Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
109
Judith Cristina Pesantez Rodríguez
jcpesantezr@ucacue.edu.ec
Universidad Católica de Cuenca
Romel Patricio Mena Trujillo
romel.mena@ucacue.edu.ec
Universidad Católica de Cuenca
Jimy Rodrigo Gualán Oviedo
jgualanov@ucacue.edu.ec
Universidad Católica de Cuenca
Paola Alexandra Carangui Velecela
paola.pacv@gmail.com
Universidad Católica de Cuenca
Optimización de la productividad
agrícola ecuatoriana: Un análisis de
conglomerados basado en K-Means
Optimization of ecuadorian agricultural productivity: A
cluster analysis based on K-Means
Artículo original. Revista Killkana Sociales. Vol. 9, No. 1, pp. 109-124, enero-abril, 2025.
p-ISSN 2528-8008 / e-ISSN 2588-087X. Universidad Católica de Cuenca
Recepción: 15 de julio de 2024 | Publicación: 30 de enero de 2025
DOI: https://doi.org/10.26871/killkanasocial.v9i1.1534
Resumen
La investigación realiza un análisis de la Optimización de la Productividad Agrícola
Ecuatoriana mediante Conglomerados basado en K-Means, con el objetivo de identificar
patrones y agrupamientos en los datos de productividad agrícola, prestando especial
atención a las variables de cantidad cosechada y cantidad vendida. Estas variables son
medidas clave para evaluar la producción y comercialización de los productos agrícolas.
Para llevar a cabo el análisis de conglomerados de la productividad agrícola en Ecuador,
se utilizaron los datos de la Encuesta de Superficie y Producción Agropecuaria Continua
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
110
Jimy Rodrigo Gualán Oviedo, Paola Alexandra Carangui Velecela, Judith Cristina Pesantez Rodríguez,
Romel Patricio Mena Trujillo
(ESPAC) del Instituto Nacional de Estadística y Censos (INEC), correspondientes al año
2022, enfocados específicamente en cultivos permanentes. Los resultados del estudio
indican que existe una marcada diferencia en las variables de cantidad cosechada y can-
tidad vendida en el conglomerado 3, donde predominan productos específicos como el
banano y la guanábana. Estos productos, que son predominantes en el conglomerado
3, demuestran una mayor eficiencia en la producción, logrando resultados significativa-
mente superiores con el mismo o menor uso de recursos en comparación con los de-
más conglomerados. Este hallazgo sugiere que el banano y la guanábana tienen un alto
potencial para mejorar la productividad agrícola del país. Además, el análisis revela que
la optimización de la producción y comercialización en estos cultivos puede ser clave
para el desarrollo agrícola sostenible en Ecuador. En conclusión, el uso del análisis de
conglomerados basado en K-Means ha permitido identificar áreas de alta eficiencia en
la producción agrícola ecuatoriana, destacando la importancia de estrategias específicas
para los cultivos de banano y guanábana. Estos resultados proporcionan una base sólida
para la formulación de políticas y la implementación de prácticas agrícolas mejoradas,
que podrían incrementar significativamente la productividad y sostenibilidad del sector
agrícola en Ecuador.
Palabras claves: clusters agrícolas, economía agrícola, eficiencia colectiva.
Abstract
The research conducts an analysis of the Optimization of Ecuadorian Agricultural
Productivity through Clustering based on K-Means, with the objective of identifying
patterns and groupings in agricultural productivity data, paying special attention to the
variables of harvested quantity and sold quantity. These variables are key measures to
evaluate the production and commercialization of agricultural products. To carry out
the cluster analysis of agricultural productivity in Ecuador, data from the Continuous
Area and Agricultural Production Survey (ESPAC) of the National Institute of Statistics
and Censuses (INEC), corresponding to the year 2022, were used, specifically focusing
on permanent crops.The study results indicate that there is a marked dierence in the
variables of harvested quantity and sold quantity in cluster 3, where specific products
such as bananas and soursop predominate. These products, which are predominant in
cluster 3, demonstrate greater eiciency in production, achieving significantly superior
results with the same or fewer resources compared to the other clusters. This finding
suggests that bananas and soursop have high potential for improving the country’s
agricultural productivity. Furthermore, the analysis reveals that optimizing production and
commercialization in these crops could be key to sustainable agricultural development in
Ecuador. In conclusion, the use of clustering analysis based on K-Means has allowed the
identification of highly eicient areas in Ecuadorian agricultural production, highlighting
the importance of specific strategies for banana and soursop crops. These results provide
a solid basis for the formulation of policies and the implementation of improved agricultural
practices, which could significantly increase the productivity and sustainability of the
agricultural sector in Ecuador.
