Integrantes

Filiación

Universidad Nacional de Cuyo

Facultad de ingenieria

Catedra: Técnicas y herramientas modernas II

Situación problema

La provincia de Mendoza posee recursos minerales estratégicos —principalmente cobre, uranio y cloruro de potasio— cuya explotación podría generar ventajas competitivas sociales y económicas. Sin embargo, el desarrollo minero provincial enfrenta un contexto regulatorio restrictivo, una alta sensibilidad social respecto a los impactos ambientales y una infraestructura logística limitada, particularmente en transporte ferroviario. En este escenario, la aplicación de principios de Excelencia Operacional se vuelve un desafío y, al mismo tiempo, una oportunidad para mejorar la viabilidad de los proyectos.

El presente trabajo esta fuertemente inspirado en los aportes de (Martínez and Smith 2013)

El cobre, asociado al potencial del distrito Malargüe y a la creciente demanda global por la transición energética, requiere procesos extractivos y metalúrgicos complejos, con altos estándares de eficiencia y sostenibilidad. El uranio, históricamente relevante para la matriz energética argentina, se encuentra condicionado por estrictas regulaciones y percepción pública negativa, que obligan a adoptar modelos operativos transparentes y altamente controlados. Por su parte, el cloruro de potasio, eje del frustrado proyecto Potasio-Río Colorado, evidencia las limitaciones logísticas de la provincia: la falta de infraestructura ferroviaria eficiente impacta directamente en costos, tiempos y competitividad internacional.

Así, la problemática central radica en cómo implementar prácticas de Excelencia Operacional —orientadas a la mejora continua, sostenibilidad, seguridad, y optimización logística— en un contexto de restricciones normativas y sociales, y de infraestructura crítica incompleta. El análisis comparativo de estos tres minerales permite identificar barreras y oportunidades para un desarrollo minero responsable, eficiente y alineado con los objetivos estratégicos de Mendoza.

Materiales y métodos

Del relevamiento de Google Datasets hemos detectados que las principales fuentes de información fueron las siguientes:

Fuentes de datos relevantes

SIACAM (Sistema de Información Abierta al Ciudadano sobre Actividad Minera en Argentina)

Fuente: Secretaría de Minería de la Nación. Gobierno de Argentina

Contiene: información económica, geológica, geográfica, social y ambiental de la minería en Argentina.

Uso potencial: para obtener datos de proyectos mineros, producción, localización provincial, etc; te permitiría desagregar (o al menos aproximar) por mineral (cobre, uranio, potasio) y provincia (Mendoza) para tu análisis comparativo.

Argentina – Rail Network (Banco Mundial)

Fuente: World Bank Data Catalog. datacatalog.worldbank.org

Contiene: shapefiles de la red ferroviaria argentina (líneas, estaciones, operadores).

Uso potencial: para analizar la infraestructura ferroviaria en Mendoza/u otras provincias, hacer mapas de acceso/logística para transporte de minerales.

Energy and Mining Indicators – Argentina

Fuente: Humanitarian Data Exchange (HDX) – “Argentina – Energy and Mining Indicators”. data.humdata.org

Contiene: indicadores energéticos y mineros para Argentina.

Uso potencial: para establecer contexto macro (producción, empleo, exportaciones del sector), lo que puede complementar tu sección de “situación-problema”.

Global Mining Dataset (ICMM)

Fuente: ICMM “Global Mining Dataset: Understanding the world’s metal and mining operations”. icmm.com +1

Contiene: datos globales de plantas/minas/refinerías para muchos minerales.

Uso potencial: aunque no sea específico de Mendoza, puede servir para comparativos internacionales o para benchmarking de eficiencia/excelencia operacional.

Industrial & Manufacturing & Resources Locations in Argentina

Fuente: xMap.ai (muestra localizaciones de actividades industriales/mineras en Argentina). xmap.ai

Contiene: localización, categoría, etc.

Uso potencial: para georreferenciar dónde están las actividades mineras en Mendoza, ver proximidad a infraestructura ferroviaria u otras instalaciones logísticas.

Dataset de transporte ferroviario de carga (“Railway Service: Cargo Traffic – Argentina”).

Fuente: CEIC Data “Argentina Railway Service: Cargo – Annual” estadísticas. ceicdata.com

Contiene: volumen de carga ferroviaria anual, ton-km, etc.

Uso potencial: vincular logística (transporte) con la minería metálica en Mendoza, estimar cuánta carga ferroviaria se mueve, en qué sectores, posibles cuellos de botella.

Dataset de Gobierno de Argentina – “Datos Abiertos” sector minería.

Fuente: Plataforma datos.gob.ar (catálogo “Minería”). datos.gob.ar +1

Contiene: ubicación de proyectos mineros según tipo de mineral, estado de actividad, empresa operadora, provincia; otros indicadores sectoriales.

Uso potencial: para armar base de datos propia filtrada a Mendoza y a tus minerales de interés (cobre, uranio, KCl) para el análisis comparativo.

Revisión bibliográfica

Hagan una búsqueda bibliográfica con Google Académico, después de eso, utilizar el méetodo Prisma para descartar los artículos que no son relevantes y utilizar los que si representan.

Métodos

Viendo los materiales que hemos conseguido utilizaremos 2 métodos para el caso de estudio.

El primer método será el uso de modelos de lenguaje basados en la herramienta Elicit, Notebook LM, Ngrok, Claude, etc.

El segundo método que utilizaremos será una prueba t-student, xi cuadrado, anova o analisis de varianza.

Caso de aplicación

library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.1     ✔ stringr   1.5.2
## ✔ ggplot2   4.0.0     ✔ tibble    3.3.0
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.1
## ✔ purrr     1.1.0     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(lubridate)

# ---- Cargar datos ----
# Reemplazar por dataset real cuando lo tengamos
# Ejemplo simulado: minería como % del PBG provincial 2004-2024

mineria_mendoza <- tibble(
  anio = 2004:2024,
  contribucion_pbg = c(
    0.42, 0.45, 0.48, 0.50, 0.52,
    0.55, 0.60, 0.62, 0.65, 0.70,
    0.68, 0.66, 0.64, 0.63, 0.62,
    0.61, 0.60, 0.58, 0.57, 0.55,
    0.54
  )
)

# ---- Gráfico ----

mineria_mendoza %>%
  ggplot(aes(x = anio, y = contribucion_pbg)) +
  geom_line(size = 1.1) +
  geom_point() +
  scale_y_continuous(labels = scales::percent_format(scale = 1)) +
  labs(
    title = "Contribución de la minería al PBG de Mendoza (2004–2024)",
    subtitle = "Porcentaje sobre el Producto Bruto Geográfico provincial",
    x = "Año",
    y = "Contribución (%)",
    caption = "Fuente: elaboración propia en base a datos oficiales de Gobierno de Mendoza / INDEC"
  ) +
  theme_minimal(base_size = 13)
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Como importar datos

library(readxl)
DATOS_DESPEGAR <- read_excel("DATOS DESPEGAR.xlsx")

Como plotear un dato de despegar

plot(DATOS_DESPEGAR$AÑO,DATOS_DESPEGAR$`VENTA (USD)`)

Conclusiones finales

Referencias bibliográficas

Martínez, Luis, and Richard Smith. 2013. “Transport Infrastructure and Competitiveness in South America: The Role of Rail Freight.” Journal of Transport Geography 28: 60–71.