Quarto Blog Puerto de Avilés

Trafico en el puerto de Avilés de Fertilizantes y Materias Primas

José Ramón Cuesta — Sun, 25 May 2025 22:00:00 GMT

En este post vamos a analizar el tráfico de mercancias en el puerto de Avilés en lo referente a los fertilizantes y sus materias primas. En el caso de las materias primas las más importantes son el ácido sulfúrico y el amoniaco. En otros post hemos comentado que tanto a Fertiberia como a Chemastur el ácido sulfúrico se lo suministra AZSA en camiones cisterna, y como además Fertiberia dispone de un depósito en el puerto de Avilés de ácido sulfúrico para garantizar la disonibilidad de esta materia prima en todo momento.

Podemos empezar por ver las mercancias que entran o salen del puerto de Avilés y crear un vector con aquellas que estan relacionadas con los fertilizantes y sus materias primas.

Las mercancías relacionadas con los fertilizantes y sus materias primas son: ácido sulfúrico, amoniaco, abono, GSSP in bulk, superfosfatos, sulfato amónico y rock phosphate.

Antes de generar el vector de las mercancias relacionadas con fertilizantes, vemos que tenemos algunas mercancias que son la misma pero con distinto nombre, por lo que vamos a cambiar ROCK PHOSPHATE por FOSFATO DE ROCA. Aprovechamos también para corregir otros errores ortográficos y actualizar la base de datos.

library(tidyverse)
load("puerto_aviles_17.RData")

puerto_aviles_17 <- puerto_aviles_17 %>%
  mutate(Mercancia = str_replace_all(Mercancia, "ROCK PHOSPHATE", "FOSFATO DE ROCA")) %>%
  mutate(Mercancia = str_replace_all(Mercancia, "CONCENTADOS DE ZINC", "CONCENTRADOS DE ZINC"))

Ahora creamos el vector:

fert_mps <- c("ACIDO SULFURICO", "AMONIACO", "ABONO", "GSSP IN BULK", "SUPERFOSFATOS", "SULFATO AMONICO", "FOSFATO DE ROCA", "FERTILIZANTES")

Ahora vamos a trabajar con los datos de 2024 para ver el tráfico de las mercancias que que hemos seleccionado en este vector:

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia %in% fert_mps) %>%
  group_by(Mercancia, Operación) %>%
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>%
  ggplot(aes(x = Mercancia, y = Tonelaje, fill = Operación)) +
  geom_bar(stat = "identity", position = "dodge") +
  coord_flip() +
  labs(title = "Tráfico de Fertilizantes y Materias Primas en el Puerto de Avilés (2024)",
       x = "Mercancía",
       y = "Tonelaje",
       fill = "Operación") +
  theme_minimal()

Exportaciones de Abonos y Fertilizantes

Abono

Podemos centrarnos en el Abono y comprobar cuantas toneladas se han embarcado y con que destinos:

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "ABONO") %>%
  group_by(Pais_dest) %>%
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>%
  arrange(desc(Tonelaje)) %>%
  ggplot(aes(x = reorder(Pais_dest, Tonelaje), y = Tonelaje)) +
  geom_col(fill = "steelblue") +
  coord_flip() +
  labs(title = "Tonelaje de Abono embarcado en Puerto de Avilés (2024)",
       x = "País de destino",
       y = "Tonelaje")

Cual ha sido el tonelaje total embarcado de abono en 2024:

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "ABONO") %>%
  summarise(Tonelaje_total = sum(Tonelaje, na.rm = TRUE))

# A tibble: 1 × 1
  Tonelaje_total
           
1         272654

Vemos que ha habido algunos desembarques de abono, vamos a ver cuantos y de donde han venido:

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "ABONO") %>%
  filter(Operación == "Desembarque") %>%
  count(Origen, Tonelaje)

# A tibble: 2 × 3
  Origen  Tonelaje     n
         
1 CADIZ       5000     1
2 SETUBAL     6000     1

GSSP IN BULK

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "GSSP IN BULK") %>%
  filter(Operación == "Embarque") %>%
  group_by(Pais_dest) %>%
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>%
  arrange(desc(Tonelaje))

# A tibble: 1 × 2
  Pais_dest Tonelaje
          
1 BRASIL       27000

SUPERFOSFATOS

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "SUPERFOSFATOS") %>%
  filter(Operación == "Embarque") %>%
  group_by(Pais_dest) %>%
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>%
  arrange(desc(Tonelaje))

# A tibble: 4 × 2
  Pais_dest      Tonelaje
               
1 ESTADOS UNIDOS     5300
2 FRANCIA            5200
3 PAISES BAJOS       4000
4 INGLATERRA         1930

SULFATO AMONICO

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "SULFATO AMONICO") %>%
  filter(Operación == "Embarque") %>%
  group_by(Pais_dest) %>%
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>%
  arrange(desc(Tonelaje))

# A tibble: 1 × 2
  Pais_dest  Tonelaje
           
1 INGLATERRA      500

FERTILIZANTES

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "FERTILIZANTES") %>%
  filter(Operación == "Embarque") %>%
  group_by(Pais_dest) %>%
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>%
  arrange(desc(Tonelaje))

# A tibble: 1 × 2
  Pais_dest Tonelaje
          
1 BRASIL       38500

ÁCIDO SULFÚRICO

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "ACIDO SULFURICO") %>%
  filter(Operación == "Embarque") %>%
  group_by(Pais_dest) %>%
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>%
  arrange(desc(Tonelaje))

# A tibble: 6 × 2
  Pais_dest      Tonelaje
               
1 ESTADOS UNIDOS    77400
2 ESPAÑA            71000
3 MARRUECOS         65507
4 ITALIA             7000
5 IRLANDA            4400
6 FRANCIA            3675

Importaciones de materias primas

Vamos a ver las importaciones de materias primas necesarias par la fabricación de los fertilizantes.

AMONIACO

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "AMONIACO") %>%
  filter(Operación == "Desembarque") %>%
  group_by(Pais_orig) %>%
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>%
  arrange(desc(Tonelaje))

# A tibble: 8 × 2
  Pais_orig      Tonelaje
               
1 ESPAÑA          102281.
2 PORTUGAL         25000.
3 MARRUECOS         7500 
4 TURQUÍA           6000 
5 ESTADOS UNIDOS    5500 
6 EGIPTO            4500 
7 BELGICA           4000 
8 PAISES BAJOS      3500

FOSFATO DE ROCA

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "FOSFATO DE ROCA") %>%
  filter(Operación == "Desembarque") %>%
  group_by(Pais_orig) %>%
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>%
  arrange(desc(Tonelaje))

# A tibble: 2 × 2
  Pais_orig Tonelaje
          
1 MARRUECOS    93682
2 EGIPTO        9550

Generamos una tabla a modo de resumen de las operaciones de embarque y desembarque de fertilizantes y materias primas en el puerto de Avilés durante 2024:

Producto	Operación	Destino / Origen	Tonelaje
Abono	Embarque	Paises europeos	272.654
Ácido Sulfúrico	Embarque	Africa, Europa,USA	228.982
Super Fosfatos	Embarque	USA y Europa	16.430
GSP in Bulk	Embarque	Brasil	27.000
Fertilizantes	Embarque	Brasil	38.500
Sulfato Amónico	Embarque	Inglaterra	500
Amoniaco	Desembarque	Africa, Europa,USA	158.281
Fosfato de Roca	Desembarque	Africa	103.232

Desembarque concentrados de Zinc

José Ramón Cuesta — Sat, 24 May 2025 22:00:00 GMT

Podemos en un principio plantearnos unas preguntas:

¿Cuantos buques han venido a descargar concentrados de zinc?
¿De donde han venido esos buques?
¿Cuantas toneladas se han traido por pais en 2024?
¿Como se han distribuido los desembarques a lo largo de 2024?
¿Cuan el el tonelaje total que se ha desembarcado en 2024?

library(tidyverse)
load("puerto_aviles_17.RData")