Key words: Agricultural Clusters, Agricultural Economy, Collective Eiciency.
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
111
Optimización de la productividad agrícola ecuatoriana: Un análisis de conglomerados basado en K-Means
Introducción
Ecuador cuenta con una gran diversidad climática y ecosistemas favorables para
la agricultura, generando ventaja comparativa en los cultivos y productos agríco-
las, a pesar de ello la producción de alimentos agrícolas es únicamente para el
consumo local, eventualmente se destina para la exportación. Durante el periodo
2017-2022, el sector agrícola, aporto el 8% a la producción nacional, constituyén-
dose en un sector de los que más aporta a esta producción y también a la gene-
ración de empleo nacional.(Peñaherrera & Segovia, 2023). Es fundamental que el
país optimice sus recursos naturales y agrícolas para mejorar la producción y se
proyecte como potencia agrícola en la región. (Bermúdez et al., 2022). Con base
a lo expuesto se realizó estudios estadísticos que permitan entender las caracte-
rísticas y factores que influyen en la producción agrícola ecuatoriana a través del
análisis de conglomerados basado en el algoritmo K-Means, herramienta eficaz
para identificar patrones y agrupamientos en los datos, lo que a su vez facilitará la
toma de decisiones informadas y estratégicas del sector en análisis.
Cluster
Los clusters se definen como la “concentración progresiva de empresas de la
misma industria, que, con el afán de un crecimiento sostenido de ésta, mantie-
nen relaciones de cooperación con entidades involucradas como Universidades,
Gobierno, Centros de Investigación, Instituciones Financieras, Proveedores, etc.”
(Vera Garnica, 2009).
Los clusters son concentraciones de organizaciones relacionadas entre sí, situa-
das en una zona territorial delimitada que agrupan a: productores, empresas e
instituciones afines a un sector de la economía, buscan beneficios propios sin
dejar de cooperar entre sí para generar un sistema productivo especializado de
mayor eficiencia y especialización, contribuyen al desarrollo regional a través de
la eficiencia colectiva (García et al., 2019). Esta tendencia de concentración de-
liberada de empresas se fortaleció en la década de los ochenta, la combinación
local de capacidades, tecnología, instalaciones y proveedores se instauró en la
clave para alcanzar competitividad en el mercado.
Los cluster tiene ventajas diversas, las principales a destacar son: reducción de
costos de producción y comercialización, estandarización de productos/servi-
cios, mayor acceso a financiamiento y capacitación, especialización y división de
trabajo, productividad, aprendizaje productivo, tecnológico y comercial, desarro-
llo de la industria y economía local, también enfrentan limitaciones relacionadas
con culturas organizacionales de no cooperación, conducta competitiva de tipo
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
112
Jimy Rodrigo Gualán Oviedo, Paola Alexandra Carangui Velecela, Judith Cristina Pesantez Rodríguez,
Romel Patricio Mena Trujillo
predatorio, entre otros. (Morales et. al, 2014). Los cluster son, entonces, una vía
para alcanzar eficiencia colectiva.
En América Latina, Schejtman & Berndegue (2004) indican la existencia de tres
tipologías de cluster: a) Cluster de sobrevivencia, conformado por micro y peque-
ñas empresas productoras de bienes de baja calidad para consumo local, en gran
medida son organizaciones informales de baja productividad y salarios deficien-
tes; b) Cluster de medianas y grandes empresas, producen bienes de consumo
masivo para mercados internos, y c) Cluster en torno a empresas transnacionales,
poseen complejidad tecnológica.
Cluster agrícola
Tapia et al. (2015) refiere a los cluster de base agrícola como la “concentración
de productores, agroindustria e instituciones soporte que participan en el mis-
mo subsector agrícola o agroindustrial para construir redes de valor y enfrentar
desafíos comunes” (p. 116). Los estudios de cluster agrícolas, varían de acuerdo
a la dimensión o alcance, los microcluster estudian cómo las agrupaciones em-
presariales alcanzan ventaja competitiva y los estudios de mes o cluster realizan
análisis sectoriales, miden alianzas estratégicas, identifican potencialidades entre
otros (Tapia et al., 2015).
