06-parques-nacionales.Rmd

---
editor_options: 
  markdown: 
    wrap: sentence
---

```{r echo=FALSE}
knitr::opts_chunk$set(echo = FALSE, warning = FALSE, message = FALSE, fig.topcaption=TRUE)

library(gt)
library(tidyverse) 
library(lubridate) 
library(extrafont) 
library(hrbrthemes) 
library(ggtext) 
library(glue)
library(readxl)
library(comunicacion)


#Defino fecha del Anuario
Anio <- 2022
```

# **Parques Nacionales en Argentina** {#parques-nacionales}

## Introducción

Este capítulo presenta la evolución anual de las visitas de turistas a los Parques Nacionales en el país. A partir de información del Registro Nacional de Autorizaciones, Recaudaciones e Infracciones (RENARI) y de las Intendencias de las distintas áreas protegidas, la Administración de Parques Nacionales recopila y procesa los datos de los visitantes. Dicha información permite la clasificación de las visitas de los turistas en residentes en el país y no residentes en 37 Parques Nacionales en Argentina[^parque-patagonia].

[^parque-patagonia]: A partir del 2022 se incorporó información de visitas del Parque Nacional Los Arrayanes, en la provincia del Neuquén.


##  Visitas a los Parques Nacionales



```{r parques1, fig.cap=glue("Visitas a las áreas protegidas nacionales por condición de residencia. Serie histórica, en miles. Años 2008-{Anio}.")}

#Importo datos
parques_nacionales <- herramientas::read_file_srv("/srv/DataDNMYE/areas_protegidas/areas_protegidas_nacionales/pivot_pn.xlsx", sheet= 2) %>%
  select(1:7) %>% 
  mutate(Mes = str_to_title(Mes)) %>% 
  filter(parque_nacional != "nahuel huapi" & parque_nacional != "isla pingüino") %>% 
  left_join(., data.frame(Mes = c("Enero","Febrero","Marzo","Abril","Mayo","Junio","Julio","Agosto","Septiembre","Octubre","Noviembre","Diciembre"), month = c(1:12))) %>% 
   filter(anio <= Anio) %>% 
  mutate(    parque_nacional = case_when(parque_nacional == "los glaciares" ~ "Los Glaciares",
                                parque_nacional == "nahuel huapi 3p" ~ "Nahuel Huapi",
                                parque_nacional == "ciervo de los pantanos" ~ "Ciervo de los Pantanos",
                                parque_nacional == "el leoncito" ~ "El Leoncito",
                                parque_nacional == "chaco" ~ "Chaco",
                                parque_nacional == "el palmar" ~ "El Palmar",
                                parque_nacional == "iguazu" ~ "Iguazú",
                                parque_nacional == "rio pilcomayo" ~ "Río Pilcomayo",
                                parque_nacional == "calilegua" ~ "Calilegua",
                                parque_nacional == "el rey" ~ "El Rey",
                                parque_nacional == "talampaya" ~ "Talampaya",
                                parque_nacional == "laguna blanca" ~ "Laguna Blanca",
                                parque_nacional == "los alerces" ~ "Los Alerces",
                                parque_nacional == "san guillermo" ~ "San Guillermo",
                                parque_nacional == "colonia benitez" ~ "Colonia Benítez",
                                parque_nacional == "formosa" ~ "Formosa",
                                parque_nacional == "mburucuya" ~ "Mburucuyá",
                                parque_nacional == "aconquija" ~ "Aconquija",
                                parque_nacional == "copo" ~ "Copo",
                                parque_nacional == "laguna de los pozuelos" ~ "Laguna de los Pozuelos",
                                parque_nacional == "bosques petrificados" ~ "Bosques Petrificados",
                                parque_nacional == "lanin" ~ "Lanín",
                                parque_nacional == "perito moreno" ~ "Perito Moreno",
                                parque_nacional == "quebrada del condorito" ~ "Quebrada del Condorito",
                                parque_nacional == "sierra de las quijadas" ~ "Sierra de las Quijadas",
                                parque_nacional == "el impenetrable" ~ "El Impenetrable",
                                parque_nacional == "ibera" ~ "Iberá",
                                parque_nacional == "predelta" ~ "Predelta",
                                parque_nacional == "baritu" ~ "Baritú",
                                parque_nacional == "el nogalar de los toldos" ~ "Nogalar de los Toldos",
                                parque_nacional == "los cardones" ~ "Los Cardones",
                                parque_nacional == "lago puelo" ~ "Lago Puelo",
                                parque_nacional == "lihue calel" ~ "Lihué Calel",
                                parque_nacional == "monte leon" ~ "Monte León",
                                parque_nacional == "patagonia" ~ "Patagonia",
                                parque_nacional == "tierra del fuego" ~ "Tierra del Fuego",
                                parque_nacional == "los arrayanes" ~ "Los Arrayanes",
                                TRUE ~ parque_nacional))

datos_grafico1 <- parques_nacionales %>% 
  #mutate(fecha = ym(glue::glue("{anio}-{month}"))) %>% 
  #filter(fecha <= Fecha) %>% 
  group_by(residencia,anio) %>% 
  summarise(visitantes = sum(visitantes,na.rm = T)) %>% ungroup() %>% 
  mutate(visitantes = round(visitantes/1000, 0))

#Calculo totales para agreagar al gráfico
totales <- datos_grafico1 %>% group_by(anio) %>%
  summarise(total = sum(visitantes)) %>% ungroup()

#Gráfico 1 - evolución de visitas según residencia
grafico1 <- datos_grafico1 %>% 
  mutate(residencia = fct_relevel(str_to_sentence(residencia), c("Residentes","No residentes"))) %>% 
  ggplot() +
  geom_hline(yintercept = 0, color = "grey", size = 0.8) +
  geom_area(aes(anio, visitantes, fill = residencia), alpha = 0.8, position = "dodge") +
  geom_line(data = totales, mapping = aes(anio, total), size = 1, linetype = 1, colour = dnmye_colores("gris medio")) +
  geom_point(data = totales, mapping = aes(anio, total), size = 3, colour = dnmye_colores("gris medio")) +
  geom_text(data = totales, aes(x = anio, y = total, label = lbl_int(total)),
            size = 2.5, vjust = -2) +
  scale_fill_dnmye(reverse = T) +
  scale_x_continuous(limits = c(2008,Anio), breaks = seq(2008,Anio)) +
  scale_y_continuous(limits = c(0, max(totales$total)*1.1)) +
  theme_minimal() +
  theme(legend.position = "bottom",
        #text = element_text(family = "Encode Sans"),
    #plot.caption  = element_text(size = 8, hjust = 0),
    axis.title.y = element_blank(),
    # axis.text.y = element_markdown(size = 7),
    # axis.text.x = element_markdown(size = 8, angle = 45, hjust = 1),
    panel.grid.minor.x = element_blank()
   ) +
  labs(x="", fill = "", y  = "en miles",
       caption = "DNMyE en base a datos suministrados por la Dirección de Mercadeo de la Dirección Nacional de Uso \nPúblico de la Administración de Parques Nacionales (APN).")
```



```{r}
datos_tabla1 <- parques_nacionales %>% 
  mutate(residencia = str_replace(residencia, pattern = " ",replacement = "_")) %>% 
  group_by(anio, residencia) %>% 
  summarise(visitantes = round(sum(visitantes,na.rm = T),0)) %>%
  ungroup(residencia) %>% 
  mutate(total = round(sum(visitantes),0)) %>%
  pivot_wider(names_from = residencia, values_from = visitantes) %>% 
  ungroup() %>% 
  mutate(var_ia_total =  round(total/lag(total, 1) -1 ,3),
         var_ia_res = round(residentes/lag(residentes, 1) -1 ,3),
         var_ia_nores = round(no_residentes/lag(no_residentes, 1) -1 ,3)
  )

##VARIABLES PARA TEXTO

vartext <- datos_tabla1 %>% 
  filter(anio== Anio) %>% 
  select(var_ia_res) %>% 
  pull() 


vartextnores <- datos_tabla1 %>% 
  filter(anio== Anio) %>% 
  select(var_ia_nores) %>% 
  pull()  


total <- datos_tabla1 %>% 
  filter(anio==Anio) %>% 
  select(var_ia_total) %>% 
  pull()
  
totaltur <- datos_tabla1 %>% 
  filter(anio==Anio) %>% 
  select(total) %>% 
  pull()/1000000 
  



