Analisis Sector Externo del Valle
Juan Jose Daniel Collazos y Laura Vanessa Diaz
2025-04-02
INTRODUCCION
El comercio exterior es un motor esencial para la economía colombiana, permitiendo la diversificación de mercados y el fortalecimiento de la competitividad internacional. En este contexto, el Valle del Cauca se destaca como una región estratégica, gracias a su infraestructura portuaria, zonas francas y un tejido empresarial dinámico que impulsa tanto las exportaciones como las importaciones. Durante el año 2024, las exportaciones totales del Valle del Cauca alcanzaron aproximadamente USD 2,385 millones, según informes recientes del DANE y análisis sectoriales que indican una ligera contracción anual en comparación con 2023, a pesar de que se observa una diversificación creciente en la canasta exportadora. En cuanto a las importaciones en la zona, han demostrado un incremento moderado, evidenciando una sólida demanda interna y la reactivación económica local. Esto posibilita que las compañías obtengan acceso a materiales y tecnología que incrementan su competitividad.
La Tasa Representativa del Mercado (TRM), un indicador esencial para medir la evolución del tipo de cambio en Colombia, se situó en un valor de cierre de $4,409.15 para el 31 de diciembre de 2024, con un promedio anual cercano a $4,072.59. Este índice es esencial para entender el efecto de la inestabilidad cambiaria en las decisiones de comercio internacional, dado que impacta directamente en la competitividad de los productos que se exportan e importan.
En este contexto, la filial de Colombina, situada en el Valle del Cauca, es un caso sobresaliente de cómo una compañía tradicional del sector de alimentos ha conseguido establecerse tanto a escala nacional como global. Colombina, establecida en 1927 y famosa por su extenso recorrido en la producción y venta de alimentos, exporta a más de 90 países. La presencia de esta compañía en la zona no solo subraya la relevancia del comercio internacional para el progreso local, sino que también demuestra la conexión entre la progresión de los indicadores económicos (TRM, exportaciones e importaciones) y las tácticas de negocio enfocadas en la internacionalización.
#Cargar librerías necesarias
library(readxl) # Para leer archivos Excel
library(tseries) # Para pruebas de estacionariedad
library(forecast) # Para modelado ARIMA y pronósticos
library(ggplot2) # Para visualización de datos
library(plotly) # Para gráficos interactivos
library(timetk) library(readxl)
data_col <- read_excel("C:/Users/Nessa/OneDrive/Escritorio/UNIVERSIDAD/6 SEMESTRE/Econometría Financiera/CORTE 2/ACTIVIDADES/Base Taller2.xlsx",
col_types = c("date", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric", "numeric",
"numeric", "numeric"))
View(data_col)Variable 1: TRM
# Convertir/declarar variable 1=TRM en serie de tiempo mensual
variable1_ts <- ts(data_col$TRM, start = c(2012, 1), frequency = 12)
variable1_ts## Jan Feb Mar Apr May Jun Jul Aug
## 2012 1847.516 1786.543 1767.793 1773.893 1795.907 1788.877 1784.903 1807.772
## 2013 1770.024 1794.198 1813.454 1830.091 1853.722 1910.188 1900.163 1904.411
## 2014 1964.111 2042.631 2017.022 1936.680 1915.203 1887.066 1858.366 1899.140
## 2015 2400.168 2422.994 2593.465 2492.766 2444.315 2561.667 2743.140 3027.064
## 2016 3287.158 3356.246 3124.169 2992.575 3002.174 2985.018 2971.474 2956.525
## 2017 2941.918 2880.985 2941.717 2876.237 2920.387 2966.522 3034.359 2971.017
## 2018 2866.496 2860.524 2842.387 2765.226 2863.577 2893.081 2885.532 2965.266
## 2019 3160.838 3112.360 3131.566 3158.608 3311.943 3250.837 3212.277 3419.289
## 2020 3321.721 3415.273 3908.308 3973.602 3853.472 3701.386 3659.323 3788.981
## 2021 3494.952 3551.997 3618.259 3654.614 3737.572 3687.401 3835.867 3882.250
## 2022 4002.746 3934.644 3799.549 3800.747 4015.570 3950.261 4389.145 4324.015
## 2023 4715.023 4822.552 4759.074 4530.264 4536.510 4205.262 4054.683 4077.895
## 2024 3922.445 3931.981 3899.277 3871.303 3867.880 4059.680 4038.110 4068.280
## Sep Oct Nov Dec
## 2012 1802.369 1805.740 1819.583 1791.352
## 2013 1917.924 1884.893 1923.471 1933.276
## 2014 1976.424 2048.908 2133.388 2351.757
## 2015 3074.955 2923.116 3007.221 3243.241
## 2016 2919.149 2938.747 3109.397 3003.960
## 2017 2917.878 2960.133 3014.114 2990.191
## 2018 3033.467 3092.217 3198.373 3216.620
## 2019 3403.978 3431.769 3412.555 3366.764
## 2020 3756.742 3832.831 3674.118 3461.582
## 2021 3823.625 3768.999 3906.607 3969.679
## 2022 4445.920 4726.851 4920.763 4793.103
## 2023 4007.122 4227.934 4035.887 3948.097
## 2024 4193.890 4266.350 4412.060 4386.390Variable 2: Exportaciones Valle
# Convertir/declarar variable 2=X_V en serie de tiempo mensual
variable2_ts <- ts(data_col$X_V, start = c(2012, 1), frequency = 12)
variable2_ts ## Jan Feb Mar Apr May Jun Jul