Economía agrícola
La economía agrícola, denominada también economía agraria tiene como fina-
lidad el estudio de los sectores agrícolas-pecuarios y su relación con el sistema
económico, esta disciplina relaciona la teoría económica con actividades agrí-
colas, agropecuarias, agroindustriales y aspectos ambientales centrándose, ade-
más, en los sectores primarios y rurales de un país.
Arias (2022) define a la economía agrícola como parte de la economía general
que estudia los problemas económicos de la agricultura y actividades afines. Es
sólo una rama de la economía aplicada cuya existencia es producto de la espe-
cialización impuesta por el progreso y la complejidad creciente de la ciencia y de
la tecnología. (Vivas, 2010, p. 33)
El sector agrícola se relaciona con fábricas, comercio, finanzas, ambiente, pro-
veedores, etc. siendo un factor dinámico en la economía, en Ecuador los bienes/
servicios se producen para el consumo local y en escasa medida para el mercado
internacional, a pesar de ello es un sector que contribuye a la creación de fuentes
de empleo, al mantener participación directa en el crecimiento del PIB debe tec-
nificarse para presentar mayor aporte al PIB (Escalante etal., 2021).
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
113
Optimización de la productividad agrícola ecuatoriana: Un análisis de conglomerados basado en K-Means
Eficiencia Colectiva
En los años noventa se recalca la eficiencia colectiva como una ventaja compe-
titiva que resulta de las alianzas y accionar de economías externas en conjunto,
así las pequeñas y medianas empresas, en su mayoría, compartirían recursos y
realizarían actividades en conjunto derivando en crecimiento y competitividad de
las empresas involucradas (Obeso, 2014).
La generación de alianzas se forma a través de procesos de aprendizaje colectivo
basados en la confianza de los actores, interacción social, semejanzas culturales,
normas y sanciones, en ocasiones estos procesos, de ensayo error empresarial,
se fortalecen en otras se desvanecen, a pesar de que la eficiencia colectiva tex-
tualmente se divise “como una simple fórmula:externalidades + acción conjunta=
eficiencia colectiva” (Obeso, 2014, p. 5), la interacción genera retos para las orga-
nizaciones participantes.
La especialización sectorial (cluster) crea externalidades involuntarias, las alian-
zas, para esta aglomeración, son coordinadas a través de asociaciones y coope-
raciones voluntarias, por ello para que exista eficiencia colectiva debe coexistir
externalidades y acción conjunta en tejido productivo (Stumpo, et al., 2004).
Algoritmo K-Means
El algoritmo K-Means es ampliamente utilizado en el análisis de conglomera-
dos para fraccionar un conjunto de datos en K grupos predefinidos. Se asigna
cada observación al grupo más cercano en términos de distancia, minimizan-
do la suma de las distancias al cuadrado dentro de cada grupo. Para optimizar
el número de clústeres y evaluar la calidad de los resultados, se utilizan técni-
cas como K-Means++, el método de silueta, el método del codo, y el Análisis de
Componentes Principales (PCA).
K-Means++ busca inicializar los centroides de manera más eficiente. En lugar de
seleccionar aleatoriamente los centroides iniciales, K-Means++ utiliza una estra-
tegia que selecciona los centroides iniciales de forma que estén más alejados en-
tre sí. Esto ayuda a obtener una mejor convergencia y evita resultados subóptimos.
El método de silueta es una técnica para evaluar la calidad de los clusters obteni-
dos con el algoritmo K-Means. Calcula un valor de silueta para cada observación,
que mide la similitud de la observación con su propio cluster en comparación con
otros clusters. Un valor de silueta cercano a 1 indica que la observación está bien
asignada a su cluster, mientras que un valor cercano a -1 indica una asignación
incorrecta.
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
114
Jimy Rodrigo Gualán Oviedo, Paola Alexandra Carangui Velecela, Judith Cristina Pesantez Rodríguez,
Romel Patricio Mena Trujillo
El método del codo es otra técnica para determinar el número óptimo de clusters
en el algoritmo K-Means. Se calcula la suma de los cuadrados de las distancias
dentro de cada cluster para diferentes valores de K. Luego, se traza un gráfico de
la suma de los cuadrados de las distancias en función de K. El punto en el gráfico
donde la mejora en la suma de los cuadrados de las distancias se vuelve menos
significativa se conoce como el “codo”. Este punto indica un equilibrio entre la va-
rianza dentro de los clusters y la separación entre los clusters.
