Embed Size (px)
Citation preview
1
Trabajo Fin de Grado
Grado en Ingeniería de las Tecnologías
Industriales
ANÁLISIS MULTIDIMENSIONAL DE
LAS PRINCIPALES NAVIERAS
INTERNACIONALES
Autor: Carlos Clemente Ortega
Tutor: Dª Ester Gutiérrez Moya
Departamento de Organización Industrial y Gestión de Empresas I
Escuela Técnica Superior de Ingeniería
Universidad de Sevilla
Sevilla, 2015
2
Trabajo Fin de Grado
Grado en Ingeniería de las Tecnologías Industriales
ANÁLISIS MULTIDIMENSIONAL DE
LAS PRINCIPALES NAVIERAS
INTERNACIONALES
Autor:
Carlos Clemente Ortega
Tutor:
Dª Ester Gutiérrez Moya
Profesor Titular de Universidad
Departamento de Organización Industrial y Gestión de Empresas I
Escuela Técnica Superior de Ingeniería
Universidad de Sevilla
Sevilla, 2015
3
4
Trabajo Fin de Grado ANÁLISIS MULTIDIMENSIONAL DE LAS PRINCIPALES
NAVIERAS INTERNACIONALES
Autor: Carlos Clemente Ortega
Tutor: Dª Ester Gutiérrez Moya
El tribunal nombrado para juzgar el Trabajo arriba indicado, compuesto por los
siguientes miembros:
Presidente:
Vocales:
Secretario:
Acuerdan otorgarle la calificación de:
Sevilla, 2015
El Secretario del Tribunal
5
6
A mi familia, en especial a mis padres por brindarme un apoyo continuo e
incondicional, y hacer de mí una buena persona.
A mis profesores, de los que he aprendido todo lo posible. Y a mis amigos y
compañeros, que me han acompañado durante esta etapa de mi vida.
7
8
RESUMEN
El objetivo de este proyecto consiste en analizar, mediante análisis estadístico
multivariante, un conjunto de variables relevantes en la industria de las principales
Navieras Internacionales.
El análisis se desarrolla a partir de un conjunto de datos basado en los valores de cinco
indicadores de tipo económico/financiero y operacional. Estos datos han sido recogidos
para cada una de las 19 navieras globales más importantes del 2009, clasificadas en
función del volumen de contenedores transportados.
En los problemas con un conjunto elevado de datos y variables, se suelen aplicar un
análisis previo con el fin de reducir las dimensiones de este conjunto. Una forma
característica de conseguir reducir un problema es someterlo a un Análisis de
Componentes Principales (ACP). ACP proporciona una simplificación de las relaciones
existentes entre las variables seleccionadas, por medio de la búsqueda de dimensiones
comunes, de forma que se expliquen dichas variables perdiendo el mínimo de información
posible.
Además del ACP, se aplicará un segundo análisis de Escalamiento Multidimensional
(MDS) con el fin de crear una representación visual de las proximidades existentes entre
las variables.
El análisis de Componentes Principales muestra que es posible reducir el problema a
dos componentes, efecto suficiente para considerar que con dos dimensiones es posible
explicar los datos en su totalidad, considerándose mínima la pérdida de información.
Por último, respecto al Escalamiento Multidimensional, ha sido posible crear en un
mapa de puntos la situación de las compañías en dicho año y estudiar su comportamiento
respecto a las alianzas estratégicas. Dando como resultado la aparición de 5 grupos
diferenciados.
9
ÍNDICE
RESUMEN ...................................................................................................................... 8
ÍNDICE ............................................................................................................................ 9
ÍNDICE DE FIGURAS ................................................................................................ 11
ÍNDICE DE TABLAS .................................................................................................. 12
1. INTRODUCCIÓN ................................................................................................ 14
1.1 LA IMPORTANCIA DEL TRÁFICO MARÍTIMO DE CONTENEDORES .... 14
1.2 PUERTOS INTERNACIONALES ...................................................................... 16
1.3 LAS MAYORES COMPAÑÍAS NAVIERAS GLOBALES .............................. 18
1.4 ALIANZAS INTERNACIONALES .................................................................... 20
2. PRESENTACIÓN DE LOS DATOS .................................................................. 22
3. METODOLOGÍA ................................................................................................. 24
3.1 ¿EN QUÉ CONSISTE UN ANÁLISIS MULTIVARIANTE? ............................ 24
3.2 CLASIFICACIÓN DE LAS TÉCNICAS POR OBJETIVO PRINCIPAL .......... 24
3.3 ANÁLISIS EN COMPONENTES PRINCIPALES (ACP) ................................. 25
3.3.1 CÁLCULO DE LAS COMPONENTES PRINCIPALES............................. 25
3.4 ESCALAMIENTO MULTIDIMENSIONAL ...................................................... 29
3.4.1 CONSIDERACIONES PREVIAS ................................................................ 29
3.4.2 MODELO DE ESCALAMIENTO MULTIDIMENSIONAL ...................... 30
3.4.3 MODELO DE ESCALAMIENTO MÉTRICO ............................................. 31
3.4.4 NIVEL DE AJUSTE ..................................................................................... 33
4. RESULTADOS E INTERPRETACIÓN DEL ANÁLISIS MULTIVARIANTE
35
10
4.1 RESULTADOS DEL ANÁLISIS DE COMPONENTES PRINCIPALES ......... 35
4.2 RESULTADOS DEL ESCALAMIENTO MULTIDIMENSIONAL .................. 40
4.2.1 CÁLCULO DE DISTANCIAS ..................................................................... 40
4.3 INTERPRETACIÓN DEL ESCALAMIENTO MULTIDIMENSIONAL .......... 43
4.3.1 EL ANÁLISIS DE CONGLOMERADOS MEDIANTE EL MÉTODO
WARD .................................................................................................................... 43
4.3.2 ANÁLISIS EXPLORATORIO DEL ANÁLISIS DE CONGLOMERADOS
................................................................................................................................ 48
4.3.3 AJUSTE DE PROPIEDADES ...................................................................... 54
5. CONCLUSIONES ................................................................................................ 56
6. REFERENCIAS BIBLIOGRÁFICAS ............................................................... 59
ANEXO I ....................................................................................................................... 62
ANEXO II ...................................................................................................................... 63
11
ÍNDICE DE FIGURAS
Figura 1.- Buque de 7000 TEUs de la compañía CMA CGM ....................................... 15
