---
title: "Análisis Comparativo de Sectores Industriales: Colombia vs. Italia"
subtitle: "Política Económica II - Universidad Central de Venezuela"
author: "Carlos Morillo"
date: "2025-01-12"
format:
html:
theme:
light: flatly
toc: true
toc-depth: 3
toc-title: "Contenido del Reporte"
embed-resources: true
code-fold: true
code-tools: true
mainfont: "Arial"
fontsize: "1.1em"
linestretch: 1.5
smooth-scroll: true
navbar:
position: fixed-top
title:
text: "Reporte Economía Comparada"
href: index.qmd
# logo: "ucv_logo.png" # Descomenta si tienes la imagen
right:
- text: "Introducción"
href: "#introducción"
- text: "Indicadores Generales"
href: "#indicadores-económicos-generales"
- text: "Sector Externo"
href: "#sector-externo-y-complejidad"
- text: "Datos"
href: "#tablas-de-datos"
editor: visual
execute:
echo: false
warning: false
message: false
---
```{r setup}
# ==============================================================================
# CARGA DE LIBRERÍAS Y DATOS (AUTOMATIZADO)
# ==============================================================================
library(tidyverse)
library(WDI)
library(plotly)
library(DT)
library(scales)
# 1. Definición de Parámetros (ACTUALIZADO A 2024)
mis_paises <- c("CO", "IT")
anio_inicio <- 2018
anio_fin <- 2024
# 2. Indicadores del Banco Mundial
indicadores_bm <- c(
"PIB_Nominal" = "NY.GDP.MKTP.CD",
"PIB_Crecimiento" = "NY.GDP.MKTP.KD.ZG",
"PIB_PerCapita" = "NY.GDP.PCAP.KD",
"Sector_Agro" = "NV.AGR.TOTL.ZS",
"Sector_Ind" = "NV.IND.TOTL.ZS",
"Sector_Serv" = "NV.SRV.TOTL.ZS",
"FBCF_Crecimiento" = "NE.GDI.FTOT.KD.ZG",
"Desempleo" = "SL.UEM.TOTL.ZS",
"Inflacion" = "FP.CPI.TOTL.ZG",
"Exp_PIB" = "NE.EXP.GNFS.ZS",
"Cta_Corriente" = "BN.CAB.XOKA.GD.ZS"
)
# 3. Descarga de Datos (Con manejo de errores básico)
datos_raw <- tryCatch({
WDI(country = mis_paises, indicator = indicadores_bm, start = anio_inicio, end = anio_fin, extra = FALSE)
}, error = function(e) { NULL })
# Si falla la descarga, creamos datos vacíos para que no rompa el reporte
if(is.null(datos_raw)) {
datos_bm <- data.frame(year=numeric(), country=character())
} else {
datos_bm <- as_tibble(datos_raw)
}
# 4. Función Maestra de Gráficos (Estilo del proyecto anterior)
graficar_dinamico <- function(data, variable, titulo, eje_y, formato="normal", color_col="orange", color_it="turquoise") {
if(nrow(data) == 0) return(NULL)
df_plot <- data %>% filter(!is.na(.data[[variable]]))
g <- ggplot(df_plot, aes(x = year, y = .data[[variable]], color = country)) +
geom_line(linewidth = 1.2) +
geom_point(size = 3) +
labs(title = titulo, x = "", y = eje_y, color = "") +
theme_minimal() +
scale_color_manual(values = c("Colombia" = color_col, "Italy" = color_it)) +
theme(legend.position = "bottom") +
scale_x_continuous(breaks = seq(anio_inicio, anio_fin, 1)) # Asegura que se vean todos los años
if(formato == "pct") g <- g + scale_y_continuous(labels = percent_format(scale=1, suffix="%"))
if(formato == "usd") g <- g + scale_y_continuous(labels = dollar_format())
if(formato == "bil") g <- g + scale_y_continuous(labels = dollar_format(scale=1e-9, suffix=" B"))
ggplotly(g) %>% layout(legend = list(orientation = "h", x = 0.4, y = -0.2))
}
```
# Estudio Comparativo: Latinoamérica vs. Europa
---
## Introducción
Este reporte presenta un análisis cuantitativo comparado entre **Colombia** e **Italia** para el periodo **2018-2024**. El objetivo es contrastar una economía emergente latinoamericana con una economía desarrollada europea, utilizando indicadores macroeconómicos clave obtenidos del Banco Mundial.
La relevancia de este estudio radica en identificar brechas estructurales en términos de **producción, estabilidad de precios y sector externo**, siguiendo los lineamientos de la cátedra de Política Económica II de la UCV.
---
## Indicadores Económicos Generales
A continuación, exploramos las tendencias macroeconómicas fundamentales mediante visualizaciones interactivas.
::: panel-tabset
### Actividad Económica (PIB)
El **PIB Nominal** refleja el tamaño de la economía, mientras que el **PIB Per Cápita** es una aproximación al nivel de vida promedio.
#### Tamaño de la Economía
```{r}
graficar_dinamico(datos_bm, "PIB_Nominal", "Evolución del PIB Nominal", "USD Billones", "bil", "#E67E22", "#2980B9")
```
#### Nivel de Vida (Per Cápita)
```{r}
graficar_dinamico(datos_bm, "PIB_PerCapita", "PIB Per Cápita (Constantes)", "USD", "usd", "#E67E22", "#2980B9")
```
### Dinámica y Precios
Aquí observamos la volatilidad de la economía a través del crecimiento del PIB y la inflación.