Por último, el Análisis de Componentes Principales (PCA) es un método que se
utiliza para reducir la dimensionalidad de los datos. Este método transforma las
variables originales en un nuevo conjunto de variables, los componentes principa-
les, que son combinaciones lineales de las variables originales, y que capturan la
mayor parte de la variación en los datos. Esto facilita la visualización y la interpre-
tación de los datos, y puede mejorar la eficiencia del algoritmo K-Means al reducir
el número de dimensiones que necesita considerar
Fundamentación metodológica
La investigación realizada es de corte transversal, profundidad correlacional y do-
cumental, para realizar el análisis de conglomerados de la productividad agrícola
en Ecuador, se utilizaron los datos de la Encuesta de Superficie y Producción
Agropecuaria Continua (ESPAC) del Instituto Nacional de Estadística y Censos
(INEC), año 2022, referentes específicamente a cultivos permanentes. Así, de la
base de datos original, que contiene más de 100 columnas, se eligieron las si-
guientes variables para el análisis de la producción agrícola.
Tabla 1
Variables de la investigación
rc_clacul Clave de cultivo_campo
cp_k409ha Superficie plantada_hectáreas
cp_k411ha Superficie cosechada_hectáreas
cp_k416 Cantidad cosechada
cp_k422 Cantidad vendida
cp_prod Producción_toneladas métricas
cp_sriego Superficie con riego
cp_sufertilizantes Superficie con fertilizantes
cp_sufitosanitario Superficie con fitosanitarios
Fuente: Elaboración propia en base a datos del INEC.
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
115
Optimización de la productividad agrícola ecuatoriana: Un análisis de conglomerados basado en K-Means
Seguidamente para encontrar el número óptimo de clusters se realizó el agru-
pamiento mediante el algoritmo k-means, método del codo, esta subdivisión es
ejecutada considerando centroides para medir las distancias entre este y el punto,
los grupos son formados con los puntos cuya distancia con el centroide sea más
corta, creando, así, agrupamientos basados en patrones.(Rabadán et al., 2022).
Resultados
Producción (en toneladas métricas): Es el volumen total de producción agrícola
obtenida en cada cultivo permanente. Además, se consideraron variables rela-
cionadas con el manejo agrícola, como la superficie con riego, la superficie con
fertilizantes y la superficie con fitosanitarios. Estas variables son importantes para
comprender las prácticas agrícolas utilizadas en el cultivo de los productos. El ob-
jetivo principal de este análisis de conglomerados es identificar patrones y agru-
pamientos en los datos de productividad agrícola. Se prestó especial atención a
las variables de cantidad cosechada y cantidad vendida, ya que estas son medidas
clave para evaluar la producción y comercialización de los productos agrícolas. En
el análisis de conglomerados, se agruparon los cultivos permanentes en función
de sus características de producción y comercialización. Esto permitió identificar
grupos similares de cultivos y analizar las diferencias y similitudes entre ellos. Es
importante destacar que este estudio se centra en la productividad agrícola en
Ecuador y tiene como objetivo proporcionar información que pueda ser utilizada
para mejorar las prácticas agrícolas y optimizar la producción en el país.
En el siguiente cuadro se tiene las principales estadísticas de cada una de las
variables.
Tabla 2
Estadísticas de las variables
rc_clacul cp_k409ha cp_k411ha cp_k416 cp_k422
Min. :402.0 Min. : 0.0100 Min. : 0.0100 Min. : 0 Min. : 0
1st Qu.:410.0 1st Qu.: 0.7056 1st Qu.: 0.7056 1st Qu.: 51 1st Qu.: 50
Median :411.0 Median : 3.0000 Median : 3.0000 Median : 250 Median : 250
Mean :426.1 Mean : 46.1191 Mean : 45.7189 Mean : 56104 Mean : 53557
3rd Qu.:444.0 3rd Qu.: 25.0000 3rd Qu.: 25.0000 3rd Qu.: 6000 3rd Qu.: 6000
Max. :499.0 Max. :2000.0000 Max. :1730.0000 Max. :3458079 Max. :3458079
cp_prod cp_sriego
cp_sufertili-
zantes
cp_sufitosani-
tario
Min. : 0.01 Min. : 0.0100 Min. : 0.0100 Min. : 0.0100
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
116
Jimy Rodrigo Gualán Oviedo, Paola Alexandra Carangui Velecela, Judith Cristina Pesantez Rodríguez,
Romel Patricio Mena Trujillo
1st Qu.: 100.00 1st Qu.: 0.7056 1st Qu.: 0.7056 1st Qu.: 0.7056
Median : 204.54 Median : 3.0000 Median : 3.0000 Median : 3.0000
Mean : 1039.14 Mean : 46.1191 Mean : 46.1191 Mean : 46.1191
3rd Qu.: 477.27 3rd Qu.: 25.0000 3rd Qu.: 25.0000 3rd Qu.: 25.0000
Max. :81437.25 Max. :2000.0000 Max. :2000.0000
Max.
