impacto de exportaciones de productos …
TRANSCRIPT
FACULTAD DE CIENCIAS EMPRESARIALES
Carrera de Administración y Emprendimiento
IMPACTO DE EXPORTACIONES DE PRODUCTOS
HIDROBIOLÓGICOS CONGELADOS EN EL
CRECIMIENTO ECONÓMICO DEL PERÚ
2012 – 2019
Trabajo de Investigación para optar el Grado Académico de
Bachiller en Administración y Emprendimiento
MARCELO ALEJANDRO VÁSQUEZ BERMUDEZ
Lima – Perú
2020
Contenido
Resumen ........................................................................................................................................3
Introducción ...................................................................................................................................1
Método ..........................................................................................................................................3
Tipo y diseño de investigación ......................................................................................................3
Participantes ..................................................................................................................................3
Instrumentos .................................................................................................................................4
Procedimiento ...............................................................................................................................5
Análisis de datos ............................................................................................................................6
Resultados .....................................................................................................................................7
Discusión ..................................................................................................................................... 12
Referencias Bibliográficas .......................................................................................................... 14
IMPACTO DE EXPORTACIONES DE PRODUCTOS HIDROBIOLÓGICOS
CONGELADOS EN EL CRECIMIENTO ECONÓMICO DEL PERÚ 2012–2019
Vásquez, Marcelo1
Resumen
En la presente investigación se realizó un análisis de los efectos que tuvieron la exportación
de productos hidrobiológicos congelados, el tipo de cambio nominal y la exportación de
jurel congelado sobre el crecimiento económico del Perú en el periodo de 2012 a 2019. La
metodología utilizada es no experimental, longitudinal y de tendencia, donde se utilizaron
32 observaciones trimestrales por cada variable. Los resultados obtenidos en la
investigación son mediante series de tiempo y se utilizó el modelo de Mínimos Cuadrados
Ordinarios (MCO) con ayuda del software estadístico E-views y, de esta manera, los
efectos marginales indicaron que las exportaciones de productos hidrobiológicos
congelados sí impactaron positivamente en el crecimiento económico del Perú en los años
evaluados. Por un lado, la variable evaluada con mayor impacto en el crecimiento del PBI
del Perú sería el tipo de cambio, seguido de las exportaciones de productos
hidrobiológicos. Por otro lado, la participación individual de las exportaciones de jurel
congelado no presentó una significancia relevante en el crecimiento del PBI, arrojando un
efecto marginal muy bajo.
Palabras clave: Exportación de hidrobiológicos congelados, tipo de cambio, Producto
Bruto Interno, Series de tiempo, Crecimiento económico.
1Alumno de la Carrera de Administración y Emprendimiento de la Universidad San Ignacio
de Loyola.
Email: [email protected]
Abstract
This research consist on the analysis of the effects that the export of frozen hydrobiological
products, the nominal exchange rate and the export of frozen horse mackerel have on the
economic growth of Peru in the period from 2012 to 2019. It will have a non-experimental,
longitudinal and trendy methodology, where 32 quarterly observations will be used for each
variable. The results obtained in the research are through time series and the Ordinary
Least Squares (OLS) model was used with the help of the statistical software E-views and,
in this way, the marginal effects indicated that the exports of frozen hydrobiological products
did have a positive impact in the economic growth of Peru in the evaluated years. On the
one hand, the variable evaluated with the greatest impact on the growth of Peru's Gross
Domestic Product would be the exchange rate, followed by exports of hydrobiological
products. On the other hand, the individual share of frozen horse mackerel exports did not
show a relevant significance in GDP growth, showing a very low marginal effect.
Key words: Export of frozen hydrobiological products, Exchange rate, Gross Domestic
Product, Time series, Economic growth.
1
Introducción
El Perú es un país que a lo largo de los años se ha caracterizado por exportar materia
prima a muchos países del mundo, entre los que más destacan China y Estados Unidos, a
los cuales le ha podido brindar grandes cantidades de productos, por lo cual se ha
posicionado como el primer lugar en crecimiento exportador del continente americano y
esto ha impactado de manera muy positiva a la economía peruana en general. Uno de los
sectores que más aporta es la Pesca, es por ello que, ante la motivación de conocer más
acerca de las actividades dentro de este sector, se investigará acerca de los productos
hidrobiológicos congelados de los que muy poco se ha hablado o conoce aún, ya que se
cree que todo gira en base a la harina de pescado, cuando no es así.