Hacemos una corrección gramatical en primer lugar y posteriormente hacemos los filtrados:

puerto_aviles_17 %>%
  mutate(Mercancia = str_replace_all(Mercancia, "CONCENTADOS DE ZINC", "CONCENTRADOS DE ZINC")) %>%
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "CONCENTRADOS DE ZINC")

# A tibble: 55 × 28
   Escala     At `Fecha Entrada` `Fecha Salida` Buque Pais_orig Origen orig_ylat
                                      
 1 2024/4      1 2024-01-08      2024-01-10     STIN… ESTADOS … NEW O…     30.0 
 2 2024/14     1 2024-01-13      2024-01-18     SAGA… PANAMA    BALBOA     42.7 
 3 2024/20     1 2024-01-18      2024-01-24     NORD… CHILE     ARICA     -18.5 
 4 2024/41     1 2024-01-29      2024-01-31     KARL… ESPAÑA    CEUTA      35.9 
 5 2024/44     1 2024-01-25      2024-01-31     MANI… PORTUGAL  SETUB…     38.5 
 6 2024/79     1 2024-02-09      2024-02-11     DEUN  ESPAÑA    FERROL     43.5 
 7 2024/1…     1 2024-02-15      2024-02-17     FWN … ESPAÑA    FERROL     43.5 
 8 2024/1…     2 2024-02-15      2024-02-17     FWN … ESPAÑA    FERROL     43.5 
 9 2024/1…     1 2024-02-18      2024-02-27     CLIP… PANAMA    PANAM…      9.06
10 2024/1…     1 2024-02-27      2024-02-29     SAGA… ESTADOS … NEW O…     30.0 
# ℹ 45 more rows
# ℹ 20 more variables: orig_xlong , Pais_dest , Destino ,
#   dest_ylat , dest_xlong , Calado , Eslora ,
#   Consignatario , Muelle , N , Operación ,
#   Tonelaje , Mercancia , Estibador , IMO , GT ,
#   CallSign , Bandera , `Tipo Buque` , Pais_origen

Vamos a comprobar si todos han venido a descargar:

puerto_aviles_17 %>%
  mutate(Mercancia = str_replace_all(Mercancia, "CONCENTADOS DE ZINC", "CONCENTRADOS DE ZINC")) %>%
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "CONCENTRADOS DE ZINC") %>%
  count(Operación)

# A tibble: 2 × 2
  Operación       n
         
1 Desembarque    53
2 Embarque        2

Vemos que 2 de los 55 buques que han entrado en el puerto han venido a cargar, por lo que vamos a centrarnos en los buques que han venido a descargar.

puerto_aviles_17 %>%
  mutate(Mercancia = str_replace_all(Mercancia, "CONCENTADOS DE ZINC", "CONCENTRADOS DE ZINC")) %>%
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "CONCENTRADOS DE ZINC") %>%
  filter(Operación == "Desembarque")

# A tibble: 53 × 28
   Escala     At `Fecha Entrada` `Fecha Salida` Buque Pais_orig Origen orig_ylat
                                      
 1 2024/4      1 2024-01-08      2024-01-10     STIN… ESTADOS … NEW O…     30.0 
 2 2024/14     1 2024-01-13      2024-01-18     SAGA… PANAMA    BALBOA     42.7 
 3 2024/20     1 2024-01-18      2024-01-24     NORD… CHILE     ARICA     -18.5 
 4 2024/41     1 2024-01-29      2024-01-31     KARL… ESPAÑA    CEUTA      35.9 
 5 2024/44     1 2024-01-25      2024-01-31     MANI… PORTUGAL  SETUB…     38.5 
 6 2024/1…     1 2024-02-15      2024-02-17     FWN … ESPAÑA    FERROL     43.5 
 7 2024/1…     2 2024-02-15      2024-02-17     FWN … ESPAÑA    FERROL     43.5 
 8 2024/1…     1 2024-02-18      2024-02-27     CLIP… PANAMA    PANAM…      9.06
 9 2024/1…     1 2024-02-27      2024-02-29     SAGA… ESTADOS … NEW O…     30.0 
10 2024/1…     1 2024-03-03      2024-03-12     AMIS… PERÚ      CALLAO    -12.1 
# ℹ 43 more rows
# ℹ 20 more variables: orig_xlong , Pais_dest , Destino ,
#   dest_ylat , dest_xlong , Calado , Eslora ,
#   Consignatario , Muelle , N , Operación ,
#   Tonelaje , Mercancia , Estibador , IMO , GT ,
#   CallSign , Bandera , `Tipo Buque` , Pais_origen

Vamos a ver de donde han venido esos buques:

puerto_aviles_17 %>%
  mutate(Mercancia = str_replace_all(Mercancia, "CONCENTADOS DE ZINC", "CONCENTRADOS DE ZINC")) %>%
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "CONCENTRADOS DE ZINC") %>%
  filter(Operación == "Desembarque") %>% 
  count(Pais_orig)

# A tibble: 15 × 2
   Pais_orig          n
             
 1 ALEMANIA           1
 2 AUSTRALIA          1
 3 BELGICA            2
 4 CHILE              2
 5 ESPAÑA            13
 6 ESTADOS UNIDOS     2
 7 GRECIA             2
 8 INGLATERRA         3
 9 MARRUECOS          3
10 MEJICO             1
11 PAISES BAJOS       1
12 PANAMA            12
13 PERÚ               2
14 PORTUGAL           5
15 TURQUÍA            3

Por los datos que indica Asturiana de Zinc en su página web, las mayores ares de minerales de Zinc del mundo se encuentran en America Latina, Norte América, Australia y China. VAmos a crear un gráfico :

puerto_aviles_17 %>%
  mutate(Mercancia = str_replace_all(Mercancia, "CONCENTADOS DE ZINC", "CONCENTRADOS DE ZINC")) %>%
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "CONCENTRADOS DE ZINC") %>%
  filter(Operación == "Desembarque") %>% 
  count(Pais_orig, name = "n") %>%
  ggplot(aes(x = reorder(Pais_orig, n), y = n)) +
  geom_col() +
  coord_flip() +
  labs(title = "Países de origen de los buques que descargaron concentrados de zinc en Avilés en 2024",
       x = "País de origen",
       y = "Número de buques")

Vamos a comprobalo por tonelaje

puerto_aviles_17 %>%
  mutate(Mercancia = str_replace_all(Mercancia, "CONCENTADOS DE ZINC", "CONCENTRADOS DE ZINC")) %>%
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "CONCENTRADOS DE ZINC") %>%
  filter(Operación == "Desembarque") %>% 
  group_by(Pais_orig) %>%
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE)) %>%
  ggplot(aes(x = reorder(Pais_orig, Tonelaje), y = Tonelaje)) +
  geom_col() +
  coord_flip() +
  labs(title = "Toneladas desembarcadas de concentrados de Zinc", 
       subtitle = "ordenado por paises de procedencia",
       x = "País de procedencia",
       y = "Toneladas")

Veamos ahora como se han distribiuido los desembarques a lo largo del año 2024:

puerto_aviles_17 %>%
  mutate(Mercancia = str_replace_all(Mercancia, "CONCENTADOS DE ZINC", "CONCENTRADOS DE ZINC")) %>%
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "CONCENTRADOS DE ZINC") %>%
  filter(Operación == "Desembarque") %>% 
  group_by(`Fecha Entrada`) %>%
  #summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE)) %>%
  ggplot(aes(x = `Fecha Entrada`, y = Tonelaje)) +
  geom_col() +
  labs(title = "Toneladas desembarcadas de concentrados de Zinc a lo largo de 2024",
       x = "Fecha de entrada",
       y = "Toneladas")

Vemos que hay algunos huecos, pero por lo general hay desembarques a lo largo de todo el año.

¿Cual han sido las toneladas totales desembarcadas en 2024?:

puerto_aviles_17 %>%
  mutate(Mercancia = str_replace_all(Mercancia, "CONCENTADOS DE ZINC", "CONCENTRADOS DE ZINC")) %>%
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "CONCENTRADOS DE ZINC") %>%
  filter(Operación == "Desembarque") %>% 
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE))

# A tibble: 1 × 1
  Tonelaje
     
1  852478.

