INTEGRANTES:
| APELLIDOS | NOMBRES | CARNET | PARTICIPACIÓN |
|---|---|---|---|
| CRUZ RUIZ | LINDA STEPHANIE | CR19015 | \(100\%\) |
| ESCAMILLA MORALES | CARLOS JONATHAN | EM15025 | \(100\%\) |
| FLORES MELENDEZ | JENNIFER SARAI | FM19017 | \(100\%\) |
Ejemplo 1. Usando la base de datos de comercio exterior, para El Salvador, creada en la sesión anterior, seleccione las columnas de “pais”, “sac”,“anio”,“mes”,“valor_cif”.
#Carga del dataframe data_comercio_exterior
load("C:/Users/Laptopuser/Desktop/Metodos/data_comercio_exterior_actualizada.RData")
#Carga del paquete "dplyr"
library(dplyr)
library(kableExtra)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_cif") %>%
head() %>% kable(caption = "Ejemplo 1") %>% kable_minimal()| pais | sac | anio | mes | valor_cif |
|---|---|---|---|---|
| Afganistan | 0806200000 | 2018 | 6 | 6448.43 |
| Afganistan | 6104220000 | 2018 | 10 | 3153.37 |
| Afganistan | 6104620000 | 2018 | 10 | 946.01 |
| Afganistan | 6105100000 | 2018 | 10 | 9405.39 |
| Afganistan | 6106100000 | 2018 | 10 | 1353.32 |
| Afganistan | 6405900000 | 2018 | 10 | 2260.03 |
Ejemplo 1. Seleccione todas las transacciones de exportación del año 2019, con Alemania o Nicaragua, que sean superiores a los 100,000 US$
library(dplyr)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_fob") %>%
filter(anio=="2019", pais %in% c("Alemania","Nicaragua"),valor_fob>100000)## # A tibble: 794 x 5
## pais sac anio mes valor_fob
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Alemania 0901113000 2019 1 822262.
## 2 Alemania 0901113000 2019 2 1111335
## 3 Alemania 0901113000 2019 3 1487258.
## 4 Alemania 0901113000 2019 4 406834.
## 5 Alemania 1604149000 2019 4 211470.
## 6 Alemania 6110300000 2019 4 146277.
## 7 Alemania 0409000000 2019 5 200520
## 8 Alemania 0901113000 2019 5 1623407.
## 9 Alemania 1604149000 2019 5 1328210.
## 10 Alemania 6110300000 2019 5 121231.
## # ... with 784 more rowsEjemplo 2. Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, que se han realizado con Brasil.
data_comercio_exterior %>%
filter(pais=="Brasil",mes %in% 10:12) ## # A tibble: 4,585 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Bras~ 0904~ 2018 10 100. 1.5 0 0
## 2 Bras~ 1108~ 2018 10 59516 128960 0 0
## 3 Bras~ 1209~ 2018 10 23198. 115. 0 0
## 4 Bras~ 1302~ 2018 10 889. 85 0 0
## 5 Bras~ 1504~ 2018 10 57.8 3.4 0 0
## 6 Bras~ 1604~ 2018 10 0 0 140730. 50757
## 7 Bras~ 1704~ 2018 10 29979. 20928. 0 0
## 8 Bras~ 1806~ 2018 10 184. 75.4 0 0
## 9 Bras~ 1806~ 2018 10 100. 4.24 0 0
## 10 Bras~ 1806~ 2018 10 88.7 4.26 0 0
## # ... with 4,575 more rowsEjemplo 3. Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, y que excluyan el comercio con Afganistan, Colombia y Estados Unidos.
