Bases de Datos Finales SPP

Author

Emiliano M

Published

July 27, 2026

Introducción.

El objetivo del presente documento es realizar actualizaciones finales a las bases de datos gdp_2021_spp_definitiva y gdp_per_capita_spp_definitiva implementando las siguientes correcciones:

Argentina: Verificar la retropolación realizada con los datos de PGB provincial de Fundación Norte y Sur.
México: Utilizar un deflactor único a nivel nacional.

A continuación se mostrarán las correcciones por sección para, finalmente, escribir las bases de datos finales de PIB y PIB per Capita para el SPP.

── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ ggplot2   4.0.3     ✔ tibble    3.2.1
✔ lubridate 1.9.3     ✔ tidyr     1.3.1
✔ purrr     1.0.2     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

Adjuntando el paquete: 'kableExtra'


The following object is masked from 'package:dplyr':

    group_rows

Argentina.

Proceso de retropolación

En una frase: El proceso descrito a continación es prácticamente idéntico al del archivo retropolacion_ar_1980_2003 salvo que aquí la base anchor contiene el PIB provincial de CEPAL a precios constantes del 2004 previo a aplicar la deflactación y dividir por el tipo de cambio.

Primeramente, se cargarán y procesarán las siguientes bases de datos:

Base “definitiva” de PIB subnacional
Base de PGB Provincial de la fundación Norte y Sur (NYS)
Base nacional de NYS
Tabla 4.1 de Aráoz et al.
Anchor: Ancla para retrpolación de la CEPAL a pesos del 2004.
Catalogo SPP: Diccionario que contiene la codificación de las provincias en formato SPP

Posteriormente se realizará el proceso de retropolación, donde la provincia de Corrientes será tratada por su cuenta. Luego, se le aplicará la deflactación y se la dividirá por el tipo de cambio correspondiente para, finalmente, unirla con el resto de la base de datos.

Show code

### Lectura de base de datos
DEFINITIVA <- "gdp_2021_spp_definitiva.xlsx"          # base definitiva del 9-jul

NYS        <- "nys_pbg_provincial_tidy.csv"      # PBG provincial NyS (snapshot 12-jul-2026)

NACIONAL   <- "ferreres_pbi_nacional_anual.csv"  # PIB nacional anual (NyS oficial)

ARAOZ      <- "araoz_table_4_1_shares.csv"       # shares Aráoz et al. (2020), Tabla 4.1

catalogo_spp <- read_excel("catalogo_spp.xlsx")

nys <- read.csv(NYS)                    # state_name, year, pbg_nys_m_pesos2004
nac <- read.csv(NACIONAL)               # year, pbi_nacional_m_pesos2004
araoz <- read.csv(ARAOZ, check.names = FALSE)

def <- read_xlsx(DEFINITIVA) |>
  filter(country_name == "ARGENTINA") |>
  select(state_name, year, gdp_dollars_2021, type, type_cat)

catalogo_spp <- catalogo_spp %>%
  mutate(state_name = recode(state_name,
                             "MATO GROSS DO SUL" = "MATO GROSSO DO SUL"))

argentina_coding <- catalogo_spp |> 
  filter(country_name %in% "ARGENTINA")

mexico_coding <- catalogo_spp |> 
  filter(country_name %in% "MEXICO")

brazil_coding <- catalogo_spp |> 
   filter(country_name %in% "BRAZIL")
#catalogo_spp con nombres


