Sustentabilidad de la producción de Mango en Sonora, México
knitr::include_graphics('gen-12-mango-v0_1.jpg')
Inicio de cosecha de mango
Introducción
Para este caso de estudio analizaremos el cultivo que se planta en Sonora, su producción, cosecha, necesidades, basándonos en métodos estadísticos para saber su relación agrícola en el estado de Sonora, viendo lo que este estado puede cosechar y producir a lo largo de los años y veremos si vale la pena usar tantos recursos naturales para mantener la producción sustentable de estos cultivos y saber si sale rentable.
Veremos si la producción utiliza de buena manera la tierra, si los pasos necesarios se siguen correctamente para que los cultivos puedan dar su máxima producción potencial. la tierra idónea y su mantenimiento son necesarias para varios cultivos, además de que debe tener un cierto clima que no lo dañe, y sobre todo que se mantenga limpio, sin basura, residuos ni desperdicios, una vez visto estos sigue la formación de la tierra para dejarlo en condiciones óptimas para su plantación, además de poner la siembra en lugares estratégicos para tener un máximo de potencial, y obviamente el mantenimiento de la planta, su cuidado constante, y precauciones del clima para poder producirlo de la mejor manera y finalmente enviarlo a comercializar.
Antecedentes
En el estado de Sonora se cultivan varias frutas que necesitan de climas cálidos y húmedos, para lo cual Sonora no es de las mejores opciones. En 2019 se cosechó en 23 estados del país con un volumen de producción 11.9% mayor al de 2018. Sinaloa, Guerrero, Nayarit y Chiapas generan dos terceras partes del volumen cosechado a nivel nacional. Los mangos y aguacates exigen mucha agua, y hace tiempo que el agua no sobra.
El Servicio de Información Agroalimentaria y Pesquera (SIAP), señala que este fruto se cosecha en 23 estados de la República Mexicana. Entre los principales productores se ubica Guerrero con un 22%, Nayarit con un 17% y Sinaloa con un 14%, que en conjunto suman el 53% de la producción nacional. El resto se proviene de Campeche, Chiapas, Colima, Jalisco, Michoacán, Oaxaca y Veracruz. Guerrero encabeza la lista gracias a su extensa superficie sembrada, así como al buen rendimiento del cultivo. Y esto solo hablando en términos del fruto del mango.
knitr::include_graphics('MangoDiarioSur.jpg')
Granja de mango
Sin embargo, en Sonora no se ve que haya una buena cosecha como en los otros estados; teniendo una producción de entre aproximadamente 1000 a 2500 toneladas de mango, lo cual es obviamente muy poco, las semillas de mango normalmente demoran 8 años en producir frutos. Los árboles jóvenes injertados demoran de 3 a 5 años en producir frutos; y es casi seguro que producirán una buena cosecha. Si bien los mangos no necesitan muchos cuidados cuando se los planta, sí necesitarán estar en circunstancias específicas para poder crecer. Los mangos crecen mejor en altas temperaturas y pueden soportar áreas húmedas, pantanosas o áridas.
Objetivos del trabajo
A través del desarrollo del análisis, intentaremos responder estas preguntas —
¿Cuáles son los cultivos más productivos en Sonora?
Los más productivos en cuestión de valor de producción, son la Uva con un total de 35332692.04 miles de pesos, la Sandía con un total de 177125329.3, y el esparrago con un total de 28277113.75, miles de pesos promedio en los últimos 5 años, a lo cual asumimos que estos 3 cultivos son un gran ingreso para el estado de Sonora
¿Qué pasaría si en vez de sembrar Maíz y trigo como se hace tanto se sembrará tanto de uva o de espárrago?
En términos económicos sería mucho más rentable dado que la siembra de maíz y trigo no da tanto dinero como la de las uvas, sacando un valor un poco menor para el trigo , contra la de la uva, aunque solamente en el año del 2015-2016 el trigo en grano se vio con un valor de producción un poco mayor al de la uva, que se fue plantando lo mismo pero se fue aumentando su valor de producción a comparación del trigo, y tomando en cuenta que en los demás años la Uva sigue siendo la que más genera valor de producción los valores serian prácticamente iguales con la uva siendo la que más ingresos aporta. (Esto se fundamenta con la gráfica 3)
¿Qué tanto se desperdicia?
Segun los datos obtenidos entre el muestreo de los 5 cultivos que hemos elegido, se tiene un indice de porcentaje de desperdicio de los cultivos de %0.25 para todos. Hemos visto que los cultivos que mas se desperdician o resultan siniestrados son el maiz y el trigo; esto podria deberse a varias razones, entre las plagas, que se echan a perder en el mercado al no ser comprados porque pasan mucho tiempo sin que se vendan, etc. Obviamente todo esto es especulacion, por lo que tendria que abrirse otro caso de estudio.
¿Como la lluvia y la temperatura afectan la producción?
Un aumento en la temperatura acelerará el crecimiento. En el caso de un cultivo anual, el período entre la siembra y la cosecha se acortará (por ejemplo, el tiempo antes de la cosecha del maíz podría acortarse entre una y cuatro semanas). Esta situación podría afectar negativamente a la productividad debido a que la senescencia (dejarían de crecer y centrarse en el fruto, ergo nomas se centrarían en sobrevivir y no en producir) sucedería más temprano.
Teoría
Es por este ejemplo en particular que veremos si en Sonora se pueden cultivar alimentos de este tipo; ya que al ser un lugar con clima caliente y seco no todas las plantas podrán crecer y dar frutos. Al no tener las condiciones apropiadas para crecer, los agricultores no se centran en producir frutos o alimento, ya que la falta de sus condiciones (ya sean de clima, agua, tierra, etc.) provocan dificultades de supervivencia en su area de cultivo, dificultando que estas puedan formar biomasa, no dando frutos como resultado.
Veamos un ejemplo —
Conocemos que todas las plantas necesitan ciertas cantidades de agua, así que es de suma importancia tener un buen sistema de riego y de alimentación, para aprovechar al máximo y eficientizar la necesidad de agua que ocupan las plantas, además de esto ocupan ciertas condiciones climatológicas ya que si sufren daños a causa de esto son más propensos a estropear la planta.
