MIME-Version: 1.0 Content-Type: multipart/related; boundary="----=_NextPart_01D49D42.7280C0F0" Este documento es una página web de un solo archivo, también conocido como "archivo de almacenamiento web". Si está viendo este mensaje, su explorador o editor no admite archivos de almacenamiento web. Descargue un explorador que admita este tipo de archivos. ------=_NextPart_01D49D42.7280C0F0 Content-Location: file:///C:/495ACDF1/Publicacion_Estadistica_Art2.1.htm Content-Transfer-Encoding: quoted-printable Content-Type: text/html; charset="windows-1252"
Cluster
analysis of the network of international trade between 1992 and 2015.
Víctor
Roberto Morales-Ońate.[1] & Bolívar Efraín Morales-Ońate. [2].
Cluster
analysis is a tool used in various fields of research that allow structural
evidence in the configuration of groups. International trade networks, on t=
he
other hand, can be analyzed in terms of graph theory. This article combines
both perspectives in such a way that the links of a trade network can be
analyzed. Powerful results have been obtained for the analysis of internati=
onal
trade that account for the centrality of countries through their links and =
not
their nodes only.
Keywords: International trade network, clustering, central=
ity
measures.
El análisis clúster es una
herramienta usada en diversos campos de la investigación que permite eviden=
cia
estructuras en la configuración de grupos. Las redes de comercio internacio=
nal,
por su parte, puede ser analizadas en términos de la teoría de grafos. Este
trabajo combina ambas perspectivas de tal modo que se pueda analizar los
enlaces de una red de comercio. Se han obtenido resultados potentes para el
análisis del comercio internacional que dan cuenta de la centralidad de los
países a través de sus enlaces y no únicamente sus nodos.
Palabras Claves=
:<=
span
style=3D'mso-bookmark:_Toc440896901'> red de comercio internacional,
clustering, medidas de centralidad.
Introducción.
El comercio internacional puede ser analizado desde
varias perspectivas, que varían desde un enfoque de leyes y tratados que no=
rman
las relaciones bilaterales y multilaterales
Este análisis de redes puede ser orientado, al men=
os,
de tres diferentes formas: caracterización, modelización e inferencia y
procesos de redes. Asimismo, la caracterización también es abordable desde
varios enfoques. Por ejemplo, a través de la caracterización de nodos y enl=
aces
(links por sus siglas en inglés), subgrafos o particiones de la red =
Tradicionalmente, la descricpión de la red se real=
iza
mediante indicadores descriptivos de centralidad. Las medidas de centralidad
tradicionales son closenness y =
betweenness, mientras que medidas =
más
actuales incluyen a la centralidad basada en la elasticidad país-país
Todas las medidas de centralidad mencionadas
anteriormente plantean una versión que puede ser utilizada en grafos podera=
dos
y dirigidos. Es justamente en el uso de las ponderaciones de los enlaces en=
que
se se trata de dar cuenta de la intensidad de la relación entre los nodos. =
Sin
embargo, hay pocos estudios que caracterizan los enlaces enlaces de un grad=
o e
una red de comercio, la literatura se ha priorizado el rol de los nodos y n=
o de
sus links
En términos de teoría de redes, la red de comercio
internacional es una red ponderada y dirigida. La medida de elasticidad
país-país toma en cuenta estas caracteríasitcas de la red y uno de sus
principales resultados intermedios es la generación de una matriz de
elasticidades (que puede ser vista como una matriz de enlaces). A partir de
este resultado se recupera una medida de centralidad de los nodos como se ha
indicado anteriormente. No obstante, el presente trabajo dirige su atención=
al
análisis de la matriz de enlaces en si misma. Mediante el uso de técnicas de
clustering, se ha encontrado configuraciones de grupos de enlaces que permi=
ten
una caracterización de la red priorizando los enlaces y no los nodos. Para =
este
propósito ha sido necesario pasar por un importante anális descriptivo (EDA=
) de
los datos con el propósito de tener una intuición profunda del conjunto y
establecer, entre otras cosas, los ańos representativos mediante el uso de
pruebas no paramétricas como Kruskal-Wallis y la aplicación del método clús=
ter
herárquico para el análisis final de la red
1=
. Materiales y Métodos.