## 2012 159599364 180240665 191373990 161232070 198790367 172481442 194364495
## 2013 164853457 169801437 164553704 198509588 175509933 152859086 173179354
## 2014 120373398 156482020 160046060 184237919 178427402 152174190 192817659
## 2015 120882557 176969151 149977104 177977994 162833237 146026274 161483187
## 2016 128740720 189942224 167321121 147770050 150401389 124784925 94999973
## 2017 128273448 148968714 149447316 148640362 145481369 119980457 163823722
## 2018 132657531 160742577 147822277 172354823 143346837 132200919 142668441
## 2019 140010461 136674121 131806958 161263708 149089961 132475371 155450237
## 2020 139829192 135872501 136076573 120039763 135953465 135353513 163518257
## 2021 124798823 138082034 151649690 135855470 49767731 84260164 162444596
## 2022 108843084 144701812 157113802 141342682 130867409 152993170 134477390
## 2023 112288398 139351709 174700489 145292525 176664402 149265232 159393854
## 2024 117345624 140222685 141710961 157220167 161085481 142971963 149111281
## Aug Sep Oct Nov Dec
## 2012 202149989 192678930 217124571 182018485 187917021
## 2013 159632675 165283964 186448482 176526791 177119851
## 2014 210298339 200647922 195984020 203404691 172781130
## 2015 143577467 157897446 160756671 164555028 137107036
## 2016 155183649 195113834 222055829 190173966 201443946
## 2017 151509921 170903124 151608899 162331257 148773197
## 2018 168154486 139531023 159544847 163467561 140322064
## 2019 165578025 154506012 170845927 150933116 140487586
## 2020 153355466 169110909 158758029 155184516 171559349
## 2021 150574146 142640911 130498956 163384065 168378320
## 2022 144420197 137914582 141911619 161517130 162774116
## 2023 167957125 155852975 168219469 150665774 142357816
## 2024 148585302 154743385 180276265 153499206 172084853Variable 3: Importaciones Valle
# Convertir/declarar variable 1=M_V en serie de tiempo mensual
variable3_ts <- ts(data_col$M_V, start = c(2012, 1), frequency = 12)
variable3_ts## Jan Feb Mar Apr May Jun Jul
## 2012 355074079 556359400 408991672 344847316 411510051 390090495 394875972
## 2013 410666973 359139387 355342304 427014511 411642940 379639779 380236995
## 2014 412087737 374326560 413940374 471041989 470730946 421020081 496540003
## 2015 438172881 396410265 372288544 370972511 359980761 355598560 396045401
## 2016 327720078 308905727 317695275 345953466 300974616 289314046 282372332
## 2017 331357913 329140297 370590410 321930508 292526140 331623790 284971846
## 2018 333349548 323432567 313055506 347877391 335567028 329076039 350568656
## 2019 368632868 307594284 324104730 341831414 341779950 317345438 331304185
## 2020 321480804 386684901 299095593 304821736 286658639 268102810 326536395
## 2021 319889082 346588362 408436988 369834166 248993701 373647208 388686740
## 2022 435008827 393865542 486735774 424340748 421078617 420340822 320088971
## 2023 351172059 303315141 375266946 345832264 339176071 299875198 253045708
## 2024 352871095 330799782 320792544 572115119 363635093 307749248 326743464
## Aug Sep Oct Nov Dec
## 2012 427472544 366472004 421252726 413280397 356850071
## 2013 383357976 396772717 430514316 356858327 391124496
## 2014 455969188 460384545 533928375 431048217 417265246
## 2015 340035359 347999399 360625240 340066016 334401997
## 2016 378108884 326741403 324976024 350343625 321872761
## 2017 357719869 317298188 333985758 345585114 300749940
## 2018 364386573 271741552 381432147 341869649 303083199
## 2019 401498247 334206010 371487077 316632940 321711969
## 2020 297092358 296573918 332525591 349123453 376900177
## 2021 374419409 410794826 437442327 427677263 500470221
## 2022 479405715 453044681 419507074 360037022 399598223
## 2023 314414115 298036781 323767865 309797740 333716565
## 2024 357513502 335232735 366814925 412559322 366946648EXTRACCION DE SEÑALES
Extraccion Señales Variable 1: TRM
# Cargar librerías necesarias
library(ggplot2)
library(plotly)
# Descomposición de la serie temporal
stl_decomp_var1 <- stl(variable1_ts, s.window = "periodic")
# Convertir la descomposición a un data frame para graficar con ggplot2
stl_df_var1 <- data.frame(
Time = rep(time(variable1_ts), 4), # Tiempo repetido para cada componente (son 4 componentes)
Value = c(stl_decomp_var1$time.series[, "seasonal"],
stl_decomp_var1$time.series[, "trend"],
stl_decomp_var1$time.series[, "remainder"],
variable1_ts),
Component = rep(c("Estacional", "Tendencia", "Residuo", "Serie Original"), each = length(variable1_ts))
)
# Crear gráfico con ggplot2
p <- ggplot(stl_df_var1, aes(x = Time, y = Value, color = Component)) +
geom_line() +
facet_wrap(~Component, scales = "free_y", ncol = 1) +
theme_minimal() +
labs(title = "Descomposición temporal de la variable 1: TRM",
x = "Tiempo",
y = "Valor")
# Convertir a gráfico interactivo con plotly
ggplotly(p)Este componente muestra patrones que se repiten de forma regular en el tiempo. En la gráfica se evidencia una fuerte estacionalidad anual: hay picos casi idénticos cada 12 meses, lo que sugiere que la TRM tiene una variación cíclica marcada en ciertos meses del año. Esto puede deberse a factores estructurales como: Pagos de deuda externa Temporadas de importación/exportación Comportamientos del mercado internacional
Extraccion de Señales Variable 2: Exportaciones Valle
# Cargar librerías necesarias
library(ggplot2)
library(plotly)
# Descomposición de la serie temporal
stl_decomp_var2 <- stl(variable2_ts, s.window = "periodic")
# Convertir la descomposición a un data frame para graficar con ggplot2
stl_df_var2 <- data.frame(
Time = rep(time(variable2_ts), 4), # Tiempo repetido para cada componente
Value = c(stl_decomp_var2$time.series[, "seasonal"],
stl_decomp_var2$time.series[, "trend"],
stl_decomp_var2$time.series[, "remainder"],
variable2_ts),
Component = rep(c("Estacional", "Tendencia", "Residuo", "Serie Original"), each = length(variable2_ts))
)
# Crear gráfico con ggplot2
p <- ggplot(stl_df_var2, aes(x = Time, y = Value, color = Component)) +
geom_line() +
facet_wrap(~Component, scales = "free_y", ncol = 1) +
theme_minimal() +
labs(title = "Descomposición temporal de la variable 2: Exportaciones Valle",
x = "Tiempo",
y = "Valor")
# Convertir a gráfico interactivo con plotly
ggplotly(p)Un patrón repetitivo con un comportamiento cíclicos que dependen de Cosechas y producción agroindustrial y Flujos de demanda internacional en determinadas épocas del año (por ejemplo, temporada navideña, vacaciones, etc.)