library(purrr)
`%not_in%` <- purrr::negate(`%in%`)
data_comercio_exterior %>%
filter(mes %in% 10:12,
pais %not_in% c("Afganistan","Colombia","Estados Unidos (U.S.A.)"))## # A tibble: 167,794 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Alba~ 6103~ 2018 10 54.2 0.57 0 0
## 2 Alba~ 6104~ 2018 10 33.0 0.9 0 0
## 3 Alba~ 6104~ 2018 10 920. 23.7 0 0
## 4 Alba~ 7113~ 2018 10 24.9 0.2 0 0
## 5 Alba~ 6104~ 2018 11 39.8 0.25 0 0
## 6 Alba~ 6104~ 2018 11 384. 10.9 0 0
## 7 Alba~ 6104~ 2018 11 744. 18.3 0 0
## 8 Alba~ 7117~ 2018 11 13.2 0.25 0 0
## 9 Alba~ 3917~ 2018 12 22.2 0.2 0 0
## 10 Alba~ 3926~ 2018 12 4.62 0.2 0 0
## # ... with 167,784 more rowsEjemplo 1: calcule el saldo de la balanza comercial para todas las transacciones, disponibles en la base de comercio exterior.
data_comercio_exterior %>%
mutate(saldo_bc=valor_fob-valor_cif) %>%
select("pais","sac","anio","mes","saldo_bc")## # A tibble: 906,981 x 5
## pais sac anio mes saldo_bc
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 0806200000 2018 6 -6448.
## 2 Afganistan 6104220000 2018 10 -3153.
## 3 Afganistan 6104620000 2018 10 -946.
## 4 Afganistan 6105100000 2018 10 -9405.
## 5 Afganistan 6106100000 2018 10 -1353.
## 6 Afganistan 6405900000 2018 10 -2260.
## 7 Afganistan 8206000000 2018 10 -6.56
## 8 Afganistan 6404110000 2019 2 -7752.
## 9 Afganistan 6405100000 2019 2 -508.
## 10 Afganistan 6405900000 2019 2 -12.4
## # ... with 906,971 more rowsEjemplo 2. Calcule las exportaciones y las importaciones como porcentaje del comercio total, en cada transacción disponible en la base de comercio exterior, muestre sólo aquellas partidas que registren exportaciones.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>% filter(Xpt>0)## # A tibble: 307,199 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Afganistan 3004909100 2019 9 100 0
## 2 Albania 1701140000 2019 2 100 0
## 3 Albania 3004909100 2021 1 100 0
## 4 Albania 3304990000 2021 3 100 0
## 5 Albania 4202990000 2021 3 100 0
## 6 Albania 6403999000 2021 3 100 0
## 7 Albania 6507000000 2021 4 100 0
## 8 Albania 8515110000 2021 4 100 0
## 9 Albania 8306210000 2021 5 100 0
## 10 Albania 6114200000 2021 6 100 0
## # ... with 307,189 more rowsEjemplo. Ordenar los resultados del Ejemplo 2 de mutate, mostrando primero los resultados más recientes.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>%
filter(Xpt>0) %>%
arrange(desc(anio),desc(mes))## # A tibble: 307,199 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Albania 9801002000 2021 7 100 0
