Introducción

“El que posee el suelo, posee hacia arriba hasta los cielos” Décimo Junio Juvenal

“La innovación es clave para mejorar la productividad, la sostenibilidad y la resiliencia en la alimentación y la agricultura”(OECD, 2020). La agricutura 4.0 buscar lograr esto mediante herramientas tecnológicas para optimizar el uso de recursos. Una de estas herramientas es la agricultura basada en datos. La agricultura basada en datos, o data driven agriculture, es el uso adecuado de la ciencia de datos para ayudar a promover la agricultura de precisión. Es decir, consiste en el manejo correcto de los datos adecuados en el momento adecuado para lograr oua toma de deicisones mas optima que apoyen la sostenibilidad a largo plazo. A pesar de lo maravilloso que es este impulso en la agricultura, trae consigo ciertas desventajas, como el exceso de cultivos.

Antecedentes

“Desde la época prehispánica, el maíz es el cultivo más importante de México. Probablemente tuvo su origen en nuestro país y de aquí su cultivo se extendió a América del Norte y hasta Argentina.” (Galarza, J., 2005) A traves de los años el cultivo del maíz en México se ha convertido en una actividad vital para la sobrevivencia de la familia campesina. El maíz es el cultivo más sensible y, de la agricultura, el que más afecta a la economía. Es por esto que aumentar la productividad de este grano es uno de los grandes retos de la agricultura de precisión, pero estos aumentos se lo debemos a Norman Borlaug, que logro la Revolución Verde. La Revolución Verde tuvo lugar entre 1945 y 1970, y consistió en utilizar variedades mejoradas principalmente de trigo y maíz, y la aplicación de fertilizantes y plaguicidas. Con estas variedades y procedimientos, la producción logró ser hasta cinco veces superior que con las técnicas y variedades tradicionales de cultivo. Pero aumentar su rendimiento ha traído consigo ciertas desventajas.

Objetivos

Teoría

Nuestra teoría es que lo producido juega mucho en el factor de que si un cultivo es sobre producido, este tiende a perder su valor. También queremos analizar si los factores geográficos juegan un papel importante o agregan valor al producto que se está vendiendo, comparando los estados de Sonora y Sinaloa en esta ocasión. Con los datos obtenidos pretendemos analizar a futuro, que cultivo va tener mayor remuneración, aparte de aconsejar a los agricultores en que cultivo deberían de ponerle más empeño, y cual deberían de bajar los esfuerzos. Sin embargo, en este caso solo analizaremos los 10 primeros cultivos de cada año de cada estado.

Método

Para hacer un buen comparativo sobre las magnitudes absolutas de los cultivos, utilizaremos una gráfica de barras, donde mostraremos los 10 primeros cultivos con mayor valor remunerativo de cada año y de cada estado. Así podremos predecir mediante los datos de años anteriores, lo producido contrastado con el precio del que se vendió, cuál será en el futuro el cultivo que tendrá mayor valor en relación a lo que se cosechó. Pero para realizar un mejor análisis a futuro, utilizaremos una gráfica de LOESS, donde se hace una regresión local y que nos ayuda a predecir mediante la ponderación, además de que nos ayudará analizar a profundidad las tendencias de los datos que estamos modelando. Por último, volveremos a utilizar la gráfica de barras y un gráfico de caja y bigote, para analizar el valor-producción de cada estado.

Resultados y discusión

## `summarise()` regrouping output by 'Anio', 'Nomestado' (override with `.groups` argument)

Tabla de datos de Sinaloa y Sonora sobre las toneladas sembradas, volumen de producción, precio y valor de producción acorde al año y cultivo.

Fig. 1

Fig. 2

A continuación se presentarán datos organizados en tablas y gráficas de barras sobre los primeros 15 cultivos que tuvieron un mayor valor de producción año a año en Sonora y Sinaloa.

