knitr::opts_chunk$set(echo = TRUE)

#Librerías:
library(dplyr)
library(readxl)
library(tidyverse)
library(ggplot2)
library(RColorBrewer)
library(kableExtra)
#Librerías para mapas
library(leaflet)
library(rgdal)
#para graficos de movimientos apicolas
library(ggalluvial)
##para RENAPA gráfico de VENN
library(ggVennDiagram)
##árbol
library(devtools)
devtools::install_github("jeromefroe/circlepackeR")
library(circlepackeR)
library(data.tree)
library(treemap)


#importo datasets
cuit_apicolas_prov <- read_xlsx("C:/Users/julie/Downloads/CUIT_APICOLAS(conProvincias).xlsx")
indicadores_api_mecon <- read_csv("C:/Users/julie/Downloads/apicola.csv")
rpyme <- read_csv("C:/Users/julie/Downloads/registro_mipyme_28-04-2021.csv")
aprobados_pac_reactivacion <- read_xlsx("C:/Users/julie/Downloads/aprobados-pac-reactivacion-.xlsx")
pac_llamados_especificos <- read_xlsx("C:/Users/julie/Downloads/pac-llamados-especificos-2020.xlsx")
movimiento_apicola_SENASA_2013_8 <- read_csv("C:/Users/julie/Downloads/movimiento-apicola-2013-2018.csv")
producciones_agricultura_familiar_animal <- read_csv("C:/Users/julie/Downloads/producciones-de-los-nucleos-de-agricultura-familiar-por-tipo-de-animales.csv")
#renapa caracterización
datos <- read.table("C:/Users/julie/Downloads/caracterizacion.csv", header=T, sep=";")
datosART <- read.table("C:/Users/julie/Downloads/consin_ART.csv", header=T, sep=";")
producciones_agricultura_familiar_agroindustrial <- read_csv("C:/Users/julie/Downloads/produccion-por-tipo-de-agroindustria.csv")

#configuro mapa
argentina <- rgdal::readOGR(dsn = "C:/Users/julie/Downloads/ARG_adm", layer = "ARG_adm1", use_iconv=TRUE, encoding='UTF-8')
## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\julie\Downloads\ARG_adm", layer: "ARG_adm1"
## with 24 features
## It has 9 fields
## Integer64 fields read as strings:  ID_0 ID_1

Objetivo general

El objetivo general del presente trabajo es investigar acerca de las posibilidades de optimización de las políticas públicas a través de la interoperabilidad de los datos en poder de distintos organismos.

Como caso ilustrativo, se tomará una actividad específica como caso testigo y se intentará relevar e identificar las distintas fuentes de datos en poder de los distintos organismos que contienen información relevante a la actividad. Esto, a los fines de estudiar las posibilidades de interoperabilidad dentro del Estado Nacional y de esta manera obtener evidencia para el diseño inteligente e integrado de políticas públicas.

En este sentido, llamaremos información disponible a las fuentes de datos que pueden encontrarse publicados en los distintos sitios de datos abiertos e información solicitable a aquella que, si bien no se encuentra disponible, puede ser solicitadas mediante pedidos de acceso a la información pública, de acuerdo a la Ley N°27.275, o a la que pueden acceder los organismos de la Administración Pública mediante convenios de cooperación interinstitucional.

Objetivos específicos

Los objetivos específicos que se buscarán lograr con este trabajo son los siguientes:

Antecedentes

La interoperabilidad como herramienta de política pública

En los últimos años, en el ámbito de la Administración Pública Nacional, se comienzan a discutir los términos de Interoperabilidad y Gobernanza que vienen impulsados por una nueva forma de concebir la acción del Estado y el uso de las Tecnologías de la Información y las Comunicaciones (TIC), ya no como una herramienta sino como una ventaja estratégica para el desarrollo.

Este nuevo paradigma ya formaba parte de las discusiones de una nueva forma de entender la Gobernanza en Europa, como lo destaca el informe “Adopción de la Interoperabilidad como criterio”(2004) 1 que hace referencia al Marco de Interoperabilidad Europeo.

Nuestro país no es ajeno a esta nueva corriente y con la iniciativa de la Oficina Nacional de Tecnología Informática (ONTI) y el impulso del Foro Permanente de Responsables Informáticos 2 en el año 2008 se plasman en una norma estos conceptos que dan origen al Componente de Interoperabilidad para el Gobierno Electrónico en el ámbito de la Oficina Nacional de Tecnologías de Información a través de la Resolución 99/2008 de la entonces Secretaría de Gabinete y Gestión Pública de la Jefatura de Gabinete de Ministros3.

Esta fue la primera herramienta que comienza a utilizar el término interoperabilidad para referir a la interacción entre organismos de la Administración Pública Nacional.

Posteriormente, varias normas y un sinnúmero de trabajos que se encuentran detalladas en las referencias complementan la temática de Interoperabilidad en el Estado.

Luego, el concepto de Gobierno Electrónico comenzará a evolucionar para dar lugar al de Gobierno Abierto donde la ciudadanía comienza a ocupar el centro de las acciones de gobierno. Estos nuevos conceptos vienen acompañados de mayores herramientas para el manejo de los datos y su estudio.

En este marco, la Administración Pública ha puesto a disposición de la ciudadanía numerosas fuentes de datos, en el marco del Decreto 117/2016 y la Ley N° 27.275, así como ha trabajado en facilitar y automatizar este intercambio entre los distintos organismos que la componen, por ejemplo, a través de la Resolución N° 19/2018 de la Secretaría de Modernización Administrativa del entonces Ministerio de Modernización.

Los datos abiertos

A partir del paradigma de Gobierno Abierto apoyado fuertemente sobre 4 ejes fundamentales como Transparencia, Participación Ciudadana, Rendición de cuentas y Datos abiertos el Estado Argentino comienza a transitar un nuevo camino de apertura e intercambio de información.

