Importación

En el último post sobre los flujos del comercio exterior en América Latina en una perspectiva histórica, analisé brevemente qué fueron los productos principalmente importados en la región. En este post, quiero analizar este flujo de importación un poco más para entender un poco mejor qué país importa qué tipo de productos.

El post está divido en tres analisis diferentes:

  1. Un analisis graficando qué países importó más en total en USD en 2018 utilizando un mapa de color del paquete de Rworldmaps.

Existen varios paquetes para realizar mapas, pero me gustó el simple diseño de Rworldmaps. Si aún no tenes Rworldmap installado se puede instalar con este comando:

install.packages("rworldmap")

  1. Un analisis mostrando la composición de los productos más importados durante el año 2018.

  2. Finalmente, un analisis sobre qué categoría de producto cada país en la región importó más en 2018.

Las libraría utilizadas:

library(tidyverse)
library(tradestatistics) #Para descarga los data frames
library(ggplot2) #Para graficar
library(rworldmap) #Para graficar el mapa del América Latina
library(treemapify) #Para graficar la composición de los productos más importados
library(ggthemes) #Para utilizar el tema especial de ggplot del Economist
library(scales) #Para cambiar el y-axis en los graficos de ggplot a USD

Para evitar el error de "“summarise() ungrouping output (override with .groups argument)” de la nueva versión de dplyr (gracias a Rstats-tips.net por este solución a un problema que me estaba volviendo loca porqué bloqueó a realizar la página):

library(dplyr, warn.conflicts = FALSE)
# Suppress summarise info
options(dplyr.summarise.inform = FALSE)

Preparando los datos

Descargando los datos

Cómo en el primer post sobre el comercio exterior, necesito descargar la base de datos y modificar el nombre de la columna “reporter_iso” a “country_iso” para poder unirlo con el segundo base de datos y así separa más fácilmente los países de la región de “las Americas” al resto del mundo:

comercio_mundo_api <- tradestatistics::ots_create_tidy_data(
  years = 2018, 
  reporters = "all", 
  partners = "all", 
  products = "all") %>%
  rename(country_iso = 'reporter_iso')

Ahora puedo descargar la base de datos de Open Trade Statistics sobre los país, y como anteriormente, filtear el continente de las Americas:

countries_LATAM <- tradestatistics::ots_countries %>%
  filter(continent == "Americas")

Después puedo unir las dos bases de datos para que tenga un que solamente incluye información sobre los país de las Americas:

comercio_latam <- merge(x = comercio_mundo_api, y = countries_LATAM,
      by = "country_iso")

Mapamundi de importaciones 2018

Transformando los datos

Eligo las variables que necesito para generar el mapa. No obstante, dejo esta información en un nuevo data frame, para que pueda volver a utilizar la información completa sobre importaciones en América Latina en los graficos subsequentes.

comercio_latam_import <- comercio_latam %>%
  select(country_iso,
         reporter_fullname_english,
         import_value_usd)

Graficando

En primer lugar, tengo que asegurar que la identificación de los países en mi data frame se va a ser entendido por el paquete de Rworldmaps. Después puedo generar el mapa:


mapped_data <- joinCountryData2Map(comercio_latam_import, 
                                   joinCode = "NAME", 
                                   nameJoinColumn = "reporter_fullname_english")
## 36 codes from your data successfully matched countries in the map
## 13 codes from your data failed to match with a country code in the map
## 207 codes from the map weren't represented in your data

mapCountryData(mapped_data, 
               nameColumnToPlot = "import_value_usd", 
               mapRegion = "latin america",
               mapTitle = "Importación 2018")

Sum-up

Eso es un montón de rojo!

El mapa parece indicar que la mayoría de los países de la región importan al mismo nivel. Menos algunos países chicos en America Central, el Caribe, Venezuela, Bolivia y Uruguay, los cuales parecen ser los que menos importan (más amarillas menos importaciones).

Pero la verdad que el mapa nos dice poco sobre los niveles de importación de cada país. Obviamente, se podría empezar a jugar con crear diferentes escales de colores para los differentes niveles de importación en USD, pero la verdad que no me animaba mucho :)

Lo qué sí sería interesante analizar qué tipo de productos son los que más se importaron los paises de América Latin en 2018.

Productos más importado por categoría en 2018

En esta segunda parte de mi post sobre importaciones en América Latina en el año 2018 quiero realizar un analisis sobre las categorías de productos más importados utilizando el grafico “treemap”, lo cual me gusto porque parece muy inituitivo.

