¿Por qué las abejas importan tanto a la humanidad?

La agricultura es la primera y auténtica beneficiaria de los servicios prestados por las abejas. Su contribución en términos económicos es realmente significativa, hasta tal punto que la renta directa de la apicultura (miel, cera, polen y otros productos) pasa a un segundo término.

Setenta de los 100 principales cultivos alimentarios que se cultivan en todo el mundo dependen de polinizadores, lo que equivale al 90 por ciento de la nutrición mundial. Sin la existencia de las abejas abría una escasez de alimentos.

Las abejas son mucho más que un pequeño insecto con el que los seres humanos compartimos el planeta, pues son las encargadas de polinizar vegetales en parcelas cercanas a sus colmenas, lo que contribuye a mejorar la biodiversidad, para que después, los polinizadores como pájaros, mariposas y murciélagos transporten el polen de flor en flor para fertilizar a las plantas. Este proceso permite la germinación de semillas y el crecimiento de frutos, es decir, sin abejas no habría alimentos.

También existiriían consecuencias económicas ya que las abejas contribuyen alrededor de 3,250 pesos a la producción de cultivos por hectárea al año. Para poner eso en contexto, la Organización de las Naciones Unidas para la Agricultura y la Alimentación estima que 1.400 millones de hectáreas de tierra en todo el mundo se cultivan actualmente para cultivos. Eso equivale a agregar alrededor de $4.2 billones a la economía global.

¿Por qué las abejas están desapareciendo tan rápidamente?

La cantidad de abejas y otros polinizadores se está reduciendo en muchas partes del mundo debido, en buena parte, a las prácticas agrícolas intensivas, el monocultivo, el uso excesivo de productos químicos agrícolas y a unas temperaturas más altas asociadas al cambio climático, que afectan no solo a los rendimientos de los cultivos sino también la nutrición. Si esta tendencia continúa, cada vez con más frecuencias los cultivos nutritivos como frutas, nueces y muchas verduras serán sustituidos por cultivos básicos como el arroz, el maíz y las patatas, lo que podría derivar en una dieta desequilibrada.

En México la proliferación de cultivos de maíz ha presentado un grave problema para estos polinizadores, ya que quitan espacio para flores con polen, de las que se alimentan. Por otro lado, su hábitat natural está desapareciendo poco a poco; el campo se ve cada vez más reducido por la deforestación, según la SEMARNAT en los últimos 20 años el país ha perdido entre 155 mil y 776 mil hectáreas de bosques y selvas.

¿Cómo podemos responder estas preguntas?

Con el análisis que a continuación estará representado a tráves de gráficos estadisticos y tablas representativas.

Datos

• Tabla

datatable(Colmenas)

Gráficos

• Gráfica de linea: Colmenas a través de los años

library(readxl)
colmenass <- read_excel("Colmenas.xlsx") 
colmenas <- ggplot(data = colmenass) + 
  geom_line(aes(Fecha, Colmenas, colour="Colmenas")) + 
  xlab("Año") +
  ylab("Cantidad de Colmenas") +
  ggtitle("Colmenas a través de los años") 
library(plotly)
ggplotly(colmenas)

Debido a la crisis económica en México surge una falta de reservas internacionales, causando devaluación del peso México. A partir de esta crisis se puede decir que la cantidad de colmenas en México fue decreciendo de 1994 a 1997 pero en el año 1993 a 1994 se mantuvo constante.

En años mas actuales el numero de colmenas fueron decrecieron pero a partir del 2003 al 2015 se intento recuperar un poco mas llegando a la cantidad de 2 millones, concluyendo que nunca se logro obtener el numero de colmenas del año 1993.

• Gráfica de pastel acerca de las unidades de producción en las Entidades de municipio.

library(readxl)
Unidades <- read_excel("Unidades.xlsx") 
ggplot(Unidades,aes(x=1 ,y=Unidad, fill=Entidad))+
  geom_bar(stat = "identity",color="white")+
  geom_text(aes(label=percent(Unidad/281)),
              position=position_stack(vjust=0.5),color="black",size=1.8,)+
  coord_polar(theta="y")

> A partir los siguientes datos obtenidos en Sonora, se puede observar que la ciudad de Hermosillo es el principal productor de colmenas, mientras que Cajeme es el segundo productor.