:2000.0000
Fuente: Elaboración propia con estadístico R
Gracias al uso del comando summarise en R, se observa una gran cantidad de
datos faltantes en la base de datos. Por ejemplo, la variable cp_riesgo presentaba
102,227 datos faltantes. En este análisis, no se aplicó ninguna técnica para rellenar
los datos faltantes, como el uso de la mediana u otros métodos basados en los
vecinos más cercanos. La razón de esto es que, en la mayoría de las variables, la
media era significativamente mayor que la mediana, lo que indica la presencia de
un sesgo hacia la derecha. Esta característica dificulta la aplicación de técnicas
de imputación.
Además, dada la cantidad considerable de datos faltantes en la base de datos,
predecir estos valores mediante un modelo podría generar datos erróneos y ses-
gar los resultados del análisis. Por lo tanto, se optó por omitir los datos faltantes,
lo que resultó en una base de datos más pequeña, pero con una mayor calidad de
datos.
En el análisis gráfico se encuentra una tabla de correlaciones entre las variables
seleccionadas.
Grafico 1
Correlaciones entre variables
Fuente: Elaboración propia con estadístico R
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
117
Optimización de la productividad agrícola ecuatoriana: Un análisis de conglomerados basado en K-Means
Como se puede observar, existen análisis altamente correlacionados, esto puede
afectar negativamente al algoritmo K-means ya que esencialmente proporcionan
información redundante. Esto puede influir de manera desproporcionada en la
formación de los clusters, lo que podría sesgar los resultados.
Por lo tanto, se utilizará un análisis de la dimensionalidad, como el Análisis de
Componentes Principales (PCA), antes de realizar el análisis de conglomerados.
Tabla 3
Análisis de componentes
Importance of components:
PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 PC9 PC10
Standard deviation
2.5185
12.419 0.98110 0.85598 0.64394 0.05112 0.05018 2.08e-15 1.3e-30 3,36E-43
Proportion of
Variance 0.6343
0.1542 0.09626 0.07327 0.04147 0.00026 0.00025 0.00e+00 0.0e+00 0.000e+00
Cumulative
Proportion 0.6343
0.7885 0.88475 0.95802 0.99949 0.99975 100.000 1.00e+00 1.0e+00 1,00E+03
Fuente: Elaboración propia con estadístico R
Se tiene que las componentes principales PC1 y PC2 explican el 78.85% de la va-
rianza total de los datos, mientras que la PC3 explica solo el 88.475%. Debido a la
mayor facilidad de interpretación y la mayor contribución a la varianza, se optará
por utilizar solo PC1 y PC2 en el análisis subsiguiente.
Ahora que se tiene los datos transformados con los componentes principales, se
aplicará los métodos para determinar el número óptimo de clústeres.
Gráfico 2
Número de clusters
Fuente: Elaboración propia con estadístico R
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
118
Jimy Rodrigo Gualán Oviedo, Paola Alexandra Carangui Velecela, Judith Cristina Pesantez Rodríguez,
Romel Patricio Mena Trujillo
En el método del codo, se puede observar que a partir de 5 clusters las distancias
aumentan, por lo tanto, es un claro indicativo de que 5 es la opción más eficiente.
Por otra parte, también tenemos otro método para seleccionar el número óptimo
de clusters que es la gráfica de silueta. Con este método también se observa que
a partir de 5 clusters es la mejor opción.
Con este método también se observa que a partir de 5 clusters pierde la eficiencia.
En conclusión, ambos métodos nos indicaron que 5 clusters es la mejor opción.
Grafico 3
Número de conglomerados
Fuente: Elaboración propia con estadístico R
Aquí se presentan las gráficas encontradas en el análisis de clusters, con dife-
rentes tipos de imágenes para que se puedan observar cómo están formados los
clusters.
Grafico 4
Análisis de cluster
Fuente: Elaboración propia con estadístico R
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
119
Optimización de la productividad agrícola ecuatoriana: Un análisis de conglomerados basado en K-Means
Finalmente, se realiza una tabla comparativa entre los clusters con cada una de
las variables.
