Rev. Amaz. Cienc. Econ. 2(2), e526, doi: 10.51252/race.v2i2.526
ArtĆ­culo original
Original article
Jul-Dic, 2023
https://revistas.unsm.edu.pe/index.php/race
e-ISSN: 2810-8825
Este es un artĆ­culo de acceso abierto distribuido bajo los tĆ©rminos de la licencia de atribuciĆ³n de Creative Commons, que permite el uso sin restricciones, distribuciĆ³n y
reproducciĆ³n en cualquier medio, siempre que se cite debidamente la obra original.
DesempeƱo logƭstico, infraestructura portuaria y
conectividad marĆ­tima en el Continente Americano:
un modelo panel dinƔmico
Logistics performance, port infrastructure and maritime connectivity in the
American Continent: a dynamic panel model
GutiƩrrez-Ortiz, Ariel1*
MƩndez-GonzƔlez, Carlos1
Infante-JimƩnez, Zoe Tamar2
1Universidad de Colima, Manzanillo, MĆ©xico
2Universidad Michoacana de San NicolƔs de Hidalgo, Morelia, MƩxico
Recibido: 14 Mar. 2023 | Aceptado: 07 Jun. 2023 | Publicado: 10 Jul. 2023
Autor de correspondencia*: agutierrez18@ucol.mx
CĆ³mo citar este artĆ­culo: GutiĆ©rrez-Ortiz, A., MĆ©ndez-GonzĆ”lez, C. & Infante-JimĆ©nez, Z. T. (2023). DesempeƱo logĆ­stico,
infraestructura portuaria y conectividad marĆ­tima en el Continente Americano: Un modelo panel dinĆ”mico. Revista AmazĆ³nica de
Ciencias EconĆ³micas, 2(2), e526. https://doi.org/10.51252/race.v2i2.526
RESUMEN
Alrededor del 80% de las mercancĆ­as que son parte del comercio internacional se mueve vĆ­a marĆ­tima,
representando el 70% del valor de las mercancĆ­as. Desde el punto de vista del comercio internacional, los paĆ­ses
que pertenecen a la regiĆ³n de LatinoamĆ©rica son relevantes; por lo que el objetivo de este trabajo de
investigaciĆ³n es estudiar la dependencia del desempeƱo logĆ­stico hacia la calidad de la infraestructura portuaria
y la conectividad de las lƭneas navieras tomando como unidad de anƔlisis 20 paƭses del continente americano.
Esta investigaciĆ³n es de tipo cuantitativa de alcance correlacional y explicativo. La informaciĆ³n se extrajo de la
base de datos de UNCTAD; CEPAL y Global Economy para los aƱos 2010, 2012, 2014, 2016, 2018, por lo que se
conformĆ³ y estimĆ³ (en el paquete economĆ©trico E-views 10) un panel de datos balanceado de 100 observaciones.
Los principales hallazgos confirman la hipĆ³tesis de que en el continente americano el desempeƱo logĆ­stico
depende de la calidad de la infraestructura portuaria y la conectividad de las lĆ­neas navieras.
Palabras clave: carga contenerizada; comercio internacional; sector marĆ­timo
ABSTRACT
Around 80% of the goods that are part of international trade move by sea, representing 70% of the value of the
goods. From the point of view of international trade, the countries that belong to the Latin American region are
relevant; Therefore, the aim of this research is to study the dependence of logistics performance on the quality
of port infrastructure and the connectivity of shipping lines, taking 20 countries of the American continent as a
unit of analysis. This research is of a quantitative type with a correlational and explanatory scope. The
information was extracted from the UNCTAD database; ECLAC and Global Economy for the years 2010, 2012,
2014, 2016, 2018, for which a balanced data panel of 100 observations was formed and estimated (in the E-views
10 econometric package). The main findings confirm the hypothesis that in the American continent, logistics
performance depends on the quality of port infrastructure and the connectivity of shipping lines.
Keywords: contenerized cargo; international trade; maritime sector
GutiƩrrez-Ortiz, A. et al.
2 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
1. INTRODUCCIƓN
Actualmente, las empresas han incorporado en todos los procesos que componen su estructura
organizacional una serie indicadores que les permiten evaluar los logros y/o identificar las debilidades y
asƭ realizar las adecuaciones para mejorar su desempeƱo. Es por ello, que las empresas que pertenecen al
sector marĆ­timo adoptan ciertos Ć­ndices que les apoyan en la toma de decisiones para obtener los niveles
de desempeƱo adecuados. Tal es el caso del ƭndice de desempeƱo logƭstico, el ƭndice de calidad de la
infraestructura portuaria y el Ć­ndice de conectividad marĆ­tima, los cuales son factores clave para ser
competitivos en un mundo globalizado.
El transporte marĆ­timo estĆ” en el centro del comercio internacional de mercancĆ­as, cerca del 80% del
volumen de los bienes intercambiados en el mundo son vĆ­a marĆ­tima (UNCTAD, 2021). El predominio del
transporte marĆ­timo ha aumentado, en particular para los bienes manufacturados debido a la
intensificaciĆ³n de los servicios de transporte en contenedores. Gracias al uso intensivo de los contenedores
y a la red global de lƭneas navieras, pequeƱos y grandes importadores y exportadores de bienes terminados
o intermedios de paĆ­ses lejanos pueden comerciar entre sĆ­ (Fugazza & Hoffmann, 2017).
Para Wang & Cullinane (2006), cada vez mƔs los procesos productivos industriales se hacen mƔs complejos,
lo que impacta en los puertos marĆ­timos y en la cadena de suministro. Asimismo, la actividad portuaria se
expande a la provisiĆ³n de servicios logĆ­sticos integrales convirtiĆ©ndose en el centro de los negocios. Bajo
esta dinƔmica, los aspectos mƔs relevantes del desempeƱo logƭstico son los costos y la confiabilidad de las
cadenas de suministro. Una facilitaciĆ³n logĆ­stica pobre pone a una naciĆ³n en desventaja competitiva,
afectando procesos de producciĆ³n de justo a tiempo con altos costos y tiempos de entrega; por lo que no
sĆ³lo las entregas importan sino tambiĆ©n la confiabilidad y predictibilidad (Arvis et al., 2010).
Las economĆ­as de escala en el transporte marĆ­timo permiten una mayor competencia y debido al aumento
del comercio, tambiĆ©n ayudan a reducir aĆŗn mĆ”s los costos de transporte y mejorar la conectividad. Es por
ello que, la conectividad es una variable explicativa del comercio, mientras que el comercio tambiƩn es una
variable explicativa de la conectividad (Hoffmann et al., 2020).