Vemos que el tonelaje de concentrados de Zinc desembarcado ha sido de más de 850.000 toneladas. Estos concentrados se envían por cinta transportadora a la planta de Asturiana de Zinc (muy cercana al puerto), donde se procesan para obtener el zinc metálico que se utiliza en diversas aplicaciones industriales. Como datos a tener en cuenta vemos por internet que la producción de zinc en Asturiana de Zinc en 2023 fue de 502.000 toneladas.

Podemos hacer un cálculo del tonelaje exportado desde el puerto de Aviles de lingotes de Zinc, que es uno de los productos finales de Asturiana de Zinc:

puerto_aviles_17 %>%
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Mercancia == "LINGOTES DE ZINC") %>%
  filter(Operación == "Embarque") %>% 
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE))

# A tibble: 1 × 1
  Tonelaje
     
1   176715

¿Que otros productos de Zinc encontramos en la base de datos?:

puerto_aviles_17 %>%
  filter(grepl("ZINC", Mercancia, ignore.case = TRUE)) %>%
  count(Mercancia, Operación, sort = TRUE)

# A tibble: 7 × 3
  Mercancia              Operación       n
                           
1 CONCENTADOS DE ZINC    Desembarque    62
2 LINGOTES DE ZINC       Embarque       45
3 ZINC OXIDE             Desembarque    14
4 ZINC METALS IN BUNDLES Embarque        4
5 CONCENTADOS DE ZINC    Embarque        2
6 LINGOTES DE ZINC       Desembarque     1
7 ZINC CALCINE           Desembarque     1

Ya hemos hablado de los concentrados de Zinc y los lingotes de Zinc, pero hay otras mercancias que en algunos casos se desembarcan y en otros se embarcan. En concreto parece que el Óxido de Zinc es una materia prima para la industria de los fertilizantes y es desembarcada en el puerto de Avilés probablemente con destino a las fábricas de fertilizantes que hay en la zona. Por ptra parte el Zinc Calcine es un producto intermedio y que puede ser usado para la fabricación de Zinc puro.

Días promedio de los buques en el puerto

José Ramón Cuesta — Wed, 21 May 2025 22:00:00 GMT

Son muchas las mercancías que se embarcan/desembarcan en el puerto de Avilés, pero hay algunas que entran no tan frecuentemente. Vamos a centrarnos en las mercancías que mas tonelaje han movido en el año 2024, y en concreto vamos a seleccionar las 10 primeras. No obstante observando en detalle los datos se comprueba que hay dos valores de tonelaje de mercancia en los buques que son mucho mayores al DWT de dicho buque por lo que se trata de dos casos erroneos que deben no ser considerados o eliminados.

Cargamos las librerías que vamos a usar:

library(tidyverse)
library(here)
load("puerto_aviles_17.RData")

Ahora vamos a filtrar los datos del 2024 y a eliminar los buques que hemos observado que el tonelaje de carga excedía en mucho el valor de DWT del buque. Poosteriormente seleccionamos las 10 mercancias que más tonelaje han movido.

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Tonelaje < 100000) %>%
  group_by(Mercancia) %>% 
  summarise(total = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>% 
  ungroup() %>%
  arrange(desc(total)) %>%
  slice(1:10) %>%
  ggplot(aes(x = reorder(Mercancia, total), y = total)) +
  geom_bar(stat = "identity", color = "black") +
  coord_flip() +
  labs(
    title = "Top 10 Mercancías en el Puerto de Avilés (2024)",
    x = "Mercancía",
    y = "Tonelaje total",
    fill = "Tipo de Operación"
  ) +
  theme_minimal()

Queremos extraer estas 10 mercancias como un vector:

top10_mercancias_ton <- puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  filter(Tonelaje < 100000) %>%
  group_by(Mercancia) %>% 
  summarise(total = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>% 
  ungroup() %>%
  arrange(desc(total)) %>%
  slice(1:10) %>%
  pull(Mercancia)

Ahora vamos a comprobar las medias de días en el puerto para los buques que han venido a embarcar/desembarcar esas mercancias ordenandolas por ese valor.

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  mutate(dias_en_puerto = as.numeric(`Fecha Salida` -`Fecha Entrada`)) %>% 
  filter(Mercancia %in% top10_mercancias_ton) %>%
  ggplot(aes(x = reorder(Mercancia, dias_en_puerto, FUN = median), y = dias_en_puerto)) +
  geom_boxplot(fill = "lightblue", color = "black") +
  coord_flip() +
  labs(
    title = "Distribución de días en puerto por mercancía (Top 10)",
    x = "Mercancía",
    y = "Días en puerto"
  ) +
  theme_minimal()

Podemos comprobarlo también de una manera numérica.

puerto_aviles_17 %>% 
  filter(`Fecha Entrada` >= as.Date("2024-01-01") & `Fecha Entrada` <= as.Date("2024-12-31")) %>%
  mutate(dias_en_puerto = as.numeric(`Fecha Salida` -`Fecha Entrada`)) %>% 
  filter(Mercancia %in% top10_mercancias_ton) %>%
  group_by(Mercancia) %>%
  summarise(
    media_dias = mean(dias_en_puerto, na.rm = TRUE),
    n_buques = n(),
    .groups = "drop") %>%
  arrange(desc(media_dias))

# A tibble: 10 × 3
   Mercancia              media_dias n_buques
                              
 1 CONCENTADOS DE ZINC         5.35        55
 2 LINGOTES DE ZINC            4.88        41
 3 ARCILLA                     4.17        18
 4 PRODUCTOS SIDERURGICOS      3.06        17
 5 ABONO                       2.94        71
 6 SLABS                       2.71        21
 7 ACIDO SULFURICO             2.35        26
 8 BOBINAS DE ACERO            2.21       113
 9 COAL                        1.71        21
10 AMONIACO                    0.971       34

Creating a Heat Map for Steel Coils

José Ramón Cuesta — Wed, 14 May 2025 22:00:00 GMT

In this post I try to create a heat-map using the tidyverse package. The idea is with a heat-map plot to see the marine traffic in the port of Aviles for a certain type of merchandise. So we choose the steel coils (“BOBINAS DE ACERO”) which are loaded in the port of Avilés and are sent to different ports around the World. So let´s start loading the library and looking to the data.

library(here)
library(tidyverse)
load(here("puerto_aviles.RData"))

Now we filter the data for the whole year 2024.

puerto_aviles_2024 <- puerto_aviles %>% 
                   filter(`Fecha Entrada` >= "2024-01-01",
                   `Fecha Salida` <= "2024-12-31")

Now let´s filter the data for the steel coils (“BOBINAS DE ACERO”) and boarding for the type of operation in the port. After, plot the data with the destination ports on the X axis. In the Y axis are the ports of origin of the ships that come to load the steel coils. The size of the square is the weight of the steel coils loaded in tons.

puerto_aviles_2024 %>%
  filter(Mercancia == "BOBINAS DE ACERO", Operación == "Embarque") %>%
  mutate(
    Pais_dest = fct_infreq(Pais_dest),
    Pais_orig = fct_infreq(Pais_orig)
  ) %>%
  ggplot(aes(Pais_dest, Pais_orig, fill = Tonelaje)) +
  geom_tile() +
  scale_fill_gradient(low = "white", high = "steelblue") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

We use the fct_infreq function to order the countries by the number of trips. We can see that the most frequent destination is Italy, followed by Spain and Greece.

