library(readr)
library(dplyr)
##
## Adjuntando el paquete: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(tidyr)
library(kableExtra)
##
## Adjuntando el paquete: 'kableExtra'
## The following object is masked from 'package:dplyr':
##
## group_rows
# Directorio de trabajo para importaciones
setwd("C:/Users/crist/Downloads/comercio exter/impo") #Cambiar las plecas al otro lado selecciona la carpeta y el documento debe ser cvs, no olvidar cargar las librerias
# Lectura masiva de archivos delimitados por pipe (|)
archivos_importar <- list.files()
lista_importacion <- lapply(
archivos_importar,
FUN = read_delim,
delim = "|",
col_names = c("pais", "sac", "anio", "mes", "valor_cif", "kilogramos"),
col_types = cols(
pais = "c",
sac = "c",
anio = "d",
mes = "d",
valor_cif = "d",
kilogramos = "d"
),
skip = 1
)
# Ensamblar dataframes en un único objeto
data_importaciones <- bind_rows(lista_importacion)
# Visualización de muestra
data_importaciones %>%
head() %>%
kable(
format = "html",
caption = "El Salvador: Base Muestra de Importaciones",
align = "c"
) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = TRUE,
position = "center"
) %>%
add_footnote(label = "Fuente: Elaboración propia con base en datos del Banco Central de Reserva (BCR)", notation = "symbol")
El Salvador: Base Muestra de Importaciones
|
pais
|
sac
|
anio
|
mes
|
valor_cif
|
kilogramos
|
|
GROENLANDIA
|
3814001000
|
2022
|
5
|
3795.41
|
633.22
|
|
CANADA
|
0511100000
|
2022
|
4
|
17565.11
|
38.00
|
|
CANADA
|
0712209000
|
2022
|
3
|
512.59
|
118.73
|
|
CANADA
|
0712209000
|
2022
|
6
|
499.48
|
92.13
|
|
CANADA
|
0712909000
|
2022
|
3
|
2231.66
|
729.32
|
|
CANADA
|
0713200000
|
2022
|
3
|
1522.28
|
1881.60
|
|
* Fuente: Elaboración propia con base en datos del Banco
Central de Reserva (BCR)
|
# Direcciones de trabajo para Exportaciones
setwd("C:/Users/crist/Downloads/comercio exter/expo")
# Lectura masiva de archivos
archivos_exportar <- list.files()
lista_exportacion <- lapply(
archivos_exportar,
FUN = read_delim,
delim = "|",
col_names = c("pais", "sac", "anio", "mes", "valor_fob", "kilogramos"),
col_types = cols(
pais = "c",
sac = "c",
anio = "d",
mes = "d",
valor_fob = "d",
kilogramos = "d"
),
skip = 1
)
# Ensamblar dataframes en un único objeto
data_exportaciones <- bind_rows(lista_exportacion)
# Visualización de muestra
data_exportaciones %>%
head() %>%
kable(
format = "html",
caption = "El Salvador: Base Muestra de Exportaciones",
align = "c"
) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = TRUE,
position = "center"
) %>%
add_footnote(label = "Fuente: Elaboración propia con base en datos del Banco Central de Reserva (BCR)", notation = "symbol")
El Salvador: Base Muestra de Exportaciones
|
pais
|
sac
|
anio
|
mes
|
valor_fob
|
kilogramos
|
|
CANADA
|
0106190000
|
2022
|
6
|
600.00
|
9.98
|
|
CANADA
|
0106200000
|
2022
|
6
|
4620.00
|
10.00
|
|
CANADA
|
0602100000
|
2022
|
1
|
1055690.77
|
16511.64
|
|
CANADA
|
0602100000
|
2022
|
2
|