```

En el año `r as.character(Anio)` se registraron `r lbl_decimal(totaltur, decimales=2) ` millones de visitas a los Parques Nacionales, `r ifelse(total>0, "con un incremento del", "tuvieron una caída del")` `r lbl_percent(total)` respecto del `r as.character(Anio -1)` debido a las mejoras en la situación sanitaria de la pandemia de Covid-19, ubicándose en la serie histórica en segundo lugar, tras registrarse el récord de visitas en el 2019.

```{r graficoparques1, fig.cap=glue("Visitas a las áreas protegidas nacionales por condición de residencia. Serie histórica, en miles. Años 2008-{Anio}.")}
grafico1
```


```{r}
tabla_1 <- datos_tabla1 %>%
  select(anio, total, var_ia_total,
                  residentes, var_ia_res,
                  no_residentes, var_ia_nores) %>% 
  gt() %>% 
  cols_label(
    anio = md("**Año**"),
    total = md("**Total**"),
    var_ia_total = md("**Var % i.a.**"),
    residentes = md("**Residentes**"),
    var_ia_res  = md("**Var % i.a.**") ,
    no_residentes  = md("**No residentes**"),
    var_ia_nores    = md("**Var % i.a.**")
  ) %>% 
  fmt_number(columns = c(2,4,6), decimals = 0, dec_mark = ",", sep_mark = ".") %>% 
  fmt_percent(columns = c(3,5,7), decimals = 1, dec_mark = ",", sep_mark = ".") %>% 
  cols_align(
    align = "center",
    columns = vars(total, var_ia_total,
                   residentes, var_ia_res,
                   no_residentes, var_ia_nores))  %>% 
  opt_table_font(
    font = "Encode Sans"
  ) %>%
  tab_source_note(
    source_note = md(
      "**Fuente**: DNMyE en base a datos de la APN.")
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#EE3D8F"),
      cell_text(weight  = "bold")
    ),
    locations = cells_body(
      columns = c(var_ia_total),
      rows = var_ia_total < 0)
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#50B8B1"),
      cell_text(weight =  "bold")
    ),
    locations = cells_body(
      columns = c(var_ia_total),
      rows = var_ia_total > 0)
  )  %>%
  tab_style(
    style = list(
      cell_text(color = "#EE3D8F"),
      cell_text(weight  = "bold")
    ),
    locations = cells_body(
      columns = c(var_ia_res),
      rows = var_ia_res < 0)
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#50B8B1"),
      cell_text(weight =  "bold")
    ),
    locations = cells_body(
      columns = c(var_ia_res),
      rows = var_ia_res > 0)
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#EE3D8F"),
      cell_text(weight  = "bold")
    ),
    locations = cells_body(
      columns = c(var_ia_nores),
      rows = var_ia_nores < 0)
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#50B8B1"),
      cell_text(weight =  "bold")
    ),
    locations = cells_body(
      columns = c(var_ia_nores),
      rows = var_ia_nores > 0)
  ) %>%
  tab_spanner(
    label = md("**Visitas**"),
    columns = c(total, var_ia_total,
                   residentes, var_ia_res,
                   no_residentes, var_ia_nores)) %>%
  tab_options(table.align = "center",
              row_group.font.weight = "bold",
              container.height = 600,
              container.overflow.y = T
              #table.font.size = 14
              ) %>% 
  fmt_missing(columns = c("var_ia_total", "var_ia_res", "var_ia_nores"),
              missing_text = "///") %>% 
  tab_caption(caption = glue("Visitas a las áreas protegidas nacionales por tipo de visitante. Serie histórica. Años 2008-{Anio}."))