En este sentido se dictó el Decreto N° 117/2016 que reglamenta los plazos tanto para la publicación de los primeros conjuntos de datos del portal de datos abiertos denominado Datos Abiertos como los tiempos para detallar los activos de datos de los distintos organismos de la Nación y su cronograma de publicación. Este instrumento complementa el Régimen de Acceso a la Información Pública creado por la Ley N° 27.275 en el año 2016.

Con estas herramientas se busca generar una nueva concepción para la gestión de la información y los datos y se comienza un proceso de apertura del Estado en el que el intercambio de información entre diversos actores de la Administración Pública comienza a ser fundamental a los fines de obtener evidencia al momento de diseñar, concebir y evaluar las Políticas Públicas.

Metodología

Conceptos básicos y procedimiento

A partir de los principios de interoperabilidad y apertura de datos, este trabajo pretende, tomando como base el sector apícola, encontrar posibilidades de optimización de políticas públicas y conocimiento del estado de situación de la actividad, entendiendo que este enfoque permitiría orientar las políticas públicas a los objetivos deseados en base a la evidencia disponible.

Es decir, si fomentamos la interacción de la información con la que contamos podremos obtener un mayor conocimiento del ambiente que nos rodea, de la ciudadanía, de los diferentes actores sociales, de su desarrollo económico y de sus necesidades. De esta forma, tanto la ciudadanía como el Sector Público tendrán herramientas para fortalecer un mejor diseño de Políticas Públicas.

Bajo estos preceptos, el presente trabajo busca identificar las oportunidades de intercambio de información que nos permitirían obtener un mayor conocimiento del sector. Se destaca que este enfoque es aplicable a otras ramas de actividad y objetivos.

En virtud de ello, el primer paso fue encontrar fuentes de información de los diversos organismos a los que pertenecen los autores de este trabajo con la finalidad de comenzar a investigar las posibilidades de interoperabilidad fácilmente alcanzables, dado la disponibilidad de las fuentes de información. En este sentido, dadas las posibilidades de acceso y confiabilidad, se seleccionó una fuente primaria sobre la que se investigarán las posibilidades de interoperabilidad. A esa fuente la denominamos el Punto de partida.

A partir de ello, se exploran las instancias de información existentes en la plataforma de Datos Abiertos del Sector Público Nacional. A esta fuente le llamamos Información disponible.

Finalmente, a los fines de recabar mayor información se hizo uso del Régimen de Acceso a la Información Pública (Ley N° 27.275) con el objetivo de obtener información específica que no se encuentra publicada. A esta fuente le llamamos Información solicitable.

Una vez recabada la información mencionada se comenzaron a explorar las diferentes fuentes de información con la finalidad de identificar posibles interacciones entre las diferentes áreas de gobierno para ensayar herramientas de interoperación que permitan lograr mejores resultados de políticas públicas.

Punto de partida seleccionado - RENAPA

Se selecciona como punto de partida al Registro Nacional de Productores Apícolas (RENAPA) perteneciente al Ministerio de Agricultura, Ganadería y Pesca, por ser una fuente sobre la que tenemos conocimiento y fácil acceso.

A partir de la exploración de los datos, podemos ver la distribución geográfica de los inscriptos tal como se muestra en el siguiente mapa. Allí vemos según el porcentaje de inscriptos por provincia, la intensidad del color, siendo el color azul oscuro el más alto.

#modifico los nombres de las provincias para unificar criterios
for (i in seq_along(cuit_apicolas_prov$Provincia)){
  if (cuit_apicolas_prov$Provincia[[i]]=="CABA"){
    cuit_apicolas_prov$Provincia[[i]]<-"CIUDAD DE BUENOS AIRES"
  }
}

#unifico nombre columnas y provincias en el mapa
colnames(cuit_apicolas_prov)[2]<-"NAME_1"
argentina@data$NAME_1 <- chartr('áéíóúñ','aeioun', argentina@data$NAME_1)
argentina@data$NAME_1 <- str_to_upper(argentina@data$NAME_1)

#creo la variable que voy a graficar, insciprtos por provincia
rapicola_prov <- cuit_apicolas_prov %>% 
  count(NAME_1 , sort=TRUE) %>% 
  mutate(n=round(n/sum(n)*100, (2))) 

#uno los df
argentina@data <- left_join(argentina@data,rapicola_prov, by ="NAME_1")

#grafico
pal <- colorQuantile("Blues", NULL, n = 7)
state_popup <- paste0("<strong>Provincia: </strong>", 
                      argentina$NAME_1, 
                      "<br><strong>Cantidad de inscriptos (%): </strong>", 
                      argentina$n)

leaflet(data = argentina) %>%
  addProviderTiles("CartoDB.Positron") %>%
  addPolygons(fillColor = ~pal(argentina$n), 
              fillOpacity = 0.8, 
              color = "grey", 
              weight = 1, 
              popup = state_popup)

Para continuar con la exploración y el análisis el siguiente gráfico de burbujas agrupadas muestra la categorización del registro de acuerdo a una clasificación propia que tiene que ver con la cantidad de colmenas que tiene cada productor.

Esta estratificación permite clasificar a los productores en:

  • Hasta 50 colmenas

  • Entre 51 y 200 colmenas

  • Entre 201 y 500 colmenas

  • Más de 500 colmenas

Se agrupan según región, dando un mayor tamaño según la concentración y su distribución por categoría en cada provincia que la compone. Esto nos permite obtener mayor detalle de la representatividad de la actividad en las distintas regiones, por provincia y por tamaño de los productores.