## 2 Alemania 0406400000 2021 7 100 0
## 3 Alemania 0406909000 2021 7 100 0
## 4 Alemania 0602100000 2021 7 100 0
## 5 Alemania 1105201000 2021 7 100 0
## 6 Alemania 1107100000 2021 7 100 0
## 7 Alemania 1107200000 2021 7 100 0
## 8 Alemania 1108130000 2021 7 100 0
## 9 Alemania 1302191000 2021 7 100 0
## 10 Alemania 1302200000 2021 7 100 0
## # ... with 307,189 more rowsEjemplo 1. Obtenga los totales anuales de importaciones y exportaciones.
data_comercio_exterior %>%
group_by(anio) %>%
summarise(`Total Exportaciones MM US$`=sum(valor_fob)/1e6,
`Total Importaciones MM US$`=sum(valor_cif)/1e6)## # A tibble: 4 x 3
## anio `Total Exportaciones MM US$` `Total Importaciones MM US$`
## <dbl> <dbl> <dbl>
## 1 2018 5905. 11464.
## 2 2019 5905. 11604.
## 3 2020 5044. 10327.
## 4 2021 8355. 3846.Ejemplo 2. Obtenga los totales anuales de importaciones y exportaciones, que se realizan por país.
data_comercio_exterior %>%
group_by(pais,anio) %>%
summarise(`Total Exportaciones`=sum(valor_fob),
`Total Importaciones`=sum(valor_cif))## # A tibble: 808 x 4
## # Groups: pais [236]
## pais anio `Total Exportaciones` `Total Importaciones`
## <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 2018 0 23573.
## 2 Afganistan 2019 382. 13114.
## 3 Afganistan 2020 0 5427.
## 4 Afganistan 2021 0 37873.
## 5 Albania 2018 0 18307.
## 6 Albania 2019 51392. 25660.
## 7 Albania 2020 0 368298.
## 8 Albania 2021 27111. 0
## 9 Alemania 2018 20425283. 181276789.
## 10 Alemania 2019 21447921. 168946137.
## # ... with 798 more rowslibrary(dplyr)
library(readxl)
library(kableExtra)
load("C:/Users/Laptopuser/Desktop/Metodos/data_comercio_exterior_actualizada.RData")
nombres_iso_paises <- read_excel("C:/Users/Laptopuser/Desktop/Metodos/nombres_iso_paises.xlsx")
data_comercio_exterior <- data_comercio_exterior %>%
left_join(nombres_iso_paises,
by = c("pais" = "nom_pais_esp"))source(file = "C:/Users/Laptopuser/Desktop/Metodos/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/Laptopuser/Desktop/Metodos/data_comercio_exterior_actualizada.RData")
##
## > nombre_archivo <- "C:/Users/Laptopuser/Desktop/Metodos/nombres_iso_paises.xlsx"
##
## > nombres_iso_paises <- read_excel(nombre_archivo)
##
## > 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]library(kableExtra)
herramientas_mostrar_paises() %>% head() %>% kable() %>% kable_material(html_font = "sans-serif")| 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 |
library(kableExtra)
herramientas_mostrar_regiones() %>% head() %>% kable() %>% kable_material(html_font = "sans-serif")| region | cod_region | region_intermedia | cod_region_intermedia | # de Paises incluidos |
|---|---|---|---|---|
| África | 2 | África Central | 17 | 8 |
| África | 2 | Africa Del Sur | 18 | 5 |
| África | 2 | África Occidental | 11 | 16 |
| África | 2 | África Oriental | 14 | 17 |
| África | 2 | NA | NA | 6 |
| Américas | 19 | Caribe | 29 | 26 |
library(kableExtra)
herramientas_mostrar_paises_en_tabla() %>% head() %>% kable() %>% kable_material(html_font = "sans-serif")| pais | anio | # Transacciones |
|---|---|---|
| Afganistan | 2018 | 7 |
| Afganistan | 2019 | 10 |
| Afganistan | 2020 | 29 |
| Afganistan | 2021 | 6 |
| Albania | 2018 | 27 |
| Albania | 2019 | 46 |
Ejemplo 1 En este ejemplo se analizará el IVCR con Alemania, para el período 2018-2021, para el capitúlo “01”
Resultados_IVCR<-data.frame("años"=2018:2021,
"IVCR"=sapply(X=2018:2021,FUN = indicadores_IVCR_capitulo,codigo_pais=276,capitulo="01"))
Resultados_IVCR %>% kable(align = "l") %>%
kable_material(html_font = "sans-serif")| años | IVCR |
|---|---|
| 2018 | 0.0028924 |
| 2019 | 0.0004806 |
| 2020 | 0.0006764 |
| 2021 | -0.0008787 |
Ejemplo 2 En este ejemplo se analizará el IVCR con Alemania, para el periodo 2018-2021, para el producto “0105110000”.
Resultados_IVCR_sac<-data.frame("años"=2018:2021,
"IVCR"=sapply(X=2018:2021,FUN = indicadores_IVCR_partida,codigo_pais=276,partida="0105110000"))
Resultados_IVCR_sac %>% kable(align = "l") %>%
kable_material(html_font = "sans-serif")| años | IVCR |
|---|---|
| 2018 | -0.7974708 |
| 2019 | -0.7746997 |
| 2020 | -0.6385520 |
| 2021 | 0.5195357 |
Ejemplo 1 En este ejemplo se analizará el indice de Balassa con Alemania, para el periodo 2018-2021, para al capitulo “01”.
