El objetivo principal de esta investigación es analizar el comportamiento histórico de los desembolsos de proyectos financiados por bancos multilaterales, específicamente el Banco Mundial, el Banco Interamericano de Desarrollo (BID) y el Banco Asiático de Desarrollo (ASDB). La intención es obtener una visión clara del rendimiento de los desembolsos de un proyecto promedio en cada banco, monitorear su desempeño a lo largo del tiempo y entender los factores (drivers) que afectan dichos desembolsos.
Comportamiento histórico de los desembolsos
El análisis del comportamiento histórico de los desembolsos se centra en la estimación de la curva histórica de desembolsos (hd(k)) para proyectos aprobados entre 2003 y 2023. Esta curva proporciona una representación del promedio esperado de desembolsos a lo largo del tiempo desde la aprobación del proyecto. Al comparar los datos del Banco Mundial y del BID, se observa que las características institucionales y legales de cada país tienen mayor relevancia en América Latina y el Caribe (LAC), mientras que en Asia y África, las características sectoriales son ligeramente más influyentes. Sin embargo, ninguno de estos factores por sí solo es suficiente para explicar completamente el comportamiento de los desembolsos, lo que sugiere la necesidad de considerar características más específicas de los proyectos.
Desempeño
El análisis de la curva de desembolsos para Sudamérica, combinando los datos del BID y del Banco Mundial, ofrece un valioso punto de referencia (benchmark) para evaluar el desempeño de los proyectos de inversión en la región. Este benchmark permite a otros bancos multilaterales como Fonplata comparar sus propias curvas de desembolsos con un estándar regional robusto, identificando así áreas de mejora y oportunidades para replicar prácticas exitosas.
Drivers
El análisis de las desviaciones respecto a las curvas históricas revela que tanto las características institucionales de los países como las sectoriales influyen en el rendimiento de los desembolsos. Sin embargo, en América Latina y el Caribe, las características institucionales y legales tienen mayor impacto, mientras que en Asia y África, las características sectoriales son más influyentes.
Resultados
Como se discutirá más adelante en el documento, estimar esta curva para los bancos multilaterales permite no solo obtener una visión del comportamiento de desembolsos de un proyecto promedio en el banco, sino también monitorear el desempeño de los desembolsos de un proyecto en términos de su evolución.
En relación con las desviaciones respecto a cada curva histórica, se observó que en regiones como América Latina y el Caribe (LAC), comparando los datos del Banco Mundial y del BID, las características institucionales y legales de cada país tienen mayor relevancia que las características sectoriales para explicar el desempeño de los desembolsos. En otras regiones, como Asia y África, los sectores superan ligeramente en importancia a las características del país. Sin embargo, ninguna de las dos variables es suficiente para explicar completamente el comportamiento de los desembolsos, lo que nos lleva a considerar características mucho más específicas de los proyectos.
Se presenta la estimación de la curva histórica de desembolsos para los proyectos aprobados desde 2005 hasta 2023 del Banco Mundial.
Fuente: Elaboración propia con datos de IATI y Banco Mundial
Al analizar los proyectos activos del Banco Mundial en 2023, se observa que el 53.5% tiene un rendimiento por debajo del promedio, el 21.45% por encima y el 25.31% en el rango promedio.
Regiones
Desempeño Inicial: En los primeros 15 meses tras la aprobación del proyecto, la región ENA ha destacado al desembolsar un 30%, separándose significativamente de las demás regiones. Las otras regiones han registrado desembolsos en un rango del 10% al 15%.
Desempeño mediano plazo: Las regiones WCA, MNA y ESA alcanzan el 50% de desembolso de sus proyectos en un rango estimado de 50 a 55 meses. Les siguen las regiones SA y LAC, que lo logran entre los 55 y 60 meses. Finalmente, las regiones EAP y ECA alcanzan la mitad de sus desembolsos en un periodo de 60 a 65 meses.
Desempeño final: En la fase final de desembolso, se observa que las regiones comienzan a mostrar tendencias distintas. LAC, SA y WCA superan la curva histórica del Banco Mundial en cuanto a la proporción desembolsada en relación con los meses desde la aprobación del proyecto. Por debajo se encuentran EAP, ESA y ECA. Finalmente, la región MNA presenta una curva que se va aplanando a medida que aumentan los meses desde la aprobación.
Fuente: Elaboración propia con datos de IATI y Banco Mundial
Desviaciones
El gráfico combinado muestra las desviaciones medias de los desembolsos del Banco Mundial por región y sector. Medio Oriente y África del Norte tiene las desviaciones más altas, indicando mejores desempeños de desembolsos, seguidos por África Occidental y Central, y África Oriental y Meridional. América Latina y el Caribe tienen desviaciones casi neutras. En términos de sectores, algunos muestran desviaciones positivas, superando las expectativas, mientras que otros tienen desviaciones negativas, indicando un desempeño menor al esperado. El gráfico destaca la necesidad de un análisis más detallado para entender las razones detrás de estas variaciones en las desviaciones de desembolsos. Este análisis podría incluir factores específicos como políticas institucionales, contextos económicos, y características de los proyectos en cada región y sector.
Fuente: Elaboración propia con datos de IATI y Banco Mundial
Los sectores del Banco Mundial se agruparon en clasificaciones más amplias debido a que las divisiones muy específicas dificultaban la visualización clara del gráfico.
Países Vs Sectores
Los resultados de las regresiones indican que las diferencias entre países y sectores son significativas para explicar la variabilidad en la desviación de los desembolsos. La regresión para países tiene un R2 ajustado de 17.33% y un error estándar residual de 0.2087, mientras que la regresión para sectores tiene un R2 ajustado de 15.52% y un error estándar residual de 0.2143. Esto sugiere que las diferencias entre países explican un poco más de la variabilidad en la desviación de los desembolsos comparado con las diferencias entre sectores. Ambos modelos son altamente significativos, con p-values extremadamente bajos, lo que indica que tanto los países como los sectores son importantes para predecir la desviación de los desembolsos.
Curva histórica
Aqui se presenta la estimación de la curva histórica de desembolsos para los proyectos aprobados desde 2003 hasta 2023 del BID. Como se discutirá más adelante en el documento, estimar esta curva para los organismos multilaterales permite no solo obtener una visión del comportamiento de desembolsos de un proyecto promedio en el banco, sino también monitorear el desempeño términos de su evolución.
Fuente: Elaboración propia con datos de IATI y BID
Al analizar los proyectos activos del BID en 2023, se observa que el 38.6% tiene un rendimiento por debajo del promedio, el 24.7% por encima y el 36.6% en el rango promedio.