Extraccion de Señales 3: Importaciones Valle
# Cargar librerías necesarias
library(ggplot2)
library(plotly)
# Descomposición de la serie temporal
stl_decomp_var3 <- stl(variable3_ts, s.window = "periodic")
# Convertir la descomposición a un data frame para graficar con ggplot2
stl_df_var3 <- data.frame(
Time = rep(time(variable3_ts), 4), # Tiempo repetido para cada componente
Value = c(stl_decomp_var3$time.series[, "seasonal"],
stl_decomp_var3$time.series[, "trend"],
stl_decomp_var3$time.series[, "remainder"],
variable3_ts),
Component = rep(c("Estacional", "Tendencia", "Residuo", "Serie Original"), each = length(variable3_ts))
)
# Crear gráfico con ggplot2
p <- ggplot(stl_df_var3, aes(x = Time, y = Value, color = Component)) +
geom_line() +
facet_wrap(~Component, scales = "free_y", ncol = 1) +
theme_minimal() +
labs(title = "Descomposición temporal de la variable 3: Importaciones Valle",
x = "Tiempo",
y = "Valor")
# Convertir a gráfico interactivo con plotly
ggplotly(p)Al igual que en los casos anteriores, se observa un patrón cíclico que se repite anualmente. Los picos y valles están bastante marcados y son consistentes cada 12 meses, lo cual indica que ciertos meses tienen importaciones sistemáticamente más altas o bajas.
TRM ajustada por estacionalidad
# Extraer los componentes de la descomposición
variable1_sa <- variable1_ts - stl_decomp_var1$time.series[, "seasonal"]Exportaciones Valle ajustada por estacionalidad
# Extraer los componentes de la descomposición
variable2_sa <- variable2_ts - stl_decomp_var2$time.series[, "seasonal"]Imporaciones Valle ajustada por estacionalidad
# Extraer los componentes de la descomposición
variable3_sa <- variable3_ts - stl_decomp_var3$time.series[, "seasonal"]Gráfico serie original VS ajustada Variable 1: TRM
# Crear vector de fechas correctamente alineado con la serie
fechas_var1 <- seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = length(variable1_ts))
# Gráfico mejorado con fechas en el eje X
grafico_ajustada_var1 <- ggplot() +
geom_line(aes(x = fechas_var1, y = variable1_ts), color = "orange", size = 0.5, linetype = "solid", name = "Serie Original") +
geom_line(aes(x = fechas_var1, y = variable1_sa), color = "black", size = 0.6, linetype = "solid", name = "Serie Ajustada") +
ggtitle("Variable 1 TRM: Serie Original vs Serie Ajustada por Estacionalidad") +
xlab("Tiempo") +
ylab("Unidad de medida variable 1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas para mejor visualización
# Convertir a gráfico interactivo
ggplotly(grafico_ajustada_var1)2013-2015: La TRM pasó de ~2000 a más de 3000 COP/USD debido al desplome del petróleo (~USD 100 a ~USD 40), reduciendo el ingreso de divisas.
2016-2019: Recuperación parcial del crudo (~USD 50-60) y mayor confianza tras los acuerdos de paz. La TRM osciló entre 2800 y 3200 COP/USD, aunque con episodios de volatilidad por tensiones globales (guerra comercial EE. UU.-China).
2020: El COVID-19 provocó una recesión y llevó la TRM a niveles récord (~4200 COP/USD). La volatilidad se moderó hacia fin de año con medidas de estímulo.
2021-2022: Factores como protestas internas, la invasión a Ucrania y alzas de tasas en EE. UU. impulsaron la TRM a superar los 5000 COP/USD.
2023-2025: La TRM se corrigió a ~4400-4500 COP/USD, favorecida por menor inflación global, buenos términos de intercambio y políticas locales prudentes. Se proyecta un rango de 4000-4500 con posibles picos ante nuevos shocks.
Gráfico serie original VS ajustada Variable 2: Exportaciones Valle
# Crear vector de fechas correctamente alineado con la serie
fechas_var2 <- seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = length(variable2_ts))
# Gráfico mejorado con fechas en el eje X
grafico_ajustada_var2 <- ggplot() +
geom_line(aes(x = fechas_var2, y = variable2_ts), color = "orange", size = 0.5, linetype = "solid", name = "Serie Original") +
geom_line(aes(x = fechas_var2, y = variable2_sa), color = "black", size = 0.6, linetype = "solid", name = "Serie Ajustada") +
ggtitle("Variable 2 X Valle: Serie Original vs Serie Ajustada por Estacionalidad") +
xlab("Tiempo") +
ylab("Unidad de medida variable 2") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas para mejor visualización
# Convertir a gráfico interactivo
ggplotly(grafico_ajustada_var2)2013–2014: Exportaciones estables, con crecimiento. Sectores fuertes: azúcar, alimentos procesados y químicos. Demanda externa sólida.
2015: Crisis global por baja en precios del petróleo y materias primas. Menor dinamismo mundial → bajan las exportaciones.
2016–2019: Estabilidad en tipo de cambio. Firma de los acuerdos de paz (2016) impulsa inversión y comercio. Exportaciones se diversifican y crecen gradualmente.
2020: Caída fuerte en exportaciones (visible en la gráfica). Problemas logísticos y baja demanda global. Según el DANE: caída cercana al -15%.
2021: Reapertura global = repunte en exportaciones. Paro nacional y bloqueos en Buenaventura → fuerte impacto logístico.
2022–2025: Mejora en logística y comercio internacional. Exportaciones se estabilizan con tendencia leve al alza. Aún hay riesgos: inflación global, precios altos, tipo de cambio.
Gráfico serie original VS ajustada Variable 3: Importaciones Valle
# Crear vector de fechas correctamente alineado con la serie
fechas_var3 <- seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = length(variable3_ts))
# Gráfico mejorado con fechas en el eje X
grafico_ajustada_var3 <- ggplot() +
geom_line(aes(x = fechas_var3, y = variable3_ts), color = "orange", size = 0.5, linetype = "solid", name = "Serie Original") +
geom_line(aes(x = fechas_var3, y = variable3_sa), color = "black", size = 0.6, linetype = "solid", name = "Serie Ajustada") +
ggtitle("Variable 3 M Valle: Serie Original vs Serie Ajustada por Estacionalidad") +
xlab("Tiempo") +
ylab("Unidad de medida variable 3") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas para mejor visualización
# Convertir a gráfico interactivo
ggplotly(grafico_ajustada_var3)2013–2015: Picos en 2013-2014 por alto consumo interno e industria activa. En 2015, el choque del petróleo y la devaluación del peso encarecieron las importaciones → caída.
2016–2019: A pesar del dólar alto, la industria regional reacciona y las importaciones suben moderadamente. Buenaventura vuelve a operar con mayor estabilidad.
2020: Caída fuerte de importaciones (por debajo de los 300 mil millones COP). Restricciones globales de transporte y menor demanda interna.