Las técnicas de clasificación se dividen en
particional y jerárquica. En la primera es necesario establecer de antemano=
el
número de grupos que se desea obtener. La agrupación jerárquica, por su par=
te,
agrupa los datos con una secuencia de particiones anidadas, desde grupos ún=
icos
hasta un grupo que incluye a todos los individuos o viceversa. Los algoritm=
os
jerárquicos aglomerativos comienzan considerando
Figura 1 hace referencia a las más usadas: vecino más próx=
imo,
promedio y vecino más lejano. Sin embargo, la función de enlace de Ward es
mejor que los enfoques tradicionales para el caso en el que se realiza la
aplicación de este trabajo.
Figura 1
Siguiendo a
Figura 2
Claramente, la función de distancia es crucial par=
a la
unión de dos grupos. Existen varias definiciones de distancias para realizar
dicha unión. Entre las más utilizadas tenemos
Nuestro análisis parte de los resultados obtenidos=
en
Figura 3
La primera pregunta que exploramos en esta sección=
es
la estructura de la elasticidad calculada para cada par de países en el per=
íodo
de estudio. Se desea establecer si ha existido cambios significativos en di=
cha
estructura. El rango de la elasticidad se encuentra en el intervalo de
Figura 4).
Figura 4
Contrariamente al comportamiento de la variable en
niveles, la
Figura 4 mejora la visualización de mediante la transforma=
ción
logarítmica de la elasticidad. También sugiere que no se debe asumir una
distribución normal si se desea analizar los datos desde un punto de vista
paramétrico. Además se aprecia que la media de la distribución crece, siend=
o =
Tabla 1<=
/span>.Prueba de Kruskal-Wallis para el logaritmo de la
elasticidad en el período 1992-2015. Fuente y elaboración: autores.
Ańo (i) |
Ańo (j) |
p-valor |
1993 |
1994 |
0.17 |
1997 |
1998 |
0.44 |
1997 |
1999 |
0.97 |
1998 |
1999 |
0.46 |
2000 |
2001 |
0.84 |
2000 |
2002 |
0.12 |
2000 |
2003 |
0.84 |
2001 |
2002 |
0.08 |
2001 |
2003 |
0.67 |
2002 |
2003 |
0.17 |
2004 |
2009 |
0.06 |
2005 |
2009 |
0.47 |
2005 |
2010 |
0.08 |
2005 |
2015 |
0.14 |
2006 |
2007 |
0.14 |
2006 |
2010 |
0.59 |
2006 |
2015 |
0.41 |
2008 |
2011 |
0.39 |
2008 |
2012 |
0.39 |
2008 |
2013 |
0.19 |
2010 |
2015 |
0.79 |
2011 |
2012 |
0.09 |
2012 |
2013 |
0.65 |
2012 |
2014 |
0.25 |
2013 |
2014 |
0.48 |
Con el objetivo de responder más apropiadamente a =
las
anotaciones precedentes se han realizado pruebas de Kruskal-Wallis (KW), pa=
ra
todo el período, indicando que si se rechaza la hipótesis nula se trataría =
de
poblaciones diferentes y la variable analizada cambia durante el período
analizado. Bajo este razonamiento, la tabla 1 presenta los
Se ha establecido que la elasticidad analizada es =
una
variable asimétrica y que es apropiada una transformación logarítmica para
acceder a su mejor entendimiento. Los valores mínimo, media, mediana y máxi=
mo
de la elasticidad transformada para todo el periodo son: <=
![if !msEquation]>
Figura 4, muestran que la transformación puede considerarse
como aproximadamente simétrica. No obstante, el rango de sus valores sigue
siendo cercano. Por lo tanto, al explorar la elasticidad en el marco de
algoritmos de clasificación, el indicador within será quien guíe la decisión
del mejor algoritmo a usarse.
