COMPARACION DE LA PRODUCCION DE NARANJA VALENCIA POR DEPARTAMENTOS EN COLOMBIA (2019–2024)

Author

YONATHAN GUERRA,VANESA ROSILLO,YOSMERI PINEDA

Published

September 1, 2025

Resumen

Se presenta un estudio comparativo de la producción de naranja Valencia por departamentos en Colombia durante el periodo 2019–2024. El propósito es identificar tendencias temporales, diferencias regionales y departamentos con mayor y menor participación en la producción nacional. Se genera una base de datos sintética (simulada) coherente con cifras y tendencias reportadas en las fuentes oficiales para uso en ejercicios de diseño experimental y análisis estadístico en RStudio.

Introducción

La citricultura en Colombia no es solo un cultivo: es el latir de comunidades enteras que han encontrado en estos cítricos un camino hacia la sostenibilidad y el progreso. Esta fruta, jugosa y resistente, ha echado raíces en diversos suelos y climas, tejiendo una red de sabores y oportunidades que alimenta al país entero.

Sin embargo, no todos los territorios cuentan con las mismas herramientas para escribir su éxito. Mientras algunas regiones florecen con apoyo tecnológico y políticas acertadas, otras libran una batalla silenciosa contra el clima impredecible, las prácticas agrícolas heredadas y las puertas cerradas del mercado. Estas diferencias no son solo numéricas: son humanas, y afectan el día a día de quienes dedican sus manos y su tiempo a cuidar los naranjos.

Entre 2019 y 2024, hemos mirado con lupa esta realidad, no para juzgarla, sino para entenderla. Este recorrido por los campos colombianos busca honrar el trabajo de los cultivadores, destacar las particularidades de cada región y, sobre todo, inspirar acciones que nivelen el terreno. Los datos que aquí compartimos no son solo información: son una voz colectiva que clama por un futuro más justo para la citricultura.

Objetivos

Objetivo general: Comparar la producción de naranja Valencia por departamentos en Colombia durante el periodo 2019–2024, con el fin de identificar tendencias regionales y analizar la dinámica productiva de esta variedad cítrica.

Objetivos específicos:

  • Analizar la evolución temporal de la producción en los departamentos seleccionados.
  • Establecer comparaciones regionales que permitan evidenciar las diferencias productivas en el país.
  • Identificar los departamentos con mayor y menor participación en la producción nacional.

Metodología

Zonas de estudio

Se seleccionaron 8 departamentos representativos de la citricultura colombiana para el ejercicio: Antioquia, Valle del Cauca, Meta, Cesar, Nariño, Santander, Tolima y Cundinamarca. La selección busca cubrir zonas de la Costa Atlántica, Andina y Orinoquía con perfiles productivos diversos.

Materiales

  • R (RStudio) con paquetes: tidyverse, lme4, broom, ggpubr, knitr.
  • Base de datos sintética (generada en este documento) con producción anual (toneladas) por departamento (2019–2024).

Diseño experimental y análisis estadístico

  • Diseño: datos longitudinales (series anuales por departamento).
  • Análisis descriptivo: medias, medianas, desviación estándar y participación porcentual por departamento y año.
  • Visualizaciones: series de tiempo, barras apiladas (participación), mapa conceptual (si se desea), y heatmap por año-departamento.
  • Pruebas estadísticas: ANOVA de dos vías (efecto de departamento y año), y prueba no paramétrica (Kruskal–Wallis) si no se cumplen supuestos.
  • Modelado: modelo lineal mixto (lmer) para evaluar tendencia temporal controlando la variabilidad entre departamentos.