Grafico 5
Análisis de clusters –variables
Fuente: Elaboración propia con estadístico R
El diagrama de caja y bigotes analizado muestra la distribución de la superficie
agrícola en Ecuador, dividida en cinco clusters. El cluster 1 se destaca por su gran
variabilidad y superficies extensas, con medianas superiores a 1000 ha y muchos
valores atípicos. El cluster 2 también es variable, pero con una mediana menor,
alrededor de 500 ha, y menos valores atípicos. El cluster 3 presenta una mediana
similar al cluster 2, pero con menos valores atípicos, indicando mayor homogenei-
dad. Los clusters 4 y 5 tienen medianas cercanas a cero y rangos intercuartílicos
estrechos, lo que señala superficies pequeñas y consistentes. La presencia de
valores atípicos en los clusters 1 y 2 sugiere operaciones agrícolas a gran escala,
posiblemente para exportación o producción masiva, mientras que los otros clus-
ters podrían indicar una agricultura de menor escala, enfocada en el consumo
local o mercados más pequeños.
Grafico 6
Cantidad cosechada por clusters
Fuente: Elaboración propia con estadístico r
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
120
Jimy Rodrigo Gualán Oviedo, Paola Alexandra Carangui Velecela, Judith Cristina Pesantez Rodríguez,
Romel Patricio Mena Trujillo
La gráfica muestra un análisis de la cantidad cosechada en el sector agrícola
ecuatoriano, distribuida en cinco clusters. El cluster 3 destaca con una mediana
que supera los 2 millones de unidades, mostrando gran variabilidad y un valor
atípico que sugiere una producción excepcionalmente alta. El cluster 2 también
tiene variabilidad, con una mediana alrededor de 1 millón de unidades y algunos
valores atípicos. Los clusters 1, 4 y 5, por otro lado, tienen cantidades cosechadas
mucho menores, con poca o ninguna variabilidad y sin valores atípicos notables.
Esto implica que los clusters 3 y 2 podrían representar áreas de cultivo de alto
rendimiento, mientras que los otros clusters parecen estar asociados con cultivos
de menor escala.
Grafico 7
Cantidad producida por clusters
Fuente: Elaboración propia con estadístico R
La gráfica de caja y bigotes muestra la cantidad de producción en toneladas dis-
tribuida por clusters. El cluster 1 tiene un rango intercuartílico amplio con una
mediana cercana a 40,000 toneladas, indicando variabilidad en la producción y
presencia de valores atípicos significativos. El cluster 2 exhibe una mediana mu-
cho más baja y menos variabilidad. Los clusters 3, 4 y 5 tienen medianas y rangos
intercuartílicos reducidos, lo que señala una producción mucho más baja y homo-
génea. En resumen, hay una clara disparidad en la cantidad de producción entre
el cluster 1 y los demás, con el cluster 1 destacando como el más productivo.
En general se puede considerar que:
Cluster 1:
• Superficie Plantada y Cosechada: Se caracteriza por tener la mayor superfi-
cie plantada y cosechada, lo que indica operaciones agrícolas de gran esca-
la. La variabilidad en el tamaño de estas superficies es significativa, lo cual
puede sugerir diversidad en los tipos de cultivos o en las prácticas agrícolas.
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
121
Optimización de la productividad agrícola ecuatoriana: Un análisis de conglomerados basado en K-Means
• Cantidad Producida: Este cluster muestra la mayor cantidad de producción
en toneladas, reflejando probablemente una alta eficiencia o cultivos de alto
rendimiento. El hecho de que también tenga los valores más altos en super-
ficie con riego y en el uso de fitosanitarios y fertilizantes apoya la idea de
que se trata de una agricultura intensiva, posiblemente con una inversión
significativa en tecnología y gestión agrícola.
Cluster 3:
• Superficie Plantada y Cosechada: Aunque menor que el cluster 1, el cluster
3 presenta una superficie plantada y cosechada significativa, lo que sugiere
que también participa en operaciones a gran escala pero con menos varia-
bilidad en la superficie utilizada comparado con el cluster 1.
• Cantidad Cosechada y Vendida: Exhibe volúmenes altos en cosecha y ven-
tas, pero no tan grandes como los del cluster 1. Esto puede indicar que las
operaciones en este cluster son eficientes y orientadas al mercado, aunque
tal vez no al mismo nivel de intensificación que el cluster 1.
