Análisis de datos agronomicos del departamento de Meta

Juan Sebastian Delgado Gualteros 8/04/2021

library(tidyverse)
library(htmltools)
library(ggplot2); library(sf); library(leaflet)
library(readxl)
METAD= METAARCH <- read_excel("META/METAARCH.xlsx", 
    col_types = c("numeric", "text", "numeric", 
        "text", "text", "text", "text", "text", 
        "numeric", "text", "numeric", "numeric", 
        "numeric", "numeric", "text", "text", 
        "text"))
View(METAD)

1 resumen

El departamento del meta está ubicado al centro oriente de colombia, cuenta con una extencion de 85 mil kilómetros cuadrados, es productor de gran cantidad de productos agricolas, siendo el mayor surtidor de alimentos de Bogotá. Dentro de los cultivos que podemos encontrar esta la sandia o patilla, la cual cuenta con 18 municipios participando en la produccion. los principales productores son los municipios de Vista Hermosa, Puerto Lleras, puerto rico, entre otros. Las estadisticas geograficas nos permiten representar estos datos de manera espacial con el fin de analizar las dinamicas y correlaciones que estas puedan tener con su entonro, con su cercania a otros departamentos e incluso dinamicas externas como la demanda.

2 introduccion

La agronomia ocurre en los suelos de nuestras regiones, por lo que observar las dinamicas de lo que sucede en terminos de extencion, siembra y produccion, nos permite tener ideas de como estan ocurriendo los procesos productivos, como ha sido la historia, y que tendencias están ocurriendo. El uso de herramientas como la geomatica, ayudan al proceso y analisis de estos datos, representandolos de manera espacial, dentro de el contexto de una region, un pais lo que nos permiten tener una dimension mas y una vision mas completa para el analisis y estadistica de datos agricolas.

1.1 Conceptos teoricos

Sistemas de coordenadas de referencia (CRS) Los CRS nos permiten definir y delimitar una ubicacion geografifa por medio de coordenadas bidimencionales proyectandolos en un mapa representando un espacio tridimencional curvo del planeta. Existen dos tipos diferentes de sistemas de coordenadas El sistema de Coordenadas geograficas Y el sistema de Coordenadas proyectada.

Union de atributos a datos geograficos. Permite relacionar los datos geograficos y estadisticos ( u otros) mediante una variable comun.

Mapas tematicos Es un mapa que muestra la informacion de manera que las variables deseadas se pueden observar y contrastar. Muestra el comportamiento de los datos y lo que deseamos resaltar sobre dichos datos en el mapa.

2.1 Objetivos

Analizar y represenetar geografica y estadisticamente datos agricolas y del Departamento del Meta.

3 Metodología

Por medio de R studio, se realizaron analisis estadisticos y geoestadisticos de las variables asociadas a la produccion agricola del departamento del Meta.

Se hizo uso de Sistemas de coordenadas de referencia que nos permiten tener una ubicacion geografica de forma digital y por lo tanto que se pueden proyectar y combinar con datos estadisticos para analizar y combinar informcion requerida.

Los datos agronomicos fueron tomados del reporte del Ministerio de Agricultura (2020) y los datos geograficos fueron tomados de los archivos del marco geoestadistico del municipio de META 2017 del geoportal del DANE (2020)

3.1 Zona de estudio

El meta, departamento de la region orinoquia de Colombia, comprende desde la cordillera oriental hasta las llanuras limites con venezuela. El departamento tiene una superficie de 85.635 Km^2. Su capital es villavicencio y Se encuentra dividido en 29 Municipios.Su poblacion es de 979.638 habitantes. (Gobernacion del Meta, 2021)

Es un departamento Agricola y ganadero, aunque también tiene crecimiento economico en el sector turistico. Posee cultivos tecnificados de arroz, cacao, Sandia y palma africana, entre muchos otros cultivos de la region. (Banrep, 2021)

Sus topografía esta compuesta por llanuras en un 80%, sin embargo, tambien posee elevaciones importantes como el cerro El Nevado con 4.560 msnm y el paramo de Sumapaz a 4.000 msnm.