Los puertos son un nodo dentro de la cadena de transporte, por lo que evaluar y conocer el desempeƱo y
la conectividad externa es una de las piezas fundamentales para determinar y analizar su competitividad
portuaria dado el creciente desarrollo comercial que ha llevado los paĆ­ses la distribuciĆ³n se estĆ”
transformando en un factor muy importante del paradigma de la globalizaciĆ³n, el transporte marĆ­timo y la
comercializaciĆ³n de las cargas, siendo el acceso al transporte y la logĆ­stica un factor clave para asegurar la
competitividad del comercio internacional de una naciĆ³n. Por lo que, los puertos juegan un rol como
facilitadores de la distribuciĆ³n en la cadena de transporte del comercio internacional, dejando de ser un
simple punto de transferencia aislado y evolucionando a ser un centro de carga regional integrado como
una red donde fluyen diferentes tipos de carga de manera articulada y coordinada (Salgado Oportus & Cea
EcheverrĆ­a, 2012).
De igual manera, Nava-Aguirre et al. (2020) mencionan que mejorar el sistema de rendimiento logĆ­stico, es
reconocido como una de las mĆ”s importantes fuerzas motrices del crecimiento econĆ³mico y de
competitividad, ya que tiene un importante impacto en la actividad econĆ³mica de las naciones, por el
contrario, su ineficiencia se traduce en mayores costos en tƩrminos de tiempo y dinero, afectando
negativamente la competitividad de las empresas y por ende de las naciones.
La mejor estrategia para mejorar el desempeƱo es un enfoque de tres frentes que (a) fomenten la
participaciĆ³n del sector privado a travĆ©s de un entorno propicio bien desarrollado, incluida una mayor
adopciĆ³n del modelo portuario de propietarios; (b) refuercen la gobernanza de las juntas de las autoridades
portuarias; y (c) promuevan la competencia. Aunado a lo anterior, una sofisticada logĆ­stica portuaria podrĆ­a
GutiƩrrez-Ortiz, A. et al.
3 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
ayudar a incrementar el comercio, diversificar las exportaciones, atraer mĆ”s inversiĆ³n extranjera directa y
estimular el crecimiento econĆ³mico (Herrera Dappe & SuĆ”rez-AlemĆ”n, 2017).
La conectividad portuaria es un eslabĆ³n de la red de transporte con componentes interdependientes que
incluyen la conexiĆ³n hacia el interior, el puerto marĆ­timo y la conexiĆ³n hacia el exterior (Paflioti et al.,
2014).
La importancia de la infraestructura tanto externa como interna para la competitividad de los puertos, nace
por la necesidad de espacio que estƔn demandando para el manejo de las diversas cargas, a fin de no
rezagarse y considerarse obsoletos, deficientes y poco competitivos. Un puerto internacional debe ser
eficiente, coordinado y atractivo (Quintero Ramos et al., 2021).
La inversiĆ³n en las instalaciones y los sistemas portuarios impulsa al comercio, asĆ­ como lo pone en el mapa,
es decir, si un puerto cuenta con tecnologƭa que le ayuda acelerar los trƔmites o tiene recintos
especializados y actualizados, asĆ­ como certificaciones, los clientes tomarĆ”n la decisiĆ³n de enviar o recibir
su mercancĆ­a por allĆ­, por la ventaja que genera, menos tiempo, menos costos (Zepeda-Ortega et al., 2017).
De acuerdo con LĆ³pez Medina & Pardo Castiblanco (2019), la falta de inversiĆ³n privada y pĆŗblica hacia las
instalaciones portuarias internas y externas, ha provocado que las distintas lĆ­neas navieras, los actores del
comercio exterior y diversas inversiones, pierdan su interƩs hacia los puertos principales de los paƭses, a
pesar de que son los que mueven mƔs carga de mercancƭa y aportan mayor cantidad de dinero a la
federaciĆ³n.
Para Chen et al. (2016), la conectividad se refiere a la capacidad de vincular los nodos en una red para los
participantes, por lo que la calidad de las redes de transporte depende tanto de las caracterĆ­sticas como de
la manera en que se conectan los enlaces, teniendo siempre en cuenta a los aspectos de costo y calidad de
interconectividad. La conectividad de las redes de transporte son un atributo de un red que indica si es
posible llegar a todos los nodos desde todos los demƔs nodos (de Langen & Sharypova, 2013).
Lakshmanan (2011), mostrĆ³ que la mejora en la infraestructura para el suministro de carga y en los
servicios aplicados a la carga conlleva a un crecimiento en el comercio.
MartĆ­ et al. (2014) examinaron el efecto que tienen en el comercio los procedimientos aduaneros, costos
logĆ­sticos y la calidad en la infraestructura portuaria; encontrando que los procedimientos aduaneros
generan el mayor impacto para el comercio internacional.
Por su parte, Munim & Schramm (2018) analizaron el impacto de la calidad en la infraestructura portuaria
y el desempeƱo logƭstico en el comercio marƭtimo. Sus resultados revelaron que ambos factores son vitales
para los paĆ­ses en desarrollo, pero debe existir un seguimiento puntual en el mejoramiento continuo de
ambos factores.
Fugazza & Hoffmann (2017) indicaron que, existe una fuerte relaciĆ³n entre el Ć­ndice de conectividad de las
lĆ­neas navieras y las exportaciones de bienes contenerizados, seƱalando que la escasez de una conexiĆ³n
marĆ­tima entre los paĆ­ses que realizan actividades comerciales provoca una disminuciĆ³n considerable en
el valor de las exportaciones.
Wilmsmeier & Hoffmann (2008) analizaron el impacto de la calidad en la infraestructura portuaria y el
Ć­ndice de conectividad de las lĆ­neas navieras en las tasas de carga en diversos paĆ­ses del Caribe. Los
hallazgos mĆ”s relevantes mostraron que existe una fuerte relaciĆ³n entre los factores mencionados, lo que
afecta significativamente las tasas de carga.
Desde un punto de vista operativo, lo que hace importante a un puerto de contenedores, es la conectividad
(Bartholdi et al., 2016). En los Ćŗltimos aƱos, diversas bases de datos han sido estudiadas de manera
empĆ­rica utilizando redes complejas. De manera particular, las redes marĆ­timas y logĆ­sticas han provocado
GutiƩrrez-Ortiz, A. et al.
4 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
un amplio interƩs debido a la disponibilidad de datos y al impacto generado sobre el comercio y la
globalizaciĆ³n (Ansorena, 2018).
De acuerdo con Ansorena (2018), diversos indicadores se han desarrollado con el paso de los aƱos para
monitorear la red y los sistemas globales de movimiento de carga. Uno de ellos es el ƍndice de Conectividad
de la Lƭneas Navieras (LSCI, por sus siglas en inglƩs, Liner Shipping Connectivity Index), el cual fue
desarrollado por la Conferencia de las Naciones Unidas sobre el Comercio y Desarrollo (UNCTAD, por sus
siglas en inglƩs, United Nations Conference on Trade and Development). Dicho ƭndice mide la competitividad
de los paĆ­ses en relaciĆ³n a la logĆ­stica y el transporte (Hoffmann, 2005).