Let´s use the cities indeed the countries and we fill the squares with the weight value in Tons.

puerto_aviles_2024 %>%
  filter(Mercancia == "BOBINAS DE ACERO", Operación == "Embarque") %>%
  mutate(
    Destino = fct_infreq(Destino),
    Origen = fct_infreq(Origen)
  ) %>%
  ggplot(aes(Destino, Origen, fill = Tonelaje)) +
  geom_tile() +
  scale_fill_gradient(low = "white", high = "steelblue") +
  theme_minimal() +
  theme(axis.text.y = element_text(size = 5), axis.text.x = element_text(angle = 90, size = 7, hjust = 1))+
  geom_text(aes(label = round(Tonelaje, 1)), size = 2)

We can see that there are numbers that are overwritten. That is because we have a number (weight) for every ship that has loaded steel coils in the port of Avilés. Let´s take the case of the boats which come from Gijón to load steel coils with destination La Spezia.

puerto_aviles_2024 %>%
  filter(Mercancia == "BOBINAS DE ACERO") %>%
  filter(Operación == "Embarque") %>%
  filter(Origen == "GIJON" & Destino == "LA SPEZIA")

# A tibble: 2 × 27
  Escala      At `Fecha Entrada` `Fecha Salida` Buque Pais_orig Origen orig_ylat
                                      
1 2024/124     1 2024-02-28      2024-03-03     MANI… ESPAÑA    GIJON       43.5
2 2024/512     1 2024-05-04      2024-05-06     MUROS ESPAÑA    GIJON       43.5
# ℹ 19 more variables: orig_xlong , Pais_dest , Destino ,
#   dest_ylat , dest_xlong , Calado , Eslora ,
#   Consignatario , Muelle , N , Operación ,
#   Tonelaje , Mercancia , Estibador , IMO , GT ,
#   CallSign , Bandera , `Tipo Buque`

As we can se there are two boats (one load 5171 tons and the other 3000 tons) which loaded 8171 tons. So we have to group by destination.

puerto_aviles_2024 %>%
  filter(Mercancia == "BOBINAS DE ACERO") %>%
  filter(Operación == "Embarque") %>%
  group_by(Origen, Destino) %>%
  summarise(Tonelaje = sum(Tonelaje)) %>%
  ungroup() %>%
  mutate(
    Destino = fct_infreq(Destino),
    Origen = fct_infreq(Origen)
  ) %>%
  ggplot(aes(Destino, Origen, fill = Tonelaje)) +
  geom_tile() +
  scale_fill_gradient(low = "white", high = "steelblue") +
  theme_minimal() +
  theme(axis.text.y = element_text(size = 5), axis.text.x = element_text(angle = 90, size = 7, hjust = 1))+
  geom_text(aes(label = round(Tonelaje, 1)), size = 2)+
  labs(title = "Destination and weight (tons) of steel coils loaded in Avilés Port in 2024",
       x = "Destination Port",
       y = "Origin of the ships wich come to load steel coils ",
       fill = "Tons")

Embarques/Desembarques de ácido sulfúrico en el puerto de Avilés (2024)

José Ramón Cuesta — Sat, 19 Apr 2025 22:00:00 GMT

El Ácido Sulfúrico es uno de los productos que genera Asturiana de Zinc (AZSA) durante su proceso de producción. Este producto es utilizado en la fabricación de fertilizantes, productos químicos y en la refinación de petróleo. La planta de AZSA en Avilés produce ácido sulfúrico a partir de concentrados de zinc y otros metales.

Tanques Ácido Sulfúrico (AZSA)

Con los datos que tenemos y que facilita el Puerto de Avilés vamos a analizar los movimientos de embarque en el puerto con destinos a la peninsula y a otros paises. Hemos de tener en cuenta que AZSA exporta tambien el ácido sulfúrico en camiones cisterna a sus clientes más próximos en la península, como Fertiberia, que tiene una planta en Avilés.

library(here)
library(tidyverse)
load(here("puerto_aviles.RData"))

Exportación de ácido sulfúrico en buques durante 2024.

Veamos de manera rápida los paises de destino de los embarques de ácido sulfúrico:

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Embarque") %>%
  filter(Mercancia == "ACIDO SULFURICO") %>%
  count(Pais_dest, sort = TRUE)

# A tibble: 6 × 2
  Pais_dest          n
            
1 ESPAÑA            10
2 MARRUECOS          7
3 ESTADOS UNIDOS     5
4 FRANCIA            1
5 IRLANDA            1
6 ITALIA             1

En número de buques embarcados los destinos domésticos son los que más predominan, pero veamos en tonelaje total.

puerto_aviles %>%
  filter(as.Date(`Fecha Entrada`) >= as.Date("2024-01-01") & 
         as.Date(`Fecha Entrada`) <= as.Date("2024-12-31")) %>%
  filter(Operación == "Embarque") %>%
  filter(Mercancia == "ACIDO SULFURICO") %>%
  group_by(Destino, Pais_dest) %>%
  summarise(Tonelaje_total = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>%
  arrange(desc(Tonelaje_total))

# A tibble: 9 × 3
  Destino                  Pais_dest      Tonelaje_total
                                         
1 SAVANNAH                 ESTADOS UNIDOS          58900
2 JORF LASFAR              MARRUECOS               55900
3 TARRAGONA                ESPAÑA                  42000
4 CASTELLON                ESPAÑA                  29000
5 PASADENA                 ESTADOS UNIDOS          18500
6 MOHAMMEDIA               MARRUECOS                9607
7 PORTO VESME (PORTOSCURO) ITALIA                   7000
8 AUGHINISH ISLAND         IRLANDA                  4400
9 BAYONNE                  FRANCIA                  3675

En este caso vemos que a Estados Únidos se envía un mayor tonelaje que al resto de destinos y principalmente al puerto de Savannah. Lo podemos representar de manera gráfica:

puerto_aviles %>%
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Embarque") %>%
  filter(Mercancia == "ACIDO SULFURICO") %>%
  group_by(Destino, Pais_dest) %>%
  summarise(Tonelaje_total = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>%
  arrange(desc(Tonelaje_total)) %>%
  ggplot(aes(x = reorder(Destino, Tonelaje_total), y = Tonelaje_total, fill = Pais_dest)) +
  geom_col() +
  coord_flip() +
  labs(title = "Tonelaje total de Ácido Sulfúrico embarcado (2024)",
       x = "Destino", y = "Tonelaje total (ton)") +
  theme_minimal()

Uno de los principales clientes de AZSA es la empresa Fertiberia, que utiliza el ácido sulfúrico en la producción de fertilizantes. Fertiberia tiene una planta en Avilés, lo que facilita la logística del transporte del ácido sulfúrico desde AZSA. El ácido sulfúrico se transporta en camiones cisterna y se utiliza en la producción de fertilizantes nitrogenados y otros productos químicos. Con el objeto de asegurar su producción, Fertiberia también importa ácido sulfúrico de otros países por lo que dispone en el muelle de Valliniello del puerto de Avilés de un gran tanque de almacenamiento de ácido sulfúrico.

Desembarques de ácido sulfúrico en buques durante 2024.

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Desembarque") %>%
  filter(Mercancia == "ACIDO SULFURICO") %>%
    count(Origen, Pais_orig, Buque, Bandera, Tonelaje, sort = TRUE)

# A tibble: 1 × 6
  Origen  Pais_orig Buque     Bandera Tonelaje     n
                      
1 SETUBAL PORTUGAL  NQ LAELIA MALTA       5000     1

Ha habido un solo desembarque de 5000 Ton. realizado por el buque NQ Laelia con bandera de Malta.

¿Como se transporta el ácido sulfútrico?

Una de las variables de la tabla de datos del puerto de Avilés es el tipo de buque. En este caso, el ácido sulfúrico se transporta en generalmente en graneleros líquidos, que son buques diseñados para transportar líquidos a granel, como productos químicos, petróleo y otros líquidos industriales. Estos buques están equipados con tanques especiales y sistemas de bombeo para cargar y descargar el líquido de manera segura y eficiente. El ácido sulfúrico es un líquido corrosivo y peligroso, por lo que se requiere un manejo cuidadoso durante su transporte. No obstante hay otro tipo de buque que es es de transporte especializado que también transportan líquidos.

Vamos a hacer un gráfico que nos muestre las mercancias que transportaron estos dos tipos de buque durante el año 2024.