Figura 2.- Vista satélite de los flujos marítimos ............................................................. 16
Figura 3.- Puerto de Shanghái ........................................................................................ 17
Figura 4.- Evolución de la capacidad de mercado ocupado por las 10 Navieras más
importantes, desde 2004-2014 ....................................................................................... 18
Figura 5.- Representación de las compañías en las componentes principales ................ 39
Figura 6.- Mapa de espacio común ................................................................................. 43
Figura 7.- Dendograma ................................................................................................... 44
Figura 8.- Mapa de puntos del método Ward ................................................................. 47
Figura 9.- Diagrama de caja N_TEU .............................................................................. 49
Figura 10.- Diagrama de caja N_Barcos ........................................................................ 50
Figura 11.- Diagrama de caja N_Empleados .................................................................. 51
Figura 12.- Diagrama de caja N_Contenedores_transportados ...................................... 52
Figura 13.- Diagrama de caja Beneficios ....................................................................... 53
Figura 14.- Mapa de Ajuste de propiedades ................................................................... 55
12
ÍNDICE DE TABLAS
Tabla 1.- Ordenación de los 10 puertos más importantes del mundo por tráfico de
contenedores. .................................................................................................................. 17
Tabla 2.- Ordenación de las 10 Navieras más importantes del año 2009 ....................... 19
Tabla 3.- Alianzas y fusiones marítimas del año 2009 ................................................... 21
Tabla 4.- Alianzas y fusiones marítimas del año 2015 ................................................... 21
Tabla 5.- Varianzas explicadas en el Análisis Factorial ................................................. 36
Tabla 6.- Comunalidades ................................................................................................ 37
Tabla 7.- Matriz de componentes ................................................................................... 37
Tabla 8.- Puntuaciones de los componentes ................................................................... 38
Tabla 9.- Medida de ajuste de Stress .............................................................................. 41
Tabla 10.- Coordenadas finales ...................................................................................... 42
Tabla 11.- Resultados método Ward .............................................................................. 45
Tabla 12.- Comparación entre resultados Ward y Alianzas ........................................... 46
Tabla 13.- Comparación entre resultados Ward y Alianzas de los años 2009, 2012 y 2015
........................................................................................................................................ 57
Tabla 14.- Base de datos usada para el estudio, respecto al año 2009 ........................... 62
Tabla 15.- Matriz de distancias....................................................................................... 63
13
ANÁLISIS MULTIDIMENSIONAL DE LAS
PRINCIPALES NAVIERAS
INTERNACIONALES
14
1. INTRODUCCIÓN
El análisis multivariante engloba un conjunto de métodos y técnicas estadísticas
que permiten estudiar y tratar, en bloque, un conjunto de variables medidas u observadas
en una colección de individuos. Como reflejo de la realidad, éstas variables serán sólo
cuantitativas, sólo cualitativas, o simultáneamente de ambos tipos. Un tratamiento tan
completo unido a la diversidad de enfoques teóricos y prácticos que puede darse a un
estudio multidimensional, explica la dificultad matemática de un proceso que por fuerza,
ha de apoyarse en el cálculo matricial y, en muchas ocasiones, en la geometría no
euclídea. Es esta la razón por la cual, hasta hace pocos años, no ha comenzado a difundirse
su aplicación con la frecuencia necesaria para que la investigación científica pudiera beneficiarse del empleo de técnicas tan avanzadas.
Tal y como se comentaba en el apartado resumen, el objetivo principal de este
proyecto consiste en aplicar el análisis multivariante a una serie de datos
económicos/financieros y operacionales de las principales compañías navieras globales
del año 2009. Para la realización de dicho estudio, cuyos resultados se expondrán en el
capítulo 4, se ha empleado la aplicación informática SPSS.
En los siguientes capítulos se examinarán primero los principios del análisis
multivariante, basándose en dos de sus técnicas: el análisis de componentes principales
(ACP) y el Escalamiento Multidimensional (MDS). Y posteriormente, se presentarán los
resultados obtenidos del estudio y sus respectivas interpretaciones.
Por último, en el quinto capítulo se recogen las principales conclusiones del
trabajo.
A continuación, se presentará una introducción al sector del tráfico marítimo de
contenedores. En este apartado se expondrán los aspectos principales del sector y su
importancia dentro de la economía mundial, además de una lista de las principales
navieras globales que representan el transporte marítimo y las alianzas estratégicas que
se conforman entre ellas.
1.1 LA IMPORTANCIA DEL TRÁFICO MARÍTIMO DE CONTENEDORES
El transporte marítimo representa más del 80 por ciento del mercado internacional
de transferencia de mercancías, siendo un sector crucial para el mercado global
(Alphaliner, 2015). Además, para muchos países, representa el principal motor de
comercialización.
Durante años, la distancia ha supuesto largas duraciones y costes, y suponía un
gran inconveniente para el intercambio comercial entre países. Pero en la actualidad, es
posible el transporte de grandes cantidades de mercancía a cualquier país del mundo y a
costes razonables gracias al comercio internacional de transporte de contenedores por vía
marítima.
15
La fácil manipulación en los puertos, la gran capacidad de carga de los buques y
la contribución con el transporte intermodal han sido los factores principales que han
desencadenado una elevada demanda de este tipo de transporte de mercancías.
