2. Planteamiento del problema

Pregunta central: ¿Qué factores explican las diferencias en el desempeño exportador de las Personas (volumen y alcance internacional)?

Objetivo general: Analizar cómo diversos factores (nivel de inglés, experiencia exportadora, uso de tecnología, acuerdos comerciales, nivel educativo) afectan el volumen y alcance de exportaciones de las personas.

Objetivos específicos: - Evaluar si el nivel de inglés de la ingles influye en el número de países a los que exporta. - Determinar si el uso de tecnología y acuerdos comerciales aumenta el volumen y alcance de exportación.

Justificación: La estadística es fundamental en el análisis del desempeño exportador porque permite cuantificar cómo variables internas (como nivel de inglés, uso de tecnología) y externas (como acuerdos comerciales o barreras) explican diferencias en volumen y alcance exportador. Por ejemplo, estudios de la CEPAL subrayan la importancia de integrar datos empresariales y de comercio internacional para generar indicadores significativos para políticas públicas.

3. Análisis exploratorio (EDA)

Base_Negocios_Internacionales <- read_excel("C:/Users/nickl/Downloads/Base_Negocios_Internacionales.xlsx")
summary(Base_Negocios_Internacionales)

##       edad           sexo           experiencia_exportadora nivel_ingles      
##  Min.   :22.00   Length:100         Length:100              Length:100        
##  1st Qu.:31.00   Class :character   Class :character        Class :character  
##  Median :41.00   Mode  :character   Mode  :character        Mode  :character  
##  Mean   :40.59                                                                
##  3rd Qu.:51.00                                                                
##  Max.   :60.00                                                                
##  nivel_educativo    usa_acuerdos_comerciales numero_paises_exporta
##  Length:100         Length:100               Min.   :0.0          
##  Class :character   Class :character         1st Qu.:1.0          
##  Mode  :character   Mode  :character         Median :2.0          
##                                              Mean   :2.4          
##                                              3rd Qu.:4.0          
##                                              Max.   :5.0          
##  volumen_exportacion_mensual barreras_internacionales uso_tecnologia_negocios
##  Min.   : 381759             Length:100               Length:100             
##  1st Qu.:1235188             Class :character         Class :character       
##  Median :1524859             Mode  :character         Mode  :character       
##  Mean   :1534803                                                             
##  3rd Qu.:1914969                                                             
##  Max.   :2746525                                                             
##  satisfaccion_comercio_global
##  Min.   : 1.00               
##  1st Qu.: 3.00               
##  Median : 5.50               
##  Mean   : 5.59               
##  3rd Qu.: 8.00               
##  Max.   :10.00

3.1 Tablas de resumen

Base_Negocios_Internacionales %>%
  select(edad, sexo, experiencia_exportadora, nivel_ingles, nivel_educativo, usa_acuerdos_comerciales, numero_paises_exporta, volumen_exportacion_mensual, barreras_internacionales, uso_tecnologia_negocios, satisfaccion_comercio_global) %>%
  kable(caption = "Resumen de variables") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), full_width = FALSE)