La agricultura en México es más que un sector productivo importante. Más allá de su participación en el PIB nacional, que es de apenas cerca del 3.7%, las múltiples funciones de la agricultura en el desarrollo económico, social y ambiental determinan que su incidencia en el desarrollo sea mucho mayor de lo que ese indicador implicaría. La agricultura es un sector relativamente pequeño en México, y sigue a la baja con respecto a la economía total con cerca del 3.7% del PIB según cifras preliminares del INEGI del 2014. (Corona Ramírez, 2016)
En Sonora la producción de uva de mesa es llevada a cabo por alrededor de 39 empresas productoras las cuales cultivan este fruto en una superficie aproximada de 19,015 hectáreas, ubicadas principalmente en Hermosillo, Caborca y en la localidad de Pesqueira perteneciente al municipio de San Miguel de Horcasitas. La producción de uva de mesa en el estado de Sonora asciende a aproximadamente 238,478 toneladas; esta producción corresponde a alrededor del 92% de la producción de uva de mesa a nivel nacional. (SIAP, 2013)
México tiene una muy buena y rica posición geográfica para la agricultura teniendo grandes cantidades de sol, tierra, agua y viento para los cultivos, debido a esto es necesario que se optimicen los recursos lo mejor posible, pudiendo usar herramientas tecnológicas para automatizar muchos procesos haciéndolos relativamente más efectivos, además también los granjeros de todos los cultivos tienen que cuidarse del cambio climático ya que puede y va a afectar negativamente a muchos que principalmente basan su economía en cultivos.(FAO 2014)
Es realmente importante saber cómo tomar decisiones en base a los datos que tenemos ya que con estos podremos tomar decisiones sobre los procesos mucho más seguros y así podemos deshacernos de la incertidumbre casi por completo al elegir un proceso en concreto.
En los últimos años, las tasas de crecimiento de la producción agropecuaria mundial y los rendimientos de los cultivos han disminuido. Esto ha suscitado temores de que el mundo no sea capaz de incrementar lo suficiente la producción de alimentos y otros productos para asegurar una alimentación adecuada de la población futura.
La disminución no se ha producido a causa de la escasez de tierra o agua, sino más bien debido a que la demanda de productos agropecuarios ha disminuido. Las tasas de crecimiento de la población mundial han ido disminuyendo desde finales de los años sesenta y en muchos países se están alcanzando ahora niveles bastante altos de consumo de alimentos per cápita, por encima de los cuales incrementos adicionales serán limitados. Además, una parte persistentemente alta de la población mundial sigue sumida en una pobreza absoluta y carece de los ingresos necesarios para transformar sus necesidades en una demanda efectiva. (FAO.org. 2018)
Estudio
Metodología
Métodos estadísticos que se utilizaran, junto a los métodos de los datos
- Estadística descriptiva: Se encarga de recoger, almacenar, ordenar, realizar tablas o gráficos y calcular parámetros básicos sobre el conjunto de datos. (Jose Lopez, 2021)
La estadistica descritiva se uso para ordenar todos los datos para realizar tablas y con ellas realizar graficos, para que en vez de mostrales solo numeros, Muestran de una manera mas digerible los datos codelados en graficos.
- Análisis de series de tiempo (TSA): Es una secuencia de datos u observaciones, medidos en determinados momentos y ordenados cronológicamente. Visualmente, es una curva que evoluciona en el tiempo. (Pricing, 2016)
Se uso para saber como evolucionavan todas las variables para observar como se comportaban atraves del tiempo de manera individual y dar una explicacion sobre su comportamiento y poder sacar conclusiones de la economia agricola en el estado de Sonora.
Correlación de Pearson: Es una prueba que mide la relación estadística entre dos variables continuas, el coeficiente de correlación de Pearson indica que tan asociadas se encuentran dos variables entre sí por lo que:
Si la correlación es menor a cero, significa que es negativa, es decir, que las variables se relacionan inversamente.
Si la correlación es igual a +1 significa que es positiva perfecta. En este caso significa que la correlación es positiva, es decir, que las variables se correlacionan directamente.
Cuando la correlación es igual a cero significa que no es posible determinar algún sentido de covariación. Sin embargo, no significa que no exista una relación no lineal entre las variables.
La correlacion de Pearson fue usada en el grafico 1 para ver como se comportaban las variables y que tan asociadas estan entre si, y observar que tanta relacion hay entre ellas y asi deducir cual variable es la que tiene mayor impacto para los cultivos.
Operaciones
Hipotesis
- H0: Las variables son independientes por lo que una variable no varía entre los distintos niveles de la otra variable.
- H1: Las variables son dependientes, una variable varía entre los distintos niveles de la otra variable.
