Analisis de Crecimiento: Pequeñas y medianas empresas en Puerto Rico a partir de las ventas al detalle
Alexandra Arroyo, Maria Placer y Pedro Lorenzi
2025-12-10
Introducción
El comercio al detalle representa un componente fundamental de la economía de Puerto Rico, particularmente a través de las pequeñas y medianas empresas (PYMEs), las cuales desempeñan un rol clave en la actividad económica y el consumo interno. Durante los últimos años, este sector ha enfrentado múltiples retos derivados de eventos económicos y sociales extraordinarios, como el huracán María en 2017 y la pandemia del COVID-19 en 2020, los cuales provocaron interrupciones significativas en la operación de los negocios y alteraron los patrones de consumo de la población.
Este proyecto tiene como objetivo analizar el comportamiento y crecimiento de las ventas al detalle en Puerto Rico durante el periodo 2016–2023, utilizando técnicas de análisis de series de tiempo. En particular, se evalúa la evolución de las ventas de las pequeñas y medianas empresas (PYMEs), identificando tendencias, patrones estacionales y efectos de choques externos a lo largo del tiempo. Para ello, se aplican herramientas estadísticas como la descomposición de series, análisis de autocorrelación, pruebas de estacionariedad y modelos ARIMA, permitiendo una comprensión más profunda de la dinámica temporal de las ventas.
Adicionalmente, el estudio incorpora un análisis sectorial enfocado en los sectores de supermercados y farmacias y droguerías, con el propósito de examinar cómo estos sectores esenciales respondieron ante eventos críticos como el huracán María y la pandemia del COVID-19. Este enfoque complementario permite contextualizar los resultados generales de las PYMEs y resaltar la resiliencia del comercio al detalle en Puerto Rico frente a escenarios de crisis económica.
ANALISIS DEL COMPORTAMIENTO Y CRECIMIENTO DE LAS VENTAS AL DETALLE EN PUERTO RICO EN LAS EMPRESAS PYMES
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(lubridate)
# 1. Cargar tu base de datos (se llama 'ventas')
data1 <- read.csv("ventas.csv")
# 2. Convertir la columna 'fecha' a tipo Date
data1 <- data1 %>% mutate(Date = as.Date(Date, format = "%m/%d/%Y"))
# Renobrar
data1 <- data1 %>%
rename(
Peq = Pequeno,
Med = Mediano,
GrandesNC = Grandes.no.cadenas,
GrandesC = Grandes.Cadenas..Incluye.locales.y.extranjeras.,
Total = Total
)SERIES DE TIEMPO PARA CADA TIPO DE NEGOCIO
# Serie de tiempo para Pequeños
ts_peq <- ts(data1$Peq,
start = c(2016, 1),
frequency = 12)
# Serie de tiempo para Medianos
ts_med <- ts(data1$Med,
start = c(2016, 1),
frequency = 12)Resumenes
summary(ts_peq)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 50516952 124736134 193603828 239487960 330583344 655552816 1summary(ts_med)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 2.960e+08 5.207e+08 7.222e+08 6.597e+08 7.773e+08 1.032e+09 1library(plotly)##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layoutlibrary(dplyr)Gráfica interactiva del comportamiento de ventas de PYMEs (Pequeños vs Medianos)
fig <- plot_ly(data1,
x = ~Date,
y = ~Peq,
type = 'scatter',
mode = 'lines',
name = "Negocios pequeños",
line = list(width = 2))
fig <- fig %>% add_trace(
y = ~Med,
mode = "lines",
name = "Negocios medianos",
line = list(width = 2))
fig <- fig %>% layout(
title = "Comportamiento de ventas mensuales de PYMEs en Puerto Rico (2016–2023)",
xaxis = list(title = "Año"),
yaxis = list(title = "Ventas mensuales (USD)"),
hovermode = "x unified"
)
figInterpretación del comportamiento de ventas de PYMEs (2016–2023)
La gráfica evidencia un comportamiento contrastante entre los negocios pequeños y medianos en Puerto Rico durante el periodo 2016–2023. En el caso de los negocios pequeños, se observa una tendencia general descendente, marcada por una disminución progresiva de las ventas mensuales a lo largo de los años. Aunque existen picos aislados –particularmente entre 2017 y 2019– la serie muestra mayor volatilidad y una caída notable posterior a 2020, reflejando posiblemente el impacto acumulado de eventos económicos como el huracán María y la pandemia del COVID-19.