anchor <- read_excel("pib_sub_argentina_actual.xlsx") |>
  select(entidad, `2004`) |>
  mutate(
    entidad = case_when(
      entidad == "Ciudad de Buenos Aires" ~ "CAPITAL FEDERAL",
      entidad == "Buenos Aires" ~ "BUENOS AIRES",
      entidad == "Catamarca" ~ "CATAMARCA",
      entidad == "Córdoba" ~ "CORDOBA",
      entidad == "Corrientes" ~ "CORRIENTES",
      entidad == "Chaco" ~ "CHACO",
      entidad == "Chubut" ~ "CHUBUT",
      entidad == "Entre Ríos" ~ "ENTRE RIOS",
      entidad == "Formosa" ~ "FORMOSA",
      entidad == "Jujuy" ~ "JUJUY",
      entidad == "La Pampa" ~ "LA PAMPA",
      entidad == "La Rioja" ~ "LA RIOJA",
      entidad == "Mendoza" ~ "MENDOZA",
      entidad == "Misiones" ~ "MISIONES",
      entidad == "Neuquén" ~ "NEUQUEN",
      entidad == "Río Negro" ~ "RIO NEGRO",
      entidad == "Salta" ~ "SALTA",
      entidad == "San Juan" ~ "SAN JUAN",
      entidad == "San Luis" ~ "SAN LUIS",
      entidad == "Santa Cruz" ~ "SANTA CRUZ",
      entidad == "Santa Fe" ~ "SANTA FE",
      entidad == "Santiago del Estero" ~ "SANTIAGO DEL ESTERO",
      entidad == "Tucumán" ~ "TUCUMAN",
      entidad == "Tierra del Fuego" ~ "TIERRA DEL FUEGO",
      TRUE ~ entidad
    )
  ) |>
  rename(
    state_name = entidad,
    gdp_2004 = `2004`
  )

Una vez hecho esto se procede con la retropolación o el encadenamiento.

La retropolación sirve para extrapolar hacia atrás la serie nueva utilizando indicadores proxy o estructuras de la serie antigua, obteniendo una serie homogénea y comparable a lo largo del tiempo.Para este caso se usará el método clásico de retropolación basado en un indicador de volumen/evolución \(\text{NyS}\)):\[\text{PIB}(\text{prov}, t) = \text{PIB}_{\text{definitiva}}(\text{prov}, 2004) \cdot \frac{\text{NyS}(\text{prov}, t)}{\text{NyS}(\text{prov}, 2004)}\]\(\text{PIB}_{\text{definitiva}}(\text{prov}, 2004)\): donde el nivel oficial del PIB en el año ancla o año de empalme (\(2004\)). Este valor ya incorpora las correcciones metodológicas más recientes.\(\frac{\text{NyS}(\text{prov}, t)}{\text{NyS}(\text{prov}, 2004)}\): Es el índice de evolución temporal de la variable indicadora (posiblemente Nóminas y Salarios, Nivel de Sueldos, o Nóminas y Seguros) para el año \(t\) respecto al año base \(2004\).El supuesto clave: Asume que antes de 2004, el PIB de la provincia evolucionó al mismo ritmo relativo al que evolucionó la variable proxy (\(\text{NyS}\)).

\[ \text{PIB}(\text{prov}, t) = \text{PIB}_{\text{definitiva}}(\text{prov}, 2004) \cdot \frac{\text{NyS}(\text{prov}, t)}{\text{NyS}(\text{prov}, 2004)} \]

Se encadenan las provincias:

Show code

# --- 1) encadenado: todas las provincias, años con dato NyS ------------------
nys04 <- nys |> filter(year == 2004) |>
  select(state_name, nys_2004 = pbg_nys_m_pesos2004)

chained <- nys |>
  filter(year >= 1980, year <= 2003) |>
  inner_join(nys04,  by = "state_name") |>
  inner_join(anchor, by = "state_name") |>
  mutate(gdp_dollars_2021 = gdp_2004 * pbg_nys_m_pesos2004 / nys_2004,
         type_cat = "official_chained_nys") |>
  select(state_name, year, gdp_dollars_2021, type_cat)