Se puede explorar el siguiente gráfico interactivo:

#cambio nombres
colnames(datos) <- c("Region", "Provincia", "Caract", "Productores")

# Cambio el formato

datos$pathString <- paste("RENAPA", datos$Region, datos$Provincia, datos$Caract, sep = "/")
productores <- as.Node(datos)

# Configuro colores
circlepackeR(productores, size = "Productores", color_min = "hsl(212,59%,81%)", color_max = "hsl(212,44%,41%)")

En el siguiente gráfico de barras podemos ver de manera estática la misma información y cómo se distribuyen los productores sumarizados por región:

## # A tibble: 5 x 2
##   Region     Prod
##   <chr>     <int>
## 1 CENTRO    10693
## 2 CUYO       1258
## 3 NEA        1618
## 4 NOA         960
## 5 PATAGONIA  1081

Con esta descripción del RENAPA podemos conocer algunas características del sector:

  • La mayor cantidad de productores se encuentran en las provincias del centro del país, con gran presencia en las provincias de Buenos Aires y en Entre Ríos.

  • La Patagonia es una de las regiones con menor cantidad de productores pero es la región que tiene relativamente mayor proporción de productores grandes, representando estos un 15% del total de los productores en la Patagonia. A la Patagonia la sigue la región Centro con un 13,5% del total de sus productores siendo productores grandes.

  • Por otro lado, la región con menor cantidad de productores grandes en términos absolutos y relativos es la región del NEA. Solo un 1,11% de sus productores son considerados grandes productores.

De esta manera, podemos obtener conocimiento de la distribución y tamaño de la actividad en el país.

Exploración de otras fuentes de datos

Uso de datos propios de otros organismos

A continuación, a los fines de buscar fuentes de datos relevantes para interoprerar con la base de datos e información disponible, utilizamos:

  • Uso de datos propios del organismo de pertenencia (Ministerio de Trabajo, Empleo y Seguridad Social) – Información solicitable.

  • Exploración de datos abiertos (Ministerio de Desarrollo Productivo / Ministerio de Economía / Ministerio de Agricultura, Ganadería y Pesca ) - Información disponible.

  • Régimen de Acceso a la información Pública (Superintendencia de Riesgos del Trabajo / Ministerio de Desarrollo Productivo) - Información solicitable.

Proyectos y programas de Empleo, Capacitación y Formación Profesional del Ministerio de Trabajo, Empleo y Seguridad Social

Dentro de la información solicitable que no se encuentra publicada a la que tenemos acceso se encuentran los datos sobre proyectos y programas de Empleo, Capacitación y Formación Profesional de la Secretaría de Empleo.

Esta información está disponible desde 2001 hasta la fecha y es posible cruzarla con el RENAPA a través de la información disponible en ambas bases de Código Único de Identificación Laboral (CUIL) y Código Único de Identificación Tributaria (CUIT) de las personas humanas y jurídicas involucradas en la actividad.

A los fines del presente trabajo, se identificaron ambos datos bajo el nombre de CuitApicola, para el caso del RENAPA y CuitTrabajo para aquellos provenientes del Ministerio de Trabajo, Empleo y Seguridad Social (MT).

Del cruce de información de RENAPA con las BD del MT, podemos ver que de los 15.614 CuitApicolas, coincidieron 364 con los CuitTrabajo. Un 2% sobre el total de la muestra.

A su vez podemos ver que este 2%, o los 364 productores, participaron en 469 proyectos relacionados con el sector apícola, dentro de las prestaciones de Empleo o Capacitación del MT. Cabe destacar que la participación en ésta cantidad de proyectos se da desde el 2001 a la actualidad.

Adicionalmente, podemos observar la distribución geográfica de los proyectos:

Exploración de datos abiertos

Indicadores Sectoriales y Provinciales del Ministerio de Economía

La Subsecretaría de Programación Regional y Sectorial del Ministerio de Economía publica en el portal de Datos Abiertos información sobre la evolución de la actividad apícola.

En el siguiente gráfico vemos la evolución de la producción de miel desde 1961 hasta 2019, y podemos observar como el pico de toneladas de miel producidas se dio en 2005 y luego comenzó a descender la producción hasta llegar en 2015 a los mismos valores que se producían en 1991. En los últimos años, se ve un leve aumento de la producción.

# Grafico los datos que me interesan
indicadores_api_mecon %>% 
  filter(unidad_de_medida=="tn") %>% 
  filter(frecuencia_nombre=="Anual") %>% 
  arrange(indice_tiempo) %>% 
  ggplot(aes(x=indice_tiempo, y=valor))+
  geom_line(size=1, col = "darkblue")+
  geom_point(size=2, col = "lightblue")+
  labs(title="Producción del sector apícola",
       caption="Ministerio de Economía. Subsecretaría de Programación Regional y Sectorial",
       x="Año",
       y="Producción en toneladas")+
  theme(panel.background = element_rect(fill = "white"),
        panel.grid = element_line(color = "grey"),
        legend.position = "bottom", 
        legend.title = element_blank(),
        legend.text = element_text(size=7))

Esta información es útil para conocer las capacidades de producción del sector y puede mostrarnos la necesidad de dirigir políticas a aumentar la producción de miel, máxime habiendo visto al explorar el RENAPA que algunas regiones como el NEA tienen muchos pequeños productores y pocos grandes productores. En este sentido, de acuerdo a la distribución de los programas de Empleo, Capacitación y Formación Profesional de la Secretaría de Empleo, vemos que de las provincias del NOA únicamente Chaco a recibido programas de capacitación.

Otra información que podemos obtener del dataset sobre la evolución de la actividad apícola es el precio de la miel según su comercialización.

indicadores_api_mecon %>%
  filter(unidad_de_medida=="$/kg") %>% 
  ggplot(aes(x=indice_tiempo, y=valor, color=indicador))+
  geom_line(size=1)+
  scale_color_manual(values=brewer.pal(n = 4, name = "Blues"))+
  labs(title="Evolución del precio de la miel",
       caption="Ministerio de Economía. Subsecretaría de Programación Regional y Sectorial",
       x="Año",
       y="Precio en pesos por kg",
       colour="Indicador")+
  theme(panel.background = element_rect(fill = "lightgrey"),
        panel.grid = element_line(color = "white"),
        legend.position = "bottom", 
        legend.title = element_blank(),
        legend.text = element_text(size=7))

Esta fuente de datos puede ser útil a la hora de desarrollar políticas públicas de informar a los consumidores como así también para dirigir esfuerzos a identificar posibles distorsiones en el mercado.

