Diagramas correspondientes a los cutivos con mayor producción en el departamento de Boyacá
Jose Gerardo Bermudez Diaz
02/04/22
1. Introducción
En este cuaderno se va a elaborar diagramas estadísticos cuya función será mostrar de una forma dinámica la participación de los grupos de cultivos con mayor producción del departamento de Boyacá, usando una base de datos de la Evaluaciones Agropecuarias Municipales (EVA) que datan desde el 2006 hasta el 2018
2. Configuración
library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --## v ggplot2 3.3.5 v purrr 0.3.4
## v tibble 3.1.6 v dplyr 1.0.8
## v tidyr 1.2.0 v stringr 1.4.0
## v readr 2.1.2 v forcats 0.5.1## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(dplyr)
library(readr)
library(ggplot2)3. Leer el conjunto de datos de EVA
list.files("C:/Users/GERARDO/Desktop/GB2022/datos", pattern=c('csv'))## [1] "co.csv"
## [2] "Evaluaciones_Agropecuarias_Municipales_EVA.csv"
## [3] "J.ber_Hort_2020.csv"
## [4] "J.ber_Tuber_2020.csv"(eva = read_csv("C:/Users/GERARDO/Desktop/GB2022/datos/Evaluaciones_Agropecuarias_Municipales_EVA.csv", col_names = TRUE,