El ƍndice de DesempeƱo LogĆ­stico (LPI, por sus siglas en inglĆ©s, Logistics Perfomance Index) fue desarrollado
a nivel mundial para proporcionar una mejor evaluaciĆ³n de la clasificaciĆ³n de los paĆ­ses en tĆ©rminos de
eficacia en la gestiĆ³n logĆ­stica. El LPI es un Ć­ndice compuesto basado en medidas indirectas para
infraestructura de transporte e informaciĆ³n, gestiĆ³n de la cadena de suministro (SCM) y facilitaciĆ³n
comercial (Pupavac & Golubović, 2015).
El Ć­ndice del Banco Mundial para medir la calidad de infraestructura portuaria (QPI, Quality of Port
Infraestructure) mide la percepciĆ³n de los ejecutivos de negocios sobre las instalaciones portuarias de un
paĆ­s. La calificaciĆ³n del Ć­ndice varĆ­a de 1 a 7, donde una puntuaciĆ³n mĆ”s alta indica mejor desarrollo de la
infraestructura portuaria (Ahmodu & Okeudo, 2021).
Por lo que, el objetivo de esta investigaciĆ³n es estudiar la dependencia del desempeƱo logĆ­stico hacia la
calidad de la infraestructura portuaria y la conectividad de las lĆ­neas navieras tomando como unidad de
anƔlisis 20 paƭses del continente americano.
2. MATERIALES Y MƉTODOS
La informaciĆ³n se extrajo de la base de datos de UNCTAD (2021), CEPALSTAT (2021) y World Economic
Forum (2019) de cinco aƱos (2010, 2012, 2014, 2016, 2018) de 20 paƭses del continente americano
(Argentina, Brasil, CanadĆ”, Chile, Colombia, Costa Rica, Ecuador, El salvador, Estados Unidos, Guatemala,
HaitĆ­, Honduras, MĆ©xico, Nicaragua, PanamĆ”, Paraguay, PerĆŗ, Dominicana, Uruguay, y Venezuela). Con cinco
periodos y 20 secciones cruzadas se conformĆ³ un panel de datos balanceado de 100 observaciones. Se
extrajo informaciĆ³n de tres variables: Ć­ndice de desempeƱo logĆ­stico (IDL), Ć­ndice de calidad de la
infraestructura portuaria (ICIP), e Ć­ndice de conectividad. Debido a que la informaciĆ³n ya viene en Ć­ndice,
de manera homogeneizada para las tres variables, no hubo necesidad de convertir a logaritmos ni se
requiriĆ³ ningĆŗn otro tratamiento estadĆ­stico para los datos de las variables. Para analizar la informaciĆ³n
se estima una regresiĆ³n con panel de datos, que segĆŗn Gujarati & Porter (2009), esta metodologĆ­a se ha
popularizado cada vez mĆ”s en los Ćŗltimos aƱos en investigaciones de la ciencia econĆ³mica.
2.1. RegresiĆ³n mĆŗltiple con datos panel
Se le llama modelo de regresiĆ³n mĆŗltiple cuando la ecuaciĆ³n contiene dos o mĆ”s variables independientes
(se puede incluir ademƔs una constante o intercepto). De modo que la variable dependiente Y es una
funciĆ³n lineal de un conjunto de variables independientes, en este caso de ī“ŗļ„µī˜ƒīµ•ī˜ƒī“ŗļ„¶ mĆ”s ruido blanco o
tƩrmino de error. El modelo se expresa de la siguiente forma:
ī“»
ļ‡œļ‡§ ļŒ ī·šļ„“ļ‡œļ‡§ ī˜ƒ ļ… ī·šļ„µī“ŗļ„µļ‡œļ‡§ļ„æļ„µ ļ… ī·šļ„¶ī“ŗļ„¶ļ‡œļ‡§ļ„æļ„µ ļ… ī·ļ‡œļ‡§ ļŒ īµ…ļ„µīŸ”ļ„¶īŸ”īŸ„ļ„µļ„“ļ„“ ļŒ īµļ„µļ‡œ ī„³īŸ”ī„“īŸ”ī„µīŸ”ī„¶īŸ”ī„· (1)
Donde:
Y: Variable dependiente.
X: Variables independientes.
GutiƩrrez-Ortiz, A. et al.
5 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
ī·: TĆ©rmino de error.
ī“ŗļ„µļ‡œļ‡§: Representa la īµ…ī“½ observaciĆ³n en la variable explicativa ī“ŗļ„µ.
ī·šļ„“:TĆ©rmino constante o intercepto de la ecuaciĆ³n.
Se proponen tres modelos de datos panel, 3 estimaciones, una con los valores contemporƔneos en las
variables, una introduciendo un rezago en las variables explicativas y un tercer modelo con distribuciĆ³n
de rezagos buscando la mejor especificaciĆ³n economĆ©trica.
Quedando las ecuaciones de la siguiente forma:
Modelo 1:
ī“»
ļ‡œļ‡§ ļŒ ī·šļ„“ļ‡œ ļ… ī·šļ„µī“ŗļ„µļ‡§ ļ… ī·šļ„¶ī“ŗļ„¶ļ‡§ ļ…ī˜ƒī·ļ‡œļ‡§ (2)
Modelo 2:
ī“»
ļ‡œļ‡§ ļŒ ī·šļ„“ļ‡œ ļ… ī·šļ„µī“ŗļ„µļ‡§ļ„æļ„µ ļ… ī·šļ„¶ī“ŗļ„¶ļ‡§ļ„æļ„µļ…ī˜ƒī·ļ‡œļ‡§ (3)
Modelo 3:
ī“»
ļ‡œļ‡§ ļŒ ī·šļ„“ļ‡œ ļ… ī·šļ„µī“ŗļ„µļ‡§ļ„æļ‡” ļ… ī·šļ„¶ī“ŗļ„¶ļ‡§ļ„æļ‡”ļ…ī˜ƒī·ļ‡œļ‡§ (4)
DĆ³nde:
ī“»: ƍndice de desempeƱo logĆ­stico de los 20 paĆ­ses considerados (ver anexo 1) del Continente Americano.
ī“ŗļ„µ: ƍndice de Calidad de la Infraestructura Portuaria (ICIP).
ī“ŗļ„¶: ƍndice de Conectividad de las LĆ­neas Navieras (ICLN).
ī·: TĆ©rmino de error.
La estimaciĆ³n aquĆ­ propuesta es un modelo de regresiĆ³n mĆŗltiple empleando un panel de datos corto, ya
que hay menos periodos de tiempo (5 aƱos) que secciones cruzadas (20 paƭses) o unidades de anƔlisis.
Dentro de los modelos de regresiĆ³n con datos panel existen 4 conjuntos o posibilidades de estimaciĆ³n: 1.-
Modelo de regresiĆ³n con mĆ­nimos cuadrados ordinarios (MCO) agrupados, 2.- Modelo de mĆ­nimos
cuadrados con variable dicotĆ³mica (MCVD) de efectos fijos, 3.- Modelo de efectos fijos dentro del grupo y
4.- Modelo de efectos aleatorios (MEFA) (Gujarati & Porter, 2009).
