Introducción

En la actualidad, el análisis económico y político depende cada vez más del acceso a grandes cantidades de información estadística. Indicadores como el crecimiento económico, la inflación, el desempleo, la deuda pública, el déficit fiscal, las reservas internacionales y el comercio exterior permiten estudiar la situación de los países y comprender los cambios que ocurren en sus economías.

Sin embargo, para realizar este tipo de análisis no basta con que los datos existan: también es necesario contar con mecanismos que permitan acceder a ellos, organizarlos, actualizarlos y utilizarlos de manera eficiente.

En este contexto adquieren importancia las API (Application Programming Interfaces o Interfaces de Programación de Aplicaciones). Una API permite que dos componentes de software se comuniquen entre sí mediante un conjunto definido de reglas, protocolos, solicitudes y respuestas.

En el ámbito económico, las API permiten conectar programas estadísticos y herramientas de análisis con bases de datos institucionales. Un ejemplo es la API de datos del Fondo Monetario Internacional (FMI), que permite importar datos disponibles en su plataforma hacia sistemas y aplicaciones externas.

Por ello, el uso de APIs representa una herramienta importante para la investigación económica y política, ya que facilita el acceso a información internacional, las comparaciones entre países, los análisis estadísticos y los modelos econométricos.

1. ¿Qué es una API?

Una API, cuyo significado es Application Programming Interface o Interfaz de Programación de Aplicaciones, es un mecanismo que permite que dos componentes de software se comuniquen entre sí siguiendo determinadas reglas y protocolos.

En términos sencillos, funciona como un intermediario que permite que un programa solicite información o servicios a otro programa.

Cliente → Solicitud → API / Servidor → Procesamiento → Respuesta

Por ejemplo, un programa estadístico puede solicitar mediante una API determinados datos económicos de un país. El servidor recibe la solicitud, identifica la información solicitada y devuelve los datos en un formato que el programa puede interpretar.

Una característica importante es que el investigador no necesita acceder manualmente a la base de datos cada vez que necesita información. El programa puede realizar las solicitudes automáticamente, permitiendo obtener datos de manera rápida y sistemática.

En el análisis económico, esto permite conectar herramientas como R, Python o Stata con fuentes estadísticas institucionales y utilizar los datos directamente en los análisis.

1.2. Tipos de API

Las API pueden clasificarse de diferentes maneras según la forma en que se establece la comunicación entre las aplicaciones.

Tipo de API	Característica principal	Utilidad
SOAP	Utiliza mensajes estructurados, generalmente mediante XML.	Sistemas empresariales y servicios con estructuras formales.
RPC	Permite solicitar la ejecución de una función o procedimiento remoto.	Ejecución de operaciones específicas en otro servidor.
WebSocket	Permite comunicación bidireccional entre cliente y servidor.	Aplicaciones que requieren información constante o en tiempo real.
REST	Utiliza principalmente HTTP y permite realizar diferentes operaciones.	Servicios web y acceso flexible a información.

API SOAP

Las API SOAP (Simple Object Access Protocol) utilizan mensajes estructurados generalmente mediante XML para establecer la comunicación entre el cliente y el servidor.

Se caracterizan por tener una estructura formal y rígida y fueron utilizadas ampliamente en determinados sistemas empresariales y servicios web.

API RPC

Las API RPC (Remote Procedure Call) permiten que un cliente solicite la ejecución de una función o procedimiento localizado en otro servidor.

El servidor ejecuta la operación solicitada y devuelve el resultado al cliente.

API WebSocket

Las WebSocket API permiten una comunicación bidireccional entre cliente y servidor.

Esto significa que no solamente el cliente puede enviar solicitudes, sino que el servidor también puede enviar información al cliente cuando sea necesario.

Este tipo de comunicación resulta útil cuando se necesitan actualizaciones constantes o información prácticamente en tiempo real.

API REST

Las API REST (Representational State Transfer) son unas de las más utilizadas en la web debido a su flexibilidad.

Utilizan principalmente el protocolo HTTP y permiten realizar diferentes operaciones mediante métodos como GET, PUT y DELETE.

Una característica fundamental de REST es que funciona de manera stateless o sin estado, es decir, el servidor no necesita conservar información del cliente entre una solicitud y otra.

Para el análisis económico, este concepto es especialmente relevante porque muchas bases de datos estadísticas modernas proporcionan información mediante servicios web y APIs que pueden ser consultados desde programas de análisis.

1.3. Características de las API

Característica	Descripción
Acceso estructurado	Permite obtener información de acuerdo con países, indicadores y períodos.
Automatización	Reduce la necesidad de recopilar información manualmente.
Integración	Permite conectar diferentes programas y sistemas.
Actualización	Facilita la incorporación de nuevos datos.
Seguridad	Puede utilizar mecanismos como claves, tokens y autenticación.
Reproducibilidad	Permite repetir las consultas y procesos de obtención de datos.

1.4 Importancia del uso de las API

El uso de las API es importante porque permite automatizar y mejorar el acceso a la información.

En un contexto donde las instituciones generan grandes cantidades de datos, las API permiten conectar directamente las herramientas de investigación con fuentes de información estadística.

Principales aportes

Acceso rápido a grandes cantidades de información.
Automatización de la extracción de datos.
Actualización de bases de datos.
Comparación de información entre países.
Integración con programas como R y Python.
Reducción del trabajo manual.
Mayor reproducibilidad de las investigaciones.

1.5 La API del FMI

La API del Fondo Monetario Internacional (FMI) permite acceder de manera programática a información económica y financiera proporcionada por esta institución.

Actualmente, el FMI permite acceder a sus datos mediante APIs basadas en los estándares SDMX 2.1 y SDMX 3.0, utilizados para facilitar el intercambio de información estadística.

Además, el FMI cuenta con DataMapper API, que permite consultar indicadores, países, regiones y series temporales.

Estas herramientas facilitan el uso de información internacional en programas estadísticos y econométricos.

1.6 Limitaciones de la API del FMI

Limitación	Descripción
Dependencia de los datos disponibles	La API solamente proporciona los datos disponibles en las bases del FMI.
Actualización de la información	Los datos pueden ser revisados debido a nuevas estimaciones o cambios metodológicos.
Complejidad técnica	Se requieren conocimientos sobre programación y estructuras de consulta.
Diferencias metodológicas	Los datos de diferentes países pueden presentar diferencias de medición.
Interpretación política	Los datos cuantitativos no explican por sí solos las causas políticas o sociales.

1.7. Ventajas de las API en el análisis económico y político

Ventaja	Aplicación
Acceso rápido	Permite obtener grandes cantidades de información.
Automatización	Facilita la extracción y procesamiento de datos.
Actualización	Permite incorporar nuevos datos y revisiones.
Comparación internacional	Facilita el análisis entre diferentes países.
Integración	Puede utilizarse con R, Python, MATLAB y Stata.
Reproducibilidad	Permite documentar y repetir las consultas.

1.8 Desventajas de las API en el análisis económico y político

Requieren conocimientos técnicos.
Pueden producir errores si la consulta está mal especificada.
Existe dependencia de la fuente de información.
Los datos no sustituyen la interpretación económica y política.
Existe riesgo de utilizar incorrectamente los indicadores.
Los cambios en la estructura de una API pueden afectar las investigaciones.

1.9 Importancia de la API del FMI para el análisis económico y político

La API del FMI es relevante porque permite trabajar con información económica internacional de manera estructurada y facilita su incorporación a diferentes análisis.

Aplicaciones en el análisis económico

Área	Ejemplos de análisis
Crecimiento económico	Evolución de la producción y actividad económica.
Inflación	Comportamiento de los precios.
Deuda pública	Evolución y sostenibilidad de la deuda.
Finanzas públicas	Ingresos, gastos y déficit fiscal.
Balanza de pagos	Relaciones económicas con el exterior.
Desempleo	Situación y evolución del mercado laboral.

PARTE PRÁCTICA

Aplicación de la API del FMI

2. Instalacion de paquetes (Ejecutar solo una vez si no están instalados)

# install.packages("imf.data")
# install.packages("dplyr")
# install.packages("knitr")
# install.packages("kableExtra")

3. Carga de librerias

library(imf.data)   # conexión y descarga desde la API SDMX 3.0 del FMI
library(dplyr)       # manipulación de datos
library(tidyr)       # pivot_wider para pasar de formato largo a ancho
library(stringr)     # búsqueda de texto en los codelists (paso de verificación)
library(ggplot2)     # gráficos
library(scales)      # formato de ejes
library(knitr)        # tablas (kable)
library(kableExtra)

4. Acceso a la API del Fondo Monetario Internacional

4.1 Exploracion de agencias en el FMI

Para acceder a la información disponible en la API del Fondo Monetario Internacional (FMI), se utiliza la librería imf.data de R. Esta herramienta permite consultar los diferentes datasets disponibles en la API y conocer la estructura y dimensiones de cada uno de ellos.

En primer lugar, se utiliza la función list_datasets() para obtener los datasets disponibles en la API del FMI. Posteriormente, se muestran los primeros 20 resultados mediante una tabla para facilitar su visualización.

Una vez identificado el dataset de interés, se puede utilizar la función list_dimensions() para conocer sus dimensiones. En este caso, se selecciona el dataset CPI, correspondiente al Índice de Precios al Consumidor, con el propósito de identificar la información y categorías disponibles dentro de este conjunto de datos.

La consulta de estos datasets permite conocer previamente la estructura de la información antes de realizar la extracción y el análisis de los datos. La documentación de la librería imf.data puede consultarse en la guía disponible en CRAN (FMI, n.d.).

funciones_imf <- ls("package:imf.data")


# Obtener TODOS los datasets disponibles en la API del FMI
todos_los_datasets <- list_datasets()

# Ver las agencias emisoras disponibles
agencias_disponibles <- unique(todos_los_datasets$agency)

# Mostrar las agencias
print(agencias_disponibles)

##  [1] "IMF.AFR" "IMF.APD" "IMF.FAD" "IMF.MCD" "IMF.MCM" "IMF.RES" "IMF.SPR"
##  [8] "IMF.STA" "IMF.WHD" "ISORA"

4.2 Obtencion y filtrado de datasets

# Obtener los datasets de las agencias IMF.STA e IMF.RES
Datasets_IMF_STA <- list_datasets("IMF.STA")
Datasets_IMF_RES <- list_datasets("IMF.RES")

# Unir ambas agencias
Datasets_IMF <- bind_rows(Datasets_IMF_STA, Datasets_IMF_RES)

Datasets_IMF %>% 
  head(10) %>% 
  kable(caption = "Datasets disponibles en la API del IMF (Agencias IMF.STA e IMF.RES)") %>% 
  kable_classic(html_font = "Times New Roman", font_size = 14) %>% 
  add_footnote(label = "Tomado de la API del IMF", notation = "symbol") %>% 
  kable_styling()