819959.20
|
12047.40
|
|
CANADA
|
0602100000
|
2022
|
3
|
253333.70
|
2928.69
|
|
CANADA
|
0602100000
|
2022
|
4
|
49719.91
|
639.52
|
|
* Fuente: Elaboración propia con base en datos del Banco
Central de Reserva (BCR)
|
# Unir flujos comerciales por llaves principales
data_comercio_exterior <- data_importaciones %>%
full_join(
data_exportaciones,
by = c("pais", "sac", "anio", "mes"),
suffix = c("_importaciones", "_exportaciones")
) %>%
replace_na(
list(
valor_cif = 0,
valor_fob = 0,
kilogramos_importaciones = 0,
kilogramos_exportaciones = 0
)
) %>%
arrange(pais, anio, mes, sac)
# PUNTO 1 de la guía: tabla consolidada, aún sin nombres ISO de países, head de 10 casos
data_comercio_exterior %>%
mutate(across(where(is.character), ~ iconv(.x, from = "", to = "UTF-8", sub = ""))) %>%
head(10) %>%
kable(
format = "html",
caption = "Base Consolidada de Comercio Exterior de El Salvador",
align = "c"
) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = TRUE,
position = "center"
) %>%
add_footnote(label = "Fuente: Elaboración propia con base en datos del BCR", notation = "symbol")
Base Consolidada de Comercio Exterior de El Salvador
|
pais
|
sac
|
anio
|
mes
|
valor_cif
|
kilogramos_importaciones
|
valor_fob
|
kilogramos_exportaciones
|
|
AFGANISTAN
|
8708990000
|
2022
|
2
|
220.50
|
0.29
|
0
|
0
|
|
AFGANISTAN
|
8471900000
|
2022
|
5
|
665.90
|
4.00
|
0
|
0
|
|
AFGANISTAN
|
5702310000
|
2022
|
6
|
913.74
|
22.02
|
0
|
0
|
|
AFGANISTAN
|
5702502000
|
2022
|
6
|
566.35
|
11.36
|
0
|
0
|
|
AFGANISTAN
|
6111200000
|
2022
|
8
|
213.69
|
1.56
|
0
|
0
|
|
AFGANISTAN
|
8536509000
|
2022
|
9
|
42.28
|
2.00
|
0
|
0
|
|
AFGANISTAN
|
6210400000
|
2023
|
7
|
204.75
|
0.10
|
0
|
0
|
|
AFGANISTAN
|
0901210000
|
2024
|
4
|
0.00
|
0.00
|
440
|
21
|
|
AFGANISTAN
|
4909000000
|
2024
|
4
|
0.07
|
0.15
|
0
|
0
|
|
AFGANISTAN
|
8473300000
|
2024
|
6
|
60.18
|
1.00
|
0
|
0
|
|
* Fuente: Elaboración propia con base en datos del BCR
|
# Guardar objeto en formato binario de R (.RData)
save(
data_comercio_exterior,
file = "C:/Users/crist/OneDrive/Documentos/TAREAS DE R/Exportaciones/data_comercio_exterior.RData")
# Carga directa del objeto de datos previamente procesado
load("C:/Users/crist/OneDrive/Documentos/TAREAS DE R/Exportaciones/data_comercio_exterior.RData")
# Carga de script de funciones (aquí es donde data_comercio_exterior recibe
# el join con nombres_iso_paises.xlsx, es decir, ya trae iso_3, región, etc.)
source(
file = "C:/Users/crist/Downloads/funciones_comercio_exterior.R",
echo = TRUE,
max.deparse.length = 100,
encoding = "utf-8"
)
