Se tomarán datos estadísticos del mercado exportador ecuatoriano del camarón y langostinos, los cuales son de acceso público de la Cámara Nacional de Acuacultura del Ecuador [CNA] (CNA, 2022). Las fuentes de información extranjeras que serán consultadas se detallan a continuación:

• Portal IndexMundi: información del mercado de consumo estadounidense.

• Portal Macrotrends LLC: cotización de monedas y índices del crudo.

• United States Department of Agriculture (USDA) Foreign Agricultural Service: valores declarados de las importaciones agropecuarias estadounidenses.

• Fish Pool ASA: índices de precios del mercado cambiario europeo de productos del mar.

El principal criterio para la realización de la búsqueda de los datos que las fuentes de información deben cumplir será que cuantifiquen la temporalidad de sus registros a partir de enero del año 2011 hasta junio de 2021, también deben ser consistentes. Se realizará un proceso de depuración de la data previo a someterse al análisis del modelo de predicción del PPCE, así poder obtener mejores resultados siguiendo con la forma tradicional de limpieza (Ridzuan & Zainon, 2019) mediante el empleo de una hoja de cálculo en la que constará lo siguiente:

• Excluir del grupo de datos el feature cronológico o columna correspondiente al formato de las fechas de los registros, puesto que no es requerido para un modelo de regresión múltiple, bastando únicamente el orden ascendente en todos los datos.

• Se eliminarán los valores denominados outliers, N/A, negativos o ceros, con el fin de conservar únicamente los que sean positivos, siendo del tipo cuantitativas continuas susceptibles a proyectarse.

• Homogeneizar el tamaño de los datos obtenidos de las diferentes fuentes de información y normalizarlos, aplicando la media aritmética para pasar de valores diarios a valores mensuales.

Se configurará en cantidad y calidad de data frame morfológicamente constituido por 126 filas o registros y columnas o features. También será sometido preliminarmente a un exploratory data análisis (EDA) para discriminar qué variables son relevantes verificando su colinealidad y, así, constatar junto con las primeras visualizaciones que existan correlaciones que guíen a la construcción del modelo (Lazzeri, 2021). El coeficiente de determinación ajustado (o adjusted R-squared) deberá ser lo suficientemente alto como para definir el tamaño del data frame que alimentará al modelo de proyección del PPCE (Karch & Van Ravenzwaaij, 2020).

Con el data frame depurado denominado ‘eshrimp’ se codificará, en el lenguaje de programación Python, tres modelos de regresión múltiple (Duchesnay et al., 2021). Para los modelos que admitan aprendizaje automático se dividirá en dos el conjunto de datos: la primera de testing y la segunda de training (Ceder, 2018, p. 93). Esto se llevará a cabo aplicando el principio de Pareto 80-20, ampliamente utilizado en el campo de la economía y de los negocios (Investopedia, 2020).

Con un data frame denominado ‘proyección’, correspondiente a los últimos seis registros o primer semestre de 2021, se reemplazarán los valores de los interceptos y coeficientes de las variables explicativas en cada modelo. Se procederá a calcular sus respectivos root mean square error (RMSE) como criterio de medida de precisión para comparar los valores reales PPCE versus los valores predichos o denominados como errores de predicción (Neill & Hashemi, 2018, p. 216). Este método está acorde a la robustez de los modelos.

Se harán predicciones a cinco años reemplazando los valores supuestos en promedios anuales en la ecuación predictora del modelo seleccionado con el menor RMSE. Estas predicciones deberán ser insesgadas y próximas a los valores verdaderos promedio, dando cumplimiento con el objetivo de la predicción. Inclusive, permitiendo que el ruido persista de forma arbitraria, lo cual es característico en todos los modelos lineales (Shmueli et al., 2019, p. 164).

Se conjugan valores históricos anuales de los PPCE (CNA, 2022) e ingresos históricos de la empresa expresados entre los mismos periodos en su primera emisión de obligaciones (Global Ratings, 2021b).

Con los datos históricos de entrada se codificarán, en el lenguaje de programación Python, los ajustes a las predicciones de los PPCE. Esto se lo realizará en un modelo de interpolación polinomial (Virtanen et al., 2020) de grado tres para obtener la estimación de las ventas. Tal como se ha demostrado en los últimos años, es posible identificar las estructuras de los datos de los mercados financieros no lineales con machine learning (Fischer & Krauss, 2018).

A través de una gráfica en la hoja de cálculo Excel se mostrará el comparativo de las dos proyecciones de las ventas, proyecciones analizadas a través de la línea de tendencia en cada caso particular (Investopedia, 2021).

La acuacultura es un sector que ha padecido de un rápido crecimiento comparativamente a la pesca de captura, siendo esta última superada en producción mundial desde el año 2014 (ESPAE, 2018, p. 8), de acuerdo a lo establecido por la Organización de las Naciones Unidas para la Alimentación y la Agricultura [FAO]. Acorde con el análisis de investigación publicado en el portal Business Wire (2021) se espera que la industria mundial del camarón crezca con una tasa compuesta anual del 4.18 % a partir de 2020 hasta el 2026.