Datasets disponibles en la API del IMF (Agencias IMF.STA e IMF.RES)
agency	id	version	name	description	dsd_id
IMF.STA	AEA	7.0.0	Air Emissions Accounts (AEA)	Annual and quarterly greenhouse gas emissions by activity and by country and region. Regional estimates are presented by industry and household for four gases - carbon dioxide, methane, nitrous oxide, and F-gases. The F-gases constitute of hydrofluorocarbons, perfluorocarbons, sulfur hexafluoride and nitrogen trifluoride. Emissions are presented in Million metric tons of CO2 equivalent (MTCO2e).	DSD_AEA
IMF.STA	ANEA	6.0.1	National Economic Accounts (NEA), Annual Data	This dataset presents national, official estimates of annual expenditure-based Gross Domestic Product (GDP), by economy. Estimates are presented in nominal terms (current prices) and volume terms (with the effect of price changes removed).	DSD_ANEA
IMF.STA	ANEA_2026_APR_VINTAGE	1.0.0	National Economic Accounts (NEA), Annual Data 2026 April	National Economic Accounts (NEA), Annual Data 2026 April	DSD_ANEA_VINTAGE
IMF.STA	ANEA_2026_FEB_VINTAGE	1.0.0	National Economic Accounts (NEA), Annual Data 2026 February	National Economic Accounts (NEA), Annual Data 2026 February	DSD_ANEA_VINTAGE
IMF.STA	ANEA_2026_JAN_VINTAGE	1.0.0	National Economic Accounts (NEA), Annual Data 2026 January	National Economic Accounts (NEA), Annual Data 2026 January	DSD_ANEA_VINTAGE
IMF.STA	ANEA_2026_MAY_VINTAGE	1.0.0	National Economic Accounts (NEA), Annual Data 2026 May	National Economic Accounts (NEA), Annual Data 2026 May	DSD_ANEA_VINTAGE
IMF.STA	BOP	21.0.0	Balance of Payments (BOP)	The Balance of Payments (BOP) is a statistical statement that summarizes transactions between residents and nonresidents during a period. It consists of the goods and services account, the primary income account, the secondary income account, the capital account, and the financial account.	DSD_BOP
IMF.STA	BOP_2026_APR_VINTAGE	1.0.0	Balance of Payments (BOP) 2026 April	Balance of Payments (BOP) 2026 April	DSD_BOP_VINTAGE
IMF.STA	BOP_2026_FEB_VINTAGE	1.0.0	Balance of Payments (BOP) 2026 February	Balance of Payments (BOP) 2026 February	DSD_BOP_VINTAGE
IMF.STA	BOP_2026_JAN_VINTAGE	1.0.0	Balance of Payments (BOP) 2026 January	Balance of Payments (BOP) 2026 January	DSD_BOP_VINTAGE
^* Tomado de la API del IMF

5 EJEMPLOS DATASET BOP

En este apartado se datalla mas ejemplos del uso de BOP

5.1 Balanza de Pagos (BOP)

El dataset BOP (Balance of Payments) de la API del FMI, perteneciente a la agencia IMF.STA, contiene información sobre las transacciones económicas de un país con el resto del mundo. Permite analizar aspectos como la cuenta corriente, de capital y financiera. Para este trabajo se utiliza El Salvador (SLV), con frecuencia anual, unidad en dólares estadounidenses (USD) y un período de análisis de 2010–2024.

5.2 Información general del dataset BOP

datasets_bop <- list_datasets(agency_id = "IMF.STA")

info_bop <- datasets_bop %>%
  filter(id == "BOP")

# Comprobación de los dos requisitos principales:
# Agencia = IMF.STA
# ID = BOP
cat("Agencia:", "IMF.STA", "\n")

## Agencia: IMF.STA

info_bop %>%
  kable(
    caption = "Información general del dataset BOP"
  ) %>%
  kable_classic(
    html_font = "Times New Roman",
    font_size = 15
  ) %>%
  kable_styling(full_width = FALSE)

Información general del dataset BOP
agency	id	version	name	description	dsd_id
IMF.STA	BOP	21.0.0	Balance of Payments (BOP)	The Balance of Payments (BOP) is a statistical statement that summarizes transactions between residents and nonresidents during a period. It consists of the goods and services account, the primary income account, the secondary income account, the capital account, and the financial account.	DSD_BOP

5.3 Ver valores validos para cada dimencion

dimensiones_bop <- list_dimensions(
  "BOP",
  agency_id = "IMF.STA"
)

dimensiones_bop

## # A tibble: 6 × 7
##   position id           type  name  codelist_agency codelist_id codelist_version
##      <int> <chr>        <chr> <chr> <chr>           <chr>       <chr>           
## 1        0 COUNTRY      Dime… Coun… IMF.STA         CL_BOP_COU… 1.0+.0          
## 2        1 BOP_ACCOUNT… Dime… BOP/… IMF.STA         CL_BOP_ACC… 3.0+.0          
## 3        2 INDICATOR    Dime… Indi… IMF.STA         CL_BOP_IND… 10.0+.0         
## 4        3 UNIT         Dime… Unit… IMF             CL_UNIT     2.0+.0          
## 5        4 FREQUENCY    Dime… FREQ… <NA>            <NA>        <NA>            
## 6        5 TIME_PERIOD  Time… TIME… <NA>            <NA>        <NA>

indicadores_bop <- list_dimension_values(
  "BOP",
  "INDICATOR",
  agency_id = "IMF.STA"
)

indicadores_bop %>%
  head(10) %>%
  kable(
    caption = "Primeros indicadores disponibles en BOP"
  ) %>%
  kable_classic(
    html_font = "Times New Roman",
    font_size = 15
  )

Primeros indicadores disponibles en BOP
code	name	description
ANPNFA	Acquisitions nonproduced nonfinancial assets	Acquisitions nonproduced nonfinancial assets.
CAB	Current account balance (credit less debit)	The current account balance is the balance of current transactions (transactions in goods and services, earned income and transfer income) between residents and non-residents. The term current account balance is used in the external accounts and is expressed from the perspective of resident units. The term current external balance is used in the national accounts and is expressed from the perspective of the non-resident units, and therefore with the opposite sign.
CABXEF	Current account balance excluding exceptional financing	Current account balance excluding exceptional financing.
CKAB	Current and capital account balance (credit less debit)	The combined balance of the current and capital accounts, reflecting the net flow of goods, services, income, and transfers, as well as capital transactions.
D1	Compensation of employees	Payments to employees for their work, including wages, salaries, and benefits.
D1_F3	Direct investor in direct invesment enterprises, Debt securities	An investor that makes direct investment in enterprises, having control or significant influence. Tradable financial instruments representing a debt, such as bonds and notes.
D1_F5A	Direct investor in direct invesment enterprises, Equity and investment fund shares/units: other than reinvestment of earnings	An investor that makes direct investment in enterprises, having control or significant influence. Equity and investment fund shares/units excluding those acquired through the reinvestment of earnings.
D1_F5_D42S	Direct investor in direct invesment enterprises, Equity and investment fund shares, Investment income on dividends and withdrawals from income of quasi corporations and income distributed to investment fund shareholders (excluding RIE)	An investor that makes direct investment in enterprises, having control or significant influence. Ownership interest in companies (equity) and shares in investment funds. Total income distributions, including dividends and withdrawals from quasi-corporations and income distributed to investment fund shareholders, excluding reverse investment.
D1_FL	Direct investor in direct invesment enterprises, Debt instruments	An investor that makes direct investment in enterprises, having control or significant influence. Debt instruments are financial instruments that require the payment of principal and/or interest at some point(s) in the future. Debt instruments consist of SDRs, currency and deposits, debt securities, loans, insurance technical reserves, pension and related entitlements, provision for calls under standardized guarantees, and other accounts receivable/payable.
D1_FL_D4Q	Direct investor in direct invesment enterprises, Debt instruments, Investment income on interest and income attributable to policy holders	An investor that makes direct investment in enterprises, having control or significant influence. Debt instruments are financial instruments that require the payment of principal and/or interest at some point(s) in the future. Debt instruments consist of SDRs, currency and deposits, debt securities, loans, insurance technical reserves, pension and related entitlements, provision for calls under standardized guarantees, and other accounts receivable/payable. Interest and income attributable to policy holders

5.4 Cuenta corrriente El Salvador

datos_BOP <- get_data(
  "BOP",
  agency_id = "IMF.STA",
  filters = list(
    COUNTRY   = "SLV",
    FREQUENCY = "A",
    INDICATOR = "CAB"
  )
)

nrow(datos_BOP)

## [1] 50

head(datos_BOP)

## # A tibble: 6 × 7
##   COUNTRY BOP_ACCOUNTING_ENTRY INDICATOR UNIT  FREQUENCY TIME_PERIOD   OBS_VALUE
##   <chr>   <chr>                <chr>     <chr> <chr>     <chr>             <dbl>
## 1 SLV     NETCD_T              CAB       USD   A         1976          23640000.
## 2 SLV     NETCD_T              CAB       USD   A         1977          37360000.
## 3 SLV     NETCD_T              CAB       USD   A         1978        -278720000 
## 4 SLV     NETCD_T              CAB       USD   A         1979          32240000 
## 5 SLV     NETCD_T              CAB       USD   A         1980          33920000.
## 6 SLV     NETCD_T              CAB       USD   A         1981        -250520000

cuenta_corriente_SLV <- datos_BOP %>%
  mutate(
    TIME_PERIOD = as.numeric(TIME_PERIOD),
    OBS_VALUE = as.numeric(OBS_VALUE)
  ) %>%
  filter(
    TIME_PERIOD >= 2010,
    TIME_PERIOD <= 2024
  )

cuenta_corriente_SLV %>%
  select(
    COUNTRY,
    INDICATOR,
    TIME_PERIOD,
    OBS_VALUE
  ) %>%
  kable(
    caption = "El Salvador: saldo de la cuenta corriente, 2010–2024"
  ) %>%
  kable_classic(
    html_font = "Times New Roman",
    font_size = 15
  ) %>%
  kable_styling(full_width = FALSE)

El Salvador: saldo de la cuenta corriente, 2010–2024
COUNTRY	INDICATOR	TIME_PERIOD	OBS_VALUE
SLV	CAB	2010	-532815819
SLV	CAB	2011	-1111764528
SLV	CAB	2012	-1239801103
SLV	CAB	2013	-1518420127
SLV	CAB	2014	-1213582708
SLV	CAB	2015	-753757240
SLV	CAB	2016	-550121069
SLV	CAB	2017	-464589787
SLV	CAB	2018	-859154621
SLV	CAB	2019	-113356041
SLV	CAB	2020	276701043
SLV	CAB	2021	-1250461218
SLV	CAB	2022	-2143721477
SLV	CAB	2023	-584682906
SLV	CAB	2024	-964417195

ggplot(
  cuenta_corriente_SLV,
  aes(
    x = TIME_PERIOD,
    y = OBS_VALUE
  )
) +
  geom_line(linewidth = 1) +
  geom_point(size = 2) +
  labs(
    title = "El Salvador: saldo de la cuenta corriente",
    subtitle = "BOP / IMF.STA, 2010–2024",
    x = "Año",
    y = "Millones de USD"
  ) +
  theme_minimal()

5.5 Cuenta Financiera

indicadores_financieros <- indicadores_bop %>%
  filter(
    grepl(
      "investment|financial|derivative|reserve",
      name,
      ignore.case = TRUE
    )
  ) %>%
  head(10)

indicadores_financieros %>%
  kable(
    caption = "Indicadores financieros disponibles en BOP"
  ) %>%
  kable_classic(
    html_font = "Times New Roman",
    font_size = 15
  )

Indicadores financieros disponibles en BOP
code	name	description
ANPNFA	Acquisitions nonproduced nonfinancial assets	Acquisitions nonproduced nonfinancial assets.
D1_F5A	Direct investor in direct invesment enterprises, Equity and investment fund shares/units: other than reinvestment of earnings	An investor that makes direct investment in enterprises, having control or significant influence. Equity and investment fund shares/units excluding those acquired through the reinvestment of earnings.
D1_F5_D42S	Direct investor in direct invesment enterprises, Equity and investment fund shares, Investment income on dividends and withdrawals from income of quasi corporations and income distributed to investment fund shareholders (excluding RIE)	An investor that makes direct investment in enterprises, having control or significant influence. Ownership interest in companies (equity) and shares in investment funds. Total income distributions, including dividends and withdrawals from quasi-corporations and income distributed to investment fund shareholders, excluding reverse investment.
D1_FL_D4Q	Direct investor in direct invesment enterprises, Debt instruments, Investment income on interest and income attributable to policy holders	An investor that makes direct investment in enterprises, having control or significant influence. Debt instruments are financial instruments that require the payment of principal and/or interest at some point(s) in the future. Debt instruments consist of SDRs, currency and deposits, debt securities, loans, insurance technical reserves, pension and related entitlements, provision for calls under standardized guarantees, and other accounts receivable/payable. Interest and income attributable to policy holders
D2_F3	Direct investment enterprises in direct investor, Debt securities	Enterprises in which direct investment is made by the investor. Tradable financial instruments representing a debt, such as bonds and notes.
D2_F5A	Direct investment enterprises in direct investor, Equity and investment fund shares/units: other than reinvestment of earnings	Enterprises in which direct investment is made by the investor. Equity and investment fund shares/units excluding those acquired through the reinvestment of earnings.
D2_F5_D42S	Direct investment enterprises in direct investor, Equity and investment fund shares, Investment income on dividends and withdrawals from income of quasi corporations and income distributed to investment fund shareholders (excluding RIE)	Enterprises in which direct investment is made by the investor. Ownership interest in companies (equity) and shares in investment funds. Total income distributions, including dividends and withdrawals from quasi-corporations and income distributed to investment fund shareholders, excluding reverse investment.
D2_FL	Direct investment enterprises in direct investor, Debt instruments	Enterprises in which direct investment is made by the investor. Debt instruments are financial instruments that require the payment of principal and/or interest at some point(s) in the future. Debt instruments consist of SDRs, currency and deposits, debt securities, loans, insurance technical reserves, pension and related entitlements, provision for calls under standardized guarantees, and other accounts receivable/payable.
D2_FL_D4Q	Direct investment enterprises in direct investor, Debt instruments, Investment income on interest and income attributable to policy holders	Enterprises in which direct investment is made by the investor. Debt instruments are financial instruments that require the payment of principal and/or interest at some point(s) in the future. Debt instruments consist of SDRs, currency and deposits, debt securities, loans, insurance technical reserves, pension and related entitlements, provision for calls under standardized guarantees, and other accounts receivable/payable. Interest and income attributable to policy holders
D3_F3	Direct investment between fellow enterprises, Debt securities	Investment between enterprises that are both controlled by the same parent entity. Tradable financial instruments representing a debt, such as bonds and notes.