##
## > options(scipen = 999)
##
## > library(dplyr)
##
## > library(readxl)
##
## > library(stringr)
##
## > load("C:/Users/crist/OneDrive/Documentos/TAREAS DE R/Exportaciones/data_comercio_exterior.RData")
##
## > nombre_archivo <- "C:/Users/crist/Downloads/nombres_iso_paises.xlsx"
##
## > nombres_iso_paises <- read_excel(nombre_archivo)
##
## > nombres_iso_paises$nom_pais_esp <- toupper(nombres_iso_paises$nom_pais_esp)
##
## > data_comercio_exterior <- data_comercio_exterior %>%
## + left_join(nombres_iso_paises, by = c(p .... [TRUNCATED]
##
## > herramientas_mostrar_paises <- function() {
## + paises <- nombres_iso_paises %>% select(nom_pais .... [TRUNCATED]
##
## > herramientas_mostrar_regiones <- function() {
## + nombres_iso_paises %>% group_by(region, cod_re .... [TRUNCATED]
##
## > herramientas_mostrar_paises_en_tabla <- function() {
## + data_comercio_exterior %>% group_by(pai .... [TRUNCATED]
##
## > indicadores_IVCR_capitulo <- function(codigo_pais,
## + capitulo, anio) {
## + codigo_pais <- e .... [TRUNCATED]
##
## > indicadores_IVCR_partida <- function(codigo_pais,
## + partida, anio) {
## + codigo_pais <- enq .... [TRUNCATED]
##
## > indicadores_Balassa_capitulo <- function(codigo_pais,
## + capitulo, anio, normalizado = TRUE) { .... [TRUNCATED]
##
## > indicadores_Balassa_partida <- function(codigo_pais,
## + partida, anio, normalizado = TRUE) {
## + .... [TRUNCATED]
##
## > indicadores_IHH_Herfindahl_Hirschmann_anual_texto <- function(codigo_pais,
## + anio, normalizad .... [TRUNCATED]
##
## > indicadores_IHH_Herfindahl_Hirschmann_anual <- function(codigo_pais,
## + anio, normalizado = TR .... [TRUNCATED]
# Mostrar primeros países del catálogo
herramientas_mostrar_paises() %>%
head() %>%
kable(caption = "Catálogo de Países", align = "c") %>%
kable_material(html_font = "sans-serif")
Catálogo de Países
|
nom_pais_esp
|
codigo_pais
|
region
|
cod_region
|
region_intermedia
|
cod_region_intermedia
|
|
AFGANISTAN
|
4
|
Asia
|
142
|
NA
|
NA
|
|
ALBANIA
|
8
|
Europa
|
150
|
NA
|
NA
|
|
ALEMANIA
|
276
|
Europa
|
150
|
NA
|
NA
|
|
ANDORRA
|
20
|
Europa
|
150
|
NA
|
NA
|
|
ANGOLA
|
24
|
África
|
2
|
África Central
|
17
|
|
ANGUILA (R.U.)
|
660
|
Américas
|
19
|
Caribe
|
29
|
# Mostrar regiones
herramientas_mostrar_regiones() %>%
head() %>%
kable(caption = "Catálogo de Regiones", align = "c") %>%
kable_material(html_font = "sans-serif")
## `summarise()` has regrouped the output.
## ℹ Summaries were computed grouped by region, cod_region, region_intermedia, and
## cod_region_intermedia.
## ℹ Output is grouped by region, cod_region, and region_intermedia.
## ℹ Use `summarise(.groups = "drop_last")` to silence this message.
## ℹ Use `summarise(.by = c(region, cod_region, region_intermedia,
## cod_region_intermedia))` for per-operation grouping (`?dplyr::dplyr_by`)
## instead.
Catálogo de Regiones
|
region
|
cod_region
|
region_intermedia
|
cod_region_intermedia
|
# de Paises incluidos
|
|
Américas
|
19
|
Caribe
|
29
|
26
|
|
Américas
|
19
|
Centroamérica
|
13
|
8
|
|
Américas
|
19
|
Sudamerica
|
5
|
13
|
|
Américas
|
19
|
NA
|
NA
|
5
|
|
Asia
|
142
|
NA
|
NA
|
50
|
|
Europa
|
150
|
Islas Del Canal
|
830
|
1
|
# Mostrar catálogo general en formato tabla
herramientas_mostrar_paises_en_tabla() %>%
head() %>%
kable(caption = "Matriz Geográfica Completa", align = "c") %>%
kable_material(html_font = "sans-serif")