Curvas Individuales
Desempeño Inicial: Argentina, Brasil y Uruguay destacan por tener las mejores tasas de desembolso, alcanzando entre un 10% y un 15% a los cinco meses de iniciados los proyectos. Bolivia, por su parte, tarda hasta 20 meses en llegar a esa proporción. Paraguay se sitúa en la última posición, comenzando a desembolsar solo después de 15 meses.
Desempeño a mediano plazo: Uruguay ha desembolsado aproximadamente la mitad del monto del proyecto a partir de los 40 meses. Argentina y Bolivia le siguen de cerca, alcanzando una proporción similar entre los 47 y 50 meses. Brasil llega a esta misma proporción después de 56 meses, y finalmente, Paraguay lo hace a los 70 meses.
Desempeño final: Las curvas de Uruguay y Bolivia comienzan a aplanarse a medida que se acercan a desembolsar el total del préstamo del proyecto. La curva de Brasil se eleva, superando ligeramente a los demás países al final del proyecto. La curva de Argentina también termina aplanándose, mientras que la de Paraguay sigue mostrando cierta lentitud en el desembolso hacia el final del proyecto.
Fuente: Elaboración propia con datos de IATI y BID
Modalidad de préstamo
Préstamos de inversión:
El análisis de las modalidades de préstamo del BID revela que ESP destaca con tasas de desembolso del 15% a los cinco meses y alcanza el 50% a los 48 meses, manteniendo un ritmo constante y eficiente hasta la finalización del proyecto. GOM, aunque comienza más lento, alcanzando el 10% a los 5 meses y el 50% a los 57 meses, muestra una fuerte recuperación y un buen desempeño al cierre. TCR, por su parte, es el más lento, logrando el 10% a los 15 meses y el 50% a los 58 meses; aunque mejora hacia el final, sigue mostrando lentitud en los desembolsos. En resumen, ESP es la modalidad de préstamo más eficiente, GOM se recupera bien, y TCR necesita mejoras en la gestión de desembolsos.
Fuente: Elaboración propia con datos de IATI y BID
Por nivel de proyecto:
Observamos que los proyectos con alcance nacional para el BID desembolsan de manera más rápida en términos de proporción hasta aproximadamente los 80-85 meses con un 70% del monto aprobado desemboslado. Posteriormente, son superados por los proyectos subnacionales, que presentan una curva de desembolso mucho más empinada al final del proyecto.
Fuente: Elaboración propia con datos de IATI y BID
Desviaciones
Es relevante señalar que, en general, la desviación entre países es mayo. Esta observación coincide con hallazgos previos de los investigadores del BID, sugiriendo que las características institucionales o legales podrían ser más influyentes que las sectoriales para comprender las desviaciones respecto a la curva histórica de desembolsos.
Fuente: Elaboración propia con datos de IATI y BID
Al realizar la regresion lineal para los países y los sectores en contramos que las diferencias a nivel país explican el 24% de la variación de los rendimientos de los proyectos, mientras que las diferencias a nivel de sector solo explican el 9%.
En resumen, el R^2 ajustado de las regresiones ayuda a entender la proporción de la variabilidad en la desviación del desembolso que se explica por las diferencias entre países. La variabilidad no explicada (76% dentro de los países) sugiere que hay muchos otros factores específicos del locales que influyen en el rendimiento de los desembolsos y que deben ser considerados para un análisis completo.
Curva histórica
Para calcular la curva histórica de desembolsos de Fonplata y ajustar los datos al modelo, se utilizaron como valores iniciales los parámetros obtenidos del análisis del BID para los proyectos en Sudamérica. b1: -0.03, b2: 0.03, b3: 5.6
Fuente: Elaboración propia con base de datos Fonplata, DATAWAREHOUSE
Desviaciones
Para los países miembros, Uruguay desembolsa un 21% más que el proyecto promedio de Fonplata. En lo que respecta a Bolivia, desembolsa un 5% más. Argentina y Paraguay presentan porcentajes ligeramente reducidos, con desembolsos entre un 1% y un 5% menos que el promedio. Por otro lado, Brasil desembolsa aproximadamente un 13% menos que el promedio.
Fuente: Elaboración propia con base de datos Fonplata, DATAWAREHOUSE
Curva histórica
Para la curva hd(k) del Banco Asiático de Desarrollo, observamos que es mucho más aplanada en comparación con las demás. De sus proyectos activos hasta 2023, el 11.95% presenta rendimientos por encima del promedio, el 38.43% se encuentra dentro del promedio, y el 49.62% está por debajo del rendimiento promedio de los proyectos.
Desviaciones
Las desviaciones respecto a la curva histórica del Banco de Desarrollo Asiático muestran que los sectores tienen un impacto significativamente mayor que las características de los países. Esto se confirma con la regresión lineal aplicada, donde las diferencias entre países explican solo el 8.37% de la variabilidad en la desviación del desembolso, mientras que las diferencias entre sectores explican el 12.66%. Estos resultados indican que los sectores influyen más en la variabilidad de los desembolsos. Para una comprensión más profunda, es crucial considerar tanto los factores sectoriales como los específicos del proyecto y del país.
Banco Mundial LAC Vs BID
Podemos observar que la curva del BID muestra un crecimiento mas pronunciado en los desembolsos iniciales que el Banco Mundial y una estabilizacion que alcanza un punto cercano al 80% en la proporción de desembolsos esperados.
Fuente: Elaboración propia con datos de IATI, BID y Banco Mundial
El BID muestra un desempeño más robusto y eficiente en términos de desembolsos en la región LAC, con una curva más pronunciada y constante tanto en el inicio como en el mediano plazo, alcanzando una proporción mayor de desembolsos en menor tiempo. El Banco Mundial también presenta un buen desempeño, aunque sus desembolsos son ligeramente más lentos en comparación. Ambos organismos financieros logran aplanar sus curvas hacia el final del período analizado, lo que sugiere una finalización efectiva de los proyectos, aunque el BID lo hace con una mayor rapidez y consistencia.
Curva de Desembolsos para Sudamérica
Con el objetivo de obtener un benchmark de la región se combinaron los proyectos de inversión del BID con los del Banco Mundial con presencia en Sudamérica y se modelo la curva de desembolsos.
Fuente: Elaboración propia con datos de IATI, Combinando datos del BID y el Banco Mundial
Existe una predominancia considerable en la cantidad de proyectos del BID en relación con el Banco Mundial para Sudamerica
Fonplata Vs BID
Comparando los proyectos de Fonplata con los del BID en los países miembros (Argentina, Bolivia, Brasil, Paraguay y Uruguay), se observa que Fonplata logra desembolsar entre el 20% y el 30% del monto aprobado en los primeros meses de vigencia del proyecto. Además, alcanza el 50% del desembolso total después de 24 meses.
