Analisis de importaciones y exportaciones del rubro forestal
Erika Peralta
2026-09-12
Introducción
Objetivos
General:
Analizar el comportamiento del comercio exterior de productos del rubro forestal en Paraguay durante el período de estudio, mediante técnicas de análisis estadístico y visualización de datos en R, considerando las operaciones de importación y exportación, su evolución temporal, volumen comercializado, composición de los productos y principales mercados de origen y destino
Especificos
Caracterizar las operaciones de comercio exterior del rubro forestal según tipo de operación y categoría de producto.
Analizar el volumen físico de productos forestales importados y exportados, considerando el peso neto y la cantidad estadística.
Analizar la evolución temporal del comercio forestal, identificando tendencias y posibles patrones estacionales durante el período de estudio.
Identificar los principales productos y categorías forestales comercializados, diferenciando su comportamiento entre importaciones y exportaciones.
Identificar los principales países de origen, procedencia y destino de los productos forestales según el tipo de operación.
Caracterizar las operaciones forestales según las principales aduanas y medios de transporte utilizados.
Metodología
Tratamiento y gestión de datos
Carga de datos mensuales
# Instala las librerías si hace falta
# install.packages(c("arrow", "dplyr"))
library(arrow)
library(dplyr)
# ---------------------------------------------------------
# 1. Ubicación de los archivos Parquet
# ---------------------------------------------------------
dir_parquet <- "C:/Users/emper/Downloads/Analitica de Big Data/dataset_rubro_forestal"
# Buscar todos los archivos Parquet de la carpeta
files <- list.files(
dir_parquet,
pattern = "\\.parquet$",
full.names = TRUE
)
# Ver cuántos archivos Parquet se encontraron
cat("Archivos Parquet encontrados:", length(files), "\n")
# ---------------------------------------------------------
# 2. Abrir los archivos como un Dataset
# ---------------------------------------------------------
ds <- open_dataset(
files,
format = "parquet"
)
# ---------------------------------------------------------
# 3. Categorías del rubro forestal
# ---------------------------------------------------------
rubros_forestales <- c(
"MADERA",
"CARBON VEGETAL",
"CAPITULO 45CORCHO Y MANUFACTURAS DE CORCHO",
"CAPITULO 46 MANUFACTURAS DE ESPARTERIA O DE CESTERIA",
"CAPITULO 47 PASTA DE MADERA O DE OTRAS MATERIAS FIBROSAS CELULOSICAS ,DESPERDICIOS Y DESECHOS DE PA",
"PAPEL Y CARTON"
)
# ---------------------------------------------------------
# 4. Filtrar únicamente los rubros forestales
# ---------------------------------------------------------
forestal <- ds %>%
filter(RUBRO %in% rubros_forestales) %>%
collect()
# ---------------------------------------------------------
# 5. Verificación de los resultados
# ---------------------------------------------------------
cat("Filas forestales:", nrow(forestal), "\n")
cat("\nRubros forestales encontrados:\n")
print(unique(forestal$RUBRO))
# ---------------------------------------------------------
# 6. Cantidad de registros por rubro
# ---------------------------------------------------------
cat("\nCantidad de registros por rubro:\n")
forestal %>%
count(RUBRO, sort = TRUE) %>%
print()
#guardar en formato .parquet la base compilada y cargar
# =========================================================
# CONSOLIDACIÓN DE LA BASE DE DATOS DEL RUBRO FORESTAL
# DNIT - Últimos 10 años
# =========================================================
library(arrow)
library(dplyr)
# ---------------------------------------------------------
# 1. Ubicación de los archivos originales
# ---------------------------------------------------------
dir_parquet <- "C:/Users/emper/Downloads/Analitica de Big Data/dataset_rubro_forestal"
# Buscar todos los archivos Parquet
files <- list.files(
dir_parquet,
pattern = "\\.parquet$",
full.names = TRUE
)
cat("Archivos Parquet encontrados:", length(files), "\n")
if (length(files) == 0) {
stop("No se encontraron archivos Parquet en la carpeta de origen.")
}
# ---------------------------------------------------------
# 2. Abrir los archivos como un único conjunto de datos
# ---------------------------------------------------------
ds <- open_dataset(
files,
format = "parquet"
)
# ---------------------------------------------------------
# 3. Definir los rubros forestales
# ---------------------------------------------------------
rubros_forestales <- c(
"MADERA",
"CARBON VEGETAL",
"CAPITULO 45CORCHO Y MANUFACTURAS DE CORCHO",
"CAPITULO 46 MANUFACTURAS DE ESPARTERIA O DE CESTERIA",
"CAPITULO 47 PASTA DE MADERA O DE OTRAS MATERIAS FIBROSAS CELULOSICAS ,DESPERDICIOS Y DESECHOS DE PA",
"PAPEL Y CARTON"
)
# ---------------------------------------------------------
# 4. Filtrar los registros forestales
# ---------------------------------------------------------
ds_forestal <- ds %>%
filter(RUBRO %in% rubros_forestales)
# ---------------------------------------------------------
# 5. Definir la carpeta de salida
# ---------------------------------------------------------
dir_salida <- "C:/Users/emper/Downloads/Analitica de Big Data/base_forestal_consolidada"