```

`r ifelse(vartext > 0, "Los turistas residentes presentaron un crecimiento del", " Los turistas residentes cayeron un" )  ` `r str_remove(lbl_percent(vartext),"-")`, mientras que los turistas no residentes `r ifelse(vartextnores > 0, "registraron un crecimiento del", " disminuyeron un") ` `r str_remove(lbl_percent(vartextnores),"-")`.


```{r parques2}

tabla_1 %>% 
   tab_footnote(
    footnote = "A partir del 16 de marzo los parques nacionales se cerraron a la visita debido al cese de actividades por causa de la crisis sanitaria del covid -19 (Resolución Nro 57 APN).",
    locations = cells_body(columns = anio, rows = anio== 2020), placement = "right"
  ) %>% 
  tab_footnote(
    footnote = "Entre el 22 y 30 de mayo los parques nacionales se cerraron a la visita en adhesión a las medidas nacionales (Decreto 334/2021); la reapertura a la visita se realizó progresivamente en los meses siguientes, de acuerdo a la evolución de la situación sanitaria de cada provincia.",
   locations = cells_body(columns = anio, rows = anio== 2021), placement = "right" 
   ) %>% 
   tab_footnote(
    footnote = "Dato provisorio.",
   locations = cells_body(columns = anio, rows = anio== 2022), placement = "right"  )
  
```

```{r}
tabla_2 <- parques_nacionales %>% 
  filter(anio >= Anio-3) %>% 
  group_by(anio, region, parque_nacional, residencia) %>% 
  summarise(visitantes = sum(visitantes, na.rm = T)) %>% 
  ungroup()

datos_regiones <- parques_nacionales %>%
  filter(anio >= Anio-3) %>% 
  group_by(anio, region, parque_nacional, residencia) %>% 
  summarise(visitantes = round(sum(visitantes, na.rm = T),0)) %>% 
  ungroup() %>% 
  mutate(residencia = str_replace(residencia, pattern = " ",replacement = "_")) %>%
  pivot_wider(names_from = residencia, values_from = visitantes) %>% 
  mutate(total = residentes + no_residentes)

total_region <- datos_regiones %>% 
  group_by(anio, region) %>% 
  summarise(total = sum(total), 
            residentes= sum(residentes), 
            no_residentes = sum(no_residentes)) %>% 
  mutate(parque_nacional = "Total región") %>% 
  ungroup()


total_pais <- datos_regiones %>% 
  group_by(anio) %>% 
  summarise(total = sum(total), 
            residentes= sum(residentes), 
            no_residentes = sum(no_residentes)) %>% 
  mutate(parque_nacional = "Total país",
         region = "Total") %>% 
  ungroup()


tabla_regiones <- rbind(datos_regiones, total_region, total_pais) %>%
  arrange(region, parque_nacional, anio) %>%
  pivot_wider(names_from = anio, values_from = c(residentes, no_residentes, total)) %>% 
  mutate(var_total = (total_2022/total_2021)-1,
         var_res = (residentes_2022/residentes_2021)-1,
         var_nores = (no_residentes_2022/no_residentes_2021)-1,
         region = str_to_sentence(region),
         var_total_22_19 = (total_2022/total_2019)-1,
         var_res_22_19 = (residentes_2022/residentes_2019)-1,
         var_nores_22_19 = (no_residentes_2022/no_residentes_2019)-1) 

tabla_regiones[sapply(tabla_regiones, is.infinite)] <- NA

```

```{r}
tabla_2 <- tabla_regiones %>% 
  select(region, parque_nacional, total_2022, residentes_2022, no_residentes_2022,
         var_total, var_res, var_nores,
         var_total_22_19,var_res_22_19, var_nores_22_19
         # total_2021, residentes_2021, no_residentes_2021,
         # total_2020, residentes_2020, no_residentes_2020,
         # total_2019, residentes_2019, no_residentes_2019
         ) %>% 
  group_by(region) %>% 
  arrange(match(parque_nacional, c("Total país","Total región")), desc(total_2022)) %>% 
  ungroup() %>% 
  gt(groupname_col = "region") %>% 
  cols_label(
    region = md("**Región**"),
    parque_nacional = md("**Parque Nacional**"),
    total_2022 = md("**Total**"),
    residentes_2022 = md("**Residentes**"),
    no_residentes_2022 = md("**No residentes**"),
    var_total = md("**Total**"),
    var_res = md("**Residentes**"),
    var_nores = md("**No residentes**"),
    # total_2021 = md("**Total**"),
    # residentes_2021 = md("**Residentes**"),
    # no_residentes_2021 = md("**No residentes**"),
    # total_2020 = md("**Total**"),
    # residentes_2020 = md("**Residentes**"),
    # no_residentes_2020 = md("**No residentes**"),
    var_total_22_19 = md("**Total**"),
    var_res_22_19 = md("**Residentes**"),
    var_nores_22_19 = md("**No residentes**"),                       
      ) %>% 
  gt_theme_dnmye(var_total = region) %>% 
   fmt_number(columns = c(3:5), decimals = 0, dec_mark = ",", sep_mark = ".") %>% 
  fmt_percent(columns = c(6:11), decimals = 1, dec_mark = ",", sep_mark = ".") %>% 
  tab_source_note(
    source_note = md(
      "**Fuente**: DNMyE en base a datos de la APN.")
  ) %>%
  tab_spanner(
    label = md("**2022**"),
    columns = c(total_2022,
                   residentes_2022,
                   no_residentes_2022)) %>%
  tab_spanner(
    label = md("**Var i.a. %**"),
    columns = c(var_total,
                   var_res,
                   var_nores)) %>%
  tab_spanner(
    label = md("**Var 2022/2019**"),
    columns = c(var_total_22_19,
                   var_res_22_19,
                   var_nores_22_19)) %>%
  
  # tab_spanner(
  #   label = md("**2021**"),
  #   columns = c(total_2021,
  #                  residentes_2021,
  #                  no_residentes_2021)) %>%
  # tab_spanner(
  #   label = md("**2020**"),
  #   columns = c(total_2020,
  #                  residentes_2020,
  #                  no_residentes_2020)) %>% 
  # tab_spanner(
  #   label = md("**2019**"),
  #   columns = c(total_2019,
  #                  residentes_2019,
  #                  no_residentes_2019)) %>% 
  
  tab_options(container.height = 600,
              container.overflow.y = T,
               row_group.font.weight = "bold") %>% 
  tab_caption(caption = glue("Visitas a las áreas protegidas nacionales por condición de residencia, según región. Años 2019-{Anio}."))

tabla_regiones1 <- rbind(datos_regiones, total_region, total_pais) %>%
  arrange(region, parque_nacional, anio) %>%
  pivot_wider(names_from = anio, values_from = c(residentes, no_residentes, total)) %>% 
  mutate(var_total = (total_2022/total_2019)-1,
         var_res = (residentes_2022/residentes_2019)-1,
         var_nores = (no_residentes_2022/no_residentes_2019)-1,
         region = str_to_sentence(region))

##VARIABLES PARA TEXTO

vartextreg <- tabla_regiones1 %>% 
  filter(parque_nacional== "Total país") %>% 
  select(var_res) %>% 
  pull() 


vartextreg_nores <- tabla_regiones1 %>% 
  filter(parque_nacional== "Total país") %>% 
  select(var_nores) %>% 
  pull()  


totalreg <- tabla_regiones1 %>% 
  filter(parque_nacional== "Total país") %>% 
  select(var_total) %>% 
  pull()
  



