Índices de producción para el sector metalmecánica en Colombia

Palabras clave: cointegración, desplazamiento temporal, índice de producción, tendencia, variación

Resumen

El índice de producción industrial recopila y procesa la evolución mensual de la actividad productiva real de la industria manufacturera, mediante un conjunto de productos característicos de la actividad. La investigación tuvo como objetivo, analizar con métodos estadísticos la variación de los índices de producción para el sector metalmecánico en Colombia, en el periodo 2020-2022. Es una investigación de tipo documental y descriptiva, con datos referenciales de la industria metalmecánica, base promedio mensual 2018=100. Los resultados del modelo de Garch mostraron una probabilidad de 81.8% para el sector fabricación de vehículos automotores y sus motores, mientras que un 84.9% fue de productos elaborados de metal. Asimismo, la cointegración de Johansen en el sector metalmecánico es la que más se ajusta al ideal con un valor-p de 0.781. En conclusión, se estima una recuperación total en el sector manufacturero post Covid-19, en el índice de producción del sector para enero 2022 en la República de Colombia.

Biografía del autor/a

Marlen Isabel Redondo Ramírez

Mg. Administración de Negocios; Universidad Libre de Colombia: Colombia; Doctorado en Administración; directora de Investigación Facultad de Ciencias Económicas: Colombia; E-mail: isabel.redondo20@yahoo.com, ORCID: https://orcid.org/0000-0003-1247-3561

Carlos Andrés Díaz Restrepo

Dr. En Administración; Universidad Nacional de Colombia: Manizales – Colombia; Docente en Universidad Católica de Pereira: Pereira – Colombia; E-mail: carlo.restrepo20@yahoo.com, ORCID: https://orcid.org/0000-0003-0141-3029

Gerardo Antonio Buchelli Lozano

Maestría en economía; Pontificia Universidad Javeriana: Colombia; Estimación de la eficiencia del sector metalmecánico en Colombia – especialización; Docente en Universidad Libre de Colombia – Colombia; E-mail: g.buchelly20@yahoo.com, ORCID: https://orcid.org/0000-0002-8604-4236

Citas

Arenas Torres, F., Campos Troncoso, R., & Santander Ramírez, V. (2019). Adopción de prácticas de Gobierno Corporativo del mercado chileno en el trienio 2015 - 2017. Visión de futuro, 23(2). https://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S1668-87082019000200002&lng=es&tlng=es.

Aristizábal, D., Castro, M. Y., Echeverri, P. A., & Valencia, J. D. (2017). Assessing the efficiency of science, technology and innovation using Data Envelopment Analysis (DEA): The case of Colombia. DYNA (Colombia), 84(202), 215–220. https://doi.org/10.15446/dyna.v84n202.59554

Banco de la República. (2020). Índice de producción real de la industria manufacturera colombiana. https://www.banrep.gov.co/es/estadisticas/indice-produccion-industrial-ipp

Barbosa Camargo, M. I., Salazar Sarmiento, A., & Peñaloza Gómez, K. J. (2019). Valoración de riesgo mediante modelos GARCH y simulación Montecarlo: evidencia del mercado accionario colombiano. Semestre Económico, 22(53), 53-75. https://dx.doi.org/10.22395//seec.v22n53a3

Becerril Torres, O. U., Godínez Enciso, J. A., & Canales García, R. A. (2018). Innovación y productividad en la industria metalmecánica de México, el contexto actual, 2010-2016. Economía Coyuntural, 3(4), 55-88. https://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S2415-06222018000400005&lng=es&tlng=es

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327. https://doi.org/10.1016/0304-4076(86)90063-1

Cabrera González, G., & León Arias, A. (2019). Modelación markoviana para identificar la dinámica y pronóstico del índice de producción industrial en México de 1980 a 2018. EconoQuantum, 16(2), 23-41. https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1870-66222019000200023&lng=es&tlng=es.

Cao, Y., Liu, M., Cao, Y., Chen, C., & Zhang, D. (2020). Change Pattern and Driving Mechanism of Construction Land in China’s Undertaking Industrial Transfer Demonstration Area: Taking the Wanjiang City Belt along the Yangtze River as an Example. Earth Sciences Research Journal, 24(2), 215-223. https://doi.org/10.15446/esrj.v24n2.87710

Departamento Administrativo Nacional de Estadística. (2020). Índice de producción industrial (IPI). https://www.dane.gov.co/index.php/estadisticas-por-tema/industria/indice-de-produccion-industrial-ipi

Preslav, M., Dimitrov, P., Dimitrov, B., y Parvanov, P. (2018). Bulgarian tourism and the problem of poverty alleviation in Bulgaria. Tourism & Management Studies, 14(2), 45-52. https://dx.doi.org/10.18089/tms.2018.14205