# Crear la carpeta si todavía no existe
dir.create(
dir_salida,
recursive = TRUE,
showWarnings = FALSE
)
# ---------------------------------------------------------
# 6. Guardar la base consolidada en formato Parquet
# ---------------------------------------------------------
write_dataset(
ds_forestal,
path = dir_salida,
format = "parquet",
existing_data_behavior = "delete_matching",
max_rows_per_file = 1000000,
max_rows_per_group = 100000
)
cat("\nConsolidación finalizada correctamente.\n")
cat("Carpeta de salida:", dir_salida, "\n")
# ---------------------------------------------------------
# 7. Abrir la base consolidada para verificarla
# ---------------------------------------------------------
base_forestal <- open_dataset(
dir_salida,
format = "parquet"
)
# Cantidad total de registros
total_registros <- base_forestal %>%
summarise(total = n()) %>%
collect() %>%
pull(total)
cat("\nTotal de registros forestales:", total_registros, "\n")
# Cantidad de registros por rubro
cat("\nRegistros por rubro:\n")
base_forestal %>%
count(RUBRO, sort = TRUE) %>%
collect() %>%
print()
# =========================================================
# FIN DE LA CONSOLIDACIÓN
# =========================================================library(arrow)##
## Adjuntando el paquete: 'arrow'## The following object is masked from 'package:utils':
##
## timestamplibrary(dplyr)##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionarchivo="C:/Users/emper/Downloads/Analitica de Big Data/base_forestal_consolidada/part-0.parquet"
#archivo="H:/Mi unidad/FACEN_BIGDATA/FACEN_BIG_DATA_2DO_SEM_2026/FACEN_BIG_DATA_2DO_SEM_2026/trabajos_2do_sem_2026_presencial_sabados/erika_peralta/dataset_rubro_forestal/base_forestal_consolidada/part-0.parquet"
base_forestal <- open_dataset(
archivo,
format = "parquet"
)
base_forestal=as.data.frame(base_forestal)
base_forestal## # A tibble: 953,299 × 47
## `DESPACHO CIFRADO` OPERACION DESTINACION REGIMEN OFICIALIZACION CANCELACION
## <chr> <chr> <chr> <chr> <chr> <chr>
## 1 16DA000000056900 IMPORTACION IC04 IMPORT… 26/04/2016 26/04/2016
## 2 16DA000000055847 IMPORTACION IC04 IMPORT… 28/04/2016 28/04/2016
## 3 16DA000000042195 IMPORTACION IM04 IMPORT… 01/04/2016 01/04/2016
## 4 16DA000000042195 IMPORTACION IM04 IMPORT… 01/04/2016 01/04/2016
## 5 16DA000000041803 EXPORTACION EC03 EXPORT… 30/03/2016 01/04/2016
## 6 16DA000000049632 EXPORTACION EC01 EXPORT… 31/03/2016 06/04/2016
## 7 16DA000000050793 IMPORTACION IC04 IMPORT… 11/04/2016 11/04/2016
## 8 16DA000000063010 EXPORTACION EC03 EXPORT… 14/04/2016 19/04/2016
## 9 16DA000000042195 IMPORTACION IM04 IMPORT… 01/04/2016 01/04/2016
## 10 16DA000000042195 IMPORTACION IM04 IMPORT… 01/04/2016 01/04/2016
## # ℹ 953,289 more rows
## # ℹ 41 more variables: AÑO <int>, MES <chr>, ADUANA <chr>, COTIZACION <chr>,
## # `MEDIO TRANSPORTE` <chr>, CANAL <chr>, ITEM <int>, `PAIS ORIGEN` <chr>,
## # `PAIS PROCEDENCIA/DESTINO` <chr>, USO <chr>,
## # `UNIDAD MEDIDA ESTADISTICA` <chr>, `CANTIDAD ESTADISTICA` <chr>,
## # `KILO NETO` <chr>, `KILO BRUTO` <chr>, `FOB DOLAR` <chr>,
## # `FLETE DOLAR` <chr>, `SEGURO DOLAR` <chr>, `IMPONIBLE DOLAR` <chr>, …names(base_forestal)## [1] "DESPACHO CIFRADO" "OPERACION"
## [3] "DESTINACION" "REGIMEN"
## [5] "OFICIALIZACION" "CANCELACION"
## [7] "AÑO" "MES"
## [9] "ADUANA" "COTIZACION"
## [11] "MEDIO TRANSPORTE" "CANAL"
## [13] "ITEM" "PAIS ORIGEN"
## [15] "PAIS PROCEDENCIA/DESTINO" "USO"
## [17] "UNIDAD MEDIDA ESTADISTICA" "CANTIDAD ESTADISTICA"
## [19] "KILO NETO" "KILO BRUTO"
## [21] "FOB DOLAR" "FLETE DOLAR"
## [23] "SEGURO DOLAR" "IMPONIBLE DOLAR"
## [25] "IMPONIBLE GS" "AJUSTE A INCLUIR"
## [27] "AJUSTE A DEDUCIR" "POSICION "
## [29] "RUBRO" "DESC CAPITULO"
## [31] "DESC PARTIDA" "DESC POSICION"
## [33] "MERCADERIA" "MARCA ITEM"
## [35] "ACUERDO" "NUMERO SUBITEM"
## [37] "CANTIDAD SUBITEM" "PRECION UNITARIO SUBITEM"
## [39] "DESC SUBITEM" "MARCA SUBITEM"
## [41] "DERECHO" "ISC"
## [43] "SERVICIO" "RENTA"
## [45] "IVA" "OTROS"
## [47] "TOTAL"# Consultar la cantidad de registros
nrow(base_forestal)## [1] 953299base_forestal %>%
summarise(total = n()) %>%
collect()## # A tibble: 1 × 1
## total
## <int>
## 1 953299# Consultar los rubros disponibles
base_forestal %>%
count(RUBRO, sort = TRUE) %>%
collect()## # A tibble: 6 × 2
## RUBRO n
## <chr> <int>
## 1 PAPEL Y CARTON 747201
## 2 MADERA 140295
## 3 CARBON VEGETAL 48645
## 4 CAPITULO 47 PASTA DE MADERA O DE OTRAS MATERIAS FIBROSAS CELULOSICAS … 9511
## 5 CAPITULO 46 MANUFACTURAS DE ESPARTERIA O DE CESTERIA 6568
## 6 CAPITULO 45CORCHO Y MANUFACTURAS DE CORCHO 1079#table(base_forestal$MERCADERIA4)str(base_forestal)## tibble [953,299 × 47] (S3: tbl_df/tbl/data.frame)
## $ DESPACHO CIFRADO : chr [1:953299] "16DA000000056900" "16DA000000055847" "16DA000000042195" "16DA000000042195" ...
## $ OPERACION : chr [1:953299] "IMPORTACION" "IMPORTACION" "IMPORTACION" "IMPORTACION" ...
## $ DESTINACION : chr [1:953299] "IC04" "IC04" "IM04" "IM04" ...
## $ REGIMEN : chr [1:953299] "IMPORTACION A CONSUMO CON DOCUMENTO DE TRANSPORTE" "IMPORTACION A CONSUMO CON DOCUMENTO DE TRANSPORTE" "IMPORTACION MENOR A CONSUMO CON DOCUMENTO DE TRANSPORTE" "IMPORTACION MENOR A CONSUMO CON DOCUMENTO DE TRANSPORTE" ...