Registro PyME del Ministerio de Desarrollo Productivo

Mediante la Ley N° 24.467 se estableció un régimen de promoción al crecimiento y desarrollo de las pequeñas y medianas empresas (PyMEs). Este régimen estableció beneficios de bonificación de tasas para PyMEs y luego, a través de diferentes instrumentos, se fue robusteciendo con más beneficios para las PyMEs, entre los cuales podemos mencionar facilidades fiscales, alícuotas reducidas para las contribuciones patronales, desgravación de exportaciones.

La Autoridad de Aplicación de la Ley N° 24.467 es el Ministerio de Desarrollo Productivo que, a través de la Secretaría de la Pequeña y Mediana Empresa y de los Emprendedores gestiona el Registro de PyMEs creado por la ley y lleva adelante políticas de promoción y desarrollo de estas empresas.

La Autoridad de Aplicación publica en el portal de Datos Abiertos de la República Argentina información relativa a las PyMEs y gracias a ello es posible obtener información de la distribución de las 2786 PyMEs con certificado PyME vigente que tienen registrada como actividad principal la apicultura.

Se destaca que la información se encuentra publicada anonimizada por lo que no es posible hacer un cruce a nivel CUIT pero si podemos obtener datos de las PyMEs del sector apícola.

#me quedo con lo que me interesa de apicola
rpyme<-rpyme %>%
  mutate(Categoria = str_replace(Categoria, 'micro', 'Micro')) %>% 
  mutate(Categoria = str_replace(Categoria, 'peq', 'Pequeña')) %>% 
  mutate(Categoria = str_replace(Categoria, 'tramo1', 'Tramo 1 - Mediana')) %>% 
  filter(CLAE6=="14910") %>% 
  filter(Vigente=="1") 

#grafico
rpyme %>%
  ggplot(aes(x=Categoria, fill=Regimen_tributario))+
  geom_bar(width=0.5, position="dodge")+
  scale_fill_manual(values=brewer.pal(n = 3, name = "Blues"))+
  scale_y_continuous(labels=function(n){format(n, big.mark=".", decimal.mark=",", scientific = FALSE)})+
  labs(title="PyMEs del sector apícola",
       subtitle="Inscriptas en el Registro PyME con certificado vigente",
       caption="Ministerio de Desarrollo Productivo. Secretaría PyME",
       x="Categoría",
       y="PyMEs inscriptas",
       colour="Régimen tributario")+
  theme(panel.background = element_rect(fill = "white"),
        axis.line = element_line(colour = "black"),
        panel.grid = element_blank(),
        legend.position = "right", 
        legend.title = element_blank(),
        legend.text = element_text(size=7))

Podemos observar que la mayoría de las PyMEs inscriptas con actividad principal apícola son Microempresas bajo el régimen tributario del monotributo.

#unifico criterio nombre
colnames(rpyme)[8]<-"NAME_1"

#unifico provincias
for (i in seq_along(rpyme$Provincia)){
  if (rpyme$Provincia[[i]]=="CIUDAD AUTONOMA BUENOS AIRES"){
    rpyme$Provincia[[i]]<-"CIUDAD DE BUENOS AIRES"
    }
}

#creo la variable que voy a graficar, insciprtos por provincia
rpyme_prov <- rpyme %>% 
  count(NAME_1 , sort=TRUE) %>% 
  mutate(n_pyme=round(n/sum(n)*100, (2))) 

#uno los df
argentina@data <- left_join(argentina@data,rpyme_prov, by ="NAME_1")

#dibujo
pal <- colorQuantile("Blues", NULL, n = 7)
state_popup <- paste0("<strong>Provincia: </strong>", 
                      argentina$NAME_1, 
                      "<br><strong>Registro apícola (%): </strong>", 
                      argentina$n.x, ##VER SI ESTA OK N.X
                      "<br><strong>Registro PyME (%): </strong>",
                      argentina$n_pyme)

leaflet(data = argentina) %>%
  addProviderTiles("CartoDB.Positron") %>%
  addPolygons(fillColor = ~pal(argentina$n_pyme), 
              fillOpacity = 0.8, 
              color = "grey", 
              weight = 1, 
              popup = state_popup)

Podemos observar como, del total de PyMEs con certificado vigente cuya actividad principal pertenece al sector apícola, la mayoría se encuentra en la Provincia de Buenos Aires (48.52%), seguida por Entre Ríos (19.52%) y Santa Fe (11.30%). Esta distribución se corresponde con la propia distribución del RENAPA y, para fortalecer algunas observaciones que se fueron haciendo a la largo del trabajo, notamos lo siguiente:

  • La Patagonia cuenta con pocas PyMEs en el sector apícola, mayormente concentradas en La Pampa.

  • En el NEA hay muy pocas PyMEs del sector apícola inscriptas, lo que es llamativo ya que es la segunda región con más productores y la mayoría de ellos (el 66%) tiene hasta 50 colmenas.

De esta forma ejemplificamos como se puede obtener mayor información del sector tomando datos de otros organismos. Por ejemplo, en este caso, se podrían dirigir distintas políticas para que aquellos pequeños productores del sector inscriptos en el RENAPA que no se encuentran inscriptos en el Régimen PyME conozcan los beneficios que el Registro PyME tiene disponible.

Programa de Apoyo a la Competitividad (PAC): Emprendedores Reactivación Productiva 2020 del Ministerio de Desarrollo Productivo

Otro de los Programas del Ministerio de Desarrollo Productivo que cuenta con información publicada en Datos Abiertos es el Programa PAC Emprendedores Reactivación Productiva que estuvo vigente durante el año 2020.

