En el comercio internacional, la elección de un proveedor de productos ideal puede ser un desafío. Bajo este antecedente, resulta obligatorio identificar cuáles proveedores y sus países en la importación de cierto bien resultan más adecuados. Por lo tanto, en este trabajo se propone un modelo que permita realizar análisis y visualizaciones de datos de costos de las importaciones al Ecuador dentro del periodo 2008-2018. Para lograrlo, se analizó la información existente sobre las importaciones a través de una revisión de la literatura relacionada. Luego, se aplicó el algoritmo K-means para agrupar los países por cada partida arancelaria, tomando en cuenta el valor FOB y los costos de importación. Finalmente, se diseña una interfaz de visualización para facilitar la toma de decisiones con base en la información obtenida. En consecuencia, el modelo propuesto es útil para la toma de decisiones en las importaciones, debido a que permite realizar análisis de los datos de todos los países en conjunto con los bienes importados, demostrando ser aplicable a una amplia gama de empresas.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Referencias
Banco Central del Ecuador. (2023). Comercio Exterior.
Batarseh, F., Gopinath, M., Nalluru, G., & Beckman, J. (2019). Application of machine learning in forecasting international trade trends. ArXiv Preprint ArXiv:1910.03112.
Bonaime, A., Gulen, H., & Ion, M. (2018). Does policy uncertainty affect mergers and acquisitions? Journal of Financial Economics, 129(3), 531–558.
Bornal, D. R., Silvestrini, M. M., Pio, L. A. S., Costa, A. C., Peche, P. M., & Ramos, M. C. P. (2021). Brazilian position in the international fresh fruit trade network. Revista Brasileira de Fruticultura, 43, e–021.
Chambers, J. M. (2018). Graphical methods for data analysis. Chapman and Hall/CRC.
Dankevych, V., Dankevych, Y., & Pyvovar, P. (2018). Clustering of the international agricultural trade between Ukraine and the EU. Management Theory and Studies for Rural Business and Infrastructure Development, 40(3), 307–319.
Dar, Q., Dar, G. F., Ma, J.-H., & Ahn, Y.-H. (2020). Visualization, economic complexity index, and forecasting of South Korea international trade profile: a time series approach. Journal of Korea Trade, 24(1), 131–145.
Dubey, R., Gunasekaran, A., Childe, S. J., Fosso Wamba, S., Roubaud, D., & Foropon, C. (2021). Empirical investigation of data analytics capability and organizational flexibility as complements to supply chain resilience. International Journal of Production Research, 59(1), 110–128.
Hsu, H.-H., Hsieh, C.-W., & others. (2010). Feature Selection via Correlation Coefficient Clustering. J. Softw., 5(12), 1371–1377.
Kim, J., Jo, I.-H., & Park, Y. (2016). Effects of learning analytics dashboard: analyzing the relations among dashboard utilization, satisfaction, and learning achievement. Asia Pacific Education Review, 17, 13–24.
Kim, S., Ku, S., Chang, W., & Song, J. W. (2020). Predicting the direction of US stock prices using effective transfer entropy and machine learning techniques. IEEE Access, 8, 111660–111682.
Kodinariya, T. M., Makwana, P. R., & others. (2013). Review on determining number of Cluster in K-Means Clustering. International Journal, 1(6), 90–95.
Liu, H., Chen, X., Wang, Y., Zhang, B., Chen, Y., Zhao, Y., & Zhou, F. (2021). Visualization and visual analysis of vessel trajectory data: A survey. Visual Informatics, 5(4), 1–10.
Medina Lopez, D. S., Orellana, M., Tonon Ordóñez, L. B., & Zambrano-Martinez, J. L. (2023). Modelo Visual del Comercio Externo en Exportaciones Ecuatorianas. Revista Tecnológica - ESPOL, 35(2), 143–156. https://doi.org/10.37815/rte.v35n2.1051
Pacini, H., Shi, G., Sanches-Pereira, A., & da Silva Filho, A. C. (2021). Network analysis of international trade in plastic scrap. Sustainable Production and Consumption, 27, 203–216.
Ponlaem, K., Kaewsompong, N., Maneejuk, P., & Sirisrisakulchai, J. (2021). Impact of Economic Policy Uncertainty on Thailand Macroeconomic Variables. Behavioral Predictive Modeling in Economics, 437–451.
Rahim, T., Ibrahim, M., Shah, T. A., & Mehmood, W. (2023). Impact of Foreign Trade on Economic Growth: Empirical Evidence from Pakistan. Journal of Policy Research, 9(1), 188–195.
Sehgal, M., & Bhargava, D. (2018). Knowledge mining: an approach using comparison of data cleansing tools. Journal of Information and Optimization Sciences, 39(1), 337–343.
SIKOS T, T., & Meirmanova, A. (2020). Geo-based visual network analysis of export and import patterns in international wheat trade.
Simić, D., Svirčević, V., Sremac, S., Ilin, V., & Simić, S. (2016). An efficiency k-means data clustering in cotton textile imports. Proceedings of the 9th International Conference on Computer Recognition Systems CORES 2015, 255–264.
Sinaga, K. P., & Yang, M.-S. (2020). Unsupervised K-means clustering algorithm. IEEE Access, 8, 80716–80727.
Tâu, N., & Sharfeldin, I.-M.-M. (2021). Abordarea teoretică a mediului internațional de afaceri. Administrarea Publică, 109(1), 113–126.
Windarto, A. P. (2017). Implementation of data mining on rice imports by major country of origin using algorithm using k-means clustering method. International Journal of Artificial Intelligence Research, 1(2), 26–33.
Wulandari, L., & Yogantara, B. O. (2022). Algorithm analysis of K-means and fuzzy C-means for clustering countries based on economy and health. Faktor Exacta, 15(2).