• Gráfica de barras: Existencia de colmenas por entidad y municipio de Sonora.

library(readxl)
colmena <- read_excel("COLMSON.xlsx") 
library(ggplot2)
Mpio <- colmena$MUNICIPIO
num <- colmena$Ncolmenas
datos <- data.frame(num, Mpio)
colme <- ggplot(colmena, aes( y=num, x=Mpio)) +
  geom_bar(position="dodge", stat="identity", fill= "orange")+
  labs(x="Municipio", y="Cantidad de colmenas", title="Número de colmenas por municipio en Sonora") +
  theme(axis.text.x = element_text(angle=90, hjust=1),axis.text.y =element_text(size = 6))
 
library(plotly)
ggplotly(colme)

Al manejarse los mismos datos del gráfico anterior, los resultados fueron expresados de otra manera. Reafirmando que Hermosillo es el principal productor de colmenas.

• Gráfico: Pesticidas uso.

library(readxl)
colmenass <- read_excel("Colmenass.xlsx")
Pest <- ggplot(data = colmenass) +
  geom_line(aes(Fecha, Toneladas, colour="Toneladas de plaguicidas")) + 
  xlab("Año") +
  ylab("Toneladas") +
  ggtitle("Plaguicida uso (1990-2018)") +
 theme_linedraw()
  geom_point

## function (mapping = NULL, data = NULL, stat = "identity", position = "identity", 
##     ..., na.rm = FALSE, show.legend = NA, inherit.aes = TRUE) 
## {
##     layer(data = data, mapping = mapping, stat = stat, geom = GeomPoint, 
##         position = position, show.legend = show.legend, inherit.aes = inherit.aes, 
##         params = list(na.rm = na.rm, ...))
## }
## <bytecode: 0x0000000012459098>
## <environment: namespace:ggplot2>

ggplotly(Pest)

En base a los datos de este grafico se puede observar que durante 1990 se mantuvo constante su producción plaguicidas hasta el 2000, que fue el año en el que decayó su productividad. Sin embargo, en 2002 comenzó a mostrar cambios positivos, aumentando su producción, dejando una cantidad de 50,894 toneladas en el 2007.

• Gráfica de línea: Relación entre el uso de pesticida y las colmenas de abeja (1990 - 2018)

library(readxl)
colmenass <- read_excel("Colmenass.xlsx")

rel <- ggplot(data = colmenass) +
  geom_line(aes(Fecha, Toneladas, colour="Toneladas de pesticidas")) + 
  geom_line(aes(Fecha, Colmenas, colour="Colmenas")) +
  xlab("Año") +
  ylab("Comportamiento") +
  ggtitle("Relación entre el uso de pesticidas y las colmenas de abeja (1990-2018)") +
 theme_linedraw()
  geom_point

## function (mapping = NULL, data = NULL, stat = "identity", position = "identity", 
##     ..., na.rm = FALSE, show.legend = NA, inherit.aes = TRUE) 
## {
##     layer(data = data, mapping = mapping, stat = stat, geom = GeomPoint, 
##         position = position, show.legend = show.legend, inherit.aes = inherit.aes, 
##         params = list(na.rm = na.rm, ...))
## }
## <bytecode: 0x0000000012459098>
## <environment: namespace:ggplot2>

ggplotly(rel)

Debido al aumento de producción de plaguicidas en el 2003 en adelante, el número de colmenas fue decreciendo o permaneciendo constante en cantidades bajas de producción. Por lo que se puede deducir que el aumento de los plaguicidas es una de las causas del menor número de producción de colmenas en México.

Cálculo de matriz de distancia: Relación de producción de colmenas y toneladas de pesticidas.

#calcular la matriz de distacias
m.distancia <- get_dist(df, method = "euclidean") #el método aceptado también puede ser: "maximum", "manhattan", "canberra", "binary", "minkowski", "pearson", "spearman" o "kendall"
fviz_dist(m.distancia, gradient = list(low = "blue", mid = "white", high = "red"))

Estimación del número de clústers

#estimar el número de clústers
#Elbow, silhouette o gap_stat  method
fviz_nbclust(df, kmeans, method = "wss")

fviz_nbclust(df, kmeans, method = "silhouette")

fviz_nbclust(df, kmeans, method = "gap_stat")

Representado por las siguiente gráfica se trabajará con 3 clusters.