Recordemos que la centralidad en
Tabla =
span>2
<=
span
lang=3DES-CL style=3D'font-size:10.0pt;line-height:115%;font-family:"Time=
s New Roman",serif;
mso-ansi-language:ES-CL'>Ańos |
<=
span
lang=3DES-CL style=3D'font-size:10.0pt;line-height:115%;font-family:"Time=
s New Roman",serif;
mso-ansi-language:ES-CL'>Algortimo |
<=
span
lang=3DES-CL style=3D'font-size:10.0pt;line-height:115%;font-family:"Time=
s New Roman",serif;
mso-ansi-language:ES-CL'>Within |
<=
span
lang=3DES-CL style=3D'font-size:10.0pt;line-height:115%;font-family:"Time=
s New Roman",serif;
mso-ansi-language:ES-CL'>Between |
1993 |
Single |
0.626 |
9.151 |
Complete |
0.48 |
8.163 |
|
Average |
0.505 |
8.442 |
|
Ward |
0.088 |
1.506 |
|
2001 |
Single |
0.624 |
11.644 |
Complete |
0.541 |
8.792 |
|
Average |
0.589 |
11.093 |
|
Ward |
0.105 |
1.352 |
|
2015 |
Single |
0.772 |
10.453 |
Complete |
0.573 |
8.307 |
|
Average |
0.582 |
8.393 |
|
Ward |
0.12 |
1.355 |
La Tabla
2 muestra los estadísticos de clasificación within y
between que usan una métrica de distancia dentro de los grupos y entre grup=
os
respectivamente. Se puede apreciar que el algoritmo de Ward es el que prese=
nta
mayor cercanía dentro de los clusters, lo cual es deseable en nuestro caso
debido al bajo rango de las variables de entrada. Por lo tanto, para la
caracterización de los links se hace uso del algoritmo de Ward, con esta
elección de algoritmo analizamos tres ańos de referencia (1993, 2001 y 2015)
desde un enfoque temporal de la clasificación jerárquica donde se realiza u=
na
evaluación más exhaustiva.
2.
Resultados.
Como se ha mencionado, existen propuestas de
clasificación que tienen por objeto darle más énfasis a heterogeneidad entre
grupos, por lo que el indicador between es el que guía la clasificación
Figura 5
La
Tabla =
span>3
<=
span
lang=3DES-CL style=3D'font-size:10.0pt;line-height:115%;font-family:"Time=
s New Roman",serif;
mso-ansi-language:ES-CL'>Ańo |
<=
span
lang=3DES-CL style=3D'font-size:10.0pt;line-height:115%;font-family:"Time=
s New Roman",serif;
mso-ansi-language:ES-CL'>Grupo 1 |
<=
span
lang=3DES-CL style=3D'font-size:10.0pt;line-height:115%;font-family:"Time=
s New Roman",serif;
mso-ansi-language:ES-CL'>Grupo 2 |
<=
span
lang=3DES-CL style=3D'font-size:10.0pt;line-height:115%;font-family:"Time=
s New Roman",serif;
mso-ansi-language:ES-CL'>Grupo 3 |
<=
span
lang=3DES-CL style=3D'font-size:10.0pt;line-height:115%;font-family:"Time=
s New Roman",serif;
mso-ansi-language:ES-CL'>Grupo 4 |
<=
span
lang=3DES-CL style=3D'font-size:10.0pt;line-height:115%;font-family:"Time=
s New Roman",serif;
mso-ansi-language:ES-CL'>Grupo 5 |
1993 |
−0.169 |
0.202 |
2.779 |
−0.167 |
−0.167 |
2001 |
−0.182 |
0.29 |
2.974 |
−0.179 |
−0.182 |
2015 |
−0.198 |
0.328 |
1.455 |
−0.190 |
−0.191 |
Figura 6
Con esta información, la jerarquía de los grupos en
orden descendiente es: 3, 2, 4, 5 y 1. Para caracterizar los grupos, la Tabla
4 muestra la frecuencia con la que se repite los ci=
nco
primeros país de origen y destino en los grupos 1, 3 y 5. El grupo 3, que e=
s el
de mayor importancia, parte en 1993 con Japón, Estados Unidos, Gran Bretańa=
y
Francia como los países de mayor frecuencia. Luego en 2001, aparecen en el =
top
5 China y Espańa, desplazando a Francia y Gran Bretańa. Después, en 2015 se
quedan Estados Unidos y China como los únicos países que aparecen como país=
es
de destino en este grupo. El grupo 5, que es el penúltimo en importancia, p=
arte
en 1993 con Japón y Estados Unidos como los únicos países que aparecen como
origen. En 2001 tan solo se queda Estados Unidos en esa condición. Luego, en
ańo 2015, China pasa a acompańar a Estados Unidos en este grupo.