5.6 Saldo de la cuenta corriente: comparación internacional, 2015–2024

options(scipen=999)
paises_comparacion <- c(
  "SLV",
  "GTM",
  "HND",
  "NIC",
  "CRI",
  "PAN",
  "MEX",
  "USA"
)

consultar_pais_CAB <- function(pais) {

  resultado <- tryCatch(

    get_data(
      "BOP",
      agency_id = "IMF.STA",
      filters = list(
        COUNTRY = pais,
        FREQUENCY = "A",
        INDICATOR = "CAB",
        BOP_ACCOUNTING_ENTRY = "NETCD_T",
        UNIT = "USD"
      )
    ),

    error = function(e) {
      tibble()
    }
  )

  if (nrow(resultado) == 0) {
    return(tibble())
  }

  resultado %>%
    mutate(
      TIME_PERIOD = as.numeric(TIME_PERIOD),
      OBS_VALUE = as.numeric(OBS_VALUE)
    ) %>%
    filter(
      TIME_PERIOD >= 2015,
      TIME_PERIOD <= 2024
    )
}

datos_comparacion <- bind_rows(
  lapply(
    paises_comparacion,
    consultar_pais_CAB
  )
)
datos_comparacion %>%
  select(
    COUNTRY,
    TIME_PERIOD,
    OBS_VALUE
  ) %>%
  kable(
    caption = "Saldo de la cuenta corriente: comparación internacional, 2015–2024"
  ) %>%
  kable_classic(
    html_font = "Times New Roman",
    font_size = 15
  ) %>%
  kable_styling(full_width = FALSE)

Saldo de la cuenta corriente: comparación internacional, 2015–2024
COUNTRY	TIME_PERIOD	OBS_VALUE
SLV	2015	-753757240
SLV	2016	-550121069
SLV	2017	-464589787
SLV	2018	-859154621
SLV	2019	-113356041
SLV	2020	276701043
SLV	2021	-1250461218
SLV	2022	-2143721477
SLV	2023	-584682906
SLV	2024	-964417195
GTM	2015	-773787480
GTM	2016	637267670
GTM	2017	857080020
GTM	2018	649564060
GTM	2019	1821490950
GTM	2020	3918080170
GTM	2021	1873410490
GTM	2022	1116174170
GTM	2023	3212019060
GTM	2024	3300417910
HND	2015	-979945387
HND	2016	-682674236
HND	2017	-288253383
HND	2018	-1581815977
HND	2019	-660874047
HND	2020	665854482
HND	2021	-1537902787
HND	2022	-2156562609
HND	2023	-1449262852
HND	2024	-1595401881
NIC	2015	-1259500000
NIC	2016	-1127100000
NIC	2017	-987100000
NIC	2018	-234100000
NIC	2019	754100000
NIC	2020	480200000
NIC	2021	-391178858
NIC	2022	-459600000
NIC	2023	1465400000
NIC	2024	817618290
CRI	2015	-1921262983
CRI	2016	-1257445124
CRI	2017	-2188723948
CRI	2018	-1867318664
CRI	2019	-750921207
CRI	2020	-625175269
CRI	2021	-2178238613
CRI	2022	-1850873043
CRI	2023	-1244166276
CRI	2024	-839431794
PAN	2015	-4848400000
PAN	2016	-4507669628
PAN	2017	-3745435583
PAN	2018	-5307360501
PAN	2019	-3589766446
PAN	2020	122856978
PAN	2021	-818191315
PAN	2022	-276704272
PAN	2023	-2676789962
PAN	2024	568132122
MEX	2015	-31535662037
MEX	2016	-25282312907
MEX	2017	-21402776864
MEX	2018	-25931803949
MEX	2019	-3871166263
MEX	2020	26873079471
MEX	2021	-4485665790
MEX	2022	-15007569273
MEX	2023	-10232313218
MEX	2024	-16790722578
USA	2015	-390780000000
USA	2016	-380011000000
USA	2017	-348862000000
USA	2018	-419443000000
USA	2019	-404302000000
USA	2020	-589622000000
USA	2021	-855203000000
USA	2022	-972359000000
USA	2023	-931394000000
USA	2024	-1198628000000

Grafico comparativo

ggplot(
  datos_comparacion,
  aes(
    x = TIME_PERIOD,
    y = OBS_VALUE,
    color = COUNTRY,
    group = COUNTRY
  )
) +
  geom_line(linewidth = 0.9) +
  geom_point(size = 1.6) +
  labs(
    title = "Saldo de la cuenta corriente",
    subtitle = "Comparación internacional, 2015–2024",
    x = "Año",
    y = "USD",
    color = "País"
  ) +
  theme_minimal()

5.7 EXPORTACIONES E IMPORTACIONES

En este apartado se detallaran las exportaciones e importaciones.

5.7.1 Exportaciones

Las exportaciones se representan como créditos de bienes y servicios, es decir, recursos que los residentes suministran al resto del mundo.

exportaciones <- get_data(
  "BOP",
  agency_id = "IMF.STA",
  filters = list(
    COUNTRY = "SLV",
    INDICATOR = "GS",
    BOP_ACCOUNTING_ENTRY = "CD_T",
    FREQUENCY = "A"
  )
)

exportaciones %>%
  filter(TIME_PERIOD %in% 2015:2024) %>%
  select(TIME_PERIOD, OBS_VALUE) %>%
  kable(
    caption = "El Salvador: exportaciones de bienes y servicios, 2010–2024"
  ) %>%
  kable_classic(
    html_font = "Times New Roman",
    font_size = 15
  )

El Salvador: exportaciones de bienes y servicios, 2010–2024
TIME_PERIOD	OBS_VALUE
2015	6914058468
2016	6871196858
2017	7224712453
2018	7564979852
2019	8056709676
2020	6116846462
2021	8351390783
2022	10163921214
2023	10715612777
2024	11391665215

Interpretación: Un aumento de las exportaciones representa mayores ingresos provenientes de las ventas de bienes de El Salvador al resto del mundo. Las exportaciones forman parte de los créditos de la cuenta de bienes.

5.7.2 Importaciones

importaciones <- get_data(
  "BOP",
  agency_id = "IMF.STA",
  filters = list(
    COUNTRY = "SLV",
    INDICATOR = "GS",
    BOP_ACCOUNTING_ENTRY = "DB_T",
    FREQUENCY = "A"
  )
)

importaciones %>%
  filter(TIME_PERIOD %in% 2010:2024) %>%
  select(TIME_PERIOD, OBS_VALUE) %>%
  kable(
    caption = "El Salvador: importaciones de bienes y servicios, 2010–2024"
  ) %>%
  kable_classic(
    html_font = "Times New Roman",
    font_size = 15
  )

El Salvador: importaciones de bienes y servicios, 2010–2024
TIME_PERIOD	OBS_VALUE
2010	8595024121
2011	10201664566
2012	10495794652
2013	11155198953
2014	11038774822
2015	10925078972
2016	10717286435
2017	11336179943
2018	12323286065
2019	12468596697
2020	10447390057
2021	15483434147
2022	18181049448
2023	17303271725
2024	18494176814

Interpretación: Las importaciones muestran el valor de los bienes adquiridos por residentes de El Salvador al resto del mundo. La diferencia entre exportaciones e importaciones determina el saldo comercial de bienes.

5.8 Transferencias

En el BPM6, las transferencias corrientes se registran dentro del ingreso secundario. Para El Salvador, las remesas de trabajadores constituyen un componente especialmente importante del ingreso secundario.

transferencias <- get_data(
  "BOP",
  agency_id = "IMF.STA",
  filters = list(
    COUNTRY = "SLV",
    INDICATOR = "IN2",
    FREQUENCY = "A"
  )
)

transferencias %>%
  filter(TIME_PERIOD %in% 2016:2024) %>%
  select(TIME_PERIOD, OBS_VALUE) %>%
  kable(
    caption = "El Salvador: ingreso secundario / transferencias corrientes, 2010–2024"
  ) %>%
  kable_classic(
    html_font = "Times New Roman",
    font_size = 15
  )

El Salvador: ingreso secundario / transferencias corrientes, 2010–2024
TIME_PERIOD	OBS_VALUE
2016	4744612464
2017	5262013142
2018	5605742079
2019	5900441584
2020	6231726403
2021	7890352099
2022	8170482836
2023	8531280642
2024	8746737060
2016	202259882
2017	227514558
2018	236497434
2019	260807865
2020	247095235
2021	320768265
2022	349787959
2023	354816866
2024	350708718
2016	4542352583
2017	5034498584
2018	5369244644
2019	5639633719
2020	5984631169
2021	7569583834
2022	7820694877
2023	8176463777
2024	8396028342

Interpretación: Un saldo positivo del ingreso secundario significa que los créditos por transferencias corrientes superan los débitos. En El Salvador, las remesas son un componente relevante de esta cuenta.

6. EJEMPLOS DATASET_IMF.RES

6.1 Verificación del dataset en la agencia IMF.RES

# Datasets disponibles bajo la agencia de investigación (IMF.RES)
datasets_IMF.RES <- list_datasets("IMF.RES")
info_WEO <- datasets_IMF.RES[datasets_IMF.RES$id == "WEO", ]
info_WEO %>%
  kable(caption = "Información General del Dataset WEO (Agencia IMF.RES)") %>%
  kable_classic(html_font = "Times New Roman", font_size = 15) %>%
  add_footnote(label = "Tomado de la API del FMI (IMF.RES)", notation = "symbol") %>%
  kable_styling(full_width = FALSE)

Información General del Dataset WEO (Agencia IMF.RES)
agency	id	version	name	description	dsd_id
IMF.RES	WEO	9.0.0	World Economic Outlook (WEO)	The World Economic Outlook (WEO) database is created during the biannual WEO exercise, which begins in January and June of each year and results in the April and September/October WEO publication. Selected series from the publication are available in a database format.	DSD_WEO
^* Tomado de la API del FMI (IMF.RES)

6.2 Revisión de dimesiones e indicadores

Dimensiones_WEO <- list_dimensions("WEO", agency_id = "IMF.RES")
Indicadores_WEO <- list_dimension_values("WEO", dimension = c("INDICATOR"), agency_id = "IMF.RES")
Indicadores_WEO %>%
  filter(code %in% c("NGDP_RPCH", "PCPIPCH", "LUR")) %>%
  kable(caption = "Indicadores Seleccionados para el Análisis (WEO - FMI)") %>%
  kable_classic(html_font = "Times New Roman", font_size = 15) %>%
  kable_styling()

Indicadores Seleccionados para el Análisis (WEO - FMI)
code	name	description
LUR	Unemployment rate	The percentage of the labor force that is unemployed and actively seeking employment. It is calculated as the number of unemployed persons divided by the total labor force. A measure that expresses the frequency of occurrence of an event or phenomenon in relation to another quantity.
NGDP_RPCH	Gross domestic product (GDP), Constant prices, Percent change	Gross domestic product reflects the total income earned through the production of goods and services in an economic territory during an accounting period. It can be measured in three different ways: using either the expenditure approach, the income approach, or the production approach. Values that have had the effect of price changes removed, expressed as time series in constant prices (fixed base) or chain-linked volume terms, or as non-time series in previous year’s prices This measures the relative change in a value over time, expressed as a percentage. It is calculated as the difference between the new value and the old value, divided by the old value, and multiplied by 100. 1 A ratio expressed as a fraction of 100.
PCPIPCH	All Items, Consumer price index (CPI), Period average, percent change	All items in the context of the consumer price index indicates that the index includes prices for all items included in the consumer price index basket. This includes prices related to food, beverages, clothing, housing, health, transport, communications, recreation, education, restaurants and hotels and other miscellanoues goods and services. The Consumer Price Index (CPI) is an index of the prices of consumption goods and services, as compared to a certain reference period. This calculates the change relative to the average value over the entire period, not just the starting point. This is often used when the data fluctuates significantly within the period, and the average provides a more representative value for comparison. A ratio expressed as a fraction of 100.

