>, Mes <dbl>table(autos[,12])Mes
1 2 3 4 5 6 7 8 9 10 11
33953 92163 125449 101012 98406 95432 87659 95570 84279 84434 79564
12
70654 autos$`Mes` <- factor(autos$`Mes`,
labels = c("enero",
"febrero",
"marzo",
"abril",
"mayo",
"junio",
"julio",
"agosto",
"septiembre",
"octubre",
"noviembre",
"diciembre"
))
head(autos)# A tibble: 6 × 12
Provincia Canton Marca Clase Pasajeros Tonelaje Combustible Modelo Servicio
<fct> <dbl> <chr> <fct> <dbl> <dbl> <fct> <fct> <fct>
1 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
2 Guayas 911 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
3 Loja 1109 YAMAHA Motoc… 1 0.75 Gasolina <=200… Particu…
4 Esmeraldas 803 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
5 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
6 Azuay 101 YAMAHA Motoc… 1 0.25 Gasolina <=200… Particu…
# ℹ 3 more variables: Estratone <fct>, Estrapasajero <fct>, Mes <fct>Ahora se utiliza la librería ggplot2 que es fundamental para la visualización de datos en R, ya que permite crear gráficos de alta calidad y personalizables de manera estructurada usando la gramática de los gráficos. Por otro lado, la libreria forcats está diseñada para trabajar con variables categóricas (factores), facilitando tareas como reordenar, agrupar o modificar niveles de factores. Finalmente, la libreria viridis proporciona paletas de colores optimizadas y adecuadas para representar información en escalas discretas dentro de gráficos, mejorando la interpretación visual de los datos.
Los datos muestran que, al inicio del primer trimestre de 2023, el número de vehículos matriculados presenta una tendencia creciente. Sin embargo, en los meses siguientes, dicha tendencia se vuelve decreciente (Gráfico 1)
autos %>%
filter(Provincia == "Loja") %>%
count(Mes) %>%
ggplot(aes(x = Mes, y = n, group = 1)) +
geom_line(linewidth = 1.2, color = "#0072B2") +
geom_point(size = 2.5, color = "#D55E00") +
labs(
title = "Gráfico 1: Registro de Vehículos Matriculados por Mes en Loja",
subtitle = "Evolución durante el año 2023",
x = "Mes",
y = "Cantidad de vehículos",
caption = "Fuente: Registro de Autos"
) +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(face = "bold")
)
Como complemento al análisis anterior, se observa que en el mes de febrero la tasa de matriculación de vehículos alcanza un incremento del 223%. En contraste, hacia finales del año se registra una disminución del 32,4% en dicha tasa.
# Cálculo de la tasa de crecimiento (eliminando el primer NA)
datos_crecimiento <- autos %>%
filter(Provincia == "Loja") %>%
count(Mes) %>%
arrange(Mes) %>%
mutate(
tasa_crecimiento = (n - lag(n)) / lag(n) * 100,
crecimiento_positivo = tasa_crecimiento >= 0
) %>%
filter(!is.na(tasa_crecimiento)) # <- Elimina fila con NA
# Gráfico sin advertencias
ggplot(datos_crecimiento, aes(x = factor(Mes), y = tasa_crecimiento,
fill = crecimiento_positivo)) +
geom_col() +
geom_text(
aes(label = sprintf("%.1f%%", tasa_crecimiento)),
vjust = ifelse(datos_crecimiento$tasa_crecimiento >= 0, -0.5, 1.2),
size = 2.5
) +
scale_fill_manual(values = c("#D55E00", "#009E73")) +
labs(
title = "Gráfica 2: Tasa de Crecimiento Mensual de Matriculación",
subtitle = "Variación porcentual respecto al mes anterior (primer mes excluido)",
x = "Mes",
y = "Tasa de crecimiento (%)"
) +
theme_minimal() +
theme(
legend.position = "none",
axis.text.x = element_text(angle = 45, hjust = 1)
)
Según el Gráfico 3, la mayor parte del parque automotor en Loja está compuesta por automóviles, los cuales representan el 25,4% del total. Les siguen las motocicletas (23,3%) y las camionetas (22,2%), evidenciando una fuerte preferencia por vehículos livianos y de uso particular o comercial ligero. Asimismo, los vehículos tipo SUV también tienen una presencia significativa, con un 20,1%. En contraste, los camiones, aunque importantes para el transporte de carga, representan apenas el 5,9%. Los demás tipos de vehículos como furgonetas, volquetas, autobuses, tráileres y tanqueros muestran participaciones marginales, todas por debajo del 2%, lo que indica un parque vehicular mayoritariamente orientado al transporte privado o comercial de pequeña escala.
