Los datos presentados a continuación fueron utilizados para un proyecto PICT del cual participo junto a otros colegas. Este proyecto busca entender como las políticas industriales desplegadas a principios de los 2000 por Malasia, Indonesia, Tailandia y Argentina produjeron resultados productivos y comerciales diferentes. Se aprovechó los conocimientos trabajados en las dos primeras unidades para profesionalizar la descarga, manipulación y visualización de los datos comerciales (entro otros) y los resultados se presentan a continuación. En la primera parte se introducen la secuencia de pasos para construir las bases y gráficos del presente trabajo integrador. En la segunda parte se presentan algunos resultados alcanzados. Por último, se esbozan algunas conclusiones preliminares.
library(data.table)
library(readxl)
library(tidyverse)
library(ggraph)
library(stringr)
library(rjson)
library(openxlsx)
library(ggthemes)
library(knitr)
library(rjson)
library(plotly)
options(scipen = 99)
rm(list=ls())get.Comtrade <- function(url="http://comtrade.un.org/api/get?"
,maxrec=50000
,type="C"
,freq="A"
,px="HS"
,ps="now"
,r
,p
,rg="all"
,cc="TOTAL"
,fmt="json"
)
{
string<- paste(url
,"max=",maxrec,"&" #maximum no. of records returned
,"type=",type,"&" #type of trade (c=commodities)
,"freq=",freq,"&" #frequency
,"px=",px,"&" #classification
,"ps=",ps,"&" #time period
,"r=",r,"&" #reporting area
,"p=",p,"&" #partner country
,"rg=",rg,"&" #trade flow
,"cc=",cc,"&" #classification code
,"fmt=",fmt #Format
,sep = ""
)
if(fmt == "csv") {
raw.data<- read.csv(string,header=TRUE)
return(list(validation=NULL, data=raw.data))
} else {
if(fmt == "json" ) {
raw.data<- fromJSON(file=string)
data<- raw.data$dataset
validation<- unlist(raw.data$validation, recursive=TRUE)
ndata<- NULL
if(length(data)> 0) {
var.names<- names(data[[1]])
data<- as.data.frame(t( sapply(data,rbind)))
ndata<- NULL
for(i in 1:ncol(data)){
data[sapply(data[,i],is.null),i]<- NA
ndata<- cbind(ndata, unlist(data[,i]))
}
ndata<- as.data.frame(ndata)
colnames(ndata)<- var.names
}
return(list(validation=validation,data =ndata))
}
}
}string <- "http://comtrade.un.org/data/cache/partnerAreas.json"
reporters <- fromJSON(file=string)
reporters <- as.data.frame(t(sapply(reporters$results,rbind)))
fwrite(reporters,file = "Paises" )
reportes2<- read.xlsx("pais_regiones.xlsx")
reportes2 <- reportes2 %>% select( Codigo, Region)T2019 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2019", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2019 <-T2019[["data"]]
T2018 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2018", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2018 <-T2018[["data"]]
T2017 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2017", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2017 <-T2017 [["data"]]
T2016 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2016", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2016 <-T2016 [["data"]]
T2015 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2015", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2015 <-T2015[["data"]]
T2014 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2014", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2014 <-T2014[["data"]]
T2013 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2013", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2013 <-T2013[["data"]]
T2012 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2012", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2012 <-T2012[["data"]]
T2011_2010 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2011,2010", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2011_2010 <-T2011_2010[["data"]]
T2009_2008 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2009,2008", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2009_2008 <-T2009_2008[["data"]]
T2007_2006 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2007,2006", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2007_2006 <-T2007_2006[["data"]]