2021–2022: Mejora en 2021, pero protestas del Paro Nacional afectaron ingreso de mercancías por el puerto. Alta volatilidad en la serie (picos y caídas mensuales).
2023–2025: Importaciones se estabilizan con repuntes en sectores como medicamentos, maquinaria e insumos agrícolas. Factores globales como inflación y logística internacional siguen afectando.
Grafico Serie Original VS Tendencia
*Tendencia Varibale 1: TRM
library(ggplot2)
library(plotly)
# Convertir la serie a un vector numérico
variable1_vec <- as.numeric(variable1_ts)
tendencia_var1 <- as.numeric(stl_decomp_var1$time.series[, "trend"])
# Asegurar que 'fechas' tenga la misma longitud
fechas <- seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = length(variable1_ts))
# Gráfico interactivo de la serie original vs tendencia
grafico_tendencia_var1 <- ggplot() +
geom_line(aes(x = fechas, y = variable1_vec, color = "Serie Original"), size = 0.7, linetype = "solid") +
geom_line(aes(x = fechas, y = tendencia_var1, color = "Tendencia"), size = 0.8, linetype = "solid") +
scale_color_manual(values = c("Serie Original" = "grey", "Tendencia" = "orange")) +
ggtitle("Variable 1 TRM: Serie Original vs Tendencia") +
xlab("Tiempo") +
ylab("Unidad de medida Variable 1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas del eje X
# Convertir a gráfico interactivo con plotly
ggplotly(grafico_tendencia_var1)Tendencia Varibale 2: Exportaciones Valle
library(ggplot2)
library(plotly)
# Convertir la serie a un vector numérico
variable2_vec <- as.numeric(variable2_ts)
tendencia_var2 <- as.numeric(stl_decomp_var2$time.series[, "trend"])
# Asegurar que 'fechas' tenga la misma longitud
fechas <- seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = length(variable2_ts))
# Gráfico interactivo de la serie original vs tendencia
grafico_tendencia_var2 <- ggplot() +
geom_line(aes(x = fechas, y = variable2_vec, color = "Serie Original"), size = 0.7, linetype = "solid") +
geom_line(aes(x = fechas, y = tendencia_var2, color = "Tendencia"), size = 0.8, linetype = "solid") +
scale_color_manual(values = c("Serie Original" = "grey", "Tendencia" = "orange")) +
ggtitle("Variable 2 X Valle: Serie Original vs Tendencia") +
xlab("Tiempo") +
ylab("Unidad de medida Variable 2") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas del eje X
# Convertir a gráfico interactivo con plotly
ggplotly(grafico_tendencia_var2)Tendencia Varibale 3: Imporatciones Valle
library(ggplot2)
library(plotly)
# Convertir la serie a un vector numérico
variable3_vec <- as.numeric(variable3_ts)
tendencia_var3 <- as.numeric(stl_decomp_var3$time.series[, "trend"])
# Asegurar que 'fechas' tenga la misma longitud
fechas <- seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = length(variable3_ts))
# Gráfico interactivo de la serie original vs tendencia
grafico_tendencia_var3 <- ggplot() +
geom_line(aes(x = fechas, y = variable3_vec, color = "Serie Original"), size = 0.7, linetype = "solid") +
geom_line(aes(x = fechas, y = tendencia_var3, color = "Tendencia"), size = 0.8, linetype = "solid") +
scale_color_manual(values = c("Serie Original" = "grey", "Tendencia" = "orange")) +
ggtitle("Variable 3 M Valle: Serie Original vs Tendencia") +
xlab("Tiempo") +
ylab("Unidad de medida Variable 3") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas del eje X
# Convertir a gráfico interactivo con plotly
ggplotly(grafico_tendencia_var3)Calculo tasa de crecimiento de la serie de tendencia y original para la variable 1: TRM
#Cálculo de la tasa de crecimiento anual correctamente alineada
tasa_crecimiento_var1 <- (variable1_ts[(13:length(variable1_ts))] / variable1_ts[1:(length(variable1_ts) - 12)] - 1) * 100
tasa_tendencia_var1 <- (tendencia_var1[(13:length(tendencia_var1))] / tendencia_var1[1:(length(tendencia_var1) - 12)] - 1) * 100
# Crear vector de fechas corregido, es decir que inicie desde enero 2013
fechas_corregidas_var1 <- seq(from = as.Date("2013-01-01"), by = "month", length.out = length(tasa_crecimiento_var1))
# Verificar longitudes
print(length(fechas_corregidas_var1))## [1] 144print(length(tasa_crecimiento_var1))## [1] 144print(length(tasa_tendencia_var1))## [1] 144Gráfico variable original y tendencia variable 1 TRM: tasa de crecimiento anual
library(ggplot2)
library(plotly)
# Gráfico de la tasa de crecimiento anual variable 1
grafico_crecimiento_var1 <- ggplot() +
geom_line(aes(x = fechas_corregidas_var1, y = tasa_crecimiento_var1), color = "grey", size = 0.7) +
geom_line(aes(x = fechas_corregidas_var1, y = tasa_tendencia_var1), color = "black", size = 0.8, linetype = "dashed") +
ggtitle("Variable 1 TRM: Tasa de crecimiento anual % de la serie Original y la tendencia") +
xlab("Tiempo") +
ylab("% de Crecimiento Anual") +
theme_minimal()
# Convertir a gráfico interactivo
ggplotly(grafico_crecimiento_var1)Se observan 3 ciclos en el periodo:
Ciclo 1: 2013–2017 Crecimiento exponencial de la TRM: llega a un pico superior al 60% anual en 2015. Su causa principal fue la fuerte devaluación del peso colombiano debido a: Caída en los precios internacionales del petróleo. Salida de capitales de mercados emergentes. Crisis económica en Venezuela (afectó comercio fronterizo).
Ciclo 2: 2017–2018 Desaceleración y estabilización: el crecimiento anual baja incluso por debajo de 0%. Causa: Estabilidad en precios del crudo y ajuste macroeconómico del país (reformas tributarias, menor déficit).
Ciclo 3: 2018–2024 Nuevo repunte moderado (+10 a 20%) con picos en 2020. Caídas marcadas hasta casi -20%, seguida de una recuperación. La causa fué: Efecto inicial de la pandemia COVID-19: incertidumbre global y fuga hacia el dólar como activo seguro. Disminución en las exportaciones e inversión extranjera. Cambio de gobierno en Colombia y sus efectos sobre la confianza inversionista y el mercado cambiario.