Figura 1.- Buque de 7000 TEUs de la compañía CMA CGM
Fuente: Mar & Gerencia (2010)
*TEU (Twenty-foot Equivalent Unit) es un contenedor de 20 pies que simboliza la capacidad de carga, la cual tiene
un volumen interno de 33 m3 aproximadamente. En consecuencia, la capacidad de los buques se mide en TEUs.
Como consecuencia del crecimiento continuo de la globalización, la economía
internacional se ha visto incrementada considerablemente por el transporte oceánico,
favoreciendo así a lo que en inglés se le llama “containerization”. Tras su aparición al
finalizar la Segunda Guerra Mundial, ésta expansión ha promovido una gran
transformación en los sistemas de transporte marítimo: capacidad operacional, servicios
de infraestructuras e infraestructuras interiores, además de eliminar la clasificación
manual de la mayoría de los envíos y la necesidad de almacenarlos. Gracias al uso de este
tipo de contenedores, se ha reducido la congestión en los puertos, acortando
significativamente el tiempo de envío y la reducción de las pérdidas por daños y robos.
Otro de los factores principales que han favorecido al rápido crecimiento del
transporte de contenedores ha sido el aumento de la capacidad de los barcos. El propósito
de construir barcos más grandes y por lo tanto, con mayor capacidad, ha sido el
aprovechamiento los costes gracias a economías de escala además de la búsqueda del
aumento de la demanda agregada y la globalización del mundo de la economía.
El tráfico de contenedores ha sido el sector marítimo con el crecimiento más
rápido en la última década gracias a la aparición de las nuevas potencias económicas
asiáticas. Y como consecuencia se han incrementado todas las rutas (transpacífica,
transatlántica y Europa-Asia) año tras año y se ha logrado alcanzar una carga total de 20
millones de contenedores (TEUs) aproximadamente en 2014 (Alphaliner, Mayo de 2014).
16
Figura 2.- Vista satélite de los flujos marítimos
Fuente: Mar & Gerencia (2010)
Sin embargo, el impacto de la crisis global económica y financiera a finales del
2008 y principios del 2009, produjo consecuencias severas para el comercio marítimo
mundial, que experimentó una dramática contracción en el año 2009. Este sector sufrió
el peor año en su historia mostrando un descenso del 11% del volumen transportado en
contenedores con respecto al 2008 (Drewry Shipping Consultants 2008/2009),
Sin embargo, la pertenencia a alianzas entre compañías hizo que, desde una
perspectiva de gestión estratégica, fuera un factor clave en la reducción del riesgo,
siempre que las compañías navieras hagan frente a dificultades económicas como esta.
1.2 PUERTOS INTERNACIONALES
El crecimiento de los puertos y su alto tránsito diario han influenciado en gran
medida a la expansión de este mercado. Antiguamente el concepto de puerto se definía
únicamente como una zona de tierra y agua en la que atracaban los barcos para cargar o
descargar mercancía o pasajeros, pero actualmente ofrecen mucho más que carga y
descarga. Numerosas funciones como logística, almacenaje, inspección, aduana,
aprovisionamiento o reparaciones se ofrecen diariamente en los puertos del sector. Esto
ha desembocado en que las ciudades que disponen de puertos en zonas cercanas hayan
experimentado un gran desarrollo económico y estructural. Muchas de esas ciudades, se
han convertido hoy en día en referentes mundiales.
Tal y como se refleja en la Tabla 1, se presenta una lista de los 10 principales
puertos en función del volumen anual de tráfico de contenedores soportado:
17
Tabla 1.- Ordenación de los 10 puertos más importantes del mundo por tráfico de contenedores.
Posición Puerto País
Volumen 2013
(Millones de
TEUs)
1 Shanghái China 33,62
2 Singapur Singapur 32,24
3 Shenzhen China 23,28
4 Hong Kong China 22,35
5 Busan Corea del
Sur 17,69
6 Ningbo China 17,35
7 Qingdao China 15,52
8 Guangzhou China 15,31
9 Dubai Emiratos
Árabes 13,64
10 Tianjin China 13,01
Fuente: The Lloyd's List of the World's Busiest Container Ports 2013
La mayoría de los puertos de importancia se encuentran en Asia, esto supone un
claro reflejo de la importancia del papel que desempeñan dichos países en el sector.
Aunque lo realmente interesante es que ninguno de estos puertos estaba presente en la
ordenación de 1995. Se trata de un fenómeno reciente que ha hecho incrementar a pasos
agigantados la economía de países asiáticos.
Antiguamente, los puertos europeos y americanos lideraban dicho ranking, pero
debido al cambio de orden, países como Alemania, Estados Unidos o Reino Unido se han
visto superados por el excesivo crecimiento de las competencias asiáticas.
Figura 3.- Puerto de Shanghái
Fuente: Google Imágenes, 2014
Por el contrario, los puertos más importantes de Europa se encuentran en la
posición 11 y 15 de la lista, lejos de sus grandes competidores asiáticos. Éstos están
situados en Rotterdam (Países Bajos), transportando un volumen de 11621 contenedores
en el año 2013 (Lista Lloyd’s 2013) y Hamburgo (Alemania), con un volumen de 9302
contenedores en el año 2013.
18
1.3 LAS MAYORES COMPAÑÍAS NAVIERAS GLOBALES
La importancia del mercado marítimo y el incremento experimentado en los
últimos años, han desencadenado la aparición de numerosas compañías en el sector. Y
aunque son muchas las empresas emergentes las que se suman a las ya tradicionales, los
procesos de fusión y alianzas entre empresas han impulsado una dinámica
de concentración empresarial muy notable en el comercio marítimo. De forma que si en
el año 2005, las 10 primeras compañías conformaban el 25% de la capacidad del
transporte mundial, en el año 2014 esta cifra ascendió al 63,7%, aumentando más de 38
puntos en sólo 10 años.
