Cómo se construye este dataset

1. Fuentes de datos

Son 23 fuentes de contratación (la plataforma estatal, la europea, las autonómicas y las de ayuntamientos) más BORME (Registro Mercantil) usado para enriquecer. Pulsa cada una para ver detalle, periodo, qué cubre y qué no.

3. Cruces entre fuentes

Lo que hace el sitio actualmente

Todavía no se vinculan los contratos entre fuentes. Cada fuente se sirve y se agrega por su lado, sin quitar duplicados dentro de ella. Pero un mismo contrato publicado en dos plataformas cuenta en las dos: p. ej. en una autonómica y en la PLACSP, que agrega las plataformas de Madrid, Andalucía, Cataluña, Euskadi y otras, o en el TED y en la PLACSP.

Medido el 30-sep-2026 cruzando por expediente y NIF del adjudicatario, solo entre la agregación de la PLACSP y la fuente autonómica: coinciden al menos 46.127 contratos de Madrid, 52.227 de Andalucía y 201.235 de Cataluña (PSCP), que suman unos 115.000 M€. La suma de todas las fuentes no es un total sin duplicados: para un total fiable, elige una sola fuente por territorio. La vinculación de contratos entre fuentes está en preparación.

No se cruzan en vivo los contratos con el TED. Con el BORME solo se cruza el perfil mercantil de las fichas de empresa, por el nombre (lo avisa la propia ficha). Los datos de cada fuente se sirven normalizados, con las marcas de importe de la sección 6.

PLACSP ↔ TED — publicación de los contratos SARA análisis fuera de la web

Los contratos por encima de los umbrales europeos (SARA) deben publicarse obligatoriamente en el TED. Un proceso cruza ambas fuentes con 5 criterios, uno tras otro, para encontrar contratos SARA sin anuncio en el TED. Los resultados se publican como conjunto de datos descargable (crossval_sara_v2.parquet), pero la web no los muestra todavía.

Reglas SARA (umbrales por bienio)

Los umbrales de publicación obligatoria no son fijos — varían por bienio, tipo de contrato y tipo de comprador (AGE / resto / sectores especiales).

5 criterios de cruce, uno tras otro

Cada criterio actúa solo sobre los contratos que los anteriores no encontraron; el más ambiguo se deja para el final:

Lo más relevante del análisis: el criterio E3 (NIF del órgano contratante) es el que más coincidencias encuentra, el 17,6 % del total: más que cualquiera de los otros por separado, aunque menos que los otros cuatro juntos (22,6 %). Sin él se perdería casi una de cada cinco coincidencias.

Validación por año

La tasa de validación ha mejorado significativamente desde 2018, alcanzando un máximo del 64,6% en 2024:

Los años 2020-2021 muestran caídas significativas debido al efecto COVID (cambios en patrones de contratación) y a la baja cobertura del CSV masivo del TED en ese periodo. El cambio de fuente de los datos del TED en 2020 (del CSV masivo a la API) también introdujo diferencias.

Análisis sectorial: Salud

El sector salud representa el 17% de contratos SARA con una tasa de validación del 42,3 %. El 38 % de lo no encontrado se explica por los lotes: un único anuncio TED corresponde a N adjudicaciones individuales en PLACSP. La cobertura real ajustada por lotes es ~54%.

Órganos con más contratos SARA sin anuncio encontrado en el TED (cruce aproximado: no quiere decir que no se publicaran):

PLACSP × BORME — señales de riesgo análisis fuera de la web

Otro proceso cruza el BORME (Registro Mercantil) con la PLACSP para calcular 5 señales. Son indicios que hay que comprobar, no irregularidades. Los resultados se publican como conjunto de datos y todavía no se aplican en el explorador.

5. Sistema de indicadores Hay Derecho marco de referencia

Hay Derecho publica un Sistema de Indicadores de Transparencia en Contratación Pública que evalúa el cumplimiento legal y la calidad de los datos publicados por las administraciones. Es el marco más completo y exigente que existe en España para medir transparencia en contratación pública. Define 110 indicadores agrupados en tres criterios con pesos ponderados:

Score total = 0,5 · Legal + 0,3 · Calidad + 0,2 · BPP. Cada indicador tiene una salida binaria por contrato (presente/ausente, válido/inválido) y una salida agregada por organismo (% de contratos que cumplen).

5.1 Criterio Legal — 48 indicadores (peso 50%)

Indicadores derivados de la LCSP y la LTAIBG. Cada incumplimiento conlleva un desmérito del 10% en la puntuación final del organismo. La salida es siempre Presente / Ausente por contrato.