## `summarise()` has regrouped the output.
## ℹ Summaries were computed grouped by pais and anio.
## ℹ Output is grouped by pais.
## ℹ Use `summarise(.groups = "drop_last")` to silence this message.
## ℹ Use `summarise(.by = c(pais, anio))` for per-operation grouping
## (`?dplyr::dplyr_by`) instead.
Matriz Geográfica Completa
|
pais
|
anio
|
# Transacciones
|
|
AFGANISTAN
|
2022
|
6
|
|
AFGANISTAN
|
2023
|
1
|
|
AFGANISTAN
|
2024
|
5
|
|
AFGANISTAN
|
2025
|
8
|
|
AFGANISTAN
|
2026
|
1
|
|
ALBANIA
|
2022
|
22
|
# PUNTO 2 de la guía: la base consolidada ya trae la información estandarizada
# de países (iso_3, nombre, región) desde que se cargó el source(). Solo se muestra.
data_comercio_exterior %>%
head(10) %>%
kable(
format = "html",
caption = "Base Consolidada de Comercio Exterior con Información Estandarizada de Países",
align = "c"
) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = TRUE,
position = "center"
) %>%
add_footnote(label = "Fuente: Elaboración propia con base en datos del BCR", notation = "symbol")
Base Consolidada de Comercio Exterior con Información Estandarizada de
Países
|
pais
|
sac
|
anio
|
mes
|
valor_cif
|
kilogramos_importaciones
|
valor_fob
|
kilogramos_exportaciones
|
nom_pais_ingles
|
iso_2
|
iso_3
|
codigo_pais
|
region
|
cod_region
|
sub_region
|
cod_sub_region
|
region_intermedia
|
cod_region_intermedia
|
|
AFGANISTAN
|
8708990000
|
2022
|
2
|
220.50
|
0.29
|
0
|
0
|
Afghanistan
|
AF
|
AFG
|
4
|
Asia
|
142
|
Asia Meridional
|
34
|
NA
|
NA
|
|
AFGANISTAN
|
8471900000
|
2022
|
5
|
665.90
|
4.00
|
0
|
0
|
Afghanistan
|
AF
|
AFG
|
4
|
Asia
|
142
|
Asia Meridional
|
34
|
NA
|
NA
|
|
AFGANISTAN
|
5702310000
|
2022
|
6
|
913.74
|
22.02
|
0
|
0
|
Afghanistan
|
AF
|
AFG
|
4
|
Asia
|
142
|
Asia Meridional
|
34
|
NA
|
NA
|
|
AFGANISTAN
|
5702502000
|
2022
|
6
|
566.35
|
11.36
|
0
|
0
|
Afghanistan
|
AF
|
AFG
|
4
|
Asia
|
142
|
Asia Meridional
|
34
|
NA
|
NA
|
|
AFGANISTAN
|
6111200000
|
2022
|
8
|
213.69
|
1.56
|
0
|
0
|
Afghanistan
|
AF
|
AFG
|
4
|
Asia
|
142
|
Asia Meridional
|
34
|
NA
|
NA
|
|
AFGANISTAN
|
8536509000
|
2022
|
9
|
42.28
|
2.00
|
0
|
0
|
Afghanistan
|
AF
|
AFG
|
4
|
Asia
|
142
|
Asia Meridional
|
34
|
NA
|
NA
|
|
AFGANISTAN
|
6210400000
|
2023
|
7
|
204.75
|
0.10
|
0
|
0
|
Afghanistan
|
AF
|
AFG
|
4
|
Asia
|
142
|
Asia Meridional
|
34
|
NA
|
NA
|
|
AFGANISTAN
|
0901210000
|
2024
|
4
|
0.00
|
0.00
|
440
|
21
|
Afghanistan
|
AF
|
AFG
|
4
|
Asia
|
142
|
Asia Meridional
|
34
|
NA
|
NA
|
|
AFGANISTAN
|
4909000000
|
2024
|
4
|
0.07
|
0.15
|
0
|
0
|
Afghanistan
|
AF
|
AFG
|
4
|
Asia
|
142
|
Asia Meridional
|
34
|
NA
|
NA
|
|
AFGANISTAN
|
8473300000
|
2024
|
6
|
60.18
|
1.00
|
0
|
0
|
Afghanistan
|
AF
|
AFG
|
4
|
Asia
|
142
|
Asia Meridional
|
34
|
NA
|
NA
|
|
* Fuente: Elaboración propia con base en datos del BCR
|
# Cálculo de IVCR para el capítulo '01' (2022-2026)
Resultados_IVCR <- data.frame(
"años" = 2022:2026,
"IVCR" = sapply(
X = 2022:2026,
FUN = indicadores_IVCR_capitulo,
codigo_pais = 840,
capitulo = "01"
)
)
Resultados_IVCR %>%
kable(align = "c", caption = "Evolución del Índice IVCR (Capítulo 01)") %>%
kable_material(html_font = "sans-serif")
Evolución del Índice IVCR (Capítulo 01)
|
años
|
IVCR
|
|
2022
|
-0.1519356
|
|
2023
|
-0.1973216
|
|
2024
|
-0.2803035
|
|
2025
|
-0.2512482
|
|
2026
|
-0.2419462
|
# Cálculo de Índice de Balassa para el capítulo '01' (2023-2024)
Resultados_Balassa <- data.frame(
"años" = 2022:2026,
"IB" = sapply(
X = 2022:2026,
FUN = indicadores_Balassa_capitulo,
codigo_pais = 840,
capitulo = "01"
)
)
Resultados_Balassa %>%
kable(align = "c", caption = "Evolución del Índice de Balassa (Capítulo 01)") %>%
kable_material(html_font = "sans-serif")
Evolución del Índice de Balassa (Capítulo 01)
|
años
|
IB
|
|
2022
|
0.5412339
|
|
2023
|
0.4862753
|
|
2024
|
0.5094811
|
|
2025
|
0.3896520
|
|
2026
|
0.4931593
|
# PUNTO 3 de la guía: ranking anual del top 5 de socios comerciales, 2022-2026
#Seleccionar Años
anios_ranking<-2022:2026
data_comercio_exterior %>%
filter(anio %in% anios_ranking) ->data_ranking
data_ranking %>%
group_by(anio,iso_3) %>%
summarise(total=sum(valor_fob)) %>% mutate(percent=round(prop.table(total)*100,2)) %>%