En la figura 4, se muestra un gráfico de la evolución que ha experimentado el
mercado ocupado por las 10 navieras más representativas, desde el 2004 al 2014.
Figura 4.- Evolución de la capacidad de mercado ocupado por las 10 Navieras más importantes, desde 2004-2014
Fuente: Alphaliner (2014)
Elaboración: Propia
Aunque el origen de la aparición de las navieras data de los años cincuenta, su
afianzamiento no se ha producido hasta la expansión de la producción en Asia,
generándose enormes cantidades producidas y una alta competencia entre las compañías
para hacerse con sus servicios. Es por ello que el mercado ha ido creciendo desde el año
2004 a un ritmo de más del 6% anual, lo que ha provocado la aparición de nuevas
compañías y la competencia entre las ya existentes.
Ante la subida del precio del petróleo, las empresas han tenido que lidiar con ello
fabricando barcos más grandes, para poder transportar más contenedores y generar
economías de escala y por supuesto ser más eficientes. Pero esto provocó en ocasiones
algunas consecuencias, debido a que hay puertos que no pueden lidiar con barcos de tales
0%
10%
20%
30%
40%
50%
60%
70%
Evolución de la capacidad de mercado 2004-2014
19
dimensiones. Es por ello que, por ejemplo, el puerto de Róterdam ha invertido 2.900
millones de euros para ampliar sus terminales.
Este problema no sólo se ha visto reflejado en los puertos, sino que los dos
principales canales del mundo, Panamá y Suez, están invirtiendo actualmente para su
ensanchamiento y hacer frente a la nueva era. Para algunos países, hay un gran riesgo en
juego, como es el caso de Egipto con el canal de Suez. Sus peajes representan un 2% del
PIB del país árabe. O en el caso del canal de Panamá, representa el 4,5%.
Existen diferencias entre las fuentes en cuanto a la posición de cada compañía en
el ranking, pero hay 10 que se consideran siempre las más importantes en proporción al
volumen que componen en el sector. Como el estudio se realizará en base al año 2009, a
continuación, se muestra una tabla con las compañías más importantes de dicho año:
Tabla 2.- Ordenación de las 10 Navieras más importantes del año 2009
Posición Compañía Sede
1 A.P. Møller-Mærsk Copenhague, Dinamarca
2 Mediterranean Shipping
Company (MSC) Ginebra, Suiza
3 CMA CGM Group Marsella, Francia
4 Evergreen Line Taoyuan, Taiwan
5 APL Ciudad de Singapur,
Singapur
6 COSCO Beijing, China
7 Hapag-Lloyd Group Hamburg, Alemania
8 CSCL Shangai, China
9 Hanjin Seúl, Corea del Sur
10 NYK Tokyo, Japón
Fuente: Reed Business Information, 2009
La industria del contenedor, es un sector con mucha competencia debido a la gran
cantidad de empresas que existen y que continúan apareciendo. Pero sobre todo porque
dan oportunidad de triunfar en un mercado en alza. Aunque la realidad es distinta, en este
sector son sólo cinco las empresas que dominan la mayoría del mercado. Las cinco
compañías que tienen mayor repercusión en el sector son (Alphaliner 2015): Maersk,
MSC, CMA, Evergreen y COSCO. Sólo estas cinco navieras poseen más del 43% del
volumen de tonelaje. Por lo que resulta difícil para las demás compañías hacerles
competencia, siendo la única alternativa de equipararse a ellas, aliarse estratégicamente.
20
1.4 ALIANZAS INTERNACIONALES
Las principales empresas navieras no sólo están aumentando su tamaño y
capacidad de participación en el mercado mediante la construcción de buques más
grandes, sino que también lo hacen mediante la formación de alianzas estratégicas, o
mediante la adquisición o fusión de las empresas competidoras.
Las navieras con mayor acción en el mercado han empezado a formar alianzas
entre ellas, ocasionando la aparición de grandes compañías en la industria marítima. Esto
ha provocado que la competencia entre empresas se esté incrementando continuamente,
perjudicado sobre todo a las pequeñas compañías del sector
Pero a la vez, estas alianzas estratégicas y fusiones entre grandes empresas del
transporte marítimo, representan una nueva y sólida tendencia que modifica notablemente
la organización del transporte marítimo internacional y la posición de los puertos.
El propósito fundamental de las alianzas es el aprovechamiento de la dimensión
geográfica. Estas son multi-continentales y engloban las principales rutas y vías de
transporte marítimo internacional.
Las alianzas internacionales, tienen como objetivo compartir rutas, y utilizar
conjuntamente las infraestructuras, tanto en los puertos como tierra adentro. Además
tratan de establecer convenios para operar en conjunto las vías terrestres de distribución.
Es decir, pretenden controlar la red completa a través de la consolidación del
intermodalismo.
A lo largo de la historia del sector han sido muchos los intentos de formar alianzas
entre navieras. Por ejemplo, en el año 2011, seis grandes compañías anunciaron la
intención de crear una ruta común entre Asia y Europa creándose así la conocida alianza
G6. Pero la formación de alianzas no siempre es posible, en el año 2014, los tres gigantes
del sector (Maersk, MSC y CMA) tenían la intención de crear una única alianza para
controlar el mercado asiático, pero las autoridades de competencia chinas lo bloquearon.
El proceso de formación y disolución de alianzas está cambiando continuamente.
Aunque a simple vista estas alianzas se producen por conveniencia operacional
(compartir rutas, barcos e infraestructuras), la realidad es bien distinta. Al igual que en el
resto de mercados, hay un trasfondo político o de competencia detrás de la formación de
alianzas.
