Mapeando las relaciones de la cadena de valor usando datos comerciales

Los datos de la cadena de valor son importantes para entender los cambios económicos, sobre todo durante eventos como la pandemia de COVID-19 y conflictos como la guerra en Ucrania. Sin embargo, los datos disponibles sobre cadenas de valor, como la Base de Datos Mundial de Insumos y Productos y EXIOBASE, no proporcionan información detallada sobre productos específicos. En cambio, estos datos se agrupan en categorías más amplias, lo que hace difícil analizar a nivel de producto, que a menudo es necesario para estudios detallados.

En este análisis, proponemos un nuevo método que utiliza aprendizaje automático y teoría del comercio para averiguar las relaciones de la cadena de valor a nivel de producto usando datos de comercio internacional detallados. Nuestro enfoque implica examinar datos comerciales de más de 300 regiones del mundo y más de 1200 productos para revelar las conexiones en sus patrones de comercio. También aplicamos asignación proporcional para dividir los flujos comerciales entre regiones y países. Este método ayudará a aquellos que trabajan en logística, comercio y desarrollo sostenible.

Los datos actuales de la cadena de valor son esenciales para comprender cómo diferentes sistemas responden a distintas interrupciones, incluidas desastres naturales y cambios en el medio ambiente. Sin embargo, los datos disponibles públicamente a menudo carecen del desglose detallado necesario para un análisis preciso, como el seguimiento de impactos ambientales o la evaluación de responsabilidad social en las cadenas de suministro.

Los datos de comercio internacional ofrecen información más detallada, con miles de categorías de productos disponibles. Aun así, no muestran claramente las conexiones directas en las cadenas de valor. Por ejemplo, aunque los datos pueden mostrar que China importa mineral de hierro de Brasil, no especifica para qué se usa ese mineral. La teoría del comercio sugiere que estos datos contienen información oculta de la cadena de valor basada en patrones de especialización en diferentes regiones.

Muchos proyectos han intentado vincular tablas de insumos y productos con datos comerciales para crear mapas de cadenas de valor globales. Estos esfuerzos generalmente distribuyen importaciones entre sectores basándose en el uso local de insumos, lo que lleva a conjuntos de datos útiles pero algo generalizados. Este método asume que el porcentaje de insumos importados utilizados en la producción local refleja el uso de insumos locales.

Hay un creciente consenso de que contar con datos detallados de la cadena de valor es crucial para varias aplicaciones. Por ejemplo, el encallamiento del buque de contenedores Evergreen en el Canal de Suez en 2021 causó importantes interrupciones en el comercio entre Asia y Europa. Los datos de la cadena de valor también pueden ayudar a abordar problemas geopolíticos, ya que los países a menudo buscan evitar obtener componentes de rivales potenciales. Además, para las empresas enfocadas en la responsabilidad corporativa, saber de dónde provienen sus productos ayuda a asegurar que no estén vinculados a prácticas poco éticas.

A pesar de esta demanda por datos detallados de la cadena de valor, no hay conjuntos de datos completos que ofrezcan tanto resolución espacial como sectorial. En este trabajo, buscamos crear un método que derive relaciones de la cadena de valor de datos de comercio internacional, permitiendo mapear en detalle.

Nuestro método se basa en la idea de que las regiones que se especializan en exportar un producto particular también estarán especializadas en la adquisición de sus insumos. Este patrón se puede observar en los datos comerciales tanto en el upstream (insumos) como en el downstream (productos finales). Por ejemplo, las regiones que exportan computadoras deberían importar componentes como pantallas LCD. De manera similar, las regiones que importan pantallas LCD deberían especializarse en exportar computadoras. Integramos ambos patrones en un modelo que busca identificar estas conexiones.

Sin embargo, nuestro método tiene limitaciones. Está diseñado para trabajar a nivel de producto pero aún puede generar algunas relaciones de cadena de valor incorrectas. No proporciona una red completa de insumos y productos, solo las conexiones más probables. Además, optimizar el modelo implica ajustar varios parámetros, lo que puede ser lento y complejo. Sin embargo, nuestros resultados sugieren que usar datos de comercio internacional a nivel regional puede ayudar a identificar relaciones de la cadena de valor.

En las siguientes secciones, detallamos nuestros datos y métodos. Primero, describimos los conjuntos de datos utilizados. Luego, introducimos conceptos de teoría del comercio que respaldan nuestro enfoque, seguidos de una explicación de nuestro modelo, que utiliza asignación proporcional para vincular flujos comerciales con cadenas de valor. También detallaremos nuestro método "Backward Forward", que predice las relaciones entre insumos y productos para varios productos.