Tabla =
span>4
1993 |
G1 |
Destino=
|
País |
BLR |
DOM |
HTI |
KAZ |
KGZ |
|
|
|
Frecuen=
cia |
120 |
120 |
120 |
120 |
120 |
|
|
Origen =
|
País |
POL |
FIN |
IDN |
ARG |
AUT |
|
|
|
Frecuen=
cia |
119 |
116 |
116 |
115 |
114 |
|
G3 |
Destino=
|
País |
SGP |
MYS |
NGA |
SUR |
BEL |
|
|
|
Frecuen=
cia |
12 |
9 |
8 |
8 |
7 |
|
|
Origen =
|
País |
JPN |
USA |
GBR |
DEU |
FRA |
|
|
|
Frecuen=
cia |
133 |
133 |
26 |
23 |
23 |
|
G5 |
Destino=
|
País |
JPN |
USA |
|
|
|
|
|
|
Frecuen=
cia |
132 |
132 |
|
|
|
|
|
Origen =
|
País |
ALB |
ARG |
ARM |
ATG |
AUS |
|
|
|
Frecuen=
cia |
2 |
2 |
2 |
2 |
2 |
2001 |
G1 |
Destino=
|
País |
BTN |
HTI |
KNA |
NPL |
PLW |
|
|
|
Frecuen=
cia |
120 |
120 |
120 |
120 |
120 |
|
|
Origen =
|
País |
ALB |
ARM |
ATG |
AZE |
BDI |
|
|
|
Frecuen=
cia |
118 |
118 |
118 |
118 |
118 |
|
G3 |
Destino=
|
País |
GNQ |
ATG |
BLR |
BRN |
HUN |
|
|
|
Frecuen=
cia |
3 |
2 |
2 |
2 |
2 |
|
|
Origen =
|
País |
USA |
DEU |
JPN |
CHN |
ESP |
|
|
|
Frecuen=
cia |
133 |
2 |
2 |
1 |
1 |
|
G5 |
Destino=
|
País |
USA |
|
|
|
|
|
|
|
Frecuen=
cia |
133 |
|
|
|
|
|
|
Origen =
|
País |
ALB |
ARG |
ARM |
ATG |
AUS |
|
|
|
Frecuen=
cia |
1 |
1 |
1 |
1 |
1 |
2015 |
G1 |
Destino=
|
País |
BDI |
BGD |
BTN |
GMB |
GRD |
|
|
|
Frecuen=
cia |
118 |
118 |
118 |
118 |
118 |
|
|
Origen =
|
País |
ALB |
ATG |
AZE |
BDI |
BHS |
|
|
|
Frecuen=
cia |
118 |
118 |
118 |
118 |
118 |
|
G3 |
Destino=
|
País |
ALB |
ARG |
ARM |
ATG |
AUS |
|
|
|
Frecuen=
cia |
2 |
2 |
2 |
2 |
2 |
|
|
Origen =
|
País |
USA |
CHN |
|
|
|
|
|
|
Frecuen=
cia |
129 |
123 |
|
|
|
|
G5 |
Destino=
|
País |
CHN |
USA |
|
|
|
|
|
|
Frecuen=
cia |
132 |
132 |
|
|
|
|
|
Origen =
|
País |
ALB |
ARG |
ARM |
ATG |
AUS |
|
|
|
Frecuen=
cia |
2 |
2 |
2 |
2 |
2 |
Habiendo obtenido los conglomerados generados a pa=
rtir
de los enlaces de la red de comercio internacional, es natural analizar esta
configuración en términos de su evolución. La Figura
7 muestra los enlaces de la red dividio en grupos p=
ara
los ańos 1993, 2001 y 2015. Se aprecia que la estructura económica del 2001
difiere considerablemente de los demás ańos. Por ejemplo, el grupo 3 deja de
tener fuerza en Rusia y el grupo 1 toma el liderazgo. Tambíen se aprecia qu=
e el
grupo 2 gana mercado paulatinamente en los ańos analizados.