Por otro lado, los negocios medianos exhiben un comportamiento más estable y con una tendencia ascendente a través del tiempo. A pesar de fluctuaciones esperadas en una serie mensual, la trayectoria general indica crecimiento sostenido, especialmente entre 2021 y 2023, periodo en el que las ventas alcanzan sus valores más altos. Este contraste sugiere que, aunque ambos grupos pertenecen al ecosistema PYME, los negocios medianos demostraron mayor resiliencia y capacidad de expansión, mientras que los negocios pequeños enfrentaron mayores desafíos estructurales y de recuperación.
library(zoo)##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericDescomposicion Pequeños
ts_peq_clean <- na.approx(ts_peq)
descomp_peq <- decompose(ts_peq_clean)
# Graficar componentes
plot(descomp_peq)
La descomposición de la serie de tiempo para los negocios pequeños revela varios patrones clave en su comportamiento entre 2016 y 2023. En el componente observado, se aprecia una alta variabilidad mensual, característica del sector minorista, pero también se distinguen cambios estructurales importantes a través del periodo.
El componente de tendencia muestra que las ventas de pequeños negocios se mantuvieron relativamente estables entre 2016 y mediados de 2017, seguidas por una caída marcada a finales de 2017 y durante 2018. Esta reducción coincide con el impacto económico del huracán María (septiembre 2017), cuyo efecto se refleja claramente como un descenso prolongado en la actividad comercial. A partir de 2019, la tendencia comienza a recuperarse gradualmente, aunque vuelve a mostrar una interrupción alrededor de 2020 por el impacto de la pandemia del COVID-19. Sin embargo, tras ese periodo, se observa una recuperación sostenida y una tendencia claramente ascendente desde 2021 en adelante, indicando una reactivación económica importante para las PYMEs pequeñas.
El componente estacional muestra un patrón repetitivo consistente cada año, con meses de alta y baja actividad que se mantienen relativamente constantes. Esto sugiere que las ventas de pequeños negocios siguen ciclos estacionales bien definidos, posiblemente vinculados a temporadas de consumo como verano, regreso a clases y navidades.
Finalmente, el componente aleatorio refleja variaciones irregulares que no pueden explicarse por tendencia ni estacionalidad. Destacan picos de ruido alrededor de 2018 y 2020, lo cual refuerza el impacto de eventos extraordinarios como María y la pandemia.
Descomposicion Medianos
ts_med_clean <- na.approx(ts_med)
descomp_med <- decompose(ts_med_clean)
plot(descomp_med)
La descomposición de la serie de tiempo de los negocios medianos muestra un comportamiento más estable y estructurado que el de los pequeños negocios, pero también evidencia el impacto de eventos económicos importantes en Puerto Rico.
En el componente observado, las ventas de negocios medianos mantienen un nivel significativamente más alto y menos volátil que las de negocios pequeños, con fluctuaciones mensuales que siguen un patrón definido. Sin embargo, se observa un descenso notable alrededor del 2020–2021.
El componente de tendencia revela la dinámica más importante: entre 2016 y 2018, las ventas de los negocios medianos permanecieron relativamente estables, con un leve declive posterior que continúa hasta 2019. Este descenso coincide con la recuperación económica lenta posterior al huracán María (2017), que afectó la actividad empresarial por varios años.
A partir de 2019, la tendencia comienza a mostrar señales de recuperación, pero esta recuperación se interrumpe nuevamente alrededor de 2020, cuando se observa una caída significativa que coincide directamente con el impacto de la pandemia de COVID-19 y las restricciones económicas. Lo más notable es que, a diferencia de los negocios pequeños —que muestran una recuperación fuerte en 2021–2022— la tendencia de los medianos refleja un descenso más prolongado y profundo hasta el 2022, sugiriendo que este segmento enfrentó mayores retos estructurales durante la pandemia y su recuperación fue más lenta.
El componente estacional muestra un patrón repetitivo mensual muy marcado, lo que indica que las ventas de negocios medianos también siguen ciclos estacionales consistentes entre años. Los picos y valles se mantienen en periodos similares, probablemente reflejando temporadas altas de consumo, inventarios, actividades comerciales y variaciones típicas del comercio detallista.
Finalmente, el componente aleatorio (random) presenta variaciones que no son explicadas por la tendencia ni la estacionalidad. Se observan picos irregulares, principalmente alrededor de 2017 (María), 2020 (COVID) y 2022, lo cual refuerza la presencia de shocks externos que alteraron el comportamiento natural del sector.