Este Ćŗltimo es el que se propone en esta investigaciĆ³n ya que a diferencia del primero permite
heterogeneidad en las secciones cruzadas lo cuƔl es muy factible ya que se trata de 20 paƭses que no
necesariamente son homogƩneos, el modelo de efectos aleatorios tiene la ventaja por encima del segundo
modelo que no pierde grados de libertad al no incorporar variables dicotĆ³micas, y es mĆ”s eficiente que el
modelo de efectos fijos (Gujarati & Porter, 2009).
Una vez estimado el modelo de regresiĆ³n con datos panel serĆ” necesario aplicar la prueba de Hausman
para contrastar y determinar empĆ­ricamente si el modelo efectivamente se debe estimar con efectos
aleatorios o fijos, la prueba de Hausman establece como hipĆ³tesis nula que el modelo preferido o que mejor
se ajusta a los datos es de efectos aleatorios, en tanto que la alternativa sugiere efectos fijos. Entonces, si el
valor de la probabilidad es cero o estadĆ­sticamente cercano a cero se debe rechazar la hipĆ³tesis nula. Para
realizar las estimaciones tanto de regresiĆ³n como la prueba Hausman se utiliza el paquete economĆ©trico e-
views 9.
GutiƩrrez-Ortiz, A. et al.
6 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
3. RESULTADOS
La Figura 1 muestra la relaciĆ³n grĆ”fica entre el Ć­ndice de la calidad de la infraestructura portuaria y el Ć­ndice
de desempeƱo logƭstico en el continente americano. Para graficar se acomodaron los datos de los paƭses
por orden alfabƩtico y por aƱo, tal como se deben apilar para correr un modelo con datos panel. En general
se observa una relaciĆ³n positiva entre ambas variables.
Figura 1. RelaciĆ³n grĆ”fica entre el Ć­ndice de la calidad de la infraestructura portuaria y el Ć­ndice de
desempeƱo logĆ­stico en el continente americano. Fuente: ElaboraciĆ³n propia con datos de UNCTAD (2021),
CEPALSTAT (2021) y World Economic Forum (2019)
En al Figura 2 se aprecia una relaciĆ³n positiva entre el Ć­ndice de conectividad de las lĆ­neas navieras y el
ƭndice de desempeƱo logƭstico en el continente americano
Figura 2. RelaciĆ³n grĆ”fica entre el Ć­ndice de conectividad de las lĆ­neas navieras y el Ć­ndice de desempeƱo
logĆ­stico en el continente americano.
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
01234567
ƭndice de desempeƱo logƭstico
ƍndice de la calidad de la infraestructura portuaria
RealciĆ³n entre ICIP y IDL
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
020 40 60 80 100
ƭndice de desempeƱo logƭstico
ƍndice de conectividad de las lƭneas navieras
RelaciĆ³n entre Conectividad de las lĆ­neas navieras y el Ć­ndice
de desempeƱo logƭstico
GutiƩrrez-Ortiz, A. et al.
7 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
Para estimar el Modelo 1, se consideraron los valores de las variables en el mismo periodo, suponiendo que
las relaciones empƭricas entre las variables son contemporƔneas (Tabla 1).
Tabla 1.
Modelo 1 RegresiĆ³n con Datos Panel con datos contemporĆ”neos
Variable Dependiente IDL (ƍndice de DesempeƱo LogĆ­stico)
Variables
T- EstadĆ­stico
X1 ICIP
1.934062
X2 ICLN
5.092723
C
15.38401
R cuadrada
Jarque- Bera (Probabilidad)
R cuadrada ajustada
EstadĆ­stico Durbin-Watson
EstadĆ­stico F
Hausman Test
Valor de prob. F
Cross-section Random
El Modelo 1 de regresiĆ³n con datos panel estimado es estadĆ­sticamente significativo tanto en su conjunto
como en lo individual, se obtuvo una F estadĆ­stica de 8.552228 y el valor de su probabilidad es igual a cero
lo que indica un nivel de confianza de 99%. El coeficiente de determinaciĆ³n es de 0.31 (R cuadrada
ajustada) lo que indica una bondad de ajuste razonable, es decir, el modelo propuesto explica el 31% del
fenĆ³meno abordado. El estadĆ­stico Durbin-Watson estĆ” en 1.941813, lo que da fuerte indicios de que no se
estĆ” en presencia de correlaciĆ³n serial, y la prueba de normalidad jarque-bera indica que los residuos se
comportan de manera normal de forma que cumple con los supuestos clƔsicos del modelo. En lo individual
tanto el intercepto como las variables independientes son estadĆ­sticamente significativas a un 99% de
confianza y son consistentes con la teorĆ­a ya que tienen el signo positivo esperado. La prueba de Hausman
arrojĆ³ un valor de probabilidad de 0.0941 lo que indica que no se debe rechazar la hipĆ³tesis nula (si se
considera un 99% o un 95% de confianza) que indica que el modelo se ajusta mejor con efectos aleatorios,
por lo que asĆ­ se estimĆ³.
Los coeficientes obtenidos de la estimaciĆ³n indican que un aumento de una unidad en el Ć­ndice de la calidad
en la infraestructura portuaria impacta en un aumento de 0.075300 en el ƭndice de desempeƱo logƭstico.
Con respecto al Ć­ndice de conectividad de las lĆ­neas navieras, un aumento de una unidad impacta en
0.013951 en el Ć­ndice de desempeƱo logĆ­stico, esta Ćŗltima variable tiene un impacto menor o marginal pero
altamente significativo en tƩrminos de confiabilidad estadƭstica.
Para estimar el Modelo 2 economĆ©trico con datos panel para probar la hipĆ³tesis se determinĆ³ un modelo
dinƔmico rezagando un periodo las variables independientes, de modo que las relaciones empƭricas entre
las variables ya no son contemporƔneas en este modelo. Esto significa que el desempeƱo logƭstico del aƱo
2018 por ejemplo, depende de la calidad en la infraestructura portuaria y la conectividad de las lĆ­neas
navieras del periodo anterior (del aƱo 2016), y asƭ sucesivamente., lo mismo para la variable conectividad
de las lĆ­neas navieras.
Tabla 2.
Modelo 2. RegresiĆ³n con Datos Panel con un rezago en las variables explicativas
Variable Dependiente IDL (ƍndice de DesempeƱo LogĆ­stico)
Variables
T- EstadĆ­stico
X1 ICIP(-1)
2.842499
X2 ICLN(-1)
4.964548
C
13.40183
R cuadrada
Jarque- Bera (Probabilidad)
R cuadrada ajustada
EstadĆ­stico Durbin-Watson
EstadĆ­stico F
Hausman Test
Valor de prob. F
Cross-section Random
GutiƩrrez-Ortiz, A. et al.
