2. Planteamiento del problema

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

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

Objetivos específicos:

Evaluar si el nivel de inglés de la empresa 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: Comprender estos factores permitirá a las empresas mejorar su desempeño exportador y diseñar estrategias basadas en evidencia.

3. Análisis exploratorio (EDA)

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

# Interpretación: Muestra la frecuencia de empresas que usan tecnología y aquellas que no, facilitando observar diferencias.

# 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")

# Interpretación: Muestra la frecuencia de empresas que usan acuerdos comerciales frente a las que no.

4. Planteamiento de hipótesis

Hipótesis 1: Experiencia exportadora → Volumen de exportación

t_result <- t.test(volumen_exportacion_mensual ~ experiencia_exportadora, data = Base_Negocios_Internacionales)
t_result

## 
##  Welch Two Sample t-test
## 
## data:  volumen_exportacion_mensual by experiencia_exportadora
## t = -0.32888, df = 80.644, p-value = 0.7431
## alternative hypothesis: true difference in means between group No and group Sí is not equal to 0
## 95 percent confidence interval:
##  -221989.6  159016.6
## sample estimates:
## mean in group No mean in group Sí 
##          1514652          1546138

# Interpretación: Evalúa si las empresas con experiencia exportadora presentan un mayor volumen de exportación mensual.

Hipótesis 2: Nivel de inglés → Número de países exporta (ANOVA)

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

##              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 3: Uso de tecnología vs Uso de acuerdos (Chi-cuadrado)

tabla <- table(Base_Negocios_Internacionales$uso_tecnologia_negocios, Base_Negocios_Internacionales$usa_acuerdos_comerciales)
chi_result <- chisq.test(tabla)
chi_result

## 
##  Pearson's Chi-squared test
## 
## data:  tabla
## X-squared = 1.1471, df = 2, p-value = 0.5635

# Interpretación: Determina si hay relación entre usar tecnología y utilizar acuerdos comerciales.

Hipótesis 4: Nivel educativo → Número de países exporta (ANOVA)

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.

Hipótesis 5: Barreras internacionales → Satisfacción global (U de Mann-Whitney)

wilcox_result <- wilcox.test(satisfaccion_comercio_global ~ barreras_internacionales, data = Base_Negocios_Internacionales)
wilcox_result

## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  satisfaccion_comercio_global by barreras_internacionales
## W = 1254.5, p-value = 0.8779
## alternative hypothesis: true location shift is not equal to 0

# Interpretación: Evalúa si las barreras afectan la satisfacción global del comercio internacional.

5. Conclusiones

Se lograron los objetivos de analizar cómo experiencia, nivel de inglés, tecnología, acuerdos y barreras influyen en exportaciones.
Los gráficos de barras y las tablas descriptivas permiten visualizar claramente las frecuencias y distribuciones.
Las pruebas de hipótesis muestran diferencias y relaciones estadísticamente significativas en algunos casos, permitiendo recomendaciones informadas para mejorar desempeño exportador.

Propuesta de política pública

Incentivar capacitación en inglés y educación empresarial para ampliar el alcance internacional.
Fomentar el uso de tecnología y acuerdos comerciales.
Reducir barreras internacionales para mejorar la satisfacción y competitividad de las empresas.

Análisis de Negocios Internacionales

Nombre del Estudiante

2025-11-16