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01",
         `Fecha Salida` <= "2024-12-31") %>%
  filter(!`Tipo Buque` %in% c("OTROS BUQUES", "CARGA GENERAL", "GRANELEROS SOLIDOS")) %>%
  count(`Tipo Buque`, Mercancia) %>%
  ggplot(aes(x = `Tipo Buque`, y = Mercancia, fill = n)) +
  geom_tile() +
  labs(title = "Relación entre tipo de buque y mercancía",
       x = "Tipo de Buque",
       y = "Mercancía",
       fill = "Número de escalas") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Comprobamos que en el caso del transporte de ácido sulfúrico, se usaron los dos tipos de buques, pero el granelero líquido es el que más se utilizó.

Si queremos saber el número de escalas con mayor exactitud:

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01",
         `Fecha Salida` <= "2024-12-31") %>%
  filter(!`Tipo Buque` %in% c("OTROS BUQUES", "CARGA GENERAL", "GRANELEROS SOLIDOS")) %>%
  filter(Mercancia == "ACIDO SULFURICO") %>%
  count(`Tipo Buque`, Operación) %>%
  arrange(desc(n))

# A tibble: 3 × 3
  `Tipo Buque`              Operación       n
                              
1 GRANELEROS LIQUIDOS       Embarque       18
2 TRANSPORTES ESPECIALIZADO Embarque        7
3 GRANELEROS LIQUIDOS       Desembarque     1

Balanza entre Embarques y Desembarques por paises

José Ramón Cuesta — Wed, 09 Apr 2025 22:00:00 GMT

Cargamos los datos los paquetes necesarios, así como los que venimos trabajando del Puerto de Avilés.

library(here)
library(dplyr)
library(ggplot2)
library(plotly)
library(DT)

load(here("puerto_aviles.RData"))

Queremos visualizar en un gráfico y una tabla la balanza comercial entre embarques y desembarques por paises. Podemos empeza primero por la tabla.

# Crear columna según tipo de operación
puerto_aviles <- puerto_aviles %>%
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  mutate(
    Pais_final = ifelse(Operación == "Embarque", as.character(Pais_dest), as.character(Pais_orig))
  )

# Resumen de toneladas por país y operación
resumen_tabla <- puerto_aviles %>%
  group_by(Pais_final, Operación) %>%
  summarise(Tonelaje_total = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>%
  arrange(desc(Tonelaje_total))

resumen_tabla

# A tibble: 73 × 3
   Pais_final   Operación   Tonelaje_total
                           
 1 BELGICA      Desembarque       1375075.
 2 ESPAÑA       Desembarque        553107.
 3 PAISES BAJOS Desembarque        480509.
 4 ITALIA       Embarque           398873 
 5 PANAMA       Desembarque        316812.
 6 ESPAÑA       Embarque           304544.
 7 PAISES BAJOS Embarque           183971.
 8 BELGICA      Embarque           146401.
 9 FRANCIA      Embarque           139576.
10 ESPAÑA       Trasbordo          134743.
# ℹ 63 more rows

Ahora podemos ver la tabla de resumen con DT::datatable para que sea interactiva.

DT::datatable(
  resumen_tabla,
  caption = "Tonelaje por país y operación (Puerto de Avilés)",
  options = list(pageLength = 10)
)

Por último generamos el gráfico de barras interactivo con ggplotly. En este caso, como el gráfico es un poco más complejo, lo generamos primero con ggplot y luego lo convertimos a interactivo.

# Resumen por país final
resumen_paises <- puerto_aviles %>%
  group_by(Pais_final, Operación) %>%
  summarise(Tonelaje_total = sum(Tonelaje, na.rm = TRUE), .groups = "drop") %>%
  group_by(Pais_final) %>%
  mutate(Total_por_pais = sum(Tonelaje_total)) %>%
  ungroup()

# Gráfico con ggplot
g <- ggplot(resumen_paises, aes(x = reorder(Pais_final, -Total_por_pais), y = Tonelaje_total, fill = Operación)) +
  geom_bar(stat = "identity") +
  labs(
    title = "Tráfico total por país (Puerto de Avilés)",
    x = "País (origen para desembarque, destino para embarque)",
    y = "Toneladas",
    fill = "Operación"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Convertir a interactivo
ggplotly(g)

Tonelaje de Registro Bruto (GT)

José Ramón Cuesta — Sun, 06 Apr 2025 22:00:00 GMT

Se trata de un post para practicar R y tratar de sacar información (a modo personal) de como funciona la operativa del puerto de Avilés. En este caso vamos a ver la relación entre el tonelaje de registro bruto (GT) y el tonelaje de la carga, así como con las dimensiones de los buques que han pasado por el puerto de Avilés en el año 2024.

Cargamos la librería tidyverse para poder trabajar con los datos.

library(here)
library(dplyr)
library(ggplot2)

load(here("puerto_aviles.RData"))  # Esto recupera el objeto con su mismo nombre
print(ls())  # Verifica que el objeto ha sido cargado correctamente)

[1] "puerto_aviles"

Examinemos primero con un histograma la distribución de GT, eslora y tonelaje de los buques que han pasado por el puerto de Avilés en 2024. Comprobando los datos de tonelaje, decido quitar los dos valores más altos, porque parecen mal introducidos al ser extremadamente altos para el tipo de buque que es. Filtremos por tanto para valores inferiores a 70000T.

Distribución por GT:

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Tonelaje < 70000) %>%
  ggplot(aes(x = GT)) +
  geom_histogram(bins = 30, fill = "blue", color = "black", alpha = 0.7) +
  theme_minimal()

Distribución por Tonelaje:

Podemos diferenciar el de los buques que embarcan, desembarcan y hacen transbordo de mercancía.

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Tonelaje < 70000) %>%
  ggplot(aes(x = Tonelaje)) +
  geom_histogram(bins = 30, fill = "blue", color = "black", alpha = 0.7) +
  facet_wrap(~ Operación) +
  theme_minimal()

Distribución por Eslora:

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Tonelaje < 70000) %>%
  ggplot(aes(x = Eslora)) +
  geom_histogram(bins = 30, fill = "blue", color = "black", alpha = 0.7) +
  theme_minimal()

Relación entre Eslora y GT:

Podemos comenzar haciendo un análisis de relación entre el valor de GT y la eslora del buque. Para ello vamos a crear un gráfico de dispersión.

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Tonelaje < 70000) %>%
  ggplot(aes(x = GT, y = Eslora)) +
  geom_point() +
  labs(title = "Relación entre el GT y la eslora del buque",
       x = "GT",
       y = "Eslora (m)") +
  theme_minimal()

Se trata de una relación logarítmica, or lo que podemos aplicar la escala logarítmica al eje Y (Eslora).

puerto_aviles %>%
  filter(
    `Fecha Entrada` >= as.Date("2024-01-01"),
    `Fecha Entrada` <= as.Date("2024-12-31"),
    Tonelaje < 70000
  ) %>%
  filter(!is.na(GT), !is.na(Eslora)) %>%
  ggplot(aes(x = GT, y = Eslora)) +
  geom_point(alpha = 0.6, color = "steelblue") +
  scale_x_log10() +  # Aplica la escala logarítmica al eje Y
  labs(
    title = "Relación entre el GT y la eslora del buque",
    x = "GT",
    y = "Eslora (m) (Escala Logarítmica)"
  ) +
  theme_minimal()

Relación entre GT y Tonelaje:

Debemos de tener en cuenta que hay buques que han traido, dos mercancias, por lo que para hacer este cálculo tendriamos que sumar el tonelaje de las dos mercancias. En uno de los post anteriores habíamos encontrado incluso buques que han traido dos mercancias y que posteriormente cargaron una o incluso dos mercancias.

Vamos a tratar de hacer los claculos de manera simple dividiendolos en dos:

Buques que han descargado y buques que han cargado.

Vamos a agrupar los buques que han descargado dos veces, para sumar los tonelajes de esas dos descargas, de modo que obtenemos el tonelaje total que traía el buque.

