Remittances to the Dominican Republic
get_remesas.Rd
Remittances to the Dominican Republic
Arguments
- modalidad
string indicating which perspective of remittances is asked. Options are: "mensual", "por_pais_emisor", "por_provincia_receptora", "cantidad_de_transacciones", "promedio_transacciones", "segun_moneda", "entidad_pagadora", "genero_receptor"
Examples
get_remesas("mensual")
#> # A tibble: 169 × 4
#> mes year monto fecha
#> <dbl> <dbl> <dbl> <date>
#> 1 1 2010 280155041. 2010-01-01
#> 2 2 2010 304097868. 2010-02-01
#> 3 3 2010 339939225. 2010-03-01
#> 4 4 2010 290804738. 2010-04-01
#> 5 5 2010 303781236. 2010-05-01
#> 6 6 2010 280461644. 2010-06-01
#> 7 7 2010 337133293. 2010-07-01
#> 8 8 2010 314046413. 2010-08-01
#> 9 9 2010 294098116. 2010-09-01
#> 10 10 2010 306398494. 2010-10-01
#> # ℹ 159 more rows
get_remesas("por_pais_emisor")
#> New names:
#> • `2023` -> `2023...15`
#> • `2023` -> `2023...16`
#> Warning: There was 1 warning in `dplyr::mutate()`.
#> ℹ In argument: `year = as.numeric(year)`.
#> Caused by warning:
#> ! NAs introduced by coercion
#> # A tibble: 165 × 3
#> partida year proporcion
#> <chr> <dbl> <dbl>
#> 1 Estados Unidos 2010 0.664
#> 2 Estados Unidos 2011 0.640
#> 3 Estados Unidos 2012 0.654
#> 4 Estados Unidos 2013 0.603
#> 5 Estados Unidos 2014 0.641
#> 6 Estados Unidos 2015 0.711
#> 7 Estados Unidos 2016 0.704
#> 8 Estados Unidos 2017 0.739
#> 9 Estados Unidos 2018 0.774
#> 10 Estados Unidos 2019 0.766
#> # ℹ 155 more rows
get_remesas("por_provincia_receptora")
#> # A tibble: 225 × 3
#> partida year proporcion
#> <chr> <dbl> <dbl>
#> 1 Distrito Nacional 2010 0.0903
#> 2 Distrito Nacional 2011 0.260
#> 3 Distrito Nacional 2012 0.270
#> 4 Distrito Nacional 2013 0.279
#> 5 Distrito Nacional 2014 0.284
#> 6 Distrito Nacional 2015 0.298
#> 7 Distrito Nacional 2016 0.306
#> 8 Distrito Nacional 2017 0.317
#> 9 Distrito Nacional 2018 0.318
#> 10 Distrito Nacional 2019 0.316
#> # ℹ 215 more rows
get_remesas("cantidad_de_transacciones")
#> # A tibble: 165 × 3
#> partida year cantidad
#> <chr> <dbl> <dbl>
#> 1 Estados Unidos 2010 9790684
#> 2 Estados Unidos 2011 9886064
#> 3 Estados Unidos 2012 10477067
#> 4 Estados Unidos 2013 10619710
#> 5 Estados Unidos 2014 12233723
#> 6 Estados Unidos 2015 14502245
#> 7 Estados Unidos 2016 15142141
#> 8 Estados Unidos 2017 18203876
#> 9 Estados Unidos 2018 20468645
#> 10 Estados Unidos 2019 21899462
#> # ℹ 155 more rows
get_remesas("promedio_transacciones")
#> # A tibble: 150 × 3
#> partida year monto
#> <chr> <dbl> <dbl>
#> 1 Estados Unidos 2010 200.
#> 2 Estados Unidos 2011 204.
#> 3 Estados Unidos 2012 196.
#> 4 Estados Unidos 2013 192.
#> 5 Estados Unidos 2014 194.
#> 6 Estados Unidos 2015 200.
#> 7 Estados Unidos 2016 204.
#> 8 Estados Unidos 2017 206.
#> 9 Estados Unidos 2018 211.
#> 10 Estados Unidos 2019 209.
#> # ℹ 140 more rows
get_remesas("segun_moneda")
#> # A tibble: 30 × 3
#> partida year proporcion
#> <chr> <dbl> <dbl>
#> 1 Dólar Estadounidense 2010 0.347
#> 2 Dólar Estadounidense 2011 0.569
#> 3 Dólar Estadounidense 2012 0.616
#> 4 Dólar Estadounidense 2013 0.621
#> 5 Dólar Estadounidense 2014 0.616
#> 6 Dólar Estadounidense 2015 0.639
#> 7 Dólar Estadounidense 2016 0.638
#> 8 Dólar Estadounidense 2017 0.643
#> 9 Dólar Estadounidense 2018 0.660
#> 10 Dólar Estadounidense 2019 0.670
#> # ℹ 20 more rows
get_remesas("entidad_pagadora")
#> # A tibble: 30 × 3
#> partida year proporcion
#> <chr> <dbl> <dbl>
#> 1 Empresas Remesadoras 2010 0.961
#> 2 Empresas Remesadoras 2011 0.890
#> 3 Empresas Remesadoras 2012 0.879
#> 4 Empresas Remesadoras 2013 0.733
#> 5 Empresas Remesadoras 2014 0.737
#> 6 Empresas Remesadoras 2015 0.742
#> 7 Empresas Remesadoras 2016 0.743
#> 8 Empresas Remesadoras 2017 0.751
#> 9 Empresas Remesadoras 2018 0.763
#> 10 Empresas Remesadoras 2019 0.790
#> # ℹ 20 more rows
get_remesas("genero_receptor")
#> New names:
#> • `2023` -> `2023...10`
#> • `2023` -> `2023...11`
#> Warning: There was 1 warning in `dplyr::mutate()`.
#> ℹ In argument: `year = as.numeric(year)`.
#> Caused by warning:
#> ! NAs introduced by coercion
#> # A tibble: 30 × 3
#> partida year proporcion
#> <chr> <dbl> <dbl>
#> 1 Masculino 2015 0.395
#> 2 Masculino 2016 0.420
#> 3 Masculino 2017 0.442
#> 4 Masculino 2018 0.453
#> 5 Masculino 2019 0.509
#> 6 Masculino 2020 0.518
#> 7 Masculino 2021 0.532
#> 8 Masculino 2022 0.532
#> 9 Masculino NA 0.526
#> 10 Masculino NA 0.528
#> # ℹ 20 more rows