Datos
Paquetes a utilizar
library(pacman)
p_load(rmdformats, readr, readxl, ggplot2, plotly, DT, xfun, gridExtra, leaflet, GGally, psych, corrplot, cluster, plotly, gapminder)Producción de cultivos al año en Sonora
produccionTotalNacional <- read_xlsx("ProduccionTotalNacional_2015-2020.xlsx")
produccionTotalSonora <- dplyr::filter(produccionTotalNacional, ENTIDAD == "Sonora")
produccionTotalSonora <- data.frame(produccionTotalSonora)
produccionTotalSonora
## ENTIDAD CULTIVO YEAR SEMBRADA COSECHADA SINIESTRADA PRODUCCION
## 1 Sonora Esparrago 2015 13187.00 12483.00 0.0 123108.70
## 2 Sonora Esparrago 2016 14388.00 14388.00 0.0 131041.70
## 3 Sonora Esparrago 2017 15402.00 14762.00 0.0 146742.95
## 4 Sonora Esparrago 2018 18474.50 18277.50 0.0 174810.53
## 5 Sonora Esparrago 2019 18715.80 18428.00 0.0 173165.37
## 6 Sonora Esparrago 2020 18892.80 18369.00 0.0 194223.00
## 7 Sonora Maiz 2015 19999.25 19999.25 0.0 120676.87
## 8 Sonora Maiz 2016 26552.14 24392.14 2160.0 171206.55
## 9 Sonora Maiz 2017 38757.50 38701.00 56.5 281460.66
## 10 Sonora Maiz 2018 50497.45 50497.45 0.0 546752.33
## 11 Sonora Maiz 2019 63400.66 62007.86 1392.8 692412.19
## 12 Sonora Maiz 2020 55714.49 54484.19 1230.3 634400.19
## 13 Sonora Mango 2015 29.00 29.00 0.0 382.76
## 14 Sonora Mango 2016 29.00 29.00 0.0 417.40
## 15 Sonora Mango 2017 55.00 29.00 0.0 406.96
## 16 Sonora Mango 2018 95.28 36.00 0.0 558.60
## 17 Sonora Mango 2019 78.28 26.00 0.0 392.96
## 18 Sonora Mango 2020 136.28 38.00 0.0 619.00
## 19 Sonora Trigo 2015 319596.21 319586.21 10.0 1605959.93
## 20 Sonora Trigo 2016 292494.26 292431.26 63.0 1898656.52
## 21 Sonora Trigo 2017 281936.83 281917.33 19.5 1788866.39
## 22 Sonora Trigo 2018 223437.05 223437.05 0.0 1449714.36
## 23 Sonora Trigo 2019 260319.67 260109.67 210.0 1787174.97
## 24 Sonora Trigo 2020 230087.29 230082.29 5.0 1532757.29
## 25 Sonora Uva 2015 20811.00 19651.00 0.0 285232.80
## 26 Sonora Uva 2016 21144.00 20343.00 0.0 266800.88
## 27 Sonora Uva 2017 22864.11 21148.61 0.0 334355.28
## 28 Sonora Uva 2018 23540.61 22520.61 0.0 338266.73
## 29 Sonora Uva 2019 23706.50 22908.50 0.0 368187.80
## 30 Sonora Uva 2020 24102.00 23274.00 0.0 339140.10
## RENDIMIENTO PMR VALORPRODUCCION TemperaturaAnual PrecipitacionMedia
## 1 9.86 34717.92 4274077.51 23.20000 425
## 2 9.11 34395.35 4507224.65 23.07500 425
## 3 9.94 39387.68 5779864.43 23.43333 425
## 4 9.56 34605.73 6049445.79 22.94167 427
## 5 9.40 37165.84 6435837.26 22.40000 430
## 6 10.57 38018.08 7383984.68 23.40000 429
## 7 6.03 3361.16 405614.36 23.20000 425
## 8 7.02 3271.18 560047.48 23.07500 425
## 9 7.27 3822.28 1075821.46 23.43333 425
## 10 10.83 3424.11 1872141.15 22.94167 427
## 11 11.17 3613.23 2501842.55 22.40000 430
## 12 11.64 3744.47 2375494.86 23.40000 429
## 13 13.20 3463.66 1325.75 23.20000 425
## 14 14.39 3857.78 1610.24 23.07500 425
## 15 14.03 3966.78 1614.32 23.43333 425
## 16 15.52 3761.60 2101.23 22.94167 427
## 17 15.11 3490.11 1371.47 22.40000 430
## 18 16.29 3793.54 2348.20 23.40000 429
## 19 5.03 4110.76 6601716.93 23.20000 425
## 20 6.49 3639.57 6910285.59 23.07500 425
## 21 6.35 3864.68 6913403.31 23.43333 425
## 22 6.49 3958.57 5738794.39 22.94167 427
## 23 6.87 3938.89 7039493.36 22.40000 430
## 24 6.66 4813.51 7377948.22 23.40000 429
## 25 14.51 16220.77 4626695.40 23.20000 425
## 26 13.12 18799.84 5015814.71 23.07500 425
## 27 15.81 18926.73 6328251.31 23.43333 425
## 28 15.02 23387.05 7911059.33 22.94167 427
## 29 16.07 26760.92 9853045.17 22.40000 430
## 30 14.57 28268.43 9586956.69 23.40000 429
## DESPERDICIADA
## 1 704.00
## 2 0.00
## 3 640.00
## 4 197.00
## 5 287.80
## 6 523.80
## 7 0.00
## 8 2160.00
## 9 56.50
## 10 0.00
## 11 1392.80
## 12 1230.30
## 13 0.00
## 14 0.00
## 15 26.00
## 16 59.28
## 17 52.28
## 18 98.28
## 19 10.00
## 20 63.00
## 21 19.50
## 22 0.00
## 23 210.00
## 24 5.00
## 25 1160.00
## 26 801.00
## 27 1715.50
## 28 1020.00
## 29 798.00
## 30 828.00Temperaturas anuales de Sonora
temp <- data.frame(produccionTotalSonora$YEAR, produccionTotalSonora$TemperaturaAnual, produccionTotalSonora$PrecipitacionMedia)
temp
## produccionTotalSonora.YEAR produccionTotalSonora.TemperaturaAnual
## 1 2015 23.20000
## 2 2016 23.07500
## 3 2017 23.43333
## 4 2018 22.94167
## 5 2019 22.40000
## 6 2020 23.40000
## 7 2015 23.20000
## 8 2016 23.07500
## 9 2017 23.43333
## 10 2018 22.94167
## 11 2019 22.40000
## 12 2020 23.40000
## 13 2015 23.20000
## 14 2016 23.07500
## 15 2017 23.43333
## 16 2018 22.94167
## 17 2019 22.40000
## 18 2020 23.40000
## 19 2015 23.20000
## 20 2016 23.07500
## 21 2017 23.43333
## 22 2018 22.94167
## 23 2019 22.40000
## 24 2020 23.40000
## 25 2015 23.20000
## 26 2016 23.07500
## 27 2017 23.43333
## 28 2018 22.94167
## 29 2019 22.40000
## 30 2020 23.40000
## produccionTotalSonora.PrecipitacionMedia
## 1 425
## 2 425
## 3 425
## 4 427
## 5 430
## 6 429
## 7 425
## 8 425
## 9 425
## 10 427
## 11 430
## 12 429
## 13 425
## 14 425
## 15 425
## 16 427
## 17 430
## 18 429
## 19 425
## 20 425
## 21 425
## 22 427
## 23 430
## 24 429
## 25 425
## 26 425
## 27 425
## 28 427
## 29 430
## 30 429Visualizacion de datos
Tabla de producción de cultivos al año en Sonora