Relación entre GT y Tonelaje (para buques que descargaron):

pa_desembarque <- puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Tonelaje < 70000) %>%
  filter(Operación == "Desembarque") 


pa_desembarque_suma <- pa_desembarque %>%
  group_by(across(-c(At, N, Mercancia, Tonelaje))) %>%
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE), .groups = "drop")

Observando los datos, hay una entrada que se repite y que parece que es un error, consta como que la misma mercancia (concentrado de zinc) ha sido descargada en dos muelles distintos del puerto, por lo que eliminamos esa fila:

pa_desembarque_suma <- pa_desembarque_suma %>%
  filter(!(Buque == "FWN RAPIDE" & `Fecha Entrada` == "2024-02-15" & Muelle == "SUR"))

De este modo podemos ver si mejora la relación entre el GT y el tonelaje de la carga.

pa_desembarque_suma <- pa_desembarque_suma %>%
  mutate(Fila = row_number()) 
  


pa_desembarque_suma %>%
  ggplot(aes(x = GT, y = Tonelaje)) +
  geom_point() +
  geom_text(aes(label = Fila), vjust = -0.5, size = 3) +
  labs(title = "Relación entre GT y Tonelaje (con número de fila)",
       x = "GT",
       y = "Tonelaje (T)") +
  theme_minimal()

La gráfica muestra que muchos barcos con un valor alto de GT venían por las razones que fuese con poca carga, por lo que esta no es una manera correcta de ver la relación entre el tonelaje de carga y el GT. Solo en el caso de que los buques viniesen con valores de carga cercanos a su límite veriamos como la relación entre el tonelaje de carga y el GT mejoraría.

Relación entre GT y Tonelaje (para buques que cargaron):

Podemos realizar el mismo análisis para los buques que han embarcado mercancia, teniendo en cuenta también los casos de los buques que han cargado dos mercancias, para hacer en ese caso la suma de los tonelajes de las dos mercancias.

pa_embarque <- puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Tonelaje < 70000) %>%
  filter(Operación == "Embarque")

Hay 535 buques, por lo que vamos a ver los que pudiesen haber cargado dos o más mercancias:

pa_embarque_suma <- pa_embarque %>%
  group_by(across(-c(At, N, Mercancia, Tonelaje))) %>%
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE), .groups = "drop")

Al agrupar se queda en 521 registros. Veamos si en el caso de los embarques se ajustan más los valores de GT con los de Tonelaje:

pa_embarque_suma <- pa_embarque_suma %>%
  mutate(Fila = row_number())
  


pa_embarque_suma %>%
  ggplot(aes(x = GT, y = Tonelaje)) +
  geom_point() +
  geom_text(aes(label = Fila), vjust = -0.5, size = 3) +
  labs(title = "Relación entre GT y Tonelaje (con número de fila)",
       x = "GT",
       y = "Tonelaje (T)") +
  theme_minimal()

Ocurre algo similar y vemos como en el caso de un buque (posición 82) de 37000 GT cargó 6000 T de brea en sacos. No obstante vemos como en estas gráficas se ve como muchos de los buques van con mucha carga pero aparentemente ninguno excede un cierto límite de carga, por lo que no parece que haya un problema de sobrecarga en los buques.

Relación entre GT y Tonelaje (para buques que han hecho transbordo):

Hay otro tipo de operación que es la de Transbordo, y podemos comprobar la relación entre GT y tonelaje para este tipo de operación.

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Tonelaje < 70000) %>%
  filter(Operación == "Trasbordo") %>%
  ggplot(aes(x = GT, y = Tonelaje)) +
  geom_point(alpha = 0.6, color = "steelblue") +
  labs(title = "Relación entre GT y Tonelaje (Transbordo)",
       x = "GT",
       y = "Tonelaje (T)") +
  theme_minimal()

En el caso de los transbordos, hay menos operaciones, pero se observa la mayor relación entre GT y el Tonelaje, ya que los buques parecen ir con valores de carga más acordes a su valor de GT.

Mayor buque entrado en 2024

José Ramón Cuesta — Tue, 01 Apr 2025 22:00:00 GMT

Una de las preguntas que nos podemos hacer es: ¿Cual ha sido el mayor buque que ha entrado en la ria de Avilés en el 2024?. Para responder a esta pregunta vamos a hacer antes una serie de observaciones. Antes de todo cargamos los datos y los paquetes que necesitamos:

load("C:/BLOG/Workspaces/Puerto_Aviles/post2.RData")
library(tidyverse)

Comprobemos primero con un histograma la distribución de las esloras de los buques que han entrado en la ria de Avilés en 2024. Antes de hacerlo he observado que una de las variables de los datos del puerto de Avilés indica si el buque ha realizado una o varias operaciones durante el tiempo que ha estado en el puerto, por lo que se genera en el caso de que un buque haya traido dos mercancias dos registros de entrada al puerto, cuando en realidad el buque ha entrada una única vez, por lo que vamos registrar una única entrada. Veamos primero que valores tiene la variable “N” que indica el número de operaciones que ha realizado el buque

puerto_aviles %>% 
  count(N)

# A tibble: 4 × 2
      N     n
   
1     1   917
2     2    51
3     3     9
4     4     4

Como vemos la gran mayoría de barcos embarcan o desembarcan una única mercancia, pero hay casos en que han desembarcado dos y posteriormente han embarcado otras dos (por supuesto los tonelajes de las mercancias son distintos). Por tanto debemos quitar algunas de las variables para que tengamos registro único de un barco, aunque este haya venido para distintas operaciones y de ese modo no desvirtuar el histograma.

duplicados <- puerto_aviles %>%
  select(-N, -Mercancia, -Tonelaje) %>%    
  duplicated()             

# Filtrar filas duplicadas
puerto_aviles[duplicados, ]

# A tibble: 28 × 27
   Escala     At `Fecha Entrada` `Fecha Salida` Buque Pais_orig Origen orig_ylat
                                      
 1 2024/3      1 2024-01-03      2024-01-07     GUNE… ITALIA    PORTO…      39.2
 2 2024/33     1 2024-01-21      2024-01-24     NARC… POLONIA   SZCZE…      53.4
 3 2024/66     1 2024-02-05      2024-02-06     NARC… POLONIA   SZCZE…      53.4
 4 2024/1…     1 2024-03-03      2024-03-05     SIDE… FRANCIA   DUNKE…      51.0
 5 2024/1…     1 2024-03-19      2024-03-20     NARC… FRANCIA   DUNKE…      51.0
 6 2024/2…     1 2024-03-25      2024-03-31     MIKE… SUDAFRICA CAPE …     -33.9
 7 2024/2…     1 2024-04-04      2024-04-04     WILS… ESPAÑA    SANTA…      43.5
 8 2024/4…     1 2024-04-21      2024-04-23     NARC… FRANCIA   DUNKE…      51.0
 9 2024/4…     1 2024-04-21      2024-04-23     NARC… FRANCIA   DUNKE…      51.0
10 2024/6…     1 2024-05-24      2024-05-25     COVA… POLONIA   SZCZE…      53.4
# ℹ 18 more rows
# ℹ 19 more variables: orig_xlong , Pais_dest , Destino ,
#   dest_ylat , dest_xlong , Calado , Eslora ,
#   Consignatario , Muelle , N , Operación ,
#   Tonelaje , Mercancia , Estibador , IMO , GT ,
#   CallSign , Bandera , `Tipo Buque`

Vamos a seleccionar por ejemplo las entradas del buque NARCEA, de fecha 2024-04-21

puerto_aviles %>% 
  select(Buque, `Fecha Entrada`, Operación, Mercancia, N) %>%
  filter(Buque == "NARCEA") %>%
  filter(`Fecha Entrada` == "2024-04-21")

# A tibble: 4 × 5
  Buque  `Fecha Entrada` Operación   Mercancia                      N
                                           
1 NARCEA 2024-04-21      Desembarque ALQUITRAN                      1
2 NARCEA 2024-04-21      Desembarque CARBON BLACK FEEDSTOCK OIL     2
3 NARCEA 2024-04-21      Embarque    WASH OIL                       3
4 NARCEA 2024-04-21      Embarque    ANTRACENO                      4

Como podemos ver el buque realizó dos operaciones de desembarque de dos mercancias distintas y cargó posteriormente otras dos mercancias.