Base de datos (generada en R)

Code 
# Paquetes
library(tidyverse)
library(lme4)
library(broom)
library(ggpubr)

set.seed(2025)

# Departamentos y años
departamentos <- c("Antioquia","Valle del Cauca","Meta","Cesar","Nariño","Santander","Tolima","Cundinamarca")
años <- 2019:2024

# Generar efectos por departamento (toneladas base) y tendencia por año
base_effect <- c(Antioquia=55000, `Valle del Cauca`=42000, Meta=21000, Cesar=18000, Nariño=9000, Santander=15000, Tolima=12000, Cundinamarca=8000)
trend_year <- seq(0, 1.5, length.out = length(años)) # ligera subida general

# Construir data frame
df <- expand.grid(Departamento = departamentos, Ano = años) %>%
  arrange(Departamento, Ano) %>%
  mutate(
    base = base_effect[Departamento],
    year_index = as.numeric(Ano) - min(Ano),
    trend = base * (0.02 * year_index + 0.005 * year_index^2) + base * (trend_year[year_index+1] * 0.01),
    ruido = rnorm(n(), mean = 0, sd = base * 0.08),
    Produccion_tn = round(pmax(0, base + trend + ruido))
  ) %>%
  select(Departamento, Ano, Produccion_tn)

# Mostrar la primera tabla
knitr::kable(head(df, 16), caption = "Ejemplo de la base de datos sintética")
Ejemplo de la base de datos sintética
Departamento Ano Produccion_tn
Antioquia 2019 57731
Antioquia 2020 56697
Antioquia 2021 62032
Antioquia 2022 66869
Antioquia 2023 66092
Antioquia 2024 67483
Valle del Cauca 2019 43334
Valle del Cauca 2020 42907
Valle del Cauca 2021 43613
Valle del Cauca 2022 49147
Valle del Cauca 2023 47894
Valle del Cauca 2024 46183
Meta 2019 20293
Meta 2020 22873
Meta 2021 24177
Meta 2022 23069

Análisis descriptivo

Code 
# Resumen por departamento
res_dept <- df %>% group_by(Departamento) %>%
  summarise(Mean = mean(Produccion_tn), SD = sd(Produccion_tn), Total = sum(Produccion_tn)) %>%
  arrange(desc(Mean))

res_dept
Code 
# Participación por año
participacion_ano <- df %>% group_by(Ano) %>%
  mutate(Total_nal = sum(Produccion_tn)) %>%
  ungroup() %>%
  mutate(Participacion_pct = 100 * Produccion_tn / Total_nal)

# Tabla de totales por año-departamento (pivot)
tabla_pivot <- df %>% pivot_wider(names_from = Ano, values_from = Produccion_tn)
knitr::kable(tabla_pivot[1:8,], caption = "Producción por departamento (2019-2024)")
Producción por departamento (2019-2024)
Departamento 2019 2020 2021 2022 2023 2024
Antioquia 57731 56697 62032 66869 66092 67483
Valle del Cauca 43334 42907 43613 49147 47894 46183
Meta 20293 22873 24177 23069 24524 26742
Cesar 16110 22002 18836 21109 25204 23287
Nariño 8917 8315 8933 10063 10274 11680
Santander 13769 17604 14465 17417 16819 17081
Tolima 12272 10914 13667 14301 15286 16284
Cundinamarca 7609 7993 7549 9637 9094 10003

Visualizaciones

Code 
# Serie temporal por departamento
p1 <- ggplot(df, aes(x = Ano, y = Produccion_tn, color = Departamento)) +
  geom_line(size=1) + geom_point() +
  labs(title = "Evolución de la producción de Naranja Valencia (2019-2024)", y = "Producción (toneladas)") +
  theme_minimal()

p1

Code 
# Participación promedio por departamento
p2 <- df %>% group_by(Departamento) %>% summarise(Media = mean(Produccion_tn)) %>%
  arrange(desc(Media)) %>%
  ggplot(aes(x = reorder(Departamento, Media), y = Media)) +
  geom_col() + coord_flip() +
  labs(title = "Producción promedio por departamento (2019-2024)", y = "Media producción (tn)", x = "Departamento") +
  theme_minimal()

p2

Pruebas estadísticas

Code 
# ANOVA simple: Produccion ~ Departamento + Ano
mod_aov <- aov(Produccion_tn ~ Departamento + factor(Ano), data = df)
summary(mod_aov)
             Df    Sum Sq   Mean Sq F value   Pr(>F)    
Departamento  7 1.544e+10 2.205e+09 697.393  < 2e-16 ***
factor(Ano)   5 1.580e+08 3.160e+07   9.993 5.29e-06 ***
Residuals    35 1.107e+08 3.162e+06                     
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Code 
# Prueba no paramétrica Kruskal-Wallis por departamento (compara medianas)
kruskal.test(Produccion_tn ~ Departamento, data = df)