Se hace un procedimiento especial para corrientes

Show code

# --- 2) Corrientes 1980–85: share Aráoz x PIB nacional, empalmado en 1986 ----
row_corr <- araoz |> filter(provincia == "Corrientes")
sh75 <- row_corr[["1975"]]; sh86 <- row_corr[["1986"]]

corr_8085 <- tibble(year = 1980:1985) |>
  mutate(share = sh75 + (sh86 - sh75) * (year - 1975) / (1986 - 1975)) |>
  left_join(nac, by = "year") |>
  mutate(raw = pbi_nacional_m_pesos2004 * share / 100)

corr_1986_chained <- chained |>
  filter(state_name == "CORRIENTES", year == 1986) |> pull(gdp_dollars_2021)
corr_1986_raw <- nac$pbi_nacional_m_pesos2004[nac$year == 1986] * sh86 / 100
splice <- corr_1986_chained / corr_1986_raw    # unidades se cancelan aquí

corr_8085 <- corr_8085 |>
  transmute(state_name = "CORRIENTES", year,
            gdp_dollars_2021 = raw * splice,
            type_cat = "estimated_share")

# --- 3) Corrientes 1987–89: spline monótono entre 1986 y 1990–2003 -----------
corr_known <- bind_rows(
    chained |> filter(state_name == "CORRIENTES"),
    anchor  |> filter(state_name == "CORRIENTES") |>
      transmute(state_name, year = 2004, gdp_dollars_2021 = gdp_2004,
                type_cat = "anchor")) |>
  arrange(year)

fh <- splinefun(corr_known$year, corr_known$gdp_dollars_2021, method = "monoH.FC")
corr_8789 <- tibble(state_name = "CORRIENTES", year = 1987:1989,
                    gdp_dollars_2021 = fh(1987:1989),
                    type_cat = "interpolated")

# --- 4) ensamblado: 1980–2003 propuesto + 2004–2024 intacto ------------------
propuesta_pre2004 <- bind_rows(chained, corr_8085, corr_8789) |>
  arrange(state_name, year) |> 
  rename(gdp_dollars_2004 = gdp_dollars_2021)
####

Hasta este punto, tenemos la serie de 1980 a 2004 en pesos constantes del 2004. Lo único que se modificó del proceso del archivo retropolacion_ar_1980_2003 fue la base anchor que ahora contiene los valores de PIB a pesos del 2004.

Aplicación de deflactor y división por el tipo de cambio

Se deja las variables listas para modificarse en futuros procesos de automatización.

Show code

## Deflactor (Listo para cambiarse)
ipc_arg <- 78.11

## Tipo de Cambio (Listo para cambiarse) 
tipo_de_cambio <- 95.19159

Procedimiento:

Show code

propuesta_pre2004 <- propuesta_pre2004 |>
  mutate(
    gdp_dollars_2021 = (gdp_dollars_2004 * ipc_arg) / tipo_de_cambio
  ) |>
  select(-gdp_dollars_2004)

Una vez realizado esto se realiza la unión final.

Unión de bases de datos y verificación.

Show code

serie_final <- bind_rows(
    propuesta_pre2004 |> mutate(type = NA_real_),
    def |> filter(year >= 2004)) |>
  arrange(state_name, year)

Show code

# --- 5) verificación: el empalme 2003→2004 debe quedar en rangos razonables --
verif <- serie_final |>
  group_by(state_name) |>
  arrange(year, .by_group = TRUE) |>
  mutate(g = 100 * (gdp_dollars_2021 / lag(gdp_dollars_2021) - 1)) |>
  filter(year == 2004) |>
  select(state_name, crecimiento_2003_2004_pct = g) |>
  arrange(desc(crecimiento_2003_2004_pct))

print(verif, n = 24)