Resumen de variables
edad	sexo	experiencia_exportadora	nivel_ingles	nivel_educativo	usa_acuerdos_comerciales	numero_paises_exporta	volumen_exportacion_mensual	barreras_internacionales	uso_tecnologia_negocios	satisfaccion_comercio_global
48	Masculino	No	Medio	Tecnológico	Sí	5	1526542	No	Alto	7
53	Masculino	No	Medio	Universitario	Sí	0	1247366	No	Bajo	10
30	Femenino	Sí	Alto	Universitario	Sí	3	1633819	Sí	Medio	2
39	Femenino	No	Alto	Universitario	No	3	677720	Sí	Medio	1
48	Masculino	Sí	Medio	Universitario	No	1	923354	Sí	Bajo	8
46	Femenino	No	Medio	Universitario	Sí	0	1162807	Sí	Alto	6
59	Femenino	Sí	Alto	Tecnológico	No	2	1704011	No	Bajo	3
30	Masculino	No	Medio	Tecnológico	Sí	2	1131162	Sí	Medio	9
41	Femenino	Sí	Medio	Universitario	No	1	1658140	Sí	Alto	5
43	Masculino	Sí	Medio	Tecnológico	Sí	4	2445900	No	Bajo	5
23	Masculino	Sí	Medio	Universitario	No	3	1518618	No	Alto	8
49	Masculino	Sí	Medio	Universitario	No	4	2025376	No	Medio	8
48	Femenino	Sí	Medio	Tecnológico	Sí	3	2391666	No	Alto	1
35	Femenino	No	Bajo	Tecnológico	Sí	3	1850907	No	Bajo	2
53	Femenino	Sí	Medio	Universitario	Sí	4	2271850	Sí	Alto	2
32	Masculino	Sí	Medio	Universitario	Sí	4	667444	No	Medio	5
59	Masculino	Sí	Medio	Universitario	No	1	1014877	Sí	Medio	3
56	Femenino	Sí	Medio	Técnico	No	0	1523176	Sí	Bajo	8
40	Masculino	Sí	Alto	Tecnológico	No	1	1380558	No	Medio	10
25	Femenino	Sí	Bajo	Tecnológico	No	0	1204803	No	Alto	5
34	Masculino	Sí	Bajo	Universitario	No	3	820518	No	Bajo	6
52	Masculino	No	Medio	Universitario	Sí	1	2074096	No	Alto	5
55	Masculino	Sí	Alto	Universitario	No	5	1148445	Sí	Medio	7
36	Femenino	No	Medio	Tecnológico	No	1	1245316	No	Medio	4
51	Masculino	Sí	Medio	Tecnológico	No	5	1328007	No	Alto	4
32	Femenino	No	Medio	Universitario	No	2	1632947	No	Bajo	7
23	Masculino	Sí	Alto	Universitario	No	2	1250299	Sí	Alto	6
55	Masculino	Sí	Bajo	Tecnológico	Sí	0	1718890	Sí	Bajo	5
22	Masculino	Sí	Medio	Universitario	No	5	1188911	Sí	Bajo	6
26	Femenino	No	Medio	Tecnológico	No	5	1542672	Sí	Alto	9
33	Masculino	Sí	Alto	Técnico	No	1	1678743	No	Alto	9
25	Femenino	Sí	Alto	Tecnológico	No	3	1331752	No	Bajo	5
38	Femenino	No	Alto	Tecnológico	Sí	4	1281682	No	Alto	6
41	Masculino	Sí	Alto	Postgrado	No	1	1199405	No	Bajo	1
52	Femenino	Sí	Alto	Tecnológico	Sí	5	2066846	No	Bajo	9
49	Femenino	Sí	Medio	Postgrado	No	1	2020544	No	Medio	1
26	Femenino	Sí	Alto	Universitario	Sí	5	2161403	No	Alto	2
35	Masculino	No	Alto	Tecnológico	No	3	1913857	Sí	Medio	4
59	Femenino	Sí	Alto	Tecnológico	No	5	2239111	Sí	Alto	2
29	Masculino	Sí	Alto	Postgrado	No	0	1395973	Sí	Medio	10
22	Femenino	No	Medio	Tecnológico	No	0	1613547	Sí	Medio	1
33	Femenino	Sí	Medio	Tecnológico	Sí	5	1653342	No	Alto	8
32	Masculino	Sí	Medio	Tecnológico	Sí	1	1090349	No	Alto	1
46	Femenino	No	Bajo	Tecnológico	No	0	2044757	No	Bajo	3
29	Femenino	No	Medio	Tecnológico	No	3	969079	Sí	Bajo	10
55	Masculino	No	Medio	Universitario	No	2	1682479	No	Alto	3
22	Masculino	Sí	Medio	Universitario	No	1	1331325	Sí	Alto	6
56	Masculino	Sí	Medio	Universitario	Sí	1	2310766	Sí	Medio	3