    Kruskal-Wallis rank sum test

data:  Produccion_tn by Departamento
Kruskal-Wallis chi-squared = 44.639, df = 7, p-value = 1.607e-07
Code 
# Modelo lineal mixto: controlar efecto de departamento (efecto aleatorio) y tendencia por año (fijo)
mod_lmer <- lmer(Produccion_tn ~ Ano + (1 | Departamento), data = df)
summary(mod_lmer)
Linear mixed model fit by REML ['lmerMod']
Formula: Produccion_tn ~ Ano + (1 | Departamento)
   Data: df

REML criterion at convergence: 872.3

Scaled residuals: 
     Min       1Q   Median       3Q      Max 
-2.58622 -0.59308 -0.07917  0.49352  2.05350 

Random effects:
 Groups       Name        Variance  Std.Dev.
 Departamento (Intercept) 367032570 19158   
 Residual                   3050779  1747   
Number of obs: 48, groups:  Departamento, 8

Fixed effects:
              Estimate Std. Error t value
(Intercept) -2065104.4   298488.2  -6.919
Ano             1034.0      147.6   7.005

Correlation of Fixed Effects:
    (Intr)
Ano -1.000
Code 
# Extraer efectos

Resultados y discusión

El análisis descriptivo muestra diferencias claras entre departamentos. En la base sintética, Antioquia y Valle del Cauca presentan los mayores niveles de producción promedio; departamentos como Nariño y Cundinamarca muestran valores menores.

La ANOVA indica un efecto significativo del departamento sobre la producción (p < 0.05) —esto sugiere heterogeneidad regional—. La prueba Kruskal–Wallis confirma diferencias entre medianas cuando no asumimos normalidad. El modelo mixto sugiere una tendencia temporal (coeficiente asociado al año) consistente con un ligero aumento o estabilidad según el departamento. Estos resultados son coherentes con los patrones generales reportados por fuentes oficiales (Ministerio de Agricultura, DANE, FAO) donde la naranja representa una fracción importante del total de cítricos y hay departamentos con participación predominante.

Conclusiones

  1. Existen diferencias estadísticamente significativas en la producción de naranja Valencia entre los departamentos considerados (2019–2024).
  2. Antioquia y Valle del Cauca muestran la mayor contribución en la base sintética utilizada; departamentos como Nariño y Cundinamarca contribuyen menos.
  3. La tendencia temporal es leve pero positiva en promedio; sin embargo, la variabilidad entre departamentos sugiere que políticas regionales y factores locales (clima, tecnología, mercado) tienen un papel importante.
  4. Para estudios reales se recomienda usar datos oficiales (DANE, Ministerio de Agricultura) y considerar covariables como área sembrada, rendimiento por hectárea, y acceso a mercados para modelado más completo.

Recomendaciones (aplicación práctica)

  • Priorizar asistencia técnica y acceso a insumos en departamentos con menor producción para equilibrar la participación nacional.
  • Diseñar programas de extensión que consideren las particularidades climáticas y culturales de cada región.
  • Recolectar y usar datos reales (encuestas y registros productivos) para replicar el análisis con mayor precisión.

Bibliografía y fuentes consultadas

  • Ministerio de Agricultura y Desarrollo Rural (SIOC). “Indicadores y cifras sectoriales - Cadena de cítricos”. Documentos sectoriales y boletines técnicos (2019–2024). Disponible en: https://sioc.minagricultura.gov.co/Citricos

  • DANE - SIPSA. “Boletines técnicos de abastecimiento y producción de frutas (incluye naranja Valencia)” (2024). Disponible en: https://www.dane.gov.co

  • FAO. “Citrus — Markets and Trade”. Food and Agriculture Organization (FAMA) — análisis de mercado y datos globales sobre cítricos. Disponible en: https://www.fao.org/markets-and-trade/commodities-overview/food-and-agriculture-market-analysis-(FAMA)/citrus/en

  • Citri Colombia. “Presentaciones y cifras del sector citrícola” (2024). Disponible en: https://citri.com.co

  • Agrosavia / publicaciones técnicas sobre citricultura en Colombia. Disponible en: https://repository.agrosavia.co