# A tibble: 24 × 2
# Groups:   state_name [24]
   state_name          crecimiento_2003_2004_pct
   <chr>                                   <dbl>
 1 MENDOZA                                14.7  
 2 MISIONES                               14.0  
 3 BUENOS AIRES                           11.7  
 4 SAN JUAN                               11.2  
 5 LA PAMPA                               10.9  
 6 CORRIENTES                              9.15 
 7 CHUBUT                                  9.09 
 8 TUCUMAN                                 9.01 
 9 CAPITAL FEDERAL                         8.78 
10 LA RIOJA                                8.64 
11 TIERRA DEL FUEGO                        7.69 
12 SANTA FE                                7.49 
13 ENTRE RIOS                              7.36 
14 SALTA                                   7.24 
15 FORMOSA                                 7.18 
16 RIO NEGRO                               6.93 
17 JUJUY                                   6.80 
18 CATAMARCA                               6.25 
19 SAN LUIS                                4.97 
20 SANTIAGO DEL ESTERO                     3.41 
21 CORDOBA                                 2.96 
22 CHACO                                   1.37 
23 SANTA CRUZ                              0.839
24 NEUQUEN                                -3.05

Show code

# Esperado: máximo ~+15% (Mendoza), sin ningún salto tipo -30%/+59%.
# Comparar con la definitiva actual: Corrientes -30%, Santiago del Estero +59%, Catamarca +26% — esos tres desaparecen.

# Chequeo extra: cobertura completa 24 provincias x 45 años (1980–2024)

stopifnot(nrow(serie_final) == 24 * 45)

Validación Gráfica.

Show code

# Leer el CSV
csv <- read_csv("gdp_ar_1980_2024_propuesta.csv")

# Comparar
comparacion <- serie_final |>
  select(state_name, year, gdp_dollars_2021) |>
  rename(gdp_serie = gdp_dollars_2021) |>
  inner_join(
    csv |>
      select(state_name, year, gdp_dollars_2021) |>
      rename(gdp_csv = gdp_dollars_2021),
    by = c("state_name", "year")
  ) |>
  mutate(
    diff_pct = 100 * (gdp_serie - gdp_csv) / gdp_csv
  )

### Gráfico
comparacion |>
  mutate(
    diff_pct_plot = if_else(abs(diff_pct) < 1e-8, 0, diff_pct)
  ) |>
  ggplot(aes(x = year, y = diff_pct_plot, color = state_name)) +
  geom_hline(yintercept = 0, linetype = "dashed") +
  geom_line(linewidth = 0.8) +
  labs(
    x = "Año",
    y = "Diferencia (%)",
    title = "Diferencia porcentual entre serie_final y el CSV"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

Este validación gráfica comprueba que ambas series coinciden!

La siguiente sección del código únicamente pone la serie final a la usanza del spp.

Codificación Usanza SPP

Ahora únicamente queda modificar la base para que quede a la usanza del SPP:

Show code

arg_gdp <- serie_final |>
  left_join(argentina_coding, by = "state_name") |> 
  mutate(
  type = case_when(
    type_cat == "official_chained_nys" ~ 0,
    type_cat %in% c("interpolated", "estimated_share") ~ 1,
    TRUE ~ type
  )
) |> 
    select(
    country_name,
    country_code,
    region_name,
    state_name,
    state_code,
    country_state_code,
    year,
    gdp_dollars_2021,
    type,
    type_cat
  )

Ya con esto tenemos los registros que reemplazaremos en las bases definitivas.

México

Con México lo que se hará es hacer la deflactación empleando el INPC nacional y no uno para cada estado.

Lectura de datos.

Show code

# Extraer de la línea 4 a la 39 donde se encuentran los datos relevantes.
pib_subnacional_mexico <- read_excel("pib_subnacional_mexico.xlsx") |>
  slice(4:39) 

# Usar la primera fila como nombres de columnas
colnames(pib_subnacional_mexico) <- as.character(pib_subnacional_mexico[1, ])

# Eliminar las primeras 3 filas, que no contienen información relevante
pib_subnacional_mexico <- pib_subnacional_mexico %>%
  slice(-(1:4)) |> 
  rename(
    entidad = `Concepto`,
  `2023` = `2023R`,
  `2024` = `2024P`
  )

pib_subnacional_mexico |> 
  slice_head(n = 10) |> 
  kbl(caption = "Tabla 1. Méx. PIB por unidad subnacional", align = "l") |>
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    full_width = FALSE
  )