La industria pesquera ha jugado un rol bastante importante en el crecimiento económico
del Perú, gracias a la gran variedad de productos hidrobiológicos que se extrae de toda la
costa peruana, siendo la pesca parte del grupo de las 4 principales actividades económicas
que ayudan a sostener el país, junto al sector minero, agropecuario y la construcción. Por
su parte, los productos pesqueros se dividen en harina, aceite, enlatados y congelados.
En este trabajo de investigación se priorizará el último de estos, siendo el objetivo
principal analizar y demostrar el impacto que la exportación de estos productos
hidrobiológicos congelados ha tenido respecto al crecimiento de la economía peruana entre
2012 y 2019. Por ello, se realizará un análisis profundo para finalmente determinar el nivel
de impacto y la relación entre las variables. Así también, es importante mencionar que la
exportación de productos hidrobiológicos congelados es importante para el país, ya que
sus aportes incrementan cada vez más, llegando a países como Nigeria, Estados Unidos,
España, China, entre otros, con el fin de ser subastados a restaurantes y/o frigoríficos para
posterior consumo humano directo.
Como bien se sabe, los productos correspondientes al sector Pesca son parte del
conjunto de actividades que potencian el crecimiento económico del Perú, el cual se ha
mantenido positivo desde fines de los años noventa hasta la actualidad, ya que según el
Instituto Nacional de Estadística e Informática, el volumen de las exportaciones FOB
alcanzó el nivel más alto desde el 2002 y reportó un incremento de 5.6% respecto al valor
registrado en el año 2017. (INEI, 2018). Es importante conocer este dato para ir
2
desmenuzando la información y llegar al punto principal, que es conocer el verdadero
impacto de la exportación de pesca congelada en el Perú en los últimos años.
Entonces, es relevante saber que el sector Pesca contribuye a los valores antes
mencionados, ya que el Ministerio de Producción, mediante sus boletines mensuales del
sector pesquero respecto al desenvolvimiento productivo de la actividad pesquera,
menciona que en cuanto a la exportación de productos pesqueros congelados de consumo
humano directo, este rubro totalizó 19.4 mil toneladas de carga de exportación, equivalente
a 67.7 millones de dólares americanos solo para Diciembre del 2018, una cifra muy
importante y que registra un incremento respecto al . Y según su estructura de
participación, el 72.4% de los envíos corresponde a productos pesqueros congelados,
seguido en menor proporción de productos enlatados (14.2%) y curados (13.4%).
(PRODUCE, 2018). Esto nos da a entender que las exportaciones de productos marinos
congelados está tomando la delantera, y con estos datos, podemos entender que el mundo
pesquero debe ser atendido con mayor importancia para mejorar la forma en que
observamos nuestros océanos, ya que estos no solo nos ofrecen bellos paisajes naturales,
sino que también promueven mucho empleo y es fuente de alimento de muchas personas
a nivel mundial.
Al año 2019 los números incrementaron en relación al año anterior. Según el Boletín
Informativo del sector pesquero a Diciembre 2019, el Ministerio de la Producción reporta
una variación porcentual positiva del 102.2% respecto al valor de exportación, lo que en
números serían 101.6 millones de US$ FOB. (PRODUCE, 2019). Esto, a comparación de
Diciembre 2018, es muy positivo para el sector, ya que pasaron de exportar 15 mil
toneladas en dicho mes, aproximadamente, a 32 mil. Esto nos deja el panorama más claro,
desde el año 2017 al año 2019 el Perú tuvo momentos muy variados en temas de
exportación de pesca, sin embargo, con el transcurso de los años, el sector pesquero tiene
mayor impacto en el crecimiento de la economía del Perú.
La presente investigación tiene una finalidad metodológica-práctica, la cual servirá en
posteriores estudios como herramienta de utilidad y apoyará en la toma de decisiones.
3
Método
Este trabajo de investigación tiene como finalidad determinar si la exportación de productos
hidrobiológicos congelados tiene un impacto en el crecimiento económico del Perú. Dado
que nuestra variable dependiente (crecimiento económico) es cuantitativa, se procederá a
analizar los datos obtenidos de manera cuantitativa, debido a que se recogen y analizan
datos cuantitativos sobre variables.
Tipo y diseño de investigación
El presente trabajo de investigación es de enfoque cuantitativo, en el cual los datos
recolectados son del período de 2012 a 2019. Se analizan, más no se manipulan los datos,
ya que es una investigación objetiva y de carácter estadístico. Con el análisis de esta
información se puede determinar el nivel de impacto de las exportaciones de productos
hidrobiológicos congelados en el crecimiento de la economía del Perú en el período antes
mencionado.
