Desembarque concentrados de Zinc

En el anterior post hemos visto que en el año 2024, los buques que vinieron a descargar concentrados de zinc fueron los que tuvieron una media mayor de días de estamcia en el puerto, por lo que vamos a centrarnos en analizar los datos de dichos buques

Author

José Ramón Cuesta

Published

May 25, 2025

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
   <chr>   <dbl> <date>          <date>         <chr> <chr>     <fct>      <dbl>
 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 <dbl>, Pais_dest <fct>, Destino <fct>,
#   dest_ylat <dbl>, dest_xlong <dbl>, Calado <dbl>, Eslora <dbl>,
#   Consignatario <fct>, Muelle <fct>, N <dbl>, Operación <fct>,
#   Tonelaje <dbl>, Mercancia <chr>, Estibador <fct>, IMO <fct>, GT <dbl>,
#   CallSign <chr>, Bandera <fct>, `Tipo Buque` <fct>, Pais_origen <fct>

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
  <fct>       <int>
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
   <chr>   <dbl> <date>          <date>         <chr> <chr>     <fct>      <dbl>
 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 <dbl>, Pais_dest <fct>, Destino <fct>,
#   dest_ylat <dbl>, dest_xlong <dbl>, Calado <dbl>, Eslora <dbl>,
#   Consignatario <fct>, Muelle <fct>, N <dbl>, Operación <fct>,
#   Tonelaje <dbl>, Mercancia <chr>, Estibador <fct>, IMO <fct>, GT <dbl>,
#   CallSign <chr>, Bandera <fct>, `Tipo Buque` <fct>, Pais_origen <fct>

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
   <chr>          <int>
 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
     <dbl>
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
     <dbl>
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
  <fct>                  <fct>       <int>
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.