Tabla 1. Méx. PIB por unidad subnacional
entidad	1980	1981	1982	1983	1984	1985	1986	1987	1988	1989	1990	1991	1992	1993	1994	1995	1996	1997	1998	1999	2000	2001	2002	2003	2004	2005	2006	2007	2008	2009	2010	2011	2012	2013	2014	2015	2016	2017	2018	2019	2020	2021	2022	2023	2024
Aguascalientes	74478.826000000001	82816.058000000005	83133.482999999993	78800.570999999996	82466.824999999997	84980.153000000006	81602.732999999993	84379.077999999994	86482.198999999993	91061.619000000006	97895.019	103728.74099999999	109843.958	114706.122	121683.61	116418.715	124298.764	133594.837	143027.44399999999	145644.38500000001	158299.88399999999	167309.35	174918.42800000001	176576.72099999999	182404.56099999999	185650.54199999999	200318.26500000001	219091.899	218472.94699999999	201960.39600000001	219912.90599999999	230510.39799999999	242758.40900000001	251657.00700000001	277675.25799999997	294497.17499999999	307395.84100000001	314242.37900000002	327926.30699999997	329358.364	307125.68300000002	315233.12	314602.24699999997	334314.66600000003	328087.96500000003
Baja California	400156.97100000002	451676.82699999999	446781.45299999998	406200.11300000001	425488.625	437529.217	402275.15399999998	414361.76299999998	417816.03899999999	436724.07799999998	467382.39600000001	487452.21100000001	511546.29499999998	513177.24900000001	548270.478	494337.73700000002	558044.57499999995	631004.25100000005	662820.82200000004	720343.96400000004	790646.79299999995	730554.23699999996	696088.19900000002	682996.92799999996	697268.68900000001	716802.17099999997	772686.80799999996	778767.04799999995	756707.31900000002	658790.71200000006	686065.86499999999	698850.50699999998	726418.10600000003	733753.71100000001	760856.96699999995	795080.74699999997	828692.24699999997	863600.64899999998	878816.86800000002	893946.24899999995	839693.34	896313.55900000001	919300.27800000005	947957.51899999997	947677.00899999996
Baja California Sur	53015.906000000003	57736.199000000001	58188.199000000001	57232.819000000003	59391.459000000003	60739.521999999997	59879.334000000003	61326.62	62347.413	65210.463000000003	67808.263999999996	71483.581999999995	74828.892999999996	72837.861000000004	75145.063999999998	72405.422000000006	80971.993000000002	84520.69	86993.271999999997	89307.070999999996	95187.275999999998	99668.467000000004	97301.797000000006	102696.425	110723.357	117708.462	126685.37	137545.255	142084.054	134464.67600000001	138668.83199999999	144956.375	147269.70199999999	145215.69	147613.68400000001	156072.03400000001	163094.64799999999	170784.40299999999	184618.103	177860.75	151931.29	171064.57500000001	178129.82399999999	180788.204	187152.16099999999
Campeche	511362.33600000001	560971.27599999995	559721.98800000001	523134.52799999999	546199.16200000001	566378.35600000003	548649.86199999996	570391.17299999995	588026.45200000005	614610.51800000004	649387.91899999999	671524.50100000005	692158.83799999999	687476.86600000004	713798.59499999997	678258.36100000003	734002.00699999998	777814.21499999997	808927.14300000004	763456.63100000005	826278.19	892409.08799999999	913435.10400000005	986877.72400000005	998062.31499999994	985831.29500000004	959641.06299999997	897799.85499999998	828677.16799999995	753908.78399999999	730232.32400000002	711663.19099999999	691262.00399999996	692549.897	685992.02500000002	700310.74100000004	663239.24199999997	595666.96	564591.05599999998	541962.92599999998	500514.72600000002	489604.29499999998	472680.02399999998	508514.61700000003	473399.45699999999
Coahuila de Zaragoza	362298.76199999999	401419.87	400947.44099999999	372296.47200000001	388155.755	399779.40299999999	375949.16899999999	384635.71299999999	387781.17700000003	400158.299	423114.63199999998	437256.44500000001	460053.092	470418.45600000001	479739.94199999998	466715.13500000001	541594.61	593148.48300000001	627310.17200000002	640331.19499999995	655490.87	657960.99399999995	693560.01399999997	725622.35199999996	738323.00899999996	751258.28300000005	798549.10100000002	819995.32	806977.054	647795.10800000001	775118.74300000002	824838.46699999995	870634.53099999996	864429.38300000003	902863.24100000004	897702.09499999997	901719.48400000005	941581.76300000004	966054.66200000001	953384.33400000003	843597.571	921586.98300000001	935841.223	927968.19299999997	922286.18900000001