Respecto al diseño, se utiliza un modelo no experimental, longitudinal y de tendencia, por
la evolución de las variables a lo largo del tiempo.
Participantes
Para la presente investigación se trabajó con una muestra entre los años 2012 y 2019,
obteniendo datos de 8 años consecutivos, donde dicha información se recolectó en un
periodo trimestral, obteniendo 32 observaciones. Al tener 4 variables, se trabajará y
analizarán los datos con una muestra de 128 datos trimestrales.
Para determinar el impacto de las exportaciones de productos hidrobiológicos congelados
en el crecimiento económico del Perú, se utilizaron ciertas variables que fueron elegidas
en relación a la recopilación de información previa, las cuales se presentan a continuación:
4
Tabla 1 – Variables
N° Variable Codificación Def. Operacional
1
Exportación
Hidrobiológicos
Congelados
XHC
Variable:
Independiente
Moneda: Dólares
Fuente: TradeMap
2 Producto Bruto
Interno PBI
Variable
Dependiente
Moneda: Soles
Fuente: BCRP
3 Exportación de Jurel XJ
Variable
Independiente
Moneda: Dólares
Fuente: Adex Data
Trade
4 Tipo de cambio
nominal TCN
Variable:
Independiente
Moneda: Dólares
Fuente: BCRP
Fuente: Elaboración Propia
Instrumentos
En esta investigación, en primera instancia, se recopiló información de las siguientes variables:
• Exportación de productos hidrobiológicos congelados • Producto Bruto Interno (PBI) • Exportación de Jurel • Tipo de cambio nominal (S/. a US$)
Posteriormente, se analizó si las variables tenían relación o no. Para ello, se utilizó el software e-views.
5
Tabla 2 – Ficha de investigación
Procedimiento
Para la presente investigación se recolectaron datos de fuentes secundarias, donde se
buscó información y se utilizó la base de datos de Trade Map para los 40 datos de la
exportación de hidrobiológicos congelados (XHC), con una frecuencia trimestral. Para el
Producto Bruto Interno (PBI) y el Tipo de Cambio Nominal (TCN) también se utilizaron 40
datos trimestrales, los cuales fueron recolectados de la base de datos del Banco Central
de Reserva del Perú (BCRP). Finalmente, para los datos de la exportación de Jurel (XJ) se
utilizó la base de datos de Adex Data Trade.
En la siguiente tabla se explica de manera resumida la recopilación de los datos para la
investigación:
Ficha de investigación
Fuentes de
información
TradeMap
Adex Data Trade
BCRP
Observaciones
Datos históricos - Series de tiempo
Observaciones individuales: 32
Datos totales: 128
Frecuencia: Trimestral
Variables
Exportación de Hidrobiológicos
Congelados (Miles de US$)
Producto Bruto Interno (Millones de
S/.)
Exportación de Jurel (Miles de US$)
Tipo de cambio nominal (S/. a US$))
6
Tabla 3 – Recopilación de datos
Fuente: Elaboración Propia.
Así también, se explica que se utilizan logaritmos para que los datos estén lo más
comprimidos posibles y así presenten una correcta distribución normal, ya que se detectó
que tenían una desviación estándar elevada y, si una variable dependiente lo necesita, se
tiene que usar para todas.
Análisis de datos
Para analizar correctamente los resultados de la investigación, se siguieron los pasos de
Larios, Gonzales y Álvarez (2016), quienes mencionan que en primer lugar siempre se
deben estimar los estadísticos descriptivos, donde se evalúan las 32 observaciones de las
4 variables y se determina si existen problemas entre las variables o no. Por ello, se utilizó
el estadístico de Jarque Bera, donde se tiene que cumplir que dicha probabilidad debe ser
mayor a 0.05 o 5%, equivalente al nivel de significancia. En caso las variables sigan una
distribución normal, se pueden hacer análisis y generar pronósticos.
Variable Codificación Unidad Frecuencia Grado de
Integración Fuente
Log. de
Exportación
Hidrobiológicos
Congelados
LXHC Miles de
US$ Trimestral i(0) TradeMap
Log. de
Producto Bruto
Interno
LPBI Millones de
S/. Trimestral i(1) BCRP
Log. de
Exportación de
Jurel
LXJ Miles de
US$ Trimestral i(0)
Adex Data
Trade
Log. de Tipo
de cambio
nominal
LTCN S/. a US$ Trimestral i(1) BCRP
7
Posterior a ello, se evalúa la estacionariedad y esta se mide mediante el test de Dickey
Fuller aumentado. Este test evalúa en 3 niveles la variable y con esto se determina el orden
de integración.