T2005_2004 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2005,2004", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2005_2004 <-T2005_2004[["data"]]
T2003_2002 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2003,2002", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2003_2002 <-T2003_2002[["data"]]
T2001_2000 <- get.Comtrade(r="764,32,458,360", p="all", ps = "2001,2000", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T2001_2000 <-T2001_2000[["data"]]
T1999_1997 <- get.Comtrade(r="764,32,458,360", p="all", ps = "1999,1998,1997", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T1999_1997 <-T1999_1997[["data"]]
T1996_1994 <- get.Comtrade(r="764,32,458,360", p="all", ps = "1996,1995, 1994", c= "8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T1996_1994 <-T1996_1994[["data"]]
T1993_1990 <- get.Comtrade(r="764,32,458,360", p="all", ps = "1993,1992,1991,1990", c="8704,8702,8703,8706,8707,8708",rg= "1,2", fmt ="csv")
T1993_1990 <-T1993_1990[["data"]]
Final = rbind(T1993_1990,T1996_1994,T1999_1997,T2001_2000, T2003_2002, T2005_2004,T2007_2006, T2009_2008,T2011_2010, T2012, T2013, T2014, T2015, T2016, T2017,T2019, T2018)
Final <- select (Final, Year,Trade.Flow.Code,Trade.Flow,Reporter.Code,Reporter,Partner.Code,Partner,Commodity.Code,Commodity,Qty.Unit,Qty,Trade.Value..US..)Tabla <-Final %>%
filter(Partner == "World")%>%
mutate (Producto = case_when(Commodity.Code == "8703" ~ "Familiar",
Commodity.Code == "8702" ~ "Transporte",
Commodity.Code == "8704" ~ "Transporte",
Commodity.Code == "8708" ~ "Autopartes",
Commodity.Code == "8706" ~ "Autopartes",
Commodity.Code == "8707" ~ "Autopartes",
TRUE ~ "Otro" )) %>%
mutate(Reporter = case_when(Reporter == "Argentina" ~ "Argentina",
Reporter == "Thailand" ~ "Tailandia",
Reporter == "Malaysia" ~ "Malasia",
Reporter == "Indonesia" ~ "Indonesia")) %>%
mutate( Trade.Flow = case_when (Trade.Flow == "Export" ~ "Exportación",
Trade.Flow == "Import" ~"Importación" )) %>%
select(Year,Trade.Flow,Reporter,Producto, Trade.Value..US.. ) %>%
group_by (Year,Trade.Flow,Reporter,Producto ) %>%
summarize (Valor =sum(Trade.Value..US..))
Grafrico1 <- ggplot(Tabla, aes(x = Year, y = Valor/1000000, color = Trade.Flow, group = Trade.Flow, text = paste(
"Año:", Year, "\n",
"Millones de U$d: ", Valor/1000000, "\n",
"Tipo de comercio: ", Trade.Flow, "\n"))) +
geom_line(size= 1.2, alpha = 1)+
scale_color_manual(values=c('#5A4E4D','#E69F00'))+
facet_grid( Producto ~ Reporter)+
labs(title ="Gráfico 1: Importaciones y exportaciones en millones de usd", x =" ", y= " ")+
theme_few()+
theme(axis.text.x = element_text(angle = 90, vjust = 0.2 , hjust = 0.2, size = 10), axis.text.y = element_text(size = 10,angle = 0), legend.position = "bottom", legend.title = element_blank(), legend.text = element_text( size = 12), strip.text = element_text(size =12), title = element_text(size = 14))Destinos <- Final %>%
filter( Trade.Flow == "Export",
Partner.Code != "0") %>%
mutate ( Producto = case_when(
Commodity.Code == "8703" ~ "Familiar",
Commodity.Code == "8702" ~ "Transporte",
Commodity.Code == "8704" ~ "Transporte",
Commodity.Code == "8708" ~ "Autopartes",
Commodity.Code == "8706" ~ "Autopartes",
Commodity.Code == "8707" ~ "Autopartes",
TRUE ~ "Otro" )) %>%
mutate(Reporter = case_when(Reporter == "Argentina" ~ "Argentina",
Reporter == "Thailand" ~ "Tailandia",
Reporter == "Malaysia" ~ "Malasia",
Reporter == "Indonesia" ~ "Indonesia")) %>%
mutate( Trade.Flow = case_when (Trade.Flow == "Export" ~ "Exportación",
Trade.Flow == "Import" ~"Importación" )) %>%
select(Year,Trade.Flow, Reporter,Partner.Code ,Partner, Producto, Trade.Value..US..)%>%
setnames("Partner.Code", "Codigo")
Destinos <- left_join(Destinos,reportes2, by = "Codigo" )
Destinos <- Destinos %>%
group_by(Region, Reporter, Year,Trade.Flow, Producto) %>%
summarize (Valor = sum(Trade.Value..US..))
g_destinos <- ggplot(data = Destinos, aes(x = Year, y = Valor, fill = Region, text = paste(
"Año: ", Year, "\n",
"U$d: ",Valor, "\n",
"Región: ", Region, "\n")))+
geom_bar(position="fill", stat='identity', width=0.8)+
scale_fill_manual(values=c("#6ec6ca", #1 Ulala esta paleta!