5.2 Calidad del dato — 48 indicadores (peso 30%)

Subdividido en tres dimensiones: Validez (formato y plausibilidad de los campos), Consistencia (coherencia entre campos relacionados) y Fiabilidad (rangos razonables y deduplicación).

5.3 Buenas prácticas de publicidad — 14 indicadores (peso 20%)

Indicadores que no son obligación legal, pero reflejan compromiso con la transparencia: anuncio de fiscalización, datos en formato reutilizable, conservación a 5 años, publicación de penalidades y prórrogas, etc. Aquí está el verdadero diferencial entre organismos que cumplen el mínimo y los que van más allá.

¿Por qué este marco importa?

• Es la referencia más exigente que existe en España. Combina la base legal (LCSP, LTAIBG) con buenas prácticas observadas en países con mejores prácticas.
• Permite comparar organismos de manera estandarizada. Hoy es muy difícil decir si el SAS publica peor o mejor que el SERMAS — con un score Hay Derecho sería un número directamente comparable.
• Identifica patrones estructurales de opacidad: los indicadores de buenas prácticas miden lo que no es obligatorio pero se podría hacer: muestran qué organismos van más allá de lo que exige la ley.
• Es metodológicamente sólido: cada indicador tiene fuente legal, descripción, fase del ciclo de vida, y salidas micro/agregada definidas formalmente.

6. Política de importes

Cada contrato se sirve con el importe que publica su fuente. Al lado, el ETL calcula un importe corregido, que es el que se usa para sumar, ordenar y filtrar por importe (buscador, explorador y portada). Las reglas son las mismas que aplica el repositorio de scrapers a la PLACSP (issue #22):

• Coma decimal perdida: si la adjudicación sin IVA es 100 o 1.000 veces el presupuesto y, dividida entre 100 o 1.000, tiene las mismas cifras que el presupuesto (desde 1.000 €) o queda entre el 50 % y el 105 % de él (desde 10.000 €), se corrige a esa escala.
• Inverosímil: una adjudicación de 100 veces el presupuesto o más, sin corrección fiable, no cuenta. Ejemplo real: la Gerencia Regional de Salud de Castilla y León publica una sala de rayos X licitada por 400.000 € con una adjudicación de 122.972.604.950,25 €.
• Repetido: en un acuerdo marco, algunas fuentes (PLACSP, Comunidad de Madrid, TED) ponen en cada empresa adjudicataria el tope del lote o del acuerdo, o repiten el total de la licitación en cada lote. Si la suma de esas filas no cabe en el presupuesto (en TED, en el valor total del aviso) y sí contando el importe una vez, cada fila se sirve con el importe publicado, marcado como repetido, y no cuenta en las sumas. En TED también se marca la misma oferta de un acuerdo marco o de un sistema dinámico de adquisición que sale en cada contrato basado en ella.
• No cuadra con el total del aviso (TED): la oferta ganadora que pasa del valor total del aviso que la publica se sirve con el importe publicado, marcada, y no cuenta en las sumas: no se sabe si es el importe del contrato, un valor estimado o un error de origen. En un aviso de varias adjudicaciones, la que pasa del total en más de un 21,5 % (el IVA más alto) y no se repite en otra; en un aviso de una sola, la que pasa del total sin la proporción de un IVA (21 %, 10 % o 4 %). Ejemplo: en el aviso 539087-2026 de TED, una oferta de 1.530.320 € en un aviso con un valor total de 131.545,02 €.
• Con un presupuesto sin IVA de menos de 1.000 € la adjudicación no se toca: suele ser un precio unitario o simbólico. Si el presupuesto es con IVA o la fuente no dice si lo lleva, una adjudicación de 100 veces el presupuesto o más sí queda fuera de las sumas.

PYME: en el explorador, una empresa es PYME si lo es en la mayoría de sus adjudicaciones que lo indican (todas sus adjudicaciones, no solo las filtradas). Una sola fila no basta: una fuente puede marcar como PYME a una gran empresa en algunas adjudicaciones.

IVA: cada importe se sirve tal como lo publica su fuente, con o sin IVA, y la ficha de cada contrato lo dice junto al importe («con IVA», «sin IVA» o «IVA no consta»). Las sumas mezclan importes con y sin IVA de fuentes distintas: la portada y el explorador lo avisan.

Además, por defecto se excluyen de las cifras del explorador los contratos con importe corregido de más de 1.000 M€. Todas las filas corregidas o excluidas se publican, con su motivo, en outliers.parquet.