Este Programa estaba orientado a financiar proyectos de reactivación de la actividad productiva que adopten desarrollos, soluciones tecnológicas, introducción de equipamiento, herramientas e innovaciones, con hasta un 85% del monto del proyecto a través de Aportes No Reintegrables.

Tomando los datos del Registro Apícola y cruzándolos con la base de datos publicada del Programa, podemos observar que tres beneficiarios del PAC Emprendedores Reactivación Productiva se encuentran registrados en el Registro Apícola. Se muestra la información anonimizada:

#Columna CUIT, cambiamos nombre, sacamos signos
colnames(aprobados_pac_reactivacion)[4]<-"Cuit"

aprobados_pac_reactivacion$Cuit<-gsub("[[:punct:]]", "", aprobados_pac_reactivacion$Cuit)

#Montos - eliminamos signos
aprobados_pac_reactivacion$`ANR del proyecto aprobado`<-gsub("[[:punct:]]", "", aprobados_pac_reactivacion$`ANR del proyecto aprobado`)
aprobados_pac_reactivacion$`ANR del proyecto aprobado`<- as.numeric(aprobados_pac_reactivacion$`ANR del proyecto aprobado`)

#Provincias - eliminamos valores NA
aprobados_pac_reactivacion<-aprobados_pac_reactivacion[!(is.na(aprobados_pac_reactivacion$Provincia)),]

#Limpieza sobre provincias
for (i in seq_along(aprobados_pac_reactivacion$Provincia)){
  if (aprobados_pac_reactivacion$Provincia[[i]]=="CABA"){
    aprobados_pac_reactivacion$Provincia[[i]]<-"CIUDAD DE BUENOS AIRES"
    } else {
      aprobados_pac_reactivacion$Provincia[[i]] <- chartr('áéíóúñ','aeioun', aprobados_pac_reactivacion$Provincia[[i]])
      aprobados_pac_reactivacion$Provincia[[i]] <- str_to_upper (aprobados_pac_reactivacion$Provincia[[i]])
    }
}

#hacemos nueva tabla con CUITs apicolas
aprobados_pac_reactivacion$Cuit<-as.numeric(aprobados_pac_reactivacion$Cuit)
cuit_apicolas_prov$Cuit<-as.numeric(cuit_apicolas_prov$Cuit)
match_pac_reactivacion<-inner_join(aprobados_pac_reactivacion, cuit_apicolas_prov)
match_pac_reactivacion$`N° ID Py`[1]<-as.character("A")
match_pac_reactivacion$`N° ID Py`[2]<-as.character("B")
match_pac_reactivacion$`N° ID Py`[3]<-as.character("C")


#graficamos
match_pac_reactivacion %>% 
  ggplot(aes(x=NAME_1, y=`ANR del proyecto aprobado`, fill=`N° ID Py`))+
  geom_col(width=0.5)+
  scale_y_continuous(labels=function(n){format(n, big.mark=".", decimal.mark=",", scientific = FALSE)})+
  scale_fill_manual(values=brewer.pal(n = 3, name = "Blues"))+
  labs(title="PAC Reactivación 2020",
       subtitle="Empresas del sector apícola que recibieron el beneficio",
       caption="Ministerio de Desarrollo Productivo. Secretaría PyME",
       x="Provincia del beneficiario",
       y="ANR recibido",
       fill="Beneficiario anonimizado")+
 theme(panel.background = element_rect(fill = "white"),
       axis.line = element_line(colour = "black"),
       panel.grid = element_blank(),
       legend.position = "right", 
       legend.title = element_blank(),
       legend.text = element_text(size=7))

Una de los puntos que podría mejorarse es la unificación de la información de los domicilios de las empresas, ya que el domicilio de una de las empresas para el Registro Apícola se encuentra en la Provincia de Buenos Aires y en el PAC encontramos que el domicilio es la Ciudad de Buenos Aires, lo que probablemente se deba a diferencias entre el domicilio fiscal y el domicilio legal de la empresa.

Se puede ver que, como era de esperar, las empresas beneficiadas corresponden a dos de las provincias con mayor actividad apícola.

Este cruce nos permite tener conocimiento adicional del sector ya que vemos que algunas empresas del sector tienen capacidad y están trabajando en mejorar la productividad e introducir innovación en el sector.

Programa de Apoyo a la Competitividad (PAC): Proyectos aprobados en llamados específicos 2020 del Ministerio de Desarrollo Productivo

Otra información disponible en el sitio de Datos Abiertos son los datos de otros Programas de Apoyo a la Competitividad (PAC) que lanzó el Ministerio de Desarrollo Productivo, a través de la Secretaría de la Pequeña y Mediana Empresa y de los Emprendedores, durante el 2020.

Además del PAC para la reactivación productiva recién analizado, lanzó varios PAC para otorgar Aportes No Reembolsables y Asistencias Técnicas a PyMEs con distintas finalidades.

Entre ellos, uno de los PAC se dirigió a proyectos de certificación de normas para la exportación y de fortalecimiento de capacidades de gestión de la calidad e inocuidad alimentaria.

Otro de los PAC se dirigió a proyectos de diagnóstico energético o implementación de un Sistema de gestión de la energía.

Estos dos programas tuvieron PyMEs del sector apícola como beneficiarios.