show_col_types = FALSE))## # A tibble: 20,576 x 17
## `CÓD. \nDEP.` DEPARTAMENTO `CÓD. MUN.` MUNICIPIO `GRUPO \nDE CULTIVO`
## <dbl> <chr> <dbl> <chr> <chr>
## 1 15 BOYACA 15114 BUSBANZA HORTALIZAS
## 2 15 BOYACA 15516 PAIPA HORTALIZAS
## 3 15 BOYACA 15491 NOBSA HORTALIZAS
## 4 15 BOYACA 15500 OICATA HORTALIZAS
## 5 15 BOYACA 15516 PAIPA HORTALIZAS
## 6 15 BOYACA 15500 OICATA HORTALIZAS
## 7 15 BOYACA 15377 LABRANZAGRANDE HORTALIZAS
## 8 15 BOYACA 15377 LABRANZAGRANDE HORTALIZAS
## 9 15 BOYACA 15491 NOBSA HORTALIZAS
## 10 15 BOYACA 15491 NOBSA HORTALIZAS
## # ... with 20,566 more rows, and 12 more variables:
## # `SUBGRUPO \nDE CULTIVO` <chr>, CULTIVO <chr>,
## # `DESAGREGACIÓN REGIONAL Y/O SISTEMA PRODUCTIVO` <chr>, AÑO <dbl>,
## # PERIODO <chr>, `Área Sembrada\n(ha)` <dbl>, `Área Cosechada\n(ha)` <dbl>,
## # `Producción\n(t)` <dbl>, `Rendimiento\n(t/ha)` <dbl>,
## # `ESTADO FISICO PRODUCCION` <chr>, `NOMBRE \nCIENTIFICO` <chr>,
## # `CICLO DE CULTIVO` <chr>names(eva)## [1] "CÓD. \nDEP."
## [2] "DEPARTAMENTO"
## [3] "CÓD. MUN."
## [4] "MUNICIPIO"
## [5] "GRUPO \nDE CULTIVO"
## [6] "SUBGRUPO \nDE CULTIVO"
## [7] "CULTIVO"
## [8] "DESAGREGACIÓN REGIONAL Y/O SISTEMA PRODUCTIVO"
## [9] "AÑO"
## [10] "PERIODO"
## [11] "Área Sembrada\n(ha)"
## [12] "Área Cosechada\n(ha)"
## [13] "Producción\n(t)"
## [14] "Rendimiento\n(t/ha)"
## [15] "ESTADO FISICO PRODUCCION"
## [16] "NOMBRE \nCIENTIFICO"
## [17] "CICLO DE CULTIVO"4. Limpiar el conjunto de datos de EVA
eva %>% dplyr::select('CÓD. MUN.':'ESTADO FISICO PRODUCCION') -> eva.tmpeva.tmp## # A tibble: 20,576 x 13
## `CÓD. MUN.` MUNICIPIO `GRUPO \nDE CULTIVO` `SUBGRUPO \nDE CULT~` CULTIVO
## <dbl> <chr> <chr> <chr> <chr>
## 1 15114 BUSBANZA HORTALIZAS ACELGA ACELGA
## 2 15516 PAIPA HORTALIZAS ACELGA ACELGA
## 3 15491 NOBSA HORTALIZAS ACELGA ACELGA
## 4 15500 OICATA HORTALIZAS ACELGA ACELGA
## 5 15516 PAIPA HORTALIZAS ACELGA ACELGA
## 6 15500 OICATA HORTALIZAS ACELGA ACELGA
## 7 15377 LABRANZAGRANDE HORTALIZAS ACELGA ACELGA
## 8 15377 LABRANZAGRANDE HORTALIZAS ACELGA ACELGA
## 9 15491 NOBSA HORTALIZAS ACELGA ACELGA
## 10 15491 NOBSA HORTALIZAS ACELGA ACELGA
## # ... with 20,566 more rows, and 8 more variables:
## # `DESAGREGACIÓN REGIONAL Y/O SISTEMA PRODUCTIVO` <chr>, AÑO <dbl>,
## # PERIODO <chr>, `Área Sembrada\n(ha)` <dbl>, `Área Cosechada\n(ha)` <dbl>,
## # `Producción\n(t)` <dbl>, `Rendimiento\n(t/ha)` <dbl>,
## # `ESTADO FISICO PRODUCCION` <chr>eva.tmp %>% dplyr::rename('Cod_Mun' = 'CÓD. MUN.',
'Grupo' = 'GRUPO \nDE CULTIVO',
'Subgrupo' = 'SUBGRUPO \nDE CULTIVO',
'Year' = 'AÑO',
'AreaSembrada' = 'Área Sembrada\n(ha)',
'AreaCosechada' = 'Área Sembrada\n(ha)',
'Produccion' = 'Producción\n(t)', 'Rendimiento' = 'Rendimiento\n(t/ha)',
'Sistema' = 'DESAGREGACIÓN REGIONAL Y/O SISTEMA PRODUCTIVO',
'Estado' = 'ESTADO FISICO PRODUCCION') -> new_evanew_eva## # A tibble: 20,576 x 13
