Reporte análisis

Introducción

Para este análisis se contó con los siguentes datasets:

• Exportaciones de madera 2012-2020(setiembre), según lista de partidas arancelarias.
• Lista de partidas arancelarias relacionadas a madera.
• Lista de infractores ambientales Osinfor (octubre 2020)
• Investigaciones en fiscalía sobre delitos ambientales (enero 2020)
• Intervenciones forestales Serfor 2013-2019
• Hallazgos maderables Sunat 2017-2020
• Inmovilización madera 2010-2020

1. Exportaciones madera

Principales compañías exportadoras de madera

exportaciones <-
    list.files(path = "~/r_projects/chompiras/data partidas arancelarias/exportaciones",
               pattern = "*.xlsx", 
               full.names = T) %>% 
    map_df(~read_excel(.,skip = 5, col_types = c("text","text","text","text","date","text","text","text","numeric","numeric","numeric","text","numeric","text","numeric","numeric","numeric","text","text","text","text","text","text","text","text","text","text","text","text","text","text","text"))) %>% 
  as_tibble() %>% 
   separate(
    Fecha, into =c('anio','mes','dia')
  ) %>% 
  filter(str_detect(`Partida Aduanera`,"^44|9403600000|9403500000|9401610000|9401690000|9403300000")) %>% 
  distinct()## Versión nueva

(Acumulado 2012-2020)

2020

2019

2018

2017

2016

2015

2014

2013

DataViz Principales compañías exportadoras de madera

Por Valor FOB (US$)

[1] -0.03972603

Por Peso Neto (Kg)

[1] -0.03972603

Principales destinos de la madera exportada

exportaciones %>% 
  group_by(`Pais de Destino`) %>% 
  summarise(
    valor_fob_us = sum(`U$ FOB Tot`,na.rm = T),
    kg_neto = sum(`Kg Neto`,na.rm = T)
  ) %>% 
  mutate(
    per_valor_fob = valor_fob_us*100/sum(valor_fob_us, na.rm = T),
    per_peso_neto = kg_neto*100/sum(kg_neto, na.rm = T)
  ) %>% 
  arrange(desc(valor_fob_us)) %>% 
  datatable(colnames = c("País de Destino","Valor FOB (US$)","Peso Neto (Kg)","Valor FOB (%)","Peso Neto (%)")) %>% 
  DT::formatRound(columns =2:5 ,digits = 2, mark = ".", dec.mark = ",") 

Principales compañías extranjeras que importan madera del Perú

Nota: Estas compañías también puede ser agencias de aduanas, por lo tanto, no necesariamente el receptor final de la madera.

exportaciones %>% 
  group_by(Importador) %>% 
  summarise(
    valor_fob_us = sum(`U$ FOB Tot`,na.rm = T),
    kg_neto = sum(`Kg Neto`, na.rm = T)
  ) %>% 
  mutate(
    per_valor_fob = valor_fob_us*100/sum(valor_fob_us, na.rm = T),
    per_peso_neto = kg_neto*100/sum(kg_neto, na.rm = T)
  ) %>% 
  arrange(desc(valor_fob_us)) %>% 
  datatable(colnames = c("Exportador","Valor FOB (US$)","Peso Neto (Kg)","Valor FOB (%)","Pesto Neto (%)")) %>% 
  DT::formatRound(columns =2:5 ,digits = 2, mark = ".", dec.mark = ",") 

Evolución de las exportaciones de madera

Data

exportaciones %>% 
    group_by(anio) %>% 
    summarise(
        kg_neto = sum(`Kg Neto`, na.rm = T),
        valor_fob = sum(`U$ FOB Tot`, na.rm = T)
    ) %>% 
  arrange(desc(anio)) %>% 
  datatable(colnames = c("Año","Peso Neto (Kg)","Valor Fob (US$)")) %>% 
  DT::formatRound(columns =2:3 ,digits = 2, mark = ".", dec.mark = ",") 

Viz

Por Valor FOB US$

Por Kg Neto

2. Investigaciones fiscales sobre delitos ambientales en Perú

delitos_ambientales_all <- read_sheet("https://docs.google.com/spreadsheets/d/1bJxzQKdUzXoQBIPnVSkOOfQ2tJ9UAJKsiX3fDnubyAU/edit#gid=1582440060", sheet = "DATA UNIDA", col_types = "cccccccccccccccccc") %>% 
  filter(!is.na(Imputado))

Reading from "Delitos Ambientales (Actualización 29.01.20)"
Range "'DATA UNIDA'"

delitos_ambientales_all$Imputado <- toupper(stri_trans_general(gsub(",|\\.|-", "", delitos_ambientales_all$Imputado), "Latin-ASCII")) 

Imputados con más investigaciones

delitos_ambientales_all %>% 
  group_by(Imputado) %>% 
  summarise(
    n_investigaciones = n()
  ) %>% 
  arrange(desc(n_investigaciones)) %>% 
  datatable(colnames = c("Imputado","Cantidad de investigaciones")) %>% 
  DT::formatRound(columns =2:2 ,digits = 0, mark = ".", dec.mark = ",") 

