Ir al contenido
σestadistica.ar

Fuentes de datos argentinas

Dónde está cada estadística pública del país, qué desagregación tiene, desde cuándo, y con qué trampas se usa.

La parte difícil de trabajar con datos argentinos no es analizarlos: es saber cuál sirve para la pregunta que tenés y qué le pasa a ese dato antes de llegar a tu planilla. Un código que cambió de significado, una categoría que se abrió a mitad de la serie, una unidad que no es la que parece. Eso es lo que estas fichas documentan.

39 fuentes · 180 trampas documentadas

Por qué un catálogo y no una lista de enlaces

Listas de enlaces a portales de datos hay muchas, y sirven de poco. Lo que falta siempre es lo otro: si esa fuente llega al nivel geográfico que necesitás, si la serie empalma de punta a punta, y qué cosas rompen el análisis sin dar ningún aviso.

Cada ficha responde cuatro preguntas: qué tiene, qué preguntas responde, cuáles no —que suele ser lo más útil— y qué trampas tiene.

De dónde sale esto

De usar estas fuentes. Las advertencias no salen de la documentación oficial —que casi nunca las menciona— sino de haber armado las series y haberse chocado con ellas: el total que no cerraba, el departamento que aparecía de la nada, la columna que se volvía texto al consolidar.

Por eso el catálogo crece despacio y solo con fuentes efectivamente trabajadas. Una ficha que repita lo que dice el sitio del organismo no agregaría nada.

Cinco patrones que se repiten

Trabajando varias de estas fuentes aparecen los mismos problemas una y otra vez. No son defectos de un organismo en particular: son cómo funciona la publicación de datos públicos en el país. Los cinco tienen algo en común, y es lo que los vuelve peligrosos: ninguno hace que nada se rompa. El programa no falla, el número sale, y es plausible.

Lo que no es un dato viene disfrazado de dato. Es el patrón más frecuente del catálogo y aparece de dos formas. Como categoría: un territorio que no existe metido entre los que sí —el «Enmascarado» de educación, el «Departamento sin determinar» del SNIC, el «sin definir» de las estimaciones agrícolas, el «Otros» del ENACOM, el departamento vacío de puestos y salarios, la provincia vacía de SUBE y el «total_arg» del SNEEP, que es el total del país sentado entre las columnas de detalle. Y como valor centinela: el −99 del empleo registrado, que marca la celda secretada y se suma como si fuera un número —en Catamarca es un tercio de las filas—, la velocidad 0 del ENACOM, el «SN» de SUBE, el «N/D» de los indicadores de ciencia.

La salida es siempre la misma y tiene dos mitades: excluirlo del análisis y declarar cuánto se excluyó. Sumarlo inventa; borrarlo en silencio hace que las partes no cierren con el total, y alguien lo va a notar.

El código geográfico viaja como número y pierde el cero. Los identificadores del INDEC son texto —la provincia de Buenos Aires es 06, no 6— pero muchos archivos los publican como enteros. El resultado es que las provincias con código menor que diez traen un dígito menos, y al cruzar con cualquier capa geográfica no encuentran par y desaparecen del resultado sin que nada falle: el join devuelve menos filas y sigue. Pasa en ENACOM, en puestos y salarios y en agua y saneamiento. La referencia contra la cual rellenar está en el normalizador territorial, que sí conserva los ceros —y que además trae los 47 nombres de departamento repetidos entre provincias, con «Capital» once veces, por si a alguien se le ocurre cruzar por nombre.

El nombre del cuadro miente sobre su contenido. Un título que promete dos variables y entrega una —el cuadro de ENARGAS se llama «Gas entregado y N° de usuarios» y exporta solo el volumen—, un archivo llamado «porcentaje de hogares con acceso al agua» que no es cobertura, una columna de municipio que existe y está vacía en la mitad de las filas del país. La defensa es siempre la misma: validar contra un total conocido antes de construir nada encima. Si el orden de magnitud no cierra, el problema está en la lectura, no en el dato.

La serie cambia de esquema a mitad de camino. Categorías que se abren, codificaciones que cambian, columnas que se renombran. En la población identificada una columna pasa de nombre_provincia a provincia_nombre entre dos ediciones, y de paso se invierte el orden de otras dos: quien lea por posición intercambia nacionalidad con país de nacimiento sin que nada se caiga. En la vigilancia epidemiológica, la columna del año se llama anio en tres archivos de la misma serie, año en un cuarto, y en un quinto el nombre quedó mal codificado en el propio encabezado. Y el REFES publica el mismo registro en cinco CSV que no coinciden: a «cuántos establecimientos de salud hay en Catamarca» contestan 652, 526, 515, 515 y 499.

Los archivos desaparecen de la navegación. Un organismo cambia de dependencia, rediseña su sitio o publica una edición nueva, y el enlace al dato anterior deja de figurar: la coparticipación deja de enlazar el informe viejo al publicar el nuevo, los indicadores de ciencia por provincia no están enlazados desde ninguna página navegable, y el inventario provincial de gases de efecto invernadero dejó de estar en línea. A veces el archivo sigue en el servidor y a veces no. La consecuencia práctica es directa: cuando encontrás el dato que necesitás, guardalo, con la fecha y la dirección de donde salió. La reproducibilidad de tu trabajo depende de eso y no está garantizada por nadie más.