slice_max(n = 5,order_by = total) %>%
as.data.frame() %>%
group_by(anio) %>%
arrange(anio, desc(total)) %>%
mutate(rank = row_number(),
data=paste(iso_3," | ",percent,sep = "")) %>%
select(anio,data,rank) %>% as.data.frame() -> insumo_reporte
## `summarise()` has regrouped the output.
## ℹ Summaries were computed grouped by anio and iso_3.
## ℹ Output is grouped by anio.
## ℹ Use `summarise(.groups = "drop_last")` to silence this message.
## ℹ Use `summarise(.by = c(anio, iso_3))` for per-operation grouping
## (`?dplyr::dplyr_by`) instead.
print(insumo_reporte)
## anio data rank
## 1 2022 USA | 38.78 1
## 2 2022 GTM | 17.05 2
## 3 2022 HND | 16.65 3
## 4 2022 NIC | 6.98 4
## 5 2022 CRI | 4.27 5
## 6 2023 USA | 35.6 1
## 7 2023 GTM | 18.45 2
## 8 2023 HND | 16.3 3
## 9 2023 NIC | 7.85 4
## 10 2023 CRI | 4.79 5
## 11 2024 USA | 33.84 1
## 12 2024 GTM | 19.53 2
## 13 2024 HND | 16.14 3
## 14 2024 NIC | 8.94 4
## 15 2024 CRI | 4.71 5
## 16 2025 USA | 32.45 1
## 17 2025 GTM | 19.64 2
## 18 2025 HND | 16.74 3
## 19 2025 NIC | 9.12 4
## 20 2025 CRI | 4.45 5
## 21 2026 USA | 32.53 1
## 22 2026 GTM | 19.46 2
## 23 2026 HND | 15.44 3
## 24 2026 NIC | 8.7 4
## 25 2026 CRI | 4.51 5
library(tidyr)
insumo_reporte %>%
pivot_wider(names_from = rank,values_from = data)->mi_tabla
print(mi_tabla)
## # A tibble: 5 × 6
## anio `1` `2` `3` `4` `5`
## <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 2022 USA | 38.78 GTM | 17.05 HND | 16.65 NIC | 6.98 CRI | 4.27
## 2 2023 USA | 35.6 GTM | 18.45 HND | 16.3 NIC | 7.85 CRI | 4.79
## 3 2024 USA | 33.84 GTM | 19.53 HND | 16.14 NIC | 8.94 CRI | 4.71
## 4 2025 USA | 32.45 GTM | 19.64 HND | 16.74 NIC | 9.12 CRI | 4.45
## 5 2026 USA | 32.53 GTM | 19.46 HND | 15.44 NIC | 8.7 CRI | 4.51
mi_tabla %>%
kable(
col.names = c("Año", "1", "2", "3", "4", "5"),
caption = paste("Top",5,"de Exportaciones periodo",
min(anios_ranking),"-",max(anios_ranking))) %>%
add_footnote(label = "Elaboración propia con base en datos del BCR")
Top 5 de Exportaciones periodo 2022 - 2026
| 2022 |
USA | 38.78 |
GTM | 17.05 |
HND | 16.65 |
NIC | 6.98 |
CRI | 4.27 |
| 2023 |
USA | 35.6 |
GTM | 18.45 |
HND | 16.3 |
NIC | 7.85 |
CRI | 4.79 |
| 2024 |
USA | 33.84 |
GTM | 19.53 |
HND | 16.14 |
NIC | 8.94 |
CRI | 4.71 |
| 2025 |
USA | 32.45 |
GTM | 19.64 |
HND | 16.74 |
NIC | 9.12 |
CRI | 4.45 |
| 2026 |
USA | 32.53 |
GTM | 19.46 |
HND | 15.44 |
NIC | 8.7 |
CRI | 4.51 |
Note: aElaboración propia con base en
datos del BCR