Estacionalidad
monthplot(ts_peq_clean,
ylab = "Ventas mensuales (USD)",
xlab = "Mes",
main = "Patrón estacional de ventas – Negocios pequeños (PYMEs)")
monthplot(ts_med_clean,
ylab = "Ventas mensuales (USD)",
xlab = "Mes",
main = "Patrón estacional de ventas – Negocios medianos (PYMEs)")
Interpretación del patrón estacional – Negocios pequeños (PYMEs)
El patrón estacional de los negocios pequeños muestra variaciones consistentes a lo largo del año, indicando que las ventas siguen un ciclo repetitivo mes a mes. Se observa que los picos de ventas tienden a concentrarse en los meses de noviembre y diciembre, lo cual coincide con la temporada navideña, una de las más importantes para el comercio en Puerto Rico. Asimismo, se observan incrementos moderados alrededor de junio y julio, posiblemente vinculados al verano y al periodo de mayor actividad turística y consumo local.
Por otro lado, los meses de enero, febrero y septiembre tienden a mostrar niveles de ventas más bajos. Esto puede relacionarse con factores como: la desaceleración económica pos-navidad, el ajuste financiero de comienzos de año y el periodo de inicio escolar. En conjunto, la estacionalidad de los negocios pequeños evidencia un patrón definido, con ventas elevadas en fin de año y disminuciones al inicio del mismo, reflejando comportamientos clásicos del comercio minorista.
Interpretación del patrón estacional – Negocios medianos (PYMEs)
El patrón estacional de los negocios medianos también muestra ciclos repetitivos, aunque con variaciones más pronunciadas que los pequeños en ciertos meses. Al igual que en los pequeños negocios, los meses de noviembre y diciembre registran los niveles más altos de actividad comercial, confirmando la relevancia de la temporada navideña para todo el sector retail.
Sin embargo, a diferencia de los pequeños negocios, se observa que los medianos presentan una caída estacional más marcada en los meses de enero, febrero y septiembre, lo que indica una mayor sensibilidad a los ciclos de consumo pos-navidad y al periodo de transición económica de mitad de año. Además, durante los meses de verano (junio–julio), los negocios medianos muestran picos más altos en comparación con los pequeños, lo que sugiere una mayor capacidad de operación y un mayor volumen de ventas en estas temporadas.
En resumen, ambos segmentos presentan patrones estacionales similares, pero los negocios medianos exhiben variaciones más amplias y un mayor volumen de ventas a lo largo de todo el año.
Autocorrelacion
acf(ts_peq_clean,
lag.max = 36,
main = "ACF – Negocios pequeños (PYME)")
acf(ts_med_clean,
lag.max = 36,
main = "ACF – Negocios medianos (PYME)")
ACF – Negocios pequeños (PYME)
La función de autocorrelación para los negocios pequeños muestra una desaceleración gradual desde un valor inicial cercano a 1, lo cual indica una fuerte persistencia temporal en las ventas mensuales. En otras palabras, las ventas de un mes están fuertemente relacionadas con las ventas de los meses anteriores. La ACF disminuye lentamente, manteniéndose significativa durante varios rezagos, lo que sugiere que la serie no es estacionaria y contiene una tendencia positiva o negativa a largo plazo, tal como se observó en la descomposición. Además, se aprecia un leve patrón estacional con picos moderados alrededor del rezago 12, lo que refleja ciclos anuales de consumo característicos del comercio detallista.
ACF – Negocios medianos (PYME)
En los negocios medianos, la ACF también inicia con un valor alto, evidenciando una fuerte autocorrelación en los primeros rezagos y, por ende, una dependencia importante entre las ventas mensuales consecutivas. Sin embargo, la caída de la autocorrelación es más rápida que en los negocios pequeños, lo que indica una estructura temporal más estable y con menor volatilidad. La presencia de valores significativos en rezagos cercanos al 12 también confirma estacionalidad anual en este segmento. Al igual que en los pequeños negocios, la ACF sugiere falta de estacionariedad debido a la tendencia observada en la serie, lo cual es coherente con las variaciones asociadas a eventos económicos como María y la pandemia del COVID-19.