Por tanto para el histograma, podemos seleccionar la primera operación de cada buque, para ello vamos a ordenar los datos por fecha de entrada y seleccionar los valores de N = 1.

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(N == 1) %>%
  ggplot(aes(Eslora)) +
  geom_histogram(binwidth = 2)

con lo que podemos visualizar de manera rápida la distribución de las esloras de los buques que han entrado en la ria de Avilés en el 2024.

Podemos listar los buques por su eslora de mayor a menor para ver cual ha sido el mayor buque que ha entrado en la ria de Avilés en el 2024.

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  select(Buque, `Fecha Entrada`, Eslora,  Operación, Mercancia, N) %>%
  arrange(desc(Eslora)) %>%
  head(10)

# A tibble: 10 × 6
   Buque               `Fecha Entrada` Eslora Operación   Mercancia            N
                                                 
 1 KLARISSA OLDENDORFF 2024-08-20        229  Desembarque COAL                 1
 2 KRISTIAN OLDENDORFF 2024-12-27        229  Desembarque COAL                 1
 3 KEY HUNTER          2024-10-30        229. Desembarque CONCENTADOS DE …     1
 4 ATROTOS HERACLES    2024-11-23        229. Desembarque CONCENTADOS DE …     1
 5 KIRA OLDENDORFF     2024-02-17        228. Desembarque COAL                 1
 6 FEI JING            2024-09-07        225  Desembarque COAL                 1
 7 KEY FRONTIER        2024-09-18        225. Desembarque CONCENTADOS DE …     1
 8 STAR KINN           2024-12-10        209. Embarque    BREA                 1
 9 STAR MISTRAL        2024-09-05        200. Desembarque CHAPA                1
10 AMIS HERO           2024-03-03        200. Desembarque CONCENTADOS DE …     1

En este listado de los 10 que han entrado con mayor eslora, podemos ver que los cinco primeros tienen un valor similar y como estos grandes barcos traen principalmente carbón (coal).

Guardamos los datos de este post para usar en el siguiente:

save.image("C:/BLOG/Workspaces/Puerto_Aviles/post3.RData")

Análisis de los embarques de bobinas de acero en 2024

José Ramón Cuesta — Fri, 28 Mar 2025 23:00:00 GMT

Empezemos por cargar los datos que guardamos en el post anterior, así como los paquetes que vamos a usar:

load("C:/BLOG/Workspaces/Puerto_Aviles/post1.RData")
library(tidyverse)
library(maps)

Como hemos visto las bobinas de acero es la mercancia que más vienen a cargar los buques al puerto de Avilés. Vamos a seguir desarrollando graficos que muestren toda la información posible sobre el destino de las bobinas de acero que se cargan en el puerto de Avilés.

Podemos empezar conociendo los paises de destino de las bobinas de acero:

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Embarque") %>% 
  filter(Pais_dest != "NA") %>%  # Excluir NA
  filter(Mercancia == "BOBINAS DE ACERO") %>%
  count(Pais_dest, sort = TRUE) %>%   # Contar y ordenar por frecuencia
  slice_max(n, n = 10)

# A tibble: 9 × 2
  Pais_dest          n
            
1 ITALIA            47
2 ESPAÑA            20
3 GRECIA            12
4 BELGICA           10
5 PORTUGAL           8
6 EGIPTO             3
7 TURQUÍA            2
8 ESTADOS UNIDOS     1
9 MARRUECOS          1

El país a donde han ido más buques con bobinas de acero es Italia. Podemos visualizar en un gráfico esta información indicando además las toneladas totales que se han enviado.

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Embarque") %>% 
  filter(!is.na(Pais_dest)) %>%  # Excluir NA correctamente
  filter(Mercancia == "BOBINAS DE ACERO") %>%
  count(Pais_dest, sort = TRUE) %>%  # Contar y ordenar por frecuencia
  ggplot(aes(x = reorder(Pais_dest, n), y = n)) +  # Ordenar por frecuencia
  geom_bar(stat = "identity", fill = "steelblue", color = "black") +
  coord_flip() +
  labs(
    x = "Destino embarques bobinas 2024",
    y = "Nº embarques",
    title = "Embarques de Bobinas de Acero por País en 2024"
  ) +
  theme_minimal()  # Tema limpio y profesional

Podemos añadir en las barras las toneladas totales de los envíos de bobinas de acero a cada paìs:

library(dplyr)
library(ggplot2)
library(forcats)

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Embarque") %>% 
  filter(!is.na(Pais_dest)) %>%  
  filter(Mercancia == "BOBINAS DE ACERO") %>%
  group_by(Pais_dest) %>%
  summarise(
    total_envios = n(), 
    total_toneladas = sum(Tonelaje, na.rm = TRUE)  # Sumar toneladas
  ) %>%
  ggplot(aes(x = reorder(Pais_dest, total_envios), y = total_envios)) +
  scale_y_continuous(expand = expansion(mult = c(0, 0.2))) +
  geom_bar(stat = "identity", fill = "steelblue", color = "black") +
  geom_text(aes(label = paste0(total_toneladas, " T")), hjust = -0.2, size = 4) +  # Etiquetas con toneladas
  coord_flip() +
  labs(
    x = "Destino embarques bobinas 2024",
    y = "Nº embarques",
    title = "Embarques de Bobinas de Acero por País en 2024",
    caption = "Las etiquetas muestran el total de toneladas enviadas"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5))  # Centrar título

Ahora se comprueba claramente que hacia Italia se envía mas del doble de tonelaje que internamente en España.

Veamos ahora si podemos visualizar de algún modo la periocidad de los envíos de bobinas de acero hacia Italia:

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Embarque") %>% 
  filter(Pais_dest == "ITALIA") %>% 
  filter(Mercancia == "BOBINAS DE ACERO") %>%
  ggplot(aes(x = `Fecha Entrada`, y = Tonelaje)) +
  geom_col() +
  labs(title = "Embarques de Bobinas de Acero para Italia en 2024")

Se comprueba que los embarques se realiaron principalmente en el segundo semestre del año.

A que ciudades de Italia se enviaron las bobinas de acero:

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Embarque") %>% 
  filter(Pais_dest == "ITALIA") %>% 
  filter(Mercancia == "BOBINAS DE ACERO") %>%
  group_by(Destino) %>%
  summarise(Tonelaje = sum(Tonelaje, na.rm = TRUE)) %>%  # Sumar toneladas por destino
  ggplot(aes(x = reorder(Destino, Tonelaje), y = Tonelaje)) +
  geom_col(fill = "steelblue", color = "black") +
  geom_text(aes(label = round(Tonelaje, 1)), hjust = -0.2, size = 4) + # Etiquetas en las barras
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.2))) + # Más margen a la derecha
  labs(
    x = "Destino en Italia",
    y = "Toneladas embarcadas",
    title = "Embarques de Bobinas de Acero a Italia (2024)",
    caption = "Datos de Puerto Avilés"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5))  # Centrar título

Para terminar el post, podemos ver en un mapa la situación de estos cinco lugares en Italia.

puerto_aviles %>% 
  filter(Operación == "Embarque") %>% 
  filter(Mercancia == "BOBINAS DE ACERO") %>% 
  filter(Pais_dest == "ITALIA") %>%
  ggplot(aes(dest_xlong, dest_ylat)) +
  borders("world", regions = "Italy", fill = "lightgray", colour = "red") +  # Solo Italia
  geom_point(color = "blue", size = 2) +  # Puntos de destino
  geom_text(aes(label = Destino), color = "black", size = 1.5, vjust = 1) +  # Añadir nombres de destinos
  coord_quickmap() +  # Mapa rápido
  labs(
    title = "Destinos Bobinas de Acero en Italia 2024", 
    x = "Longitud", 
    y = "Latitud",
    caption = "Destinos de los embarques de bobinas de acero en Italia durante 2024"
  ) +
  theme_void()  # Elimina los ejes y fondo