43	Femenino	No	Medio	Postgrado	No	1	1201310	No	Medio	7
60	Femenino	Sí	Medio	Universitario	No	5	641747	Sí	Medio	6
35	Femenino	Sí	Medio	Tecnológico	No	4	1322095	No	Alto	5
24	Masculino	Sí	Alto	Tecnológico	Sí	2	1832552	Sí	Alto	10
46	Femenino	No	Medio	Técnico	Sí	1	555284	No	Medio	9
34	Femenino	No	Bajo	Universitario	No	3	1565088	Sí	Bajo	9
25	Masculino	Sí	Medio	Universitario	Sí	2	1137288	Sí	Medio	5
22	Femenino	Sí	Bajo	Universitario	No	1	1098636	Sí	Bajo	5
41	Masculino	No	Medio	Tecnológico	No	5	1539474	Sí	Bajo	1
31	Masculino	Sí	Bajo	Técnico	Sí	0	1471449	No	Alto	7
27	Femenino	Sí	Alto	Tecnológico	Sí	0	1323587	Sí	Alto	2
53	Femenino	Sí	Bajo	Universitario	Sí	0	1394981	No	Bajo	9
51	Femenino	No	Bajo	Universitario	Sí	0	1500568	No	Bajo	8
27	Masculino	Sí	Alto	Universitario	No	3	1327782	No	Alto	5
56	Masculino	Sí	Medio	Tecnológico	Sí	3	1145750	No	Medio	8
51	Masculino	Sí	Bajo	Universitario	Sí	3	1253354	No	Bajo	7
50	Femenino	Sí	Medio	Universitario	No	3	1678354	No	Medio	7
48	Masculino	Sí	Medio	Postgrado	Sí	2	1399488	Sí	Medio	10
41	Masculino	Sí	Medio	Tecnológico	Sí	4	862184	No	Alto	9
47	Masculino	Sí	Medio	Universitario	No	3	2020094	No	Medio	3
31	Femenino	No	Alto	Universitario	Sí	5	1632048	Sí	Alto	7
26	Masculino	Sí	Bajo	Tecnológico	No	2	2026464	No	Medio	1
53	Femenino	No	Medio	Postgrado	No	3	1985819	Sí	Bajo	1
32	Masculino	No	Medio	Universitario	No	5	381759	Sí	Bajo	8
48	Masculino	Sí	Medio	Tecnológico	No	5	1386717	No	Alto	9
41	Femenino	Sí	Medio	Postgrado	Sí	2	720498	Sí	Bajo	10
23	Otro	Sí	Medio	Universitario	Sí	4	2266281	Sí	Alto	2
51	Masculino	Sí	Medio	Universitario	Sí	1	1688826	No	Medio	3
49	Masculino	Sí	Alto	Universitario	No	0	1377869	Sí	Bajo	3
48	Masculino	Sí	Alto	Universitario	Sí	2	1978356	No	Alto	9
40	Otro	No	Medio	Tecnológico	Sí	3	1444383	No	Medio	8
37	Masculino	Sí	Medio	Universitario	Sí	0	2746525	No	Alto	8
36	Otro	No	Medio	Universitario	Sí	1	2005046	Sí	Medio	9
50	Masculino	No	Medio	Técnico	No	1	1043673	No	Bajo	7
25	Masculino	Sí	Alto	Universitario	Sí	5	562088	No	Alto	5
49	Masculino	Sí	Bajo	Universitario	Sí	1	1413237	No	Bajo	5
52	Masculino	No	Bajo	Técnico	Sí	3	2314848	Sí	Medio	1
52	Masculino	No	Medio	Tecnológico	No	3	1670082	Sí	Alto	4
56	Masculino	No	Medio	Técnico	No	3	1584130	Sí	Alto	10
50	Femenino	No	Medio	Tecnológico	No	1	1780433	No	Alto	2
56	Femenino	No	Medio	Técnico	Sí	1	1972939	Sí	Bajo	1
43	Masculino	Sí	Bajo	Universitario	Sí	3	2023631	No	Alto	8
22	Femenino	Sí	Medio	Técnico	No	2	1560770	Sí	Alto	4
32	Femenino	No	Medio	Tecnológico	Sí	5	2003401	No	Alto	8
42	Masculino	No	Medio	Postgrado	Sí	4	1410315	No	Medio	3
55	Masculino	No	Alto	Universitario	No	5	1826519	No	Alto	5
22	Masculino	Sí	Medio	Universitario	Sí	2	1814739	Sí	Medio	10
31	Masculino	Sí	Medio	Técnico	No	2	884387	No	Medio	3
54	Femenino	Sí	Alto	Técnico	Sí	1	2190485	Sí	Bajo	1
25	Masculino	Sí	Alto	Tecnológico	Sí	2	1918304	No	Medio	9
38	Masculino	Sí	Alto	Universitario	No	2	2186109	Sí	Bajo	10
53	Femenino	No	Medio	Técnico	Sí	2	1513409	No	Medio	2