6.2.1 Tabla de resultados

Datos_WEO <- get_data("WEO",
  agency_id  = "IMF.RES",
  filters    = list(
    COUNTRY   = c("SLV","PAN","CRI","GTM","HND","NIC"), 
    INDICATOR = "NGDP_RPCH",                   
    FREQUENCY = "A"                           
  )
)
Datos_WEO %>%
  filter(as.numeric(TIME_PERIOD) >= 2020) %>%
  kable(caption = "Proyecciones de Crecimiento del PIB Real (%) - WEO (FMI)") %>%
  kable_classic(html_font = "Times New Roman", font_size = 14) %>%
  add_footnote(label = "Fuente: API FMI (IMF.RES / WEO)", notation = "symbol") %>%
  kable_styling(full_width = FALSE)

Proyecciones de Crecimiento del PIB Real (%) - WEO (FMI)
COUNTRY	INDICATOR	FREQUENCY	TIME_PERIOD	OBS_VALUE
CRI	NGDP_RPCH	A	2020	-4.141593
CRI	NGDP_RPCH	A	2021	8.218179
CRI	NGDP_RPCH	A	2022	5.461195
CRI	NGDP_RPCH	A	2023	4.791877
CRI	NGDP_RPCH	A	2024	4.082925
CRI	NGDP_RPCH	A	2025	4.560335
CRI	NGDP_RPCH	A	2026	3.560304
CRI	NGDP_RPCH	A	2027	3.566547
CRI	NGDP_RPCH	A	2028	3.556088
CRI	NGDP_RPCH	A	2029	3.510000
CRI	NGDP_RPCH	A	2030	3.460000
CRI	NGDP_RPCH	A	2031	3.460000
GTM	NGDP_RPCH	A	2020	-1.785552
GTM	NGDP_RPCH	A	2021	8.041704
GTM	NGDP_RPCH	A	2022	4.184518
GTM	NGDP_RPCH	A	2023	3.533157
GTM	NGDP_RPCH	A	2024	3.651864
GTM	NGDP_RPCH	A	2025	4.118144
GTM	NGDP_RPCH	A	2026	3.940000
GTM	NGDP_RPCH	A	2027	3.980000
GTM	NGDP_RPCH	A	2028	3.920000
GTM	NGDP_RPCH	A	2029	3.840000
GTM	NGDP_RPCH	A	2030	3.880000
GTM	NGDP_RPCH	A	2031	3.920000
HND	NGDP_RPCH	A	2020	-8.965041
HND	NGDP_RPCH	A	2021	12.565185
HND	NGDP_RPCH	A	2022	4.143610
HND	NGDP_RPCH	A	2023	3.575892
HND	NGDP_RPCH	A	2024	3.554011
HND	NGDP_RPCH	A	2025	3.700000
HND	NGDP_RPCH	A	2026	3.300000
HND	NGDP_RPCH	A	2027	3.700000
HND	NGDP_RPCH	A	2028	3.800000
HND	NGDP_RPCH	A	2029	3.800000
HND	NGDP_RPCH	A	2030	3.800000
HND	NGDP_RPCH	A	2031	3.800000
NIC	NGDP_RPCH	A	2020	-2.236542
NIC	NGDP_RPCH	A	2021	10.454389
NIC	NGDP_RPCH	A	2022	3.550275
NIC	NGDP_RPCH	A	2023	4.427794
NIC	NGDP_RPCH	A	2024	3.580945
NIC	NGDP_RPCH	A	2025	4.923526
NIC	NGDP_RPCH	A	2026	3.840000
NIC	NGDP_RPCH	A	2027	3.800000
NIC	NGDP_RPCH	A	2028	3.530000
NIC	NGDP_RPCH	A	2029	3.530000
NIC	NGDP_RPCH	A	2030	3.530000
NIC	NGDP_RPCH	A	2031	3.530000
PAN	NGDP_RPCH	A	2020	-17.821230
PAN	NGDP_RPCH	A	2021	16.467125
PAN	NGDP_RPCH	A	2022	11.038548
PAN	NGDP_RPCH	A	2023	7.166329
PAN	NGDP_RPCH	A	2024	2.747885
PAN	NGDP_RPCH	A	2025	4.350252
PAN	NGDP_RPCH	A	2026	3.840000
PAN	NGDP_RPCH	A	2027	4.540000
PAN	NGDP_RPCH	A	2028	4.540000
PAN	NGDP_RPCH	A	2029	4.754000
PAN	NGDP_RPCH	A	2030	4.540000
PAN	NGDP_RPCH	A	2031	4.540000
SLV	NGDP_RPCH	A	2020	-7.893101
SLV	NGDP_RPCH	A	2021	11.904762
SLV	NGDP_RPCH	A	2022	2.954604
SLV	NGDP_RPCH	A	2023	3.539157
SLV	NGDP_RPCH	A	2024	2.602020
SLV	NGDP_RPCH	A	2025	3.700000
SLV	NGDP_RPCH	A	2026	3.300000
SLV	NGDP_RPCH	A	2027	3.000000
SLV	NGDP_RPCH	A	2028	3.000000
SLV	NGDP_RPCH	A	2029	3.000000
SLV	NGDP_RPCH	A	2030	3.000000
SLV	NGDP_RPCH	A	2031	3.000000
^* Fuente: API FMI (IMF.RES / WEO)

6.2.2 Gráfico proyecciones de crecimiento del PIB (%)

library(plotly)
library(dplyr)
library(ggplot2)
datos_grafica <- Datos_WEO %>%
  mutate(
    TIME_PERIOD = as.numeric(TIME_PERIOD),
    OBS_VALUE   = as.numeric(OBS_VALUE)
  ) %>%
  filter(TIME_PERIOD >= 2020 & TIME_PERIOD <= 2029)
grafico <- ggplot(datos_grafica, aes(
  x = TIME_PERIOD, 
  y = OBS_VALUE, 
  color = COUNTRY, 
  group = COUNTRY,
  text = paste("País:", COUNTRY, "Año:", TIME_PERIOD, "Crecimiento:", round(OBS_VALUE, 2), "%")
)) +
  geom_line(size = 0.9) +
  geom_point(size = 2) +
  scale_color_brewer(palette = "Set1", name = "País") +
  scale_x_continuous(breaks = seq(2020, 2029, by = 2)) +
  labs(
    title = "Proyecciones de Crecimiento del PIB Real (%)",
    x = "Año",
    y = "Variación Porcentual (%)"
  ) +
  theme_minimal() 
Grafico_Proyecc <- ggplotly(grafico, tooltip = "text") %>%
  layout(
    legend = list(
      title = list(text = "Hacer clic sobre la leyenda<br>para ver la información del país"),
      orientation = "h", 
      x = 0,
      y = -0.2
    )
  )
Grafico_Proyecc

6.3 Inflación (Variación Porcentual Anual)- Indicador WEO: “PCPIPCH”

6.3.1 Tabla de Resultados

datos_inflacion <- get_data(
  "WEO",
  agency_id = "IMF.RES",
  filters = list(
    COUNTRY   = c("SLV", "PAN", "CRI", "GTM", "HND", "NIC"),
    INDICATOR = "PCPIPCH", 
    FREQUENCY = "A"
  )
)
datos_inflacion %>%
  mutate(TIME_PERIOD = as.numeric(TIME_PERIOD),
         OBS_VALUE = round(as.numeric(OBS_VALUE), 2)) %>%
  filter(TIME_PERIOD >= 2020) %>%
  kable(caption = "Proyecciones de Inflación (%) - WEO (FMI)",
        col.names = c("País", "Indicador", "Frecuencia", "Año", "Inflación (%)")) %>%
  kable_classic(html_font = "Times New Roman", font_size = 14) %>%
  add_footnote(label = "Fuente: API FMI (IMF.RES / WEO). Datos a partir de 2020 con proyecciones.", 
               notation = "symbol") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Proyecciones de Inflación (%) - WEO (FMI)
País	Indicador	Frecuencia	Año	Inflación (%)
CRI	PCPIPCH	A	2020	0.72
CRI	PCPIPCH	A	2021	1.73
CRI	PCPIPCH	A	2022	8.27
CRI	PCPIPCH	A	2023	0.53
CRI	PCPIPCH	A	2024	-0.41
CRI	PCPIPCH	A	2025	-0.07
CRI	PCPIPCH	A	2026	-0.44
CRI	PCPIPCH	A	2027	2.05
CRI	PCPIPCH	A	2028	2.30
CRI	PCPIPCH	A	2029	2.50
CRI	PCPIPCH	A	2030	3.00
CRI	PCPIPCH	A	2031	3.00
GTM	PCPIPCH	A	2020	3.21
GTM	PCPIPCH	A	2021	4.26
GTM	PCPIPCH	A	2022	6.88
GTM	PCPIPCH	A	2023	6.21
GTM	PCPIPCH	A	2024	2.87
GTM	PCPIPCH	A	2025	1.58
GTM	PCPIPCH	A	2026	2.57
GTM	PCPIPCH	A	2027	4.05
GTM	PCPIPCH	A	2028	3.64
GTM	PCPIPCH	A	2029	3.85
GTM	PCPIPCH	A	2030	4.01
GTM	PCPIPCH	A	2031	4.00
HND	PCPIPCH	A	2020	3.47
HND	PCPIPCH	A	2021	4.48
HND	PCPIPCH	A	2022	9.09
HND	PCPIPCH	A	2023	6.66
HND	PCPIPCH	A	2024	4.61
HND	PCPIPCH	A	2025	4.60
HND	PCPIPCH	A	2026	4.40
HND	PCPIPCH	A	2027	4.49
HND	PCPIPCH	A	2028	4.00
HND	PCPIPCH	A	2029	4.00
HND	PCPIPCH	A	2030	4.00
HND	PCPIPCH	A	2031	4.00
NIC	PCPIPCH	A	2020	3.68
NIC	PCPIPCH	A	2021	4.93
NIC	PCPIPCH	A	2022	10.47
NIC	PCPIPCH	A	2023	8.45
NIC	PCPIPCH	A	2024	4.64
NIC	PCPIPCH	A	2025	2.08
NIC	PCPIPCH	A	2026	3.50
NIC	PCPIPCH	A	2027	3.00
NIC	PCPIPCH	A	2028	3.00
NIC	PCPIPCH	A	2029	3.00
NIC	PCPIPCH	A	2030	3.00
NIC	PCPIPCH	A	2031	3.00
PAN	PCPIPCH	A	2020	-1.55
PAN	PCPIPCH	A	2021	1.63
PAN	PCPIPCH	A	2022	2.86
PAN	PCPIPCH	A	2023	1.49
PAN	PCPIPCH	A	2024	0.69
PAN	PCPIPCH	A	2025	0.01
PAN	PCPIPCH	A	2026	1.44
PAN	PCPIPCH	A	2027	2.00
PAN	PCPIPCH	A	2028	2.00
PAN	PCPIPCH	A	2029	2.00
PAN	PCPIPCH	A	2030	2.00
PAN	PCPIPCH	A	2031	2.00
SLV	PCPIPCH	A	2020	-0.37
SLV	PCPIPCH	A	2021	3.47
SLV	PCPIPCH	A	2022	7.20
SLV	PCPIPCH	A	2023	4.05
SLV	PCPIPCH	A	2024	0.85
SLV	PCPIPCH	A	2025	0.26
SLV	PCPIPCH	A	2026	2.50
SLV	PCPIPCH	A	2027	2.00
SLV	PCPIPCH	A	2028	1.80
SLV	PCPIPCH	A	2029	1.80
SLV	PCPIPCH	A	2030	1.80
SLV	PCPIPCH	A	2031	1.80
^* Fuente: API FMI (IMF.RES / WEO). Datos a partir de 2020 con proyecciones.