Parte 2: prueba de estacionariedad
library(tseries)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zooadf.test(ts_peq_clean)## Warning in adf.test(ts_peq_clean): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: ts_peq_clean
## Dickey-Fuller = -4.115, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationaryadf.test(ts_med_clean)##
## Augmented Dickey-Fuller Test
##
## data: ts_med_clean
## Dickey-Fuller = -3.0411, Lag order = 4, p-value = 0.1484
## alternative hypothesis: stationaryPequeñas: El p-value de 0.01 indica que rechazamos la hipótesis nula de no estacionariedad. Esto significa que la serie de ventas de los negocios pequeños no presenta una tendencia determinística fuerte luego del proceso de suavización/ajuste (na.approx), y su comportamiento es más estable en términos estadísticos que lo que aparentaba gráficamente.
A pesar de que visualmente se observan fluctuaciones y una recuperación posterior al impacto de María y COVID, el ADF sugiere que la estructura estadística interna de la serie no contiene una tendencia significativa persistente, sino que las variaciones responden más a componentes estacionales y fluctuaciones irregulares.
Medianas: El p-value = 0.1484 es mucho mayor que 0.05, por lo cual no podemos rechazar la hipótesis nula de no estacionariedad. Esto significa que la serie de ventas de negocios medianos sí contiene una tendencia significativa, tal como se observó en la descomposición.
Esta tendencia está influenciada por eventos económicos importantes como el huracán María (2017) y la pandemia del COVID-19 (2020), que provocaron caídas pronunciadas y alteraron la estructura temporal de la serie. El ADF confirma que esta serie mantiene un componente de tendencia que no desaparece con el ajuste básico, por lo que su comportamiento es más persistente en el tiempo y menos estable que el de los pequeños negocios desde la perspectiva estadística. Correlogramas ACF y PACF – Pequeños
par(mfrow = c(1,2))
acf(ts_peq_clean, lag.max = 36, main = "ACF – Pequeños")
pacf(ts_peq_clean, lag.max = 36, main = "PACF – Pequeños")
La ACF de los negocios pequeños indica fuerte dependencia temporal y presencia de estacionalidad anual, mientras que la PACF sugiere que la estructura principal de la serie está influenciada por el valor del mes anterior. Este comportamiento es típico de series económicas con variaciones estacionales marcadas y evidencia la sensibilidad del sector a ciclos de consumo y eventos económicos recurrentes.
orrelogramas ACF y PACF – Medianos
par(mfrow = c(1,2))
acf(ts_med_clean, lag.max = 36, main = "ACF – Medianos")
pacf(ts_med_clean, lag.max = 36, main = "PACF – Medianos")
La ACF de los negocios medianos presenta un valor inicial alto que disminuye rápidamente con los primeros rezagos, lo cual indica una fuerte dependencia temporal inmediata, pero con menos persistencia que en los negocios pequeños. Este comportamiento sugiere la presencia de una tendencia, consistente con lo observado en la descomposición, y también evidencia un patrón estacional alrededor del rezago 12, típico del comercio al detal. Por otro lado, la PACF muestra un pico significativo únicamente en el rezago 1, mientras que los demás se mantienen dentro de los límites de significancia, lo que indica que la serie puede modelarse principalmente como un proceso autoregresivo de primer orden (AR(1)). En conjunto, ACF y PACF revelan que los negocios medianos presentan una estructura temporal más estable y predecible que los pequeños, con dependencia marcada del mes inmediatamente anterior y un comportamiento influenciado por ciclos anuales de consumo.
3. Ajuste de modelos ARMA / ARIMA candidatos
library(forecast)
# Modelo para pequeños
mod_peq <- auto.arima(ts_peq_clean, seasonal = TRUE)
mod_peq## Series: ts_peq_clean
## ARIMA(0,1,1)(1,0,0)[12] with drift
##
## Coefficients:
## ma1 sar1 drift
## -0.9399 0.2974 4233714.0
## s.e. 0.0556 0.1047 978742.2
##
## sigma^2 = 8.483e+15: log likelihood = -1679.33
## AIC=3366.66 AICc=3367.16 BIC=3376.43# Modelo para medianos
mod_med <- auto.arima(ts_med_clean, seasonal = TRUE)
mod_med## Series: ts_med_clean
## ARIMA(0,1,2) with drift
##
## Coefficients:
## ma1 ma2 drift
## -0.4379 -0.2487 -6552042
## s.e. 0.1061 0.1182 3837297
##
## sigma^2 = 1.223e+16: log likelihood = -1693.68
## AIC=3395.37 AICc=3395.87 BIC=3405.14Negocios Pequeños (ARIMA)
El modelo seleccionado para los negocios pequeños fue un ARIMA(0,1,1)(1,0,0)[12] con drift, lo cual indica que la serie requiere diferenciación para corregir su tendencia y presenta un componente de medias móviles de primer orden que captura la influencia de choques recientes en las ventas. El término AR estacional confirma la presencia de un patrón anual consistente, coherente con la fuerte estacionalidad observada en las gráficas y con los ciclos típicos de consumo en Puerto Rico. Además, el drift positivo refleja una tendencia creciente promedio a través del tiempo, lo que sugiere que, a pesar de interrupciones causadas por eventos extraordinarios como el huracán María y el COVID-19, los pequeños negocios muestran un patrón de recuperación y crecimiento sostenido en el periodo 2016–2023.