Colima	63715.01	69001.929000000004	69593.668999999994	68026.277000000002	70501.031000000003	72487.649000000005	71375.437999999995	73308.392000000007	74614.039000000004	76928.024999999994	80232.039000000004	82613.489000000001	84539.724000000002	86396.611999999994	90021.396999999997	85408.456000000006	91716.410999999993	95885.861999999994	103304.32399999999	106422.374	110550.51	108484.81200000001	109196.395	106240.461	107179.09299999999	107631.26300000001	114843.833	122046.01300000001	124498.00599999999	118472.235	125595.851	133676.15900000001	135599.86499999999	133729.296	135090.72500000001	141029.12899999999	140705.23800000001	150360.09599999999	153808.394	161109.85800000001	148143.27299999999	147667.296	148438.43400000001	153354.77799999999	157139.889
Chiapas	200061.47	212022.28400000001	213802.06599999999	211467.23	217413.49799999999	221924.46900000001	221017.022	225978.77	230321.52299999999	237262.25200000001	246057.65400000001	253835.72099999999	262154.11700000003	271140.54700000002	281576.82400000002	280089.47200000001	277752.38099999999	286887.61499999999	304458.95899999997	304224.77799999999	309796.913	308418.26	312380.02100000001	314665.41100000002	304083.364	310293.58199999999	321113.54599999997	324676.53200000001	337160.57799999998	332432.799	355978.85700000002	361270.255	370237.30499999999	360620.97700000001	374691.48700000002	364001.28200000001	369919.28700000001	359734.408	353600.11300000001	348914.39199999999	337240.435	353638.51	374518.00300000003	379626.19900000002	389794.85200000001
Chihuahua	303189.89799999999	336143.54700000002	334520.59399999998	315609.48200000002	327938.86700000003	336124.56199999998	318334.84399999998	325130.196	326595.35399999999	336951.95799999998	357492.57199999999	370983.42200000002	385367.50900000002	399928.05300000001	417236.55900000001	403134.63900000002	435992.033	465482.54700000002	507712.96500000003	535621.56799999997	581263.82200000004	554947.18200000003	545694.429	559444.75800000003	577532.78399999999	592161.22199999995	635597.82400000002	664331.06299999997	696713.272	626309.62399999995	647629.946	662042.78700000001	711480.75699999998	732550.603	753194.78	803883.27599999995	830488.50899999996	851284.31299999997	853322.804	866861.299	808710.89099999995	846063.93799999997	911271.14199999999	940100.50899999996	930854.91
Ciudad de México	1831598.702	2023097.662	2017375.6229999999	1937032.27	1992078.797	1989027.993	1890532.2039999999	1896703.477	1897079.4339999999	1966175.1140000001	2060708.4739999999	2161707.696	2235098.068	2354923.7990000001	2448263.341	2292168.7519999999	2381093.8169999998	2556605.051	2657943.1370000001	2739399.4920000001	2903708.8220000002	2870934.1570000001	2893524.3089999999	2842788.554	2962342.2140000002	2991075.2439999999	3134225.2170000002	3142463.801	3183429.429	3008811.7659999998	3125716.6910000001	3231440.2390000001	3332208.7209999999	3363394.3250000002	3412110.1979999999	3503520.1129999999	3571368.1880000001	3646318.179	3694574.8739999998	3679917.3459999999	3293855.3080000002	3496055.8110000002	3650377.6189999999	3805614.443	3885956.5929999999
Durango	138131.74900000001	149622.29	148864.49299999999	142374.33199999999	146541.785	149331.258	144410.954	147319.56	149135.74100000001	153874.10699999999	160987.57	165970.86300000001	169449.99100000001	172783.065	181317.13	174420.96299999999	183390.103	190883.33100000001	206637.853	206787.114	208654.022	217801.31700000001	218739.592	231278.924	242836.198	235761.59899999999	241373.38399999999	248235.60500000001	261332.53200000001	256632.61300000001	261476.68599999999	273067.299	286058.27399999998	299615.20500000002	307939.663	300289.37599999999	305382.234	304646.65700000001	308981.25400000002	309426.43599999999	286240.78200000001	303251.38099999999	300478.11300000001	309199.136	323802.35700000002