 #Se lee el archivo con st_read y posteriormente se transforma el sistema de coordenadas geografico a plantas, y se da el origen de MAGNA Bogotá

m_meta = st_read("MGN2017_50_META/50_META/ADMINISTRATIVO/MGN_MPIO_POLITICO.shp")
m_meta$KM2 <- st_area(st_transform(m_meta, 3116))/1E6
#Nos aseguramos que los datos sean numericos

m_meta$KM2 <- as.numeric(m_meta$KM2)
m_meta$KM2 <- round(m_meta$KM2,2)

min(m_meta$KM2)
max(m_meta$KM2)

#mapa 

bins <- c( 117.34, 2000, 4000,6000,8000,10000,12000,14000,16000, 17260)
pal <- colorBin("RdYlBu", domain = m_meta$KM2, bins = bins)

  mapa_meta <- leaflet(data =m_meta) %>%
  addTiles() %>%
  addPolygons(label = ~ MPIO_CNMBR,
              popup = ~ KM2,
              fillColor = ~pal(KM2),
              color = "#444444",
              weight = 1,
              smoothFactor = 0.5,
              opacity = 1.0,
              fillOpacity = 0.5,
              highlightOptions = highlightOptions(color = "white", weight = 2, bringToFront = TRUE)
              ) %>%  addProviderTiles(providers$OpenStreetMap) %>%
  addLegend("bottomleft", pal = pal, values = ~KM2,
    title = "Area municipios [Km2] (DANE, 2018)",opacity = 1)

 mapa_meta

3.2 Datos

Se descargaron dos archivos que contienen informacion geografica y estadistica de variables agricolas del departamento del Meta (Colombia). Estos archivos son: un shape file de datos geograficos (2017) del Departamento del Meta tomado del geoportal del DANE y Un archivo de Evaluaciones agropecuarias municipales (EVA) con base historia de los años 2007 a 2018 relacionada con estadisticas de la produccion agricola nacional.

Definicion:

shapefile: Es un archivo en un formato sencillo no topologico que se usa para almacenaar la unicacion geometrica y la informacion de atributos de las entidades geograficas.Son representadas por puntos, lineas o poligonos (areas) (ArcGIS for Desktop. 2020)

CSV Un archivo CSV (valores separados por comas) es un archivo de texto que tiene un formato específico que permite guardar los datos en un formato de tabla estructurada. (support google, 2020)

3.3 Procesamiento de Datos

El archivo EVA fue filtrado para el departamento del Meta con el codigo municipal 50.006, posteriormente, los encabezados fueron cambiados para generar nombres mas sencillos y accesibles desde las funciones de R studio. Posteriormente ambos archivos fueron subidos a R studio y renombrados

META = EVA extencion .CSV m_meta = Datos geograficos extension .shp

4 Resultados y Discusion

Observamos la variedad de cultivos que tiene en el META

A <- ggplot(aes(x=GRUPO, y=TON_PROD/1000), data = METAD) + geom_bar(stat='identity') + labs(y='Produccion [Ton x 1000]' )+ coord_flip()
A

#rendimiento cultivo global
METAD %>%  group_by ( SUBGRUPO,MUNICIPIO) %>% summarise(rend_g = mean(RENDIM, na.rm = TRUE )) %>% slice (which.max(rend_g)) %>% arrange (desc(rend_g))-> resum_hasiembra; head( resum_hasiembra)

## `summarise()` has grouped output by 'SUBGRUPO'. You can override using the `.groups` argument.

## # A tibble: 6 x 3
## # Groups:   SUBGRUPO [6]
##   SUBGRUPO       MUNICIPIO         rend_g
##   <chr>          <chr>              <dbl>
## 1 PINNA          SAN MARTIN          57.4
## 2 MAIZ FORRAJERO CABUYARO            51  
## 3 CANNA          PUERTO LOPEZ        48.2
## 4 PAPAYA         CABUYARO            45.3
## 5 PATILLA        CASTILLA LA NUEVA   36  
## 6 AJI            SAN MARTIN          33

Observamos los cutivos con mayor rendimiento y con esto, por gusto personal, trabajaremos con el cultivo de patilla, el cual en los años que posee la base de datos ha tenido su mayor rendimiento ha sido en el municipio de Castilla la Nueva