datatable(produccionTotalSonora)Tabla de temperaturas y mm´s de lluvia al año en Sonora
datatable(temp)Mostrando datos
produccionTotalNacional <- read_xlsx("ProduccionTotalNacional_2015-2020.xlsx")
produccionTotalSonora <- dplyr::filter(produccionTotalNacional, ENTIDAD == "Sonora")
produccionTotalSonora <- data.frame(produccionTotalSonora)
produccionTotalSonora
## ENTIDAD CULTIVO YEAR SEMBRADA COSECHADA SINIESTRADA PRODUCCION
## 1 Sonora Esparrago 2015 13187.00 12483.00 0.0 123108.70
## 2 Sonora Esparrago 2016 14388.00 14388.00 0.0 131041.70
## 3 Sonora Esparrago 2017 15402.00 14762.00 0.0 146742.95
## 4 Sonora Esparrago 2018 18474.50 18277.50 0.0 174810.53
## 5 Sonora Esparrago 2019 18715.80 18428.00 0.0 173165.37
## 6 Sonora Esparrago 2020 18892.80 18369.00 0.0 194223.00
## 7 Sonora Maiz 2015 19999.25 19999.25 0.0 120676.87
## 8 Sonora Maiz 2016 26552.14 24392.14 2160.0 171206.55
## 9 Sonora Maiz 2017 38757.50 38701.00 56.5 281460.66
## 10 Sonora Maiz 2018 50497.45 50497.45 0.0 546752.33
## 11 Sonora Maiz 2019 63400.66 62007.86 1392.8 692412.19
## 12 Sonora Maiz 2020 55714.49 54484.19 1230.3 634400.19
## 13 Sonora Mango 2015 29.00 29.00 0.0 382.76
## 14 Sonora Mango 2016 29.00 29.00 0.0 417.40
## 15 Sonora Mango 2017 55.00 29.00 0.0 406.96
## 16 Sonora Mango 2018 95.28 36.00 0.0 558.60
## 17 Sonora Mango 2019 78.28 26.00 0.0 392.96
## 18 Sonora Mango 2020 136.28 38.00 0.0 619.00
## 19 Sonora Trigo 2015 319596.21 319586.21 10.0 1605959.93
## 20 Sonora Trigo 2016 292494.26 292431.26 63.0 1898656.52
## 21 Sonora Trigo 2017 281936.83 281917.33 19.5 1788866.39
## 22 Sonora Trigo 2018 223437.05 223437.05 0.0 1449714.36
## 23 Sonora Trigo 2019 260319.67 260109.67 210.0 1787174.97
## 24 Sonora Trigo 2020 230087.29 230082.29 5.0 1532757.29
## 25 Sonora Uva 2015 20811.00 19651.00 0.0 285232.80
## 26 Sonora Uva 2016 21144.00 20343.00 0.0 266800.88
## 27 Sonora Uva 2017 22864.11 21148.61 0.0 334355.28
## 28 Sonora Uva 2018 23540.61 22520.61 0.0 338266.73
## 29 Sonora Uva 2019 23706.50 22908.50 0.0 368187.80
## 30 Sonora Uva 2020 24102.00 23274.00 0.0 339140.10
## RENDIMIENTO PMR VALORPRODUCCION TemperaturaAnual PrecipitacionMedia
## 1 9.86 34717.92 4274077.51 23.20000 425
## 2 9.11 34395.35 4507224.65 23.07500 425
## 3 9.94 39387.68 5779864.43 23.43333 425
## 4 9.56 34605.73 6049445.79 22.94167 427
## 5 9.40 37165.84 6435837.26 22.40000 430
## 6 10.57 38018.08 7383984.68 23.40000 429
## 7 6.03 3361.16 405614.36 23.20000 425
## 8 7.02 3271.18 560047.48 23.07500 425
## 9 7.27 3822.28 1075821.46 23.43333 425
## 10 10.83 3424.11 1872141.15 22.94167 427
## 11 11.17 3613.23 2501842.55 22.40000 430
## 12 11.64 3744.47 2375494.86 23.40000 429
## 13 13.20 3463.66 1325.75 23.20000 425
## 14 14.39 3857.78 1610.24 23.07500 425
## 15 14.03 3966.78 1614.32 23.43333 425
## 16 15.52 3761.60 2101.23 22.94167 427
## 17 15.11 3490.11 1371.47 22.40000 430
## 18 16.29 3793.54 2348.20 23.40000 429
## 19 5.03 4110.76 6601716.93 23.20000 425
## 20 6.49 3639.57 6910285.59 23.07500 425
## 21 6.35 3864.68 6913403.31 23.43333 425
## 22 6.49 3958.57 5738794.39 22.94167 427
## 23 6.87 3938.89 7039493.36 22.40000 430
## 24 6.66 4813.51 7377948.22 23.40000 429
## 25 14.51 16220.77 4626695.40 23.20000 425
## 26 13.12 18799.84 5015814.71 23.07500 425
## 27 15.81 18926.73 6328251.31 23.43333 425
## 28 15.02 23387.05 7911059.33 22.94167 427
## 29 16.07 26760.92 9853045.17 22.40000 430
## 30 14.57 28268.43 9586956.69 23.40000 429
## DESPERDICIADA
## 1 704.00
## 2 0.00
## 3 640.00
## 4 197.00
## 5 287.80
## 6 523.80
## 7 0.00
## 8 2160.00
## 9 56.50
## 10 0.00
## 11 1392.80
## 12 1230.30
## 13 0.00
## 14 0.00
## 15 26.00
## 16 59.28
## 17 52.28
## 18 98.28
## 19 10.00
## 20 63.00
## 21 19.50
## 22 0.00
## 23 210.00
## 24 5.00
## 25 1160.00
## 26 801.00
## 27 1715.50
## 28 1020.00
## 29 798.00
## 30 828.00Indice de desperdicio de cultivos
x <- (sum(produccionTotalSonora$COSECHADA))
y <- (sum(produccionTotalSonora$SINIESTRADA))
porcentaje <- (y * 100 / x)
porcentaje
## [1] 0.246936dataMaizSonora <- dplyr::filter(produccionTotalNacional, ENTIDAD == "Sonora", CULTIVO == c("Maiz", "Trigo"))
xMaizTrigo <- (sum(dataMaizSonora$COSECHADA))
yMaizTrigo <- (sum(dataMaizSonora$SINIESTRADA))
porcentajeMaiz <- (yMaizTrigo * 100 / xMaizTrigo)
porcentajeMaiz
## [1] 0.4311213Correlación de Pearson
Gráfica 1
multi.hist(x = produccionTotalSonora[-c(1:3,5:6,8:9,13)], dcol = c("blue", "red"), dlty = c("dotted", "solid"), main = "")
Como podemos observar los datos que en orden son:
- Cosechada
- Producción
- Valor de producción
- Temperaturas
- Lluvias
No parecen ser normales del todo; ya que lo único que muestra algo de normalidad es la 3ra y en la parte económica de los cultivos.