## Cod_Mun MUNICIPIO Grupo Subgrupo CULTIVO Sistema Year PERIODO AreaCosechada
## <dbl> <chr> <chr> <chr> <chr> <chr> <dbl> <chr> <dbl>
## 1 15114 BUSBANZA HORT~ ACELGA ACELGA ACELGA 2006 2006B 2
## 2 15516 PAIPA HORT~ ACELGA ACELGA ACELGA 2007 2007B 1
## 3 15491 NOBSA HORT~ ACELGA ACELGA ACELGA 2010 2010B 0
## 4 15500 OICATA HORT~ ACELGA ACELGA ACELGA 2011 2011A 40
## 5 15516 PAIPA HORT~ ACELGA ACELGA ACELGA 2011 2011B 300
## 6 15500 OICATA HORT~ ACELGA ACELGA ACELGA 2011 2011B 0
## 7 15377 LABRANZAG~ HORT~ ACELGA ACELGA ACELGA 2012 2012A 2
## 8 15377 LABRANZAG~ HORT~ ACELGA ACELGA ACELGA 2012 2012B 1
## 9 15491 NOBSA HORT~ ACELGA ACELGA ACELGA 2014 2014A 1
## 10 15491 NOBSA HORT~ ACELGA ACELGA ACELGA 2014 2014B 1
## # ... with 20,566 more rows, and 4 more variables:
## # `Área Cosechada\n(ha)` <dbl>, Produccion <dbl>, Rendimiento <dbl>,
## # Estado <chr>5. Analisis de los datos
5.1 Los cultivos más importantes entre 2006 y 2018
new_eva %>%
filter(Produccion > 0) %>%
group_by(Grupo) %>%
summarize(total_produccion = sum(Produccion)) %>%
arrange(desc(total_produccion)) ## # A tibble: 12 x 2
## Grupo total_produccion
## <chr> <dbl>
## 1 TUBERCULOS Y PLATANOS 10388648
## 2 HORTALIZAS 4868712
## 3 OTROS PERMANENTES 2344976
## 4 FRUTALES 1610069
## 5 CEREALES 291985
## 6 LEGUMINOSAS 228791
## 7 OTROS TRANSITORIOS 8422
## 8 FLORES Y FOLLAJES 4818
## 9 FIBRAS 1114
## 10 PLANTAS AROMATICAS, CONDIMENTARIAS Y MEDICINALES 891
## 11 OLEAGINOSAS 186
## 12 HONGOS 2new_eva %>%
group_by(Grupo) %>%
summarize(total_produccion = sum(Produccion)) -> PT PT %>%
filter(total_produccion > 1000000) -> main.groups(value = sum(main.groups$total_produccion))## [1] 19212405main.groups$percent = (main.groups$total_produccion/value)*100library(ggplot2)
# Barplot
bp<- ggplot(main.groups, aes(x="", y=percent, fill=Grupo))+
geom_bar(width = 1, stat = "identity") + geom_col(color = "black")
# Piechart
pie <- bp + coord_polar("y", start=0)
pie + scale_fill_manual(values=c("#9da5eb", "#4253ed", "#5b6aeb", "#1f33ed")) + theme_minimal()
5.2 Municipios con mayor producción para cada grupo de cultivos:
new_eva %>%
group_by(Grupo, MUNICIPIO) %>%
summarize(total_prod = sum(Produccion, na.rm = TRUE)) %>%
slice(which.max(total_prod)) %>%
arrange(desc(total_prod))## `summarise()` has grouped output by 'Grupo'. You can override using the
## `.groups` argument.## # A tibble: 12 x 3
## # Groups: Grupo [12]
## Grupo MUNICIPIO total_prod
## <chr> <chr> <dbl>
## 1 HORTALIZAS AQUITANIA 1211476
## 2 TUBERCULOS Y PLATANOS TUNJA 1112521
## 3 OTROS PERMANENTES CHITARAQUE 793334
## 4 FRUTALES NUEVO COLON 225664
## 5 LEGUMINOSAS SAMACA 26406
## 6 CEREALES SIACHOQUE 16800
## 7 OTROS TRANSITORIOS COVARACHIA 3606
## 8 FLORES Y FOLLAJES TOCA 2209
## 9 PLANTAS AROMATICAS, CONDIMENTARIAS Y MEDICINALES SOATA 671
## 10 FIBRAS COVARACHIA 268
## 11 OLEAGINOSAS PUERTO BOYACA 106
## 12 HONGOS OICATA 2new_eva %>%
group_by(Grupo, MUNICIPIO) %>%