## $ OFICIALIZACION : chr [1:953299] "26/04/2016" "28/04/2016" "01/04/2016" "01/04/2016" ...
## $ CANCELACION : chr [1:953299] "26/04/2016" "28/04/2016" "01/04/2016" "01/04/2016" ...
## $ AÑO : int [1:953299] 2016 2016 2016 2016 2016 2016 2016 2016 2016 2016 ...
## $ MES : chr [1:953299] "ABRIL" "ABRIL" "ABRIL" "ABRIL" ...
## $ ADUANA : chr [1:953299] "TER. DE CARGAS KM.12" "PAKSA" "AEROP. PETTIROSSI" "AEROP. PETTIROSSI" ...
## $ COTIZACION : chr [1:953299] "5530,27" "5537,45" "5628,71" "5628,71" ...
## $ MEDIO TRANSPORTE : chr [1:953299] "CAMION" "CAMION" "AVION" "AVION" ...
## $ CANAL : chr [1:953299] "R" "R" "R" "R" ...
## $ ITEM : int [1:953299] 8 10 1 1 2 1 30 1 1 1 ...
## $ PAIS ORIGEN : chr [1:953299] "CHINA" "CHINA" "REINO UNIDO" "REINO UNIDO" ...
## $ PAIS PROCEDENCIA/DESTINO : chr [1:953299] "CHINA" "CHINA" "REINO UNIDO" "REINO UNIDO" ...
## $ USO : chr [1:953299] "NUEVO" "NUEVO" "NUEVO" "NUEVO" ...
## $ UNIDAD MEDIDA ESTADISTICA: chr [1:953299] "KILOGRAMO" "KILOGRAMO" "KILOGRAMO" "KILOGRAMO" ...
## $ CANTIDAD ESTADISTICA : chr [1:953299] "23,0" "234,0" "11,0" "11,0" ...
## $ KILO NETO : chr [1:953299] "23,0" "234,0" "11,0" "11,0" ...
## $ KILO BRUTO : chr [1:953299] "23,0" "234,0" "11,0" "11,0" ...
## $ FOB DOLAR : chr [1:953299] "34,0" "2260,4" "708,46" "708,46" ...
## $ FLETE DOLAR : chr [1:953299] "1,4" "196,85" "179,81" "179,81" ...
## $ SEGURO DOLAR : chr [1:953299] ",34" "22,6" "7,09" "7,09" ...
## $ IMPONIBLE DOLAR : chr [1:953299] "35,74" "2479,85" "895,37" "895,37" ...
## $ IMPONIBLE GS : chr [1:953299] "197651,85" "13732045,38" "5039753,47" "5039753,47" ...
## $ AJUSTE A INCLUIR : chr [1:953299] ",0" ",0" ",0" ",0" ...
## $ AJUSTE A DEDUCIR : chr [1:953299] ",0" ",0" ",0" ",0" ...
## $ POSICION : chr [1:953299] "4819.20.00.000C" "4819.20.00.000C" "4810.99.90.000F" "4810.99.90.000F" ...
## $ RUBRO : chr [1:953299] "PAPEL Y CARTON" "PAPEL Y CARTON" "PAPEL Y CARTON" "PAPEL Y CARTON" ...
## $ DESC CAPITULO : chr [1:953299] "CAPITULO 48 PAPEL Y CARTON, MANUFACTURAS DE PASTA DECELULOSA, DE PAPEL O DE CARTON" "CAPITULO 48 PAPEL Y CARTON, MANUFACTURAS DE PASTA DECELULOSA, DE PAPEL O DE CARTON" "CAPITULO 48 PAPEL Y CARTON, MANUFACTURAS DE PASTA DECELULOSA, DE PAPEL O DE CARTON" "CAPITULO 48 PAPEL Y CARTON, MANUFACTURAS DE PASTA DECELULOSA, DE PAPEL O DE CARTON" ...
## $ DESC PARTIDA : chr [1:953299] "CAJAS, SACOS (BOLSAS), BOLSITAS, CUCURUCHOS Y DEMAS ENVASES DE PAPEL, CARTON, GUATA DE CELULOSAO NAPAS DE FIBRA"| __truncated__ "CAJAS, SACOS (BOLSAS), BOLSITAS, CUCURUCHOS Y DEMAS ENVASES DE PAPEL, CARTON, GUATA DE CELULOSAO NAPAS DE FIBRA"| __truncated__ "PAPEL Y CARTON, ESTUCADOS POR UNA O LAS DOS CARAS CON CAOLIN U OTRAS SUSTANCIAS INORGANICAS,CON AGLUTINANTE O S"| __truncated__ "PAPEL Y CARTON, ESTUCADOS POR UNA O LAS DOS CARAS CON CAOLIN U OTRAS SUSTANCIAS INORGANICAS,CON AGLUTINANTE O S"| __truncated__ ...
## $ DESC POSICION : chr [1:953299] "CAPITULO 48 PAPEL Y CARTON, MANUFACTURAS DE PASTA DECELULOSA, DE PAPEL O DE CARTON CAJAS, SACOS (BOLSAS), BOLS"| __truncated__ "CAPITULO 48 PAPEL Y CARTON, MANUFACTURAS DE PASTA DECELULOSA, DE PAPEL O DE CARTON CAJAS, SACOS (BOLSAS), BOLS"| __truncated__ "CAPITULO 48 PAPEL Y CARTON, MANUFACTURAS DE PASTA DECELULOSA, DE PAPEL O DE CARTON PAPEL Y CARTON, ESTUCADOS P"| __truncated__ "CAPITULO 48 PAPEL Y CARTON, MANUFACTURAS DE PASTA DECELULOSA, DE PAPEL O DE CARTON PAPEL Y CARTON, ESTUCADOS P"| __truncated__ ...
## $ MERCADERIA : chr [1:953299] "LOS DEMAS EN: 111 UNIDADES DE CAJAS VACIAS" "13680 PCS. CAJA P/REGALO" "PAPEL INDICADOR PARA REALIZAR TEST DETALLADOS EN SUBITEM" "PAPEL INDICADOR PARA REALIZAR TEST DETALLADOS EN SUBITEM" ...