Cuando la formación de alianzas no es posible, las empresas optan por dos vías
opcionales, fusión y adquisición, con el fin de seguir expandiéndose o hacer frente a sus
deudas. Un ejemplo de fusión se presentó en Diciembre de 2014, cuando la compañía
alemana Hapag Loyd y la chilena CSAV, se fusionaron para crear la cuarta compañía del
mundo.
A continuación, se muestra en la tabla 3, el resumen de la situación de las alianzas
existentes y las navieras que las conformaban en el año 2009.
21
Tabla 3.- Alianzas y fusiones marítimas del año 2009
Alianza Navieras que la componen
Maersk
Line Maersk
GA Hapag-Lloyd, OOCL y NYK
CKYH COSCON, K Line y YML
NWA APL y MOL
Fuente: Mar & Gerencia (2010)
Elaboración: propia
Pero dicha situación ha cambiado mucho hasta el año presente. Hoy en día, las
configuraciones entre navieras son bien distintas, al igual que también son distintos los
tamaños de cada compañía con respecto al 2009.
En la actualidad, son cuatro las grandes alianzas las que determinan el transporte
marítimo de contenedores (2M, CKYHE, G6 y Q3) y las cuatro están formadas a partir
del Top 20 de navieras internacionales. Únicamente Wan Hai, PIL y Hambürg Sud han
quedado fuera de esta configuración, debido a que poseen diferentes acuerdos con
navieras determinadas.
A continuación, se muestra la configuración actual del reparto de alianzas
globales:
Tabla 4.- Alianzas y fusiones marítimas del año 2015
Alianza Navieras que la componen
2M Maersk Line, MSC
CKYHE Evergreen, Coscon, Hanjin, K Line y Yang Ming
G6 APL, Hapag-Lloyd, OOCL, NYK, MOL y Hyundai
Q3 CMA CGM, China Shipping y UASC
Fuente: Alphaliner (2015)
Elaboración: propia
Dichas alianzas abarcan prácticamente el 80% del mercado naviero total en el año
2015, por lo que se puede decir que el sector está controlado por estas cuatro grandes
configuraciones. Siendo la principal alianza 2M abarcando unos 5,5 millones de TEUs
anuales, seguido de CKYHE y G6 que están muy próximas entre sí con un volumen total
de entre 3 y 3,5 millones de TEUs. Mientras que la más pequeña de las cuatro es la
representada por Q3, que únicamente opera unos 2,7 millones anuales, quedando bastante
lejos de la gran 2M.
22
2. PRESENTACIÓN DE LOS DATOS
Para la realización del presente análisis, ha sido necesario un paso previo de
recogida de datos relevantes de las principales navieras globales. Como se ha comentado
en apartados anteriores, dichas magnitudes representan indicadores económico-
financieros y operacionales de las principales compañías navieras internacionales
correspondientes al año 2009.
Esta etapa constituye una de las tareas más importantes del proyecto, debido a la
dificultad de acceso a la información, a causa de la pluralidad de empresas que componen
la muestra.
La fuente de los datos ha sido diversa: memorias anuales, base de datos de carácter
comercial, contacto directo vía e-mail con las empresas, entre otras. Para el caso de las
navieras menos conocidas, como por ejemplo las emergentes chinas, ha sido necesario
una búsqueda más profunda debido a su dificultad. Dichos datos han sido encontrados en
artículos internacionales del sector naviero.
Como resultado, se ha confeccionado una base de datos referida al año 2009 que
se encuentra adjunta en el anexo I de este proyecto. Ésta base de datos refleja la situación
de las 19 navieras más representativas de dicho año con respecto a cinco variables
económico-financieras y operacionales.
A continuación, se presentan las variables utilizadas en el estudio, así como una
breve explicación de su significado.
Dichas variables son:
Número de TEUs: Representa el número de contenedores que posee en propiedad
cada compañía naviera en un año. Las empresas navieras también suelen hacer
uso de contenedores compartidos con otras empresas del sector para aprovechar
rutas o economías de escala. Pero éstos no se han incluido en el estudio.
El número de contenedores que posee una compañía naviera proporciona una idea
de las dimensiones que tiene en el sector. Un alto índice de contenedores en
posesión simboliza, a priori, una alta demanda de transporte de mercancías.
Número de barcos: Representa el número de barcos que posee en propiedad cada
compañía naviera en un año. Al igual que en los contenedores, las empresas suelen
compartir buques por conveniencias económicas, pero éstos no son objeto de
estudio en esta variable.
Número de empleados: Representa el número de personas que trabajan en la
compañía naviera.
23
Número de contenedores transportados: Representa el número de contenedores
transportados a lo largo de un año. Se considera uno de los indicadores más
importantes de medida de una naviera, debido a que proporciona una magnitud
real del nivel de operación de una compañía en el sector.
La mayoría de las clasificaciones internacionales de navieras vienen dadas en
función del volumen de carga transportado respecto al total del mercado (número
de contenedores transportados por cada compañía / número de contenedores
transportados totales en el mercado).
Beneficios: Representa las ganancias/pérdidas del ejercicio 2009. Ha sido
necesario homogeneizar a una moneda común (USD dólares americanos, $) las
unidades monetarias, debido a la pluralidad de nacionalidades de las empresas
navieras.
A continuación, se presentará la nomenclatura utilizada en la aplicación
informática para cada una de las variables anteriormente mencionadas, con el fin de
facilitar la interpretación al lector.
La nomenclatura utilizada es la siguiente:
N_TEU: Número de TEUs en posesión, medido en unidades (Un TEU equivale
a 20 pies).
N_Barcos: Número de barcos en posesión, medido en unidades
N_Empleados: Número de empleados de la compañía, medido en número de
personas.
N_Contenedores_Transportados: Número de Contenedores Transportados,
medido en unidades.
Beneficios: Ganancias obtenidas, medidas en unidades monetarias reales (USD
$ 2009.