Luego de analizar individualmente todas las variables, se procede a realizar el test de
causalidad de Granger, en el cual se busca evaluar la relación de largo plazo entre las
variables.
Adicionalmente, se realiza el modelo de Mínimos Cuadrados Ordinarios (MCO), donde se
evalúa el nivel de significancia individual y global de los parámetros, la bondad de ajuste y
los supuestos.
Finalmente, estos supuestos son evaluados por normalidad (Jarque-Bera), auto correlación
(Breusch Godfrey), heterocedasticidad (ARCH) y linealidad (Ramsey), ya que el modelo
debe cumplir con tres condiciones: que no existan problemas de auto correlación, los
errores deben comportarse de manera homocedástica y los errores del modelo deben
seguir una distribución normal.
Resultados
En el presente capítulo de la investigación se examinan los test correspondientes al análisis
individual y grupal de las variables planteadas en la investigación, por tal motivo, se empleó
como referencia para los siguientes procedimientos, el libro de investigación en economía
y negocios: Metodología con aplicaciones en E-Views (Larios, Gonzales y Álvarez, 2016).
Tabla 1 - Estadísticos descriptivos
Variables Std. Dev. Jarque-
Bera Probabilidad Observaciones
PBI 10856.47 0.7396 0.6909 32
LPBI 0.0889 0.7358 0.6922 32
XHC 12100.19 5.2486 0.0725 32
LXHC 0.5751 0.4465 0.7999 32
XJ 12581639 232.7784 0.0000 32
LXJ 6.2583 3.9159 0.1412 32
TCN 0.2930 3.9287 0.1402 32
LTCN 0.0980 4.0003 0.1353 32
Fuente: Elaboración propia.
8
En la tabla 1 se puede observar un resumen de los resultados de la estimación de los
estadísticos descriptivos de las variables planteadas, asimismo, se observa que dichas
variables presentan un formato base y logarítmico, debido a que, los valores de la
desviación estándar de las series eran altas, generando dispersión entre los datos. Por tal
motivo, se estimaron los logaritmos reduciendo dicha dispersión y mejorando los resultados
de la estimación.
Por lo tanto, la estimación dio como resultado que todas las variables siguen una
distribución, dado que la probabilidad asociada al estadístico de Jarque-Bera fue superior
a 0.05 en todos los casos.
Tabla 2 - Estacionariedad
Variables
Test de
raíz
unitaria
Exógena Rezago Estadístico
T Probabilidad
Orden de
integración
LPBI Primera
Diferencia Constante 6
-6.1462 0.0000 i(1)
LXHC Nivel Constante 1 -4.84694 0.0005 i(0)
LXJ Nivel Constante 0 -5.080343 0.0003 i(0)
LTCN Primera
Diferencia Ninguna 0
-3.58352 0.0008 i(1)
Fuente: Elaboración propia.
En la tabla 2 se observa el resumen de la estimación del test de raíz unitaria mediante
Dickey Fuller Aumentado (ADF), dando como resultado que las variables Logaritmo del
Producto Bruto Interno (PBI) y Logaritmo del Tipo de Cambio Nominal (TCN), integran en
orden uno; es decir, no presentan raíz unitaria en su primera diferencia y presentan una
probabilidad del estadístico T, inferior al nivel de significancia de 0.05.
Por otro lado, las variables logaritmo de las exportaciones de hidrobiológicos congelados
(XHC) y el logaritmo de las exportaciones de Jureles Congelado (XJ), no presentaron raíz
unitaria en su nivel; es decir, son integradas de orden cero, por presentar una probabilidad
del estadístico T inferior al nivel de significancia de 0.05.
9
Tabla 3 - Causalidad de Granger
Hipótesis Rezago Estadístico
F Probabilidad Causalidad
LXHC DLPBI 2 5.63914 0.0098 Si
DLPBI LXHC 2 4.52279 0.0215 Si
LXJ DLPBI 8 0.56159 0.7796 No
DLPBI LXJ 8 4.90195 0.0342 Si
DLTCN DLPBI 8 2.90123 0.1056 No
DLPBI DLTCN 8 1.00709 0.5112 No
LXJ LXHC 5 0.06818 0.9962 No
LXHC LXJ 5 2.3123 0.0923 No
DLTCN LXHC 7 0.52274 0.7977 No
LXHC DLTCN 7 2.83029 0.0743 No
DLTCN LXJ 7 2.03405 0.1587 No
LXJ DLTCN 7 0.63676 0.7176 No
Fuente: Elaboración propia.