6.3.2 Gráfico de proyeciones de la inflación (%)

Datos_grafico_inflacion <- datos_inflacion %>%
  mutate(
    TIME_PERIOD = as.numeric(TIME_PERIOD),
    OBS_VALUE   = as.numeric(OBS_VALUE)
  ) %>%
  filter(TIME_PERIOD >= 2020 & TIME_PERIOD <= 2029)
Grafico_inflacion <- ggplot(Datos_grafico_inflacion, aes(
  x = TIME_PERIOD, 
  y = OBS_VALUE, 
  color = COUNTRY, 
  group = COUNTRY,
  text = paste("País:", COUNTRY, "<br>Año:", TIME_PERIOD, "<br>Inflación:", round(OBS_VALUE, 2), "%")
)) +
  geom_line(size = 0.9) +
  geom_point(size = 2) +
  scale_color_brewer(palette = "Set1", name = "País") +
  scale_x_continuous(breaks = seq(2020, 2029, by = 1)) +
  labs(
    title = "Proyecciones de Inflación (Precios al Consumidor)",
    x = "Año",
    y = "Variación Porcentual Anual (%)"
  ) +
  theme_minimal()
Proyecc_inflacion <- ggplotly(Grafico_inflacion, tooltip = "text") %>%
  layout(
    legend = list(
      title = list(text = "Hacer clic sobre la leyenda<br>para ver la información del país"),
      orientation = "h",
      x = 0,
      y = -0.2
    )
  )

Proyecc_inflacion

6.4 Tasa de desempleo (% de la fuerza laboral)- WEO: “LUR”

6.4.1 Tabla de resultados

Datos_desempleo <- get_data(
  "WEO",
  agency_id = "IMF.RES",
  filters = list(
    COUNTRY   = c("SLV", "PAN", "CRI", "GTM", "HND", "NIC"),
    INDICATOR = "LUR", 
    FREQUENCY = "A"
  )
)
Datos_desempleo %>%
  mutate(TIME_PERIOD = as.numeric(TIME_PERIOD),
         OBS_VALUE = round(as.numeric(OBS_VALUE), 2)) %>%
  filter(TIME_PERIOD >= 2020) %>%
  kable(caption = "Proyecciones de Tasa de desempleo (% de la fuerza laboral) - WEO (FMI)",
        col.names = c("País", "Indicador", "Frecuencia", "Año", "Inflación (%)")) %>%
  kable_classic(html_font = "Times New Roman", font_size = 14) %>%
  add_footnote(label = "Fuente: API FMI (IMF.RES / WEO). Datos a partir de 2020 con proyecciones.", 
               notation = "symbol") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Proyecciones de Tasa de desempleo (% de la fuerza laboral) - WEO (FMI)
País	Indicador	Frecuencia	Año	Inflación (%)
CRI	LUR	A	2020	19.98
CRI	LUR	A	2021	13.68
CRI	LUR	A	2022	11.67
CRI	LUR	A	2023	7.30
CRI	LUR	A	2024	6.88
CRI	LUR	A	2025	6.33
CRI	LUR	A	2026	7.00
CRI	LUR	A	2027	7.20
CRI	LUR	A	2028	7.50
CRI	LUR	A	2029	8.00
CRI	LUR	A	2030	8.00
CRI	LUR	A	2031	8.00
HND	LUR	A	2020	10.91
HND	LUR	A	2021	8.57
HND	LUR	A	2022	8.94
HND	LUR	A	2023	6.40
HND	LUR	A	2024	5.20
HND	LUR	A	2025	5.90
HND	LUR	A	2026	6.80
HND	LUR	A	2027	6.80
HND	LUR	A	2028	6.50
HND	LUR	A	2029	6.50
HND	LUR	A	2030	6.50
HND	LUR	A	2031	6.50
NIC	LUR	A	2020	4.82
NIC	LUR	A	2021	3.67
NIC	LUR	A	2022	3.53
NIC	LUR	A	2023	3.36
NIC	LUR	A	2024	3.06
NIC	LUR	A	2025	2.69
NIC	LUR	A	2026	2.69
NIC	LUR	A	2027	2.69
NIC	LUR	A	2028	2.69
NIC	LUR	A	2029	2.69
NIC	LUR	A	2030	2.69
NIC	LUR	A	2031	3.00
PAN	LUR	A	2020	18.55
PAN	LUR	A	2021	11.29
PAN	LUR	A	2022	9.92
PAN	LUR	A	2023	7.43
PAN	LUR	A	2024	9.53
PAN	LUR	A	2025	10.40
PAN	LUR	A	2026	10.40
PAN	LUR	A	2027	9.52
PAN	LUR	A	2028	8.64
PAN	LUR	A	2029	7.76
PAN	LUR	A	2030	6.88
PAN	LUR	A	2031	6.00
SLV	LUR	A	2020	7.04
SLV	LUR	A	2021	6.34
SLV	LUR	A	2022	5.05
SLV	LUR	A	2023	5.22
SLV	LUR	A	2024	4.65
SLV	LUR	A	2025	4.20
SLV	LUR	A	2026	4.32
SLV	LUR	A	2027	4.43
SLV	LUR	A	2028	4.55
SLV	LUR	A	2029	4.67
SLV	LUR	A	2030	4.78
SLV	LUR	A	2031	4.78
^* Fuente: API FMI (IMF.RES / WEO). Datos a partir de 2020 con proyecciones.

6.4.2 Gráfico de proyecciones tasa de desempleo (% DE LA FUERZA LABORAL)

Datos_grafico_desempleo <- Datos_desempleo %>%
  mutate(
    TIME_PERIOD = as.numeric(TIME_PERIOD),
    OBS_VALUE   = as.numeric(OBS_VALUE)
  ) %>%
  filter(TIME_PERIOD >= 2020 & TIME_PERIOD <= 2029)
Grafico_desempleo <- ggplot(Datos_grafico_desempleo, aes(
  x = TIME_PERIOD, 
  y = OBS_VALUE, 
  color = COUNTRY, 
  group = COUNTRY,
  text = paste("País:", COUNTRY, "<br>Año:", TIME_PERIOD, "<br>Desempleo:", round(OBS_VALUE, 2), "%")
)) +
  geom_line(size = 0.9) +
  geom_point(size = 2) +
  scale_color_brewer(palette = "Set1", name = "País") +
  scale_x_continuous(breaks = seq(2020, 2029, by = 2)) +
  labs(
    title = "Proyecciones de la Tasa de Desempleo",
    x = "Año",
    y = "Porcentaje de la Fuerza Laboral Total (%)"
  ) +
  theme_minimal()
Proyecc_desempleo <- ggplotly(Grafico_desempleo, tooltip = "text") %>%
  layout(
    legend = list(
      title = list(text = "Hacer clic sobre la leyenda<br>para ver la información del país"),
      orientation = "h", 
      x = 0,
      y = -0.2
    )
  )

Proyecc_desempleo

7 EJEMPLO DATASET— GFS_SOO

GFS_SOO (Statement of Operations) es el dataflow que trae ingresos, gastos y resultado fiscal. Antes de consultar datos, se confirma la estructura real de sus dimensiones.

list_dimensions("GFS_SOO")

## # A tibble: 7 × 7
##   position id           type  name  codelist_agency codelist_id codelist_version
##      <int> <chr>        <chr> <chr> <chr>           <chr>       <chr>           
## 1        0 COUNTRY      Dime… Coun… IMF             CL_COUNTRY  1.0+.0          
## 2        1 SECTOR       Dime… Sect… IMF             CL_SECTOR   2.0+.0          
## 3        2 GFS_GRP      Dime… GFS … IMF.STA         CL_GFS_GRP  1.0+.0          
## 4        3 INDICATOR    Dime… Indi… IMF.STA         CL_GFS_IND… 12.0+.0         
## 5        4 TYPE_OF_TRA… Dime… Type… IMF.STA         CL_GFS_TYP… 1.0+.0          
## 6        5 FREQUENCY    Dime… FREQ… <NA>            <NA>        <NA>            
## 7        6 TIME_PERIOD  Time… TIME… <NA>            <NA>        <NA>

Sector. El Salvador sí reporta bajo el sector “Gobierno General”:

list_dimension_values("GFS_SOO", "SECTOR", filters = list(COUNTRY = "SLV"))

## # A tibble: 8 × 3
##   code       name                                         description           
##   <chr>      <chr>                                        <chr>                 
## 1 S13        General government                           The general governmen…
## 2 S1311      Central government excluding social security Central government op…
## 3 S13112     Extrabudgetary central government            Units of central gove…
## 4 S1311B     Budgetary central government                 Central government op…
## 5 S1312MIXED State Government                             State Government.     
## 6 S1313MIXED Local Government                             Local Government.     
## 7 S1314      Social security funds                        Funds established to …
## 8 S1321      Central government including social security Central government op…

Categoría de flujo (GFS_GRP). Confirmado para El Salvador + sector S13:

list_dimension_values("GFS_SOO", "GFS_GRP", filters = list(COUNTRY = "SLV", SECTOR = "S13"))

## # A tibble: 5 × 3
##   code  name                                             description            
##   <chr> <chr>                                            <chr>                  
## 1 BI    Balancing Items                                  Balancing Items        
## 2 BS    Balance Sheet                                    Balance Sheet          
## 3 G1    Revenue                                          Revenue                
## 4 G2M   Expenditure                                      Expenditure            
## 5 TFAL  Transactions in financial assets and liabilities Transactions in financ…

Los códigos relevantes para este documento son G1 (Revenue / Ingresos) y G2M (Expenditure / Gastos) — no G2 (Expense), que es un concepto GFSM distinto y que, además, no aparece entre lo que El Salvador reporta en este dataflow.

Indicador. Se filtra el catálogo completo de indicadores por los que sí trae este sector, buscando ingresos y gastos:

list_dimension_values("GFS_SOO", "INDICATOR", filters = list(COUNTRY = "SLV", SECTOR = "S13")) %>%
  filter(str_detect(name, regex("Revenue|Expenditure", ignore_case = TRUE)))

## # A tibble: 3 × 3
##   code  name                        description                                 
##   <chr> <chr>                       <chr>                                       
## 1 G14_T Other revenue, Transactions Revenue collected by the government from va…
## 2 G1_T  Revenue, Transactions       Revenue refers to the total inflow of resou…
## 3 G2M_T Expenditure, Transactions   Expenditure refers to the total outflow of …

Códigos confirmados: G1_T (Revenue, Transactions) y G2M_T (Expenditure, Transactions).

Tipo de transformación. Determina si el dato viene en niveles o como porcentaje del PIB:

list_dimension_values("GFS_SOO", "TYPE_OF_TRANSFORMATION", filters = list(COUNTRY = "SLV", SECTOR = "S13"))

## # A tibble: 2 × 3
##   code     name              description                                        
##   <chr>    <chr>             <chr>                                              
## 1 POGDP_PT Percent of GDP    Value expressed as a percent of the Gross Domestic…
## 2 XDC      Domestic currency Currency issued by the country of origin, used int…

Se usa XDC (moneda doméstica, niveles nominales) para los gráficos de este documento. El código POGDP_PT (porcentaje del PIB) queda disponible como alternativa si se prefiere esa unidad.