Además, se añade una última variable de tipo atributo, que ayudará a la
interpretación de los datos:
Alianzas: Ésta variable atributo relaciona a cada compañía con la alianza que
pertenecía en el año 2009. Se presentan cuatro alianzas para dicho año: Maersk
Line, Grand Alliance, CKYH y New Worldwide Alliance.
La obtención de dicha variable viene relacionada con la información aportada en
la tabla 3 de este proyecto “Alianzas y fusiones marítimas del año 2009”
24
3. METODOLOGÍA
3.1 ¿EN QUÉ CONSISTE UN ANÁLISIS MULTIVARIANTE?
El análisis multivariante de datos engloba a un conjunto de métodos y técnicas
estadísticas que permiten estudiar y tratar en bloque un conjunto de variables medidas u
observadas en una colección de individuos. Las variables que nos podemos encontrar
serán, sólo cuantitativas, sólo cualitativas, o simultáneamente de ambos tipos. Un
tratamiento tan completo unido a la diversidad de enfoques teóricos y prácticos que puede
darse a un estudio multidimensional, explica la dificultad matemática de un proceso que
por fuerza, ha de apoyarse en el cálculo matricial y, en muchas ocasiones, en la geometría
no euclídea. Es esta la razón por la cual, hasta época muy reciente, no ha comenzado a
difundirse su aplicación con la frecuencia necesaria para que la investigación científica
pudiera beneficiarse del empleo de técnicas tan avanzadas.
Ha sido preciso un enorme desarrollo del procesamiento automático de datos, hoy
al alcance de cualquier equipo de trabajo, para asistir a una generalización de su uso a
través de aplicaciones informáticas específicas como, Statgraphics, SPSS o R.
3.2 CLASIFICACIÓN DE LAS TÉCNICAS POR OBJETIVO PRINCIPAL
Como se ha comentado en el resumen de este proyecto, el propósito de este trabajo
consiste en aplicar el análisis multivariante a los indicadores, del sector naviero,
aportados anteriormente. De manera que se pueda estudiar la situación de cada compañía
dentro de dicho mercado. Para la elaboración de dicho estudio, cuyos resultados se
expondrán en el apartado 4, se ha empleado la aplicación informática SPSS en la versión
20.
En los siguientes puntos a desarrollar, se examinarán los principios del análisis
multivariante, haciendo hincapié en dos de sus técnicas:
El análisis en componentes principales, que permitirá reducir las dimensiones del problema de estudio.
El escalamiento multidimensional o MDS (Multidimensional scaling). El cual,
proporcionará una clasificación de las compañías navieras en grupos de cierta homogeneidad, mediante el análisis de las relaciones entre variables.
NOTA: Es de reseñar que en un principio, el proyecto tenía como objetivo el estudio del
comportamiento de las alianzas internacionales mediante el Análisis Discriminante. Pero
debido a la incompatibilidad de los datos recogidos con los requisitos necesarios para el
estudio, se optó por buscar alternativas adecuadas.
25
3.3 ANÁLISIS EN COMPONENTES PRINCIPALES (ACP)
El análisis en componentes principales es una técnica de análisis estadístico
multivariante que permite reducir las dimensiones de un problema mediante la obtención
de un menor número de variables, denominadas componentes principales. Estas
componentes son resultado de la combinación lineal de las primitivas.
Para medir la cantidad de información que aporta cada componente, se utiliza su
varianza. Cuanto mayor sea su varianza, mayor es la información que lleva incorporada
dicha componente. Debido a ello, las componentes se van seleccionando en función de la
cantidad de información que aporten.
La suma de varianzas es igual a la suma de las varianzas de las variables
originales. Además, tal y como se ha comentado anteriormente, las componentes
principales se calculan de forma que estén incorrelacionadas entre sí, por lo que si las
variables originales están muy correlacionadas entre sí, la gran parte de su variabilidad se
puede explicar con muy pocas componentes. Pero sin embargo, si las variables originales
estuvieran completamente incorrelacionadas entre sí, entonces el análisis de componentes
principales carecería por completo de interés, ya que en ese caso las componentes
principales coincidirían con las variables originales.
Es importante destacar que la suma de sus varianzas es igual a la suma de las
varianzas de las variables originales. Las diferencias entre ambos conjuntos de variables
estriban en que, como ya se ha indicado, las componentes principales se calculan de forma
que estén incorrelacionadas entre sí.
3.3.1 CÁLCULO DE LAS COMPONENTES PRINCIPALES
En el caso de este problema en concreto, se dispone de una muestra de tamaño
n=19 y p=5, aunque en este apartado, se explicará la metodología para un caso general.
Las variables X1, X2, ...Xp (tipificadas o expresadas en desviaciones respecto de su
media) inicialmente correlacionadas, para posteriormente obtener un número k ≤ p de
variables intercorrelacionadas Z1, Z2, ...Zp que sean combinación lineal de las variables
iniciales y que expliquen la mayor parte de su variabilidad.
La primera componente principal, se expresa como combinación lineal de las
variables originales:
Z1i = u11 X1i + u12 X2i + … + u1p Xpi
Esta ecuación se puede expresar en forma matricial general como sigue:
26
En notación abreviada: Z1 = X u1
Tanto si las Xj están tipificadas, como si están expresadas en desviaciones respecto
de su media muestral, la media de Z1 es cero, esto es, E(Z1) = E(X u1) = E(X)u1 = 0.
La varianza de Z1 será:
La primera componente Z1 se obtiene de forma que su varianza sea máxima y
sujeta a la restricción de que la suma de los pesos u1j al cuadrado sea igual a la unidad, es
decir, la variable de los pesos o ponderaciones (u11, u12,...,u1p)’ se toma normalizada.
