spain-public-procurement

# Contratación pública española (PLACSP + TED + BORME) Dataset y metodología para trabajar con **~44,4 M de registros** de licitaciones públicas españolas (2000-2026, ~2,3 GB) y cruzarlas con el diario europeo TED mediante reglas reproducibles. ## When to Use (cuándo usarlo) - Analizar **quién gana qué** contratos (organismo, adjudicatario, importe, CCAA). - Detectar **anomalías** (cruce BORME × PLACSP) o medir competencia por sector. - Preparar informes/lecturas de mercado antes de licitar (perspectiva de ingeniería/consultoría). ## Cobertura del dataset PLACSP nacional 8,7 M (2012-2026) · Catalunya 20,6 M · València 8,5 M · Madrid 2,56 M + Ayto. 119 K · Euskadi 704 K · Galicia 1,7 M · Andalucía 857 K · Asturias 375 K · **TED España 591 K**. ## Pitfall crítico: Git LFS Los `.parquet`/`.csv` están en **Git LFS**: un `git clone` normal devuelve punteros de ~130 bytes. Hacer `git lfs pull` o descargar los ZIP de GitHub Releases (`nacional.zip` 1,34 GB, `borme.zip` 750 MB). ## Matching PLACSP ↔ TED (secuencial, 5 estrategias) 1. **E1** NIF adjudicatario + importe ±10 % + año ±1 → 43.063 (9,7 %). 2. **E2** nº de expediente + importe ±10 % → 7.891 (1,8 %). 3. **E3** NIF del órgano contratante + importe → 77.816 (17,6 %) ← **la más potente**. 4. **E4** lotes agrupados (suma de importes mismo órgano + año) → 31.365 (7,1 %). 5. **E5** nombre del órgano normalizado + importe → 17.757 (4,0 %). Resultado publicado: 442.835 contratos SARA identificados, solo **177.892 (40,2 %)** localizados en TED → 257.258 missing (202.383 de alta confianza). Ajustando por lotes, la cobertura real es **~54 %**. Detalle completo (umbrales por bienio, validación año a año, ficheros del pipeline) en `references/umbrales-sara.md`. ## Umbrales SARA (no son un importe fijo) Por bienio, tipo de contrato y tipo de comprador. Ejemplo 2024-2025: obras **5.538.000 €**, servicios AGE 143.000 €, servicios resto 221.000 €, sectores especiales 443.000 € (tabla completa 2016-2025 en el README). ## Código real - `ted/ted_module.py` (v6.0): descarga CSV bulk de `data.europa.eu` (2006-2023) y usa la **API v3** `POST https://api.ted.europa.eu/v3/notices/search` con body `query`/`page`/`limit` y `scope="ALL"` (sintaxis eForms, sin corchetes). - Pipeline: `ted/run_ted_crossvalidation.py`, `ted/cross-validation_ted_placsp.py`, `ted/diagnostico_missing_ted.py`, `scripts/ccaa_*.py`, `borme/scripts/borme_placsp_match.py` (5 flags de anomalía), `calidad/calidad_licitaciones.py` (20 indicadores). - Requisitos: `pip install pandas pyarrow requests beautifulsoup4 pdfplumber python-dateutil`; tests con pytest en `tests/`. ## Cadencia de actualización PLACSP mensual · TED trimestral (API) y anual (CSV bulk) · Galicia ~8 h de scraper. Revisar licencias de reutilización por portal (están listadas en el README). ## Referencia - Repo: `BquantFinance/licitaciones-espana` (~218 ⭐, Python, consultado 2026-09-15). - Complementa a `boe-borme-api` (API oficial) — aquí el valor está en el **dataset ya normalizado + la metodología de cruce**.