Fuente: Elaboración propia combinando datos de Fonplata y el BID
Conclusiones
La investigación destaca la importancia de analizar tanto las características institucionales y legales de los países como las características sectoriales para entender el comportamiento de los desembolsos de proyectos financiados por bancos multilaterales. Mientras que las características del país tienden a tener un mayor impacto en regiones como América Latina y el Caribe, en otras regiones como Asia y África, las características sectoriales son más determinantes. Además, se observa que cada región y modalidad de préstamo tiene un comportamiento único en términos de desembolsos, lo que resalta la necesidad de un análisis detallado y específico para mejorar la eficiencia de los desembolsos y el rendimiento de los proyectos.
Source Code
---title: "MDB's Curvas de Desembolso"author: "Análisis y Estudios Económicos - Fonplata"toc: trueformat: html: html-math-method: katex code-tools: true self-contained: true css: styles.cssexecute: warning: falseeditor: visual---# Summary```{r, echo=FALSE, warning=FALSE, message=FALSE}library(readxl)library(dplyr)library(stringr)library(lubridate)library(minpack.lm)library(ggplot2)library(plotly)library(readr)# Configurar R para no usar notación científicaoptions(scipen = 999)```## ObjetivosEl objetivo principal de esta investigación es analizar el comportamiento histórico de los desembolsos de proyectos financiados por bancos multilaterales, específicamente el Banco Mundial, el Banco Interamericano de Desarrollo (BID) y el Banco Asiático de Desarrollo (ASDB). La intención es obtener una visión clara del rendimiento de los desembolsos de un proyecto promedio en cada banco, monitorear su desempeño a lo largo del tiempo y entender los factores (drivers) que afectan dichos desembolsos.### Comportamiento histórico de los desembolsosEl análisis del comportamiento histórico de los desembolsos se centra en la estimación de la curva histórica de desembolsos (hd(k)) para proyectos aprobados entre 2003 y 2023. Esta curva proporciona una representación del promedio esperado de desembolsos a lo largo del tiempo desde la aprobación del proyecto. Al comparar los datos del Banco Mundial y del BID, se observa que las características institucionales y legales de cada país tienen mayor relevancia en América Latina y el Caribe (LAC), mientras que en Asia y África, las características sectoriales son ligeramente más influyentes. Sin embargo, ninguno de estos factores por sí solo es suficiente para explicar completamente el comportamiento de los desembolsos, lo que sugiere la necesidad de considerar características más específicas de los proyectos.### DesempeñoEl análisis de la curva de desembolsos para Sudamérica, combinando los datos del BID y del Banco Mundial, ofrece un valioso punto de referencia (benchmark) para evaluar el desempeño de los proyectos de inversión en la región. Este benchmark permite a otros bancos multilaterales como **Fonplata** comparar sus propias curvas de desembolsos con un estándar regional robusto, identificando así áreas de mejora y oportunidades para replicar prácticas exitosas.### DriversEl análisis de las desviaciones respecto a las curvas históricas revela que tanto las características institucionales de los países como las sectoriales influyen en el rendimiento de los desembolsos. Sin embargo, en América Latina y el Caribe, las características institucionales y legales tienen mayor impacto, mientras que en Asia y África, las características sectoriales son más influyentes.# ResultadosComo se discutirá más adelante en el documento, estimar esta curva para los bancos multilaterales permite no solo obtener una visión del comportamiento de desembolsos de un proyecto promedio en el banco, sino también monitorear el desempeño de los desembolsos de un proyecto en términos de su evolución.En relación con las desviaciones respecto a cada curva histórica, se observó que en regiones como América Latina y el Caribe (LAC), comparando los datos del Banco Mundial y del BID, las características institucionales y legales de cada país tienen mayor relevancia que las características sectoriales para explicar el desempeño de los desembolsos. En otras regiones, como Asia y África, los sectores superan ligeramente en importancia a las características del país. Sin embargo, ninguna de las dos variables es suficiente para explicar completamente el comportamiento de los desembolsos, lo que nos lleva a considerar características mucho más específicas de los proyectos.::: panel-tabset## Banco Mundial#### Curva históricaSe presenta la estimación de la curva histórica de desembolsos para los proyectos aprobados desde 2005 hasta 2023 del Banco Mundial.```{r, echo=FALSE, warning=FALSE, message=FALSE} #Graficar los resultadosdata_actives_GRAFICO <- read.csv("Banco Mundial/BDD_FINAL_WB_ACTIVOS.csv")p_activos <- ggplot(data_actives_GRAFICO, aes(x = k)) + geom_point(aes(y = d, color = classification), size = 0.7, alpha = 0.6) + geom_line(aes(y = hd_k, color = 'Historic Disbursement Curve'), size = 1) + geom_line(aes(y = upper_limit, color = 'Upper limit'), linetype = "dashed", size = 0.5) + geom_line(aes(y = lower_limit, color = 'Lower limit'), linetype = "dashed", size = 0.5) + scale_color_manual(values = c('Above Average' = '#2CA02C', # Verde más claro 'Average' = '#1F77B4', # Azul claro 'Below Average' = '#D62728', # Rojo claro 'Historic Disbursement Curve' = 'black', 'Upper limit' = '#98DF8A', # Verde pastel 'Lower limit' = '#FF9896')) + # Rojo pastel scale_y_continuous(limits = c(0, 1)) + # Ajustar el límite superior del eje y a 1 labs(title = "Proyectos de inversión activos a 2023", subtitle = "", x = "Months since approval", y = "Cumulative Disbursement (Prop. of Approved Amount)") + theme_minimal() + theme(legend.position = "bottom", legend.title = element_blank(), plot.title = element_text(size = 15), plot.subtitle = element_text(size = 12), axis.text = element_text(size = 7), axis.title = element_text(size = 7), legend.text = element_text(size = 7))p_activos_interactives <- ggplotly(p_activos)p_activos_interactives```~***Fuente:** Elaboración propia con datos de IATI y Banco Mundial*~Al analizar los proyectos activos del Banco Mundial en 2023, se observa que el 53.5% tiene un rendimiento por debajo del promedio, el 21.45% por encima y el 25.31% en el rango promedio.