## $ MARCA ITEM : chr [1:953299] "." "." NA NA ...
## $ ACUERDO : chr [1:953299] "SIN ACUERDO" "SIN ACUERDO" "SIN ACUERDO" "SIN ACUERDO" ...
## $ NUMERO SUBITEM : int [1:953299] 0 0 1 2 0 0 0 0 4 3 ...
## $ CANTIDAD SUBITEM : int [1:953299] 0 0 50 100 0 0 0 0 50 100 ...
## $ PRECION UNITARIO SUBITEM : chr [1:953299] ",0" ",0" "3,02" "2,23" ...
## $ DESC SUBITEM : chr [1:953299] NA NA "PH INDICATOR STRIPS, PH 0-14" "COMPARATOR STRIPS PH 3.6-5.1" ...
## $ MARCA SUBITEM : chr [1:953299] NA NA "JOHNSON" "JOHNSON" ...
## $ DERECHO : chr [1:953299] "31624,0" "2197127,0" "705565,0" "705565,0" ...
## $ ISC : chr [1:953299] ",0" ",0" ",0" ",0" ...
## $ SERVICIO : chr [1:953299] "988,0" "68660,0" "25199,0" "25199,0" ...
## $ RENTA : chr [1:953299] ",0" ",0" ",0" ",0" ...
## $ IVA : chr [1:953299] "23035,0" "1601482,0" "585495,0" "585495,0" ...
## $ OTROS : chr [1:953299] "5,0" "709,0" ",0" ",0" ...
## $ TOTAL : chr [1:953299] "55652,0" "3867978,0" "1316259,0" "1316259,0" ...table(base_forestal$MES)##
## ABRIL AGOSTO DICIEMBRE ENERO FEBRERO JULIO JUNIO
## 64326 79302 83813 77147 72748 83621 74663
## MARZO MAYO NOVIEMBRE OCTUBRE SEPTIEMBRE
## 87599 79416 87820 89751 73093table(base_forestal$MES,base_forestal$AÑO)##
## 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026
## ABRIL 4113 5540 4792 4981 3092 5065 5849 5205 7877 8623 9189
## AGOSTO 4601 4896 6798 6377 5376 5016 8016 9028 8693 10290 10211
## DICIEMBRE 5993 5646 8161 7369 7218 7510 8949 10180 11165 11622 0
## ENERO 5150 7161 5328 5906 8688 4532 8170 5029 8233 9433 9517
## FEBRERO 4185 4698 7096 5332 5784 5881 5984 6790 7312 7961 11725
## JULIO 4414 5120 6261 7376 4713 6186 8371 7452 10445 9880 13403
## JUNIO 5029 6115 5617 5136 4076 7054 7320 8043 7666 8861 9746
## MARZO 4952 5350 5673 5274 5091 6499 7944 19319 8294 8594 10609
## MAYO 4203 4319 6325 6638 3445 6421 6199 10572 8844 10591 11859
## NOVIEMBRE 4946 5511 9402 8593 12889 7474 10854 10721 9034 8396 0
## OCTUBRE 4545 8707 6686 7687 6121 9648 8230 10070 12819 15238 0
## SEPTIEMBRE 7157 5801 6616 5937 6784 5709 8054 8009 9754 9272 0##Calcular el campo fecha a partir de año mes y dia 0,1
library(dplyr)
library(ggplot2)
library(lubridate)##
## Adjuntando el paquete: 'lubridate'## The following object is masked from 'package:arrow':
##
## duration## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, union# Revisar el período de los datos
range(base_forestal$`AÑO`, na.rm = TRUE)## [1] 2016 2026# Revisar las fechas de oficialización
head(base_forestal$OFICIALIZACION, 10)## [1] "26/04/2016" "28/04/2016" "01/04/2016" "01/04/2016" "30/03/2016"
## [6] "31/03/2016" "11/04/2016" "14/04/2016" "01/04/2016" "01/04/2016"# Revisar los años disponibles
sort(unique(base_forestal$`AÑO`))## [1] 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026# Revisar las operaciones registradas
table(base_forestal$OPERACION)##
## EXPORTACION IMPORTACION
## 149159 804140library(dplyr)
library(lubridate)
# Correspondencia entre nombres de meses y números
MESNRO <- c(
ENERO = 1L,
FEBRERO = 2L,
MARZO = 3L,
ABRIL = 4L,
MAYO = 5L,
JUNIO = 6L,
JULIO = 7L,
AGOSTO = 8L,
SEPTIEMBRE = 9L,
OCTUBRE = 10L,
NOVIEMBRE = 11L,
DICIEMBRE = 12L
)
base_forestal <- base_forestal %>%
mutate(
# Normalizar nombres de meses y convertirlos a números
MES_TEXTO = toupper(trimws(as.character(MES))),
MES_NRO = unname(MESNRO[MES_TEXTO]),
# Convertir el año a entero
ANIO_NRO = suppressWarnings(
as.integer(trimws(as.character(AÑO)))
),
# Construir la fecha con el primer día de cada mes
FECHA = make_date(
year = ANIO_NRO,
month = MES_NRO,
day = 1L
),
MES_FECHA = floor_date(FECHA, unit = "month")
)
# Comprobar las fechas generadas
summary(base_forestal$FECHA)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## "2016-01-01" "2019-06-01" "2022-07-01" "2022-01-04" "2024-09-01" "2026-08-01"library(dplyr)
library(ggplot2)
library(lubridate)
# Preparar la cantidad de registros por mes
despachos_mensuales <- base_forestal %>%
filter(
!is.na(FECHA),
FECHA >= as.Date("2016-01-01"),
FECHA <= Sys.Date()
) %>%
count(MES_FECHA, name = "CANTIDAD_REGISTROS") %>%
arrange(MES_FECHA)
# Crear el gráfico
grafico_despachos <- ggplot(
despachos_mensuales,
aes(x = MES_FECHA, y = CANTIDAD_REGISTROS)
) +
geom_line(linewidth = 0.6) +
scale_x_date(
date_breaks = "6 months",
date_labels = "%b\n%Y",
expand = expansion(mult = c(0.01, 0.02))
) +
labs(
title = "Evolución mensual de los registros forestales",
subtitle = "Paraguay, desde 2016",
x = "Mes y año",
y = "Cantidad de registros"
) +
theme_minimal() +
theme(
axis.text.x = element_text(
angle = 0,
hjust = 0.5,
size = 8
),
plot.title = element_text(
face = "bold",
size = 14
)
)
# Mostrar el gráfico
print(grafico_despachos)
# Guardar el gráfico en formato PNG, con mayor anchura
ggsave(
filename = "evolucion_mensual.png",
plot = grafico_despachos,
width = 16,
height = 6,
units = "in",
dpi = 300
)despachos_unicos_mensuales <- base_forestal %>%
filter(
!is.na(FECHA),
FECHA >= as.Date("2016-01-01"),
FECHA <= Sys.Date()
) %>%
group_by(MES_FECHA, OPERACION) %>%
summarise(
CANTIDAD_DESPACHOS = n_distinct(`DESPACHO CIFRADO`),
.groups = "drop"
)
despachos_unicos_mensuales## # A tibble: 256 × 3
## MES_FECHA OPERACION CANTIDAD_DESPACHOS
## <date> <chr> <int>
## 1 2016-01-01 EXPORTACION 254
## 2 2016-01-01 IMPORTACION 860
## 3 2016-02-01 EXPORTACION 246
## 4 2016-02-01 IMPORTACION 898
## 5 2016-03-01 EXPORTACION 270
## 6 2016-03-01 IMPORTACION 1003
## 7 2016-04-01 EXPORTACION 284
## 8 2016-04-01 IMPORTACION 976
## 9 2016-05-01 EXPORTACION 301
## 10 2016-05-01 IMPORTACION 1029
## # ℹ 246 more rowsggplot(despachos_unicos_mensuales,
aes(x = MES_FECHA, y = CANTIDAD_DESPACHOS, fill=OPERACION, color=OPERACION)) +
geom_line(linewidth = 0.6) +
scale_x_date(
date_breaks = "6 months",
date_labels = "%b\n%Y"
) +
labs(
title = "Evolución mensual de los despachos forestales",
x = "Mes y año",
y = "Cantidad de despachos únicos"
) +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 0, hjust = 0)
)
##graficar la evolucion mensual de la cantidad total de despachos en el rubro forestal
library(dplyr)
library(ggplot2)
library(lubridate)
# Contar los despachos únicos por mes
despachos_mensuales <- base_forestal %>%
filter(
!is.na(FECHA),
FECHA >= as.Date("2016-01-01"),
FECHA <= Sys.Date()
) %>%
group_by(FECHA) %>%
summarise(
TOTAL_DESPACHOS = n_distinct(`DESPACHO CIFRADO`),
.groups = "drop"
) %>%
arrange(FECHA)
despachos_mensuales## # A tibble: 128 × 2
## FECHA TOTAL_DESPACHOS
## <date> <int>
## 1 2016-01-01 1114
## 2 2016-02-01 1144
## 3 2016-03-01 1273
## 4 2016-04-01 1260
## 5 2016-05-01 1330
## 6 2016-06-01 1337
## 7 2016-07-01 1349
## 8 2016-08-01 1545
## 9 2016-09-01 1694
## 10 2016-10-01 1453
## # ℹ 118 more rows# Graficar la evolución mensual
grafico_despachos <- ggplot(
despachos_mensuales,
aes(x = FECHA, y = TOTAL_DESPACHOS)
) +
geom_line(linewidth = 0.1) +
labs(
title = "Evolución mensual de los despachos forestales",
subtitle = "Paraguay, desde 2016",
x = "Mes y año",
y = "Cantidad de despachos únicos"
) +
scale_x_date(
date_breaks = "6 months",
date_labels = "%b\n%Y",
expand = expansion(mult = c(0.01, 0.02))
) +
theme_minimal() +
theme(
axis.text.x = element_text(size = 8),
plot.title = element_text(face = "bold")
)
print(grafico_despachos)
ggsave(
"evolucion_mensual_despachos.png",
grafico_despachos,
width = 16, height = 6, units = "in", dpi = 300
)##Graficar el peso
# Función para convertir números con coma decimal
convertir_numero <- function(x) {
x <- gsub(",", ".", x, fixed = TRUE)
as.numeric(x)
}
base_forestal <- base_forestal %>%
mutate(
KILO_NETO_NUM = convertir_numero(`KILO NETO`)
)# Sumar el peso neto por mes
peso_anual <- base_forestal %>%
filter(
!is.na(FECHA),
FECHA >= as.Date("2016-01-01"),
FECHA <= as.Date("2025-12-31")
) %>%
group_by(FECHA, OPERACION) %>%
summarise(
PESO_NETO_TOTAL = sum(KILO_NETO_NUM, na.rm = TRUE),
.groups = "drop"
) %>%
arrange(FECHA)