Se trata, por lo tanto, de hallar Z1 maximizando V(Z1) = u1’Vu1, sujeta a la
restricción
Para resolver este problema de optimización con restricciones se aplica el
método de los multiplicadores de Lagrange considerando la función lagrangiana:
Derivando respecto de u1 e igualando a cero, se obtiene:
Se trata de un sistema homogéneo en u1, que sólo tiene solución si el determinante
de la matriz de los coeficientes es nulo, es decir, |V-λI |= 0. Pero la expresión |V−λI| = 0
es equivalente a decir que λ es un valor propio de la matriz V.
En general, la ecuación |V−λI| = 0 tiene n raíces λ1, λ2, ..., λn, que pueden ser
ordenarlas de mayor a menor λ1 > λ2 > ...> λn.
27
En la ecuación (V−λI) u1 = 0 es posible multiplicar por u1’ a la derecha, con lo
que se tiene u1’(V−λI)u1 = 0 ⇒ u1’Vu1 = λ⇒ V(Z1) = λ. Por lo tanto, para maximizar
V(Z1) se ha de tomar el mayor valor propio λ de la matriz V.
Tomando λ1 como el mayor valor propio de V y tomando u1 como su vector propio
asociado normalizado (u1’u1=1), se tiene definido el vector de ponderaciones que se
aplica a las variables iniciales para obtener la primera componente principal, componente
que vendrá definida como:
Z1 = X u1
La segunda componente principal, se expresa como combinación lineal de las
variables originales:
Z2i = u21 X1i + u22 X2i + … + u1p Xpi
Esta ecuación se puede expresar en forma matricial como sigue:
En notación abreviada: Z2 = X u2
Tanto si las Xj están tipificadas, como si están expresadas en desviaciones respecto
de su media muestral, la media de Z2 es cero, esto es, E(Z2) = E(X u2) = E(X)u2 = 0.
La varianza de Z2 será:
La segunda componente Z2 se obtiene de forma que su varianza sea máxima y
sujeta a la restricción de que la suma de los pesos u2j al cuadrado sea igual a la unidad, es
decir, la variable de los pesos o ponderaciones (u21, u22,...,u2p)’ se toma normalizada.
Por otra parte, como Z1 y Z2 han de estar incorrelacionadas se tiene que:
28
Además, se sabe que V u1 = λ1 u1 (ya que u1 es el vector propio de V asociado a
su mayor valor propio λ1). Al multiplicar por u2’ a la derecha se obtiene:
Con lo que u2 y u1 son ortogonales.
Se trata, por lo tanto, de hallar Z2 maximizando V(Z2) = u2’Vu2, sujeta a la restricción
Para resolver este problema de optimización con restricciones se aplica el
método de los multiplicadores de Lagrange considerando la función lagrangiana:
Derivando respecto de u2 e igualando a cero, se obtiene:
Y como Vu1 = λ1u1 (ya que u1 es el vector propio de V asociado a su mayor
valor propio λ1), entonces u1’V = λ1u’1, y se puede escribir la igualdad anterior como:
Pero:
De donde:
Se trata de un sistema homogéneo en u2, que sólo tiene solución si el determinante
de la matriz de los coeficientes es nulo, es decir, |V-λI |= 0. Pero la expresión |V−λI| = 0
es equivalente a decir que λ es un valor propio de la matriz V.
En general, la ecuación |V−λI| = 0 tiene n raíces λ1, λ2, ..., λn, que pueden ser
ordenarlas de mayor a menor λ1 > λ2 > ...> λn.
En la ecuación (V−λI) u1 = 0 es posible multiplicar por u2’ a la derecha, con lo
que se tiene u2’(V−λI)u2 = 0 ⇒ u2’Vu2 = λ⇒ V(Z2) = λ. Por lo tanto, para maximizar
V(Z2) se ha de tomar el mayor valor propio λ de la matriz V.
29
Tomando λ2 como el mayor valor propio de V y tomando u2 como su vector propio
asociado normalizado (u2’u2=1), se tiene definido el vector de ponderaciones que se
aplica a las variables iniciales para obtener la primera componente principal, componente
que vendrá definida como:
Z2 = X u2
De forma similar, la componente principal h-ésima se define como Zh = Xuh
donde uh es el vector propio de V asociado a su h-ésimo mayor valor propio.
A continuación, se hace una referencia a la metodología usada para aplicar un
análisis de Escalamiento Multidimensional.
3.4 ESCALAMIENTO MULTIDIMENSIONAL
El escalamiento multidimensional tiene como principal objetivo, encontrar y
representar un conjunto de medidas de distancia entre objetos o casos, obtenidas a partir
de unas variables iniciales, con el fin de visualizar las proximidades existentes entre las
variables.
El método que se utiliza para calcular las distancias consiste en asignar las
magnitudes a posiciones específicas en un espacio conceptual (normalmente de dos o tres
dimensiones) de modo que las distancias entre los puntos en el espacio concuerden al
máximo con las disimilaridades dadas. En muchos de los casos, estas dimensiones son
interpretables y se pueden utilizar para comprender mejor los datos.
El mapa resultante muestra la posición relativa del conjunto de objetos sobre los
que se centra el estudio. Por lo tanto, las interpretaciones posteriores vendrán dadas por
juicios de similitud, disimilitud o preferencia que los sujetos encuestados manifiestan en
relación con todas las posibles combinaciones de pares de objetos a investigar. Al ser una
técnica de interpretación visual, no se requiere un conocimiento previo de los atributos
que los sujetos utilizan al emitir sus juicios.
3.4.1 CONSIDERACIONES PREVIAS
Para realizar un escalamiento multidimensional correcto, es necesario tener en
cuenta una serie de consideraciones previas al propio análisis.
En primer lugar, es necesario asegurar que todos los objetos de estudio son
relevantes y no presentan casos aislados o sin relevancia. Además, hay que cerciorarse de
que dichos objetos son comparables entre sí y no pertenecen a familias de estudio
diferentes, ya que el escalamiento multidimensional es una técnica de posicionamiento
relativo.