**Regiones**- **Desempeño Inicial:** En los primeros 15 meses tras la aprobación del proyecto, la región ENA ha destacado al desembolsar un 30%, separándose significativamente de las demás regiones. Las otras regiones han registrado desembolsos en un rango del 10% al 15%.- **Desempeño mediano plazo:** Las regiones WCA, MNA y ESA alcanzan el 50% de desembolso de sus proyectos en un rango estimado de 50 a 55 meses. Les siguen las regiones SA y LAC, que lo logran entre los 55 y 60 meses. Finalmente, las regiones EAP y ECA alcanzan la mitad de sus desembolsos en un periodo de 60 a 65 meses.- **Desempeño final:** En la fase final de desembolso, se observa que las regiones comienzan a mostrar tendencias distintas. LAC, SA y WCA superan la curva histórica del Banco Mundial en cuanto a la proporción desembolsada en relación con los meses desde la aprobación del proyecto. Por debajo se encuentran EAP, ESA y ECA. Finalmente, la región MNA presenta una curva que se va aplanando a medida que aumentan los meses desde la aprobación.```{r, echo=FALSE, warning=FALSE, message=FALSE}combined_df_historic <- read.csv("wb_regiones.csv")# Definir los colores personalizados para cada regióncustom_colors_historic <- c( "East Asia and Pacific" = "#1F77B4", "Eastern and South Africa" = "#FF7F0E", "Europe and Central Asia" = "#2CA02C", "Latin America and Caribbean" = "#D62728", "Middle East and North Africa" = "#9467BD", "South Asia" = "#8C564B", "Western and Central Africa" = "#E377C2", "World Bank Historic" = "#0D0D0D")# Crear el gráfico combinado de todas las curvas de desembolso históricohistoric <- ggplot(combined_df_historic, aes(x = k, y = hd_k, color = region)) + geom_line(size = 0.5) + # Ajusta el tamaño de las líneas aquí scale_color_manual(values = custom_colors_historic) + labs(title = "Curvas de desembolso históricas por región", x = "Months Since Approval (k)", y = "Expected Disbursement Proportion (hd(k))", color = "Region") + theme_minimal() + theme(plot.title = element_text(hjust = 0.5)) # Centra el título del gráfico# Convertir a gráfico interactivoggplotly(historic)```~***Fuente:** Elaboración propia con datos de IATI y Banco Mundial*~#### DesviacionesEl gráfico combinado muestra las desviaciones medias de los desembolsos del Banco Mundial por región y sector. Medio Oriente y África del Norte tiene las desviaciones más altas, indicando mejores desempeños de desembolsos, seguidos por África Occidental y Central, y África Oriental y Meridional. América Latina y el Caribe tienen desviaciones casi neutras. En términos de sectores, algunos muestran desviaciones positivas, superando las expectativas, mientras que otros tienen desviaciones negativas, indicando un desempeño menor al esperado. **El gráfico destaca la necesidad de un análisis más detallado para entender las razones detrás de estas variaciones en las desviaciones de desembolsos.** Este análisis podría incluir factores específicos como políticas institucionales, contextos económicos, y características de los proyectos en cada región y sector.```{r, echo=FALSE, warning=FALSE, message=FALSE}# Leer el archivo CSVaverage_deviation_combined <- read.csv("Banco Mundial/desviaciones_agre_bancomundial.csv")# Convertir las columnas 'name' y 'type' en factores para ordenar adecuadamenteaverage_deviation_combined$name <- factor(average_deviation_combined$name, levels = unique(average_deviation_combined$name[order(average_deviation_combined$average_deviation, decreasing = TRUE)]))average_deviation_combined$type <- factor(average_deviation_combined$type, levels = c("Region", "Sector"))# Crear el gráfico combinadop_combined <- ggplot(average_deviation_combined, aes(x = name, y = average_deviation, fill = type)) + geom_bar(stat = "identity") + coord_flip() + labs(x = "Name", y = "Average Deviation", title = "Desviación promedio - Banco Mundial") + theme_minimal() + theme( legend.position = "top", # Muestra la leyenda en la parte superior axis.text.y = element_text(size = 10), # Ajustar tamaño del texto en el eje y axis.text.x = element_text(size = 10), # Ajustar tamaño del texto en el eje x legend.text = element_text(size = 10), # Ajustar tamaño del texto de la leyenda legend.title = element_text(size = 10), # Ajustar tamaño del título de la leyenda plot.title = element_text(size = 14), # Ajustar tamaño del título del gráfico strip.text.y = element_text(size = 10) # Ajustar tamaño del texto de las facetas ) + scale_fill_manual(values = c("Region" = "#D62728", "Sector" = "#1F77B4")) + # Especifica colores diferentes para regiones y sectores facet_grid(type ~ ., scales = "free_y", space = "free_y") # Divide el gráfico en facetas para regiones y sectores# Filtrar y ordenar datos para regiones y sectoresaverage_deviation_by_region <- subset(average_deviation_combined, type == "Region")average_deviation_by_sector <- subset(average_deviation_combined, type == "Sector")average_deviation_by_region <- average_deviation_by_region[order(average_deviation_by_region$average_deviation, decreasing = TRUE), ]average_deviation_by_sector <- average_deviation_by_sector[order(average_deviation_by_sector$average_deviation, decreasing = TRUE), ]# Gráfico de barras para visualizar las desviaciones medias por región con un solo colorp_region <- ggplot(average_deviation_by_region, aes(x = reorder(name, average_deviation), y = average_deviation)) + geom_bar(stat = "identity", fill = "#1f77b4") + # Especificar un color único para todas las barras coord_flip() + # Girar el gráfico para mejor visualización labs(x = "Region", y = "Average Deviation", title = "Average Disbursement Deviation by Region") + theme_minimal() + theme(legend.position = "none") # Ocultar la leyenda porque no es necesaria# Gráfico de barras para visualizar las desviaciones medias por sector con un solo colorp_sector <- ggplot(average_deviation_by_sector, aes(x = reorder(name, average_deviation), y = average_deviation)) + geom_bar(stat = "identity", fill = "#ff7f0e") + # Especificar un color único para todas las barras coord_flip() + # Girar el gráfico