peso_anual## # A tibble: 240 × 3
## FECHA OPERACION PESO_NETO_TOTAL
## <date> <chr> <dbl>
## 1 2016-01-01 EXPORTACION 15619928.
## 2 2016-01-01 IMPORTACION 40691470.
## 3 2016-02-01 EXPORTACION 25980688.
## 4 2016-02-01 IMPORTACION 37673416.
## 5 2016-03-01 EXPORTACION 22217641.
## 6 2016-03-01 IMPORTACION 41515634.
## 7 2016-04-01 EXPORTACION 19748512.
## 8 2016-04-01 IMPORTACION 33496608.
## 9 2016-05-01 EXPORTACION 22737818.
## 10 2016-05-01 IMPORTACION 35511757.
## # ℹ 230 more rows# Graficar el peso neto mensual
grafico_peso <- ggplot(
peso_anual,
aes(x = FECHA, y = PESO_NETO_TOTAL, fill=OPERACION, colour = OPERACION)
) +
geom_line(linewidth = 0.6) +
labs(
title = "Evolución mensual del peso neto forestal",
x = "Mes y año",
y = "Peso neto total (kg)"
) +
scale_x_date(
date_breaks = "12 months",
date_labels = "%b\n%Y",
expand = expansion(mult = c(0.01, 0.02))
) +
theme_minimal() +
theme(
axis.text.x = element_text(size = 8),
plot.title = element_text(face = "bold")
)
print(grafico_peso)
ggsave(
"evolucion_mensual_peso.png",
grafico_peso,
width = 16, height = 6, units = "in", dpi = 300
)##Graficar los precios
# Convertir FOB DOLAR a numérico
base_forestal$`FOB DOLAR` <- as.numeric(
gsub(",", ".", base_forestal$`FOB DOLAR`, fixed = TRUE)
)quantile(
base_forestal$`FOB DOLAR`,
probs = c(0.90, 0.95, 0.99),
na.rm = TRUE
)## 90% 95% 99%
## 58846.22 92232.10 165830.62# Convertir el valor FOB a número
base_forestal <- base_forestal %>%
mutate(
FOB_DOLAR_NUM = convertir_numero(`FOB DOLAR`)
)
# Sumar el valor FOB por mes
fob_mensual <- base_forestal %>%
filter(!is.na(MES_FECHA)) %>%
group_by(MES_FECHA) %>%
summarise(
FOB_TOTAL = sum(FOB_DOLAR_NUM, na.rm = TRUE),
.groups = "drop"
) %>%
arrange(MES_FECHA)
# Graficar el valor FOB mensual
grafico_fob <- ggplot(
fob_mensual,
aes(x = MES_FECHA, y = FOB_TOTAL)
) +
geom_line(linewidth = 0.6) +
labs(
title = "Evolución mensual del valor FOB forestal",
x = "Mes y año",
y = "Valor FOB total (US$)"
) +
scale_x_date(
date_breaks = "6 months",
date_labels = "%b\n%Y",
expand = expansion(mult = c(0.01, 0.02))
) +
scale_y_continuous(
labels = scales::label_number(
big.mark = ".",
decimal.mark = ","
)
) +
theme_minimal() +
theme(
axis.text.x = element_text(size = 8),
plot.title = element_text(face = "bold")
)
print(grafico_fob)
ggsave(
"evolucion_mensual_valor_fob.png",
grafico_fob,
width = 16, height = 6, units = "in", dpi = 300
)##Explorar modelos de series de tiempo para identificar tendencias y pronosticar
library(dplyr)
library(ggplot2)
library(lubridate)
library(tidyr)
library(forecast)
# Contar despachos únicos por mes
serie_despachos <- base_forestal %>%
filter(
!is.na(MES_FECHA),
MES_FECHA >= as.Date("2016-01-01")
) %>%
group_by(MES_FECHA) %>%
summarise(
TOTAL_DESPACHOS = n_distinct(`DESPACHO CIFRADO`),
.groups = "drop"
) %>%
arrange(MES_FECHA)
# Completar los meses sin registros
serie_despachos <- serie_despachos %>%
complete(
MES_FECHA = seq(
min(MES_FECHA),
max(MES_FECHA),
by = "month"
),
fill = list(TOTAL_DESPACHOS = 0)
) %>%
arrange(MES_FECHA)
# Visualizar la serie
head(serie_despachos)## # A tibble: 6 × 2
## MES_FECHA TOTAL_DESPACHOS
## <date> <int>
## 1 2016-01-01 1114
## 2 2016-02-01 1144
## 3 2016-03-01 1273
## 4 2016-04-01 1260
## 5 2016-05-01 1330
## 6 2016-06-01 1337#Visualización de la tendencia
ggplot(serie_despachos,
aes(x = MES_FECHA, y = TOTAL_DESPACHOS)) +
geom_line(linewidth = 0.6) +
geom_smooth(
method = "loess",
se = FALSE,
color = "red",
linewidth = 0.8
) +
scale_x_date(
date_breaks = "6 months",
date_labels = "%b\n%Y"
) +
labs(
title = "Tendencia de los despachos forestales",
subtitle = "Evolución mensual y tendencia suavizada",
x = "Mes y año",
y = "Cantidad de despachos únicos"
) +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
#Construcción de la serie temporal
# Convertir los datos a una serie temporal
serie_ts <- ts(
serie_despachos$TOTAL_DESPACHOS,
start = c(
year(min(serie_despachos$MES_FECHA)),
month(min(serie_despachos$MES_FECHA))
),
frequency = 12
)
# Visualizar la serie
plot(
serie_ts,
main = "Serie temporal de los despachos forestales",
xlab = "Año",
ylab = "Cantidad de despachos",
col = "blue"
)
#Descomposición de la serie temporal en tres componentes:
#Tendencia, Estacionalidad, irregularidad.