En la tabla 3 se muestra el resumen de la estimación de la causalidad de Granger de todas
las variables entre sí, siendo el objetivo determinar si existe una relación causal de largo
plazo entre las variables. Los resultados demostraron que existe una causalidad bilateral
entre el logaritmo de XHC y la primera diferencia del logaritmo de PBI. Asimismo, se
comprobó que existe una causalidad unilateral por parte del logaritmo de XJ y la primera
diferencia del logaritmo del PBI.
Por otro lado, no se pudo comprobar la existencia de una causalidad bilateral o multilateral
en las relaciones de la primera diferencia del logaritmo del TCN y la primera diferencia del
logaritmo del PBI. Además, según la prueba de hipótesis de la causalidad de Granger las
variables independientes entre sí, no presentan causalidad, al presentar una probabilidad
del estadístico F superior al nivel de significancia de 0.05.
10
Tras terminar el análisis individual de las variables, se estimó la regresión lineal múltiple de
la investigación mediante Mínimos Cuadrados Ordinarios (MCO):
Tabla 4 - Mínimos Cuadrados Ordinarios (MCO)
Variable dependiente LPBI(-1)
Variables
Independientes C LXHC LXJ LTCN(-1)
Coeficientes 10.4837 0.0409 0.0016 0.7226
Std. Error 0.1868 0.0155 0.0014 0.0854
Estadístico T 56.1147 2.6435 1.1943 8.4626
Probabilidad 0.0000 0.0135 0.2427 0.0000
F-statistic 25.83468
Prob(F-statistic) 0
R-squared 0.741637
Adjusted R-squared 0.71293
Durbin-Watson stat 1.863858
Fuente: Elaboración propia.
En la tabla 4 se observa la estimación del modelo, mediante MCO, indicando en primera
instancia que todos los parámetros de las variables independientes fueron
estadísticamente significativos, a excepción del logaritmo de XJ, por presentar una
probabilidad superior al nivel de confianza de 0.05. Sin embargo, según la probabilidad del
estadístico F todos los parámetros en conjunto, son estadísticamente significativos.
Además, dicha información se puede respaldar con los resultados de la bondad de ajuste
del modelo, dado que, el R-cuadrado ajustado presenta un valor de 0.7129 (71.29%) de
precisión de la estimación.
Por otro lado, se puede observar un valor calculado de Durbin Watson (1.8639) cercano a
2, indicando que, no existe problemas de auto correlación de primer orden, sin embargo,
se estimaron los supuestos del modelo para corroborar dicha información.
11
Tabla 5 - Supuestos del Modelo
Tipo Test Rezago Estadístico Probabilidad
Auto correlación Breusch-
Godfrey
1 0.0003 0.9844
Auto correlación Breusch-
Godfrey
2 0.7842 0.4005
Heterocedasticidad ARCH 1 0.6848 0.4005
Heterocedasticidad ARCH 2 0.5457 0.5576
Normalidad Jarque-Bera 0.8800 0.6440
Linealidad Ramsey 1 0.434648 0.5155
Fuente: Elaboración propia.
En la tabla 5 se desarrolló el resumen de los resultados de los test de auto correlación,
heterocedasticidad y normalidad de los errores del modelo, dado que, para presentar
resultados óptimos no se deben incumplir dichas condiciones.
De acuerdo, con la estimación de la prueba de auto correlación de Breusch Godfrey con 1
y 2 rezagos, se puede comprobar que no existe presentación de autocorrelación de los
errores del modelo, al presentar en ambos casos una probabilidad asociada al estadístico
mayor al nivel de significancia de 0.05.
Por otro lado, se estimó el test de heterocedasticidad de ARCH con 1 y 2 rezagos, dando
como resultados que los errores del modelo son homocedásticos, es decir, la probabilidad
asociada al estadístico del test en ambos casos fue mayor al nivel de significancia de 0.05.
Por otra parte, al estimar los resultados del test de normalidad de Jarque-Bera, se pudo
determinar que los errores del modelo siguen una distribución normal, ya que, la
probabilidad asociada al estadístico fue superior al nivel de significancia de 0.05.
Finalmente, para corroborar que el modelo planteado este correctamente especificado y
cumpla con todas las condiciones del caso, se estimó el test de linealidad de Ramsey,
dando como resultado una probabilidad superior al nivel de significancia de 0.05, indicando
que la ecuación de la investigación tiene un significado económico.