Con esto podemos decir que el valor de produccion del Mango, Esparrago, Uva, Maiz y Trigo nos regresa una ganancia similar a traves de los años 2015 al 2020, esto genera la pregunta ¿Se refleja cuanto se cosechó, la temperatura, o si llovio en la produccion, y sobre todo en el valor de dicha produccion? Esto nos ayudaria a visualizar la importancia del cambio climatico en los cultivos especificados y si realmente afecta en el mercado. Para responder esta pregunta necesitamos ver que tanta relacion tienen entre si utilizando la Correlacion de Pearson la cual nos muestra una variedad de graficos comparando cada dato entre si.
Gráfica 2
filtroSon <- produccionTotalSonora[-c(1:3,6,8:9)]
ggpairs(filtroSon, lower = list(continuous = "smooth"),
diag = list(continuous = "barDiag"), axisLabels = "none")
Podemos observar como la producción esta algo relacionada con lo que puede ser la temperatura y las lluvias, esto porque tanto una y otra ayudan o perjudican a los cultivos ya que necesitan de ciertos climas y cierta cantidad de agua.
filtroSon <- produccionTotalSonora[-c(1:3,6,8:9)]
round(cor(x = filtroSon, method = "pearson"),3)
## SEMBRADA COSECHADA PRODUCCION VALORPRODUCCION
## SEMBRADA 1.000 1.000 0.981 0.421
## COSECHADA 1.000 1.000 0.980 0.420
## PRODUCCION 0.981 0.980 1.000 0.480
## VALORPRODUCCION 0.421 0.420 0.480 1.000
## TemperaturaAnual -0.007 -0.007 -0.049 -0.074
## PrecipitacionMedia -0.011 -0.011 0.073 0.240
## DESPERDICIADA -0.284 -0.289 -0.198 0.145
## TemperaturaAnual PrecipitacionMedia DESPERDICIADA
## SEMBRADA -0.007 -0.011 -0.284
## COSECHADA -0.007 -0.011 -0.289
## PRODUCCION -0.049 0.073 -0.198
## VALORPRODUCCION -0.074 0.240 0.145
## TemperaturaAnual 1.000 -0.553 -0.005
## PrecipitacionMedia -0.553 1.000 0.034
## DESPERDICIADA -0.005 0.034 1.000Podemos ver que la parte de producción y en general la siembra y cosecha tiene una relación inversamente proporcional lo cual no afecta realmente porque el que plantemos más cultivos o no quiere decir que llueva más o menos, en el caso de la temperatura sí que podría afectar por todos los tratamientos tanto químicos como de mantenimiento que necesita el cultivo.
Análisis de series de tiempo para los cultivos
Gráfica 3
df <- produccionTotalSonora
fig <- df %>%
plot_ly(
x = ~COSECHADA,
y = ~VALORPRODUCCION,
size = ~VALORPRODUCCION,
color = ~CULTIVO,
colors= rainbow(5),
frame = ~YEAR,
text = ~CULTIVO,
hoverinfo = "text",
type = 'scatter',
mode = 'markers'
)
fig <- fig %>% layout(
xaxis = list(
type = "log"
)
)
figEn el gráfico anterior se observa como aumenta o disminuye el valor de producción de los últimos 5 años donde se puede observar que en 2015 el trigo en sonora se producía de una buena manera con un valor de producción de más de 6 millones de pesos, para el 2016 el trigo se veía que iba por buen camino ya que aumento su valor de producción unos cientos de miles en ese año, para el 2017 este se quedó donde mismo mientras que la uva y el esparrago dieron un gran paso en su producción y su valor de producción, de 5 millones del año anterior a más de 6 millones y de un poco más de 4 millones del año anterior a casi 6 millones respectivamente.
Para el 2018 el precio de producción de uva y de esparrago seguía creciendo mientras que el del trigo tenía una caída en su valor de producción lo cual le puede pasar a cualquier fruto en el mercado debido a la oferta y demanda, para el 2019 y el 2020 el trigo y el esparrago subieron muy poco en su valor de producción mientras que la uva se ha mantenido en el tope y su valor de producción solamente ha crecido bastante en los últimos 5 años. También se puede observar que para el año pasado ósea 2020 mas de 100 mil toneladas fueron cosechadas de trigo esto fue porque se cultivo bastante de este grano en dicho año consiguiendo un valor de producción aproximado de 7.5 millones de pesos, mientras que en el mismo año se cosecho 30 mil toneladas de uva consiguiendo un valor de producción de casi los 10 millones de pesos, concluyendo con la explicación de este gráfico podemos decir que la uva con menos cosecha tiene mayor valor de producción que el trigo que la supera poco mas de 3 veces en cosecha y aun así la uva le gana al trigo en su valor de venta.