A continuación, vemos los montos y provincias de los destinatarios:

#Provincia- eliminamos valores NA
pac_llamados_especificos<-pac_llamados_especificos[!(is.na(pac_llamados_especificos$Provincia)),]

#Provincia- unificamos criterio nombres
for (i in seq_along(pac_llamados_especificos$Provincia)){
  if (pac_llamados_especificos$Provincia[[i]]=="Ciudad Autónoma de Buenos Aires"){
    pac_llamados_especificos$Provincia[[i]]<-"CIUDAD DE BUENOS AIRES"
    } else {
      pac_llamados_especificos$Provincia[[i]] <- chartr('áéíóúñ','aeioun', pac_llamados_especificos$Provincia[[i]])
      pac_llamados_especificos$Provincia[[i]] <- str_to_upper (pac_llamados_especificos$Provincia[[i]])
  }
}

#eliminamos signos pesos
pac_llamados_especificos$`ANR del Proyecto`<-gsub("[[:punct:]]", "", pac_llamados_especificos$`ANR del Proyecto`)
pac_llamados_especificos$`ANR del Proyecto`<- as.numeric(pac_llamados_especificos$`ANR del Proyecto`)

#Cambiamos nombre columna y unimos df
colnames(pac_llamados_especificos)[6]<-"Cuit"
match_pac_especificos<-inner_join(pac_llamados_especificos,cuit_apicolas_prov)
match_pac_especificos$Cuit[1]<-as.character("A")
match_pac_especificos$Cuit[2]<-as.character("B")
match_pac_especificos$Cuit[3]<-as.character("A")

#dibujamos
match_pac_especificos %>% 
  ggplot(aes(x=NAME_1, y=`ANR del Proyecto`, fill=Cuit))+
  geom_col(width=0.5)+
  scale_y_continuous(labels=function(n){format(n, big.mark=".", decimal.mark=",", scientific = FALSE)})+
  scale_fill_manual(values=brewer.pal(n = 3, name = "Blues"))+
  labs(title="PAC Llamados Específicos 2020",
       subtitle="Empresas del sector apícola que recibieron el beneficio, por provincia",
       caption="Ministerio de Desarrollo Productivo. Secretaría PyME",
       x="Provincia del beneficiario",
       y="ANR recibido",
       fill="Beneficiario anonimizado")+
 theme(panel.background = element_rect(fill = "white"),
       axis.line = element_line(colour = "black"),
       panel.grid = element_blank(),
       legend.position = "right", 
       legend.title = element_blank(),
       legend.text = element_text(size=7))

Notamos que, a diferencia del PAC visto anteriormente, en estas convocatorias resultaron beneficiarios productores que no pertenecen a las provincias con mayor cantidad de inscriptos en el RENAPA. En efecto, uno de los beneficiarios se encuentra en la provincia de Tucumán que sólo tiene un 1% de los inscriptos del RENAPA y otro de los beneficiarios es un productor de Mendoza, que concentra al 3,34% de los inscriptos en el RENAPA.

Adicionalmente, podemos observar de qué llamados específicos de los Programas de Apoyo a la Competitividad resultaron beneficiarias:

#dibujamos
match_pac_especificos %>% 
  ggplot(aes(x=PROGRAMA, y=`ANR del Proyecto`, fill=Cuit))+
  geom_col(width=0.5)+
  scale_y_continuous(labels=function(n){format(n, big.mark=".", decimal.mark=",", scientific = FALSE)})+
  scale_fill_manual(values=brewer.pal(n = 3, name = "Blues"))+
  labs(title="PAC Llamados Específicos 2020",
       subtitle="Empresas del sector apícola que recibieron el beneficio, por programa",
       caption="Ministerio de Desarrollo Productivo. Secretaría PyME",
       x="Llamado específico",
       y="ANR recibido",
       fill="Beneficiario anonimizado")+
 theme(panel.background = element_rect(fill = "white"),
       axis.line = element_line(colour = "black"),
       panel.grid = element_blank(),
       legend.position = "right", 
       legend.title = element_blank(),
       legend.text = element_text(size=7))

Acá vemos que una de las empresas resultó beneficiaria en dos convocatorias, tanto en la de Buenas Prácticas de Manufactura como en la de Eficiencia Energética.

Información de los movimientos apícolas del SENASA

El Servicio de Sanidad y Calidad Agroalimentaria (SENASA) es el organismo encargado de velar por la seguridad de los alimentos que se producen y comercializan en el país. Esto comprende autorizar los movimientos, en este caso, de la especie apícola.

Gracias a la publicación en el portal de Datos Abiertos de los datos de los movimientos de colmenas que el SENASA autoriza, podemos conocer entre qué provincias se da el mayor movimiento de colmenas.

#Unificamos

for (i in seq_along(movimiento_apicola_SENASA_2013_8$provincia_origen)){
  if (movimiento_apicola_SENASA_2013_8$provincia_origen[[i]]=="Ciudad Autónoma de Buenos Aires"){
    movimiento_apicola_SENASA_2013_8$provincia_origen[[i]]<-"CIUDAD DE BUENOS AIRES"
    } else {
      movimiento_apicola_SENASA_2013_8$provincia_origen[[i]] <- chartr('áéíóúñ','aeioun', movimiento_apicola_SENASA_2013_8$provincia_origen[[i]])
      movimiento_apicola_SENASA_2013_8$provincia_origen[[i]] <- str_to_upper (movimiento_apicola_SENASA_2013_8$provincia_origen[[i]])
  }
}

for (i in seq_along(movimiento_apicola_SENASA_2013_8$provincia_destino)){
  if (movimiento_apicola_SENASA_2013_8$provincia_destino[[i]]=="Ciudad Autónoma de Buenos Aires"){
    movimiento_apicola_SENASA_2013_8$provincia_destino[[i]]<-"CIUDAD DE BUENOS AIRES"
    } else {
      movimiento_apicola_SENASA_2013_8$provincia_destino[[i]] <- chartr('áéíóúñ','aeioun', movimiento_apicola_SENASA_2013_8$provincia_destino[[i]])
      movimiento_apicola_SENASA_2013_8$provincia_destino[[i]] <- str_to_upper (movimiento_apicola_SENASA_2013_8$provincia_destino[[i]])
  }
}

colors <- hcl.colors(8, "Blues 3")

movimiento_apicola_SENASA_2013_8$origen_destino= paste(movimiento_apicola_SENASA_2013_8$provincia_origen, movimiento_apicola_SENASA_2013_8$provincia_destino, sep="-")