Figura 7
Otro contraste interesante de los grupos obtenidos=
se
presenta en la Figura
8, esta vez poderando los enlaces en función de sus
valores de elasticidad. Consecuentemente con el análisis anterior, el grupo=
3
nuevamente gana mercado en la evolución. Se aprecia un efecto de incremento=
en
las relaciones comerciales entre América y los demás continentes,
presumiblemente un efecto esperado de la globablización. Asimismo es posible
apreciar un comportamiento similar del grupo 1 entre el 2001 y el 2015. Cabe
notar que el grupo 1 era el más sobresaliente en la Figura
7, sin embargo, al tomar en cuenta la ponderación de
los enlaces, su importancia se ve afectada.
Figura 8
Finalmente, la Figura
9 presenta al grupo 5 aisaldo del resto para poder
apreciar su evolución de forma expedita. Se aprecia como nodos centrales a
Estados Unidos y Japón en el 1993. Luego, en el 2001 Japón pierde relevancia
dentro del grupo pero la recupera, aunque no con la misma intensidad, para =
el
2015. Respecto a 1992, el ańo 2015 muestra relaciones que previamente no se
habían establecido. Por ejemplo, se han generado varios enlaces comerciales=
con
países africanos. Además, es notable la centralidad que ocupa China para el=
2015
luego que Japón ha perdido relevancia en este grupo de enlaces.
Figura 9
3. Discusión.
Una de las innovaciones =
del
presente trabajo es el campo de aplicación de las técnicas clúster.
Precisamente, en el contexto del análisis de la matriz de las elasticidades
país-país y su configuración de grupos legibles en la evolución de la red de
comercio internacional. Por este motivo, esta aplicación puede servir de in=
sumo
para analistas económicos de comercio internacional de modo que puedan dar
evidencia de las estructuras de comercio a las que están ancladas los
diferentes países del mundo. Ubicando las centralidades desde una perspecti=
va
del enlace y no únicamente desde los nodos analizados.
Es claro que las
consideraciones aquí tomadas pueden tener otros abordajes. Por ejemplo, la
configuración de grupos es siempre un debate abierto en la literatura
estadística. Se podría incluir variables nominales u ordinales como la
presencia o no de pactos bilaterales entre países lo cual podría re configu=
rar
los grupos y dar evidencia de nuevas alianzas entre países. También sería
posible variar la técnica de cluster, pasando del enfoque jerárquico aquí
presentado y orientar la investigación a travéz de clasificaciones superviz=
adas
y no supervizadas no jerárquicas. La selección de los ańos para la intuició=
n de
la evolución de la red tamibén admite técnicas de otro tipo. Por ejemplo, en
cada ańo i) se podría estimar la función de distribución acumulativa empíri=
ca (ecdf),
ii) generar números aleatorios usando el método de transformación inversa y,
iii) un determinado número de réplicas de indicadores de centralidad y así
tener la estimación de la ecdf de cada país. Los pasos anteriores podrían
permitir realizar pruebas no paramétricas para determinar si existen
diferencias significativas en las medidas de centralidad de los países.
Pese a las posibles
particularidades que susceptibles de modificación en el proceso que se ha
seguido, claramente este trabajo es una invitación a la exploración y
aplicación de técnicas que permitan dar cuenta de la estructura de la red de
comercio. En este sentido, se ha planteado una meta metodología: dada una
ventana de tiempo de una red de comercio, i) resaltar las variaciones anual=
es y
así seleccionar ańos relevantes de la ventana de tiempo, ii) seleccionar una
técnica cluster adecuada para clasificar enlaces de una red, y ii) presentar
evolutivamente los resultados en forma de mapas que den cuenta de la
interacción de los resultados con las centralidades de los nodos.
Agradecimiento.
Los autores
agradecen la colaboración de Wilson Pérez-Oviedo y John Cajas-Guijarro en el
desarrollo del presente trabajo.
Referencias
bibliográficas.
gervais, d. J.,=
&
gervais, d. J. (1998). The trips agreement: drafting history and analy=
sis
(vol. 2). Inglaterra: sweet & maxwell london.