Usamos datos comerciales detallados del Observatorio de Complejidad Económica, que abarcan los años 2017 a 2020. Estos datos comprenden exportaciones e importaciones a nivel regional de más de 1200 productos. Debido a inconsistencias en cómo diferentes países informan sus datos comerciales, nuestro análisis se centra en nueve países.

Limpiamos el conjunto de datos eliminando regiones desconocidas y reexportaciones, dejándonos con datos de 351 regiones. Filtramos aún más las regiones más pequeñas que podrían distorsionar los patrones comerciales, reduciendo nuestra muestra a 306 regiones.

Nuestros datos capturan tanto los flujos de exportación como de importación entre regiones y países, lo que nos permite saber lo que regiones específicas importan de otras, aunque no detallan el comercio entre ciertas regiones directamente. Conciliamos los datos de exportación e importación para retener solo los productos que aparecen en ambos registros, lo que da como resultado más de 1200 categorías de productos.

A continuación, afinamos nuestro modelo utilizando los datos de insumo-producto interpaís de la OCDE, que categorizan industrias en diferentes países. Esto nos permite crear dos tablas: una que detalla la especialización y otra con datos etiquetados para validación.

La teoría del comercio, que analiza los patrones en el comercio local y global, sirve como la base de nuestro modelo. Un concepto importante es la Ventaja Comparativa, que sugiere que las regiones se especializarán en los productos que producen de manera eficiente. Esta especialización puede basarse no solo en recursos naturales, sino también en conocimiento y procesos disponibles en diferentes regiones.

Para medir ventajas comparativas, utilizamos indicadores que revelan cuán especializada está una región en la producción de ciertos productos. Este análisis ayuda a identificar patrones que pueden ser utilizados para descubrir información implícita de la cadena de valor en los datos comerciales.

Nuestro objetivo principal es desarrollar un tensor que represente el flujo de productos de una región a otra con fines de producción. Debido a la naturaleza incompleta de los datos, dependemos de agregados de este tensor. Utilizamos un modelo de asignación proporcional para estimar flujos, basado en la participación de exportaciones e importaciones en varias regiones.

Introducimos el método "Backward Forward" para analizar los vínculos de la cadena de valor en dos direcciones. El enfoque "Forward" nos ayuda a identificar productos de salida basados en regiones que importan una cantidad significativamente alta de productos específicos. El enfoque "Backward" trabaja en la dirección opuesta, identificando productos de entrada basados en regiones que exportan grandes cantidades.

Este método nos permite encontrar los insumos asociados con cada producto, mientras también validamos estas conexiones. Mantenemos un proceso estructurado para clasificar los posibles insumos, asegurando que reconozcamos y refinemos las relaciones entre productos.

Al aplicar este método, optimizamos varios parámetros para mejorar la precisión de nuestras predicciones. La precisión de nuestro modelo es crucial ya que indica qué tan bien podemos identificar relaciones verdaderas de insumo-producto.

Después de probar nuestro método, encontramos resultados prometedores. Puede identificar con precisión múltiples vínculos de la cadena de valor a nivel de producto, demostrando el potencial de los datos comerciales para revelar estas relaciones. Sin embargo, algunas predicciones pueden seguir siendo incorrectas.

Nuestra revisión de los resultados revela instancias donde nuestro modelo identifica con éxito insumos para productos complejos como automóviles y electrónicos, mientras también descubre algunas conexiones inexactas. El siguiente paso implica validar estos resultados contra un modelo base para asegurar precisión.

Al comparar nuestro método con un modelo base, podemos evaluar qué tan bien se desempeña el método "Backward Forward". Encontramos que supera significativamente al modelo base en la identificación de relaciones correctas de insumo-producto.

Este trabajo representa un esfuerzo inicial para aprender sobre relaciones de cadena de valor utilizando datos comerciales. Si bien hay desafíos, el método "Backward Forward" proporciona un enfoque viable para mapear cadenas de valor globales a nivel de producto.

La investigación futura puede centrarse en perfeccionar este método incorporando mejores tablas de insumo-producto o expandiendo datos comerciales regionales. Además, mejorar el modelo para predecir más de tres insumos por producto aumentaría su utilidad.

En general, este método muestra promesa para comprender relaciones comerciales complejas y podría ser valioso para varios interesados, incluidos responsables de políticas y empresas que buscan optimizar sus cadenas de suministro.