para mejor visualización labs(x = "Sector", y = "Average Deviation", title = "Average Disbursement Deviation by Sector - Banco Mundial") + theme_minimal() + theme(legend.position = "none") # Ocultar la leyenda porque no es necesaria# Mostrar el gráfico de sectoresp_combined_interactive <- ggplotly(p_combined)p_combined_interactive```~***Fuente:** Elaboración propia con datos de IATI y Banco Mundial*~::: {.callout-note appearance="simple"}## Los sectores del Banco Mundial se agruparon en clasificaciones más amplias debido a que las divisiones muy específicas dificultaban la visualización clara del gráfico.:::**Países Vs Sectores**Los resultados de las regresiones indican que las diferencias entre países y sectores son significativas para explicar la variabilidad en la desviación de los desembolsos. **La regresión para países tiene un R2 ajustado de 17.33%** y un error estándar residual de 0.2087, mientras que **la regresión para sectores tiene un R2 ajustado de 15.52%** y un error estándar residual de 0.2143. Esto sugiere que las diferencias entre países explican un poco más de la variabilidad en la desviación de los desembolsos comparado con las diferencias entre sectores. Ambos modelos son altamente significativos, con p-values extremadamente bajos, lo que indica que tanto los países como los sectores son importantes para predecir la desviación de los desembolsos.## BID#### Curva históricaAqui se presenta la estimación de la curva histórica de desembolsos para los proyectos aprobados desde 2003 hasta 2023 del BID. Como se discutirá más adelante en el documento, estimar esta curva para los organismos multilaterales permite no solo obtener una visión del comportamiento de desembolsos de un proyecto promedio en el banco, sino también monitorear el desempeño términos de su evolución.#### ```{r, echo=FALSE, warning=FALSE, message=FALSE}library(ggplot2)library(plotly)data_final_actives <- read.csv("datafinalactives.csv")p <- ggplot(data_final_actives, aes(x = k)) + geom_point(aes(y = d, color = classification), size = 0.7, alpha = 0.6) + geom_line(aes(y = hd_k, color = 'Historic Disbursement Curve'), size = 1) + geom_line(aes(y = upper_limit, color = 'Upper limit'), linetype = "dashed", size = 0.5) + geom_line(aes(y = lower_limit, color = 'Lower limit'), linetype = "dashed", size = 0.5) + scale_color_manual(values = c('Above Average' = '#2CA02C', # Verde más claro 'Average' = '#1F77B4', # Azul claro 'Below Average' = '#D62728', # Rojo claro 'Historic Disbursement Curve' = 'black', 'Upper limit' = '#98DF8A', # Verde pastel 'Lower limit' = '#FF9896')) + # Rojo pastel scale_y_continuous(limits = c(0, 1)) + # Ajustar el límite superior del eje y a 1 labs(title = "Proyectos de inversión activos a 2023", subtitle = "", x = "Months since approval", y = "Cumulative Disbursement (Prop. of Approved Amount)") + theme_minimal() + theme(legend.position = "bottom", legend.title = element_blank(), plot.title = element_text(size = 15), plot.subtitle = element_text(size = 12), axis.text = element_text(size = 7), axis.title = element_text(size = 7), legend.text = element_text(size = 7), plot.margin = margin(20, 20, 40, 20)) + # Ajustar margen inferior annotate("text", x = Inf, y = -0.1, label = "Fuente: Elaboración propia con datos de IATI y BID", hjust = 1, size = 3, vjust = 0, angle = 0, color = "black")# Convertir a gráfico interactivoggplotly(p)```~***Fuente:** Elaboración propia con datos de IATI y BID*~Al analizar los proyectos activos del BID en 2023, se observa que el 38.6% tiene un rendimiento por debajo del promedio, el 24.7% por encima y el 36.6% en el rango promedio.- **Curvas Individuales** - **Desempeño Inicial:** Argentina, Brasil y Uruguay destacan por tener las mejores tasas de desembolso, alcanzando entre un 10% y un 15% a los cinco meses de iniciados los proyectos. Bolivia, por su parte, tarda hasta 20 meses en llegar a esa proporción. Paraguay se sitúa en la última posición, comenzando a desembolsar solo después de 15 meses. - **Desempeño a mediano plazo:** Uruguay ha desembolsado aproximadamente la mitad del monto del proyecto a partir de los 40 meses. Argentina y Bolivia le siguen de cerca, alcanzando una proporción similar entre los 47 y 50 meses. Brasil llega a esta misma proporción después de 56 meses, y finalmente, Paraguay lo hace a los 70 meses. - **Desempeño final:** Las curvas de Uruguay y Bolivia comienzan a aplanarse a medida que se acercan a desembolsar el total del préstamo del proyecto. La curva de Brasil se eleva, superando ligeramente a los demás países al final del proyecto. La curva de Argentina también termina aplanándose, mientras que la de Paraguay sigue mostrando cierta lentitud en el desembolso hacia el final del proyecto.```{r, echo=FALSE, warning=FALSE, message=FALSE} # Cargar las librerías necesarias library(ggplot2) library(plotly) library(readr) # Cargar los datasets argentina_df <- read_csv("Argentina.csv") bolivia_df <- read_csv("Bolivia.csv") brasil_df <- read_csv("Brasil.csv") paraguay_df <- read_csv("Paraguay.csv") uruguay_df <- read_csv("Uruguay.csv") # Crear el gráfico combinado de las curvas de desembolsos históricas para los cinco países p_comp <- ggplot() + # Curva de Argentina geom_line(data = argentina_df, aes(x = k, y = hd_k, color = "Argentina"), size = 0.5) + # Curva de Bolivia geom_line(data = bolivia_df, aes(x = k, y = hd_k, color = "Bolivia"), size = 0.5) + # Curva de Brasil geom_line(data = brasil_df, aes(x = k, y = hd_k, color = "Brasil"), size = 0.5) + # Curva de Paraguay geom_line(data = paraguay_df, aes(x = k, y = hd_k, color = "Paraguay"), size = 0.5) + # Curva de Uruguay geom_line(data = uruguay_df, aes(x = k, y = hd_k, color = "Uruguay"), size = 0.5) + # Etiquetas y tema labs(title = "Miembros Fonplata (BID)", x = "Meses Desde la Aprobación (k)", y = "Proporción Esperada de Desembolso (hd(k))", color = "País") + scale_color_manual(values = c("Argentina" = "#ADD8E6", "Bolivia" = "#008000", "Brasil" = "#FFD700", "Paraguay" = "#D62728", "Uruguay" = "#1F77B4")) + theme_minimal() + theme(plot.title = element_text(hjust = 0.5)) # Centra el título del gráfico p_sector_plotly_interactive <- ggplotly(p_comp) p_sector_plotly_interactive ```~***Fuente:** Elaboración propia con datos de IATI y BID*~**Modalidad de préstamo****Préstamos de inversión:**El análisis de las modalidades de préstamo del BID revela que ESP destaca con tasas de desembolso del 15% a los cinco meses y alcanza el 50% a los 48 meses, manteniendo un ritmo constante y eficiente hasta la finalización del proyecto. GOM, aunque comienza más lento, alcanzando el 10% a los 5 meses y el 50% a los 57 meses, muestra una fuerte recuperación y un buen desempeño al cierre. TCR, por su parte, es el más lento, logrando el 10% a los 15 meses y el 50% a los 58 meses; aunque mejora hacia el final, sigue mostrando lentitud en los desembolsos. En resumen, ESP es la modalidad de préstamo más eficiente, GOM se recupera bien, y TCR necesita mejoras en la gestión de desembolsos.