El mercado —sobre las expectativas de crecimiento mundial del mercado de camarón, así como la incertidumbre que sufren la mayoría de los commodities (Global Ratings, 2021c)— enfrentó desafíos debido al bloqueo de Covid-19, lo que retrasó todas las operaciones, la reducción de tiempos de ciclo y generó controversias en mercados de destino. Pese a la baja de los precios internacionales en gran parte del año 2020 y su principal consecuencia traducida en pérdidas económicas, fueron los mercados minoristas los que afrontaron la crisis generada y, como se ha podido observar en el caso de China, en ese país se ha manifestado un auge en el sector de restaurantes, contando con total apertura en la actualidad.

Sin embargo, en el resto de Asia el mal temporal acuícola no distó del resto de regiones del mundo y vio afectada su producción según cifras reportadas durante el mes de abril, recayendo principalmente en la reducción del periodo de desarrollo del crustáceo. Los productores de camarón —al verse impedidos por las restricciones, sumados al pánico y a una mayor incertidumbre— optaron por bajar las densidades de población de camarón con el agravante de los precios bajos hasta agosto de 2020. La India padeció su mayor descenso entre abril y agosto del mismo año a niveles récords bajos tras fuertes contracciones de la demanda mundial, principalmente del sector de servicios alimentarios. Contrariamente, Vietnam e Indonesia denotaron cierta mejoría en términos comparativos (FAO, 2021).

El comportamiento del PPCE, a partir del año 2012, presentó una tendencia alcista, alcanzando su mejor momento de 4.05 dólares en febrero del 2014 y sufriendo una suerte de lacónica temporalidad, persistiendo a la baja hasta los valores mínimos registrados durante el año 2020 por consecuencia de la pandemia del Covid-19. Pese a ello, las cifras denotan una leve recuperación en los primeros meses del año 2021.

En la Tabla 2 se muestra el contexto mundial que incide en el PPCE. Esto conlleva a exponer qué variables relevantes están presentes en los países en las diferentes regiones, en lo correspondiente al mercado internacional de los recursos marinos y que mantienen el mayor protagonismo.

Tabla 2
Análisis FODA del sector camaronero ecuatoriano

Elaboración propia.

Del análisis FODA se desprende que la variable ‘precio’ expresada en dólares por libra se correlacionará con seis variables explicativas a ser tomadas en cuenta para el modelo de regresión múltiple:

• Los precios del camarón en Estados Unidos en kilogramos ‘EE.UU’.

• El cambio observado del dólar ($) frente al yuan (¥) ‘Dólar’.

• Exportaciones ecuatorianas en libras ‘Export’.

• Importaciones estadounidenses de camarón indio en millares ‘Import’.

• Precio petróleo West Texas Intermediate (WTI) en dólares americanos ‘Crudo’.

• El índice de precios Fish Pool Index™(FPI) del salmón en euros por kilogramo ‘Salmon’.

Se recabaron registros cronológicos de fuentes consultadas a partir de enero 2011 y se pre-procesaron todos los datos brutos obtenidos de las siete variables que conforman data frame ‘eshrimp’. Esto se encuentra estructurado en 120 filas y siete columnas, cuyos indicadores estadísticos de cada variable se muestran en la Tabla 3.

El EDA, al ser el primer análisis, identifica el tipo de correlación más fuerte de 0.77 entre ‘Export’ e ‘Import’ y la más débil existente entre ‘EE.UU’ y ‘Export’ de 0.06. Además, se observa que a medida que cada una de las variables predictoras van adicionándose a la regresión múltiple, el valor del coeficiente de determinación ajustado registra un incremento (ver Figura 2). Este último como una medida más precisa del coeficiente de determinación (R.), compensando la adición de variables solo si el nuevo predictor mejora los resultados del modelo igual a 0.807 y, contrariamente, aminorará su valor frente a lo obtenido a efectos del azar (Investopedia, 2022).

Tabla 3
Resumen estadístico de las variables del modelo predictivo

Elaboración propia.

Figura 2
Resumen estadístico de la regresión múltiple

Elaboración propia.

Se procede a la generación de líneas de código para los modelos predictivos de regresión múltiple del lenguaje de programación Python, cuyo modo de empleo puede esquematizarse en el orden genérico:

• Importar las librerías

• Reconocimiento del tipo de variables

• Asignación de la data frame

• Definir funciones de los modelos de regresión acorde a librerías

• Realizar las operaciones y ejecución de las líneas de código

• Imprimir por pantalla los resultados

• Debug y run en el terminal del integrated development environment (IDE).