Frecuencia. Solo hay una opción reportada:

list_dimension_values("GFS_SOO", "FREQUENCY", filters = list(COUNTRY = "SLV", SECTOR = "S13"))

## # A tibble: 1 × 3
##   code  name  description
##   <chr> <chr> <chr>      
## 1 A     <NA>  <NA>

7.1 Ingresos y gastos del Gobierno General (GFS_SOO)

Con los seis valores ya verificados arriba (no supuestos), se arma la consulta final:

datos_soo <- get_data(
  "GFS_SOO",
  filters = list(
    COUNTRY = "SLV",
    SECTOR = "S13",
    GFS_GRP = c("G1", "G2M"),
    INDICATOR = c("G1_T", "G2M_T"),
    TYPE_OF_TRANSFORMATION = "XDC",
    FREQUENCY = "A"
  ),
  last_n_obs = 40
)

datos_soo <- datos_soo %>%
  mutate(
    TIME_PERIOD = as.integer(TIME_PERIOD),
    indicador   = recode(INDICATOR, "G1_T" = "Ingresos", "G2M_T" = "Gastos")
  ) %>%
  filter(!is.na(OBS_VALUE))

kable(head(datos_soo, 10))

COUNTRY	SECTOR	GFS_GRP	INDICATOR	TYPE_OF_TRANSFORMATION	FREQUENCY	TIME_PERIOD	OBS_VALUE	indicador
SLV	S13	G1	G1_T	XDC	A	2002	2380800000	Ingresos
SLV	S13	G1	G1_T	XDC	A	2003	2400200000	Ingresos
SLV	S13	G1	G1_T	XDC	A	2004	2615500000	Ingresos
SLV	S13	G1	G1_T	XDC	A	2005	2897400000	Ingresos
SLV	S13	G1	G1_T	XDC	A	2006	3396500000	Ingresos
SLV	S13	G1	G1_T	XDC	A	2007	4119600000	Ingresos
SLV	S13	G1	G1_T	XDC	A	2008	4618800000	Ingresos
SLV	S13	G1	G1_T	XDC	A	2009	3943000000	Ingresos
SLV	S13	G1	G1_T	XDC	A	2010	4311300000	Ingresos
SLV	S13	G1	G1_T	XDC	A	2011	5102993168	Ingresos

7.2 Tablas por separado: ingresos y gastos

datos_soo %>%
  filter(indicador == "Ingresos") %>%
  select(TIME_PERIOD, OBS_VALUE) %>%
  arrange(TIME_PERIOD) %>%
  tail(10) %>%
  kable(caption = "Ingresos del Gobierno General de El Salvador (moneda doméstica) - Últimos 10 años",
        col.names = c("Período", "Ingresos")) %>%
  kable_classic(html_font = "Times New Roman", font_size = 14) %>%
  add_footnote(label = "Fuente: API FMI (IMF.RES / WEO).", notation = "symbol") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Ingresos del Gobierno General de El Salvador (moneda doméstica) - Últimos 10 años
Período	Ingresos
2015	5244615070
2016	6139671826
2017	6596442349
2018	6816100000
2019	6814400000
2020	6369700000
2021	8811300000
2022	9476900000
2023	9505638793
2024	10497900000
^* Fuente: API FMI (IMF.RES / WEO).

datos_soo %>%
  filter(indicador == "Gastos") %>%
  select(TIME_PERIOD, OBS_VALUE) %>%
  arrange(TIME_PERIOD) %>%
  tail(10) %>%
  kable(caption = "Gastos del Gobierno General de El Salvador (moneda doméstica) - Últimos 10 años",
        col.names = c("Período", "Gastos")) %>%
  kable_classic(html_font = "Times New Roman", font_size = 14) %>%
  add_footnote(label = "Fuente: API FMI (IMF.RES / WEO).", notation = "symbol") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Gastos del Gobierno General de El Salvador (moneda doméstica) - Últimos 10 años
Período	Gastos
2015	5560686780
2016	6078967401
2017	6741449255
2018	6977500000
2019	7023900000
2020	8763200000
2021	9482200000
2022	10365800000
2023	10427400000
2024	11222500000
^* Fuente: API FMI (IMF.RES / WEO).

Nota: El Salvador cambió de colón a dólar estadounidense como moneda de curso legal en 2001. El código XDC (“moneda doméstica”) puede reflejar ese cambio de unidad dentro de la misma serie histórica — no se ha verificado en este documento si el FMI homogeniza la serie completa a una sola moneda. Si al graficar aparece un salto artificial alrededor de 2001, esa es la causa más probable a revisar primero.

7.3 Ingresos vs. gastos

ggplot(datos_soo, aes(x = TIME_PERIOD, y = OBS_VALUE / 1e9, color = indicador)) +
  geom_line(linewidth = 1) +
  geom_point() +
  scale_x_continuous(breaks = pretty_breaks()) +
  labs(title = "Ingresos y gastos del Gobierno General de El Salvador",
       subtitle = "Miles de millones, moneda doméstica corriente. Fuente: FMI, GFS_SOO",
       x = NULL, y = "Miles de millones", color = NULL) +
  theme_minimal() +
  theme(legend.position = "top")

7.3.1 Resultado operativo neto (aproximación)

resultado_operativo <- datos_soo %>%
  select(TIME_PERIOD, indicador, OBS_VALUE) %>%
  pivot_wider(names_from = indicador, values_from = OBS_VALUE) %>%
  mutate(resultado = Ingresos - Gastos)

resultado_operativo %>%
  head(10) %>%
  kable(caption = "Resultado Operativo del Gobierno General de El Salvador",
        col.names = c("Período", "Ingresos", "Gastos", "Resultado"),
        digits = 2,
        format.args = list(big.mark = ",")) %>%
  kable_classic(html_font = "Times New Roman", font_size = 14) %>%
  add_footnote(label = "Fuente: API FMI (IMF.RES / WEO).", notation = "symbol") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Resultado Operativo del Gobierno General de El Salvador
Período	Ingresos	Gastos	Resultado
2,002	2,380,800,000	3,061,800,000	-681,000,000
2,003	2,400,200,000	2,784,300,000	-384,100,000
2,004	2,615,500,000	3,120,600,000	-505,100,000
2,005	2,897,400,000	3,636,799,990	-739,399,990
2,006	3,396,500,000	3,973,200,000	-576,700,000
2,007	4,119,600,000	3,934,050,000	185,550,000
2,008	4,618,800,000	4,586,700,000	32,100,000
2,009	3,943,000,000	4,977,800,000	-1,034,800,000
2,010	4,311,300,000	4,862,600,000	-551,300,000
2,011	5,102,993,168	5,634,180,235	-531,187,067
^* Fuente: API FMI (IMF.RES / WEO).

Precisión conceptual: Ingresos - Gastos corresponde al resultado operativo neto (GFSM 2014), no al préstamo/endeudamiento neto (NLB) que el FMI reporta como “resultado fiscal” oficial. La diferencia entre ambos es la inversión neta en activos no financieros del gobierno, que este documento no resta porque GFS_GRP/INDICATOR para ese concepto no se verificaron en esta sesión. El gráfico y su etiqueta reflejan esa distinción.

ggplot(resultado_operativo, aes(x = TIME_PERIOD, y = resultado / 1e9, fill = resultado >= 0)) +
  geom_col() +
  geom_hline(yintercept = 0, linewidth = 0.4) +
  scale_fill_manual(values = c(`TRUE` = "#2c7fb8", `FALSE` = "#d7301f"),
                     labels = c(`TRUE` = "Superávit operativo", `FALSE` = "Déficit operativo")) +
  scale_x_continuous(breaks = pretty_breaks()) +
  labs(title = "Resultado operativo neto del Gobierno General de El Salvador",
       subtitle = "Aproximación (Ingresos - Gastos); no equivale al resultado fiscal oficial (NLB) del FMI. Fuente: GFS_SOO",
       x = NULL, y = "Miles de millones", fill = NULL) +
  theme_minimal() +
  theme(legend.position = "top")

7.4 Deuda pública (GFS_BS)

GFS_BS (Balance Sheet) es un dataflow distinto al de ingresos/gastos. Se verificó que usa los mismos nombres de dimensión que GFS_SOO (COUNTRY, SECTOR, GFS_GRP, INDICATOR, TYPE_OF_TRANSFORMATION, FREQUENCY) y que El Salvador reporta bajo el mismo codelist de sector (S13, Gobierno General). Aun así, GFS_GRP e INDICATOR son propios de este dataflow — no se reutilizan los códigos de GFS_SOO sin verificar.

list_dimensions("GFS_BS")

## # A tibble: 7 × 7
##   position id           type  name  codelist_agency codelist_id codelist_version
##      <int> <chr>        <chr> <chr> <chr>           <chr>       <chr>           
## 1        0 COUNTRY      Dime… Coun… IMF             CL_COUNTRY  1.0+.0          
## 2        1 SECTOR       Dime… Sect… IMF             CL_SECTOR   2.0+.0          
## 3        2 GFS_GRP      Dime… GFS … IMF.STA         CL_GFS_GRP  1.0+.0          
## 4        3 INDICATOR    Dime… Indi… IMF.STA         CL_GFS_IND… 12.0+.0         
## 5        4 TYPE_OF_TRA… Dime… Type… IMF.STA         CL_GFS_TYP… 1.0+.0          
## 6        5 FREQUENCY    Dime… FREQ… <NA>            <NA>        <NA>            
## 7        6 TIME_PERIOD  Time… TIME… <NA>            <NA>        <NA>

list_dimension_values("GFS_BS", "SECTOR", filters = list(COUNTRY = "SLV"))

## # A tibble: 8 × 3
##   code       name                                         description           
##   <chr>      <chr>                                        <chr>                 
## 1 S13        General government                           The general governmen…
## 2 S1311      Central government excluding social security Central government op…
## 3 S13112     Extrabudgetary central government            Units of central gove…
## 4 S1311B     Budgetary central government                 Central government op…
## 5 S1312MIXED State Government                             State Government.     
## 6 S1313MIXED Local Government                             Local Government.     
## 7 S1314      Social security funds                        Funds established to …
## 8 S1321      Central government including social security Central government op…

Categoría de flujo/saldo (GFS_GRP). Para deuda interesa la categoría de pasivos del balance:

grp_bs <- list_dimension_values("GFS_BS", "GFS_GRP", filters = list(COUNTRY = "SLV", SECTOR = "S13"))
kable(grp_bs)

code	name	description
BI	Balancing Items	Balancing Items
BS	Balance Sheet	Balance Sheet
TFAL	Transactions in financial assets and liabilities	Transactions in financial assets and liabilities

grp_deuda <- grp_bs %>%
  filter(str_detect(name, regex("Liabilit|Balance Sheet", ignore_case = TRUE)))

if (nrow(grp_deuda) == 0) {
  stop("No se encontró una categoría de pasivos en GFS_GRP. Revisa la tabla completa impresa arriba.")
}
kable(grp_deuda)

code	name	description
BS	Balance Sheet	Balance Sheet
TFAL	Transactions in financial assets and liabilities	Transactions in financial assets and liabilities