8 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
El Modelo 2 se estimĆ³ con un rezago en cada variable independiente, para dinamizar el modelo. Este
modelo es estadĆ­sticamente significativo tanto en su conjunto como en lo individual, se obtuvo una F
estadĆ­stica de 12.16 a un nivel de confianza de 99%. El coeficiente de determinaciĆ³n es de 0.41 (R cuadrada
ajustada) lo que indica una bondad de ajuste considerable, es decir, el modelo propuesto explica el 41% del
fenĆ³meno abordado. El estadĆ­stico Durbin-Watson estĆ” en 2.18, lo que da fuerte indicios de que no se estĆ”
en presencia de correlaciĆ³n serial, y la prueba de normalidad jarque-bera indica que los residuos se
comportan de manera normal de forma que cumple con los supuestos clƔsicos del modelo. En lo individual
tanto el intercepto como las variables independientes son estadĆ­sticamente significativas a un 99% de
confianza y son consistentes con la teorĆ­a ya que tienen el signo positivo esperado. La prueba de Hausman
arrojĆ³ un valor de probabilidad de 0.3966 lo que indica que no se debe rechazar la hipĆ³tesis nula que indica
que el modelo se ajusta mejor con efectos aleatorios, por lo que asĆ­ se estimĆ³ (Ver tabla 2).
Los coeficientes obtenidos de la estimaciĆ³n indican que un aumento de una unidad en el Ć­ndice de la calidad
en la infraestructura portuaria impacta en un aumento de 0.117425 en el ƭndice de desempeƱo logƭstico.
Con respecto al Ć­ndice de conectividad de las lĆ­neas navieras, un aumento de una unidad impacta en
0.014625 en el Ć­ndice de desempeƱo logĆ­stico, esta Ćŗltima variable tiene un impacto menor o marginal pero
altamente significativo en tƩrminos de confiabilidad estadƭstica.
El modelo con mejor ajuste es el 3 que incorpora 3 rezagos para la calidad de la infraestructura portuaria
y uno para la conectividad de las lĆ­neas navieras, quedando la ecuaciĆ³n expresada asĆ­:
ī“»
ļ‡œļ‡§ ļŒ ī·šļ„“ļ‡œ ļ… ī·šļ„µī“ŗļ„µļ‡§ļ„æļ„· ļ… ī·šļ„¶ī“ŗļ„¶ļ‡§ļ„æļ„µļ…ī˜ƒī·ļ‡œļ‡§ (5)
Tabla 3.
Modelo 3. RegresiĆ³n con rezagos distribuidos en las variables explicativas
Variable Dependiente IDL (ƍndice de DesempeƱo LogĆ­stico)
Variables
T- EstadĆ­stico
X1 ICIP(-3)
2.353094
X2 ICLN(-1)
4.727633
C
10.73589
R cuadrada
Jarque- Bera (Probabilidad)
R cuadrada ajustada
EstadĆ­stico Durbin-Watson
EstadĆ­stico F
Hausman Test
Valor de prob. F
Cross-section Random
El Modelo 3 se estimĆ³ con tres rezagos en la variable Ć­ndice de la calidad de la infraestructura portuaria y
con un rezago en la variable Ć­ndice de conectividad de las lĆ­neas navieras, ya que con esa especificaciĆ³n es
como mejor se comporta el modelo. El modelo 3 es estadĆ­sticamente significativo tanto en su conjunto como
en lo individual, se obtuvo una F estadĆ­stica de 16.31 y el valor de su probabilidad es igual a cero lo que
indica un nivel de confianza de 99%. El coeficiente de determinaciĆ³n es de 0.5408 (R cuadrada ajustada) lo
que indica una bondad de ajuste importante, es decir, el modelo propuesto explica el 54.08 % del fenĆ³meno
abordado. El estadĆ­stico Durbin-Watson estĆ” en 2.03, por lo que no hay correlaciĆ³n serial, y la prueba de
normalidad jarque-bera indica que los residuos se comportan de manera normal de forma que cumple con
los supuestos clƔsicos del modelo. En lo individual tanto el intercepto como las variables independientes
son estadĆ­sticamente significativas a un 99% de confianza y son consistentes con la teorĆ­a ya que tienen el
signo positivo esperado.
La prueba de Hausman arrojĆ³ un valor de probabilidad de 0.1628 lo que indica que no se debe rechazar la
hipĆ³tesis nula que indica que el modelo se ajusta mejor con efectos aleatorios, al ser un modelo de efectos
aleatorios en las secciones cruzadas significa que los paƭses estudiados (unidades de anƔlisis) son
GutiƩrrez-Ortiz, A. et al.
9 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
heterogƩneos, es decir hay ciertas variaciones y particularidades entre ellos, lo cual es muy consistente con
la realidad.
Los coeficientes obtenidos de la estimaciĆ³n indican que un aumento de una unidad en el Ć­ndice de la calidad
en la infraestructura portuaria impacta en un aumento de 0.120317 en el ƭndice de desempeƱo logƭstico.
Con respecto al Ć­ndice de conectividad de las lĆ­neas navieras, un aumento de una unidad impacta en
0.015749 en el Ć­ndice de desempeƱo logĆ­stico, esta Ćŗltima variable tiene un impacto menor o marginal pero
altamente significativo en tƩrminos de confiabilidad estadƭstica.
Los tres modelos son muy consistentes, ya que se mantienen los signos (positivos) que indican una relaciĆ³n
directa entre la variable de estudio y las variables predictoras, que es lo que se esperaba teĆ³ricamente, y
los tres modelos son estadƭsticamente confiables, destaca que la variable con mƔs impacto en el desempeƱo
logĆ­stico es la calidad de la infraestructura, revelĆ”ndose incluso una relaciĆ³n sostenida en el tiempo que al
aplicar rezagos sugiere una relaciĆ³n de largo plazo.
4. DISCUSIƓN
Los resultados obtenidos en los modelos seƱalados son consistentes y muestran la relaciĆ³n que existe entre
las variables analizadas, asĆ­ como la explicaciĆ³n que proporciona cada variable independiente hacĆ­a la
variable dependiente. De hecho, se aprecia una evoluciĆ³n en los modelos al exponer una explicaciĆ³n cada
vez mƔs fuerte en el modelo final con respecto al primer modelo.
De acuerdo con Yang & Li (2022), en las Ćŗltimas dos dĆ©cadas, empresas chinas han invertido en mĆ”s de 100
puertos alrededor del mundo, factores como la cadena de suministro, oportunidades geopolĆ­ticas y la
eficiencia portuaria son determinantes en estas inversiones.
SegĆŗn Czerny et al. (2022), desde la implementaciĆ³n de la iniciativa de la ruta de la seda, ha habido cambios
significativos en tĆ©rminos de inversiĆ³n en infraestructura, conectividad, y redes de cadenas de suministro,
asĆ­ como de desarrollo comercial. A raĆ­z de la iniciativa de la ruta de la seda se estiman alrededor de 700
proyectos de inversiĆ³n en infraestructura de transporte a lo largo de 96 paĆ­ses trayendo cambios en la
industria, en el mercado, en las finanzas y en la regiĆ³n, lo que motiva y promueve una mayor actividad en
la coordinaciĆ³n de las polĆ­ticas.
Adicionalmente, Dong et al. (2022) argumentan que la falta de competencia en las lĆ­neas navieras y
terminales de contenedores de menor capacidad, pueden generar escenarios de aumento de precios, lo que
confirma que aumentar la inversiĆ³n en infraestructura portuaria y conectividad es benĆ©fico para la
competitividad del sector marĆ­timo.