autos %>%
filter(Provincia == "Loja") %>%
count(Clase) %>%
mutate(
porcentaje = n/sum(n)*100,
Clase = fct_reorder(Clase, porcentaje)
) %>%
ggplot(aes(x = Clase, y = porcentaje, fill = Clase)) +
geom_col() +
geom_text(
aes(label = sprintf("%.1f%%", porcentaje)),
hjust = -0.1,
size = 3.5
) +
coord_flip() +
labs(
title = "Gráfico 3: Distribución de Tipos de Vehículo en Loja",
subtitle = "Pocentaje de Distribución",
x = NULL,
y = "Porcentaje (%)",
fill = "Tipo de Vehículo",
caption = "Fuente: Registro de Autos"
) +
scale_fill_viridis_d() +
scale_y_continuous(expand = expansion(mult = c(0, 0.15))) +
theme_minimal() +
theme(legend.position = "none") 
El Gráfico 4 muestra que el 79,4% de los vehículos registrados en Loja utilizan gasolina como fuente principal de combustible, evidenciando una fuerte dependencia de este derivado del petróleo. El uso de diésel ocupa el segundo lugar, con un 19,6%, probablemente asociado a vehículos de carga y transporte público. En cuanto a alternativas más sostenibles, la penetración de vehículos híbridos es extremadamente baja (0,9%), y no se registra participación de vehículos eléctricos. Esta situación refleja una baja adopción de tecnologías más limpias en el sector automotor local, representando una oportunidad para el desarrollo de políticas públicas e incentivos que promuevan la transición hacia una movilidad más sostenible.
autos %>%
filter(Provincia == "Loja") %>%
count(Combustible) %>%
mutate(
porcentaje = n/sum(n),
Combustible = fct_reorder(Combustible, porcentaje)
) %>%
ggplot(aes(x = porcentaje, y = Combustible)) +
geom_col(fill = "#1E88E5", width = 0.7) +
geom_text(
aes(label = scales::percent(porcentaje, accuracy = 0.1)),
hjust = -0.1,
size = 3.5,
color = "black"
) +
scale_x_continuous(
labels = scales::percent_format(accuracy = 1),
expand = expansion(mult = c(0, 0.15))
) +
labs(
title = "Gráfico 4: Distribución de Tipos de Combustible en Loja",
subtitle = "En porcentaje del total de vehículos",
x = "Porcentaje",
y = "Tipo de Combustible",
caption = "Fuente: Registro de Autos"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold", size = 14),
axis.text.y = element_text(size = 10),
panel.grid.major.y = element_blank()
)
El Gráfico 5 revela que una proporción considerable de los vehículos en Loja corresponde a modelos anteriores al año 2009, representando un 38,2% del total. Este dato es relevante, ya que puede estar asociado a mayores niveles de emisiones contaminantes, menor eficiencia energética y mayor necesidad de mantenimiento. El resto de los modelos se distribuyen de manera más uniforme entre los años posteriores a 2009, sin que ningún año en particular tenga una participación muy dominante. Esta estructura sugiere una flota vehicular envejecida en su mayoría, reforzando la necesidad de programas de renovación vehicular o incentivos para la adquisición de vehículos más modernos y eficientes.
autos %>%
filter(Provincia == "Loja") %>%
count(Modelo) %>%
mutate(
porcentaje = n/sum(n)*100,
Modelo = fct_reorder(Modelo, porcentaje)
) %>%
ggplot(aes(x = Modelo, y = porcentaje, fill = Modelo)) +
geom_col() +
geom_text(
aes(label = sprintf("%.1f%%", porcentaje)),
hjust = -0.1,
size = 3.5
) +
coord_flip() +
labs(
title = "Gráfico 5: Modelos de Autos más Comunes en Loja",
subtitle = "Distribución porcentual",
x = NULL,
y = "Porcentaje (%)",
fill = "Modelo",
caption = "Fuente: Registro de Autos"
) +
scale_fill_viridis_d() +
scale_y_continuous(expand = expansion(mult = c(0, 0.2))) +
theme_minimal() +
theme(legend.position = "none") 
El Gráfico 6 demuestra que el tipo de vehículo matriculado mas comun (93.3%) es el Particular y en menor proporción se encuentran los vehículos de Uso público, alquiler o Comercial, Estado u Otro tipo de automotor.
autos %>%
filter(Provincia == "Loja") %>%
count(Servicio) %>%
mutate(
porcentaje = n/sum(n)*100,
Servicio = fct_reorder(Servicio, porcentaje)
) %>%
ggplot(aes(x = Servicio, y = porcentaje, fill = Servicio)) +
geom_col() +
geom_text(
aes(label = sprintf("%.1f%%", porcentaje)),
hjust = -0.1,
size = 3.5,
color = "black"
) +
coord_flip() +
labs(
title = "Gráfico 6: Distribución de Tipos de Servicio en Loja",
subtitle = "Porcentaje del total de vehículos",
x = NULL,
y = "Porcentaje (%)",
caption = "Fuente: Registro de Autos"
) +
scale_fill_viridis_d() +
scale_y_continuous(expand = expansion(mult = c(0, 0.2))) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", size = 14),
axis.text.y = element_text(size = 10)
)
La distribución de la capacidad de carga de los vehículos registrados en la provincia de Loja revela una alta concentración en una sola categoría. Específicamente, el 94% de los vehículos se encuentra en el rango de “1/4 a 3 toneladas”. Este dato sugiere que la gran mayoría de los automotores matriculados están diseñados para transportar cargas ligeras a medianas, lo cual es consistente con el uso predominante de vehículos para actividades comerciales de pequeña escala, transporte urbano o entregas locales.
