{"id":1295,"date":"2021-06-24T12:03:44","date_gmt":"2021-06-24T15:03:44","guid":{"rendered":"http:\/\/datamining.dc.uba.ar\/predictivos\/?p=1295"},"modified":"2021-06-24T12:18:09","modified_gmt":"2021-06-24T15:18:09","slug":"las-dimensiones-latentes-del-comercio-internacional","status":"publish","type":"post","link":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=1295","title":{"rendered":"Las Dimensiones Latentes del Comercio Internacional"},"content":{"rendered":"

Por Diego Kozlowski<\/strong> (Master en <\/span>Explotaci\u00f3n de Datos y Descubrimiento del Conocimiento \u2013 UBA y PhD candidate en <\/span>DRIVEN-DTU<\/span><\/a>, Faculty of Science, Technology and Medicine, University of Luxembourg).<\/span><\/p>\n

\u00bfC\u00f3mo podemos codificar los patrones de especializaci\u00f3n comercial de los pa\u00edses? En un reciente <\/span>art\u00edculo publicado en PLOS ONE<\/span><\/a> (Kozlowski, Semeshenko & Molinari, 2021), procuramos dar una respuesta a este interrogante utilizando modelos provenientes del Procesamiento de Lenguaje Natural. Este proyecto se basa a su vez en mi tesis de maestr\u00eda para <\/span>https:\/\/datamining.dc.uba.ar\/<\/span><\/a>. En notas anteriores (<\/span>ac\u00e1<\/span><\/a> y <\/span>ac\u00e1<\/span><\/a>) escribimos junto a Leonardo C\u00f3rdoba sobre el uso de grafos para entender el comercio internacional.\u00a0 En esta nota, les cuento un poco de qu\u00e9 se trata el recientemente publicado art\u00edculo.\u00a0<\/span><\/p>\n

El an\u00e1lisis del comercio internacional es una de las \u00e1reas de estudio m\u00e1s importantes de la investigaci\u00f3n econ\u00f3mica. Desde los comienzos de la econom\u00eda pol\u00edtica cl\u00e1sica constituye un tema de preocupaci\u00f3n por el efecto del mismo en el desarrollo econ\u00f3mico de los pa\u00edses (Ricardo, 2007). Por su parte, el registro de la informaci\u00f3n referente al comercio entre pa\u00edses tambi\u00e9n se remonta en el tiempo.<\/span><\/p>\n

La cantidad de v\u00ednculos comerciales que se establecen entre entidades ubicadas en distintos pa\u00edses implica la imposibilidad de estudiar el fen\u00f3meno de forma directa, y plantea la necesidad de elaborar medidas de resumen que permitan apropiar la informaci\u00f3n subyacente al conjunto de los contratos comerciales existentes.<\/span><\/p>\n

El comercio internacional es un complejo sistema de flujos, en el que participan m\u00faltiples pa\u00edses y una inmensa variedad de productos. Descubrir los patrones subyacentes a este sistema implica un desaf\u00edo, y de esto se trata nuestro art\u00edculo. All\u00ed, aplicamos \u00abLatent Dirichlet Allocation Models\u00bb(LDA) (Blei, Ng & Jordan, 2003), un modelo de <\/span>Topic Modelling<\/span><\/i> en procesamiento de texto. Este modelo se utiliza en procesamiento de texto para descubrir los t\u00f3picos de los que habla un documento. Si, por ejemplo, tenemos un <\/span>corpus<\/span><\/i> con muchos art\u00edculos cient\u00edficos, este modelo es capaz de definir los distintos temas de investigaci\u00f3n en el <\/span>corpus<\/span><\/i>, pero tambi\u00e9n asigna a cada art\u00edculo, una probabilidad de que el mismo trate cada uno de los distintos temas.<\/span><\/p>\n

En nuestro art\u00edculo, proponemos un uso muy distinto al que fue originalmente pensado por los autores de LDA. Nuestra analog\u00eda se basa en pensar las exportaciones de cada pa\u00eds (cada a\u00f1o) como un \u00abdocumento\u00bb, y cada producto exportado como una \u00abpalabra\u00bb. De esta forma, logramos identificar patrones latentes del comercio internacional, y su distribuci\u00f3n en los pa\u00edses a lo largo del tiempo.<\/span><\/p>\n

Aplicamos esta t\u00e9cnica a un <\/span>dataset<\/span><\/i> de exportaciones de bienes entre 1962 y 2016. Los resultados muestran que este modelo puede capturar los principales patrones de especializaci\u00f3n del comercio internacional, y permite tambi\u00e9n un an\u00e1lisis relativamente detallado a nivel pa\u00eds.\u00a0<\/span><\/p>\n

Agrupamos las dimensiones latentes por tipo (industrial, agro, etc), complejidad, productos y pa\u00edses caracter\u00edsticos. Esta clasificaci\u00f3n se basa en datos y se centra en los pa\u00edses, a diferencia de los clasificadores tradicionales de comercio internacional (NACE, HS). En la Tabla 1 mostramos los componentes resultantes.<\/span><\/p>\n