No hay ciclos claros ni muy marcados, ya que la TRM depende más de eventos internacionales, como tasas de interés en EE.UU. o crisis globales. En los últimos años, la tendencia se ha estabilizado, pero sigue siendo una variable sensible a los choques externos, lo cual impacta directamente el comercio y la economía del país.**
Gráfico variable original y tendencia variable 2 X valle: tasa de crecimiento anual
#Cálculo de la tasa de crecimiento anual correctamente alineada
tasa_crecimiento_var2 <- (variable2_ts[(13:length(variable2_ts))] / variable2_ts[1:(length(variable2_ts) - 12)] - 1) * 100
tasa_tendencia_var2 <- (tendencia_var2[(13:length(tendencia_var2))] / tendencia_var2[1:(length(tendencia_var2) - 12)] - 1) * 100
# Crear vector de fechas corregido
fechas_corregidas_var2 <- seq(from = as.Date("2013-01-01"), by = "month", length.out = length(tasa_crecimiento_var2))
# Verificar longitudes
print(length(fechas_corregidas_var2))## [1] 144print(length(tasa_crecimiento_var2))## [1] 144print(length(tasa_tendencia_var2))## [1] 144# Gráfico de la tasa de crecimiento anual variable 2
grafico_crecimiento_var2 <- ggplot() +
geom_line(aes(x = fechas_corregidas_var2, y = tasa_crecimiento_var2), color = "grey", size = 0.7) +
geom_line(aes(x = fechas_corregidas_var2, y = tasa_tendencia_var2), color = "black", size = 0.8, linetype = "dashed") +
ggtitle("Variable 2 X Valle: Tasa de crecimiento anual % de la serie Original y la Tendencia") +
xlab("Tiempo") +
ylab("% de Crecimiento Anual") +
theme_minimal()
# Convertir a gráfico interactivo
ggplotly(grafico_crecimiento_var2)Se observan 4 ciclos en el periodo:
Ciclo 1: 2013–2015 Oscilaciones rápidas entre crecimiento y contracción. Probable efecto de la reforma tributaria de 2012
Ciclo 2: 2015–2017 Hay una estabilización por posible reflejo de estrategias de diversificación exportadora y tratados comerciales (Alianza del Pacífico, TLC con EE.UU. y Mercosur).
Ciclo 3: 2017–2021 Comienza con estabilidad, pero en 2020 se presenta un colapso severo (pandemia), seguido por un repunte atípico en 2021 (+160%). Este “efecto rebote” se da cuando se recupera la actividad industrial y se reactivan rutas logísticas.
Ciclo 4: 2021–2024 A pesar de una tendencia levemente positiva, las variaciones siguen siendo abruptas, lo que sugiere que no hay un patrón claro de estabilidad. Las empresas exportadoras siguen expuestas a riesgos internacionales (conflictos, tasas de interés, costos logísticos) y posiblemente a una baja diversificación de mercados.
Las exportaciones del Valle del Cauca muestran alta volatilidad y poca estabilidad en su crecimiento anual. Es debido a que esta serie está influida por condiciones locales como la estructura productiva, acuerdos comerciales y choques sectoriales. Aunque la tendencia es apenas positiva, las exportaciones siguen siendo vulnerables a factores externos y a la falta de diversificación
#Cálculo de la tasa de crecimiento anual correctamente alineada
tasa_crecimiento_var3 <- (variable3_ts[(13:length(variable3_ts))] / variable3_ts[1:(length(variable3_ts) - 12)] - 1) * 100
tasa_tendencia_var3 <- (tendencia_var3[(13:length(tendencia_var3))] / tendencia_var3[1:(length(tendencia_var3) - 12)] - 1) * 100
# Crear vector de fechas corregido
fechas_corregidas_var3 <- seq(from = as.Date("2013-01-01"), by = "month", length.out = length(tasa_crecimiento_var3))
# Verificar longitudes
print(length(fechas_corregidas_var3))## [1] 144print(length(tasa_crecimiento_var3))## [1] 144print(length(tasa_tendencia_var3))## [1] 144# Gráfico de la tasa de crecimiento anual variable 2
grafico_crecimiento_var3 <- ggplot() +
geom_line(aes(x = fechas_corregidas_var3, y = tasa_crecimiento_var3), color = "grey", size = 0.7) +
geom_line(aes(x = fechas_corregidas_var3, y = tasa_tendencia_var3), color = "black", size = 0.8, linetype = "dashed") +
ggtitle("Variable 3 M Valle: Tasa de crecimiento anual % de la serie Original y la tendencia") +
xlab("Tiempo") +
ylab("% de Crecimiento Anual") +
theme_minimal()
# Convertir a gráfico interactivo
ggplotly(grafico_crecimiento_var3)Se observan 4 ciclos en el periodo:
Ciclo 1: 2013–2015 Tendencia creciente, con picos de hasta 25%. Finaliza con una fuerte caída en 2015, posiblemente por choques cambiarios (devaluación del peso colombiano y alza en TRM).
Ciclo 2: 2015–2017 Recuperación suave, con crecimiento moderado, pero sin alcanzar el nivel del ciclo anterior. La tendencia se estabiliza en torno al 0% hacia 2018, reflejando una etapa de ajuste y contención del gasto.
Ciclo 3: 2017–2020 Se estabiliza , pero que se interrumpe con la caída de 2020 debido a la pandemia del COVID-19 (restricciones logísticas, menor demanda interna).
Ciclo 4: 2020–2023 Comienza con un repunte positivo. alcanza un nuevo pico hacia 2021. El 2023 registra con una caída fuerte (fin de estímulos fiscales, presión inflacionaria global y tasas de interés elevadas). A partir de 2023 la tendencia vuelve a subir, lo que puede indicar un nuevo ciclo de recuperación comercial e industrial.
El comportamiento de las importaciones revela la dependencia de la región a bienes intermedios y finales del exterior, afectando directamente la producción, el comercio y el consumo. La última fase muestra señales de recuperación, pero aún con alta volatilidad.
INTERRELACIÓN DE LAS 3 VARIABLES
TRM baja: Las importaciones son más baratas, lo cual permite disminuir costos de producción. Pero desfavorece a los exportadores, además de tener un impacto en la competitividad internacional al encarecer el precio de sus productos en dólares, afectado así a los compradores extranjeros.
TRM alta: Se encarecen las importaciones, por el contrario favorece a las exportaciones al hacer que sus precios aumenten y así generar más utilidades.