# Descomposición de la serie
descomposicion <- decompose(
serie_ts,
type = "additive"
)
# Graficar componentes
plot(descomposicion)
#Ajuste y comparación de modelos ARIMA y ets
# Ajustar modelo ARIMA
modelo_arima <- auto.arima(
serie_ts,
seasonal = TRUE,
stepwise = FALSE,
approximation = FALSE
)
# Ajustar modelo ETS
modelo_ets <- ets(serie_ts)
# Consultar resultados
summary(modelo_arima)## Series: serie_ts
## ARIMA(0,1,1) with drift
##
## Coefficients:
## ma1 drift
## -0.8956 17.1180
## s.e. 0.0388 7.0359
##
## sigma^2 = 507005: log likelihood = -1014.16
## AIC=2034.32 AICc=2034.52 BIC=2042.85
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 4.824346 703.6488 297.4142 -3.962797 12.58593 0.6842124
## ACF1
## Training set -0.08224028summary(modelo_ets)## ETS(M,Ad,M)
##
## Call:
## ets(y = serie_ts)
##
## Smoothing parameters:
## alpha = 0.0792
## beta = 0.0303
## gamma = 1e-04
## phi = 0.9334
##
## Initial states:
## l = 1283.1376
## b = 19.8694
## s = 1.019 1.0114 1.0746 1.0258 1.0112 1.0017
## 0.9153 0.8854 0.8366 1.5459 0.847 0.8262
##
## sigma: 0.216
##
## AIC AICc BIC
## 2203.404 2209.680 2254.741
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 7.331563 661.4497 326.8266 -1.828576 14.03981 0.7518769
## ACF1
## Training set -0.05919977# Comparar criterios AICc
comparacion_modelos <- data.frame(
Modelo = c("ARIMA", "ETS"),
AICc = c(
modelo_arima$aicc,
modelo_ets$aicc
)
)
comparacion_modelos## Modelo AICc
## 1 ARIMA 2034.517
## 2 ETS 2209.680#RESIDUOS
# Diagnóstico de residuos ARIMA
checkresiduals(modelo_arima)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(0,1,1) with drift
## Q* = 8.3383, df = 23, p-value = 0.9977
##
## Model df: 1. Total lags used: 24# Diagnóstico de residuos ETS
checkresiduals(modelo_ets)
##
## Ljung-Box test
##
## data: Residuals from ETS(M,Ad,M)
## Q* = 9.6983, df = 24, p-value = 0.9957
##
## Model df: 0. Total lags used: 24#Pronóstico para los próximos 12 meses
# Seleccionar el modelo ARIMA
modelo_final <- modelo_arima
# Generar pronóstico para los próximos 12 meses
pronostico <- forecast(
modelo_final,
h = 12,
level = c(80, 95)
)
# Consultar resultados
pronostico## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## Sep 2026 3459.180 2546.661 4371.699 2063.602 4854.758
## Oct 2026 3476.298 2558.822 4393.774 2073.140 4879.456
## Nov 2026 3493.416 2571.011 4415.821 2082.719 4904.113
## Dec 2026 3510.534 2583.225 4437.843 2092.337 4928.731
## Jan 2027 3527.652 2595.465 4459.839 2101.995 4953.308
## Feb 2027 3544.770 2607.731 4481.809 2111.692 4977.847
## Mar 2027 3561.888 2620.021 4503.754 2121.428 5002.348
## Apr 2027 3579.006 2632.337 4525.675 2131.200 5026.811
## May 2027 3596.124 2644.676 4547.571 2141.010 5051.237
## Jun 2027 3613.242 2657.039 4569.444 2150.857 5075.627
## Jul 2027 3630.360 2669.426 4591.293 2160.739 5099.980
## Aug 2027 3647.478 2681.836 4613.119 2170.657 5124.299# Graficar pronóstico
autoplot(pronostico) +
labs(
title = "Pronóstico de los despachos forestales",
subtitle = "Modelo ARIMA - Horizonte de 12 meses",
x = "Año",
y = "Cantidad de despachos únicos"
) +
theme_minimal()
##Participacion de los rubros, clasificación según mayor incidencia
#Resumen de participación por rubro
participacion_rubros <- base_forestal %>%
filter(
!is.na(RUBRO),
OPERACION %in% c("IMPORTACION", "EXPORTACION")
) %>%
group_by(OPERACION, RUBRO) %>%
summarise(
TOTAL_DESPACHOS = n_distinct(`DESPACHO CIFRADO`),
PESO_TOTAL = sum(
KILO_NETO_NUM,
na.rm = TRUE
),
FOB_TOTAL = sum(
FOB_DOLAR_NUM,
na.rm = TRUE
),
.groups = "drop"
) %>%
group_by(OPERACION) %>%
mutate(
PARTICIPACION_DESPACHOS =
100 * TOTAL_DESPACHOS / sum(TOTAL_DESPACHOS),
PARTICIPACION_PESO =
100 * PESO_TOTAL / sum(PESO_TOTAL),
PARTICIPACION_FOB =
100 * FOB_TOTAL / sum(FOB_TOTAL)
) %>%
ungroup() %>%
arrange(OPERACION, desc(FOB_TOTAL))
participacion_rubros## # A tibble: 12 × 8
## OPERACION RUBRO TOTAL_DESPACHOS PESO_TOTAL FOB_TOTAL PARTICIPACION_DESPAC…¹
## <chr> <chr> <int> <dbl> <dbl> <dbl>
## 1 EXPORTACION PAPE… 33361 1.35e9 1.36e 9 32.5
## 2 EXPORTACION MADE… 23279 1.24e9 1.02e 9 22.7
## 3 EXPORTACION CARB… 44516 1.94e9 8.05e 8 43.3
## 4 EXPORTACION CAPI… 1508 7.50e7 1.53e 7 1.47
## 5 EXPORTACION CAPI… 88 6.98e3 9.69e 5 0.0856
## 6 EXPORTACION CAPI… 14 2.24e3 4.04e 4 0.0136
## 7 IMPORTACION PAPE… 148272 5.81e9 1.66e10 78.6
## 8 IMPORTACION MADE… 31232 1.89e9 1.14e 9 16.5
## 9 IMPORTACION CAPI… 7606 2.50e8 7.40e 7 4.03
## 10 IMPORTACION CAPI… 870 2.40e6 2.10e 7 0.461
## 11 IMPORTACION CARB… 238 8.26e6 6.40e 6 0.126
## 12 IMPORTACION CAPI… 509 3.66e5 1.41e 6 0.270
## # ℹ abbreviated name: ¹PARTICIPACION_DESPACHOS
## # ℹ 2 more variables: PARTICIPACION_PESO <dbl>, PARTICIPACION_FOB <dbl>#Clasificación de los rubros según su incidencia económica
ranking_rubros <- participacion_rubros %>%