LPBI (-1) = 0.0409*LXHC - 0.0016*LXJ + 0.7226*LTCN (-1) + 10.4837
12
Discusión
Luego de analizar los resultados obtenidos en la presente investigación, se puede observar
que existen temas de discusión respecto a los antecedentes previos y se presentarán a
continuación:
Al contrastar la presente investigación con la realizada por Patricia Vargas (2018), en
“Crecimiento de las exportaciones y crecimiento económico en Perú: Evidencias de
Causalidad 1990-2016”, podemos observar que realmente existe una relación de
causalidad entre el crecimiento económico y el crecimiento de las exportaciones, en el que
la autora lo contrasta con un modelo VAR, mientras que en la presente investigación se
realiza con un modelo MCO, ya que el consumidor nacional no tiene una preferencia por el
consumo de estos productos, por lo que se aprovecha el mercado exterior para poder
comercializarlos y obtener rentabilidad.
Por otro lado, según Carlos E. Paredes (2012), en su informe “Eficiencia y equidad en la
Pesca Peruana”, menciona que respecto al jurel y la caballa, los actuales niveles de captura
son ineficientes en términos económicos, ya que los niveles de extracción supuestamente
estarían por debajo del rendimiento máximo sostenible de las mismas. Esto quiere decir
que no se está maximizando el valor de dichos recursos renovables y, por ende, no se
puede realizar un análisis más completo, ya que nuestros niveles de producción deberían
ser incluso mayores. Haciendo un contraste con nuestra investigación y gracias al modelo
de Mínimos Cuadrados Ordinarios (MCO), podemos darnos cuenta que efectivamente la
exportación de Jurel congelado no tiene un nivel importante de relevancia respecto al
Producto Bruto Interno Nacional. Sin embargo, quizá para la industria pesquera sí podría
resultar relevante.
De acuerdo a la estimación del modelo y los resultados de los test evaluados, se puede
concluir que todas las variables siguen una distribución normal y son estacionarias en su
nivel, como en su primera diferencia; asimismo, se comprobó que existe causalidad entre
las variables independientes, sobre la variable dependiente.
Por otro lado, la estimación del modelo comprobó la significancia estadística de los
coeficientes de las variables, de manera individual y global; a su vez, los resultados tuvieron
una bondad de ajuste del 72%; es decir, una precisión buena y se concluyó que todas las
variables presentan una relación positiva o directa con respecto al PBI de Perú durante el
2012 al 2019.
13
Por tal motivo, se estimaron los efectos marginales por cada variable y se obtuvieron las
siguientes conclusiones:
• Al incremento de una unidad en las exportaciones de producto hidrobiológicos, esta
generaría un incremento del PBI de Perú en 0.0409%.
• El aumento de una unidad de las exportaciones de Jurel Congelado, produciría un aumento
del PBI de Perú en 0.0016%.
• Al incrementar una unidad en el tipo de cambio nominal (S/. a US$), generaría en el PBI
un incremento de 0.7226%.
Con respecto a lo antes mencionado, los efectos marginales indican que la variable con
mayor impacto en el crecimiento del PBI de Perú sería el tipo de cambio, seguido de las
exportaciones de productos hidrobiológicos. Por su parte, la participación individual de las
exportaciones de jurel congelado no presenta una significancia relevante en el crecimiento
del PBI. Para corroborar toda la información antes mencionada, se tuvo que cumplir con la
condición de normalidad, auto correlación y heterocedasticidad del modelo, analizando la
linealidad para proporcionar datos coherentes y con un significado estadístico.
Teniendo en consideración que la economía peruana está compuesta en gran parte por las
actividades relacionadas a la minería, resulta difícil ver el impacto de un producto específico
respecto al crecimiento de la economía nacional. Por ello, al realizar el análisis de la
variable Exportación de jurel congelado, que es un producto del sector pesca, y para un
cálculo más exacto, se debería de analizar el impacto de esta variable respecto al PBI de
la industria pesquera, ya que en esta investigación se utilizó el PBI nacional en general
como referencia y, por ende, la exportación de jurel congelado tiene un nivel de
participación bastante bajo en relación al crecimiento económico del Perú entre 2012 y
2019, viéndose reflejado en los resultados.