Los municipios que cultivaron PATILLA en el 2018 son los siguientes

total_siembra = METAD %>%
  filter(SUBGRUPO == "PATILLA" & ANIO==2018) %>%
  group_by(MUNICIPIO) %>%
  summarize(area_siembra_patilla_ha = sum(HA_SIEMBRA, na.rm = TRUE)) %>% arrange(desc(area_siembra_patilla_ha))  ; total_siembra

## # A tibble: 9 x 2
##   MUNICIPIO            area_siembra_patilla_ha
##   <chr>                                  <dbl>
## 1 SAN MARTIN                              1505
## 2 PUERTO LLERAS                            400
## 3 PUERTO RICO                              150
## 4 PUERTO CONCORDIA                         120
## 5 PUERTO LOPEZ                              96
## 6 SAN CARLOS DE GUAROA                      45
## 7 BARRANCA DE UPIA                          37
## 8 VISTA HERMOSA                             30
## 9 CUMARAL                                    1

mean_rend_2018 = METAD %>%
  filter(SUBGRUPO == "PATILLA" & ANIO ==2018 ) %>%
  group_by (MUNICIPIO) %>%
  summarize(rend_pat_2018 = mean(RENDIM))  %>% arrange(desc(rend_pat_2018))  ; mean_rend_2018

## # A tibble: 9 x 2
##   MUNICIPIO            rend_pat_2018
##   <chr>                        <dbl>
## 1 VISTA HERMOSA                70   
## 2 PUERTO LLERAS                35   
## 3 PUERTO RICO                  35   
## 4 SAN MARTIN                   30   
## 5 BARRANCA DE UPIA             28   
## 6 PUERTO LOPEZ                 25.0 
## 7 PUERTO CONCORDIA             10   
## 8 CUMARAL                       9.24
## 9 SAN CARLOS DE GUAROA          3

El Area que posee san martin es 50 veces mayor que el que posee vista hermosa para este cultivo, sin embargo, el rendimiento por hectarea en vista hermosa es mas del doble que en San martin. Estos son valores de comparacion para el año 2018.

#PLOT
mean_rend = METAD %>%
  filter( SUBGRUPO == "PATILLA" ) %>%
  group_by (MUNICIPIO ) %>%
    summarize(mean_rend_pat = mean( RENDIM))  %>% arrange(desc(mean_rend_pat))  ;head( mean_rend)

## # A tibble: 6 x 2
##   MUNICIPIO         mean_rend_pat
##   <chr>                     <dbl>
## 1 CASTILLA LA NUEVA          36  
## 2 VISTA HERMOSA              33.7
## 3 FUENTE DE ORO              32  
## 4 SAN MARTIN                 30.9
## 5 PUERTO RICO                30.9
## 6 PUERTO LLERAS              28.5

graf1 <- ggplot(aes(x=MUNICIPIO, y=mean_rend_pat), data = mean_rend) + geom_bar(stat="identity", width=0.6, fill="GREY", colour="black") + labs(y='Rendimiento Patilla [Ton/Ha]') 
  
graf1 +coord_flip()+
  ggtitle("Rendimiento multianual del cultivo de patilla en el Meta") +  labs(caption= "Basado en Evaluaciones Municipales Agropecuarias (Agronet, 2019)")

Cuando observamos el rendimiento medio en todos los años del conjunto de datos, Puerto lleras es el sexto incluso por debajo de Vista Hermosa que se ubica como segundo. Puerto Lleras tiene un bajo rendimiento en esta comparación, Cabe aclarar que algunos de estos municipios no tienen un cultivo permanente como el caso de castilla la nueva, que solo registra datos durante dos años.

Observaremos el comportamiento del area sembrada y de la produccion en el tiempo de Vista Hermosa

#se filtra por Vista hermosa para graficar

rend_pl= METAD %>%
  filter(MUNICIPIO == "VISTA HERMOSA", CULTIVO== "PATILLA" ) %>%
  group_by(PERIODO,TON_PROD, HA_SIEMBRA) %>%
    summarize(rend_pll = (RENDIM))  %>% arrange(desc(rend_pll)) ; head(rend_pl)

## # A tibble: 6 x 4
## # Groups:   PERIODO, TON_PROD [6]
##   PERIODO TON_PROD HA_SIEMBRA rend_pll
##   <chr>      <dbl>      <dbl>    <dbl>
## 1 2017B       4900         70       70
## 2 2018A       2100         30       70
## 3 2017A       1080         30       36
## 4 2014A       1225         35       35
## 5 2015A       1225         35       35
## 6 2015B       1050         30       35