Si bien el trigo pareceria buena opcion al inicio, este no tiene una gran cantidad de nutrientes y minerales, y su demanda ya no es como lo era antes, ya que actualmente la uva tiene mas demanda ya sea para vinos
produccionTotalSonoraUva <- produccionTotalSonora[25:30, 2:13]
produccionTotalSonoraEsparr <- produccionTotalSonora[1:6, 2:13]
produccionTotalSonoraTrigo <- produccionTotalSonora[19:24, 2:13]
produccionTotalSonoraMaiz <- produccionTotalSonora[7:12, 2:13]
produccionTotalSonoraMango <- produccionTotalSonora[13:18, 2:13]
g1 <- ggplot(data = produccionTotalSonoraUva)+
geom_line(aes(x = YEAR, y = VALORPRODUCCION), color = "Purple") +
labs(title = "TS de uvas", x = "Años", y = "Val. Producción")
g2 <- ggplot(data = produccionTotalSonoraEsparr)+
geom_line(aes(x = YEAR, y = VALORPRODUCCION), color = "Dark Green") +
labs(title = "TS de esparragos", x = "Años", y = "Val. Producción")
g3 <- ggplot(data = produccionTotalSonoraTrigo) +
geom_line(aes(x = YEAR, y = VALORPRODUCCION), color="brown") +
labs(title = "TS de trigo", x = "Años", y = "Val. Producción")
g4 <- ggplot(data = produccionTotalSonoraMaiz) +
geom_line(aes(x = YEAR, y = VALORPRODUCCION), color = "Yellow") +
labs(title = "TS de maiz", x = "Años", y = "Val. Producción")
g5 <- ggplot(data = produccionTotalSonoraMango) +
geom_line(aes(x = YEAR, y = VALORPRODUCCION), color = "Orange") +
labs(title = "TS de mangos", x = "Años", y = "Val. Producción")
g6 <- ggplot(data = produccionTotalSonora) +
geom_line(aes(x = YEAR, y = PrecipitacionMedia), color = "dark blue") +
labs(title = "TS de lluvias", x = "Años", y = "Precipitación (milímetros)")
g7 <- ggplot(data = produccionTotalSonora) +
geom_line(aes(x = YEAR, y = TemperaturaAnual), color="dark red") +
labs(title = "TS de Temperaturas", x = "Años", y = "Celcius")
grid.arrange(g1,g2,g3,g4,g5,g6,g7)
Se puede ver, que en las fechas o en las zonas en donde las lluvias se mantienen, la producción de valor parece aumentar, aunque no quiere decir que estén estrechamente relacionadas del todo, ya que vimos que con las temperaturas la producción de valor de los cultivos como la uva, mangos, maíz parecen tener un paro y algunos decaen, por ende se podría decir que en efecto se da el caso de la senescencia, esto afecta a la generación de valor de los cultivos, lo cual es lógico, ya que sino hay una temperatura adecuada y/o agua necesaria, provocaría que la planta no enfocara sus fuerzas en dar frutos sino en sobrevivir los climas y en general el ambiente en el que esta, haciendo que se coseche menos y por ende se venda menos, esto por supuesto bajaría el valor de producción de los cultivos, incluso se podría sembrar menos porque no se contaran con los parámetros adecuados para los cultivos.
Ademas de esto en la parte de las lluvias se puede observar que cada vez llueve mas, lo cual es bastante bueno, sin embargo, esto no es del todo perfecto ya que si bien esta lloviendo mas, las temporadas son mas cortar actualmente la temporada más mojada dura 4.6 meses, de 28 de mayo a 15 de octubre, con una probabilidad de más del 46 % de que cierto día será un día mojado. El mes con más días mojados en Sonora es agosto, con un promedio de 24.0 días con por lo menos 1 milímetro de precipitación, esto quiere decir que lo que antes duraba una temporada de lluvia en un promedio de 5.2 meses, ahora te llueve en un promedio de 4.6 lo cual es preocupante ya que las plantas se ahogan de golpe o se marchitan en la espera alterando los ciclos de los cultivos.
produccionTotalNacional <- read_xlsx("ProduccionTotalNacional_2015-2020.xlsx")
produccionTotalNacional <- dplyr::filter(produccionTotalNacional, YEAR == 2020)
produccionTotalNacional <- data.frame(produccionTotalNacional)
filtroNacional <- produccionTotalNacional
plot_ly(data = filtroNacional, x = ~TemperaturaAnual, y = ~VALORPRODUCCION, color = ~ENTIDAD, colors = rainbow(30), size = ~COSECHADA, type = "scatter", mode = 'markers') %>%
layout(
xaxis = list(title = "X"),
yaxis = list(title = "Miles de pesos"),
showlegend = TRUE
)Explicación
Regresión Logística
Sonora es conocido por ser principalmente un poco caluroso y seco mayor parte del año, es por eso que a una fruta tropical como lo seria el mango le seria muy dificil crecer en este clima, es por eso que analizaremos las condiciones que necesita esta fruta para crecer:
Iniciando por las temperaturas, el rango para que el mango cresca es de un mininmo de 27 a 45 grados celcius aproximadamente, a lo que Sonora no llega, teniendo una media de 21 aproximadamente a travez de todo el año.
Ahora veamos las cantidades de agua que necesita, es conocido que el mango consume mucha agua para que pueda dar frutos, necesitando un aproximado de 665 mm´s necesarios en ciertas candiades a travéz de los meses
| Mes | mm’s |
|---|---|
| Septiembre | 50 mm |
| Octubre | 85 mm |
| Noviembre | 110 mm |
| Diciembre | 140 mm |
| Enero | 140 mm |
| Febrero | 140 mm |
Sonora llega a tener una media de 420 en sus precipitaciones, lo cual no es favorable para la producción del mango.