HALLAZGO CLAVE
A partir de todos los análisis realizados, se identificó el hallazgo principal y más relevante para la empresa Colombina, una sólida exportadora con presencia en más de 90 países: La TRM, junto con los ciclos observados en exportaciones e importaciones, refleja la alta volatilidad y sensibilidad a choques externos que impacta directamente a las empresas del Valle del Cauca. Para la sucursal de Colombina, esto significa que en momentos de TRM alta, los insumos se encarecen pero se potencian las exportaciones, mientras que en contextos de TRM baja, se abaratan los costos de producción, aunque se pierde parte de la competitividad internacional. La clave es ajustar estratégicamente las operaciones para aprovechar cada escenario y mitigar riesgos, a través de diversificación de mercados, cobertura financiera y optimización en la cadena de suministro
¿QUÉ DECISIONES PODRÍAN TOMAR LA EMPRESA COLOMBINA BASADA EN LA EXTRACCIÓN DE SEÑALES?
Cobertura y gestión del riesgo: Usar instrumentos financieros para mitigar la volatilidad de la TRM y estabilizar los costos de insumos.
Ajuste en la política de precios: Aprovechar una TRM alta para aumentar márgenes en exportaciones y, cuando es baja, bajar costos de producción sin perder competitividad.
Optimización de la cadena de suministro: Negociar mejores acuerdos con proveedores y mejorar la logística, especialmente en el puerto de Buenaventura.
Inversión en tecnología y eficiencia: Implementar innovaciones y mejoras operativas para reducir costos y adaptarse a entornos cambiantes.
MODELO ARIMA
# Esta división idealmente podria se 80%-70% de los datos para entrenamiento y 20%-30% para prueba o test
# En este ejemplo el conjunto de entrenamiento es: Enero 2012-Septiembre 2024 y el conjunto de prueba o test: noviembre 2024-diciembre 2024
train_size <- length(variable2_ts) - 3 # Se deja fuera los últimos 3 valores para usarlos como set de prueba.
train_ts <- window(variable2_ts, end = c(2024, 9)) # Entrenamiento hasta septiembre 2024
test_ts <- window(variable2_ts, start = c(2024, 10)) # Prueba inicia desde oct2024Paso 1: Identificación del modelo
library(tseries)
# Prueba de estacionariedad con Augmented Dickey-Fuller (ADF)
adf_test <- adf.test(train_ts) #Se aplica el test ADF a la variable 1 (conjunto de entrenamiento)
print(adf_test) # se muestra el resultado del test##
## Augmented Dickey-Fuller Test
##
## data: train_ts
## Dickey-Fuller = -5.0177, Lag order = 5, p-value = 0.01
## alternative hypothesis: stationary#Se crea un nuevo objeto o variable que se llama train_diff, en donde se diferencia la variable 1 , una sola vez:
train_diff2 <- diff(train_ts, differences = 2) Diferenciación en niveles variable 1
# Graficar la serie original en un gráfico separado
p2 <- ggplot(data.frame(Tiempo = time(train_ts), variable2 = as.numeric(train_ts)), aes(x = Tiempo, y = variable2)) +
geom_line(color = "blue") +
ggtitle("Variable 2 Exportaciones Valle: Serie Original") +
xlab("Tiempo") + ylab("Gwh")
ggplotly(p2) # Convertir en gráfico interactivo # Graficar la serie diferenciada en un gráfico separado
p3 <- ggplot(data.frame(Tiempo = time(train_ts)[-c(1,2)], variable2_Diff2 = as.numeric(train_diff2)), aes(x = Tiempo, y = variable2_Diff2)) +
geom_line(color = "red") +
ggtitle("variable 2 Exportaciones Valle: Serie Estacionaria (Dos diferenciación)") +
xlab("Tiempo") + ylab("variable 2 diferenciada")
ggplotly(p3) # Convertir en gráfico interactivo# Segunda prueba de estacionariedad sobre la serie diferenciada en niveles
adf_test_diff <- adf.test(train_diff2)
print(adf_test_diff)##
## Augmented Dickey-Fuller Test
##
## data: train_diff2
## Dickey-Fuller = -10.715, Lag order = 5, p-value = 0.01
## alternative hypothesis: stationaryIdentificación manual de p y q
library(forecast)
# Graficar ACF y PACF
acf_plot <- ggAcf(train_diff2, lag.max = 6) + ggtitle("Autocorrelation Function (ACF)-Determinar q")
pacf_plot <- ggPacf(train_diff2, lag.max = 6) + ggtitle("Partial Autocorrelation Function (PACF)-Determinar p")
ggplotly(acf_plot)ggplotly(pacf_plot)Interpretación correlogramas
Se puede observar que los valores que podrian tomar p y q serian:
p=1* p=2 p=3 p=4 p=6 q=1* q6 (P optimo=1) (q óptimo=1)
El modelo óptimo para esta variable seria (3,2,6)
Paso 2. Estimación manual del modelo
Estimación del modelo identificado (3,2,6)
# Cálculo manual de modelo ARIMA
manual_arima_model <- Arima(train_ts, order = c(3,2,6)) #Se va a estimar un modelo Arima de orden (3,2,6)
summary(manual_arima_model)## Series: train_ts
## ARIMA(3,2,6)
##
## Coefficients:
## ar1 ar2 ar3 ma1 ma2 ma3 ma4 ma5
## -0.8288 0.3319 0.7182 -0.7084 -1.4819 0.1354 1.6210 -0.1379
## s.e. 0.1096 0.1639 0.0983 0.0980 0.1356 0.1061 0.1053 0.1356
## ma6
## -0.4249
## s.e. 0.0993
##
## sigma^2 = 4.044e+14: log likelihood = -2757.37
## AIC=5534.75 AICc=5536.32 BIC=5564.92
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 828454.7 19372880 15084904 -1.31323 10.57041 0.7896182 -0.02725565Significancia de coefientes
library(lmtest)
# Evaluar la significancia estadística de los coeficientes del modelo ARIMA
coeftest(manual_arima_model)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.828775 0.109643 -7.5589 4.065e-14 ***
## ar2 0.331890 0.163852 2.0256 0.04281 *
## ar3 0.718156 0.098287 7.3067 2.738e-13 ***
## ma1 -0.708427 0.097974 -7.2308 4.802e-13 ***
## ma2 -1.481896 0.135615 -10.9272 < 2.2e-16 ***
## ma3 0.135362 0.106143 1.2753 0.20221
## ma4 1.620955 0.105308 15.3925 < 2.2e-16 ***
## ma5 -0.137938 0.135587 -1.0173 0.30899
## ma6 -0.424915 0.099347 -4.2771 1.894e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Paso 3. Validación de residuos del modelo estimado manual
checkresiduals(manual_arima_model)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(3,2,6)
## Q* = 23.196, df = 15, p-value = 0.08007
##
## Model df: 9. Total lags used: 24Paso 4. Pronóstico (modelo manual)
Pronóstico en el test de prueba (oct, nov y dic 2024) y gráfico
#Aquí se crea el pronóstico con el modelo ARIMA manual y se guarda en una nueva riable u objeto "manual_forecast"
manual_forecast <- forecast(manual_arima_model, h = length(test_ts)) #Se generan tantos pronósticos como valores tenga el conjunto de prueba (test_ts).