#### Crecimiento Económico
```{r}
graficar_dinamico(datos_bm, "PIB_Crecimiento", "Tasa de Crecimiento del PIB Real", "Tasa (%)", "pct", "#27AE60", "#8E44AD")
```
#### Inflación
```{r}
graficar_dinamico(datos_bm, "Inflacion", "Índice de Precios al Consumidor (IPC)", "Variación Anual %", "pct", "#C0392B", "#F39C12")
```
### Mercado Laboral e Inversión
#### Desempleo
```{r}
graficar_dinamico(datos_bm, "Desempleo", "Tasa de Desempleo Total", "% de la PEA", "pct", "#7F8C8D", "#2C3E50")
```
#### Inversión (FBCF)
```{r}
graficar_dinamico(datos_bm, "FBCF_Crecimiento", "Crecimiento de la Inversión Fija", "Variación %", "pct", "#16A085", "#D35400")
```
:::
---
## Estructura Productiva y Complejidad
En esta sección analizamos cómo se componen las economías y qué tan sofisticadas son sus exportaciones.
::: panel-tabset
### Composición Sectorial
Comparativa de la estructura económica para el último año con datos disponibles.
```{r}
# Preparar datos para gráfico de dona (Usamos el máximo año disponible con datos para ambos)
# Nota: Si 2024 no tiene datos sectoriales aún, el código busca el año anterior automáticamente.
anio_sector <- max(datos_bm$year[!is.na(datos_bm$Sector_Serv)])
data_sect_last <- datos_bm %>%
filter(year == anio_sector) %>%
select(country, year, Agricultura = Sector_Agro, Industria = Sector_Ind, Servicios = Sector_Serv) %>%
pivot_longer(cols = c("Agricultura", "Industria", "Servicios"), names_to = "Sector", values_to = "Valor") %>%
filter(!is.na(Valor))
plot_ly(data_sect_last) %>%
add_pie(data = data_sect_last %>% filter(country == "Colombia"), labels = ~Sector, values = ~Valor, hole = 0.6, name = "Colombia", domain = list(row = 0, column = 0)) %>%
add_pie(data = data_sect_last %>% filter(country == "Italy"), labels = ~Sector, values = ~Valor, hole = 0.6, name = "Italia", domain = list(row = 0, column = 1)) %>%
layout(
title = paste("Participación Sectorial (% del PIB) - Año", anio_sector),
grid = list(rows = 1, columns = 2),
annotations = list(
list(x = 0.20, y = 0.5, text = "COL", showarrow = F, font = list(size = 20)),
list(x = 0.80, y = 0.5, text = "ITA", showarrow = F, font = list(size = 20))
),
showlegend = T
)
```
### Índice de Complejidad (ECI)
Ranking de Complejidad Económica (OEC). Italia destaca por su alta sofisticación industrial comparado con Colombia.
```{r}
# Datos manuales del OEC (Observatory of Economic Complexity)
datos_eci <- data.frame(Pais = c("Italia", "Colombia"), ECI = c(1.27, 0.25))
g_lol <- ggplot(datos_eci, aes(x = reorder(Pais, ECI), y = ECI, color = Pais)) +
geom_segment(aes(xend=Pais, y=0, yend=ECI), linewidth=1.5) +
geom_point(size=8) +
geom_text(aes(label=ECI), color="white", fontface="bold", size=3) +
coord_flip() +
theme_minimal() +
labs(title="Índice de Complejidad Económica (ECI)", x="", y="Índice (Promedio Mundial = 0)") +
scale_color_manual(values = c("Colombia" = "#E67E22", "Italia" = "#2980B9")) +
theme(legend.position = "none")
ggplotly(g_lol, tooltip = "y")
```
:::
---
## Sector Externo y Complejidad
Análisis de la inserción internacional de ambas economías.
```{r}
graficar_dinamico(datos_bm, "Exp_PIB", "Exportaciones de Bienes y Servicios", "% del PIB", "pct", "#8E44AD", "#27AE60")
```
---
## Tablas de Datos
A continuación se presentan los datos consolidados utilizados para este reporte, permitiendo una exploración detallada.
```{r}
# Tabla Interactiva Estilo UCV
datos_tabla <- datos_bm %>%
select(iso2c, country, year, PIB_Nominal, PIB_Crecimiento, Desempleo, Inflacion, Exp_PIB) %>%
mutate(
PIB_Nominal = dollar(PIB_Nominal, scale = 1e-9, suffix = " B"),
PIB_Crecimiento = percent(PIB_Crecimiento, scale = 1, accuracy = 0.1),
Desempleo = percent(Desempleo, scale = 1, accuracy = 0.1),
Inflacion = percent(Inflacion, scale = 1, accuracy = 0.1),
Exp_PIB = percent(Exp_PIB, scale = 1, accuracy = 0.1)
)
datatable(datos_tabla,
caption = "Tabla 1: Indicadores Macroeconómicos Consolidados (Fuente: Banco Mundial)",
rownames = FALSE,
filter = 'top',
options = list(pageLength = 10, scrollX = TRUE))
```
<p style="text-align: center; color: #6c757d; font-size: 0.9em;">
Este reporte ha sido generado utilizando Quarto y R para la cátedra de Política Económica II.
© 2025 Carlos Morillo - Estudiante de Economía UCV.
</p>
```
```