En general se obtiene en la siguiente table donde se encuentran qué tipo de culti-
vos que se encuentra en cada cluster.
Tabla 4
Tipos de cultivos por cluster
cluster rc_clacul cluster rc_clacul
3 407 1 419
3 407 1 419
3 407 1 419
3 407 1 419
3 407 1 419
3 407 1 419
3 407 1 419
3 407 1 456
3 407 1 419
3 407 1 419
3 407 1 419
3 407 1 419
3 407 1 419
3 407 1 419
3 407 1 456
3 407 1 419
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
122
Jimy Rodrigo Gualán Oviedo, Paola Alexandra Carangui Velecela, Judith Cristina Pesantez Rodríguez,
Romel Patricio Mena Trujillo
3 434 1 419
1 407
1 456
1 419
1 456
Fuente: Elaboración propia con estadístico R
Como se puede observar en el conglomerado 3, la mayor cantidad de plantas
tiene el código 407, el cual hace referencia al banano, y uno de 434 que es la gua-
nábana. Por otra parte, en el conglomerado 2, tenemos dos que predominan que
son el 419 y 456, que son la caña de azúcar y la palma.
Discusión y recomendaciones
De acuerdo con el análisis realizado, los conglomerados presentan similitudes en
términos de variables como la superficie plantada, la superficie con riego, la super-
ficie cosechada, la superficie tratada con fertilizantes y la superficie aplicada con
fitosanitarios. No obstante, hay una marcada diferencia en las variables de cantidad
cosechada y cantidad vendida en el conglomerado 3, donde predominan productos
específicos como el banano y la guanábana. Estos productos, predominantes en
el conglomerado 3, demuestran una mayor eficiencia en la producción, logrando
resultados significativamente superiores con el mismo o menor uso de recursos
en comparación con los demás conglomerados. Esto sugiere que el sector agríco-
la ecuatoriano debería priorizar el enfoque en este tipo de cultivos más eficientes.
Por otro lado, es necesario realizar un análisis más profundo para determinar si los
productos del conglomerado 1, como la caña de azúcar y palma, están realmente
optimizados. Además, se debe tener en cuenta que la inversión en estos productos,
especialmente en la superficie plantada, puede ser utilizada por otros tipos de pro-
ductos para mejorar la productividad. Es importante mencionar que, aunque no se
realizó un análisis regional específico, se observa que la caña de azúcar y la palma
son productos propios de climas tropicales. También se recomienda estudiar en
mayor detalle el desarrollo del banano en la región amazónica, ya que representa
una oportunidad para expandir el desarrollo agrícola en dicha zona.
Finalmente, aunque se tomó como motivo principal para la distribución de los
conglomerados el tipo de productos, es importante considerar que pueden existir
otras variables que estén influyendo en esta agrupación. Por lo tanto, se reco-
mienda realizar estudios adicionales para analizar si hay más variables relevantes
más allá de las utilizadas en este análisis.
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
123
Optimización de la productividad agrícola ecuatoriana: Un análisis de conglomerados basado en K-Means
Referencias bibliográficas
Arias, E. R. (2022).Economía agrícola. Economipedia. https://economipedia.com/
definiciones/economia-agricola.html
Escalante Pineda, M.E., Urbina Bustos, S.S., Banderas Benítez, V.E., Farinango
Salazar, R.A., Sotomayor Cabrera, K.K. (2021). Análisis de la estructura pro-
ductiva de la economía ecuatoriana: Exportaciones del sector agrícola.
Revista Sociedad & Tecnología,4(3), 380-398
Ministerio de Agricultura y Ganadería (Ed.). (2019). Agricultura, la base
de la economía y la alimentación. https://www.agricultura.gob.ec/
agricultura-la-base-de-la-economia-y-la-alimentacion/
Melendez, J. R. (2023). Economía agroalimentaria circular: tendencias gerenciales
para la sostenibilidad de los sistemas de producción. Revista Venezolana De
Gerencia, 28 (Especial 9), 664-684.