Show code

### Datos de INPC
inpc_mex <- read_csv("conjunto_de_datos_inpc_mensual.csv")

### Promedios de INPC
inpc_mex |>
  mutate(FECHA = dmy(FECHA),
         year = year(FECHA)) |>
  filter(year %in% c(2018, 2021)) |>
  group_by(year) |>
  summarise(
    inpc_promedio = mean(VALOR, na.rm = TRUE)
  )

# A tibble: 2 × 2
   year inpc_promedio
  <dbl>         <dbl>
1  2018          101.
2  2021          115.

Fuente: https://www.inegi.org.mx/programas/inpc/2018a/#datos_abiertos

Deflactación y aplicación del tipo de cambio

\[ \text{PIB}_{i,\; \text{base2021}} = \text{PIB}_{i,\; \text{base2018}} \times \left( \frac{\text{Promedio INPC}_{i,\;2021}}{\text{Promedio INPC}_{i,\;2018}} \right) \] Se deja las variables listas para modificarse en futuros procesos de automatización.

Show code

## Deflactor (Listo para cambiarse)
inpc_2018 <- 100.5578   
inpc_2021 <- 114.6001   

deflactor_mex <- inpc_2018/inpc_2021

## Tipo de Cambio promedio 2021 (Listo para cambiarse) 
tipo_de_cambio_mex <- 20.27564

Show code

pib_subnacional_mexico_long <- pib_subnacional_mexico |>
  pivot_longer(
    cols = matches("^\\d{4}$"),
    names_to = "year",
    values_to = "gdp_dollars_current"
  ) |>
  mutate(
    year = as.integer(year)
  )

Show code

mexico_gdp_raw <- pib_subnacional_mexico_long |>
  mutate(gdp_dollars_current = as.numeric(gdp_dollars_current)) |> 
  mutate(
    gdp_dollars_2021 = (gdp_dollars_current * deflactor_mex) / tipo_de_cambio_mex
  ) |>
  select(-gdp_dollars_current)

Listo! El procedimiento anterior resuelve con éxito el problema de los deflactores. Ahora únicamente queda codificarlo a la usanza SPP.

Codificación Usanza SPP.