"#217CA3", #2
'#5A4E4D', #3
'#E69F00', #4
"#D46c4e", #5
"#f9ad6a", #6
"#DDD8c4", #7
"#a3c9a8", #8
"#69a297", #9
"#50808e" #10
))+
facet_grid( Producto ~ Reporter)+
labs(title ="Gráfico 3: Exportaciones segun destino en % ", x =" ", y= " ")+
theme_few() +
scale_y_continuous(labels=scales::percent)+
guides(fill=guide_legend(nrow=2,byrow=TRUE))+
theme(axis.text.x = element_text(angle = 45, vjust = 0.2 , hjust = 0.8, size = 10), axis.text.y = element_text(size = 10,angle = 0), legend.position = "bottom", legend.title = element_blank(), legend.text = element_text( size = 10), strip.text = element_text(size =12), title = element_text(size = 14))Origenes <- Final %>%
filter( Trade.Flow == "Import",
Partner.Code != "0") %>%
mutate ( Producto = case_when(
Commodity.Code == "8703" ~ "Familiar",
Commodity.Code == "8702" ~ "Transporte",
Commodity.Code == "8704" ~ "Transporte",
Commodity.Code == "8708" ~ "Autopartes",
Commodity.Code == "8706" ~ "Autopartes",
Commodity.Code == "8707" ~ "Autopartes",
TRUE ~ "Otro" )) %>%
mutate(Reporter = case_when(Reporter == "Argentina" ~ "Argentina",
Reporter == "Thailand" ~ "Tailandia",
Reporter == "Malaysia" ~ "Malasia",
Reporter == "Indonesia" ~ "Indonesia")) %>%
mutate( Trade.Flow = case_when (Trade.Flow == "Export" ~ "Exportación",
Trade.Flow == "Import" ~"Importación" )) %>%
select(Year,Trade.Flow, Reporter,Partner.Code ,Partner, Producto, Trade.Value..US..)%>%
setnames("Partner.Code", "Codigo")
Origenes <- left_join(Origenes,reportes2, by = "Codigo" )
Origenes <- Origenes %>%
group_by(Region, Reporter, Year,Trade.Flow, Producto) %>%
summarize (Valor = sum(Trade.Value..US..))
g_origen <- ggplot(data = Origenes, aes(x = Year, y = Valor, fill = Region, text = paste(
"Año: ", Year, "\n",
"U$d: ",Valor, "\n",
"Región: ", Region, "\n")))+
geom_bar(position="fill", stat='identity', width=0.8)+
scale_fill_manual(values=c("#6ec6ca", #1
"#217CA3", #2
'#5A4E4D', #3
'#E69F00', #4
"#D46c4e", #5
"#f9ad6a", #6
"#DDD8c4", #7
"#a3c9a8", #8
"#69a297", #9
"#50808e" #10
))+
facet_grid( Producto ~ Reporter)+
labs(title = "Gráfico 2 Importaciones segun origen en %", x =" ", y= " ")+
theme_few() +
scale_y_continuous(labels=scales::percent)+
guides(fill=guide_legend(nrow=2,byrow=TRUE))+
theme(axis.text.x = element_text(angle = 45, vjust = 0.2 , hjust = 0.8, size = 10), axis.text.y = element_text(size = 10,angle = 0), legend.position = "bottom", legend.title = element_blank(), legend.text = element_text( size = 10), strip.text = element_text(size =12), title = element_text(size = 14))Pese a su larga historia en Argentina, el sector automotor sigue presentando desafíos de enormes proporciones para la economía nacional. Los motivos son múltiples, pero la bibliografía especializada (Panigo et al., 2017; Pinazo, 2015) coincide en destacar que la importante demanda de divisas que trae aparejada su estrategia productiva agrava los problemas en la balanza de pagos y por tanto aquejan la estabilidad y el desarrollo económico en el mediano y largo plazo.
En este marco, puede ser interesante preguntarse qué ha ocurrido con el sector automotriz-autopartista en otros países en desarrollo que, de acuerdo con ciertos criterios básicos, resulten comparables a la experiencia Argentina. ¿Ha sido ésta una experiencia común a otros países en desarrollo donde la producción automotriz se encontraba poco desarrollada antes de consolidarse las CGV en el sector?