Negocios Medianos (ARIMA)
En el caso de los negocios medianos, el modelo óptimo identificado fue un ARIMA(0,1,2) con drift, lo que indica que esta serie también requiere diferenciación para corregir su tendencia no estacionaria. La presencia de dos términos de medias móviles sugiere que los choques o alteraciones en las ventas tienen un efecto más prolongado, lo cual es consistente con los descensos marcados observados durante periodos de crisis, particularmente la pandemia del COVID-19. A diferencia de los pequeños negocios, este modelo no incluye componentes estacionales, lo que sugiere un comportamiento mensual más estable. Sin embargo, el drift negativo refleja una tendencia descendente en los últimos años, indicando que los negocios medianos enfrentaron una recuperación más lenta y presentaron mayor vulnerabilidad estructural en comparación con los pequeños dentro del periodo analizado.
Pronostico y visualizacion
# ================================
# PRONÓSTICO PARA NEGOCIOS PEQUEÑOS (PYMEs)
# ================================
library(forecast)
library(ggplot2)
# 1. Pronóstico a 12 meses usando el modelo ARIMA seleccionado
pron_peq <- forecast(mod_peq, h = 12)
# 2. Visualización del pronóstico
autoplot(pron_peq) +
ggtitle("Pronóstico de ventas para negocios pequeños (PYMEs)") +
xlab("Año") +
ylab("Ventas mensuales (USD)") +
theme_minimal()
# ================================
# PRONÓSTICO PARA NEGOCIOS MEDIANOS (PYMEs)
# ================================
library(forecast)
library(ggplot2)
# 1. Pronóstico a 12 meses usando el modelo ARIMA seleccionado
pron_med <- forecast(mod_med, h = 12)
# 2. Visualización del pronóstico
autoplot(pron_med) +
ggtitle("Pronóstico de ventas para negocios medianos (PYMEs)") +
xlab("Año") +
ylab("Ventas mensuales (USD)") +
theme_minimal()
Pronóstico – Negocios pequeños (PYMEs)
El pronóstico para los negocios pequeños indica que las ventas mensuales mantendrán un comportamiento relativamente estable durante los próximos doce meses, con valores proyectados que oscilan entre aproximadamente 350 y 500 millones de dólares. La banda de confianza —representada por las zonas sombreadas— muestra una amplitud moderada, lo cual sugiere que el modelo tiene un nivel razonable de precisión en sus predicciones. A pesar de la volatilidad histórica asociada a eventos como el huracán María y el COVID-19, el modelo proyecta una trayectoria que se mantiene dentro de un rango estable, evidenciando resiliencia y un patrón cíclico que continúa repitiéndose. En conjunto, este pronóstico indica que los pequeños negocios podrían experimentar un periodo de relativa estabilidad en el corto plazo, con fluctuaciones esperadas pero sin señales de deterioro significativo.
Pronóstico – Negocios medianos (PYMEs)
El pronóstico para los negocios medianos sugiere que las ventas permanecerán en niveles moderados durante el próximo año, con valores proyectados cercanos a los 250–350 millones de dólares mensuales. La tendencia estimada muestra un comportamiento ligeramente descendente, lo cual es coherente con la caída observada en la serie histórica durante el periodo posterior a la pandemia. Además, la banda de confianza es más amplia que en el pronóstico de pequeños negocios, indicando mayor incertidumbre en la evolución futura de este segmento. Esto sugiere que los negocios medianos continúan mostrando vulnerabilidad estructural y que su recuperación podría ser más lenta e inestable. En conjunto, el pronóstico refleja que, aunque existe posibilidad de repunte, la tendencia central apunta hacia una estabilización en niveles más bajos que los observados en años previos.