Sinaloa 2019

Fig. 3

Sinaloa 2018

Fig. 4

Sinaloa 2017

Fig. 5

Sinaloa 2016

Fig. 6

Sinaloa 2015

Fig. 7

Sonora 2019

Fig. 8

Sonora 2018

Fig. 9

Sonora 2017

Fig. 10

Sonora 2016

Fig. 11

Sonora 2015

Fig. 12

## `geom_smooth()` using formula 'y ~ x'

## `geom_smooth()` using formula 'y ~ x'

## `summarise()` regrouping output by 'Anio' (override with `.groups` argument)

## 
##  F test to compare two variances
## 
## data:  Sonora$Precio and Sinaloa$Precio
## F = 1.5632, num df = 407, denom df = 351, p-value = 1.786e-05
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
##  1.276022 1.912041
## sample estimates:
## ratio of variances 
##           1.563184

Grafico de caja y bigote, y gráfico de desviaciones:

## `summarise()` regrouping output by 'Nomestado' (override with `.groups` argument)

Fig. 21

Conclusión

Para concluir este trabajo, queremos mencionar que nuestra teoría tiende a ser verdadera, ya que los factores geográficos si empeñan un papel importante en cuestiones de producción y en cuestiones de precio.

Vale la mencionar en las cuestiones geográficas, que las condiciones geológicas de los estados, Sinaloa cuenta con más agua y con más hectáreas para tener una producción mayor que la de Sonora. Es por eso que el volumen de producción de Sinaloa es mucho mayor que el de Sonora como lo podemos observar en la fig. 20 de los resultados. No obstante, los cultivos de Sonora tienen una mejor remuneración que Sinaloa por demasiado, como lo podemos observar en fig.19.

Para contestar a la duda de por qué Sonora gana más dinero que Sinaloa, si Sinaloa produce mucho más cantidad que Sonora, que se retrata muy bien en la fig. 21, en esos gráficos de caja y bigote con sus desviaciones. Tenemos que recalcar que los 10 primeros cultivos de cada estado son diferentes. En Sonora, los 3 primeros cultivos en los últimos 3 años, son la uva, el espárrago y el trigo, como nos los reflejan las figuras 8, 9, 10, 11 y 12. Mientras que en Sinaloa, son el maíz, el tomate y el chile verde, que fácilmente lo podemos ver en las figuras 1, 2, 3, 4, 5, 6 y 7. Si nosotros analizamos los derivados de cada cultivo y la demanda que existe por cada uno de ellos, nos podremos dar cuenta que los productos de Sonora tienden a ser más caros.

Así que nuestras recomendaciones a los agricultores de Sinaloa que traten de producir otros cultivos que tengan mayor remuneración económica y a los agricultores de Sonora que se atrevan a producir un poco más, ya que tiene los recursos económicos para hacerlo.

Bibliografía

Agricultural productivity and innovation - OECD. (2020). Retrieved 8 July 2020, from https://www.oecd.org/agriculture/topics/agricultural-productivity-and-innovation/

Datos Abiertos | Gobierno de México. (2020). Retrieved 9 July 2020, from http://infosiap.siap.gob.mx/gobmx/dato

Falcon, W., Dean, A., Naylor, R., Ortiz-Monasterio, I., Lobell, D., Harrison, J., … & Minjares, J. L. (2012). Seeds of sustainability: lessons from the birthplace of the green revolution in agriculture. Island Press.

Galarza, J. (2005). Situación Actual y Perspectiva del Maíz en México 1990-2004. Servicio de Información y Estadística Agroalimentaria y Pesquera.

Gráfica De Barras | UNAM .(2020). Retrieved 9 July 2020, from http://asesorias.cuautitlan2.unam.mx/Laboratoriovirtualdeestadistica/DOCUMENTOS/TEMA%201/6.%20GRAFICA%20DE%20BARRAS.pdf

HeatSpring Magazine – What Does “Data-Driven Farming” Mean? . (2020). Retrieved 8 July 2020, from https://blog.heatspring.com/what-does-data-driven-farming-mean/#:~:text=Data%2DDriven%20Farming%20is%20the,data%E2%80%9D%20is%20a%20big%20buzzword.

¿Qué es la regresión local LOESS o LOWESS? | Máxima Formación. (2017). Retrieved 9 July 2020, from https://www.maximaformacion.es/blog-dat/que-es-la-regresion-local-loess-o-lowess/

¿Qué es la agricultura 4.0?. (2020). Retrieved 8 July 2020, from https://www.asgrow.com.mx/es-mx/tendencias/-que-es-la-agricultura-4-0-.html

Una revolución mundial que inició en sonora | Casa de las Ideas. (2019). Retrieved 9 July 2020, from http://www.casadelasideas.com/recientes/una-revolucion-mundial-que-inicio-en-sonora/#:~:text=Se%20trata%20de%20