#calculamos los dos clústers
k2 <- kmeans(df, centers = 3, nstart = 25) #center es 2 porque tengo 2 clústers
k2

## K-means clustering with 3 clusters of sizes 13, 9, 7
## 
## Cluster means:
##     Colmenas  Toneladas
## 1 -0.3969498  0.9197530
## 2 -0.5752756 -1.0111962
## 3  1.4768326 -0.4080034
## 
## Clustering vector:
##  [1] 3 3 3 3 3 3 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 3
## 
## Within cluster sum of squares by cluster:
## [1] 5.158095 3.601788 5.580778
##  (between_SS / total_SS =  74.4 %)
## 
## Available components:
## 
## [1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
## [6] "betweenss"    "size"         "iter"         "ifault"

str(k2)

## List of 9
##  $ cluster     : int [1:29] 3 3 3 3 3 3 2 2 2 2 ...
##  $ centers     : num [1:3, 1:2] -0.397 -0.575 1.477 0.92 -1.011 ...
##   ..- attr(*, "dimnames")=List of 2
##   .. ..$ : chr [1:3] "1" "2" "3"
##   .. ..$ : chr [1:2] "Colmenas" "Toneladas"
##  $ totss       : num 56
##  $ withinss    : num [1:3] 5.16 3.6 5.58
##  $ tot.withinss: num 14.3
##  $ betweenss   : num 41.7
##  $ size        : int [1:3] 13 9 7
##  $ iter        : int 2
##  $ ifault      : int 0
##  - attr(*, "class")= chr "kmeans"

Clústers en relación a las colmenas

#plotear los cluster
fviz_cluster(k2, data = df)

fviz_cluster(k2, data = df, ellipse.type = "euclid",repel = TRUE,star.plot = TRUE) #ellipse.type= "t", "norm", "euclid"

fviz_cluster(k2, data = df, ellipse.type = "norm")

fviz_cluster(k2, data = df, ellipse.type = "norm",palette = "Set2", ggtheme = theme_minimal())

Dendrograma que representa los años y el número de colmenas.

res4 <- hcut(df, k = 3, stand = TRUE)
fviz_dend(res4, rect = TRUE, cex = 0.5,
          k_colors = c("red","purple","green","black"))

## Warning in get_col(col, k): Length of color vector was longer than the number of
## clusters - first k elements are used

library(readxl)
df <- read_excel("colmenas3.xlsx")
df %>%
  mutate(Cluster = k2$cluster) %>%
  group_by(Cluster) %>%
  summarise_all("mean")

## # A tibble: 3 x 3
##   Cluster Colmenas Toneladas
## *   <int>    <dbl>     <dbl>
## 1       1 1848139.    47753.
## 2       2 1818427.    22536.
## 3       3 2160350.    30413.

library(readxl)
df <- read_excel("colmenas3.xlsx")
df$clus<-as.factor(k2$cluster)

df <- read_excel("colmenas3.xlsx")
df <- scale(df)
df<- as.data.frame(df)
df$clus<-as.factor(k2$cluster)
df

##       Colmenas  Toneladas clus
## 1   1.20158977 -0.6981002    3
## 2   1.04450239 -0.6981002    3
## 3   1.16035238 -0.6981002    3
## 4   2.27735086 -0.6981002    3
## 5   2.26951870 -0.6981002    3
## 6   0.83712112 -0.6981002    3
## 7   0.03396131 -0.6981002    2
## 8  -1.19031680 -0.6981002    2
## 9  -0.73921422 -0.6981002    2
## 10  0.18181214 -0.6981002    2
## 11 -0.23135396 -0.6981002    2
## 12 -0.31153010 -0.9471969    2
## 13 -0.78276824 -1.8535321    2
## 14 -1.12258209 -1.4898801    2
## 15 -1.01548851 -1.3196551    2
## 16 -1.09330601  0.2626794    1
## 17 -1.00375527  0.2037937    1
## 18 -1.03972321  1.1602851    1
## 19 -0.70100166  1.1036966    1
## 20 -0.83736532  1.1169440    1
## 21 -0.43301565  1.2683317    1
## 22 -0.39978448  1.3383973    1
## 23 -0.09626866  1.0316401    1
## 24  0.11298513  0.9042968    1
## 25  0.40140679  0.5580271    1
## 26  0.62208173  0.9611150    1
## 27 -0.32966711  0.8943421    1
## 28 -0.36293430  1.1532403    1
## 29  1.54739327  1.3325777    3

df$clus <- factor(df$clus)
data_long <- gather(df, caracteristica, valor, Colmenas:Toneladas,  factor_key = TRUE)
data_long