#Graficamos con la libreria ggplot

#grafica de area de siembra vista hermosa
graf2 <- ggplot(aes (x= PERIODO ,text(size=0.2), y=HA_SIEMBRA), data = rend_pl) + geom_bar(stat='identity') + labs(y='Area [Ha]')

grafi2=graf2+ ggtitle(" Area cultivada con patilla en el municipio de Vista Hermosa 2007 to 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)") ; grafi2

# grafica de rendimiento Vista hermosa
graf3 <- ggplot(aes (x= PERIODO ,text(size=0.2), y= rend_pll), data = rend_pl) + geom_bar(stat='identity') + labs(y='Rendimiento [Ton/Ha]')

grafi3=graf3+ ggtitle("                Comportamiento del rendimiento del cultivo de patilla
                      en el municipio de Vista Hermosa 2007 to 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)") ; grafi3

# Se filtra por Puerto lleras para graficar y comparar con vista hermosa 

rend_pl= METAD %>%
  filter(MUNICIPIO == "PUERTO LLERAS", CULTIVO== "PATILLA" ) %>%
  group_by(PERIODO,TON_PROD, HA_SIEMBRA) %>%
      summarize(rend_pll = (RENDIM))  %>% arrange(desc(rend_pll)) 

## `summarise()` has grouped output by 'PERIODO', 'TON_PROD'. You can override using the `.groups` argument.

#se Grafica el area de siembra de Puerto lleras
graf4 <- ggplot(aes (x= PERIODO ,text(size=0.2), y= rend_pll), data = rend_pl) + geom_bar(stat='identity') + labs(y='Rendimiento [Ton/Ha]')

grafi4=graf4+ ggtitle("                Comportamiento del rendimiento del cultivo de patilla
                      en el municipio de Puerto Lleras 2007 to 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)") ; grafi4

El comportamiento del rendimiento de Vista hermosa es creciente mientas el area sembrada ha oscilado en un periodo de 10 años aprox. En el periodo 2017B, coincide un aumento del area sembrada en Vista Hermosa, con una fuerte baja en el rendimiento para el mismo periodo en Puerto LLeras, sin embargo no se encontró informacion no estadistica al respecto.

El cultivo de sandia o patilla es uno de los principales productos de importancia economica de municipios como San Martin. El cultivo es un generador potencial de empleos directos e indirectos en el departamento y tiene un mercado interno desarrollado. Las exportaciones de esta fruta crecieron por la demanda internacional. Estados unidos, Japón, canada y La union europea representan el 71% de las compras mundiales de esta fruta (Vigoya & Guevara, 2017), por lo que aumentos en la produccion de algunos municipios como vista hermosa puede deberse a la necesidad de suplir esta demanda.

4.1 Mapa de cultivo de platano en el Meta

con el fin de analizar el comportamiento de un cultivo con altisima produccion y demanda nos centraremos en los datos del cultivo de platano.

#Convertimos a numerico la clase de las variables.

class(m_meta$MPIO_CCDGO)

## [1] "character"

m_meta$COD_MUN <-  as.double(m_meta$MPIO_CCDGO)

class(METAD$COD_MUN)

## [1] "numeric"

METAD %>% group_by(CULTIVO , MUNICIPIO) %>% summarise (ton_g = max(TON_PROD, na.rm = TRUE ))%>% slice(which.max(ton_g)) %>% arrange(desc(ton_g))-> resum_ton ;  resum_ton

## # A tibble: 58 x 3
## # Groups:   CULTIVO [58]
##    CULTIVO         MUNICIPIO              ton_g
##    <chr>           <chr>                  <dbl>
##  1 CANNA AZUCARERA PUERTO LOPEZ         2315889
##  2 MAIZ            PUERTO GAITAN         210000
##  3 PLATANO         FUENTE DE ORO         168513
##  4 PALMA DE ACEITE SAN CARLOS DE GUAROA  115800
##  5 SOYA            PUERTO GAITAN         100500
##  6 ARROZ           VILLAVICENCIO          84127
##  7 YUCA            FUENTE DE ORO          72259
##  8 PATILLA         SAN MARTIN             57750
##  9 CITRICOS        LEJANIAS               57500
## 10 PINNA           PUERTO RICO            54675
## # ... with 48 more rows

platano_meta = METAD %>% filter(CULTIVO == "PLATANO") %>% dplyr::select(MUNICIPIO,COD_MUN, ANIO, PERIODO, TON_PROD, RENDIM)

platano_meta %>% replace(is.na(.),0) -> platano_meta2

unique(platano_meta$PERIODO)