summarize(total_prod = sum(Produccion, na.rm = TRUE)) %>%
slice(which.max(total_prod)) -> leaders## `summarise()` has grouped output by 'Grupo'. You can override using the
## `.groups` argument.leaders## # A tibble: 12 x 3
## # Groups: Grupo [12]
## Grupo MUNICIPIO total_prod
## <chr> <chr> <dbl>
## 1 CEREALES SIACHOQUE 16800
## 2 FIBRAS COVARACHIA 268
## 3 FLORES Y FOLLAJES TOCA 2209
## 4 FRUTALES NUEVO COLON 225664
## 5 HONGOS OICATA 2
## 6 HORTALIZAS AQUITANIA 1211476
## 7 LEGUMINOSAS SAMACA 26406
## 8 OLEAGINOSAS PUERTO BOYACA 106
## 9 OTROS PERMANENTES CHITARAQUE 793334
## 10 OTROS TRANSITORIOS COVARACHIA 3606
## 11 PLANTAS AROMATICAS, CONDIMENTARIAS Y MEDICINALES SOATA 671
## 12 TUBERCULOS Y PLATANOS TUNJA 1112521leaders %>%
filter(total_prod > 50000) -> main.leadersp<-ggplot(data=main.leaders, aes(x=MUNICIPIO, y=total_prod)) +
geom_bar(stat="identity", color="#1f33ed", fill="#5b6aeb") + geom_text(aes(label=Grupo), vjust=1.6, size=2.5)+
labs(x="MUNICIPIO",y="PRODUCCIÓN TOTAL", title="Municipios con mayor producción en el departamento de Boyacá")
p
5.3 Dinámica de un cultivo importante entre 2006 y 2018
new_eva %>%
filter(MUNICIPIO=="AQUITANIA" & CULTIVO=="CEBOLLA DE RAMA") %>%
group_by(Year, CULTIVO) %>%
select(MUNICIPIO, CULTIVO, Produccion, Year) -> Aquitania_onionAquitania_onion## # A tibble: 24 x 4
## # Groups: Year, CULTIVO [13]
## MUNICIPIO CULTIVO Produccion Year
## <chr> <chr> <dbl> <dbl>
## 1 AQUITANIA CEBOLLA DE RAMA 46000 2006
## 2 AQUITANIA CEBOLLA DE RAMA 45600 2007
## 3 AQUITANIA CEBOLLA DE RAMA 46000 2007
## 4 AQUITANIA CEBOLLA DE RAMA 46000 2008
## 5 AQUITANIA CEBOLLA DE RAMA 44000 2008
## 6 AQUITANIA CEBOLLA DE RAMA 52000 2009
## 7 AQUITANIA CEBOLLA DE RAMA 52000 2009
## 8 AQUITANIA CEBOLLA DE RAMA 44000 2010
## 9 AQUITANIA CEBOLLA DE RAMA 44000 2010
## 10 AQUITANIA CEBOLLA DE RAMA 45960 2011
## # ... with 14 more rowsg <- ggplot(aes(x=Year, y=Produccion/1000), data = Aquitania_onion) + geom_bar(stat='identity', color="#1f33ed", fill="#5b6aeb") + labs(y='Produccion de Cebolla de rama [Ton x 1000]', x="Año")g + ggtitle("Evolución de la Producción de Cebolla en Aquitania desde el 2006 al 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)")
new_eva %>%
filter(MUNICIPIO == "AQUITANIA" & CULTIVO == "CEBOLLA DE RAMA") %>%
group_by(Year, CULTIVO) %>%
dplyr::select(MUNICIPIO, CULTIVO, Rendimiento, Year) -> rendi_onion
ggplot(aes(x=Year, y=Rendimiento), data = rendi_onion) + geom_bar(stat='identity', color="#1f33ed", fill="#5b6aeb") + labs(y='Rendimiento (t/ha)', x='Año') + ggtitle("Evolución del rendimiento del cultivo de cebolla en Aquitania del 2006 a 2018") + labs(caption= "Basado en los datos de EVA (Minagricultura, 2020)")
new_eva %>%
filter(MUNICIPIO == "TUNJA" & CULTIVO == "PAPA") %>%
group_by(Year, CULTIVO) %>%
dplyr::select(MUNICIPIO, CULTIVO, Produccion, Year) -> tnj_papatnj_papa## # A tibble: 38 x 4