Evolución de la cantidad de investigaciones por año

Data

delitos_ambientales_all %>% 
  mutate(
    fecha_expediente = case_when(
      str_detect(Expediente, "2011") ~ "2011",
      str_detect(Expediente, "2012") ~ "2012",
      str_detect(Expediente, "2013") ~ "2013",
      str_detect(Expediente, "2014") ~ "2014",
      str_detect(Expediente, "2015") ~ "2015",
      str_detect(Expediente, "2016") ~ "2016",
      str_detect(Expediente, "2017") ~ "2017",
      str_detect(Expediente, "2018") ~ "2018",
      str_detect(Expediente, "2019") ~ "2019")) %>% 
  
  group_by(fecha_expediente) %>% 
  summarise(
    n_investigaciones = n_distinct(Expediente, `Nº Legajo`)
  ) %>% 
  arrange(desc(fecha_expediente)) %>% 
  datatable(colnames = c("Fecha Expediente","Cantidad de Investigaciones")) %>% 
  DT::formatRound(columns =2:2 ,digits = 0, mark = ".", dec.mark = ",") 

Viz

delitos_ambientales_all %>% 
  mutate(
    fecha_expediente = case_when(
      str_detect(Expediente, "2011") ~ "2011",
      str_detect(Expediente, "2012") ~ "2012",
      str_detect(Expediente, "2013") ~ "2013",
      str_detect(Expediente, "2014") ~ "2014",
      str_detect(Expediente, "2015") ~ "2015",
      str_detect(Expediente, "2016") ~ "2016",
      str_detect(Expediente, "2017") ~ "2017",
      str_detect(Expediente, "2018") ~ "2018",
      str_detect(Expediente, "2019") ~ "2019")) %>% 
  ggplot(aes(x=fecha_expediente))+
  geom_bar()+
  labs(x="Año", y="Cantidad de Investigaciones")+
  scale_y_continuous(label = scales::number_format(big.mark = ".",decimal.mark = ","))

Delitos más comunes

delitos_ambientales_all %>% 
  group_by(Materia) %>% 
  summarise(
    n_casos = n_distinct(`Nº Legajo`,Expediente)
  ) %>% 
  arrange(desc(n_casos)) %>% 
  datatable(colnames = c("Materia o delito","Cantidad de Casos")) %>% 
  DT::formatRound(columns =2:2 ,digits = 0, mark = ".", dec.mark = ",") 

Ubicación de las investigaciones

Ranking

delitos_ambientales_all %>% 
  group_by(`Distrito Judicial`) %>% 
  summarise(
    n_casos = n_distinct(`Nº Legajo`, Expediente)
  ) %>% arrange(desc(n_casos)) %>% 
  datatable(colnames = c("Distrito Judicial","Cantidad de Casos")) %>% 
  DT::formatRound(columns =2:2 ,digits = 0, mark = ".", dec.mark = ",") 

3. Infracciones Osinfor

Ranking infractores

Resumen

infractores_osinfor_all %>% 
  group_by(Titular) %>% 
  summarise(
    n_infracciones = n(),
    multa_total = sum(`Valor multa (S/)`,na.rm = T)  
  ) %>% arrange(desc(multa_total)) %>% 
  datatable(colnames = c("Titular","Cantidad infracciones", "Multa total (S/)")) %>% 
  DT::formatRound(columns =3:3 ,digits = 2, mark = ".", dec.mark = ",") 

Solo personas jurídicas (No comunidades)

infractores_osinfor_all %>% 
  filter(!str_detect(Titular, regex("comunidad",ignore_case = T))) %>% 
  group_by(Titular) %>% 
  summarise(
    n_infracciones = n(),
    multa_total = sum(`Valor multa (S/)`,na.rm = T)  
  ) %>% arrange(desc(multa_total)) %>% 
  datatable(colnames = c("Titular","Cantidad infracciones", "Multa total (S/)")) %>% 
  DT::formatRound(columns =3:3 ,digits = 2, mark = ".", dec.mark = ",") 

Por tipo de infracción

infractores_osinfor_all %>% 
  group_by(Infracciones) %>% 
  summarise(
    n_infracciones = n(),
    multa_total = sum(`Valor multa (S/)`,na.rm = T)  
  ) %>% arrange(desc(multa_total)) %>% 
  datatable(colnames = c("Infracciones","Cantidad infracciones", "Multa total (S/)")) %>% 
  DT::formatRound(columns =3:3 ,digits = 2, mark = ".", dec.mark = ",") 

Por modalidad de aprovechamiento

infractores_osinfor_all %>% 
  group_by(Modalidad_de_Aprovechamiento) %>% 
  summarise(
    n_infracciones = n(),
    multa_total = sum(`Valor multa (S/)`,na.rm = T)  
  ) %>% arrange(desc(multa_total)) %>% 
  datatable(colnames = c("Modalida aprovechamiento","Cantidad infracciones", "Multa total (S/)")) %>% 
  DT::formatRound(columns =3:3 ,digits = 2, mark = ".", dec.mark = ",") 