Fajardo Zapata, Á., Hernández Niño, J., González Valencia, Y., Hernández, H., & Torres Pérez, M. (2019). Percepción del riesgo mediante sus atributos psicosociales en trabajadores de la industria metalmecánica en la ciudad de Bogotá, D.C (Colombia). NOVA, 17(31), 79-86. https://revistas.unicolmayor.edu.co/index.php/nova/article/view/945

Gaona Montiel, F., Reyes Robles, A., & Ramírez Cedillo, E. (2020). Mercados, volatilidad y gestión de futuros en México: el empleo del método ARCH y GARCH. Contaduría y administración, 65(1), e150. https://doi.org/10.22201/fca.24488410e.2018.1752

Hernández García, E. A., & Raffo López, L. (2018). Sectorial adjustment costs induced by the Colombian pattern of international trade, 1991-2015. Cuadernos de Administración (Universidad del Valle), 34(60), 46-62. https://dx.doi.org/10.25100/cdea.v34i60.6089

Huang, B.N., & Yang, C. W. (1996). Long-run purchasing power parity revisited: a Monte Carlo simulation. Applied Economics, 28(8), 967-974. https://doi.org/10.1080/000368496328092

Li X, Qiu W, Morrow J, DeMeo DL, Weiss ST, Fu Y. (2015) A Comparative Study of Tests for Homogeneity of Variances with Application to DNA Methylation Data. PLoS ONE, 10(12): e0145295. https://doi.org/10.1371/journal.pone.0145295

López Sáez, J. I. (2018). Análisis de Serie de Tiempo. Pronóstico de demanda de uso de aeropuertos en Argentina al 2022. https://ri.itba.edu.ar/handle/123456789/1230

López, D. C. (2016). Factores de calidad que afectan la productividad y competitividad de las micros, pequeñas y medianas empresas del sector industrial metalmecánico. Entre Ciencia e Ingeniería, 10(20), 99-107. https://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1909-83672016000200014&lng=en&tlng=es.

Mejía Vásquez, E. J., & Gonzales Chávez, S. (2019). Predicción del consumo de energía eléctrica residencial de la Región Cajamarca mediante modelos Holt -Winters. Ingeniería Energética, 40(3), 181-191. https://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815-59012019000300181&lng=es&tlng=es.

Montgomery, D.C. (2004). Libro análisis y diseño de experimentos. (2da ed.). Limusa Wiley.

Mora, F., Meza, V., Porras, Á., Sandí, C., & Aguilar, L. (2019). Curvas diferenciadas de índice de sitio para vochysia guatemalensis en la región Huetar Norte y Huetar Caribe de Costa Rica. Agronomía Costarricense, 43(2), 123-138. https://dx.doi.org/10.15517/rac.v43i2.38203

Ochoa Torrez, R. R. (2019). Incidencia de los precios y el IPC en la producción de papa, banano y tomate en el departamento de La Paz durante el periodo 2008-2013. Revista de Investigación e Innovación Agropecuaria y de Recursos Naturales, 6(1), 79-86. https://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S2409-16182019000100011&lng=es&tlng=es.

Ramírez, J., y González, G. (2016). Dinámica de la cadena priorizada del sector metalmecánico del departamento de Santander en el período 2010-2015. Revista Lebret, 8, 175-199.

Rodríguez Benavides, D., Martínez García, M. Á., & Hoyos Reyes, L. F. (2019). Incertidumbre del precio internacional del petróleo y rendimientos accionarios en México a través de un SVAR-MGARCH. Contaduría y administración, 64(3), e119. https://doi.org/10.22201/fca.24488410e.2019.2340

Rodríguez, A. & Pérez, A. O. (2017). Métodos científicos de indagación y de construcción del conocimiento. Revista EAN, 82, 179-200. https://doi.org/10.21158/01208160.n82.2017.1647

Salas-Navarro, K., Meza, J., Obredor-Baldovino, T., y Mercado-Caruso, N. (2019). Evaluación de la Cadena de Suministro para Mejorar la Competitividad y Productividad en el Sector Metalmecánico en Barranquilla, Colombia. Información tecnológica, 30(2), 25-32. https://dx.doi.org/10.4067/S0718-07642019000200025

Villarreal, F., & Tohmé, F. (2017). Análisis envolvente de datos. Un caso de estudio para una universidad argentina. Estudios Gerenciales, 33(144), 302–308. https://doi.org/10.1016/j.estger.2017.06.004

Zhou, H., Yang, Y., Chen, Y., & Zhu, J. (2017). Data envelopment analysis application in sustainability: The origins, development and future directions. European Journal of Operational Research, 264, 1–16. https://doi.org/10.1016/j.ejor.2017.06.023
Publicado
2021-10-06
Cómo citar
Redondo Ramírez, M. I., Díaz Restrepo, C. A., & Buchelli Lozano, G. A. (2021). Índices de producción para el sector metalmecánica en Colombia. Revista Venezolana De Gerencia, 26(96), 1364-1379. https://doi.org/10.52080/rvgluz.26.96.23
Sección
TRIMESTRE