Para efectos de maquetación de los tres modelos de regresión múltiple estos se instrumentalizan por intermedio de paquetes preconfigurados en el entorno del lenguaje de programación Python (Harris et al., 2020), distinguiéndose dos principales:

1. 1. El Statmodels con el modelo básico de regresión lineal múltiple ordinary least square (OLS) proyecta parámetros aprendiendo de una serie única de datos basándose en la teoría de los mínimos cuadrados.
2. 2. El paquete Sklearn con los dos modelos predictivos linear regression (MLR) y Ridge. Este último, como se observa en la Figura 3, efectúa pronósticos fijando mediante iteraciones un factor de penalización o Alpha con algoritmos de aprendizaje de la serie de datos ‘eshrimp’ particionados en 80/20, cuya ecuación de la regresión se sirve de la data frame ‘proyección’ para las estimaciones establecidas en las líneas de código formato IDE conexas.

Figura 3
Codificación del modelo Ridge

Elaboración propia.

Una vez codificados los tres modelos se representan gráficamente sus valores estimados, los mismos que contrastan con los valores reales de los PPCE como se muestra en la Figura 4. El criterio de evaluación para seleccionar el modelo es el RMSE, siendo el modelo Ridge el que muestra el error de 0.274 (Tabla 4). La técnica de regresión Ridge permite corregir la multicolinealidad en caso de que esta se presente. Esto evita que las variables importantes se descarten, también mantiene la consistencia del modelo luego de efectuar varias simulaciones verificando que el coeficiente Alpha de 1.46 sea el más adecuado frente al conjunto de siete variables presentes en la regresión y, en ciertos casos, con valores resultantes ligeramente superiores a los reales (Nunes et al., 2019).

Figura 4
Valores reales versus pronosticados del PPCE semestre 1 del año 2021
Elaboración propia.

Tabla 4
Errores en los modelos de regresión múltiple

Elaboración propia.

La predicción de los PPCE corresponderá a cifras que estén bajo el control del analista. Los supuestos serán reemplazos en la ecuación de la predicción Ridge en cada una de las variables independientes a estimar para un escenario planteado como conservador para los próximos cinco años como horizonte de planificación. Los supuestos serán programados de la siguiente manera:

• Partir del criterio de que existirá un crecimiento conservador y sostenido de China con la generación de divisas fortalecida, así como las exportaciones de la India como las grandes economías asiáticas.

• Las monedas a nivel mundial sufrirán una depreciación por la masiva emisión, no así para el yuan, el cual registrará una revalorización.

• Se incrementa la producción acuícola principalmente en la región asiática, por lo que se espera que el Ecuador presente una tendencia alcista pero moderada en compensación.

• Un incremento en el año 2022 en el precio del crudo, pero se mantendrá estable en el corto plazo.

• Para 2021, por efectos de la pandemia, se ha presentado un decrecimiento en el precio promedio del camarón frente a años pre-pandemia. Sin embargo, se estimarán incrementos progresivos conforme han mostrado los registros históricos de los precios de las materias primas.

• Al igual que el caso del precio del camarón, el precio del salmón no registrará alzas importantes, mostrándose una proyección moderada (Tabla 5).

Tabla 5
Supuestos para predicción del PPCE

Elaboración propia.

El modelo de predicción de ventas de camarón requiere aprender la información ya conocida. Esta información está compilada en la data de los PPCE, también es procesada de forma anual. La extracción de declaración financiera anexa de las ventas realizadas de camarón por parte de la empresa está disponible al público. Estos datos son extraídos para el mismo periodo de tiempo (Tabla 6).

Tabla 6
Histórico de los PPCE y de ventas de camarón

Elaboración propia.

El modelo pronosticará las ventas de camarón mediante regresión polinomial, para lo cual se deberá definir, en función de los PPCE, el grado de la interpolación con mejor interacción entre las variables ventas de camarón y la variable de interés. Será la curva de tercer grado la que mejor se aproxime a la tendencia de los puntos, tal como se puede apreciar en la Figura 5.

Figura 5
Curvas ajustadas de segundo y tercer grado
Elaboración propia.

Con toda la información de entrada de rigor para configurar el modelo disponible se asigna ‘Y’ a la variable ventas de camarón y ‘X’ a los PPCE para automatizar las estimaciones. Una vez consensuada la interpolación polinomial se reemplazan los valores de las predicciones de los PPCE para, finalmente, presentar los resultados en pantalla. Tal como se muestra en la codificación de la Figura 6.

Figura 6
Líneas de código para pronóstico de ventas de camarón

Elaboración propia.

Empleando los resultados de la codificación del modelo y las proyecciones declaradas por parte de la calificadora de riesgos se elabora la tabla resumen (Tabla 7) para un horizonte de tiempo de cinco años, así como datos de origen para el análisis comparativo respectivo.

Tabla 7
Comparativo del pronóstico de ventas de camarón

Elaboración propia.

Las líneas de tendencia que se muestran en la Figura 7 indican que las ventas históricamente han mostrado un comportamiento no lineal, así como los resultados de las proyecciones del modelo en el presente estudio. Existen más variables intervinientes en lo referente a las ventas de camarón, estas variables han sido consideradas en esta investigación. Pero, para efectos del modelado, serán excluidas siempre que el horizonte de planificación no supere al corto plazo y no se realicen inversiones en activos fijos importantes que incidan en la capacidad instalada productiva de la empresa.

Figura 7
Tendencias de la venta de camarón
Elaboración propia.