Indicador. Se busca el concepto de deuda bruta o pasivos totales entre lo que El Salvador sí reporta:

indicadores_bs <- list_dimension_values("GFS_BS", "INDICATOR",
                                         filters = list(COUNTRY = "SLV", SECTOR = "S13",
                                                          GFS_GRP = grp_deuda$code))

ind_deuda <- indicadores_bs %>%
  filter(str_detect(name, regex("Gross debt|Total liabilities|Debt securities", ignore_case = TRUE))) %>%
  head(10)

if (nrow(ind_deuda) == 0) {
  stop("No se encontró un indicador de deuda bruta/pasivos totales. Revisa 'indicadores_bs' completo: ",
       paste(indicadores_bs$code, collapse = ", "))
}
kable(ind_deuda)

code	name	description
F3_A_SP	Debt securities, Assets, Stock positions	Tradable financial instruments representing a debt, such as bonds and notes. Assets are a store of value representing a benefit or series of benefits accruing to the economic owner by holding or using the item over a period of time. It is a means of carrying forward value from one accounting period to another. The values of assets, liabilities, and equity held at a specific point in time.
F3_DC_L_SP	Debt securities, Domestic Creditors, Liabilities, Stock positions	Tradable financial instruments representing a debt, such as bonds and notes. Domestic Creditors Obligations where one unit (the debtor) is obliged, under specific circumstances, to provide funds or other resources to another unit (the creditor). These include shares and other equity in corporations. The values of assets, liabilities, and equity held at a specific point in time.
F3_DD_A_SP	Debt securities, Domestic Debtors, Assets, Stock positions	Tradable financial instruments representing a debt, such as bonds and notes. Domestic Debtors Assets are a store of value representing a benefit or series of benefits accruing to the economic owner by holding or using the item over a period of time. It is a means of carrying forward value from one accounting period to another. The values of assets, liabilities, and equity held at a specific point in time.
F3_FC_L_SP	Debt securities, Foreign Creditors, Liabilities, Stock positions	Tradable financial instruments representing a debt, such as bonds and notes. Foreign Creditors Obligations where one unit (the debtor) is obliged, under specific circumstances, to provide funds or other resources to another unit (the creditor). These include shares and other equity in corporations. The values of assets, liabilities, and equity held at a specific point in time.
F3_FD_A_SP	Debt securities, Foreign Debtors, Assets, Stock positions	Tradable financial instruments representing a debt, such as bonds and notes. Foreign Debtors Assets are a store of value representing a benefit or series of benefits accruing to the economic owner by holding or using the item over a period of time. It is a means of carrying forward value from one accounting period to another. The values of assets, liabilities, and equity held at a specific point in time.
F3_L_SP	Debt securities, Liabilities, Stock positions	Tradable financial instruments representing a debt, such as bonds and notes. Obligations where one unit (the debtor) is obliged, under specific circumstances, to provide funds or other resources to another unit (the creditor). These include shares and other equity in corporations. The values of assets, liabilities, and equity held at a specific point in time.
GDD4D1_L_SP_FV_MI	Gross debt (D1) debt liabilities, Stock positions, Face value, Memorandum Item	The total debt liabilities categorized under classification D1, specifically including D1 debt liabilities. Obligations where one unit (the debtor) is obliged, under specific circumstances, to provide funds or other resources to another unit (the creditor). These include shares and other equity in corporations. The values of assets, liabilities, and equity held at a specific point in time. Face value Memorandum Item
GDD4D1_L_SP_LAG1O_MI	Gross debt (D1) debt liabilities, Stock positions, Lag 1 (Opening), Memorandum Item	The total debt liabilities categorized under classification D1, specifically including D1 debt liabilities. Obligations where one unit (the debtor) is obliged, under specific circumstances, to provide funds or other resources to another unit (the creditor). These include shares and other equity in corporations. The values of assets, liabilities, and equity held at a specific point in time. A variable used in calculations or comparisons to assess price movement or trends, referring to the opening price or value of the first period. Memorandum Item
GDD4D1_L_SP_MV_MI	Gross debt (D1) debt liabilities, Stock positions, Market value, Memorandum Item	The total debt liabilities categorized under classification D1, specifically including D1 debt liabilities. Obligations where one unit (the debtor) is obliged, under specific circumstances, to provide funds or other resources to another unit (the creditor). These include shares and other equity in corporations. The values of assets, liabilities, and equity held at a specific point in time. Market value Memorandum Item
GDD4D1_L_SP_NV_MI	Gross debt (D1) debt liabilities, Stock positions, Nominal value, Memorandum Item	The total debt liabilities categorized under classification D1, specifically including D1 debt liabilities. Obligations where one unit (the debtor) is obliged, under specific circumstances, to provide funds or other resources to another unit (the creditor). These include shares and other equity in corporations. The values of assets, liabilities, and equity held at a specific point in time. Nominal value Memorandum Item

Tipo de transformación:

list_dimension_values("GFS_BS", "TYPE_OF_TRANSFORMATION", filters = list(COUNTRY = "SLV", SECTOR = "S13"))

## # A tibble: 2 × 3
##   code     name              description                                        
##   <chr>    <chr>             <chr>                                              
## 1 POGDP_PT Percent of GDP    Value expressed as a percent of the Gross Domestic…
## 2 XDC      Domestic currency Currency issued by the country of origin, used int…

Se usa XDC para mantener la misma unidad (moneda doméstica, niveles) que en la sección de ingresos y gastos, y así poder comparar deuda contra ingresos/gastos en la misma escala si se desea más adelante.

datos_bs <- get_data(
  "GFS_BS",
  filters = list(
    COUNTRY = "SLV",
    SECTOR = "S13",
    GFS_GRP = grp_deuda$code[1],
    INDICATOR = ind_deuda$code[1],
    TYPE_OF_TRANSFORMATION = "XDC",
    FREQUENCY = "A"
  ),
  last_n_obs = 40
)

datos_bs <- datos_bs %>%
  mutate(TIME_PERIOD = as.integer(TIME_PERIOD)) %>%
  filter(!is.na(OBS_VALUE))

kable(head(datos_bs, 10))

COUNTRY	SECTOR	GFS_GRP	INDICATOR	TYPE_OF_TRANSFORMATION	FREQUENCY	TIME_PERIOD	OBS_VALUE
SLV	S13	BS	F3_A_SP	XDC	A	2005	359400000
SLV	S13	BS	F3_A_SP	XDC	A	2006	292700000
SLV	S13	BS	F3_A_SP	XDC	A	2007	303700000
SLV	S13	BS	F3_A_SP	XDC	A	2008	388400000
SLV	S13	BS	F3_A_SP	XDC	A	2009	76300000
SLV	S13	BS	F3_A_SP	XDC	A	2010	79300000
SLV	S13	BS	F3_A_SP	XDC	A	2011	49602838
SLV	S13	BS	F3_A_SP	XDC	A	2012	-210303506
SLV	S13	BS	F3_A_SP	XDC	A	2013	252300000
SLV	S13	BS	F3_A_SP	XDC	A	2014	361066053

datos_bs %>%
  select(TIME_PERIOD, OBS_VALUE) %>%
  arrange(TIME_PERIOD) %>%
  tail(10) %>%
  kable(caption = "Deuda pública bruta del Gobierno General de El Salvador (moneda doméstica) - Últimos 10 años",
        col.names = c("Período", "Deuda Pública Bruta")) %>%
  kable_classic(html_font = "Times New Roman", font_size = 14) %>%
  add_footnote(label = "Fuente: API FMI (IMF.RES / WEO).", notation = "symbol") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Deuda pública bruta del Gobierno General de El Salvador (moneda doméstica) - Últimos 10 años
Período	Deuda Pública Bruta
2015	279169600
2016	298573519
2017	326413241
2018	332800000
2019	379800000
2020	193700000
2021	443600000
2022	2403100000
2023	2226700000
2024	1380600000
^* Fuente: API FMI (IMF.RES / WEO).

7.5 Deuda pública bruta

ggplot(datos_bs, aes(x = TIME_PERIOD, y = OBS_VALUE / 1e9)) +
  geom_line(linewidth = 1.1, color = "#542788") +
  geom_point(color = "#542788") +
  scale_x_continuous(breaks = pretty_breaks()) +
  labs(title = "Deuda pública bruta del Gobierno General de El Salvador",
       subtitle = "Miles de millones, moneda doméstica corriente. Fuente: FMI, GFS_BS",
       x = NULL, y = "Miles de millones") +
  theme_minimal()

7.6 Limitaciones

Los años sin datos (OBS_VALUE = NA) para El Salvador anteriores a 2002 se descartaron antes de graficar; no se investigó si corresponden a falta de reporte del país o a un vacío general de la base para esos años.
El “resultado operativo neto” de este documento es una aproximación metodológica, no el resultado fiscal oficial del FMI (NLB) — ver nota en la sección correspondiente.
La posible mezcla de colón/dólar dentro de la serie XDC (ver nota en la sección de ingresos y gastos) no se verificó directamente; aplica igual a la serie de deuda pública.
En la sección de deuda, grp_deuda$code[1] e ind_deuda$code[1] toman automáticamente la primera coincidencia si el filtro por palabra clave ("Liabilit|Balance Sheet", "Gross debt|Total liabilities|Debt securities") encuentra más de una. Antes de dar el resultado por definitivo, revisa las tablas grp_bs/grp_deuda e indicadores_bs/ind_deuda completas (impresas en la sección correspondiente) para confirmar que la primera fila es efectivamente el concepto de deuda bruta y no otro pasivo — no se verificó a mano cuál de las coincidencias es la correcta, solo que al menos una existe.

8. Dataset IMF.STA-LS (Labor Statistics)

El dataset Labor Statistics (LS) del Fondo Monetario Internacional contiene información relacionada con el mercado laboral de diferentes países. Sus datos permiten analizar aspectos como el empleo, el desempleo y la participación de la población en la fuerza laboral. Esta información es útil para conocer la situación y evolución del mercado de trabajo y realizar análisis económicos y sociales.

# --- Dataset LS de la agencia IMF.STA ---
datasets4 <- list_datasets(agency_id = "IMF.STA")
info_ls <- datasets4[datasets4$id == "LS", ]

# --- Consultar las dimensiones del dataset ---
dimensiones_ls <- list_dimensions("LS", agency_id = "IMF.STA")

dimensiones_ls %>% 
  kable(
    caption = "Dimensiones del Dataset LS del FMI"
  ) %>% 
  kable_classic(
    html_font = "Times New Roman",
    font_size = 14
  ) %>% 
  add_footnote(
    label = "Tomado de la API del FMI",
    notation = "symbol"
  ) %>% 
  kable_styling()

Dimensiones del Dataset LS del FMI
position	id	type	name	codelist_agency	codelist_id	codelist_version
0	COUNTRY	Dimension	Country	IMF	CL_COUNTRY	1.0+.0
1	INDICATOR	Dimension	INDICATOR	NA	NA	NA
2	TYPE_OF_TRANSFORMATION	Dimension	TYPE_OF_TRANSFORMATION	NA	NA	NA
3	FREQUENCY	Dimension	FREQUENCY	NA	NA	NA
4	TIME_PERIOD	TimeDimension	TIME_PERIOD	NA	NA	NA
^* Tomado de la API del FMI

8.1 Ver valores validos para cada dimencion

# Ejemplo: países disponibles
paises_ls <- list_dimension_values("LS", "COUNTRY", agency_id = "IMF.STA")
print(paises_ls)

## # A tibble: 191 × 3
##    code  name                                                description
##    <chr> <chr>                                               <chr>      
##  1 ABW   Aruba, Kingdom of the Netherlands                   <NA>       
##  2 AFG   Afghanistan, Islamic Republic of                    <NA>       
##  3 AGO   Angola                                              <NA>       
##  4 AIA   Anguilla, United Kingdom-British Overseas Territory <NA>       
##  5 ALB   Albania                                             <NA>       
##  6 ARE   United Arab Emirates                                <NA>       
##  7 ARG   Argentina                                           <NA>       
##  8 ARM   Armenia, Republic of                                <NA>       
##  9 ATG   Antigua and Barbuda                                 <NA>       
## 10 AUS   Australia                                           <NA>       
## # ℹ 181 more rows

8.2 Indicadores disponibles

# --- Ver los valores de la dimensión INDICATOR dentro del dataset LS ---
indicadores_ls <- list_dimension_values(
  "LS",
  "INDICATOR"
)

indicadores_ls %>% 
  kable(
    caption = "Indicadores del Dataset LS del FMI"
  ) %>% 
  kable_classic(
    html_font = "Times New Roman",
    font_size = 14
  ) %>% 
  add_footnote(
    label = "Tomado de la API del FMI",
    notation = "symbol"
  ) %>% 
  kable_styling()

Indicadores del Dataset LS del FMI
code	name	description
E	NA	NA
LF	NA	NA
U	NA	NA
UP	NA	NA
WR	NA	NA
^* Tomado de la API del FMI

E = Empleo (Employment) LF = Fuerza Laboral (Labor Force) U = Desempleo (Unemployment) UP = Tasa de Desempleo WR = Tasa Salarial / Salarios (Wage Rate / Wages)

Código Significado IX Index (Índice, con año base = 100) RT Rate (Tasa, generalmente %) NM Number (Número absoluto, ej. personas) PT Percent (Porcentaje)

8.3 EJEMPLOS DATASET LABOR STATISTICS (LS)

8.3.1 indicador WR (Tasa Salarial)

Datos de México (MEX) con indicador WR (Tasa Salarial)