Transformando los datos

En primero lugar, necesito descargar la información sobre los productos desde otra base de datos de Open Trade Statistics y unirlo con el data frame que ya tengo sobre la importación en América Latina en el año 2018.

También necesito sacar los países que no corresponde a la región como hice en el primer post.

Vale notar que en el analisis arriba del Rworldmaps, la pre-programación del paquete de Rworldmaps automaticamente sacó los países que el paquete no considerable correspondía a la región de América Latina.

productos_latam <- tradestatistics::ots_products_shortnames %>%
  rename(top_import_product_code = "product_code")

productos_latam_import <- merge(x = comercio_latam, 
                                y = productos_latam, 
                                by = 'top_import_product_code') %>%
    filter(
         reporter_fullname_english != "USA, Puerto Rico and US Virgin Islands (excludes Virgin Islands until 1981)",
         reporter_fullname_english != "Canada",
         reporter_fullname_english != "Greenland",
         reporter_fullname_english != "Br. Virgin Isds",
         reporter_fullname_english != "United States Minor Outlying Islands",
         reporter_fullname_english != "South Georgia and the South Sandwich Islands") %>%
  drop_na()

Ahora puedo eligir las variables que necesito para generar el treemap y modificar los que quiero modificar. Por ejemplo, necesito sumar el valor importado por producto, y generar una variable que me permite demostrar el porcentaje de cada categoría de productos en relación al total:

productos_latam_import_2018 <- productos_latam_import %>%
  select(top_import_product_code,
         product_shortname_english,
         import_value_usd) %>%
  group_by(product_shortname_english) %>%
  summarise(import_value_usd = sum(import_value_usd, na.rm = T)) %>%
  ungroup() %>%
  mutate(
    etiquetas = paste0(product_shortname_english, "/", round(100*import_value_usd/sum(import_value_usd), 2), "%"))

Graficando

Ahora que tengo los datos transformados puedo generar el grapfico:

ggplot(productos_latam_import_2018, aes(
  area = import_value_usd,
  fill = product_shortname_english,
  label = etiquetas)) +
  geom_treemap() +
  geom_treemap_text(color = "black",
                    place = "centre",
                    grow = F,
                    reflow = T) +
  labs(title = "Productos importado en América Latina (2018)",
       caption = "Fuente: Open Trade Statistics") +
  theme_economist() +
  theme(plot.title = element_text(size = 12),
    legend.position = "none")

Sum-up

Está claro que los productos que más se importaron en América Latina en 2018 fueron petroleum refineado (74,53%) y autos (12,28%). Eso se alinea muy bien con los hallazgos del breve analisis de la evolución de los flujos de importación en la región.

Lo qué tal vez suprende es que telefonos ocupa un 5,88% de los productos importados y barcos de pasajes y cargo un 4,24%.

No obstante, la tendencia de 2018 subraya lo mencionado en el post anterior: los productos que se importan en América Latina son generalmente productos requiere altos niveles de technología. Es preocupante, porqué significa que son productos que la región casi no produce, y por lo tanto, no se demanda mano de obra con cualificaciones técnicas especializadas. Según los investigadores este es el punto clave para que América Latina salga de la trampa de los ingresos medios.

(Obviamente, se podría modificar los nombres de los productos para que se queden en español - pero este te debo :) )

Categoría de productos más importado por país:

En esta última parte del post sobre importación en América Latina, quiero analizar qué países importa más de qué categoría de producto:

Transformando los datos

En primer lugar, quiero poder cambiar el nombre de Panama, por que tiene un nombre muy largo en la base de datos de Open Trade Statistics (y va a “matar” a mi gráfico). Como antes, necesito modificar la columna de “reporter_fullname_english” para que sea un factor.

import_countries_modificied <- productos_latam_import %>%
  mutate(reporter_fullname_english = as.factor(reporter_fullname_english))