autos %>%
filter(Provincia == "Loja") %>%
count(Estratone) %>%
mutate(
porcentaje = n / sum(n) * 100,
Estratone = fct_reorder(Estratone, porcentaje)
) %>%
ggplot(aes(x = Estratone, y = porcentaje, fill = Estratone)) +
geom_col() +
geom_text(
aes(label = sprintf("%.1f%%", porcentaje)),
hjust = -0.1,
size = 3.5,
color = "black"
) +
coord_flip() +
labs(
title = "Gráfico 7: Distribución de la Capacidad de Carga (Estratone) en Loja",
subtitle = "Porcentaje del total de vehículos",
x = NULL,
y = "Porcentaje (%)",
caption = "Fuente: Registro de Autos"
) +
scale_fill_viridis_d() +
scale_y_continuous(expand = expansion(mult = c(0, 0.2))) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", size = 14),
axis.text.y = element_text(size = 10)
)
La distribución de la capacidad de pasajeros en los vehículos registrados muestra una marcada concentración en el rango de 1 a 10 pasajeros, representando el 98.7% del total. Este dato indica que la inmensa mayoría del parque automotor está compuesto por vehículos de uso particular o de transporte ligero, como automóviles, camionetas, SUV y pequeños buses.
autos %>%
filter(Provincia == "Loja") %>%
count(Estrapasajero) %>%
mutate(
porcentaje = n / sum(n) * 100,
Estrapasajero = fct_reorder(Estrapasajero, porcentaje)
) %>%
ggplot(aes(x = Estrapasajero, y = porcentaje, fill = Estrapasajero)) +
geom_col() +
geom_text(
aes(label = sprintf("%.1f%%", porcentaje)),
hjust = -0.1,
size = 3.5,
color = "black"
) +
coord_flip() +
labs(
title = "Gráfico 8: Distribución de la Capacidad de Pasajeros de los Vehículos",
subtitle = "Porcentaje del total de vehículos",
x = NULL,
y = "Porcentaje (%)",
caption = "Fuente: Registro de Autos"
) +
scale_fill_viridis_d() +
scale_y_continuous(expand = expansion(mult = c(0, 0.2))) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", size = 14),
axis.text.y = element_text(size = 10)
)
El comportamiento de las matriculaciones vehiculares muestra un pico importante a inicios del año, especialmente en febrero, seguido por una desaceleración hacia finales del 2023. Esto evidencia una estacionalidad en la demanda que puede ser aprovechada para planificar estrategias comerciales y promociones.
La mayoría del parque automotor en Loja está compuesto por vehículos livianos como automóviles, SUV, camionetas y motocicletas. Esto confirma la alta preferencia del mercado local por unidades de uso familiar, comercial ligero y movilidad urbana.
Casi el 80% de los vehículos funcionan con gasolina y menos del 1% son híbridos, sin presencia de eléctricos. Esto sugiere una gran oportunidad para liderar la transición hacia una movilidad más sostenible, en la cual Toyota puede posicionar sus líneas híbridas con mayor fuerza.
Un 38,2% de los vehículos registrados corresponden a modelos anteriores a 2009, reflejando una flota envejecida y abre espacio para estrategias de renovación vehicular, donde Toyota puede ofrecer alternativas modernas, eficientes y con mejor rendimiento ambiental.
El 93,3% de los vehículos tienen uso particular, y el 94% están diseñados para cargas entre 1/4 y 3 toneladas. Además, el 98,7% tienen capacidad para 1 a 10 pasajeros. Esto apunta a un mercado enfocado en el transporte de baja escala, ideal para modelos como Hilux, Fortuner, Corolla Cross o Avanza.
Diseñar campañas publicitarias y promociones dirigidas al primer trimestre del año, especialmente en febrero, cuando la demanda es más alta. Esto puede incluir bonificaciones, tasas preferenciales o servicios postventa gratuitos.
Ante la escasa adopción de tecnologías limpias en la región, Toyota tiene la oportunidad de posicionar sus modelos híbridos (como Corolla Hybrid, RAV4 Hybrid o Yaris Cross) mediante estrategias educativas, test drives y alianzas con instituciones públicas para beneficios tributarios o exoneraciones.
Desarrollar planes atractivos de financiamiento o retoma de vehículos antiguos, incentivando a los usuarios a cambiar unidades obsoletas por modelos nuevos con mayor eficiencia, seguridad y menor impacto ambiental.
En vista del perfil de carga y pasajeros, Toyota puede seguir fortaleciendo su oferta en el segmento de SUV, camionetas y furgonetas, destacando su durabilidad, capacidad y eficiencia en contextos urbanos y rurales.
Explorar oportunidades con gobiernos locales o entidades reguladoras para liderar proyectos piloto de movilidad ecológica en Loja, posicionando a Toyota como marca innovadora y comprometida con el desarrollo sostenible de la región.