Ruse-khan, &am=
p;
grosse, h. (2018). From trips to ftas and back: re-conceptualising the ro=
le. Netherlands
yearbook of international law 2017: shifting forms and levels of cooperat=
ion
in international economic law: structural developments in trade, investme=
nt
and financial regulation, 48, 57.
Park, w. G.
(2008). International patent protection: 1960 2005. Research policy, 3=
7(4),
761-766.
Hoekman, b.,
mattoo, a., & english, p. (2002). Development, trade, and the wto:=
a
handbook, the world bank. Washington: world bank.
Matthews, d.
(2003). Globalising intellectual property rights: the trips agreement.=
Routledge.
Bergstrand, j.=
H.
(1985). The gravity equation in international trade: some microeconomic
foundations and empirical evidence. The review of economics and statis=
tics,
474-481.
Mátyás, l. (19=
97).
Proper econometric specification of the gravity model. World economy, =
20(3),
363-368.
Van bergeijk, =
p.
A. (2010). The gravity model in international trade: advances and
applications. Cambridge university press.
Kolaczyk, e. D=
.,
& csárdi, g. (2014). Statistical analysis of network data with r=
i>
(vol. 65). Nueva york: springer.
Françoisse, k.,
kivimäki, i., mantrach, a., rossi, f., & saerens, m. (2017). A
bag-of-paths framework for network data analysis. Neural networks, 90<=
/i>,
90-111.
Sabidussi, g.
(1966). The centrality index of a graph. Psychometrika, 31(4),
581-603.
Freeman, l. C.
(1977). A set of measures of centrality based on betweenness. Sociomet=
ry,
35-41.
Gao, z.-k., sm=
all,
m., & kurths, j. (2017). Complex network analysis of time series. =
Epl
(europhysics letters), 116(5).
Pokorny, j. J.,
norman, a., zanesco, a. P., bauer-wu, s., sahdra, b. K., & saron, c. =
D.
(2018). Network analysis for the visualization and analysis of qualitative
data. Psychological methods, 23(1), 169.
Mcdonald, d. B=
.,
& hobson, e. A. (2018). Edge weight variance: population genetic metr=
ics
for social network analysis. Animal behaviour, 136, 239-250.
Everitt, b. S.,
landau, s., & leese, m. (2001). Cluster analysis. En international
geophysics (vol. 100, págs. 603-616). Inglaterra.
Gordon, a. D.
(1999). Classification (vol. 2). Inglaterra: chapman and hall.
Xu, r., &
wunsch, d. (2008). Clustering (vol. 10). John wiley & sons.
Newman, m. E.,
& girvan, m. (2004). Finding and evaluating community structure in
networks. Physical review e, 69(2).
Pérez-oviedo, =
w.,
cajas-guijarro, j., & maría, v. (2017). South america: trade and
integration in the new global trade network. En e. Vivares, regionalis=
m,
development and the post-commodities boom in south america (págs.
121-145). Estados unidos: springer.
Goldenberg, a.,
zheng, a. X., fienberg, s. E., & airoldi, e. M. (2010). A survey of
statistical network models. Foundations and trends in machine learning=
, 2(2),
129-233.
Para citar el artículo indexado.<= o:p>
Morales-Ońate
V., Morales-Ońate B. (2018). Análi=
sis
Cluster de la Red de Comercio Internacional entre 1992 y 2015. Revista electrónica Ciencia Digital 2(4),
23-41. Recuperado desde: http://cienciadigital.o=
rg/revistacienciadigital2/index.php/CienciaDigital/article/view/188/166
El artículo que se publica es de
exclusiva responsabilidad de los autores y no necesariamente reflejan el
pensamiento de la Revista Ciencia
Digital.
El articulo queda en propiedad de=
la
revista y, por tanto, su publicación parcial y/o total en otro medio tiene =
que
ser autorizado por el director de la Revista
Ciencia Digital.
[1] Facultad Latinoamericana de Ciencias Soc=
iales,
Departamento de Desarrollo, Ambiente y Territorio, Quito, Ecuador, victor.morales@uv.cl=
span>
[2]Escuela Superior Politécnica =
de
Chimborazo, Facultad de Ciencias, Riobamba, Ecuador, bolivar.morales@espoch.edu.ec
[3]=
span> El centroide de un
grupo