group_by(OPERACION) %>%
arrange(desc(FOB_TOTAL), .by_group = TRUE) %>%
mutate(
CLASIFICACION = paste0(
"Puesto ",
row_number()
)
) %>%
ungroup()
ranking_rubros## # A tibble: 12 × 9
## OPERACION RUBRO TOTAL_DESPACHOS PESO_TOTAL FOB_TOTAL PARTICIPACION_DESPAC…¹
## <chr> <chr> <int> <dbl> <dbl> <dbl>
## 1 EXPORTACION PAPE… 33361 1.35e9 1.36e 9 32.5
## 2 EXPORTACION MADE… 23279 1.24e9 1.02e 9 22.7
## 3 EXPORTACION CARB… 44516 1.94e9 8.05e 8 43.3
## 4 EXPORTACION CAPI… 1508 7.50e7 1.53e 7 1.47
## 5 EXPORTACION CAPI… 88 6.98e3 9.69e 5 0.0856
## 6 EXPORTACION CAPI… 14 2.24e3 4.04e 4 0.0136
## 7 IMPORTACION PAPE… 148272 5.81e9 1.66e10 78.6
## 8 IMPORTACION MADE… 31232 1.89e9 1.14e 9 16.5
## 9 IMPORTACION CAPI… 7606 2.50e8 7.40e 7 4.03
## 10 IMPORTACION CAPI… 870 2.40e6 2.10e 7 0.461
## 11 IMPORTACION CARB… 238 8.26e6 6.40e 6 0.126
## 12 IMPORTACION CAPI… 509 3.66e5 1.41e 6 0.270
## # ℹ abbreviated name: ¹PARTICIPACION_DESPACHOS
## # ℹ 3 more variables: PARTICIPACION_PESO <dbl>, PARTICIPACION_FOB <dbl>,
## # CLASIFICACION <chr>#GRÁFICO DE LOS RUBROS
library(ggplot2)
library(dplyr)
library(forcats)
grafico_rubros <- ranking_rubros %>%
group_by(OPERACION) %>%
slice_max(
order_by = PARTICIPACION_FOB,
n = 10,
with_ties = FALSE
) %>%
ungroup() %>%
ggplot(
aes(
x = PARTICIPACION_FOB,
y = fct_reorder(RUBRO, PARTICIPACION_FOB)
)
) +
geom_col(width = 0.7) +
geom_text(
aes(label = paste0(round(PARTICIPACION_FOB, 1), "%")),
hjust = -0.2,
size = 3.5
) +
facet_wrap(~OPERACION, scales = "free_y") +
scale_x_continuous(
labels = function(x) paste0(x, "%"),
expand = expansion(mult = c(0, 0.15))
) +
labs(
title = "Participación de los rubros forestales",
subtitle = "Principales rubros según valor FOB",
x = "Participación del valor FOB",
y = "Rubro"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold", size = 14),
axis.text.y = element_text(size = 9),
strip.text = element_text(face = "bold"),
panel.spacing = unit(1.5, "lines")
)
print(grafico_rubros)
ggsave(
"participacion_rubros.png",
grafico_rubros,
width = 14,
height = 8,
dpi = 300
)#tABLA SEGÚN PESO
ranking_peso <- participacion_rubros %>%
group_by(OPERACION) %>%
arrange(desc(PESO_TOTAL), .by_group = TRUE) %>%
mutate(
PUESTO_PESO = row_number()
) %>%
ungroup()
ranking_peso## # A tibble: 12 × 9
## OPERACION RUBRO TOTAL_DESPACHOS PESO_TOTAL FOB_TOTAL PARTICIPACION_DESPAC…¹
## <chr> <chr> <int> <dbl> <dbl> <dbl>
## 1 EXPORTACION CARB… 44516 1.94e9 8.05e 8 43.3
## 2 EXPORTACION PAPE… 33361 1.35e9 1.36e 9 32.5
## 3 EXPORTACION MADE… 23279 1.24e9 1.02e 9 22.7
## 4 EXPORTACION CAPI… 1508 7.50e7 1.53e 7 1.47
## 5 EXPORTACION CAPI… 88 6.98e3 9.69e 5 0.0856
## 6 EXPORTACION CAPI… 14 2.24e3 4.04e 4 0.0136
## 7 IMPORTACION PAPE… 148272 5.81e9 1.66e10 78.6
## 8 IMPORTACION MADE… 31232 1.89e9 1.14e 9 16.5
## 9 IMPORTACION CAPI… 7606 2.50e8 7.40e 7 4.03
## 10 IMPORTACION CARB… 238 8.26e6 6.40e 6 0.126
## 11 IMPORTACION CAPI… 870 2.40e6 2.10e 7 0.461
## 12 IMPORTACION CAPI… 509 3.66e5 1.41e 6 0.270
## # ℹ abbreviated name: ¹PARTICIPACION_DESPACHOS
## # ℹ 3 more variables: PARTICIPACION_PESO <dbl>, PARTICIPACION_FOB <dbl>,
## # PUESTO_PESO <int>##Participación de los países según el peso neto
paises_forestales <- base_forestal %>%
filter(
OPERACION %in% c("IMPORTACION", "EXPORTACION")
) %>%
select(
OPERACION,
KILO_NETO_NUM,
FOB_DOLAR_NUM,
`DESPACHO CIFRADO`,
`PAIS PROCEDENCIA/DESTINO`
) %>%
mutate(
PAIS = as.character(`PAIS PROCEDENCIA/DESTINO`),
# Normalizar espacios
PAIS = stringr::str_squish(PAIS),
# Eliminar siglas iniciales
PAIS = stringr::str_remove(
PAIS,
"^[A-Z]{2,3}\\s*-\\s*"
),
# Convertir a mayúsculas conservando ñ y tildes
PAIS = stringr::str_to_upper(PAIS),
# Identificar valores faltantes
PAIS = na_if(PAIS, ""),
PAIS = ifelse(
is.na(PAIS),
"SIN INFORMACION",
PAIS
)
)#participación por país
participacion_paises <- paises_forestales %>%
group_by(OPERACION, PAIS) %>%
summarise(
TOTAL_DESPACHOS = n_distinct(`DESPACHO CIFRADO`),
PESO_TOTAL = sum(
KILO_NETO_NUM,
na.rm = TRUE
),
FOB_TOTAL = sum(
FOB_DOLAR_NUM,
na.rm = TRUE
),
.groups = "drop"
) %>%
group_by(OPERACION) %>%
mutate(
PARTICIPACION_PESO =
100 * PESO_TOTAL / sum(PESO_TOTAL),
PARTICIPACION_FOB =
100 * FOB_TOTAL / sum(FOB_TOTAL),
PARTICIPACION_DESPACHOS =
100 * TOTAL_DESPACHOS / sum(TOTAL_DESPACHOS)
) %>%
ungroup() %>%
arrange(OPERACION, desc(PESO_TOTAL))