##  [1] "2007" "2008" "2009" "2010" "2011" "2012" "2013" "2014" "2015" "2016"
## [11] "2017" "2018"

#CONVERTIR DE UN FORMALO LARGO A UN FORMATO ANCHO

platano_meta%>% replace(is.na(.),0) -> platano_meta2

platano_meta %>% group_by(MUNICIPIO, COD_MUN, ANIO)%>% summarise(TON_PROD= sum(TON_PROD))-> platano_meta2

platano_meta2%>% 
  group_by(COD_MUN) %>%
  gather("TON_PROD",key = variable,value= number) %>%
  unite(combi, variable, ANIO) %>% 
  pivot_wider(names_from = combi,values_from = number, values_fill = 0) -> platano_meta3

#unir atributos con left_join
mun_meta_platano = left_join(m_meta,platano_meta3,by='COD_MUN'); mun_meta_platano

## Simple feature collection with 29 features and 24 fields
## Geometry type: POLYGON
## Dimension:     XY
## Bounding box:  xmin: -74.89921 ymin: 1.604238 xmax: -71.07753 ymax: 4.899101
## Geodetic CRS:  WGS 84
## First 10 features:
##    DPTO_CCDGO MPIO_CCDGO        MPIO_CNMBR
## 1          50      50001     VILLAVICENCIO
## 2          50      50006           ACACÍAS
## 3          50      50110  BARRANCA DE UPIA
## 4          50      50124          CABUYARO
## 5          50      50150 CASTILLA LA NUEVA
## 6          50      50223          CUBARRAL
## 7          50      50226           CUMARAL
## 8          50      50245       EL CALVARIO
## 9          50      50251       EL CASTILLO
## 10         50      50270         EL DORADO
##                                                      MPIO_CRSLC MPIO_NAREA
## 1                                                          1840  1285.9309
## 2                                          Ordenanza 23 de 1960  1123.7379
## 3                            Ordenanza 5  de Octubre 16 de 1990   403.8211
## 4                            Decreto 47 de Septiembre 3 de 1912   913.6705
## 5                               Ordenanza 08 de Julio 7 de 1961   514.6870
## 6                          Ordenanza 23 de Noviembre 28 de 1960  1157.8655
## 7                                          Decreto 2543 de 1955   625.0925
## 8                                          Decreto 2543 de 1955   277.8516
## 9                               Ordenanza 25 de Febrero de 1976   568.2181
## 10 Ordenanza 44  Noviembre 24 de 1992. Decreto 2129 de Diciembr   117.3411
##    MPIO_NANO DPTO_CNMBR Shape_Leng  Shape_Area     KM2 COD_MUN
## 1       2017       META  2.0397742 0.104718109 1285.93   50001
## 2       2017       META  2.0742072 0.091507447 1123.74   50006
## 3       2017       META  1.3120177 0.032894411  403.82   50110
## 4       2017       META  2.0088484 0.074403262  913.66   50124
## 5       2017       META  1.3493293 0.041899616  514.69   50150
## 6       2017       META  2.0750915 0.094269993 1157.87   50223
## 7       2017       META  1.8712144 0.050908970  625.09   50226
## 8       2017       META  0.8050930 0.022635573  277.85   50245
## 9       2017       META  1.1179992 0.046251583  568.22   50251
## 10      2017       META  0.4364058 0.009552168  117.34   50270
##               MUNICIPIO TON_PROD_2007 TON_PROD_2008 TON_PROD_2009 TON_PROD_2010
## 1         VILLAVICENCIO          6080          6080          1920          2660
## 2               ACACIAS           360           480           480           480
## 3      BARRANCA DE UPIA          1050           420           112           910
## 4              CABUYARO          1200          2400          2850          2100
## 5     CASTILLA LA NUEVA           780           871           936           260
## 6  SAN LUIS DE CUBARRAL           320           640           400           240
## 7               CUMARAL           450           480            80           240
## 8           EL CALVARIO             0             0             0             0
## 9           EL CASTILLO          7920          9000         10000         10000
## 10            EL DORADO           504           216           378           126
##    TON_PROD_2011 TON_PROD_2012 TON_PROD_2013 TON_PROD_2014 TON_PROD_2015
## 1           2755          3168          2484          1232          1652
## 2            480           480           480           480           300
## 3            910           910          1200          1440          1800
## 4           1400          1400          1400          1200          1540
## 5            390           767           845           675           975
## 6            464           464           528           640           480
## 7            640           848           320           320           340
## 8              0            18            18            18             9
## 9          11000         13800         13000         11340          9450
## 10           162           360          1206          1072          1552
##    TON_PROD_2016 TON_PROD_2017 TON_PROD_2018                       geometry
## 1           1870          1955          2261 POLYGON ((-73.69288 4.28821...
## 2           1350           660           998 POLYGON ((-73.80268 4.19734...
## 3           2070          1662          1749 POLYGON ((-73.01607 4.63503...
## 4           9000         17500         17500 POLYGON ((-73.08865 4.46048...
## 5            960           720           480 POLYGON ((-73.7252 3.91777,...
## 6            112             0             0 POLYGON ((-74.20143 4.0118,...
## 7              0            39            39 POLYGON ((-73.55407 4.31821...
## 8              0             0             0 POLYGON ((-73.74639 4.45008...
## 9           8320         14720         14720 POLYGON ((-73.92004 3.74881...
## 10          3632          5700          5700 POLYGON ((-73.83554 3.76362...