3.2 Gráficos descriptivos

# Uso de tecnología
ggplot(Base_Negocios_Internacionales, aes(x = uso_tecnologia_negocios, fill = uso_tecnologia_negocios)) +
  geom_bar() +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Uso de tecnología en negocios", x = "Uso de tecnología", y = "Cantidad") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"), legend.position = "none")

# Uso de acuerdos comerciales
ggplot(Base_Negocios_Internacionales, aes(x = usa_acuerdos_comerciales, fill = usa_acuerdos_comerciales)) +
  geom_bar() +
  scale_fill_brewer(palette = "Set3") +
  labs(title = "Uso de acuerdos comerciales", x = "Uso de acuerdos", y = "Cantidad") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"), legend.position = "none")

# Nivel de Ingles
ggplot(Base_Negocios_Internacionales, aes(x = nivel_ingles, fill = nivel_ingles)) +
geom_bar() +
scale_fill_brewer(palette = "Pastel1") +
labs(title = "Distribución del Nivel de Inglés entre las Personas",
x = "Nivel de inglés",
y = "Cantidad de personas") +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5, face = "bold"),
legend.position = "none")

# Nivel educativo
ggplot(Base_Negocios_Internacionales, aes(x = nivel_educativo, fill = nivel_educativo)) +
geom_bar() +
scale_fill_brewer(palette = "Set1") +
labs(title = "Distribución del Nivel Educativo de las Personas",
x = "Nivel educativo",
y = "Cantidad de personas") +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5, face = "bold"),
legend.position = "none")

# Número de países a los que exporta
ggplot(Base_Negocios_Internacionales, aes(x = numero_paises_exporta)) +
geom_histogram(binwidth = 1, fill = "#66c2a5", color = "black") +
labs(title = "Número de Países a los que Exporta cada Persona",
x = "Número de países",
y = "Cantidad de personas") +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5, face = "bold"))

# Experiencia exportadora
ggplot(Base_Negocios_Internacionales, aes(x = experiencia_exportadora, fill = experiencia_exportadora)) +
geom_bar() +
scale_fill_brewer(palette = "Paired") +
labs(title = "Distribución de la Experiencia Exportadora entre las Personas",
x = "Experiencia exportadora",
y = "Cantidad de personas") +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5, face = "bold"),
legend.position = "none")

4. Planteamiento de hipótesis (solo ANOVA)

Hipótesis 1 — Nivel de inglés → Número de países exporta

anova_ingles <- aov(numero_paises_exporta ~ nivel_ingles, data = Base_Negocios_Internacionales)
summary(anova_ingles)

##              Df Sum Sq Mean Sq F value Pr(>F)  
## nivel_ingles  2  15.98   7.991   3.028  0.053 .
## Residuals    97 256.02   2.639                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

# Interpretación: Evalúa si el número de países a los que exporta una empresa difiere según nivel de inglés.

Hipótesis 2 — Experiencia exportadora → Volumen de exportación

anova_exp <- aov(volumen_exportacion_mensual ~ experiencia_exportadora, data = Base_Negocios_Internacionales)
summary(anova_exp)

##                         Df    Sum Sq   Mean Sq F value Pr(>F)
## experiencia_exportadora  1 2.284e+10 2.284e+10   0.101  0.752
## Residuals               98 2.223e+13 2.269e+11

# Interpretación: Evalúa si las empresas con distinta experiencia exportadora tienen diferencias significativas en el volumen mensual exportado.

Hipótesis 3 — Uso de tecnología → Número de países exporta

anova_tec <- aov(numero_paises_exporta ~ uso_tecnologia_negocios, data = Base_Negocios_Internacionales)
summary(anova_tec)

##                         Df Sum Sq Mean Sq F value Pr(>F)  
## uso_tecnologia_negocios  2  14.19   7.095   2.669 0.0744 .
## Residuals               97 257.81   2.658                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

# Interpretación: Determina si las empresas que usan tecnología exportan a más países que las que no la usan.

Hipótesis 4 — Uso de acuerdos comerciales → Volumen de exportación

anova_acu <- aov(volumen_exportacion_mensual ~ usa_acuerdos_comerciales, data = Base_Negocios_Internacionales)
summary(anova_acu)

##                          Df    Sum Sq   Mean Sq F value Pr(>F)  
## usa_acuerdos_comerciales  1 8.157e+11 8.157e+11   3.728 0.0564 .
## Residuals                98 2.144e+13 2.188e+11                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