#filtramos las provincias con más movimientos y graficamos
movimiento_apicola_SENASA_2013_8 %>%
  group_by(origen_destino) %>%
  mutate(colmenas=sum(colmenas)) %>% 
  filter(colmenas>50000) %>% 
  select(fecha=fecha, provincia_origen=provincia_origen, provincia_destino=provincia_destino, colmenas=colmenas, origen_destino=origen_destino) %>% 
  ggplot(aes(axis1 = provincia_origen, axis2 = provincia_destino, y = colmenas)) +
  geom_alluvium(aes(fill=provincia_origen),curve_type = "cubic") +
  geom_stratum() +
  geom_text(stat = "stratum",
            aes(label = after_stat(stratum))) +
  scale_x_discrete(limits = c("Origen", "Destino"),
                   expand = c(0.05, 0.03)) +
  scale_y_continuous(labels=function(n){format(n, big.mark=".", decimal.mark=",", scientific = FALSE)})+
  theme_minimal()+
  scale_fill_manual(values = colors) +
  theme(legend.position = "none")+
  labs(title = "Mayores movimientos interprovinciales de colmenas 2013-8",
       y=element_blank())

Podemos observar como el mayor movimiento de colmenas se registró dentro de la Provincia de Buenos Aires y también hacia la Provincia de Río Negro, en el mismo sentido, se observan numerosos movimientos desde Río Negro hacia Buenos Aires.

Información de Agricultura Familiar del Ministerio de Agricultura, Ganadería y Pesca

El Ministerio de Agricultura, Ganadería y Pesca publica en el sitio de Datos Abiertos información sobre producciones de la agricultura familiar animal y de la agricultura familiar agroindustrial. Al respecto, se destaca que la información no es clara y en algunos casos está duplicada y mal rotulada.

Por ejemplo, en los datos de la agricultura familiar animal aparece un registro para “Miel” y otro para “Polinización”, ambos en el mismo departamento, provincia y con la misma cantidad de producciones, cabezas y vientres, lo que nos lleva a inferir que se trata del mismo núcleo de agricultura familiar que realiza ambas actividades apícolas.

Por otro lado, en los datos de la agricultura familiar agroindustrial la información que tenemos es de la actividad de fraccionamiento de la miel y hay numerosos registros de esta actividad en distintas ubicaciones geográficas. Empero, al no estar el núcleo de agricultura familiar identificado o anonimizado y al tener información de distintos años, no es posible identificar núcleos únicos de agricultura familiar.

Adicionalmente, en el caso los datos de agricultura familiar agroindustrial, no queda claro y no está detallado en el sitio de Datos Abiertos si hay algún tipo de agrupamiento de la información ya que si bien en teoría cada línea es un núcleo de agricultura familiar, hay una columna sobre “cantidad de producciones” y otra sobre si “produce la materia prima” y en algunos casos hay en la misma línea, por ejemplo, 4 producciones y 2 producciones de materia prima.

Por estos motivos, no se ha profundizado en el análisis de los datos de la agricultura familiar, pero se destaca que están disponibles en Datos Abiertos y que es una fuente de información que podría utilizarse por parte de los organismos interesados obteniendo las aclaraciones pertinentes.

Régimen de Acceso a la información Pública

Superintendencia de Riesgos de Trabajo

En este caso, se hizo uso de la herramienta provista por la Ley N° 27.275 de Acceso a la Información Pública para solicitar información proveyendo el universo conocido del RENAPA para efectuar la consulta. Al respecto, se recuerda que el régimen de Acceso a la Información Pública tiene como precepto la informalidad, por lo que puede realizarse por mail, por comunicación oficial, mediante nota en las mesas de entrada de los organismos, etc. En este caso, se hizo mediante comunicación oficial del Sistema de Gestión Documental Electrónica que es la herramienta de comunicación entre los diversos actores y empleados de la Administración Pública Nacional.

La solicitud se hizo a la Superintendencia de Riesgos de Trabajo y se solicitó información acerca del universo cubierto por Aseguradoras de Riesgos del Trabajo (ART).

Una vez obtenida, se cruzó la información del RENAPA con la del Sistema de Riesgos del Trabajo y se pudo determinar que el 8 % de los integrantes del registro tienen un contrato con una ART, y de ese universo sólo el 45 % declara trabajadores en relación de dependencia. No obstante, es sólo el 3,6% de la totalidad de registro. Otro dato relevante es que un 0.2 % del Registro que no tiene cobertura y tiene trabajadores en relación de dependencia.

Haciendo zoom:

Luego de investigar varias opciones que permitan graficar diagramas de Venn elegimos el paquete de r denominado ggVennDiagram que se puede combinar con ggplot2 de la siguiente forma:

# List of items
x <- list(RENAPA = 1:15614, Aseg = 1:1261, ConTrab = 28:592)

# Venn diagram with custom legend
ggVennDiagram(x) + 
  guides(fill = guide_legend(title = "Productores")) +
  theme(legend.title = element_text(color = "red"),
        legend.position = "left")+
  labs(title = "Distribución de productores ",
       subtitle = "Fuente: RENAPA y informe SRT",
       caption = "Nota: Representación esquemática de los conjuntos de datos y sus respectivas intersecciones  ")+
theme(plot.subtitle = element_text(colour = "blue", face = "italic", size = 8, hjust = 0.5))

Créditos con tasa bonificada del FONDEP del Ministerio de Desarrollo Productivo

El Ministerio de Desarrollo Productivo publica en Datos Abiertos información acerca de la ejecución de líneas de crédito con tasa bonificada por el Fondo Nacional de Desarrollo Productivo (FONDEP) otorgados durante 2020 a través de entidades bancarias.

Sin embargo, esta información no se encuentra desagregada por sector de actividad por lo cual fue solicitada de manera informal. Por este motivo se encuentra dentro de la categoría “información solicitable”.

La información que se obtuvo es la siguiente:

#LIP_PYMES_25B hubo dos operaciones por 4000000, ambas en Buenos Aires
#BNA_CAPITAL_TRABAJO hubo una operación por 2000000 en Entre Ríos.