Guardamos los datos de este post para usar en el siguiente:

save.image("C:/BLOG/Workspaces/Puerto_Aviles/post2.RData")

Preparando los datos

José Ramón Cuesta — Wed, 19 Mar 2025 23:00:00 GMT

Cargamos los paquetes que vamos a usar en nuestro documento:

library(readxl)
library(tidyverse)
library(lubridate)

Leemos la hoja Excel que contiene los datos de los barcos que han pasado por el puerto de Avilés en el año 2024.

url <- "https://github.com/jrcuesta/Puerto-de-Aviles/raw/refs/heads/main/puerto_aviles_16.xls"
temp_file <- tempfile(fileext = ".xls")
download.file(url, temp_file, mode = "wb")
df <- read_excel(temp_file)

puerto_aviles <- df %>%
  mutate(across(c(`Tipo Buque`, Bandera, Mercancia, Estibador, Consignatario, 
                  Muelle, Destino, Origen, Operación, IMO, Pais_dest, Pais_orig), 
                as.factor)) %>%
  mutate(`Fecha Entrada` = ymd(`Fecha Entrada`),
         `Fecha Salida` = ymd(`Fecha Salida`))

Al ir trabajando con los datos, podemos darnos cuenta que hay errores o datos duplicados, por lo que podemos ir editando la tabla puerto_aviles para corregirlos. En el caso de una de las mercancias, la tenemos don dos nombres: ROCK PHOSPHATE y FOSFATO DE ROCA, por lo que podemos cambiar uno de los nombres para que no haya confusión. Vamos a poner en todos los casos “ROCK PHOSPHATE”.

library(stringr)
puerto_aviles <- puerto_aviles %>%
  mutate(Mercancia = str_replace_all(Mercancia,                                           regex("FOSFATO DE ROCA", ignore_case = TRUE), 
                                     "ROCK PHOSPHATE"))

Una e las preguntas que nos podemos hacer es la de a que destinos se han enviado mercancias desde el puerto de Avilés con más frecuencia en el año 2024.

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Embarque") %>% 
  filter(Pais_dest != "NA") %>%  # Excluir NA
  #slice_max(n, n = 20) %>%  # Seleccionar los 20 destinos con más embarques
  count(Pais_dest, sort = TRUE) %>%   # Contar y ordenar por frecuencia
  slice_max(n, n = 20)

# A tibble: 20 × 2
   Pais_dest          n
             
 1 ESPAÑA            66
 2 ITALIA            64
 3 PAISES BAJOS      51
 4 FRANCIA           42
 5 BELGICA           39
 6 ALEMANIA          31
 7 SUECIA            29
 8 TURQUÍA           22
 9 DINAMARCA         20
10 INGLATERRA        19
11 PORTUGAL          19
12 FINLANDIA         15
13 GRECIA            14
14 POLONIA           12
15 ESTADOS UNIDOS    11
16 MARRUECOS         11
17 NORUEGA            9
18 BRASIL             7
19 ESCOCIA            7
20 GALES              6

En la lista vemos que principalmente los embarques eran de tipo domestico, destinadas a puertos españoles, pero existe mucho tráfico marítimo a puertos europeos.

Podemos visualizarlo de manera gráfica

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Embarque") %>% 
  filter(Pais_dest != "NA") %>%  # Excluir NA
  count(Pais_dest, sort = TRUE) %>%  # Contar y ordenar por frecuencia
  slice_max(n, n = 20) %>%  # Seleccionar los 20 destinos con más embarques
  ggplot(aes(x = fct_reorder(Pais_dest, n), y = n)) +
  geom_bar(stat = "identity", fill = "steelblue", color = "black") +
  coord_flip() +
  labs(
    x = "Destino embarques 2024",
    y = "Número de embarques",
    title = "Top 20 destinos de embarque en 2024"
  ) +
  theme_minimal()

Podemos preguntarnos que mercancia se cargan hacia estos paises, tratando de verlo de manera gráfica. El problema es que los gráficos quedan muy saturados si mostramos todas las mercancias que se han enviado a cada país, por lo que se mostraran las mercancias que más veces se han embarcado.

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Embarque") %>% 
  filter(Pais_dest != "NA") %>%  # Excluir NA
  count(Pais_dest, Mercancia, sort = TRUE) %>%  
  slice_max(n, n = 20) %>%  
  ggplot(aes(x = fct_reorder(Pais_dest, n), y = n, fill = Mercancia))+
  geom_bar(stat = "identity", color = "black") +  
  geom_text(aes(label = n), position = position_stack(vjust = 0.5), size = 3) +
  coord_flip() +
  labs(
    x = "Destino",
    y = "Nº embarques",
    title = "Principales destinos de embarque en 2024"
  ) +
  theme_minimal() +
  theme(legend.position = "bottom")  # 🔹 Se muestra la leyenda en lugar de ocultarla

Como vemos para Italia se embarcó principalmente bobinas de acero y arcilla, pero ¿a que ciudades y que mercancia se han enviado?

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Embarque") %>% 
  filter(Pais_dest == "ITALIA") %>% 
  count(Destino,Mercancia, sort = TRUE)

# A tibble: 11 × 3
   Destino                  Mercancia                  n
                                         
 1 LA SPEZIA                BOBINAS DE ACERO          24
 2 RAVENNA                  BOBINAS DE ACERO          15
 3 RAVENNA                  ARCILLA                    7
 4 SALERNO                  BOBINAS DE ACERO           4
 5 GENOA                    LINGOTES DE ZINC           3
 6 MARINA DI CARRARA        BAUXITA                    3
 7 SAVONA                   BOBINAS DE ACERO           3
 8 LA SPEZIA                PRODUCTOS SIDERURGICOS     2
 9 GENOA                    OXIDOS EN SACOS            1
10 MARINA DI CARRARA        BOBINAS DE ACERO           1
11 PORTO VESME (PORTOSCURO) ACIDO SULFURICO            1

De este modo podemos comprobar todos los envíos de mercancias a Italia en el año 2024.

Por otra parte el puerto hace una gran parte de loos embarques para España, pero ¿a que ciudades y que mercancia se han enviado?

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Embarque") %>% 
  filter(Pais_dest == "ESPAÑA") %>% 
  count(Destino, Mercancia, sort = TRUE)

# A tibble: 24 × 3
   Destino            Mercancia            n
                             
 1 SAGUNTO            BOBINAS DE ACERO    12
 2 FERROL             PIEZAS               9
 3 CASTELLON          ARCILLA              8
 4 TARRAGONA          ACIDO SULFURICO      6
 5 CASTELLON          ACIDO SULFURICO      4
 6 BILBAO             WASH OIL             3
 7 PASAJES            BOBINAS DE ACERO     3
 8 BILBAO             BOBINAS DE ACERO     2
 9 CEUTA              BOBINAS DE ACERO     2
10 MARIN - PONTEVEDRA EOLICOS              2
# ℹ 14 more rows

Han sido 16 los destinos en España, estando a la cabeza Castellón, Sagunto y Ferrol. ¿Qué mercancias se han enviado a estos destinos?

puerto_aviles %>% 
  filter(`Fecha Entrada` >= "2024-01-01" & `Fecha Entrada` <= "2024-12-31") %>%
  filter(Operación == "Embarque") %>% 
  filter(Destino %in% c("CASTELLON", "SAGUNTO", "FERROL")) %>% 
  count(Destino, Mercancia, sort = TRUE)

# A tibble: 6 × 3
  Destino   Mercancia            n
                   
1 SAGUNTO   BOBINAS DE ACERO    12
2 FERROL    PIEZAS               9
3 CASTELLON ARCILLA              8
4 CASTELLON ACIDO SULFURICO      4
5 FERROL    CILINDROS            1
6 FERROL    ESPATOFLUOR          1

Guardamos los datos para usarlos en el siguiente post.

# Guardar como archivo RData
save(puerto_aviles, file = "puerto_aviles.RData")
save.image("C:/BLOG/Workspaces/Puerto_Aviles/post1.RData")