```


Al comparar los resultados del `r as.character(Anio)` con el `r as.character(Anio - 3)` (prepandemia), las visitas `r ifelse(totalreg>0, "registraron un incremento del", "tuvieron una caída del")` `r str_remove(lbl_percent(totalreg), "-")`, de las cuales, las de los no residentes cayeron un `r str_remove(lbl_percent(vartextreg_nores),"-")`, producto de las restricciones a la movilidad en el mundo por la crisis sanitaria del Covid-19. 

En `r as.character(Anio)` los parques de la región Patagonia (13 áreas protegidas) concentraron el 56,4% del total de las visitas a los parques nacionales del país (9,1 p.p. menos que en el `r as.character(Anio - 1)` y 1,1 p.p. más si se lo compara con el `r as.character(Anio - 3)`), mientras que los parques de la región Litoral (10 áreas protegidas) totalizaron un 36,7% (9,1 p.p. más que en el `r as.character(Anio -1)` y 2,2 p.p. menos respecto del `r as.character(Anio - 3)`). Por otro lado, al observar la distribución según condición de residencia, en el `r as.character(Anio)` las visitas de los residentes tuvieron una participación del 85% y del 82% en las regiones Patagonia y Litoral respectivamente, mientras que en el `r as.character(Anio - 3)` rondó en un 68% y 63% respectivamente.


```{r parques3}

tabla_2 %>% 
  sub_zero(columns = c(total_2022 , residentes_2022, no_residentes_2022)
           # total_2021, residentes_2021, no_residentes_2021,
           # total_2020, residentes_2020, no_residentes_2020, 
           # total_2019, residentes_2019, no_residentes_2019),
           ,
           rows = everything(), 
           zero_text = "///") %>% 
  tab_footnote(
    footnote = "Datos provisorios",
     locations = cells_column_spanners(spanners = c("**2022**")), placement = "right"
  ) %>%
    tab_footnote(
    footnote = "No se recibió información de visitas de los parques Lago Puelo, Los Glaciares (portada Lago Viedma), Lanín (portada Huechulaufquen en agosto y septiembre), Nahuel Huapi (portada Lago Mascardi en mayo, julio y septiembre). Se recibió información de visitas del parque Monte León de mayo a septiembre en 2022 (históricamente, el parque permanecía cerrado a la visita durante dichos meses).",
    locations = cells_row_groups(groups = c("Patagonia")), placement = "right"
  ) %>% 
  tab_footnote(
    footnote = "No se recibió información de visitas en el mes de enero.",
    locations = cells_row_groups(groups = c("Cordoba")), placement = "right"
  ) %>% 
    tab_footnote(
    footnote = "No se recibió información del PN El Rey de febrero a junio y del PN Baritú de enero a mayo.",
    locations = cells_row_groups(groups = c("Norte")), placement = "right"
  ) %>% 
   tab_footnote(
    footnote = "La visita en el PN Iberá se vio afectada por los incendios que afectaron la región en febrero; no se recibió información de la RN Formosa (enero y febrero y de junio a diciembre), RNE Colonia Benitez (enero) y del PN Río Pilcomayo (potada Estero Poí en noviembre).",
    locations = cells_row_groups(groups = c("Litoral")), placement = "right"
  )
  