Así también, se recomienda que la presente investigación pueda servirle a personas
interesadas en analizar sobre el impacto de la exportación de productos hidrobiológicos
congelados sobre el crecimiento económico del Perú como referencia para futuras
investigaciones. De esta manera, ellos se guíen y puedan elegir una metodología
econométrica parecida o ver en qué mejorar los análisis de los datos para poder tener
mejores resultados, quizá usando más variables o un período de tiempo más extenso.
14
Referencias Bibliográficas
Mendoza V. DESENVOLVIMIENTO DEL COMERCIO EXTERIOR PESQUERO Y
ACUÍCOLA EN EL PERU. 2018; pág 13.
Sueiro, J. C. (2019, enero 23). Exportaciones pesqueras del Perú marcan un mayor valor
para las especies marinas. Recuperado de
https://rpp.pe/columnistas/juancarlossueiro/exportaciones-pesqueras-del-peru-
marcan-un-mayor-valor-para-las-especies-marinas-noticia-1176610
Ministerio de Economía y Finanzas. (s. f.). MEF: Economía peruana crece 4,0% en 2018,
una de las tasas más altas de la región. Recuperado 14 de abril de 2020, de
https://www.mef.gob.pe/es/noticias/notas-de-prensa-y-comunicados?id=5910
Ministerio de la Producción. (2018). Desenvolvimiento Productivo de la Actividad
Pesquera (Diciembre 2018). Recuperado de
http://ogeiee.produce.gob.pe/index.php/shortcode/oee-documentos-
publicaciones/boletines-pesca/item/826-2018-diciembre-boletin-del-sector-pesquero
Instituto Nacional de Estadística e Informática. (2020). Evolución de las Exportaciones e
Importaciones (Diciembre 2019). Recuperado de
http://m.inei.gob.pe/media/MenuRecursivo/boletines/02-informe-tecnico-
n02_exportaciones-e-importaciones-dic2019.pdf
Sociedad Nacional de Pesquería (2019). Industria pesquera: Contribución a la economía
peruana. (citado 26 de abril de 2020). Disponible en:
https://www.snp.org.pe/relevancia-economica/
Perú: 20 años consecutivos de crecimiento económico » Gana Más [Internet]. (citado 26 de
abril de 2020). Disponible en: https://revistaganamas.com.pe/colum-
mejorandoentor/peru-20-anos-consecutivos-de-crecimiento-economico/
Andina (2018). BCR: Perú cumplirá 20 años de crecimiento económico continuo [Internet].
[citado 26 de abril de 2020]. Disponible en: https://andina.pe/agencia/noticia-bcr-
peru-cumplira-20-anos-crecimiento-economico-continuo-729528.aspx
Sempértegui Milachay, H. E., & Vásquez Morzán, K. M. (2018). Factores claves que
influyeron en las exportaciones de pota cocida congelada desde el puerto de Paita
hacia China durante los años 2012 – 2016. Universidad Peruana de Ciencias
Aplicadas (UPC), Lima, Perú. doi: https://doi.org/10.19083/tesis/625188
Lindon, V. (2014). Diagnóstico estratégico del sector pesquero peruano. Lambayeque,
Perú.
15
Chirinos, R. (2007). Determinantes del crecimiento económico: Una revisión de la literatura
existente y estimaciones. Banco Central de Reserva del Perú.
Jiménez, F. (2011). Crecimiento económico: enfoques y modelos. (1a ed.). Perú: Fondo
Editorial de la Pontificia Universidad Católica del Perú.
Grossman, G., & Helpman, E. (1989). Comparative advantage and long-run growth.
(Working Paper No. 2809). Cambridge: National Bureau of Economic Research.
Staplefield, I. (1987). Oferta exportable de productos pesqueros: evolución y
perspectivas. Estudios Públicos, 27, 181-225.