# Datos de México (MEX) con indicador WR (Tasa Salarial)
datos_LS <- get_data(
  "LS",
  agency_id = "IMF.STA",
  filters = list(
    COUNTRY                = "MEX",
    FREQUENCY              = "A",
    INDICATOR               = "WR",
    TYPE_OF_TRANSFORMATION = "IX"   
  )
)

# --- TABLA DE DATOS ---
datos_LS %>% 
  mutate(TIME_PERIOD = as.numeric(TIME_PERIOD)) %>%
  arrange(desc(TIME_PERIOD)) %>%
  slice_head(n = 14) %>%
  arrange(TIME_PERIOD) %>%
  mutate(Variacion = (OBS_VALUE / lag(OBS_VALUE) - 1) * 100) %>%
  select(TIME_PERIOD, OBS_VALUE, Variacion) %>%
  kable(
    caption = "Tasa Salarial (WR) - FMI",
    digits  = 2,
    col.names = c("Año", "Tasa Salarial (Índice)", "Variación (%)")
  ) %>% 
  kable_classic(html_font = "Times New Roman", font_size = 14) %>% 
  add_footnote(label = "Tomado de la API del IMF", notation = "symbol") %>% 
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Tasa Salarial (WR) - FMI
Año	Tasa Salarial (Índice)	Variación (%)
2007	100.59	NA
2008	101.46	0.87
2009	100.69	-0.76
2010	100.00	-0.69
2011	100.22	0.22
2012	100.33	0.12
2013	100.45	0.12
2014	101.08	0.62
2015	102.05	0.96
2016	104.13	2.04
2017	104.34	0.19
2018	105.27	0.90
2019	108.09	2.68
2020	109.09	0.92
^* Tomado de la API del IMF

Nota: 2020 (109.09) → los salario estaban un 9.09% por encima del nivel de 2010

8.3.2 Tasa de desempleo para Brasil (BRA) con indicador U (Desempleo)

# Tasa de desempleo para Brasil (BRA) con indicador U (Desempleo)
datos_LS <- get_data(
  "LS",
  agency_id = "IMF.STA",
  filters = list(
    COUNTRY                = "BRA",
    FREQUENCY              = "A",
    INDICATOR              = "U",
    TYPE_OF_TRANSFORMATION = "PT" 
  )
)

# --- TABLA DE DATOS CON TRANSFORMACIONES ---
datos_LS %>% 
  arrange(TIME_PERIOD) %>%                     # orden ascendente para calcular bien las variaciones
  mutate(
    Variacion_anual   = OBS_VALUE - lag(OBS_VALUE),        # diferencia en p.p. respecto al año anterior
    Promedio_movil_3a = zoo::rollmean(OBS_VALUE, k = 3, fill = NA, align = "right") # tendencia suavizada
  ) %>% 
  arrange(desc(TIME_PERIOD)) %>%     
  slice_head(n = 10) %>%             
  arrange(TIME_PERIOD) %>%           
  kable(
    caption = "Tasa de Desempleo (U) - FMI",
    col.names = c("País", "Indicador", "Transformación", "Frecuencia", "Año", 
                  "Tasa (%)", "Variación anual (p.p.)", "Promedio móvil 3 años (%)"),
    digits = 2
  ) %>% 
  kable_classic(html_font = "Times New Roman", font_size = 14) %>% 
  add_footnote(label = "Tomado de la API del IMF", notation = "symbol") %>% 
  kable_styling()

Tasa de Desempleo (U) - FMI
País	Indicador	Transformación	Frecuencia	Año	Tasa (%)	Variación anual (p.p.)	Promedio móvil 3 años (%)
BRA	U	PT	A	2015	8.31	1.52	7.43
BRA	U	PT	A	2016	11.26	2.96	8.79
BRA	U	PT	A	2017	12.77	1.51	10.78
BRA	U	PT	A	2018	12.26	-0.51	12.10
BRA	U	PT	A	2019	11.93	-0.33	12.32
BRA	U	PT	A	2020	13.49	1.56	12.56
BRA	U	PT	A	2021	13.50	0.01	12.97
BRA	U	PT	A	2022	9.52	-3.98	12.17
BRA	U	PT	A	2023	8.05	-1.47	10.36
BRA	U	PT	A	2024	6.93	-1.11	8.17
^* Tomado de la API del IMF

library(ggplot2)

# --- GRÁFICA: Tasa de Desempleo en Brasil (FMI) ---
ggplot(datos_LS, aes(x = as.numeric(TIME_PERIOD), y = as.numeric(OBS_VALUE))) +
  geom_line(color = "#2C3E50", linewidth = 1) +
  geom_point(color = "#E74C3C", size = 2) +
  labs(
    title = "Tasa de Desempleo en Brasil",
    subtitle = "Fuente: API del FMI (Dataset LS, Indicador U)",
    x = "Año",
    y = "Tasa de Desempleo (%)"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    plot.title = element_text(face = "bold"),
    panel.grid.minor = element_blank()
  )

8.3.3 Fuerza laboral (LF) - Chile

datos_LS_LF_chile <- get_data(
  "LS",
  agency_id = "IMF.STA",
  filters = list(
    COUNTRY                = "CHL",
    FREQUENCY              = "A",
    INDICATOR               = "LF",
    TYPE_OF_TRANSFORMATION = "PE"
  )
)

datos_LF_chile_analisis <- datos_LS_LF_chile %>%
  mutate(
    TIME_PERIOD = as.numeric(TIME_PERIOD),
    OBS_VALUE   = as.numeric(OBS_VALUE)
  ) %>%
  arrange(TIME_PERIOD) %>%
  mutate(
    crecimiento_pct = (OBS_VALUE / lag(OBS_VALUE) - 1) * 100,
    media_movil_5   = zoo::rollmean(OBS_VALUE, k = 5, fill = NA, align = "right")
  )

datos_LF_chile_analisis %>%
  arrange(desc(TIME_PERIOD)) %>%
  slice_head(n = 10) %>%
  arrange(TIME_PERIOD) %>%
  select(TIME_PERIOD, OBS_VALUE, crecimiento_pct, media_movil_5) %>%
  kable(
    caption = "Fuerza Laboral en Chile - Últimos 10 Años",
    digits  = 2,
    col.names = c("Año", "Fuerza Laboral", "Crecimiento (%)", "Media Móvil (5 años)")
  ) %>% 
  kable_classic(html_font = "Times New Roman", font_size = 14) %>% 
  add_footnote(label = "Tomado de la API del IMF", notation = "symbol") %>% 
  kable_styling()

Fuerza Laboral en Chile - Últimos 10 Años
Año	Fuerza Laboral	Crecimiento (%)	Media Móvil (5 años)
2016	9030564	1.61	8743464
2017	9279798	2.76	8908062
2018	9520909	2.60	9093498
2019	9715627	2.05	9286839
2020	8856914	-8.84	9280763
2021	9181799	3.67	9311010
2022	9684811	5.48	9392012
2023	9998005	3.23	9487431
2024	10218082	2.20	9587922
2025	10330338	1.10	9882607
^* Tomado de la API del IMF

library(ggplot2)

grafico_LF_chile <- datos_LF_chile_analisis %>%
  arrange(desc(TIME_PERIOD)) %>%
  slice_head(n = 10) %>%
  arrange(TIME_PERIOD) %>%
  ggplot(aes(x = TIME_PERIOD)) +
  geom_line(aes(y = OBS_VALUE, color = "Fuerza Laboral"), linewidth = 1) +
  geom_point(aes(y = OBS_VALUE, color = "Fuerza Laboral"), size = 2) +
  geom_line(aes(y = media_movil_5, color = "Media Móvil (5 años)"),
            linewidth = 1, linetype = "dashed") +
  scale_color_manual(
    name = NULL,
    values = c("Fuerza Laboral" = "#1f77b4", "Media Móvil (5 años)" = "#d62728")
  ) +
  scale_x_continuous(breaks = unique(datos_LF_chile_analisis$TIME_PERIOD)) +
  labs(
    title    = "Fuerza Laboral en Chile - Últimos 10 Años",
    subtitle = "Datos anuales con media móvil de 5 años",
    x        = "Año",
    y        = "Fuerza Laboral (personas)",
    caption  = "Fuente: API del IMF"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    plot.title    = element_text(face = "bold"),
    legend.position = "bottom",
    axis.text.x   = element_text(angle = 45, hjust = 1)
  )

grafico_LF_chile

9. Conclusiones

Las API constituyen una herramienta fundamental para el análisis económico, ya que facilitan el acceso, automatización, organización y actualización de grandes cantidades de información estadística. En particular, la API del Fondo Monetario Internacional (FMI) permite conectar herramientas como R con bases de datos internacionales, haciendo posible obtener información de manera sistemática, reproducible y útil para el análisis económico.

La aplicación práctica mediante los datasets BOP y WEO permitió observar cómo esta herramienta puede pasar de un concepto técnico a una herramienta concreta de investigación económica. En el caso de El Salvador, los datos de la balanza de pagos muestran que, aunque las exportaciones de bienes y servicios aumentaron de aproximadamente US$4,971 millones en 2010 a US$11,392 millones en 2024, las importaciones también mantuvieron un nivel superior, alcanzando aproximadamente US$18,494 millones en 2024.

Esto se relaciona con la persistencia de saldos negativos en la cuenta corriente durante la mayor parte del período analizado, con la excepción de 2020. Por otra parte, el dataset WEO permitió ampliar el análisis hacia variables como crecimiento económico e inflación y realizar comparaciones con otros países de Centroamérica. Los resultados muestran que El Salvador experimentó una fuerte contracción del PIB real en 2020 (-7.89 %), seguida de una recuperación de 11.90 % en 2021; posteriormente, el crecimiento se desaceleró hasta 2.60 % en 2024. Las proyecciones utilizadas en el ejercicio señalan una tendencia hacia tasas cercanas al 3 % anual en los años siguientes.

En materia de inflación, después del aumento registrado en 2022 (7.20 %), esta disminuyó hasta 0.85 % en 2024, con proyecciones de moderación en los años posteriores. En este sentido, el valor de una API no se limita a obtener datos rápidamente, sino que reside en la posibilidad de convertir información estadística en evidencia para interpretar la realidad económica. Sin embargo, los resultados también evidencian que los datos por sí mismos no explican las causas de los fenómenos económicos; requieren conocimientos estadísticos, económicos y políticos para ser correctamente interpretados. Además, existen limitaciones relacionadas con la disponibilidad y actualización de los datos, las diferencias metodológicas entre países y la posibilidad de cometer errores al realizar las consultas.

10. Referencias Bibliograficas

Referencias

Amazon Web Services. (s. f.). ¿Qué es una interfaz de programación de aplicaciones (API)? https://aws.amazon.com/es/what-is/api/

Fondo Monetario Internacional. (s. f.). Balance of Payments (BOP). IMF Data. https://data.imf.org/Datasets/BOP

Fondo Monetario Internacional. (2009). Balance of Payments and International Investment Position Manual (BPM6). International Monetary Fund. https://data.imf.org/-/media/iData/External-Storage/Documents/73FBCD5B6CDE4D289C60B9B0CAA40622/en/2-bpm6.pdf

Fondo Monetario Internacional. (2025). IMF SDMX Central Web Services Guide. https://dsbb.imf.org/content/pdfs/IMFSDMXCentralWebServicesGuide.pdf

Fondo Monetario Internacional. (2026). IMF Data APIs. IMF Data. https://data.imf.org/en/Resource-Pages/IMF-API

Fondo Monetario Internacional. (2026). IMF DataMapper API documentation. https://www.imf.org/external/datamapper/api/

Fondo Monetario Internacional. (2026). IMF SDMX Central: REST Web Service. https://sdmxcentral.imf.org/webservice/structure.html

R Core Team. (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/

SDMX. (2026). Statistical Data and Metadata eXchange (SDMX). https://sdmx.org/

Teal Insights, Smith, C. C., & Scheuch, C. (2025). imfapi: Econdataverse ‘IMF Data API’ Client (Version 0.1.2) [Paquete de R]. CRAN. https://CRAN.R-project.org/package=imfapi

API’s de datos económicos Fondo Monetario Internacional

2026-09-12