##    clus caracteristica       valor
## 1     3       Colmenas  1.20158977
## 2     3       Colmenas  1.04450239
## 3     3       Colmenas  1.16035238
## 4     3       Colmenas  2.27735086
## 5     3       Colmenas  2.26951870
## 6     3       Colmenas  0.83712112
## 7     2       Colmenas  0.03396131
## 8     2       Colmenas -1.19031680
## 9     2       Colmenas -0.73921422
## 10    2       Colmenas  0.18181214
## 11    2       Colmenas -0.23135396
## 12    2       Colmenas -0.31153010
## 13    2       Colmenas -0.78276824
## 14    2       Colmenas -1.12258209
## 15    2       Colmenas -1.01548851
## 16    1       Colmenas -1.09330601
## 17    1       Colmenas -1.00375527
## 18    1       Colmenas -1.03972321
## 19    1       Colmenas -0.70100166
## 20    1       Colmenas -0.83736532
## 21    1       Colmenas -0.43301565
## 22    1       Colmenas -0.39978448
## 23    1       Colmenas -0.09626866
## 24    1       Colmenas  0.11298513
## 25    1       Colmenas  0.40140679
## 26    1       Colmenas  0.62208173
## 27    1       Colmenas -0.32966711
## 28    1       Colmenas -0.36293430
## 29    3       Colmenas  1.54739327
## 30    3      Toneladas -0.69810024
## 31    3      Toneladas -0.69810024
## 32    3      Toneladas -0.69810024
## 33    3      Toneladas -0.69810024
## 34    3      Toneladas -0.69810024
## 35    3      Toneladas -0.69810024
## 36    2      Toneladas -0.69810024
## 37    2      Toneladas -0.69810024
## 38    2      Toneladas -0.69810024
## 39    2      Toneladas -0.69810024
## 40    2      Toneladas -0.69810024
## 41    2      Toneladas -0.94719693
## 42    2      Toneladas -1.85353215
## 43    2      Toneladas -1.48988007
## 44    2      Toneladas -1.31965507
## 45    1      Toneladas  0.26267942
## 46    1      Toneladas  0.20379366
## 47    1      Toneladas  1.16028515
## 48    1      Toneladas  1.10369663
## 49    1      Toneladas  1.11694401
## 50    1      Toneladas  1.26833170
## 51    1      Toneladas  1.33839732
## 52    1      Toneladas  1.03164007
## 53    1      Toneladas  0.90429675
## 54    1      Toneladas  0.55802708
## 55    1      Toneladas  0.96111500
## 56    1      Toneladas  0.89434207
## 57    1      Toneladas  1.15324030
## 58    3      Toneladas  1.33257767

Relación de clústers de colmenas y toneladas de pesticidas.

x <- ggplot(data_long, aes(as.factor(x = caracteristica), y = valor,group=clus, colour = clus)) + 
  stat_summary(fun = mean, geom="pointrange", size = 1)+
  stat_summary(geom="line")+
  geom_point(aes(shape=clus))
ggplotly(x)

## No summary function supplied, defaulting to `mean_se()`

Interpretación general : A partir de la relación de clústers, se observar un aumento de colmenas cuando las tonelas de pesticidas son pocas, sin embargo, cuando aumenta la cantidad de toneladas de pesticidas, el número de colmenas disminuye, por ello, se ve que los pesticidas pueden afectar la producción de las colmenas.

Como se tiene una variación significante entre el conjunto de datos, se separaron en 3 grupos con características semejantes. Esto con la finalidad de hacer un estudio por grupos y determinar lo que acontece para cada caso. De dichas aglomeraciones se confirma nuestra hipótesis al determinar que los pesticidas impacta directamente a la población de abejas.