participacion_paises## # A tibble: 230 × 8
## OPERACION PAIS TOTAL_DESPACHOS PESO_TOTAL FOB_TOTAL PARTICIPACION_PESO
## <chr> <chr> <int> <dbl> <dbl> <dbl>
## 1 EXPORTACION "BRASIL" 20587 778783666. 5.17e8 16.9
## 2 EXPORTACION "REINO U… 6501 604753922. 4.76e8 13.1
## 3 EXPORTACION "CHILE" 12959 555232789. 3.71e8 12.1
## 4 EXPORTACION "ARGENTI… 9590 469270869. 4.09e8 10.2
## 5 EXPORTACION "ESTADOS… 10493 331238751. 2.71e8 7.20
## 6 EXPORTACION "ALEMANI… 3479 327235093. 1.20e8 7.11
## 7 EXPORTACION "URUGUAY" 8596 258750284. 1.15e8 5.62
## 8 EXPORTACION "ISRAEL" 2804 139158381. 5.53e7 3.02
## 9 EXPORTACION "ARABIA … 2210 113675838. 4.99e7 2.47
## 10 EXPORTACION "ESPA\\A" 2764 91822985. 4.28e7 1.99
## # ℹ 220 more rows
## # ℹ 2 more variables: PARTICIPACION_FOB <dbl>, PARTICIPACION_DESPACHOS <dbl>#Ranking de los principales países
ranking_paises <- participacion_paises %>%
group_by(OPERACION) %>%
slice_max(
order_by = PESO_TOTAL,
n = 10,
with_ties = FALSE
) %>%
arrange(
OPERACION,
desc(PESO_TOTAL)
) %>%
mutate(
RANKING = row_number()
) %>%
ungroup()
ranking_paises## # A tibble: 20 × 9
## OPERACION PAIS TOTAL_DESPACHOS PESO_TOTAL FOB_TOTAL PARTICIPACION_PESO
## <chr> <chr> <int> <dbl> <dbl> <dbl>
## 1 EXPORTACION "BRASIL" 20587 7.79e8 5.17e8 16.9
## 2 EXPORTACION "REINO U… 6501 6.05e8 4.76e8 13.1
## 3 EXPORTACION "CHILE" 12959 5.55e8 3.71e8 12.1
## 4 EXPORTACION "ARGENTI… 9590 4.69e8 4.09e8 10.2
## 5 EXPORTACION "ESTADOS… 10493 3.31e8 2.71e8 7.20
## 6 EXPORTACION "ALEMANI… 3479 3.27e8 1.20e8 7.11
## 7 EXPORTACION "URUGUAY" 8596 2.59e8 1.15e8 5.62
## 8 EXPORTACION "ISRAEL" 2804 1.39e8 5.53e7 3.02
## 9 EXPORTACION "ARABIA … 2210 1.14e8 4.99e7 2.47
## 10 EXPORTACION "ESPA\\A" 2764 9.18e7 4.28e7 1.99
## 11 IMPORTACION "BRASIL" 98872 4.65e9 5.85e9 58.4
## 12 IMPORTACION "ARGENTI… 17280 8.65e8 1.56e9 10.9
## 13 IMPORTACION "CHINA" 19612 5.00e8 7.94e8 6.27
## 14 IMPORTACION "ESPA\\A" 2537 2.89e8 2.82e9 3.63
## 15 IMPORTACION "ESPANA" 2240 2.68e8 2.15e9 3.37
## 16 IMPORTACION "ESTADOS… 9216 2.15e8 1.90e9 2.70
## 17 IMPORTACION "FINLAND… 662 1.55e8 1.46e8 1.95
## 18 IMPORTACION "AUSTRIA" 803 1.50e8 1.24e8 1.88
## 19 IMPORTACION "URUGUAY" 3459 1.36e8 3.63e8 1.71
## 20 IMPORTACION "POLONIA" 155 1.28e8 7.49e7 1.61
## # ℹ 3 more variables: PARTICIPACION_FOB <dbl>, PARTICIPACION_DESPACHOS <dbl>,
## # RANKING <int>#Grafico de los países
grafico_paises <- ranking_paises %>%
ggplot(
aes(
x = PARTICIPACION_PESO,
y = forcats::fct_reorder(PAIS, PARTICIPACION_PESO)
)
) +
geom_col(width = 0.7) +
geom_text(
aes(
label = paste0(
round(PARTICIPACION_PESO, 1),
"%"
)
),
hjust = -0.2,
size = 3
) +
facet_wrap(
~OPERACION,
scales = "free_y"
) +
scale_x_continuous(
labels = function(x) paste0(x, "%"),
expand = expansion(mult = c(0, 0.15))
) +
labs(
title = "Principales países de procedencia y destino",
subtitle = "Participación según peso neto de los productos forestales",
x = "Participación del peso neto (%)",
y = "País"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold", size = 14),
axis.text.y = element_text(size = 9),
strip.text = element_text(face = "bold")
)
print(grafico_paises)
ggsave(
"principales_paises_forestales.png",
grafico_paises,
width = 12,
height = 8,
dpi = 300
)#bbdd por rubro y pais de procedencia/destino
library(dplyr)
library(stringr)
library(ggplot2)
library(forcats)
library(scales)
# Preparar los datos
paises_rubros <- base_forestal %>%
filter(OPERACION %in% c("IMPORTACION", "EXPORTACION")) %>%
mutate(
PAIS = as.character(`PAIS PROCEDENCIA/DESTINO`),
PAIS = str_squish(PAIS),
PAIS = str_remove(PAIS, "^[A-Z]{2,3}\\s*-\\s*"),
PAIS = str_to_upper(PAIS),
PAIS = na_if(PAIS, ""),
PAIS = ifelse(is.na(PAIS), "SIN INFORMACION", PAIS),
RUBRO = as.character(RUBRO),
RUBRO = str_squish(RUBRO),
RUBRO = ifelse(is.na(RUBRO) | RUBRO == "",
"SIN INFORMACION", RUBRO)
)
# Agrupar por operación, país y rubro
resumen_paises_rubros <- paises_rubros %>%
group_by(OPERACION, PAIS, RUBRO) %>%
summarise(
PESO_NETO = sum(KILO_NETO_NUM, na.rm = TRUE),
.groups = "drop"
)
# Calcular la participación de cada rubro dentro de cada país
resumen_paises_rubros <- resumen_paises_rubros %>%
group_by(OPERACION, PAIS) %>%
mutate(
PESO_TOTAL_PAIS = sum(PESO_NETO, na.rm = TRUE),
PARTICIPACION = (PESO_NETO / PESO_TOTAL_PAIS) * 100
) %>%
ungroup()#rubros por país
top_rubros_pais <- resumen_paises_rubros %>%
group_by(OPERACION, PAIS) %>%
slice_max(
order_by = PESO_NETO,
n = 5,
with_ties = FALSE
) %>%
arrange(OPERACION, PAIS, desc(PESO_NETO)) %>%
ungroup()
# Visualizar resultados
View(top_rubros_pais)#Ranking 10 países por operación