```

  



```{r}
datos_grafico2 <- parques_nacionales %>% 
  filter(anio %in% c(Anio-1, Anio)) %>% 
  group_by(anio, region, residencia) %>% 
  summarise(visitantes = round(sum(visitantes, na.rm = T),0)) %>% 
  ungroup() %>% 
  group_by(region, residencia) %>% 
  mutate(var = visitantes/lag(visitantes, 1)-1) %>% 
  filter(anio == Anio)


total_grafico2 <- parques_nacionales %>% 
  filter(anio %in% c(Anio-1, Anio)) %>% 
  group_by(anio, region) %>% 
  summarise(visitantes = round(sum(visitantes, na.rm = T),0)) %>% 
  ungroup() %>% 
  group_by(region) %>% 
  mutate(var = visitantes/lag(visitantes, 1)-1) %>% 
  filter(anio == Anio) %>% 
  mutate(residencia = "total")

datos_pais_grafico2 <- parques_nacionales %>% 
  filter(anio %in% c(Anio-1, Anio)) %>% 
  group_by(anio, residencia) %>% 
  summarise(visitantes = round(sum(visitantes, na.rm = T),0)) %>% 
  ungroup() %>% 
  group_by(residencia) %>% 
  mutate(var = visitantes/lag(visitantes, 1)-1) %>% 
  filter(anio == Anio) %>% 
  mutate(region = "Total")

total_pais_grafico2 <- parques_nacionales %>% 
  filter(anio %in% c(Anio-1, Anio)) %>% 
  group_by(anio) %>% 
  summarise(visitantes = round(sum(visitantes, na.rm = T),0)) %>% 
  ungroup() %>% 
  mutate(var = visitantes/lag(visitantes, 1)-1) %>% 
  filter(anio == Anio) %>% 
  mutate(residencia = "total", region = "Total")

##VARIABLES PARA TEXTO

vartext2 <- datos_pais_grafico2 %>% 
  filter(residencia== "residentes") %>% 
  select(var) %>% 
  pull() 

vartext3 <- datos_pais_grafico2 %>% 
  filter(residencia== "no residentes") %>% 
  select(var) %>% 
  pull() 

vartexpatag <- datos_grafico2 %>% 
  filter(region== "patagonia", residencia=="residentes") %>% 
  select(var) %>% 
  pull()  

vartexlitoral <- datos_grafico2 %>% 
  filter(region== "litoral", residencia=="residentes") %>% 
  select(var) %>% 
  pull()  

vartexnorte <- datos_grafico2 %>% 
  filter(region== "norte", residencia=="residentes") %>% 
  select(var) %>% 
  pull()  

  #part_res <- datos_grafico2 %>% 
  #filter(residencia== "residentes") %>% 
  #select(participacion) %>% 
  #pull() 


datos_grafico2 <- rbind(datos_grafico2, total_grafico2,datos_pais_grafico2, total_pais_grafico2)

```


Al considerar las visitas según condición de residencia, se observa que `r ifelse(vartext2 > 0, "el incremento del", " una caída de")` `r lbl_percent(vartext2)` en las visitas de los residentes se explica principalmente por `r ifelse(total>0, "un crecimiento de", "tuvieron una caída del")` las visitas de los parques de las regiones Patagonia, Litoral y Norte (`r lbl_percent(vartexpatag)`,  `r lbl_percent(vartexlitoral)` y `r lbl_percent(vartexnorte)`) respectivamente. 

En cuanto a las visitas de los no residentes, `r ifelse(vartext3 > 0, "el incremento del", " una caída de")` `r lbl_percent(vartext3)`, se explica por la progresiva recuperación del turismo receptivo luego de la pandemia del Covid-19.



```{r parques4, fig.cap=glue("Visitas a los parques nacionales por región de destino según condición de residencia, variación interanual. Años {Anio}-{Anio-1}."), fig.height=4}


datos_grafico2 %>% 
  mutate(region = str_to_sentence(region),
         residencia = str_to_sentence(residencia)) %>% 
  ggplot(aes(region, var, group = residencia)) +
  geom_col(aes(fill = residencia), 
           position = position_dodge()) +
  geom_label(aes(label= lbl_percent(var, decimales = 0) ), position = position_dodge(1), size= 2.5,
             alpha = 0.8, label.padding = unit(0.7,"mm"))+
  scale_fill_dnmye() +
  scale_y_percent(limits = c(0,16.5)) +
  labs(x = "", y = "", fill = "",
       caption = "Fuente: DNMyE en base a datos de la APN.") +
  theme_minimal() +
  theme(legend.position = "bottom",
        #text = element_text(family = "Encode Sans"),
        plot.caption  = element_text(size = 7)
  )
```




```{r}
tabla_trim <- parques_nacionales %>% 
  filter(anio %in% c(Anio)) %>% 
  mutate(trimestre = case_when(mes %in% c("01","02","03") ~ "I Trim",
                               mes %in% c("04","05", "06") ~ "II Trim",
                               mes %in% c("07","08","09") ~ "III Trim",
                               mes %in% c("10","11","12") ~ "IV Trim")) %>% 
  group_by(anio, trimestre, residencia) %>% 
  summarise(visitantes = as.integer(sum(visitantes, na.rm = T))) %>% 
  ungroup() %>% 
  group_by(anio) %>% 
  mutate(total = sum(visitantes)) %>% 
  ungroup() %>% 
  mutate(participacion = visitantes/total)
```




```{r}
graph_trim <- tabla_trim %>% 
  mutate(trimestre = factor(trimestre, levels = c("I Trim", "II Trim","III Trim","IV Trim"))) %>% 
  ggplot() +
  geom_col(aes(trimestre, participacion, fill = str_to_sentence(residencia))) +
  geom_label(aes(trimestre, participacion, group = residencia, label= lbl_percent(participacion, decimales = 2)), position = position_stack(0.5), size=2.5)+
                   
#lbl_percent(var, decimales = 0) ), position = position_dodge(1), size= 2.5)+
  scale_fill_dnmye() +
  scale_y_percent() +
  labs(x = "", y = "Participación % en las visitas", fill = "",
       caption = "Fuente: DNMyE en base a datos de la APN.") +
  theme_minimal() +
    theme(legend.position = "bottom",
        #text = element_text(family = "Encode Sans"),
        plot.caption  = element_text(size = 7)
  )


tabla_trim1 <- parques_nacionales %>% 
  filter(anio %in% c(Anio)) %>% 
  #filter(anio %in% c(Anio-1, Anio)) %>% 
  #filter(anio >= Anio-2) %>%
  group_by(anio) %>% 
  mutate(trimestre = case_when(mes %in% c("01","02","03") ~ "I Trim",
                               mes %in% c("04","05", "06") ~ "II Trim",
                               mes %in% c("07","08","09") ~ "III Trim",
                               mes %in% c("10","11","12") ~ "IV Trim")) %>% 
  group_by(anio, trimestre) %>% 
  summarise(visitantes = as.integer(sum(visitantes, na.rm = T))) %>% 
  mutate(total = sum(visitantes)) %>% 
  #ungroup() %>% 
  mutate(participacion = visitantes/total) %>% 
  ungroup() %>% 
  group_by(anio) 


## VARIABLES PARA TEXTO
 
  part1 <- tabla_trim1 %>% 
  filter(trimestre== "I Trim") %>% 
  select(participacion) %>% 
  pull() 

  part2 <- tabla_trim1 %>% 
  filter(trimestre== "II Trim") %>% 
  select(participacion) %>% 
  pull()       