```{r, echo=FALSE, warning=FALSE, message=FALSE}# Cargar las librerías necesariaslibrary(ggplot2)library(plotly)library(readr)# Cargar los datasetsesp_df <- read_csv("BID/ESP.csv")gom_df <- read_csv("BID/GOM.csv")tcr_df <- read_csv("BID/TCR.csv")# Crear el gráfico combinado de las curvas de desembolsos históricas para los tres conjuntos de datosp_comp <- ggplot() + # Curva de ESP geom_line(data = esp_df, aes(x = k, y = hd_k, color = "ESP"), size = 0.5) + # Curva de GOM geom_line(data = gom_df, aes(x = k, y = hd_k, color = "GOM"), size = 0.5) + # Curva de TCR geom_line(data = tcr_df, aes(x = k, y = hd_k, color = "TCR"), size = 0.5) + # Etiquetas y tema labs(title = "Curvas por modalidad de préstamo", x = "Meses Desde la Aprobación (k)", y = "Proporción Esperada de Desembolso (hd(k))", color = "Conjunto de Datos") + scale_color_manual(values = c("ESP" = "#D62728", "GOM" = "gray", "TCR" = "black")) + theme_minimal() + theme(plot.title = element_text(hjust = 0.5)) # Centra el título del gráfico# Crear un gráfico interactivo con plotlyp_sector_plotly_interactive <- ggplotly(p_comp) # Mostrar el gráfico interactivop_sector_plotly_interactive```~***Fuente:** Elaboración propia con datos de IATI y BID*~**Por nivel de proyecto:**Observamos que los proyectos con alcance nacional para el BID desembolsan de manera más rápida en términos de proporción hasta aproximadamente los 80-85 meses con un 70% del monto aprobado desemboslado. Posteriormente, son superados por los proyectos subnacionales, que presentan una curva de desembolso mucho más empinada al final del proyecto.```{r, echo=FALSE, warning=FALSE, message=FALSE}# Cargar las librerías necesariaslibrary(ggplot2)library(plotly)library(readr)# Cargar los datasetsnational_df <- read_csv("BID/national_bid.csv")subnational_df <- read_csv("BID/subnational_bid.csv")# Crear el gráfico combinado de las curvas de desembolsos históricas para los cinco paísesp_comp_nivel <- ggplot() + # Curva de Paraguay geom_line(data = national_df, aes(x = k, y = hd_k, color = "Nacional"), size = 0.5) + # Curva de Uruguay geom_line(data = subnational_df, aes(x = k, y = hd_k, color = "Subnacional"), size = 0.5) + # Etiquetas y tema labs(title = "Nacional Vs Subnacional", x = "Meses Desde la Aprobación (k)", y = "Proporción Esperada de Desembolso (hd(k))", color = "País") + scale_color_manual(values = c("Nacional" = "#D62728", "Subnacional" = "gray")) + theme_minimal() + theme(plot.title = element_text(hjust = 0.5)) # Centra el título del gráficop_nivel_plotly_interactive <- ggplotly(p_comp_nivel) p_nivel_plotly_interactive```~***Fuente:** Elaboración propia con datos de IATI y BID*~#### DesviacionesEs relevante señalar que, en general, la desviación entre países es mayo. Esta observación coincide con hallazgos previos de los investigadores del BID, sugiriendo que las características institucionales o legales podrían ser más influyentes que las sectoriales para comprender las desviaciones respecto a la curva histórica de desembolsos.```{r, echo=FALSE, warning=FALSE, message=FALSE}# Leer el archivo CSVaverage_deviation_combined_bid <- read.csv("BID/BDD_DEVIATION_BID.csv")# Crear un factor para ordenar primero los países y luego los sectores, ambos de mayor a menor desviación promedioaverage_deviation_combined_bid$name <- factor(average_deviation_combined_bid$name, levels = average_deviation_combined_bid %>% arrange(type, desc(average_deviation)) %>% pull(name))# Crear el gráfico combinadop_combined_bid <- ggplot(average_deviation_combined_bid, aes(x = name, y = average_deviation, fill = type)) + geom_bar(stat = "identity") + coord_flip() + labs(x = "Name", y = "Average Deviation", title = "Desviación promedio - BID") + theme_minimal() + theme( legend.position = "top", # Muestra la leyenda en la parte superior axis.text.y = element_text(size = 4), # Ajustar tamaño del texto en el eje y axis.text.x = element_text(size = 4), # Ajustar tamaño del texto en el eje x legend.text = element_text(size = 10), # Ajustar tamaño del texto de la leyenda legend.title = element_text(size = 10), # Ajustar tamaño del título de la leyenda plot.title = element_text(size = 14) # Ajustar tamaño del título del gráfico ) + scale_fill_manual(values = c("Country" = "#D62728", "Sector" = "#1F77B4")) # Especifica colores diferentes para países y sectores# Mostrar el gráficop_combined_bid_interactive <- ggplotly(p_combined_bid)p_combined_bid_interactive```~***Fuente:** Elaboración propia con datos de IATI y BID*~Al realizar la regresion lineal para los países y los sectores en contramos que las diferencias a nivel país explican el 24% de la variación de los rendimientos de los proyectos, mientras que las diferencias a nivel de sector solo explican el 9%.En resumen, el R\^2 ajustado de las regresiones ayuda a entender la proporción de la variabilidad en la desviación del desembolso que se explica por las diferencias entre países. La variabilidad no explicada (76% dentro de los países) sugiere que hay muchos otros factores específicos del locales que influyen en el rendimiento de los desembolsos y que deben ser considerados para un análisis completo.