Wang et al. (2021) realizaron un estudio economƩtrico con series de tiempo, y encuentran que hay una
relaciĆ³n positiva de largo plazo entre la infraestructura logĆ­stica y el crecimiento econĆ³mico en China. Por
lo que los esfuerzos en materia de infraestructura logƭstica impactan no nada mƔs a los actores portuarios
y aquellos relacionados directamente con la actividad logƭstica y comercial sino tambiƩn a la economƭa del
paĆ­s.
Estos resultados son consistentes con estudios recientes como el de Yip et al. (2022), quiƩnes realzan la
importancia de la conectividad marƭtima y el desempeƱo logƭstico como facilitadores de las exportaciones
y del comercio.
TambiĆ©n, se observa que efectivamente existen fuertes indicios de la correlaciĆ³n entre las variables y su
explicaciĆ³n entre las mismas, tal cual lo seƱalan Ansorena (2018), Munim & Schramm (2018), Fugazza &
Hoffmann (2017), Bartholdi et al. (2016) y Wilmsmeier & Hoffmann (2008).
Es importante reconocer que estas estimaciones son promedio para el periodo de estudio y los paĆ­ses
analizados. En sƭntesis, tanto el ƍndice de Calidad de la Infraestructura Portuaria (X1) como el ƍndice de
GutiƩrrez-Ortiz, A. et al.
10 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
Conectividad de las LĆ­neas Navieras (X2) tienen un impacto positivo y estadĆ­sticamente significativo en el
ƭndice de DesempeƱo Logƭstico.
CONCLUSIONES
El ƭndice de desempeƱo logƭstico se ha convertido en un referente mundial en materia de comercio
internacional, por lo que diversos paĆ­ses en desarrollo y desarrollados lo utilizan (consultan) con
frecuencia para identificar las Ɣreas a mejorar. Por su parte, el ƭndice de conectividad de las lƭneas navieras
indica la conexiĆ³n que existe entre los paĆ­ses y sus redes marĆ­timas, es decir la habilidad que tienen los
paĆ­ses para participar en el comercio global marĆ­timo, de esto se desprende la relevancia y pertinencia de
conseguir un adecuado Ć­ndice de conectividad marĆ­tima.
Por lo tanto, es primordial reflexionar acerca de las inversiones en materia de infraestructura portuaria y
en la promociĆ³n de conectar adecuadamente a los puertos, ya que de acuerdo a esta investigaciĆ³n, estas
dos variables tienen un impacto positivo y significativo en el desempeƱo logƭstico, por lo que una
disminuciĆ³n en cualquiera de ellas podrĆ­a generar obstĆ”culos significativos para la comercializaciĆ³n entre
los paĆ­ses.
La calidad de la infraestructura portuaria y la conectividad de las lĆ­neas navieras son decisiones
importantes de largo plazo, que probablemente requieren de fuertes inversiones tanto del sector privado
como del pĆŗblico, lo que implica una coordinaciĆ³n y comunicaciĆ³n efectiva entre diferentes dependencias,
instituciones y actores del sector social y productivo relacionados con el comercio exterior y la actividad
portuaria, lo cual lo vuelve complejo y retador, sin embargo, es un tema de interƩs tanto para funcionarios
pĆŗblicos como para empresarios e inversionistas, por lo que seguramente es un tema que ocupa un espacio
en la agenda portuaria.
En conclusiĆ³n, se confirma la hipĆ³tesis de que el desempeƱo logĆ­stico del continente americano depende
de manera positiva y sostenida principalmente de la calidad de la infraestructura portuaria y en segundo
lugar de la conectividad de las lƭneas navieras. SerƔ interesante en futuras investigaciones incluir mƔs
variables en la ecuaciĆ³n de modo que el poder explicativo o bondad de ajuste del modelo se eleve y se tenga
un estudio mƔs robusto considerando mƔs variables, ademƔs de las analizadas en este trabajo.
FINANCIAMIENTO
Ninguno
CONFLICTO DE INTERESES
No existe ningĆŗn tipo de conflicto de interĆ©s relacionado con la materia del trabajo.
CONTRIBUCIƓN DE LOS AUTORES
ConceptualizaciĆ³n: GutiĆ©rrez-Ortiz, A., MĆ©ndez-GonzĆ”lez, C. y Infante-JimĆ©nez, Z. T.
CuraciĆ³n de datos: GutiĆ©rrez-Ortiz, A. y MĆ©ndez-GonzĆ”lez, C.
AnƔlisis formal: MƩndez-GonzƔlez, C. y Infante-JimƩnez, Z. T.
InvestigaciĆ³n: GutiĆ©rrez-Ortiz, A., MĆ©ndez-GonzĆ”lez, C. y Infante-JimĆ©nez, Z. T.
VisualizaciĆ³n: GutiĆ©rrez-Ortiz, A. y Infante-JimĆ©nez, Z. T.
RedacciĆ³n - borrador original: GutiĆ©rrez-Ortiz, A., MĆ©ndez-GonzĆ”lez, C. y Infante-JimĆ©nez, Z. T.
RedacciĆ³n - revisiĆ³n y ediciĆ³n: GutiĆ©rrez-Ortiz, A., MĆ©ndez-GonzĆ”lez, C. y Infante-JimĆ©nez, Z. T.
GutiƩrrez-Ortiz, A. et al.
11 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
REFERENCIAS BIBLIOGRƁFICAS
Ahmodu, K. O., & Okeudo, G. N. (2021). Infraestructure development and service quality in the Nigerian
ports. British International Journal of Education and Social Sciences, 8(4), 1ā€“12.
https://cirdjournal.com/index.php/bijess/article/view/228
Ansorena, I. L. (2018). Bilateral connectivity in the liner shipping network: an overview. World Review of
Intermodal Transportation Research, 7(4), 295. https://doi.org/10.1504/WRITR.2018.095255
Arvis, J.-F., Alina Mustra, M., Ojala, L., Shepherd, B., & Saslavsky, D. (2010). Connecting to Compete 2010:
Trade Logistics in the Global Economy--The Logistics Performance Index and Its Indicators. The
International Bank for Reconstruction and Development/The World Bank.
https://openknowledge.worldbank.org/entities/publication/5b468345-87e4-56fd-8107-
fe913ee7f05c/full
Bartholdi, J. J., Jarumaneeroj, P., & Ramudhin, A. (2016). A new connectivity index for container ports.
Maritime Economics & Logistics. https://doi.org/10.1057/mel.2016.5
CEPALSTAT. (2021). Movimiento portuario de contenedores.
https://statistics.cepal.org/portal/cepalstat/dashboard.html?indicator_id=1044&area_id=439&lang
=es
Chen, S.-L., Jeevan, J., & Cahoon, S. (2016). Malaysian Container Seaport-Hinterland Connectivity: Status,
Challenges and Strategies. The Asian Journal of Shipping and Logistics, 32(3), 127ā€“138.
https://doi.org/10.1016/j.ajsl.2016.09.001
Czerny, A. I., Fu, X., & Lee, P. T.-W. (2022). An introductory overview of the Belt and Road Initiative
studies. In Market Development and Policy for One Belt One Road (pp. 1ā€“7). Elsevier.
https://doi.org/10.1016/B978-0-12-815971-2.00003-7
de Langen, P. W., & Sharypova, K. (2013). Intermodal connectivity as a port performance indicator.