ANALISIS ENFOCADO EN SECTORES DE SUPERMERCADOS Y FARMACIAS PARA LAS EMPRESAS PYMES
Análisis sectorial: impacto del huracán María y la pandemia del COVID-19
Luego de analizar el comportamiento y crecimiento de las pequeñas y medianas empresas (PYMEs) en Puerto Rico de forma agregada, esta sección presenta un análisis sectorial con el propósito de evaluar cómo eventos económicos extraordinarios afectaron sectores específicos del comercio al detalle. En particular, se examinan los sectores de supermercados y droguerías/farmacias, los cuales desempeñan un rol esencial dentro de la economía local y en el bienestar de la población.
El enfoque de este análisis es identificar cómo el huracán María (2017) y la pandemia del COVID-19 (2020) se reflejan en las series de tiempo de ventas mensuales de estos sectores, observando posibles caídas, interrupciones o cambios en la tendencia. Asimismo, se evalúa la capacidad de recuperación posterior a estos eventos, con el fin de contrastar si, a pesar de los choques externos, la actividad comercial logró estabilizarse y mantener un crecimiento a lo largo del periodo 2016–2023. Este análisis complementa el estudio principal de las PYMEs al proveer un contexto sectorial que ayuda a interpretar los efectos de crisis económicas sobre el comercio al detalle en Puerto Rico.
- Crear series de tiempo por sector (Supermercados y Droguerías/Farmacias)
# 1) Crear series de tiempo (mensual, 2016–2023)
ts_super <- ts(data1$Supermercados.y..bebidas.alcoholicas,
start = c(2016, 1),
frequency = 12)
ts_farm <- ts(data1$Farmacias.y.droguerias,
start = c(2016, 1),
frequency = 12)
# 2) Limpiar valores faltantes (si existieran)
ts_super_clean <- na.approx(ts_super)
ts_farm_clean <- na.approx(ts_farm)- Gráfica de comportamiento sectorial con eventos (María y COVID)
sector_df <- data1 %>%
select(Date,
Supermercados.y..bebidas.alcoholicas,
Farmacias.y.droguerias) %>%
pivot_longer(
cols = c(Supermercados.y..bebidas.alcoholicas,
Farmacias.y.droguerias),
names_to = "Sector",
values_to = "Ventas"
)
fecha_maria <- as.Date("2017-09-01") # Huracán María
fecha_covid <- as.Date("2020-03-01") # Inicio COVID-19
ggplot(sector_df, aes(x = Date, y = Ventas, color = Sector)) +
geom_line(linewidth = 0.9) +
geom_vline(xintercept = fecha_maria, linetype = "dashed", color = "black") +
geom_vline(xintercept = fecha_covid, linetype = "dashed", color = "black") +
labs(
title = "Ventas mensuales por sector (2016–2023)",
subtitle = "Impacto del Huracán María (2017) y COVID-19 (2020)",
x = "Año",
y = "Ventas mensuales (USD)",
color = "Sector"
) +
theme_minimal()
FIGURA 2 — Supermercados (individual)
ggplot(data1, aes(x = Date, y = Supermercados.y..bebidas.alcoholicas)) +
geom_line(color = "steelblue", linewidth = 0.9) +
geom_vline(xintercept = fecha_maria, linetype = "dashed") +
geom_vline(xintercept = fecha_covid, linetype = "dashed") +
labs(
title = "Ventas mensuales del sector de supermercados (2016–2023)",
subtitle = "Impacto del Huracán María (2017) y COVID-19 (2020)",
x = "Año",
y = "Ventas mensuales (USD)"
) +
theme_minimal()
Interpretación – Ventas mensuales del sector de supermercados
(2016–2023)
La gráfica muestra que el sector de supermercados en Puerto Rico presenta un comportamiento relativamente estable antes de 2017, con fluctuaciones mensuales moderadas propias del comercio al detalle. Tras el impacto del huracán María en septiembre de 2017, se observa una caída inicial en las ventas, seguida por un periodo de ajuste durante 2018, lo cual refleja las interrupciones en la cadena de suministro, cierres temporeros y cambios en el patrón de consumo provocados por el evento. No obstante, a partir de 2019 el sector comienza a mostrar señales claras de recuperación.