Resultados_Balassa<-data.frame("años"=2018:2021,
"IB"=sapply(X=2018:2021,FUN = indicadores_Balassa_capitulo,codigo_pais=276,capitulo="01"))
Resultados_Balassa %>% kable(align = "l") %>%
kable_material(html_font = "sans-serif")| años | IB |
|---|---|
| 2018 | 0.7249814 |
| 2019 | -0.0099380 |
| 2020 | -0.0843122 |
| 2021 | -1.0000000 |
Ejemplo 2 En este ejemplo se analizará el IB con Alemania, para el periodo 2018-2021, para el producto “0105110000”.
Resultados_IB_sac<-data.frame("años"=2018:2021,
"IB"=sapply(X=2018:2021,
FUN = indicadores_Balassa_partida,
codigo_pais=276,
partida="0105110000",
normalizado=TRUE))
Resultados_IB_sac %>% kable(align = "l") %>%
kable_material(html_font = "sans-serif")| años | IB |
|---|---|
| 2018 | 0.6204029 |
| 2019 | 0.6204384 |
| 2020 | 0.6665415 |
| 2021 | 0.5021612 |
Ambos ejemplos para Alemania para el período 2018-2021
Ejemplo 1: Uso de Indicador de Herfindahl Hirschmann anual
Resultados_IHH<-data.frame("años"=2018:2021,"IHH"=sapply(X = 2018:2021,
FUN = indicadores_IHH_Herfindahl_Hirschmann_anual,codigo_pais=276,normalizado=TRUE))
Resultados_IHH %>% kable(align = "l",digits = 6) %>%
kable_material(html_font = "sans-serif")| años | IHH |
|---|---|
| 2018 | 0.042227 |
| 2019 | 0.038656 |
| 2020 | 0.045745 |
| 2021 | 0.006738 |
Ejemplo 2: Uso de Indicador de Herfindahl Hirschmann anual propuesto en el texto
Resultados_IHH_texto<-data.frame("años"=2018:2021,"IHH"=sapply(X = 2018:2021,
FUN = indicadores_IHH_Herfindahl_Hirschmann_anual_texto,codigo_pais=276,normalizado=TRUE))
Resultados_IHH_texto %>% kable(align = "l",digits = 6) %>%
kable_material(html_font = "sans-serif")| años | IHH |
|---|---|
| 2018 | -0.001779 |
| 2019 | -0.001960 |
| 2020 | -0.001661 |
| 2021 | -0.000186 |
library(dplyr)
library(tidyr)
library(kableExtra)
calculo_ranking <- function(Ao = 2018, Af=2021, K =8) {
anios_ranking<- Ao:Af
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 = K, order_by = total) %>%
as.data.frame() %>%
group_by(anio) %>%
mutate(rank = row_number(), data = paste(iso_3," | ",percent," % ", sep = "")) %>%
select(anio, data, rank) %>%
as.data.frame() -> insumo_reporte
insumo_reporte%>%
pivot_wider(names_from = rank, values_from = data)-> tabla
tabla%>% kable(caption = paste("Top",K,"de Exportaciones periodo",
min(anios_ranking),"-",max(anios_ranking))) %>%
add_footnote(label = "Elaboración propia con base en datos del BCR")%>%
kable_styling()
}Ejecutando codigo
calculo_ranking()| anio | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
|---|---|---|---|---|---|---|---|---|
| 2018 | USA | 44.07 % | HND | 15.34 % | GTM | 14.36 % | NIC | 6.87 % | CRI | 4.39 % | MEX | 2.44 % | PAN | 2.09 % | DOM | 1.65 % |
| 2019 | USA | 42.03 % | GTM | 15.92 % | HND | 15.9 % | NIC | 6.66 % | CRI | 4.46 % | MEX | 2.54 % | PAN | 2.03 % | DOM | 1.75 % |
| 2020 | USA | 39.18 % | GTM | 16.89 % | HND | 15.44 % | NIC | 7.26 % | CRI | 4.65 % | MEX | 2.46 % | PAN | 1.89 % | DOM | 1.78 % |
| 2021 | USA | 27.16 % | CHN | 16.46 % | GTM | 10.86 % | MEX | 8.18 % | HND | 6.17 % | NIC | 3.16 % | CRI | 2.62 % | KOR | 2.19 % |
| a Elaboración propia con base en datos del BCR |