Research in Transportation Business & Management, 8, 97ā€“102.
https://doi.org/10.1016/j.rtbm.2013.06.003
Dong, G., Li, J., & Lee, P. T.-W. (2022). Collusive pricing detection in ocean container transport: A case
study of Maritime Silk Road. In Market Development and Policy for One Belt One Road (pp. 125ā€“153).
Elsevier. https://doi.org/10.1016/B978-0-12-815971-2.00010-4
Fugazza, M., & Hoffmann, J. (2017). Liner shipping connectivity as determinant of trade. Journal of
Shipping and Trade, 2(1), 1. https://doi.org/10.1186/s41072-017-0019-5
Gujarati, D., & Porter, D. (2009). EconometrĆ­a (5th ed.). McGraw-Hill/Irwin, Inc.
https://fvela.files.wordpress.com/2012/10/econometria-damodar-n-gujarati-5ta-ed.pdf
Herrera Dappe, M., & SuĆ”rez-AlemĆ”n, A. (2017). Competitiveness of South Asiaā€™s Container Ports: A
Comprehensive Assessment of Performance, Drivers and Costs. World Bank, Washington, DC.
https://openknowledge.worldbank.org/entities/publication/deb5f6ee-b1c4-5bf8-bf93-
30d978659f45
Hoffmann, J. (2005). Liner Shipping Connectivity (pp. 4ā€“12). UNCTAD Transport Newsletter.
https://unctad.org/system/files/official-document/sdtetlbmisc20051_en.pdf
Hoffmann, J., Saeed, N., & SĆødal, S. (2020). Liner shipping bilateral connectivity and its impact on South
Africaā€™s bilateral trade flows. Maritime Economics & Logistics, 22(3), 473ā€“499.
https://doi.org/10.1057/s41278-019-00124-8
Lakshmanan, T. R. (2011). The broader economic consequences of transport infrastructure investments.
GutiƩrrez-Ortiz, A. et al.
12 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
Journal of Transport Geography, 19(1), 1ā€“12. https://doi.org/10.1016/j.jtrangeo.2010.01.001
LĆ³pez Medina, M., & Pardo Castiblanco, C. F. (2019). Transporte marĆ­timo en Indonesia: desafĆ­o que
enfrenta el paĆ­s por falta de inversiĆ³n en infraestructura [Universidad El Bosque].
https://repositorio.unbosque.edu.co/handle/20.500.12495/3071
MartĆ­, L., Puertas, R., & GarcĆ­a, L. (2014). The importance of the Logistics Performance Index in
international trade. Applied Economics, 46(24), 2982ā€“2992.
https://doi.org/10.1080/00036846.2014.916394
Munim, Z. H., & Schramm, H.-J. (2018). The impacts of port infrastructure and logistics performance on
economic growth: the mediating role of seaborne trade. Journal of Shipping and Trade, 3(1), 1.
https://doi.org/10.1186/s41072-018-0027-0
Nava-Aguirre, K. M., De las Fuentes-Melo, M., DƔvila-Randall, H., & Salas-Valerio, R. (2020). Importancia
del desempeƱo logƭstico en el comercio exterior mexicano. Breve anƔlisis del periodo 2010-2016.
Ciencias Administrativas. TeorĆ­a Y Praxis, 15(2), 79ā€“96.
https://cienciasadmvastyp.uat.edu.mx/index.php/ACACIA/article/view/235
Paflioti, P., Vitsounis, T. K., Tsamourgelis, I., & Bell, M. G. H. (2014). Container Seaports Connectivity: A
ā€œConceptā€ Analysis. International Forum on Shipping, Ports and Airports (IFSPA) 2014: Sustainable
Development in Shipping and Transport Logistics, 467ā€“491. https://trid.trb.org/view/1329084
Pupavac, D., & Golubović, F. (2015). Croatian competitivenes within european logistics space. Proceedings
of The 15th International Scientific Conference Business Logistics in Modern Management.
https://hrcak.srce.hr/ojs/index.php/plusm/article/view/3885
Quintero Ramos, M., Almanza-Vides, K., & Pimienta GĆ³mez, S. (2021). Estrategias para potenciar la
competitividad internacional de Puertos MarĆ­timos en contextos globalizados. Revista de Ciencias
Sociales, 27(3), 250ā€“271. https://doi.org/10.31876/rcs.v27i3.36768
Salgado Oportus, O., & Cea Echeverrƭa, P. (2012). AnƔlisis de la conectividad externa de los puertos de
Chile como un factor de competitividad. Ingeniare. Revista Chilena de IngenierĆ­a, 20(1), 25ā€“39.
https://doi.org/10.4067/S0718-33052012000100004
UNCTAD. (2021). Liner shipping connectivity index, quarterly.
https://unctadstat.unctad.org/wds/TableViewer/tableView.aspx?ReportId=92
Wang, C., Kim, Y.-S., & Kim, C. Y. (2021). Causality between logistics infrastructure and economic
development in China. Transport Policy, 100, 49ā€“58. https://doi.org/10.1016/j.tranpol.2020.10.005
Wang, T.-F., & Cullinane, K. (2006). The Efficiency of European Container Terminals and Implications for
Supply Chain Management. Maritime Economics & Logistics, 8(1), 82ā€“99.
https://doi.org/10.1057/palgrave.mel.9100151
Wilmsmeier, G., & Hoffmann, J. (2008). Liner Shipping Connectivity and Port Infrastructure as
Determinants of Freight Rates in the Caribbean. Maritime Economics & Logistics, 10(1ā€“2), 130ā€“151.
https://doi.org/10.1057/palgrave.mel.9100195
World Economic Forum. (2019). Calidad de la infraestructura portuaria - Clasificaciones. The Global
EconomĆ½. https://es.theglobaleconomy.com/rankings/seaports_quality/
Yang, D., & Li, L. (2022). The investment efficiency of overseas ports: Three macroscopic factors. In
Market Development and Policy for One Belt One Road (pp. 77ā€“98). Elsevier.
https://doi.org/10.1016/B978-0-12-815971-2.00009-8
Yip, T. L., Chan, E. M. H., & Ho, D. C. K. (2022). Chinaā€™s Belt and Road Initiative: Quantifying the causal
GutiƩrrez-Ortiz, A. et al.
13 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
relationship between maritime connectivity and global trade. In Market Development and Policy for
One Belt One Road (pp. 9ā€“25). Elsevier. https://doi.org/10.1016/B978-0-12-815971-2.00007-4
Zepeda-Ortega, I. E., Ɓngeles-Castro, G., & Carrillo-Murillo, D. G. (2017). Infraestructura portuaria y
crecimiento econĆ³mico regional en MĆ©xico. EconomĆ­a Sociedad y Territorio, 337ā€“366.
https://doi.org/10.22136/est002017806
GutiƩrrez-Ortiz, A. et al.