## # Groups: Year, CULTIVO [13]
## MUNICIPIO CULTIVO Produccion Year
## <chr> <chr> <dbl> <dbl>
## 1 TUNJA PAPA 10400 2006
## 2 TUNJA PAPA 12000 2007
## 3 TUNJA PAPA 17560 2007
## 4 TUNJA PAPA 15600 2008
## 5 TUNJA PAPA 17240 2008
## 6 TUNJA PAPA 84600 2009
## 7 TUNJA PAPA 95450 2009
## 8 TUNJA PAPA 78240 2010
## 9 TUNJA PAPA 82500 2010
## 10 TUNJA PAPA 39360 2011
## # ... with 28 more rowsmpda <- ggplot(aes(x=Year, y=Produccion/1000), data = tnj_papa) + geom_bar(stat='identity', color="#1f33ed", fill="#5b6aeb") + labs(y='Producción de papa [Ton x 1000]', x='Año')
mpda + ggtitle("Evolución de la producción de papa en Tunja de 2006 a 2018") + labs(caption= "Basado en los datos de EVA (Minagricultura, 2020)")
new_eva %>%
filter(MUNICIPIO == "TUNJA" & CULTIVO == "PAPA") %>%
group_by(Year, CULTIVO) %>%
dplyr::select(MUNICIPIO, CULTIVO, Rendimiento, Year) -> rendi_papa
ggplot(aes(x=Year, y=Rendimiento), data = rendi_papa) + geom_bar(stat='identity', color="#1f33ed", fill="#5b6aeb") + labs(y='Rendimiento (t/ha)', x='Año') + ggtitle("Evolución del rendimiento del cultivo de papa en Tunja de 2006 a 2018") + labs(caption= "Basado en los datos de EVA (Minagricultura, 2020)")
6. Bibliografía
“Lizarazo, I., 2022. Understanding dynamic productivity of crops. Available at https://rpubs.com/ials2un/production_dyn_v1”
sessionInfo()## R version 4.1.3 (2022-03-10)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 10 x64 (build 19043)
##
## Matrix products: default
##
## locale:
## [1] LC_COLLATE=Spanish_Colombia.1252 LC_CTYPE=Spanish_Colombia.1252
## [3] LC_MONETARY=Spanish_Colombia.1252 LC_NUMERIC=C
## [5] LC_TIME=Spanish_Colombia.1252
##
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
##
## other attached packages:
## [1] forcats_0.5.1 stringr_1.4.0 dplyr_1.0.8 purrr_0.3.4
## [5] readr_2.1.2 tidyr_1.2.0 tibble_3.1.6 ggplot2_3.3.5
## [9] tidyverse_1.3.1
##
## loaded via a namespace (and not attached):
## [1] lubridate_1.8.0 assertthat_0.2.1 digest_0.6.29 utf8_1.2.2
## [5] R6_2.5.1 cellranger_1.1.0 backports_1.4.1 reprex_2.0.1
## [9] evaluate_0.15 httr_1.4.2 highr_0.9 pillar_1.7.0
## [13] rlang_1.0.2 readxl_1.4.0 rstudioapi_0.13 jquerylib_0.1.4
## [17] rmarkdown_2.13 labeling_0.4.2 bit_4.0.4 munsell_0.5.0
## [21] broom_0.7.12 compiler_4.1.3 modelr_0.1.8 xfun_0.30
## [25] pkgconfig_2.0.3 htmltools_0.5.2 tidyselect_1.1.2 fansi_1.0.3
## [29] crayon_1.5.1 tzdb_0.2.0 dbplyr_2.1.1 withr_2.5.0
## [33] grid_4.1.3 jsonlite_1.8.0 gtable_0.3.0 lifecycle_1.0.1
## [37] DBI_1.1.2 magrittr_2.0.2 scales_1.1.1 cli_3.2.0
## [41] stringi_1.7.6 vroom_1.5.7 farver_2.1.0 fs_1.5.2
## [45] xml2_1.3.3 bslib_0.3.1 ellipsis_0.3.2 generics_0.1.2
## [49] vctrs_0.3.8 tools_4.1.3 bit64_4.0.5 glue_1.6.2
## [53] hms_1.1.1 parallel_4.1.3 fastmap_1.1.0 yaml_2.3.5
## [57] colorspace_2.0-3 rvest_1.0.2 knitr_1.38 haven_2.4.3
## [61] sass_0.4.1