```


Al analizar la estacionalidad, se observa que en el primer trimestre del `r as.character(Anio)` `r ifelse(part1 > 0, "se concentró el", " no llego a")` `r lbl_percent(part1)` de las visitas anuales, recuperando los niveles históricos de visitas a los parques nacionales durante el primer trimestre, mientras que el segundo trimestre fue el que menos visitas concentró (`r lbl_percent(part2)`).

```{r parques5, fig.cap= glue("Visitas a los parques nacionales por trimestre. Año {Anio}."), fig.height=4}
graph_trim
```



```{r}
datos_regiones_trim <- parques_nacionales %>%
  filter(anio >= Anio-3) %>% 
   mutate(trimestre = case_when(mes %in% c("01","02","03") ~ "I Trim",
                               mes %in% c("04","05", "06") ~ "II Trim",
                               mes %in% c("07","08","09") ~ "III Trim",
                               mes %in% c("10","11","12") ~ "IV Trim")) %>% 
  group_by(anio, region, trimestre, residencia) %>% 
  summarise(visitantes = round(sum(visitantes, na.rm = T),0)) %>% 
  ungroup() %>% 
  mutate(residencia = str_replace(residencia, pattern = " ",replacement = "_")) %>%
  pivot_wider(names_from = residencia, values_from = visitantes) %>% 
  mutate(total = residentes + no_residentes)

total_region_trim <- datos_regiones %>% 
  group_by(anio, region) %>% 
  summarise(total = sum(total), 
            residentes= sum(residentes), 
            no_residentes = sum(no_residentes)) %>% 
  mutate(trimestre = "Total") %>% 
  ungroup()


total_pais_trim <- parques_nacionales %>%
  filter(anio >= Anio-3) %>% 
   mutate(trimestre = case_when(mes %in% c("01","02","03") ~ "I Trim",
                               mes %in% c("04","05", "06") ~ "II Trim",
                               mes %in% c("07","08","09") ~ "III Trim",
                               mes %in% c("10","11","12") ~ "IV Trim")) %>% 
  group_by(anio, trimestre, residencia) %>% 
  summarise(visitantes = round(sum(visitantes, na.rm = T),0)) %>% 
  ungroup() %>% 
  mutate(residencia = str_replace(residencia, pattern = " ",replacement = "_")) %>%
  pivot_wider(names_from = residencia, values_from = visitantes) %>% 
  mutate(total = residentes + no_residentes,
         region = "país")

total_pais <- datos_regiones %>% 
  group_by(anio) %>% 
  summarise(total = sum(total), 
            residentes= sum(residentes), 
            no_residentes = sum(no_residentes)) %>% 
  mutate(trimestre = "Total",
         region = "país") %>% 
  ungroup()


tabla_regiones_trim <- rbind(total_pais, total_pais_trim, total_region_trim, datos_regiones_trim) %>%
  pivot_wider(names_from = anio, values_from = c(residentes, no_residentes, total)) %>% 
  mutate(var_total = (total_2022/total_2021)-1,
         var_res = (residentes_2022/residentes_2021)-1,
         var_nores = (no_residentes_2022/no_residentes_2021)-1,
         region = str_to_sentence(region)) %>% 
  group_by(region) %>% 
  mutate(total_trim_reg = sum(total_2022)/2,
         res_trim_reg = sum(residentes_2022)/2,
         nores_trim_reg = sum(no_residentes_2022)/2) %>% 
  ungroup() %>% 
  mutate(part_total = total_2022/total_trim_reg,
         part_res = residentes_2022/res_trim_reg,
         part_nores = no_residentes_2022/nores_trim_reg)

tabla_regiones_trim[sapply(tabla_regiones_trim, is.infinite)] <- NA