#creo tabla con información proporcionada
Empresa<- c("A", "B", "C")
Provincia <- c("BUENOS AIRES", "BUENOS AIRES", "ENTRE RIOS")
Monto <- c(4000000, 4000000, 2000000)

fondep_df <- data.frame(Empresa,
                        Provincia,
                        Monto)
#grafico
fondep_df%>% 
  ggplot(aes(x=Provincia, y=Monto, fill=Empresa))+
  geom_col(width=0.5)+
  scale_y_continuous(labels=function(n){format(n, big.mark=".", decimal.mark=",", scientific = FALSE)})+
  scale_fill_manual(values=brewer.pal(n = 3, name = "Blues"))+
  labs(title="Tasas bonificadas del FONDEP",
       subtitle="Monto de los créditos con tasa bonificada por el FONDEP",
       caption="Ministerio de Desarrollo Productivo. Secretaría PyME",
       x="Provincia del beneficiario",
       y="Monto del crédito",
       fill="Beneficiario anonimizado")+
 theme(panel.background = element_rect(fill = "white"),
       axis.line = element_line(colour = "black"),
       panel.grid = element_blank(),
       legend.position = "right", 
       legend.title = element_blank(),
       legend.text = element_text(size=7))

Vemos en este caso que las empresas beneficiarias se encuentran en las provincias que tienen mayor actividad apícola, lo que es un resultado esperable.

Los datos hablan - oportunidades de mejora

Siguiendo con la categorización de los productores según su tamaño vista al caracterizar el RENAPA, cruzamos además la fuente de datos del Ministerio de Trabajo, Empleo y Seguridad Social y la fuente de datos de la Superintendencia de Riesgos de Trabajo para verificar:

Aplicando algunos paquetes de R podemos mostrar esto:

#modifico nombres de columnas  
colnames(datosART) <- c("Region", "Provincia", "Caract", "Productores")

#cambio el formato
datosART$pathString <- paste("RENAPA", datosART$Region, datosART$Provincia, datosART$Caract, sep = "/")
productoresART <- as.Node(datosART)

# defino colores
circlepackeR(productoresART, size = "Productores", color_min = "hsl(212,59%,81%)", color_max = "hsl(212,44%,41%)")

Con estos cruces podemos observar las siguientes oportunidades de política pública:

A partir de esto, con la información recabada y luego de efectuar los cruces correspondientes podemos elegir dos instancias de análisis:

En este último punto nos animamos a enunciar una política que pueda combinar las acciones de varias áreas de gobierno.

Teniendo en cuenta que las acciones de capacitación aparecen distribuidas en sectores no alcanzados por el resto de las acciones tanto de trabajo registrado como de cobertura de riesgos del trabajo, como se puede ver en los gráficos recuadrados. Se propone desarrollar una política pública que atienda los siguientes aspectos:

  1. Desarrollar esquemas de incentivo de PYMES con bonificaciones de créditos o exención de tasas para aquellos productores que registren a sus empleados en relación de dependencia (por ejemplo programa de “primer empleo” o “crédito fiscal”) y contraten un seguro de riesgos de trabajo (con una alícuota subsidiada) y se les proporcione capacitación en sus proyectos.

  2. Desarrollar planes de capacitación para trabajadores de las empresas que cuentan con personal temporario no declarado para que cuenten con capacitación sobre los principales accidentes o enfermedades laborales producidas en el ámbito elegido.

Conclusión

Como cierre del trabajo ponemos en valor un decálogo publicado en el sitio MI ARGENTIA denominado Decálogo de la ONTI, que en su punto 4 detalla:

La interoperabilidad y la utilización de estándares abiertos permiten la compatibilidad entre distintas tecnologías y ahorrar en costos de desarrollo o contratación de servicios. Además, facilita la colaboración entre organismos al mismo tiempo que fomenta la transparencia en la Administración Pública y la reducción de la dependencia de oferentes.

En línea con el punto 4 antes citado, nos propusimos hacer el ejercicio para mostrar los beneficios que proporciona poner en práctica herramientas que permitan utilizar la información con la que cuenta el Estado y vincularla a partir de criterios de interoperabilidad.

Desde su proceso inicial para el desarrollo de Políticas Públicas partiendo del Diagnóstico, la dinámica de interoperar información relacionada con la política a desarrollar nos proporciona mayor conocimiento de la temática a abordar, definiendo de manera clara la línea de base para eventuales evaluaciones.

También pueden aplicarse las conclusiones obtenidas del cruce de información para focalizar políticas ya desarrolladas o, en su defecto, utilizar el ejercicio de interoperación como herramienta para las métricas de evaluación de las políticas.

Sin perjuicio de ello, definitivamente permite diseñar políticas que cuenten con más de un enfoque de las realidades a desarrollar, entendiendo al Estado como una unidad y sumando las potencialidades de cada una de las carteras de gobierno.

Bibliografía

  1. Universidad Privada Dr. Rafael Belloso Chacín. (2009) Adopción de la Interoperabilidad como criterio. Venezuela Recuperado el 23 de junio de 2021 de http://www11.urbe.edu/conferencias/images/stories/3_marco_interoperabilidad_europeo_vf.pdf↩︎

  2. Héctor Poggiese, María Elena Redín, Matías Cerezo, José Manuel Carllini ( ) El Foro de Responsables Informáticos de la Administración Pública Nacional: Una Lectura Interpretativa.↩︎

  3. Resolución 99 de 2008. [Secretaría de Gabinete y Gestión Pública de la Jefatura de Gabinete de Ministros] Por la cual se crea el Componente de Interoperabilidad para el Gobierno Electrónico en el ámbito de la Oficina Nacional de Tecnologías de Información. 30 de diciembre de 2018 http://servicios.infoleg.gob.ar/infolegInternet/anexos/145000-149999/149270/norma.htm↩︎