El conjunto de países que conforman la ASEAN puede constituir una referencia relevante en este sentido (Baruj et al., 2017). Estos países mostraban diversas similitudes con el caso Argentino hacia comienzos de los años 2000 (Doner & Wad, 2014; Natsuda & Thoburn, 2013; Schröder, 2018, 2020): (i) todos habían atravesado un proceso de expansión automotriz en el marco de estrategias de industrialización sustitutiva ; (ii) mantenían volúmenes de producción similares, (iii) experimentaban problemas de balanza comercial en autopartes, vehículos o ambos; (iv) iniciaron un proceso de integración regional desde los años ´90 y, (v) en general, se encontraban dominados por un puñado de grandes firmas extranjeras (Baruj et al, 2017). Con todo, como veremos, varios de estos países experimentaron trayectorias notablemente diferentes, tanto entre sí como en comparación con Argentina
Con este objetivo se trabajó sobre la base de comercio internacional de COMTRADE para presentar estas diferencias en los desempeños del comercio exterior automotor.
ggplotly(Grafrico1,tooltip = "text") %>% layout(legend = list(orientation = "h",xanchor = "center",x = 0.50, y = -0.15))En el Gráfico 1 se muestra que, a pesar de partir de niveles similares, Tailandia desde el año 2000 comienza un acelerado proceso de aumento de exportaciones que lo diferencia del resto de los países elegidos. Esto se traduce en un importante éxito comercial que lo lleva a tener superávit para los tres tipos de bienes aquí analizados. En el año 2019 Tailandia exportó 9.4 mil millones de dólares de vehículos familiares y 6.8 mil millones de dólares en vehículos de transporte, muy por debajo de las importaciones de ambos bienes que se estuvieron estables durante más de casi 30 años. Por otro lado, el comercio de autopartes se mantuvo positivo en menores niveles como resultado del sostenido y equivalente crecimiento de importaciones y exportaciones.
En Indonesia, el crecimiento de la producción de vehículos familiares ha permitido generar un superávit en ese segmento a partir del año 2014 (2.6 mil millones de U dólares d en exportaciones), y ha sido este el principal motivo de alivio del déficit del complejo total. Malasia muestra el peor desempeño en términos comerciales, con un relativo estancamiento en las exportaciones y un crecimiento más acelerado de las importaciones en todos los segmentos.
Por último, en el gráfico 1 puede verse que Argentina tuvo un gran déficit en autopartes como en vehículos familiares. En el caso de los partes y repuestos son deficitarias para toda la serie, pero el registro negativo de los vehículos familiares se agravó desde 2011 como consecuencia de un derrumbe sostenido de las exportaciones que pasaron de 4.7 miles de millones en dicho año a solamente 0.6 mil millones en el año 2019. Es de destacar que, en términos comparativos, las importaciones de vehículos familiares es la más alta de los cuatro países aquí analizados. Estos magros resultados fueron compensado en parte por el comercio de vehículos de transporte, dónde las exportaciones se mantuvieron en promedio en torno a los U$S 3000 millones incluso luego de 2011.
ggplotly (g_origen, tooltip = "text") %>% layout(legend = list(orientation = "h", x = -0.05, y = -0.2))En base al gráfico 2 podemos analizar el origen de las importaciones antes descritas. Para el segmento autopartes los países de ASEAN sobresale el noreste asiático, en particular Japón, como el origen mayoritario de las importaciones. Mientras que en Argentina, el principal origen de este tipo de bienes es el Mercosur, en particular Brasil. De esta manera se evidencia que, para el caso del país sur americano, a pesar de ser una cadena conducida por empresas multinacionales de origen extra regional, los procesos de productivos anclados en el just in time obliga a las terminales automotrices a buscar proveedores cercanos. En el caso de los países del sudeste asiático, la cercanía geográfica de Japón y Corea del Norte permite organizar el abastecimiento de partes desde las casas matrices de empresas en el norte de Asia como Toyota, Mitsubishi o Daeowoo. Aun así, el comercio intrazona es importante siendo ocupado el segundo lugar en los tres países.
Las importaciones de vehículos familiares y de transporte tiene casi exclusivamente al Mercosur como origen para el caso de Argentina. Mientras que para los otros países los orígenes están más dispersos. Indonesia desde el 2003 tiene como principal proveedor de autos familiares a otros países de ASEAN, pero progresivamente los países del Asia del Norte fueron aumentando su participación hasta superarlos en el año 2017 cuando se importaron casi 500 millones de dólares en este tipo bien desde esta región. Similar proceso se puede observar para los vehículos de transporte. Malasia se divide su mercado de autos familiares entre las importaciones de Asia del Norte y de Europa 18. Desde el inicio del siglo XXI predominó como origen de las importaciones los países orientales, pero desde 2011 los vehículos occidentales ganaron participación llegando incluso a desplazarlos entre 2015 y 2017. Para el caso de los vehículos de transporte el proceso las importaciones se repartieron en términos idénticos entre los países de Asia del Norte y de ASEAN en torno a los 480 millones de dólares para cada región. Por último, las importaciones Tailandia siguen el mismo patrón en orígenes y cantidades que Malasia a pesar de las diferencias que describiremos a continuación en las exportaciones.