14 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
ANEXOS
Anexo 1.
Datos del desempeƱo logƭstico por paƭs
ƍndice de DesempeƱo LogĆ­stico
PaĆ­s
2010
2012
2014
2016
2018
Argentina
3.10
3.05
2.99
2.96
2.89
Brasil
3.20
3.13
2.94
3.09
2.99
CanadĆ”
3.87
3.85
3.86
3.93
3.73
Chile
3.09
3.17
3.26
3.25
3.32
Colombia
2.77
2.87
2.64
2.61
2.94
Costa Rica
2.91
2.75
2.70
2.65
2.79
Ecuador
2.77
2.76
2.71
2.78
2.88
El Salvador
2.67
2.60
2.96
2.71
2.58
Estados Unidos
3.86
3.93
3.92
3.99
3.89
Guatemala
2.63
2.80
2.80
2.48
2.41
HaitĆ­
2.59
2.03
2.27
1.72
2.11
Honduras
2.78
2.53
2.61
2.46
2.60
MĆ©xico
3.05
3.06
3.13
3.11
3.05
Nicaragua
2.54
2.54
2.65
2.53
2.53
PanamĆ”
3.02
2.93
3.19
3.34
3.28
Paraguay
2.75
2.48
2.78
2.56
2.78
PerĆŗ
2.80
2.94
2.84
2.89
2.69
RepĆŗblica Dominicana
2.82
2.70
2.86
2.63
2.66
Uruguay
2.75
2.98
2.68
2.97
2.69
Venezuela
2.68
2.49
2.81
2.39
2.23
Anexo 2.
InformaciĆ³n de las variables acomodada como panel de datos (5 aƱos, 20 paĆ­ses)
Paƭs/AƱo/Variable
ICIP
ICLN
IDL
Argentina2010
3.8
26.2
3.10
Argentina2012
3.7
28.8
3.05
Argentina2014
3.7
33.3
2.99
Argentina2016
3.8
32.3
2.96
Argentina2018
3.7
33.2
2.89
Brasil2010
2.9
31.1
3.20
Brasil2012
2.6
33.9
3.13
Brasil2014
2.7
36.4
2.94
Brasil2016
2.9
35.3
3.09
Brasil2018
3.1
35.4
2.99
Canada2010
5.7
36.9
3.87
Canada2012
5.7
35.4
3.85
Canada2014
5.5
41.6
3.86
Canada2016
5.4
42.8
3.93
Canada2018
5.1
45.4
3.73
Chile2010
5.4
22.7
3.09
Chile2012
5.2
28.5
3.17
Chile2014
5
28.8
3.26
Chile2016
4.9
32.2
3.25
Chile2018
4.8
36.2
3.32
Colombia2010
3.4
30.5
2.77
Colombia2012
3.1
34.1
2.87
Colombia2014
3.7
37.7
2.64
Colombia2016
3.7
49.0
2.61
GutiƩrrez-Ortiz, A. et al.
15 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
Colombia2018
4
46.7
2.94
Costarica2010
2.7
19.3
2.91
Costarica2012
2.4
18.2
2.75
Costarica2014
3
19.5
2.70
Costarica2016
3.2
18.2
2.65
Costarica2018
3.5
18.0
2.79
Ecuador2010
3.7
22.8
2.77
Ecuador2012
3.9
20.6
2.76
Ecuador2014
4.3
21.6
2.71
Ecuador2016
4.7
30.0
2.78
Ecuador2018
4.4
26.3
2.88
Elsalvador2010
4.1
8.2
2.67
Elsalvador2012
3.9
7.7
2.60
Elsalvador2014
4.7
8.6
2.96
Elsalvador2016
3.5
8.8
2.71
Elsalvador2018
3.1
9.6
2.58
Estadosunidos2010
5.5
77.2
3.86
Estadosunidos2012
5.6
82.6
3.93
Estadosunidos2014
5.7
86.0
3.92
Estadosunidos2016
5.7
88.2
3.99
Estadosunidos2018
5.8
88.1
3.89
Guatemala2010
4.5
19.2
2.63
Guatemala2012
4
14.7
2.80
Guatemala2014
4
20.8
2.80
Guatemala2016
3.7
23.1
2.48
Guatemala2018
3.8
25.4
2.41
Haiti2010
1.8
5.6
2.59
Haiti2012
1.9
7.9
2.03
Haiti2014
2.5
9.3
2.27
Haiti2016
2.6
11.0
1.72
Haiti2018
2.4
10.2
2.11
Honduras2010
5.3
13.3
2.78
Honduras2012
4.6
12.8
2.53
Honduras2014
4.1
14.4
2.61
Honduras2016
4.5
14.0
2.46
Honduras2018
4.4
13.1
2.60
Mexico2010
3.7
35.2
3.05
Mexico2012
4.3
37.7
3.06
Mexico2014
4.3
39.3
3.13
Mexico2016
4.4
45.8
3.11
Mexico2018
4.3
44.9
3.05
Nicaragua2010
2.8
8.4
2.54
Nicaragua2012
3.2
7.1
2.54
Nicaragua2014
3.2
7.8
2.65
Nicaragua2016
2.8
8.3
2.53
Nicaragua2018
3.2
8.2
2.53
Panama2010
6
35.0
3.02
Panama2012
6.4
41.8
2.93
Panama2014
6.3
42.0
3.19
Panama2016
6.3
48.8
3.34
Panama2018
5.7
48.1
3.28
Paraguay2010
3.3
1.0
2.75
Paraguay2012
3.6
1.0
2.48
Paraguay2014
3.2
1.0
2.78
GutiƩrrez-Ortiz, A. et al.
16 Rev. Amaz. Cienc. Econ. 2(2): e526; (Jul-Dic, 2023). e-ISSN: 2810-8825
Paraguay2016
3.1
1.0
2.56
Paraguay2018
3.4
1.2
2.78
Peru2010
3.3
24.2
2.80
Peru2012
3.5
29.3
2.94
Peru2014
3.7
30.5
2.84
Peru2016
3.6
34.5
2.89
Peru2018
3.6
38.0
2.69
Dominicana2010
4.3
24.6
2.82
Dominicana2012
4.7
26.6
2.70
Dominicana2014
4.6
28.4
2.86
Dominicana2016
4.6
32.4
2.63
Dominicana2018
4.6
38.2
2.66
Uruguay2010
5.1
22.7
2.75
Uruguay2012
4.9
26.4
2.98
Uruguay2014
4.7
29.6
2.68
Uruguay2016
4.8
29.6
2.97
Uruguay2018
4.8
30.8
2.69
Venezuela2010
2.4
22.1
2.68
Venezuela2012
2.5
22.3
2.49
Venezuela2014
2.6
20.5
2.81
Venezuela2016
2.6
13.9
2.39
Venezuela2018
2.2
12.1
2.23