# Crear dataframe para gráfico interactivo del pronóstico manual
manual_forecast_data <- data.frame(Tiempo = time(manual_forecast$mean), ## Extrae las fechas del pronóstico
Pronostico = as.numeric(manual_forecast$mean), ## Valores pronosticados
Observado = as.numeric(test_ts)) ## Valores reales de la serie
# Graficar pronóstico manual junto con los valores observados reales
p_manual <- ggplot(manual_forecast_data, aes(x = Tiempo)) +
geom_line(aes(y = Pronostico, color = "Pronóstico Manual")) +
geom_line(aes(y = Observado, color = "Observado")) +
ggtitle("Variable 2 Exportaciones Valle:Pronóstico Manual vs Observado") +
xlab("Tiempo") + ylab("Variable1")
ggplotly(p_manual)Métricas de evaluación del modelo manual dentro del periodo de prueba (oct,nov y dic 2024)
# Calcular métricas de evaluación del modelo manual
mae_manual <- mean(abs(manual_forecast$mean - test_ts), na.rm = TRUE)
rmse_manual <- sqrt(mean((manual_forecast$mean - test_ts)^2, na.rm = TRUE))
# Mostrar métricas de evaluación del modelo manual
cat("MAE Manual: ", mae_manual, "\n")## MAE Manual: 16826975cat("RMSE Manual: ", rmse_manual, "\n")## RMSE Manual: 17256490A continuación se calcula la Tabla de pronóstico modelo manual VS los datos reales u observado en oct,nov y dic2024
# Cargar librerías necesarias
library(forecast)
library(dplyr)
# Generar pronóstico con el modelo ARIMA identificado
arima_forecast_manual <- forecast(manual_arima_model, h = length(test_ts))
# Crear un dataframe con los valores observados y pronosticados
forecast_table_manual <- data.frame(
Tiempo = time(arima_forecast_manual$mean), # Extraer las fechas del pronóstico
Observado = as.numeric(test_ts), # Valores reales
Pronosticado = as.numeric(arima_forecast_manual$mean) # Valores pronosticados
)
# Mostrar la tabla
print(forecast_table_manual)## Tiempo Observado Pronosticado
## 1 2024.750 180276265 160849262
## 2 2024.833 153499206 142081863
## 3 2024.917 172084853 152448274Ahora pronosticamos fuera del periodo de análisis: Enero 2025
# Cargar librerías necesarias
library(forecast)
# Hacer un pronóstico para el siguiente mes (1 período adicional)
next_forecast_manual <- forecast(manual_arima_model, h = length(test_ts) + 1)
# Extraer el pronóstico del próximo mes
next_month_forecast_manual <- data.frame(
Tiempo = time(next_forecast_manual$mean), # Extraer la fecha del pronóstico
Pronostico = as.numeric(next_forecast_manual$mean) # Valor pronosticado
)
# Mostrar el pronóstico completo
print(next_month_forecast_manual)## Tiempo Pronostico
## 1 2024.750 160849262
## 2 2024.833 142081863
## 3 2024.917 152448274
## 4 2025.000 150085240# Extraer solo el valor del trimestre adicional (último de la tabla)
next_month <- tail(next_month_forecast_manual, 1)
print(paste("Pronóstico para enero 2025:", next_month$Tiempo, "=", next_month$Pronostico))## [1] "Pronóstico para enero 2025: 2025 = 150085239.951839"PRONÓSTICO Y EVALUACIÓN DE MODELO
Para empezar el modelo se decidió realizar una división de los datos para poder generar un modelo de predicción. En este caso se tomaron los datos desde enero del 2012 hasta septiembre del 2024 como base para realizar el modelo predictivo, los últimos 3 meses (Oct 2024 – Dic 2024) se utilizaron de forma comprobatoria para observar la efectividad del modelo. En otras palabras, se realizó una división del 80% - 20% de los datos, en los que el 80% de los datos (Ener 2012 – Sep 2024) como conjunto de entrenamiento y el 20% (Oct 2024 – Dic 2024) como conjunto de prueba.
Identificación del modelo
El primer paso es identificar el modelo que se ha de utilizar para realizar el pronóstico, para esto hay que identificar los valores a tomar en p, d, q (Orden autorregresivo, Orden de diferenciación, Orden de media móvil). El primero en identificarse es la d (Orden de diferenciación) Para este punto se tiene que identificar si la serie de tiempo es estacionaria, es decir se mueve en un patrón constante a lo largo del tiempo. Para identificar esto se realiza de dos formas, la primera es observando el grafico, si es creciente o decreciente, o si las variaciones se hacen más grande. El otro método es mediante la prueba de Dickey Fuller Aumentada (ADF), en los resultados de esta prueba se encuentra el p-valor, si es p-valor es mayor a 0.0.5, entonces la serie no es estacionaria (Se busca que sea estacionaria) En este caso la primera prueba realiza dio un resultado de 0,01 para el p-valor Aun asi, en esta grafica se evidencia un movimiento no estacionario Por ende, al no poseer ninguna diferenciación de ningún tipo. Se concluye que la serie no es estacionaria. Para eso se procedimos a realizar una diferenciación de dos niveles y se vuelve a realizar el Test de Dickey – Fuller En este caso ya existe una diferenciación en la serie y el p-valor es de 0,01 lo que es menor a 0,05. Ya se puede concluir que la serie es estacionaria.