Show code

### Igualación de nombres, join y reordenamiento de columnas
library(dplyr)

mexico_gdp <- mexico_gdp_raw |>
  mutate(
    entidad = case_when(
      entidad == "Aguascalientes" ~ "AGUASCALIENTES",
      entidad == "Baja California" ~ "BAJA CALIFORNIA",
      entidad == "Baja California Sur" ~ "BAJA CALIFORNIA SUR",
      entidad == "Campeche" ~ "CAMPECHE",
      entidad == "Coahuila de Zaragoza" ~ "COAHUILA",
      entidad == "Colima" ~ "COLIMA",
      entidad == "Chiapas" ~ "CHIAPAS",
      entidad == "Chihuahua" ~ "CHIHUAHUA",
      entidad == "Ciudad de México" ~ "CDMX",
      entidad == "Durango" ~ "DURANGO",
      entidad == "Guanajuato" ~ "GUANAJUATO",
      entidad == "Guerrero" ~ "GUERRERO",
      entidad == "Hidalgo" ~ "HIDALGO",
      entidad == "Jalisco" ~ "JALISCO",
      entidad == "México" ~ "MEXICO",
      entidad == "Michoacán de Ocampo" ~ "MICHOACAN",
      entidad == "Morelos" ~ "MORELOS",
      entidad == "Nayarit" ~ "NAYARIT",
      entidad == "Nuevo León" ~ "NUEVO LEON",
      entidad == "Oaxaca" ~ "OAXACA",
      entidad == "Puebla" ~ "PUEBLA",
      entidad == "Querétaro" ~ "QUERETARO",
      entidad == "Quintana Roo" ~ "QUINTANA ROO",
      entidad == "San Luis Potosí" ~ "SAN LUIS POTOSI",
      entidad == "Sinaloa" ~ "SINALOA",
      entidad == "Sonora" ~ "SONORA",
      entidad == "Tabasco" ~ "TABASCO",
      entidad == "Tamaulipas" ~ "TAMAULIPAS",
      entidad == "Tlaxcala" ~ "TLAXCALA",
      entidad == "Veracruz de Ignacio de la Llave" ~ "VERACRUZ",
      entidad == "Yucatán" ~ "YUCATAN",
      entidad == "Zacatecas" ~ "ZACATECAS",
      TRUE ~ entidad
    )
  ) |> 
  left_join(mexico_coding, by = c("entidad" = "state_name")) |> 
  rename(state_name = entidad) |> 
    mutate(
    type = 0,
    type_cat = "official_data"
  ) |> 
    select(
    country_name,
    country_code,
    region_name,
    state_name,
    state_code,
    country_state_code,
    year,
    gdp_dollars_2021,
    type,
    type_cat
  )

Integración a base de datos PIB dólares de 2021

Show code

#gdp_spp_final <- def |>
#  filter(!country_name %in% c("ARGENTINA", "MEXICO"))

#gdp_spp_final <- bind_rows(
#  arg_gdp,
#  gdp_spp_final,
#  mexico_gdp
#)  


#write_xlsx(gdp_spp_final, "gdp_spp_usd_2021_final.xlsx")

Recálculo de PIB Per Capita

Show code

### Lectura
spp_pop <- read_excel("spp_pop.xlsx")

gdp_spp <- read_excel("gdp_spp_usd_2021_final.xlsx")

### Proceso
gdp_per_capita_spp <- gdp_spp %>%
  
  # 1. Unir población
  left_join(
    spp_pop %>% 
      select(country_state_code, year, total_population),
    by = c("country_state_code", "year")
  ) %>%
  
  # 2. Calcular PIB per cápita (USD 2021, gdp está en millones)
  mutate(
    gdp_per_capita = (gdp_dollars_2021 * 1e6) / total_population
  ) %>%
  mutate(gdp_per_capita = round(gdp_per_capita,1)) |> 
  
  # 3. Clasificación consistente con tu lógica previa
  mutate(
    source = "own_calculus",
    type = 1L,
    type_cat = "own_calculus"
  ) %>%
  
  # 4. Orden final de variables
  select(
    country_name,
    country_code,
    region_name,
    state_name,
    state_code,
    country_state_code,
    year,
    gdp_per_capita,
    source,
    type,
    type_cat
  )

Show code

### Escritura
#write_xlsx(
#  gdp_per_capita_spp,
# "gdp_per_capita_usd_2021_spp.xlsx"
#)

Conclusión

La aplicación de estos procedimientos resulta en la versión final de las bases de PIB y PIB Per Cápita.