#mapear con valores de la nueva tabla 

max(mun_meta_platano$TON_PROD_2017)

## [1] 168513

bins <- c(0, 1000,2000, 5000, 10000,16000, 25000, 50000, 150000,170000 )
pal <- colorBin("YlOrRd", domain = mun_meta_platano$TON_PROD_2017, bins = bins)

 platano2017= mapa <- leaflet(data = mun_meta_platano) %>%
  addTiles() %>%
  addPolygons(label = ~TON_PROD_2017,
              popup = ~MPIO_CNMBR,
              fillColor = ~pal(TON_PROD_2017),
              color = "#444444",
              weight = 1,
              smoothFactor = 0.5,
              opacity = 1.0,
              fillOpacity = 0.5,
              highlightOptions = highlightOptions(color = "white", weight = 2, bringToFront = TRUE)
              ) %>%
  addProviderTiles(providers$OpenStreetMap) %>%
  addLegend("bottomleft", pal = pal, values = ~TON_PROD_2017,
    title = "Produccion agricola de platano 
                en el Meta [Ton] (2017)",
    opacity = 0.5
  ) ; platano2017

Este es el mapa de la produccion de platano en los diferentes municipios del Meta.

ggplot(platano_meta2, aes(x="", y= TON_PROD/1000, fill= MUNICIPIO)) +
    geom_bar (stat="identity", width=1) +
    coord_polar("y", start=0)

Fuente de oro es el municipio con mayor produccion de platano en el año 2017 y como observamos, en un area mas pequeña que los otros departamenos con altas producciones. ( 4.8 veces mas que el municipio de Puerto Lleras)

6 Conclusiones

Las estadisticas nos permiten analizar el subtexto de lo que esta ocurriendo con la region, por ejemplo si ya que interes fué centrado en el cultivo de sandia, estos datos y estadisticas nos permiten tener una orientacion si se desea generar un proyecto productivo en dicho cultivo. los municipios de vista hermosa, Puerto LLeras y Puerto rico, son los mayores productores de la region y por lo tanto, la competencia o el mercado puede estar saturado en algunas epoca, por lo que apuntar a otros municipios como san martin y barranca de upia puede ser una estrategia que se debe analizar juntos a otras variables. De igual manera al observar las variables de rendimiento de los municipios, nos permite observar y analizar cual es la razon de la baja produccion y analizar a fondo si estas areas están siendo utilizadas de manera adecuada y generar estrategias que permitan a los agricultores tener el maximo beneficio, de igual manera los datos geograficos y de produccion le permiitiran a una industria ser estrategica para acaparar un producto de calidad, en una region con alta produccion y asi, reducir costos de transporte, demanda entre otros.