Fechas: contratos sin fecha y años imposibles

El campo year de los datos unificados es la clave de partición con la que el ETL reparte los contratos. Un contrato sin fecha (ni de adjudicación, ni de publicación, ni el ejercicio que declara la fuente) va a la partición year=9999. Ese 9999 no es un dato: equivale a un valor vacío, que el formato Parquet no admite como clave de partición. Se deja así en los datos descargables para que se pueda ver qué contratos no traen año y de qué fuente son.

En la web solo cuentan los años verosímiles, de 1990 a hoy: los periodos de las fuentes, las fichas y el explorador, el filtro de año del explorador y la faceta de año del buscador. Los contratos sin fecha o con un año imposible (una errata de la fuente, como 2029) se sirven tal cual, pero no dan periodos, y al ordenar por fecha van al final. Si una ficha no tiene ningún año verosímil, su periodo sale como «—».

Volumen, en vivo: 175.710 contratos sin fecha y 81 con un año fuera de 1990–2026.

• Plataforma estatal (PLACSP): 16 con un año imposible
• Catalunya (Registre): 4 sin fecha (0,00 % de la fuente) · 33 con un año imposible
• Comunidad de Madrid: 3.692 sin fecha (0,13 % de la fuente) · 1 con un año imposible
• Catalunya (PSCP): 7 sin fecha (0,00 % de la fuente) · 14 con un año imposible
• C. Valenciana (menores): 1 con un año imposible
• Región de Murcia: 43 sin fecha (0,00 % de la fuente)
• País Vasco: 66 sin fecha (0,01 % de la fuente) · 16 con un año imposible
• Asturias: 7 sin fecha (0,00 % de la fuente)
• C. Valenciana (REGCON): 1 sin fecha (0,00 % de la fuente)
• Extremadura: 9 sin fecha (0,00 % de la fuente)
• Catalunya (menores): 171.295 sin fecha (100,00 % de la fuente)
• Castilla y León: 547 sin fecha (0,32 % de la fuente)
• Aragón: 39 sin fecha (0,03 % de la fuente)

8. Actualización

La web se reconstruye cada semana con lo último que ha descargado cada fuente. Cada cuánto se descarga cada una:

La fecha de la última actualización se indica en el pie de cada página. Para detalle por fuente, consultar el último Release en GitHub.

10. Descarga de los datos

Todos los datasets están publicados en formato Parquet en GitHub Releases . Los programas de descarga (scrapers) y de procesamiento de los datos son abiertos; el código de esta web, no por ahora.

ZIPs disponibles (última release)

Licencias

• España (PLACSP, autonomías): Licencia de Reutilización del Sector Público
• Galicia: Ley 1/2016 de transparencia y buen gobierno de Galicia
• Asturias: Portal de Transparencia del Principado de Asturias
• TED (UE): EU Open Data Licence
• BORME: Condiciones de Reutilización BOE — Fuente: Agencia Estatal Boletín Oficial del Estado

Cómo usar los datos descargados (pandas)

Una vez descargado el ZIP correspondiente, los Parquet se leen con pandas en una línea:

# Nacional (PLACSP)
df_nacional = pd.read_parquet('nacional/licitaciones_espana.parquet')

# TED España
df_ted = pd.read_parquet('ted/ted_es_can.parquet')

# Catalunya — contratos menores
df_cat = pd.read_parquet('catalunya/contratacion/contractacio_menors.parquet')

# BORME — actos mercantiles (cargos seudonimizados)
df_borme = pd.read_parquet('borme/data/borme_empresas_pub.parquet')

# Calidad — una fila por contrato de la PLACSP
df_q = pd.read_parquet('calidad/calidad_licitaciones_resultado.parquet')

Ejemplos de análisis típicos:

# Los 10 adjudicatarios nacionales con más importe
df_nacional.groupby('adjudicatario')['importe_sin_iva'].sum().nlargest(10)

# Contratos SARA no publicados en TED
df_q[df_q['INT-CONS-20'] == False].groupby('organo_contratante').size().nlargest(10)

# Score medio de calidad por órgano
df_q.groupby('organo_contratante')['score_calidad'].mean().nlargest(20)

# Constituciones de empresas en BORME por año
constit = df_borme[df_borme['actos'].str.contains('Constitución', na=False)]
constit.groupby(constit['fecha_borme'].dt.year).size()

# BORME: administradores en más de una empresa (red de cargos)
df_cargos = pd.read_parquet('borme/data/borme_cargos_pub.parquet')
multi = df_cargos.groupby('persona_hash')['empresa_norm'].nunique()
print(f"Personas en >1 empresa: {(multi > 1).sum():,}")

Más ejemplos y rutas de archivos en el README del repo.