datos <- read_excel("ProduccionSonoraMango.xlsx")
datos
## # A tibble: 11 x 24
## YEAR ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2010 13.7 14.4 16.8 20.0 23.4 28.7 30.2 30.0 28.6 23.4 17.2 15.6
## 2 2011 13.9 14.0 19.5 21.8 23.9 28.9 30.0 29.5 29.1 24.3 17.0 12.0
## 3 2012 15.2 14.8 17.1 21.7 26 29.7 29.2 29.7 27.5 24 19.9 14.5
## 4 2013 12.6 13.9 19.8 21.3 25.3 30.6 30.2 30.3 28.3 22.6 19.6 14.7
## 5 2014 16.2 17.9 19.5 22 25.6 31.5 30.4 29.4 28.6 25.3 20.2 16.6
## 6 2015 16.2 18.9 20.3 22.5 23.4 30 30.2 30.8 29 24.9 17.9 14.7
## 7 2016 13.9 19 19.6 21.4 24 30.2 30.8 29.1 27.4 26 19.9 15.6
## 8 2017 14 17.3 20.8 22.6 24.3 30 29.7 29.9 27.9 26.4 22 16.3
## 9 2018 16.7 16.4 19.2 22.7 25.4 30 30.8 29.4 29 23.3 17.8 14.6
## 10 2019 14.6 14.4 18.5 21.4 22.5 28.7 30.9 30.8 27.8 23.7 20.4 15.2
## 11 2020 14.7 15.7 17.7 21 25.8 29.8 31.9 32.5 30.4 26.3 20.5 14.6
## # ... with 11 more variables: TEMPANUAL <dbl>, PRECIPITACIONMEDIA <dbl>,
## # SEMBRADA <dbl>, COSECHADA <dbl>, SINIESTRADA <dbl>, PRODUCCION <dbl>,
## # RENDIMIENTO <dbl>, PMR <dbl>, VALORPRODUCCION <dbl>, DEFECTOSTEMP <dbl>,
## # DEFECTOSPRECIP <dbl>Frecuencia de defectos en la temperatura
tablaTemp <- table(datos$DEFECTOSTEMP)
tablaTemp
##
## 0
## 11Podemos ver que no hay temperaturas extremas o preocupantes para el cultivo de mango
Frecuencia de defectos en la precipitación
tablaPrecip <- table(datos$DEFECTOSPRECIP)
tablaPrecip
##
## 1
## 11Sin embargo podemos ver como en ningún momento podemos saciar la necesidad de agua para el mango a lo largo del año.
Gráfica de temperaturas
colores <- NULL
colores[datos$DEFECTOSTEMP == 0] <- "green"
colores[datos$DEFECTOSTEMP == 1] <- "red"
plot(datos$TEMPANUAL, datos$DEFECTOSTEMP, pch = 21, bg = colores,
xlab = "Temperatura", ylab = "Probabilidad de defectos")
legend("bottomleft", c("No defecto", "Si defecto"), pch = 21, col = c("green",
"red"))
Gráfica de precipitaciones
colores <- NULL
colores[datos$DEFECTOSPRECIP == 0] <- "green"
colores[datos$DEFECTOSPRECIP == 1] <- "red"
plot(datos$PRECIPITACIONMEDIA, datos$DEFECTOSPRECIP, pch = 21, bg = colores,
xlab = "mm´s de lluvia", ylab = "Probabilidad de defectos")
legend("bottomleft", c("No defecto", "Si defecto"), pch = 21, col = c("green",
"red"))
Parece razonable, a la vista de los cultivos, pensar que las temperaturas y lluvias puede influir en la producción de los mangos, ya que si estos no tienen cumplidas sus necesidades, no creceran, no crearan biomasa, y no se centraran en dar frutos sino en sobrevivir. Luego la idea es ajustar por medio de la regresión logistica,un modelo de regresión logística para estudiar la posible relación entre Y=1 dado diferentes valores de temperatura/precipitación: P(Y=1|X). Para ajustar el modelo se usa el comando glm (para modelos lineales generalizados) indicando que la respuesta es binomial mediante el argumento family:
regresionTemp <- glm(DEFECTOSTEMP ~ TEMPANUAL, data = datos, family = binomial)
summary(regresionTemp)
##
## Call:
## glm(formula = DEFECTOSTEMP ~ TEMPANUAL, family = binomial, data = datos)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -6.547e-06 -6.547e-06 -6.547e-06 -6.547e-06 -6.547e-06
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -2.457e+01 1.564e+06 0 1
## TEMPANUAL -7.282e-15 6.858e+04 0 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 0.0000e+00 on 10 degrees of freedom
## Residual deviance: 4.7154e-10 on 9 degrees of freedom
## AIC: 4
##
## Number of Fisher Scoring iterations: 23regresionPrecip <- glm(DEFECTOSPRECIP ~ PRECIPITACIONMEDIA, data = datos, family = binomial)
summary(regresionPrecip)
##
## Call:
## glm(formula = DEFECTOSPRECIP ~ PRECIPITACIONMEDIA, family = binomial,
## data = datos)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## 6.547e-06 6.547e-06 6.547e-06 6.547e-06 6.547e-06
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 2.457e+01 5.548e+06 0 1
## PRECIPITACIONMEDIA -1.399e-07 1.307e+04 0 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 0.0000e+00 on 10 degrees of freedom
## Residual deviance: 4.7154e-10 on 9 degrees of freedom
## AIC: 4
##
## Number of Fisher Scoring iterations: 23La formula del modelo de regresion logistica es:
\[P(Y=1|X)=\dfrac{e^{15.0429-0.2322x}}{1+e^{15.0429-0.2322x}}\]
Data frame de los datos
#mangoFrame <- data.frame(sonoraMango, check.names = F)
#mangoFrame
#filtroMango <- mangoFrame[-c(1,6,11,12)]
#filtroMangoCorrelación
#ggpairs(filtroMango, lower = list(continuous = "smooth"),
# diag = list(continuous = "barDiag"), axisLabels = "none")Indice de correlación de pearson
#round(cor(x = filtroMango, method="pearson"),3)# ARREGLAR HISTORGRAMA
#multi.hist(x = filtroMango, dcol = c("blue", "red"), dlty = c("dotted", "solid"), main = "")#plot_ly(data = sonoraMango, x = ~YEAR, y = ~VALORPRODUCCION, color = ~YEAR, colors = rainbow(12), size = ~YEAR, type = "scatter") %>%
# layout(
# xaxis = list(title="Precipitación"),
# yaxis = list(title="Pesos"),
# showlegend = TRUE
# )Conclusiones
Conclusion
General
Sonora como todos los estados tiene sus partes en la agricultura que cumplen con las condiciones perfectas para la siembra, cosecha y venta de muchos cultivos, sin embargo, como en todos los estados este siembra u obliga a sembrar cultivos que no son capaces de dar frutos en este ambiente ya que no se dedican a eso, a dar frutos, sino que se dedican a sobrevivir, ergo no crean biomasa y no generan ninguna ganancia para los agricultores que se enfocan en este tipo de cultivos, además de que podemos dejar en claro que las lluvias y temperaturas si tienen su efecto en los cultivos apropiados pero que si por alguna casualidad cambian de niveles pueden hasta provocar que las cosechas se arruinen y que los ciclos que llevan se estropeen dificultando la siguiente cosecha.