 
```

```{r}

tabla_3 <- tabla_regiones_trim %>% 
  select(region, trimestre, total_2022, residentes_2022, no_residentes_2022,
         var_total, var_res, var_nores,
         part_total, part_res, part_nores,
         # total_2021, residentes_2021, no_residentes_2021,
        #  total_2020, residentes_2020, no_residentes_2020,
        # total_2019, residentes_2019, no_residentes_2019
        )%>% 
  arrange(match(region, c("País")), match(trimestre, c("Total","I Trim", "II Trim","III Trim","IV Trim"))) %>%
  gt(groupname_col = "region") %>% 
  cols_label(
    region = md("**Región**"),
    trimestre = md("**Trimestre**"),
    total_2022 = md("**Total**"),
    residentes_2022 = md("**Residentes**"),
    no_residentes_2022 = md("**No residentes**"),
    var_total = md("**Total**"),
    var_res = md("**Residentes**"),
    var_nores = md("**No residentes**"),
    part_total = md("**Total**"),
    part_res = md("**Residentes**"),
    part_nores = md("**No residentes**"),
    # total_2021 = md("**Total**"),
    # residentes_2021 = md("**Residentes**"),
    # no_residentes_2021 = md("**No residentes**"),
    # total_2020 = md("**Total**"),
    # residentes_2020 = md("**Residentes**"),
    # no_residentes_2020 = md("**No residentes**"),
    # total_2019 = md("**Total**"),
    # residentes_2019 = md("**Residentes**"),
    # no_residentes_2019 = md("**No residentes**"),
  ) %>% 
  fmt_number(columns = c(3:5), decimals = 0, dec_mark = ",", sep_mark = ".") %>% 
  fmt_percent(columns = c(6:11), decimals = 1, dec_mark = ",", sep_mark = ".") %>% 
  cols_align(
    align = "center",
    columns = everything())  %>% 
  opt_table_font(
    font = "Encode Sans"
  ) %>% 
  tab_source_note(
    source_note = md(
      "**Fuente**: DNMyE en base a datos de la APN.")
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#EE3D8F"),
      cell_text(weight  = "bold")
    ),
    locations = cells_body(
      columns = c(var_total),
      rows = var_total < 0)
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#50B8B1"),
      cell_text(weight =  "bold")
    ),
    locations = cells_body(
      columns = c(var_total),
      rows = var_total > 0)
  )  %>%
  tab_style(
    style = list(
      cell_text(color = "#EE3D8F"),
      cell_text(weight  = "bold")
    ),
    locations = cells_body(
      columns = c(var_res),
      rows = var_res < 0)
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#50B8B1"),
      cell_text(weight =  "bold")
    ),
    locations = cells_body(
      columns = c(var_res),
      rows = var_res > 0)
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#EE3D8F"),
      cell_text(weight  = "bold")
    ),
    locations = cells_body(
      columns = c(var_nores),
      rows = var_nores < 0)
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#50B8B1"),
      cell_text(weight =  "bold")
    ),
    locations = cells_body(
      columns = c(var_nores),
      rows = var_nores > 0)
  ) %>%
  tab_style(
    style = list(
      cell_text(color = "#000000"),
      cell_text(weight =  "bold")
    ),
    locations = cells_body(
      columns = everything(),
      rows = trimestre == "Total")
  ) %>%
  tab_spanner(
    label = md("**2022**"),
    columns = c(total_2022,
                   residentes_2022,
                   no_residentes_2022)) %>%
  tab_spanner(
    label = md("**Var i.a. %**"),
    columns = c(var_total,
                   var_res,
                   var_nores)) %>%
  tab_spanner(
    label = md("**Participación %**"),
    columns = c(part_total,
                   part_res,
                   part_nores)) %>%
#   tab_spanner(
#     label = md("**2021**"),
#     columns = c(total_2021,
#                    residentes_2021,
#                    no_residentes_2021)) %>%
#   tab_spanner(
#     label = md("**2020**"),
#     columns = c(total_2020,
#                    residentes_2020,
#                    no_residentes_2020))%>%
# tab_spanner(
#     label = md("**2019**"),
#     columns = c(total_2019,
#                    residentes_2019,
#                    no_residentes_2019))%>%
  tab_options(container.height = 600,
              container.overflow.y = T,
              row_group.font.weight = "bold") %>% 
  sub_missing(columns = everything(),
              missing_text = "///") %>% 
  sub_zero(columns = c("total_2022", "residentes_2022", "no_residentes_2022")
           # "total_2021", "residentes_2021", "no_residentes_2021",
           # "total_2020", "residentes_2020", "no_residentes_2020",
           #  "total_2019", "residentes_2019", "no_residentes_2019"),
           ,
  zero_text = "///") %>%
  tab_caption(caption = glue("Visitas a los parques nacionales por región según trimestre. Años {Anio}-{Anio-1}."))


## VARIABLES PARA TEXTO

 var4t <- tabla_regiones_trim %>% 
  filter(trimestre== "IV Trim", region =="País") %>% 
  select(var_total) %>% 
  pull() 


 var3t <- tabla_regiones_trim %>% 
  filter(trimestre== "III Trim", region =="País") %>% 
  select(var_total) %>% 
  pull() 


 var1t <- tabla_regiones_trim %>% 
  filter(trimestre== "I Trim", region =="País") %>% 
  select(var_total) %>% 
  pull() 


 
 var2t <- tabla_regiones_trim %>% 
  filter(trimestre== "II Trim", region =="País") %>% 
  select(var_total) %>% 
  pull() 



```


En el primer trimestre `r as.character(Anio)` `r ifelse(var1t > 0, "se registró un incremento del", " se registró una caída de")` `r str_remove(lbl_percent(var1t),"-")` debido al levantamiento de las restricciones a los viajes respecto del `r as.character(Anio - 1)`.
En el segundo y tercer trimestre se registraron en el país los mayores incrementos en las visitas respecto del mismo período del año anterior (`r lbl_percent(var2t)` y  `r lbl_percent(var3t)` respectivamente).  

Las regiones Buenos Aires, Córdoba, Cuyo, Litoral y Norte concentraron la mayor cantidad de visitas durante el tercer trimestre del año (entre un 30% y 36%), mientras que en la región Patagonia la mayor cantidad de visitas se registraron durante el primer trimestre (llegando a concentrar la mitad de las visitas del año).


```{r parques6}
tabla_3
```




```{r}
datos_grafico3 <- parques_nacionales %>% 
  filter(anio == Anio) %>% 
  group_by(parque_nacional) %>% 
  summarise(visitantes = as.integer(sum(visitantes, na.rm = T))) %>% 
  ungroup() %>% 
  mutate(participacion = visitantes/sum(visitantes),
         parque_nacional = case_when(participacion < 0.01 ~ "Resto",
                                     TRUE ~ parque_nacional)) %>% 
  group_by(parque_nacional) %>% 
  summarise(visitantes = as.integer(sum(visitantes, na.rm = T))) %>% 
  ungroup() %>% 
  mutate(participacion = visitantes/sum(visitantes))
```



```{r}
graf_5_4 <- datos_grafico3 %>% 
  mutate(parque_nacional = fct_reorder(parque_nacional, participacion),
         parque_nacional = fct_reorder(parque_nacional, match(parque_nacional, c("Resto")))
         ) %>% 
  ggplot() +
  geom_col(aes(parque_nacional, participacion, fill = participacion)) +
  geom_text(aes(x = parque_nacional, y = participacion, 
                label = paste0(format(round(participacion*100,1), decimal.mark = ","), " %")), position = position_stack(vjust = 0.5), size = 2.5) +
  scale_fill_dnmye(palette = "divergente", discrete = F, reverse = T) +
  scale_y_percent() +
  labs(x = "", y = "", fill = "",
       caption = "Fuente: DNMyE en base a datos de la APN.") +
  coord_flip() +
  theme_minimal() +
    theme(legend.position = "none",
        #text = element_text(family = "Encode Sans"),
        plot.caption  = element_text(size = 7)
  ) 

## VARIABLES PARA TEXTO

 partmax <- datos_grafico3 %>% 
  filter(parque_nacional== "Iguazú") %>% 
  select(participacion) %>% 
  pull() 

 