## FONPLATA### Curva histórica Para calcular la curva histórica de desembolsos de Fonplata y ajustar los datos al modelo, se utilizaron como valores iniciales los parámetros obtenidos del análisis del BID para los proyectos en Sudamérica. $b1: -0.03, b2: 0.03, b3: 5.6$```{r, echo=FALSE, warning=FALSE, message=FALSE}library(readr)library(ggplot2)library(plotly)data_final_fonplata <- read_csv("data_final_fonplata.csv")# Grafico Curva de Desembolsosfonplata_curva <- ggplot(data_final_fonplata, aes(x = k, y = hd_k)) + geom_line(color = "#D62728", size = 1) + # Dibuja una línea para representar hd(k) labs(title = "Curva Historica de Desemboslos Fonplata", x = "Months Since Approval (k)", y = "Expected Disbursement Proportion (hd(k))") + theme_minimal() + theme(plot.title = element_text(hjust = 0.5)) # Centra el título del gráficofonplata_curva_interactive <- ggplotly(fonplata_curva)fonplata_curva_interactive```~***Fuente:** Elaboración propia con base\ de\ datos\ Fonplata,\ DATAWAREHOUSE*~### Desviaciones Para los países miembros, Uruguay desembolsa un 21% más que el proyecto promedio de Fonplata. En lo que respecta a Bolivia, desembolsa un 5% más. Argentina y Paraguay presentan porcentajes ligeramente reducidos, con desembolsos entre un 1% y un 5% menos que el promedio. Por otro lado, Brasil desembolsa aproximadamente un 13% menos que el promedio.```{r, echo=FALSE, warning=FALSE, message=FALSE}average_deviation_combine_fonplata <- read_csv("desviaciones_comb_fonplata.csv")# Separar los datos por tipocountry_data <- average_deviation_combine_fonplata %>% filter(type == "Country")sector_data <- average_deviation_combine_fonplata %>% filter(type == "Sector")# Ordenar los datos por desviación media de positivo a negativocountry_data <- country_data %>% arrange(desc(average_deviation))sector_data <- sector_data %>% arrange(desc(average_deviation))# Crear un factor para mantener el orden correcto en el gráficocombined_data <- bind_rows(country_data, sector_data) %>% mutate(name = factor(name, levels = c(country_data$name, sector_data$name)))# Crear el gráfico combinadop_combined_fonplata <- ggplot(combined_data, aes(x = name, y = average_deviation, fill = type)) + geom_bar(stat = "identity") + coord_flip() + labs(x = "Name", y = "Average Deviation", title = "Desviaciones promedio Fonplata Países Vs Sectores") + theme_minimal() + theme(legend.position = "top") + # Muestra la leyenda en la parte superior scale_fill_manual(values = c("Country" = "#D62728", "Sector" = "gray")) # Especifica colores diferentes para países y sectores# Convertir el gráfico a interactivop_combined_fonplata_interactive <- ggplotly(p_combined_fonplata)p_combined_fonplata_interactive```~***Fuente:** Elaboración propia con base\ de\ datos\ Fonplata,\ DATAWAREHOUSE*~## ASDB#### Curva históricaPara la curva ***hd(k)*** del Banco Asiático de Desarrollo, observamos que es mucho más aplanada en comparación con las demás. De sus proyectos activos hasta 2023, el 11.95% presenta rendimientos por encima del promedio, el 38.43% se encuentra dentro del promedio, y el 49.62% está por debajo del rendimiento promedio de los proyectos.```{r, echo=FALSE, warning=FALSE, message=FALSE}library(ggplot2)library(plotly)data_final_actives_asdb <- read.csv("BDD_FINAL_ASDB_activos.csv")p_asdb <- ggplot(data_final_actives_asdb, aes(x = k)) + geom_point(aes(y = d, color = classification), size = 0.7, alpha = 0.6) + geom_line(aes(y = hd_k, color = 'Historic Disbursement Curve'), size = 1) + geom_line(aes(y = upper_limit, color = 'Upper limit'), linetype = "dashed", size = 0.5) + geom_line(aes(y = lower_limit, color = 'Lower limit'), linetype = "dashed", size = 0.5) + scale_color_manual(values = c('Above Average' = '#2CA02C', # Verde más claro 'Average' = '#1F77B4', # Azul claro 'Below Average' = '#D62728', # Rojo claro 'Historic Disbursement Curve' = 'black', 'Upper limit' = '#98DF8A', # Verde pastel 'Lower limit' = '#FF9896')) + # Rojo pastel scale_y_continuous(limits = c(0, 1)) + # Ajustar el límite superior del eje y a 1 labs(title = "Proyectos de inversión activos a 2023", subtitle = "", x = "Months since approval", y = "Cumulative Disbursement (Prop. of Approved Amount)") + theme_minimal() + theme(legend.position = "bottom", legend.title = element_blank(), plot.title = element_text(size = 15), plot.subtitle = element_text(size = 12), axis.text = element_text(size = 7), axis.title = element_text(size = 7), legend.text = element_text(size = 7), plot.margin = margin(20, 20, 40, 20)) + # Ajustar margen inferior annotate("text", x = Inf, y = -0.1, label = "Fuente: Elaboración propia con datos de IATI y BID", hjust = 1, size = 3, vjust = 0, angle = 0, color = "black")# Convertir a gráfico interactivop_asdb_interactive <- ggplotly(p_asdb)p_asdb_interactive```#### DesviacionesLas desviaciones respecto a la curva histórica del Banco de Desarrollo Asiático muestran que los sectores tienen un impacto significativamente mayor que las características de los países. Esto se confirma con la regresión lineal aplicada, donde las diferencias entre países explican solo el 8.37% de la variabilidad en la desviación del desembolso, mientras que las diferencias entre sectores explican el 12.66%. Estos resultados indican que los sectores influyen más en la variabilidad de los desembolsos. Para una comprensión más profunda, es crucial considerar tanto los factores sectoriales como los específicos del proyecto y del país.```{r, echo=FALSE, warning=FALSE, message=FALSE}# Cargar las librerías necesariaslibrary(ggplot2)library(plotly)library(dplyr)# Leer el archivo CSVaverage_deviation_combined <- read.csv("desviacion_asdb_completo_final.csv")# Ordenar los datos por tipo y luego por desviación promedioaverage_deviation_combined <- average_deviation_combined %>% arrange(type, desc(average_deviation))# Crear el gráfico combinadop_combined_asdb <- ggplot(average_deviation_combined, aes(x = reorder(name, average_deviation), y = average_deviation, fill = type)) + geom_bar(stat = "identity") + coord_flip() + labs(x = "", y = "Average Deviation", title = "Desviación Promedio - ASDB") + theme_minimal() + theme( legend.position = "top", # Muestra la leyenda en la parte superior axis.text.y = element_text(size = 2), # Ajustar tamaño del texto en el eje y axis.text.x = element_text(size = 8), # Ajustar tamaño del texto en el eje x legend.text = element_text(size = 10), # Ajustar tamaño del texto de la leyenda legend.title = element_text(size = 10), # Ajustar tamaño del título de la leyenda