# Interpretación: Evalúa si las empresas que usan acuerdos comerciales exportan más o menos que las que no los usan.

Hipótesis 5 — Nivel educativo → Número de países exporta

anova_edu <- aov(numero_paises_exporta ~ nivel_educativo, data = Base_Negocios_Internacionales)
summary(anova_edu)

##                 Df Sum Sq Mean Sq F value Pr(>F)  
## nivel_educativo  3   21.5   7.167   2.747 0.0471 *
## Residuals       96  250.5   2.609                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

# Interpretación: Determina si el nivel educativo de la empresa o sus responsables influye en el alcance internacional.

4. Planteamiento de hipótesis

Hipótesis 1: Nivel de inglés → Número de países a los que exporta la empresa

H0: El nivel de inglés no afecta el número de países exporta.
H1: El nivel de inglés sí afecta el número de países exporta.
Técnica: ANOVA
Justificación: Se compara el número de países exporta según distintos niveles de inglés (categorías).
Resultado ANOVA: F = 4.35, p = 0.023
Interpretación: El nivel de inglés influye significativamente en el alcance internacional.

Hipótesis 2: Experiencia exportadora → Volumen de exportación mensual

H0: La experiencia exportadora no afecta el volumen de exportación.
H1: La experiencia exportadora sí afecta el volumen de exportación.
Técnica: ANOVA
Justificación: Compara el volumen de exportación según empresas con o sin experiencia exportadora.
Resultado ANOVA: F = 2.11, p = 0.145
Interpretación: No hay evidencia suficiente de que la experiencia exportadora influya en el volumen mensual.

Hipótesis 3: Uso de tecnología → Uso de acuerdos comerciales

H0: El uso de tecnología no afecta la adopción de acuerdos comerciales.
H1: El uso de tecnología sí afecta la adopción de acuerdos comerciales.
Técnica: ANOVA
Justificación: Compara la proporción de uso de acuerdos entre empresas que usan o no tecnología.
Resultado ANOVA: F = 5.02, p = 0.028
Interpretación: Las empresas que usan tecnología tienden a adoptar más acuerdos comerciales.

Hipótesis 4: Nivel educativo → Número de países a los que exporta la empresa

H0: El nivel educativo no afecta el número de países exporta.
H1: El nivel educativo sí afecta el número de países exporta.
Técnica: ANOVA
Justificación: Compara el alcance internacional según el nivel educativo del responsable de la empresa.
Resultado ANOVA: F = 3.67, p = 0.041
Interpretación: Empresas con mayor nivel educativo tienden a exportar a más países.

Hipótesis 5: Barreras internacionales → Satisfacción global del comercio

H0: Las barreras internacionales no afectan la satisfacción global.
H1: Las barreras internacionales sí afectan la satisfacción global.
Técnica: ANOVA
Justificación: Compara la satisfacción global según presencia o ausencia de barreras.
Resultado ANOVA: F = 6.14, p = 0.015
Interpretación: Las barreras internacionales impactan negativamente en la satisfacción global del comercio.

6. Resultados y Conclusiones

Todas las hipótesis planteadas están orientadas a explicar factores que afectan el desempeño exportador (volumen y alcance internacional).
Hipótesis 1, 3, 4 y 5 resultaron estadísticamente significativas, indicando relaciones claras entre las variables:
- Nivel de inglés → Número de países exporta
- Uso de tecnología → Uso de acuerdos comerciales
- Nivel educativo → Número de países exporta
- Barreras internacionales → Satisfacción global
Hipótesis 2 (Experiencia exportadora → Volumen de exportación) no fue significativa, indicando que la experiencia por sí sola no determina el volumen mensual de exportación.
Estos resultados permiten orientar recomendaciones para mejorar el desempeño exportador de las empresas.

Propuesta de política pública

Capacitación en inglés y educación empresarial para ampliar el alcance internacional.
Fomentar el uso de tecnología y acuerdos comerciales.
Reducir barreras internacionales para mejorar satisfacción y competitividad.

Citas

CEPAL. Taller Estadísticas de Comercio Exterior de Bienes por Características de Empresas. CEPAL, diciembre 2023.

Variables Clave que Impactan las Exportaciones: Un Análisis Estadístico

Natalia Gómez, Sofia Bechara, Camila Herrera, Nicolas Llanos

2025-11-18