16
Anexos
Anexos E-Views
Estadísticos Descriptivos – sin desestacionalizar
Estadísticos Descriptivos – serie logarítmica sin desestacionalizar
PBI XHC XJ TCN
Mean 123012.1 21663.97 5331485 3.079079
Median 121758.2 18996 52484.25 3.24338
Maximum 143698.5 52776 61870905 3.452061
Minimum 100668.8 5178 0 2.575154
Std. Dev. 10856.47 12100.19 12581639 0.293036
Skewness -0.003162 0.973536 3.340245 -0.510929
Kurtosis 2.255221 3.381212 14.39978 1.620751
Jarque-Bera 0.739649 5.248552 232.7784 3.928695
Probability 0.690856 0.072492 0 0.140247
Sum 3936388 693247 1.71E+08 98.53051
Sum Sq. Dev. 3.65E+09 4.54E+09 4.91E+15 2.661976
Observations 32 32 32 32
LPBI LXHC LXJ LTCN
Mean 11.71623 9.831554 10.19091 1.120069
Median 11.70979 9.850112 10.84083 1.176616
Maximum 11.87547 10.87381 17.94056 1.238971
Minimum 11.51959 8.552174 0 0.945909
Std. Dev. 0.088888 0.575065 6.258305 0.097977
Skewness -0.171804 -0.236813 -0.701481 -0.563457
Kurtosis 2.341394 2.667456 2.015831 1.68459
Jarque-Bera 0.735771 0.446543 3.915858 4.000314
Probability 0.692197 0.799898 0.14115 0.135314
Sum 374.9194 314.6097 326.1092 35.84222
Sum Sq. Dev. 0.244934 10.25171 1214.158 0.297587
Observations 32 32 32 32
17
Test de Raíz Unitaria de Dickey Fuller aumentado - LPBI
Test de Raíz Unitaria de Dickey Fuller aumentado – D (LPBI)
Test de Raíz Unitaria de Dickey Fuller aumentado - LTCN
Test de Raíz Unitaria de Dickey Fuller aumentado – D (LTCN)
Null Hypothesis: LPBI has a unit root
Exogenous: None
Lag Length: 7 (Automatic - based on SIC, maxlag=7)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 5.538681 1
Test critical values: 1% level -2.664853
5% level -1.955681
10% level -1.608793
Null Hypothesis: D(LPBI) has a unit root
Exogenous: Constant
Lag Length: 6 (Automatic - based on SIC, maxlag=7)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -6.146236 0
Test critical values: 1% level -3.737853
5% level -2.991878
10% level -2.635542
Null Hypothesis: LTCN has a unit root
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=7)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 1.842819 0.982
Test critical values: 1% level -2.641672
5% level -1.952066
10% level -1.6104
Null Hypothesis: D(LTCN) has a unit root
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=7)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.58352 0.0008
Test critical values: 1% level -2.644302
5% level -1.952473
10% level -1.610211
18
Test de Raíz Unitaria de Dickey Fuller aumentado – LXHC
Test de Raíz Unitaria de Dickey Fuller aumentado – LXJ
Mínimos Cuadrados Ordinarios (MCO)
Test de Autocorrelación
Null Hypothesis: LXHC has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=7)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.84694 0.0005
Test critical values: 1% level -3.67017
5% level -2.963972
10% level -2.621007
Null Hypothesis: LXJ has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=7)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -5.080343 0.0003
Test critical values: 1% level -3.661661
5% level -2.960411
10% level -2.61916
Dependent Variable: LPBI(-1)
Method: Least Squares
Date: 06/20/20 Time: 02:00
Sample (adjusted): 2012Q2 2019Q4
Included observations: 31 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 10.48374 0.186827 56.11473 0
LXHC 0.040942 0.015488 2.643477 0.0135
LXJ 0.001614 0.001352 1.194315 0.2427
LTCN(-1) 0.72263 0.085391 8.462584 0
R-squared 0.741637 Mean dependent var 11.71109
Adjusted R-squared 0.71293 S.D. dependent var 0.085393
S.E. of regression 0.045753 Akaike info criterion -3.211223
Sum squared resid 0.056519 Schwarz criterion -3.026193
Log likelihood 53.77396 Hannan-Quinn criter. -3.150908
F-statistic 25.83468 Durbin-Watson stat 1.863858
Prob(F-statistic) 0
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.000322 Prob. F(1,26) 0.9858
Obs*R-squared 0.000384 Prob. Chi-Square(1) 0.9844
19
Test de Heterocedasticidad
Test de Normalidad
Test de Ramsey
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.784231 Prob. F(2,25) 0.4674
Obs*R-squared 1.830078 Prob. Chi-Square(2) 0.4005
Heteroskedasticity Test: ARCH
F-statistic 0.684812 Prob. F(1,28) 0.4149
Obs*R-squared 0.716211 Prob. Chi-Square(1) 0.3974
Heteroskedasticity Test: ARCH
F-statistic 0.545718 Prob. F(2,26) 0.5859
Obs*R-squared 1.168326 Prob. Chi-Square(2) 0.5576
Ramsey RESET Test
Equation: MCO
Specification: LPBI(-1) C LXHC LXJ LTCN(-1)
Omitted Variables: Squares of fitted values
Value df Probability
t-statistic 0.659279 26 0.5155
F-statistic 0.434648 (1, 26) 0.5155
Likelihood ratio 0.51395 1 0.4734