Identificación manual de P y Q
Se utilizan los siguientes gráficos: ·ACF (Autocorrelation Function) - Muestra la correlación de la serie con sus rezagos y ayuda a determinar q ·PACF (Partial Autocorrelation Function) - Muestra la correlación parcial entre la serie y un rezago específico, eliminando el efecto de rezagos intermedios y ayuda a determinar p
Significancia de coeficientes
Se denota una gran importancia de coeficientes en este modelo. El valor del MAPE es del 10, es decir un 10% por lo que se toma como un modelo aceptable
Pronóstico vs Observado
Es un pronóstico aceptable, por lo menos captura la forma esencial (Forma en v) que el observado, esto quiere decir que captura la tendencia bajista y luego alcista. Sin embargo, tiende a subestimar los valores reales en todos los puntos, esto puede indicar que el modelo tiene un sesgo sistemático a la baja, como opinión personal puede estar afectado por efectos de la pandemia. Para solucionar esto se podría dividir el modelo en dos periodos, el primer modelo terminaría en enero del 2020 y el segundo modelo iniciaría en el 2020 hasta el final de los datos, luego se juntarían los pronósticos. 1.MAE (Mean Absolute Error) = 16826970 Esto significa que, en promedio, el modelo se equivoca en unos 16.8 millones de dólares
2.RMSE Manual: 17256485 Indica que el modelo tiene errores grandes en al menos uno de los puntos (ya que el RMSE es mucho mayor que el MAE). Esto sugiere que hay una predicción muy desviada, probablemente en noviembre o diciembre.
Pronóstico enero 2025
El valor proyectado sugiere una leve disminución respecto a diciembre de 2024 (152.448.277 → 150.085.238). Este comportamiento podría señalar un comienzo del año con actividad exportadora reducida
Decisiones que se pueden tomar con base al pronóstico
·Planeación de la Producción: El pronóstico sugiere un leve descenso en las exportaciones para enero de 2025, lo que podría significar un descenso en la demanda internacional. Por eso se pueden modificar los niveles de producción para prevenir inventarios excesivos y disminuir los gastos relacionados con el almacenamiento.
·Planificación Logística: Menores exportaciones pueden permitir una reducción temporal de la capacidad logística contratada o una reprogramación de rutas o consolidación de envíos. · Estrategias Comerciales y Promocionales: Una reducción en las exportaciones se puede contrarrestar con campañas de publicidad o descuentos estratégicos para aumentar la demanda en mercados importantes.
VARIACIONES EXPORTACIÓN
MENSUAL Ene-24 — Feb-24 -15.53 Mar-24 +6.78 Abr-24 +5.37 May-24 -7.22 Jun-24 +7.91 Jul-24 -10.44 Ago-24 -5.52 Sep-24 -17.60 Oct-24 +19.49 Nov-24 +1.06 Dic-24 +10.92
ANUAL (2023/2024) Ene +18.49 Feb +0.46 Mar +3.01 Abr -6.84 May +1.53 Jun -2.25 Jul -6.72 Ago -12.56 Sep +4.50 Oct +0.63 Nov -18.88 Dic +8.22
VARIACIONES IMPORTACIONES
MENSUAL ene-24 5,74% feb-24 -6,25% mar-24 -3,03% abr-24 78,34% may-24 -36,44% jun-24 -15,37% jul-24 6,17% ago-24 9,42% sep-24 -6,23% oct-24 9,42% nov-24 12,47% dic-24 -11,06%
ANUAL (2023/2024) Enero +78.3% Febrero +9.9% Marzo -12.8% Abril -2.1% Mayo +11.5% Junio -7.8% Julio -11.1% Agosto +12.4% Septiembre +9.8% Octubre +44.1% Noviembre +28.9% Diciembre +20.1%
VARIACIONES TRM
MENSUAL ene-24 -0,65% feb-24 0,24% mar-24 -0,83% abr-24 -0,72% may-24 -0,09% jun-24 4,96% jul-24 -0,53% ago-24 0,75% sep-24 3,09% oct-24 1,73% nov-24 3,42% dic-24 -0,58%
ANUAL (2023/2024)
Ene -16.81% Feb -18.47% Mar -18.07% Abr -14.55% May -14.74% Jun -3.46% Jul -0.41% Ago -0.24% Sep +4.66% Oct +0.91% Nov +9.32% Dic +11.10%
CONCLUSION
El análisis realizado sobre el comportamiento del sector externo del Valle del Cauca y su impacto en variables clave como la TRM, las exportaciones e importaciones, proporciona insumos estratégicos valiosos para la toma de decisiones en Colombina. La empresa opera en un entorno altamente sensible a factores externos como las tasas de cambio, la dinámica de los mercados internacionales y eventos macroeconómicos globales que afectan directamente sus costos operativos, márgenes de ganancia y competitividad internacional. Se evidencia que la TRM juega un rol central en la configuración de escenarios de oportunidad y riesgo: una TRM alta puede favorecer las exportaciones, pero encarece los insumos importados; mientras que una TRM baja abarata la producción, pero puede limitar la competitividad de los productos en el exterior. Entender estos ciclos y su estacionalidad permite anticipar comportamientos del mercado y ajustar las estrategias operativas y comerciales de forma oportuna. En este sentido, Colombina puede fortalecer su posición internacional implementando herramientas de cobertura cambiaria, mejorando su capacidad de reacción logística ante fluctuaciones del comercio, e invirtiendo en eficiencia operativa. Asimismo, el modelo de pronóstico aplicado ofrece una guía confiable para planificar producción, ajustar inventarios y preparar estrategias promocionales de cara a fluctuaciones esperadas en la demanda. Este informe busca ofrecer una base técnica sólida para la toma de decisiones informadas, que permitan a Colombina mantener su liderazgo en exportaciones, proteger sus márgenes ante la volatilidad cambiaria y consolidar su presencia global de manera sostenible.
BIBLIOGRAFÍA
Banco de la República de Colombia. (2024). Indicadores económicos y financieros: Tasa Representativa del Mercado (TRM). https://www.banrep.gov.co/es/estadisticas/trm
DANE. (2024). Exportaciones e importaciones por departamento: Valle del Cauca. https://www.dane.gov.co/index.php/estadisticas-por-tema/comercio-internacional
Portafolio. (2023). ¿Qué efectos tiene una TRM alta o baja sobre la economía colombiana?. https://www.portafolio.co/economia
La República. (2023). Impacto del dólar caro en las empresas exportadoras e importadoras colombianas. https://www.larepublica.co
Banco Mundial. (2023). Perspectivas económicas mundiales. https://www.bancomundial.org
ProColombia. (2023). Impacto de la TRM en la competitividad exportadora de las empresas colombianas. https://procolombia.co
Cámara de Comercio de Cali. (2023). Informe económico regional: comportamiento de las exportaciones del Valle del Cauca. https://www.ccc.org.co
Minhacienda. (2023). Informe macroeconómico de coyuntura. https://www.minhacienda.gov.co