```


Al observar la participación de los 10 parques con mayor volumen de visitas en el `r as.character(Anio)`, el 72,3% se concentró en cuatro parques nacionales: el PN Iguazú `r ifelse(partmax > 0, "fue el que concentró el mayor número de visitas", " fue el que concentró el menor número de visitas") ` `r lbl_percent(partmax)`
, siguiéndole en importancia tres parques de la región Patagonia:
Los Glaciares, Nahuel Huapi y Tierra del Fuego, que reunieron en conjunto el 38,0% del total.


```{r parques7, fig.cap=glue("Visitas a áreas protegidas nacionales con mayor volumen de visitantes, distribución porcentual. Año {Anio}."), fig.height=4}
graf_5_4
```

```{r}

datos_grafico4 <- parques_nacionales %>% 
  filter(anio == Anio) %>% 
  group_by(parque_nacional, residencia) %>% 
  summarise(visitantes = as.integer(sum(visitantes, na.rm = T))) %>% 
  ungroup() %>% 
  group_by(parque_nacional) %>% 
  mutate(total = sum(visitantes)) %>% 
  ungroup() %>% 
  mutate(parque_nacional = case_when(total < 16000 ~ "Resto",
                                     TRUE ~ parque_nacional)) %>% 
   group_by(parque_nacional, residencia) %>% 
  summarise(visitantes = as.integer(sum(visitantes, na.rm = T))) %>% 
  ungroup() %>% 
  group_by(parque_nacional) %>% 
  mutate(total = sum(visitantes)) %>% 
  ungroup() %>% 
  mutate(participacion = visitantes/total)

fig_5_5 <- datos_grafico4 %>% 
  group_by(parque_nacional) %>% 
  mutate(part_nores = case_when(residencia == "no residentes" ~ participacion,
                                TRUE ~ lag(participacion, 1))) %>% 
  ungroup() %>% 
  mutate(parque_nacional = fct_reorder(parque_nacional, part_nores)) %>% 
  ggplot(aes(fill=residencia, y=participacion, x=parque_nacional)) + 
  geom_col(position="fill", width = 0.8) +
  geom_text(aes(x = parque_nacional, y = participacion, 
                label = paste0(format(round(participacion*100,1), decimal.mark = ","), " %")),
            position = position_stack(vjust = 0.5), size = 2.5) +
  scale_fill_dnmye() +
  scale_y_percent(limits = c(0, 1.1)) +
  coord_flip() +
  theme_minimal() +
  theme(legend.position = "bottom",
        #text = element_text(family = "Encode Sans"),
        plot.caption  = element_text(size = 7)
  ) +
  labs(x="",y="", fill = "",
       caption = "Fuente: DNMyE en base a datos de la APN.")


##VARIABLES PARA TEXTO

partmax_nores <- datos_grafico4 %>% 
  filter(residencia== "no residentes") %>% 
  arrange(desc(participacion)) %>% 
  slice(1) %>% 
  pull(participacion) 

parquemax_nores <- datos_grafico4 %>% 
  filter(residencia== "no residentes") %>% 
  arrange(desc(participacion)) %>% 
  slice(1) %>% 
  pull(parque_nacional)

partmax_nores2 <- datos_grafico4 %>% 
  filter(residencia== "no residentes") %>% 
  arrange(desc(participacion)) %>% 
  slice(2) %>% 
  pull(participacion) 

parquemax_nores2 <- datos_grafico4 %>% 
  filter(residencia== "no residentes") %>% 
  arrange(desc(participacion)) %>% 
  slice(2) %>% 
  pull(parque_nacional)

partmax_nores3 <- datos_grafico4 %>% 
  filter(residencia== "no residentes") %>% 
  arrange(desc(participacion)) %>% 
  slice(3) %>% 
  pull(participacion) 

parquemax_nores3 <- datos_grafico4 %>% 
  filter(residencia== "no residentes") %>% 
  arrange(desc(participacion)) %>% 
  slice(3) %>% 
  pull(parque_nacional)


```


En el  `r as.character(Anio)` la mayor proporción de visitas que recibieron los Parques Nacionales fueron de turistas residentes, debido al proceso de recuperación gradual de los viajes a nivel mundial después de la pandemia. El PN `r parquemax_nores` fue el que tuvo la mayor participación de turistas no residentes (`r lbl_percent(partmax_nores)`), mientras que en los PN `r parquemax_nores2` y `r parquemax_nores3`, la participación de turistas no residentes fue de `r lbl_percent(partmax_nores2)` y `r lbl_percent(partmax_nores3)` de las visitas totales del `r as.character(Anio)`.


```{r parques8, fig.cap=glue("Visitas a las áreas protegidas nacionales, según condición de residencia. Año {Anio}."), fig.height=4}
fig_5_5
```


## Recursos disponibles

Los datos que se muestran en este capítulo forman parte del Sistema de Información Turística de la Argentina (SINTA) <https://www.yvera.tur.ar/sinta/>{target="_blank"} de la Dirección Nacional de Mercados y Estadística (DNMyE). Los mismos se presentan a través de distintos formatos:

-   [Informes:](https://www.yvera.tur.ar/sinta/informe/info/parques-nacionales){target="_blank"} Publicación mensual con información de visitas de residentes y no residentes a Parques Nacionales de Argentina.

-   [Reportes:](https://tableros.yvera.tur.ar/parques_nacionales.html){target="_blank"}Reporte de los últimos datos de visitas a Parques Nacionales.

-   [Datos Abiertos:](https://datos.yvera.gob.ar/dataset?groups=turismo-naturaleza){target="_blank"} El portal de Datos Abiertos incluye un dataset con recursos de visitas a Parques Nacionales según residencia y región de destino.