Durante el inicio de la pandemia del COVID-19 en 2020, se identifica un aumento abrupto en las ventas, consistente con el comportamiento de compras de emergencia y acumulación de bienes esenciales por parte de los consumidores. Aunque posteriormente se observa una breve corrección, la tendencia general posterior es marcadamente ascendente, alcanzando niveles de ventas superiores a los observados antes de la pandemia. Este comportamiento evidencia la alta resiliencia del sector de supermercados y su capacidad de adaptación ante choques externos, consolidándose como uno de los sectores más estables y dinámicos del comercio al detalle en Puerto Rico durante el periodo analizado.
FIGURA 3 — Farmacias y droguerías (individual)
ggplot(data1, aes(x = Date, y = Farmacias.y.droguerias)) +
geom_line(color = "firebrick", linewidth = 0.9) +
geom_vline(xintercept = fecha_maria, linetype = "dashed") +
geom_vline(xintercept = fecha_covid, linetype = "dashed") +
labs(
title = "Ventas mensuales del sector de farmacias y droguerías (2016–2023)",
subtitle = "Impacto del Huracán María (2017) y COVID-19 (2020)",
x = "Año",
y = "Ventas mensuales (USD)"
) +
theme_minimal()
Interpretación – Ventas mensuales del sector de farmacias y droguerías (2016–2023)
La gráfica evidencia que el sector de farmacias y droguerías en Puerto Rico mantiene una tendencia de crecimiento sostenido a lo largo del periodo 2016–2023, con fluctuaciones mensuales relativamente moderadas. Tras el impacto del huracán María en septiembre de 2017, se observa una disminución marcada en las ventas durante los meses posteriores, reflejando interrupciones operacionales y dificultades de acceso a servicios básicos. Sin embargo, la recuperación del sector fue relativamente rápida, retornando a su tendencia creciente en el transcurso de 2018.
Durante el inicio de la pandemia del COVID-19 en 2020, el sector muestra un aumento significativo en las ventas, consistente con una mayor demanda de medicamentos, productos de higiene y artículos esenciales. A diferencia de otros sectores, no se observa una caída prolongada posterior, sino más bien una estabilización en niveles más altos de ventas. En los años subsiguientes, la tendencia continúa siendo positiva, alcanzando máximos históricos hacia 2023. Este comportamiento resalta la naturaleza esencial del sector de farmacias y droguerías y su alta resiliencia frente a eventos económicos adversos.
Conclusión
El análisis de series de tiempo aplicado a las ventas al detalle en Puerto Rico durante el periodo 2016–2023 permitió evaluar el comportamiento y crecimiento de las pequeñas y medianas empresas (PYMEs), así como examinar el impacto de eventos económicos extraordinarios sobre sectores clave del comercio. A través de técnicas estadísticas como descomposición de series, análisis de autocorrelación, pruebas de estacionariedad y modelos ARIMA, se identificaron patrones claros de tendencia, estacionalidad y volatilidad en las ventas mensuales.
Los resultados muestran que los negocios pequeños presentan una alta variabilidad mensual, pero con evidencia de recuperación y crecimiento sostenido en los años posteriores a los eventos adversos, reflejando una notable capacidad de adaptación. En contraste, los negocios medianos exhiben una estructura más estable, aunque con una recuperación más lenta y una tendencia más vulnerable tras el impacto de la pandemia del COVID-19. Los modelos ARIMA confirmaron estas diferencias, destacando patrones estacionales más fuertes en los pequeños negocios y una mayor persistencia de choques en los medianos.
El análisis sectorial complementario reveló que los supermercados y las farmacias y droguerías, al ser sectores esenciales, mostraron una alta resiliencia ante el huracán María y la pandemia. Aunque ambos sectores experimentaron interrupciones temporales, las ventas se recuperaron rápidamente y alcanzaron niveles superiores a los observados antes de estos eventos, evidenciando cambios en los patrones de consumo y una demanda sostenida de bienes esenciales.
En conjunto, los hallazgos sugieren que, a pesar de enfrentar choques económicos significativos, el comercio al detalle en Puerto Rico —particularmente dentro de las PYMEs y sectores esenciales— ha demostrado una capacidad considerable de recuperación y adaptación. Este estudio resalta la importancia de utilizar herramientas de análisis de series de tiempo para comprender el comportamiento económico a largo plazo y provee evidencia empírica que puede ser útil para el diseño de políticas públicas y estrategias empresariales orientadas al fortalecimiento del sector comercial.