Suponemos que en el ambiente agrícola se está teniendo un poco de des estimación o menosprecio en cuanto a avances científicos ya que mayoría de los agricultores son muy obstinado o simplemente se rehúsan a un cambio además de los propietarios/inversionistas que se aferran a lo que quieren, aunque no les dé una ganancia real, pero ya es tiempo de aplicar la ciencia en esta área ya que es un gran recurso económico del país.
Individual
Santana Celaya Alec Demian
En lo que a mi respecta, Sonora y México en general es muy bueno para el área agrícola sin embargo no veo ni siento que se usen de la forma correcta, ya que muchos climas de diferentes estados afectan a la producción de varios cultivos lo que dificulta el fruto de estos ademas de como sus cuidados afectan al ambiente en distintos niveles ya sea por sus contaminantes en el excesivo uso de pesticida (en el caso del cultivo del trigo) y si tomamos mas en cuenta los datos de las necesidades de los cultivos y con un manejo apropiado, se podría sacar muchas mas ganancias de las que se obtienen actualmente.*
Cazarez Cabrera José Luis
México, como muchos otros países, tiene el potencial de ser una potencia agrícola increíble. México es conocido por la gran biodiversidad que ofrece. Su agricultura se destaca especialmente por la producción de hortalizas, maíz, trigo, frijoles, tomates, entre otros.
Sin duda, la agricultura es un factor fundamental para la economía mexicana, ya que el desarrollo de los mercados locales ayuda a incentivar la producción y comercialización de nuestros productos. Sin embargo, para que florezca el talento de nuestro país en la agricultura, es necesario actuar y aplicar estudios como este en la producción de cultivos; dividir la agricultura de cultivos específicos en áreas donde las condiciones sean óptimas para que crezcan y produzcan el mejor producto posible.
Apodaca Urias Jesus David
En general Sonora y el resto del pais es buen lugar para cultivar pero hay algunos estados en mexico que cultivan cosas que no se les dan tan bien por clima, suelos o X factor. Es por eso que en este caso de estudio se vio cual debe ser el cultivo mas optimo o que mejor se le puede dar a un estado en este caso el estado de sonora produce cultivos de maiz y trigo en su mayoria, el problema es que estos dos no se dan tan bien es por ello que seria mejor que cultivaran uva y esparrago por lo antes visto y asi obtener mejores ganancias con la agricultura en el estado de Sonora.
Osuna Alcala Anthony
Es evidente que en Mexico se practica bastante la Agricultura, y cada estado tiene su cultivo mas fructífero. Pero cuando entramos en detalle y medimos los factores como el cambio climático y su efecto en los cultivos podemos mejorar las opciones que hay, y últimamente aumentar el valor monetario por producción. Con la comparación de lo mas cultivado (maíz, trigo) en Sonora, a otros cultivos como la uva y el espárrago podemos ver una diferencia significativa la cual nos podría dar paso a un mercado oportuno.
Descarga de datos y código
Datos
#Producción de varios cultivos en México
xfun::embed_file("~/GitHub/ProduccionMango/Final/Datos por estado/Cultivos/ProduccionTotalNacional_2015-2020.xlsx")Download ProduccionTotalNacional_2015-2020.xlsx
#Producción de mangos en Sonora
xfun::embed_file("ProduccionSonoraMango.xlsx")Download ProduccionSonoraMango.xlsx
#Producción de mango
xfun::embed_file("ProduccionMangos.xlsx")Download ProduccionMangos.xlsx
#Temperaturas de México
xfun::embed_file("TemperaturasPromAnualPorEstado.xlsx")Download TemperaturasPromAnualPorEstado.xlsx
Bibliografía
SERVICIO DE INFORMACIÓN AGROALIMENTARIA Y PESQUERA (SIAP). (2020). Panorama Agroalimentario. México: Agricultura Secretaria de agricultura y desarrollo rural. Recuperado 21 de noviembre de 2021, de https://www.inforural.com.mx/wp-content/uploads/2020/11/Atlas-Agroalimentario-2020.pdf
Agricultura mundial: hacia los años 2015/2030. (s. f.). FAO.org. Recuperado 21 de noviembre de 2021, de https://www.fao.org/3/y3557s/y3557s03.htm
SAGARPA. (2017). Planeación Agrícola Nacional: Mango Mexicano 2017-2050. México: SAGARMA. https://www.gob.mx/cms/uploads/attachment/file/257078/Potencial-Mango.pdf
National Department of Agriculture. (s. f.). mango. Recuperado 23 de noviembre de 2021, de https://www.nda.agric.za/docs/infopaks/mango.htm
Sonora Climate, Weather By Month, Average Temperature (Mexico) - Weather Spark. (s. f.). Weather Spark. Recuperado 23 de noviembre de 2021, de:
- https://weatherspark.com/y/8716/Average-Weather-in-Sonora-Mexico-Year-Round
- https://es.weatherspark.com/y/8716/Clima-promedio-en-Sonora-M%C3%A9xico-durante-todo-el-a%C3%B1o
Luis Israel Chávez Guzmán. (Septiembre 2016). REINGENIERÍA DE PROCESOS EN EL USO DE MANO DE OBRA EN LA PRODUCCIÓN DE UVA DE MESA. Hermosillo Sonora: COORDINACIÓN DE DESARROLLO REGIONAL. Recuperado 23 de noviembre de 2021, de https://ciad.repositorioinstitucional.mx/jspui/bitstream/1006/782/1/Ch%C3%A1vez-Guzm%C3%A1n%20L%20I_MDR_2016.pdf
Corona Ramírez, I. (2016, 24 enero). El desarrollo de la agricultura y el impacto que tendría en las finanzas públicas de México. vLex. Recuperado 5 de diciembre de 2021, de https://vlex.com.mx/vid/desarrollo-agricultura-impacto-finanzas-679171833