Evolución de infracciones

Ranking

infractores_osinfor_all %>% 
  group_by(Fecha) %>% 
  summarise(
    n_infracciones = n(),
    monto_multa = sum(`Valor multa (S/)`,na.rm = T)
  ) %>% arrange(desc(Fecha)) %>% 
  datatable(colnames = c("Fecha","Cantidad infracciones", "Multa total (S/)")) %>% 
  DT::formatRound(columns =3:3 ,digits = 2, mark = ".", dec.mark = ",") 

Viz

infractores_osinfor_all %>% 
  ggplot(aes(Fecha, `Valor multa (S/)`))+
  geom_col() +
  labs(x="Año", y="Valor Multa (S/)")+
  scale_y_continuous(label = scales::number_format(big.mark = ".",decimal.mark = ","))

Ubicación de infracciones

infractores_osinfor_all %>% 
  group_by(Departamento) %>% 
  summarise(
    n_infracciones = n(),
    n_multa = sum(`Valor multa (S/)`, na.rm = T)
  ) %>% arrange(desc(n_infracciones)) %>% 
  datatable(colnames = c("Departamento","Cantidad infracciones", "Multa total (S/)")) %>% 
  DT::formatRound(columns =3:3 ,digits = 2, mark = ".", dec.mark = ",") 

4. Match de los datasets

Importadoras con antecedentes

Se muestra un resumen de las empresas exportadores de madera que tienen infraciones de Osinfor. Para realizar el cruce con la investigaciones fiscales se necesita crear un dataset con los representantes legales de los importadores, debido a que es poco común procesar a personas jurídicas como responsables, en su lugar se imputa a los representantes legales o apoderados. Además que un mismo representante legal puede estar vinculada a otras empresas. Por ejemplo, Jose Luis Ascencio Jurado es Gerente General de Inversiones La Oroza, la mayor exportadora de madera en el Perú, y está siendo investigado en la Fiscalía Especializada en Materia Ambiental de Loreto - Maynas / Cuarto Juzgado de Investigacion Preparatoria de Loreto, por un caso de la empresa Industria Forestal Iquitos y por Delito contra los bosques o formaciones Boscosas (Art. 310)||TIP_0206.

exportaciones %>% 
  group_by(`Cod. Tributario`, Exportador) %>% 
  summarise(
    valor_fob = sum(`U$ FOB Tot`,na.rm = T),
    kg_neto = sum(`Kg Neto`, na.rm = T)
  ) %>% arrange(desc(valor_fob)) %>% 
  rename(ruc = `Cod. Tributario`) %>% 
  inner_join(
    infractores_osinfor_all %>% 
      rename(ruc =`N_Documento(DNI/RUC)`), by = "ruc" 
  ) %>% 
  group_by(ruc, Exportador, valor_fob, kg_neto) %>% 
  summarise(
    n_infracciones_osinfor = n(),
    multa = sum(`Valor multa (S/)`,na.rm = T)
  ) %>% arrange(desc(valor_fob)) %>% 
  datatable(colnames = c("RUC","Exportador", "Valor FOB (US$)","Peso Neto (Kg)","Infracciones Osinfor","Multa total (S/)")) %>% 
  DT::formatRound(columns =3:6 ,digits = 2, mark = ".", dec.mark = ",") 

NA

Imputados que cometieron infracciones impuesta por Osinfor y estan investigadas en Fiscalía

Se hizo un match de los infractores e investigados en fiscalía para conocer a personas naturales o jurídicas que son recurrentes en actos perjudiciales para el sector maderero

nombres <- read_sheet("https://docs.google.com/spreadsheets/d/1wgyjFSx73TPpon6v_DLaUIekQ836wFuzdle7XkLxoLo/edit#gid=1344915534", sheet ="nombres",col_types = "ccc")

nombres %>% 
  left_join(infractores_osinfor_all %>% 
               rename(nombre_infractores = Titular), by = "nombre_infractores") %>% 
  group_by(nombre_delitos_ambientales, nombre_infractores) %>% 
  summarise(
    n_infracciones = n(),
    multa = sum(`Valor multa (S/)`, na.rm = T)
  ) %>% 
  left_join(delitos_ambientales_all %>% 
              rename(nombre_delitos_ambientales = Imputado), by = "nombre_delitos_ambientales") %>% 
  group_by(nombre_delitos_ambientales, nombre_infractores, n_infracciones, multa) %>% 
  summarise(
    n_investigaciones = n_distinct(`Nº Legajo`, Expediente)
  ) %>% arrange(desc(multa)) %>% 
  datatable(colnames = c("Nombre (Delitos ambientales)","Nombre (Infractores Osinfor)", "Cantidad infracciones","Multa total (S/)", "Cantidad investigaciones")) %>% 
  DT::formatRound(columns =4:4 ,digits = 2, mark = ".", dec.mark = ",") 

NA