plot.title = element_text(size = 14), # Ajustar tamaño del título del gráfico strip.text.y = element_text(size = 10) # Ajustar tamaño del texto de las facetas ) + scale_fill_manual(values = c("Country" = "#D62728", "Sector" = "#1F77B4")) + # Especifica colores diferentes para países y sectores facet_grid(type ~ ., scales = "free_y", space = "free_y") # Divide el gráfico en facetas para países y sectores# Ajustar el tamaño del gráfico para mejorar la visibilidad del textop_combined_asdb <- p_combined_asdb + theme( plot.margin = margin(3, 3, 3, 3, "cm"), plot.background = element_rect(fill = "white", colour = "white", size = 1)) + theme( axis.text.y = element_text(size = 3) # Ajustar el tamaño del texto del eje y para que sea más legible )# Mostrar el gráfico combinadop_combined_asdb_interactive <- ggplotly(p_combined_asdb, width = 950, height = 800) # Ajustar el tamaño del gráfico interactivop_combined_asdb_interactive```## Comparativo MDB's### Banco Mundial LAC Vs BIDPodemos observar que la curva del BID muestra un crecimiento mas pronunciado en los desembolsos iniciales que el Banco Mundial y una estabilizacion que alcanza un punto cercano al 80% en la proporción de desembolsos esperados.```{r, echo=FALSE, warning=FALSE, message=FALSE}#Cargar las librerías necesariaslibrary(ggplot2)library(plotly)data_final_bid <- read.csv("BID/BDD_BID_COMPLETE_FINAL.csv")data_final_wb_LAC <- read.csv("Banco Mundial/LAC_WB_FINAL.csv")# Crear el gráfico combinado de las dos curvas de desembolsos históricasp_comp_BID_WB <- ggplot() + # Primera curva de desembolso histórico geom_line(data = data_final_bid, aes(x = k, y = hd_k, color = "BID"), size = 1) + # Segunda curva de desembolso histórico geom_line(data = data_final_wb_LAC, aes(x = k, y = hd_k, color = "Banco Mundial - LAC"), size = 1) + # Etiquetas y tema labs(title = "BID Vs Banco Mundial LAC", x = "Months Since Approval (k)", y = "Expected Disbursement Proportion (hd(k))", color = "MDB's") + scale_color_manual(values = c("BID" = "#1F77B4", "Banco Mundial - LAC" = "orange")) + theme_minimal() + theme(plot.title = element_text(hjust = 0.5)) # Centra el título del gráfico# Convertir el gráfico a interactivo con plotlyp_comp_BID_WB_inter <- ggplotly(p_comp_BID_WB)# Mostrar el gráfico interactivop_comp_BID_WB_inter```~***Fuente:** Elaboración propia con datos de IATI, BID y Banco Mundial*~**El BID muestra un desempeño más robusto y eficiente en términos de desembolsos** en la región LAC, con una curva más pronunciada y constante tanto en el inicio como en el mediano plazo, alcanzando una proporción mayor de desembolsos en menor tiempo. El Banco Mundial también presenta un buen desempeño, aunque sus desembolsos son ligeramente más lentos en comparación. Ambos organismos financieros logran aplanar sus curvas hacia el final del período analizado, lo que sugiere una finalización efectiva de los proyectos, aunque el BID lo hace con una mayor rapidez y consistencia.### Curva de Desembolsos para SudaméricaCon el objetivo de obtener un benchmark de la región se combinaron los proyectos de inversión del BID con los del Banco Mundial con presencia en Sudamérica y se modelo la curva de desembolsos.```{r, echo=FALSE, warning=FALSE, message=FALSE}sudamerica <- read.csv("sudamerica.csv")# Cargar la librería ggplot2library(ggplot2)library(plotly)# Crear un gráfico de la curva de desembolsos históricasudamerica_curve <- ggplot(sudamerica, aes(x = k, y = hd_k)) + geom_line(color = "red", size = 1) + # Dibuja una línea para representar hd(k) labs(title = "Historic Disbursement Curve hd(k) - Sudamérica", x = "Months Since Approval (k)", y = "Expected Disbursement Proportion (hd(k))") + theme_minimal() + theme(plot.title = element_text(hjust = 0.5)) # Centra el título del gráficosudamerica_curve_inte <- ggplotly(sudamerica_curve)sudamerica_curve_inte```~***Fuente:** Elaboración propia con datos de IATI, Combinando datos del BID y el Banco Mundial*~::: {.callout-note appearance="simple"}## Existe una predominancia considerable en la cantidad de proyectos del BID en relación con el Banco Mundial para Sudamerica:::### Fonplata Vs BID Comparando los proyectos de Fonplata con los del BID en los países miembros (Argentina, Bolivia, Brasil, Paraguay y Uruguay), se observa que Fonplata logra desembolsar entre el 20% y el 30% del monto aprobado en los primeros meses de vigencia del proyecto. Además, alcanza el 50% del desembolso total después de 24 meses.```{r, echo=FALSE, warning=FALSE, message=FALSE}bid_5f_fonplata <- read.csv("bid_5f_filtered.csv")# Crear el gráfico combinado de las dos curvas de desembolsos históricasp_comp_BID_fonplata <- ggplot() + # Primera curva de desembolso histórico geom_line(data = bid_5f_fonplata, aes(x = k, y = hd_k, color = "BID"), size = 1) + # Segunda curva de desembolso histórico geom_line(data = data_final_fonplata, aes(x = k, y = hd_k, color = "Fonplata"), size = 1) + # Etiquetas y tema labs(title = "BID Vs Fonplata", x = "Months Since Approval (k)", y = "Expected Disbursement Proportion (hd(k))", color = "MDB's") + scale_color_manual(values = c("BID" = "#1F77B4", "Fonplata" = "#D62728")) + theme_minimal() + theme(plot.title = element_text(hjust = 0.5)) # Centra el título del gráfico# Convertir el gráfico a interactivo con plotlyp_comp_BID_FONPLATA_inter <- ggplotly(p_comp_BID_fonplata)# Mostrar el gráfico interactivop_comp_BID_FONPLATA_inter```~***Fuente:** Elaboración propia combinando datos de\ Fonplata y el BID*~:::# ConclusionesLa investigación destaca la importancia de analizar tanto las características institucionales y legales de los países como las características sectoriales para entender el comportamiento de los desembolsos de proyectos financiados por bancos multilaterales. Mientras que las características del país tienden a tener un mayor impacto en regiones como América Latina y el Caribe, en otras regiones como Asia y África, las características sectoriales son más determinantes. Además, se observa que cada región y modalidad de préstamo tiene un comportamiento único en términos de desembolsos, lo que resalta la necesidad de un análisis detallado y específico para mejorar la eficiencia de los desembolsos y el rendimiento de los proyectos.