Tabla 1. <\/span>Componentes Latentes<\/b>. Grupos, complejidad industrial y pa\u00eds representativo. k = 30.<\/span><\/p>\n

\"\"<\/a><\/p>\n

Para el an\u00e1lisis de resultados, complementamos el art\u00edculo con un dashboard interactivo en <\/span>https:\/\/ldaglobaltrade.uni.lu\/dashboard\/<\/span><\/a>. Utilizamos este dashboard para explorar los componentes arriba mencionados y poder asignarles una etiqueta. Luego, pasamos al an\u00e1lisis de los pa\u00edses. En esta herramienta, indicando pa\u00edses, se puede ver la evoluci\u00f3n de la especializaci\u00f3n productiva. <\/span><\/p>\n

Uno de los ejemplos m\u00e1s interesantes es el sendero de la industrializaci\u00f3n China: de exportar arroz y algod\u00f3n a calzado y juguetes, a procesadores y microcircuitos. Un sendero similar ocurre con varios pa\u00edses asi\u00e1ticos (ver Figura 1). En los casos de Argentina, Brasil y Uruguay, podemos ver que el componente 25 (soja) toma cada vez m\u00e1s importancia. Por su parte, los pa\u00edses petroleros, como Irak, Arabia Saudita y Venezuela muestran un cambio entre dos componentes: del 20 (gasoil) al 12 (petr\u00f3leo crudo), luego de la famosa ‘crisis del petr\u00f3leo’. Sin embargo, esto es tan solo una muestra de los posibles an\u00e1lisis que esta herramienta permite.<\/span><\/p>\n

\"\"<\/a><\/p>\n

Figura 1. <\/span>Distribuci\u00f3n de componentes por pa\u00eds. <\/b>3: Vehicles and parts; 4: Footwear, clothing and toys; 5: Non-digital electronics; 6: Vehicles, boats, machinery and parts; 9: Coffee, bananas, other food and primary products; 12: Crude petroleum; 14: Lubricating petroleum oils and preparations; 20: Fuel oil, gas-oil.\u00a0 23: Processors, microcircuits, toys and shoes; 24: Boats, meat, fish, dairy; 25: Soya and derivatives, Iron; 27: Electronic microcircuits and machinery parts. 28: Rice, cotton, textiles.<\/span><\/p>\n

Adem\u00e1s. a nivel componente, podemos identificar la obsolescencia tecnol\u00f3gica, y c\u00f3mo los pa\u00edses dejan de exportar productos que van quedando anticuados, como m\u00e1quinas grabadoras, l\u00edneas de tel\u00e9fono o papel fotogr\u00e1fico. En nuestro modelo, muchos de estos productos quedaron agrupados en el componente 5 (ver Figura 2).<\/span><\/p>\n

\"\"<\/a>Figura 2. <\/span>Evoluci\u00f3n del componente 5<\/b>: Non-digital electronics, record tapes, telephone lines, photographic paper.<\/span><\/p>\n

En resumen, presentamos una nueva aplicaci\u00f3n de LDA a un dominio diferente al que fue concebido, a la vez que una nueva t\u00e9cnica para complementar los an\u00e1lisis tradicionales del comercio internacional. \u00a1Ojal\u00e1 lo encuentren \u00fatil!<\/span><\/p>\n

Referencias<\/span><\/h3>\n

Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. The Journal of machine Learning research, 3, 993-1022.<\/span><\/p>\n

Kozlowski, D., Semeshenko, V., & Molinari, A. (2021). Latent Dirichlet allocation model for world trade analysis. PloS one, 16(2), e0245393.<\/span><\/p>\n

Ricardo, D. (2007). Principios de econom\u00eda pol\u00edtica y tributaci\u00f3n. Claridad, Buenos Aires,\u00a0<\/span>2007.<\/span><\/p>\n

 <\/p>\n","protected":false},"excerpt":{"rendered":"

Por Diego Kozlowski. \u00bfC\u00f3mo codificar los patrones de especializaci\u00f3n comercial de los pa\u00edses? En un reciente art\u00edculo publicado en PLOS ONE, procuramos dar una respuesta a este interrogante utilizando modelos provenientes del Procesamiento de Lenguaje Natural. Este proyecto se basa a su vez en mi tesis de maestr\u00eda para https:\/\/datamining.dc.uba.ar\/. <\/p>\n","protected":false},"author":4,"featured_media":1302,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_mi_skip_tracking":false},"categories":[24,25,29],"tags":[21,31,30],"_links":{"self":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1295"}],"collection":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1295"}],"version-history":[{"count":9,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1295\/revisions"}],"predecessor-version":[{"id":1311,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1295\/revisions\/1311"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/media\/1302"}],"wp:attachment":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1295"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1295"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1295"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}