ggplotly (g_destinos,tooltip = "text")%>% layout(legend = list(orientation = "h", x = -0.05, y = -0.2))Al igual que las importaciones cuando se analizan las exportaciones sectoriales de _Argentina_ se puede ver que están concertadas en el Mercosur para los tres tipos de bienes. Ahora bien, desde el año 2000 las autopartes tienen un mercado cautivo en la Unión Europea en torno a los 100 millones de dólares. Algo similar parecía ocurrir con el mercado de América del Norte (NAFTA) pero progresivamente cayó como destinos de las exportaciones tanto en términos relativos como totales (de 140 millones de dólares en 2003 a 20 millones en 2018). Par el caso de vehículos de transporte, principal exportación de la industria automotriz argentina primigeniamente parece detectarse desde 2017 un proceso por el cual las exportaciones extra regionales ganan peso hasta llegar a casi al 32% en promedio de los últimos tres años de la serie.Para Tailandia se advierte una mucho menor dependencia de su respecto de su mercado regional en ASEAN en comparación con el resto de los países. Esto ocurre para los tres segmentos del complejo y, en particular para los segmentos de vehículos terminados se advierte un peso considerable de Oceanía como destino de las ventas externas. Para el resto de los países de ASEAN, la preminencia de la región es muy marcada. En particular, para Malasia se observa la reorientación del destino de las exportaciones que ocurrió a lo largo del período, dónde Europa Occidental fue perdiendo peso gradualmente a manos de los países de la ASEAN como destino privilegiado.
En este breve informe se analizaron las implicancias que tienen los destinos y los orígenes del comercio exterior para los países seleccionados. Queda claro que por cuestiones de espacio no se analizaron otras variables que pueden estar afectando las disimiles trayectorias comerciales de Tailandia, Malasia, Indonesia y Argentina tales como: las políticas industriales, los salarios, estabilidad macroeconómica, el entramado local de proveedores, los saldos comerciales por fuera del sector, las estrategias de las empresas multinacionales o las dotaciones de recursos con que cada país cuenta. Ahora bien, a modo de conclusión se pretende sostener que esta variación acontecida a partir del 2001 es explicada parcialmente por la dependencia que tiene Argentina de su principal socio comercial, Brasil.
Como se mencionó, el déficit sectorial de Argentina es explicados por un lado por la compra exterior de automóviles familiares y autopartes y por otro lado por lo alicaídas de las exportaciones de todos los productos. Con relación al segundo las autopartes parece no existir demasiado diferencia con el resto de los países en términos de magnitudes, las estrategias productivas globalizadas del sector requieren de manera creciente una mayor cantidad de piezas y partes desde el exterior para producir automóviles en determinado país. Incluso par el caso de Tailandia, quien mantiene los mejores saldos comerciales de la muestra seleccionada, las exportaciones de este bien son concomitante con la importación de este y por tanto no arroja grandes resultados netos. Ahora bien, las importaciones de automóviles de Argentina se encuentran muy arriba de los países de ASEAN. Esto puede estar explicado por que el país americano tiene un pbi per cápita mayor y por tanto un mercado más demandante de una alta variedad de modelos y gamas de este tipo producto que nos son producidos localmente. Pero a su vez, es posible señalar como consecuencia de la crisis en Brasil, las empresas automotrices de este país comenzaron a exportar este tipo de vehículos a precios bajos a un mercado que los demandaba y que no encontró una política comercial que logre regular este proceso, sobre todo a partir del año 2015.
Por el lado de las exportaciones se puede concluir que lo reducido de los destinos de las ventas externas argentinas lo hicieron dependiente, a su vez, de Brasil como único comprador de su producción de vehículos familiares y de transporte. De esta manera la profunda crisis del país vecino, a partir de 2014, generó que los esfuerzos productivos realizados desde la llegada del año 2000 fueran destruidos como consecuencia de esta alta dependencia del mercado regional y por tanto contribuyese a agravar el déficit comercial del mercado automotor.
Para finalizar, la diversificación de las exportaciones de vehículos de transporte o pick ups parece mostrar signos de una industria nacional que se está especializando, aumentando escalas, bajando costos y logrando conquistar otros mercados por fuera del Mercosur.