Morales, L. A., Velasco, L., Perez, S. (2014). Estrategias Para La Formación De
“Clusters” Agrícolas En Zonas Rurales. Revista Mexicana de Agronegocios,
35(1), 1004-1011. https://www.redalyc.org/articulo.oa?id=14131676009
Murcla, H. (1997). Fundamentos de economía. https://repositorio.iica.int/bits-
tream/handle/11324/12690/BVE20108483e.pdf?sequence=1&isAllowed=y
Obeso M, (2014). La construcción de eficiencias colectivas en redes de
PyMES, Revue Interventions économiques , 50. http://journals.openedi-
tion.org/interventionseconomiques/2240 ; DOI : https://doi.org/10.4000/
interventionseconomiques.2240
Reinoso, L., Vera, J. A., y Naranjo, W. G. (2022). Condiciones sistémicas para el em-
prendimiento dinámico en el cluster textil-confección en Ibagué-Colombia.
Revista Venezolana de Gerencia, 27 (Especial 7), 492-509. https://doi.
org/10.52080/rvgluz.27.7.32
Schejtman, A. y Berdegué, J. A. (2004). Desarrollo territorial rural. Centro
Latinoamericano para el Desarrollo Rural (RIMISP)-Debates y temas rura-
les No. 1. http://www.rimisp.or/wp-content/ files_ mf/ 13630933 92schejt-
man_yberdegue2004_desarrollo_territorial_rural_5_rimisp_CArdumen.pdf.
Consultado el 22 de marzo de 2024.
Stumpo G. el al. (2004). Pequeñas y medianas empresas y eficiencia colectiva,
Estudio del Caso de América Latina, CEPAL. https://repositorio.cepal.org/
Revista Killkana Sociales
Vol. 9, No. 1 | abril 2025 | ISSN: 2528-8008. ISSN Elect.: 2588-087X
https://doi.org/10.26871/killkanasocial.v9i1.1534
124
Jimy Rodrigo Gualán Oviedo, Paola Alexandra Carangui Velecela, Judith Cristina Pesantez Rodríguez,
Romel Patricio Mena Trujillo
server/api/core/bitstreams/bb9695f6-4086-4fa6-b9eb-228263a36b56/
content
Tapia, B. L., Aramendiz, T. H., Pacheco, Q. J., & Montalvo, P. A. (2015). Clusters
agrícolas: un estado del arte para los estudios de competitividad en el cam-
po. Revista de Ciencias Agrícolas, 32(2), 113-124. https://doi.org/10.22267/
rcia.153202.19
Vera, J. (2009). Cluster del Salmón en Chile: análisis de los factores de competitivi-
dad a escala internacional. Revista Venezolana de Gerencia, 47 (14), 343-370,
Universidad del Zulia Maracaibo, Venezuela. https://www.redalyc.org/articu-
lo.oa?id=29014477003
Vivas, E. (2010). Economía Agraria (Vol. 1). Editronic S.A. https://repositorio.una.
edu.ni/2465/1/ne10v855e.pdf
Bermúdez, B. N., Arboleda, X., & Camino, M. S. (2022). Production and business
profitability in the agricultural sector of Ecuador | Producción y rentabili-
dad empresarial en el sector agrícola del Ecuador. Cepal Review, 2022(137),
133–157.
Peñaherrera, C., & Segovia, V. (2023). ARIMA : UN MODELO PREDICTIVO PARA
LA ESTIMACIÓN DE LA PRODUCCIÓN AGRÍCOLA ECUATORIANA. 19.
Rabadán, P. F., Berumen, S. A., Guiance, L. J., & Hernández, M. C. (2022).
Reconstrucción y consistencia factorial: la regla del codo aplicada al
RMSEA, análisis paralelo y otras pruebas confirmatorias. Revista de Métodos
Cuantitativos Para La Economía y La Empresa, 33, 353–385. https://doi.
org/10.46661/revmetodoscuanteconempresa.5464
Bermúdez, B. N., Arboleda, X., & Camino, M. S. (2022). Production and business
profitability in the agricultural sector of Ecuador | Producción y rentabili-
dad empresarial en el sector agrícola del Ecuador. Cepal Review, 2022(137),
133–157.
Peñaherrera, C., & Segovia, V. (2023). ARIMA : UN MODELO PREDICTIVO PARA
LA ESTIMACIÓN DE LA PRODUCCIÓN AGRÍCOLA ECUATORIANA. 19.
Rabadán, P. F., Berumen, S. A., Guiance, L. J., & Hernández, M. C. (2022).
Reconstrucción y consistencia factorial: la regla del codo aplicada al
RMSEA, análisis paralelo y otras pruebas confirmatorias. Revista de Métodos
Cuantitativos Para La Economía y La Empresa, 33, 353–385. https://doi.
org/10.46661/revmetodoscuanteconempresa.5464