En segundo lugar, para no tener un gráfico muy largo, elegio sacar todos los pequeños países del Caribe. Después puedo agrupar por país y por producto:

import_countries_2018 <- import_countries_modificied %>%
  select(reporter_fullname_english,
         top_import_trade_value_usd,
         product_shortname_english) %>%
  filter(reporter_fullname_english != "Anguilla",
         reporter_fullname_english != "Antigua and Barbuda",
         reporter_fullname_english != "Bahamas",
         reporter_fullname_english != "Bahamas",
         reporter_fullname_english != "Barbados",
         reporter_fullname_english != "Belize",
         reporter_fullname_english != "Bermuda",
         reporter_fullname_english != "Bouvet Island",
         reporter_fullname_english != "Cocos Isds",
         reporter_fullname_english != "Cayman Isds",
         reporter_fullname_english != "Grenada",
         reporter_fullname_english != "Guyana",
         reporter_fullname_english != "Haiti",
         reporter_fullname_english != "Jamaica",
         reporter_fullname_english != "Saint Kitts and Nevis (includes Anguilla until 1981)",
         reporter_fullname_english != "Saint Lucia",
         reporter_fullname_english != "Montserrat",
         reporter_fullname_english != "Saint Pierre and Miquelon",
         reporter_fullname_english != "Suriname",
         reporter_fullname_english != "Turks and Caicos Isds",
         reporter_fullname_english != "Trinidad and Tobago",
         reporter_fullname_english != "Saint Vincent and the Grenadines") %>%
  mutate(reporter_fullname_english = fct_collapse(reporter_fullname_english,
            "Panama" = c("Panama (excludes Panama Canal Zone until 1978)"))) %>% 
  group_by(reporter_fullname_english, 
           product_shortname_english) %>%
  arrange(desc(top_import_trade_value_usd)) %>%
  drop_na()

tibble(import_countries_2018)
## # A tibble: 19 x 3
##    reporter_fullname_english top_import_trade_value_usd product_shortname_engli…
##    <fct>                                          <dbl> <chr>                   
##  1 Mexico                                   31484260336 Refined Petroleum       
##  2 Brazil                                   12823745669 Refined Petroleum       
##  3 Panama                                    7844468833 Passenger and Cargo Shi…
##  4 Chile                                     5154079629 Cars                    
##  5 Argentina                                 5095514873 Cars                    
##  6 Venezuela                                 4476825819 Refined Petroleum       
##  7 Ecuador                                   3823181091 Refined Petroleum       
##  8 Peru                                      3525056720 Refined Petroleum       
##  9 Colombia                                  3441424020 Telephones              
## 10 Uruguay                                   2286851365 Crude Petroleum         
## 11 Paraguay                                  2007686823 Telephones              
## 12 Guatemala                                 1989410718 Refined Petroleum       
## 13 Costa Rica                                1737649360 Refined Petroleum       
## 14 Dominican Rep.                            1586851316 Refined Petroleum       
## 15 Bolivia                                   1250992513 Refined Petroleum       
## 16 El Salvador                               1250024623 Refined Petroleum       
## 17 Honduras                                  1221493817 Refined Petroleum       
## 18 Nicaragua                                  500789204 Refined Petroleum       
## 19 Cuba                                       253525018 Poultry Meat

Graficando

El tibble da un buena idea de qué países importaron más de los diferentes productos, pero en un grafico se ve mucho mejor:

ggplot(import_countries_2018, aes(
  x = reporter_fullname_english,
  y = top_import_trade_value_usd,
  fill = product_shortname_english)) +
    geom_col() +
  labs(
    x = NULL,
    y = NULL,
    fill = NULL,
    title = "Importaciones por producto (2018)",
    caption = "Fuerte: Open Trade Statistics") +
  scale_y_continuous(labels = scales::dollar_format()) +
  theme_economist() +
  theme(
    plot.title = element_text(size = 14),
    axis.text.x = element_text(size = 9),
    axis.text.y = element_text(size=9),
    legend.text = element_text(size = 8),
    legend.position = "bottom") +
  guides(color=guide_legend("Categoría de producto")) +
  coord_flip()

Sum-up

El grafico muestra claramente, lo que encontramos en la segunda parte de este post: petroleo refinado fue el producto más importado en América Latina en 2018.

Además, son los dos grandes comerciantes, México y Brasil, quierens importa más de petroleo refinado. Además, muchos países en América Central les sigue con petroleo refinado como su principal producto de importación.

Otras observaciones interesantes: - Argentia y Chile son los principales importados de autos. - Colombia y Paraguay son los dos países que tiene los telefonos como el principal producto de importación. - Panama es el país que principalmente importa los barcos que vimos en el analisis arriba - y cuestan bastante!

¿Cómo seguir?

Para seguir leyendo, puedes volver a la página principal acá y elegir el tema que más te guste o puedes ir al próximo post de analisis sobre las importaciones.