30
En segundo lugar, es conveniente decidir el número de objetos a evaluar. Con el
fin de poder buscar un equilibrio entre un número reducido de objetos que haga fácil la
evaluación y un número mayor que permita la obtención de una solución estable.
Respecto a la elección del tipo de datos, se debe optar entre la obtención de datos
de similitud o de preferencias. En este caso, al presentar parecido las magnitudes
estudiadas, se ha optado por el estudio de datos de similitud. Además, tampoco existen
preferencias entre los objetos estudiados.
En referencia a la elección del tipo de análisis, se pueden distinguir dos tipos:
sujeto por sujeto, generándose así un mapa para cada sujeto estudiado, o un estudio
agregado de varios sujetos en un mismo mapa. En el caso específico de este proyecto, se
ha optado por la segunda opción, ya que es necesario representar los objetos en su
conjunto para poder compararlos en el mismo ámbito de estudio.
En cuanto a la elección del método de análisis, y debido a que los objetos a analizar
son de tipo métrico, se ha optado por el método métrico. La solución obtenida, mantiene
el carácter métrico de los datos iniciales.
3.4.2 MODELO DE ESCALAMIENTO MULTIDIMENSIONAL
De forma general, el modelo de escalamiento multidimensional toma como
entrada habitual una matriz cuadrada de proximidades Δ de tamaño (n,n) donde n es el
número de estímulos u objetos de estudio. Por ejemplo, para n = 4 la matriz Δ es la
siguiente:
A partir de esta matriz de proximidades, el modelo de escalamiento
multidimensional proporciona como solución una matriz rectangular X de tamaño (n,m)
donde n es el número de estímulos y m es el número de dimensiones. Cada valor xia de la
matriz X corresponde a la coordenada del estímulo i en la dimensión a. Para 2
dimensiones y 4 estímulos, la matriz X seria la siguiente:
31
Cada fila [xi1, xi2] de la matriz X contiene las coordenadas del estímulo i en los
ejes de coordenadas X e Y que delimitan el espacio bidimensional. A partir de la matriz
X es posible situar los n estímulos en el espacio asignándoles los valores de coordenadas
correspondientes. También es posible utilizar la matriz X para calcular las distancias entre
dos estímulos i y j cualquiera aplicando la formula general de la distancia de Minkowski:
Generalmente p es 2 y corresponde a la métrica euclídea.
La estimación de las distancias correspondientes a todos los estímulos
proporciona una nueva matriz D:
La solución proporcionada por el escalamiento multidimensional debe de ser tal
que exista la máxima correspondencia entre las proximidades entre estímulos
proporcionadas en la matriz ∆ y las distancias entre estímulos obtenidas en la matriz D.
3.4.3 MODELO DE ESCALAMIENTO MÉTRICO
Los modelos de escalamiento parten de una función de representación de las
proximidades estimadas por los sujetos en forma de distancias entre objetos: dij → (δij).
En el caso del modelo métrico (también llamado clásico), la relación planteada
generalmente entre proximidades y distancias es de tipo lineal: dij = a + b δij, aunque
muchas variantes del modelo métrico admiten también transformaciones potenciales,
logarítmicas o polinómicas de cualquier grado.
El modelo métrico parte de una matriz cuadrada D(n x n) de distancias entre n
objetos, a partir de la cual es posible derivar una matriz B(n x n) de productos escalares
entre vectores. A su vez, es posible descomponer esta matriz B en el producto XX’, donde
X(n x r) es una matriz rectangular de coordenadas de los n objetos en un espacio de r
dimensiones. Para llevar a cabo el procedimiento, el primer paso consistirá en la
conversión de la matriz de proximidades Δ(n x n) en una matriz de distancias.
El modelo de distancia euclídea exige el cumplimiento de tres axiomas, que son
los siguientes:
• Axioma de no-negatividad. Las distancias son valores no negativos (dij ≥ dii = 0).
• Axioma de simetría. La distancia entre dos objetos i y j es simétrica (dij = dji).
32
• Axioma de desigualdad triangular. La distancia entre dos objetos i y j no puede ser
mayor que la suma de las distancias de i y j a un tercer objeto k (dij ≤ dik + dkj).
Es necesario, por tanto, que Δ satisfaga los tres axiomas para obtener una matriz
de distancias. Resulta relativamente sencillo satisfacer los dos primeros, utilizando
únicamente valores positivos o cero para las proximidades, y empleando únicamente una
de las mitades de la matriz de proximidades. Sin embargo, para cumplir el tercer axioma
es necesario calcular un valor que, sumado a las proximidades originales, permitirá
cumplir el axioma. Torgerson determinó el valor mínimo de esta constante aditiva (c)
para toda terna de objetos i, j, k como el valor máximo de las diferencias entre ternas de
proximidades:
Una vez sumado el valor de c a todos los elementos de la matriz de proximidades
se obtiene la matriz D de distancias entre objetos. A continuación, se transforma la matriz
D en una matriz B de productos escalares entre vectores. Los elementos bij de esta nueva
matriz se crean a partir de los elementos dij de D mediante la siguiente transformación:
Donde:
(distancia cuadrática media por fila).
(distancia cuadrática media por columna).
(distancia cuadrática media de la matriz.).
Para finalizar, solo es necesario hallar la matriz de coordenadas X, tal que B =
XX’.
El método de componentes principales permite descomponer una matriz cuadrada
B en un producto de dos matrices, Q(n x n) y Λ(n x n), siendo Q ortonormal (Q’ Q = I) y
Λ (lambda mayúscula) diagonal (con ceros fuera de la diagonal principal):
Cada uno de los qi vectores fila de Q es un autovector, y cada elemento λi (lambda)
de Λ es el correspondiente autovalor. Existen distintos procedimientos para hallar los
valores de cada uno de los qi vectores fila de Q y, a partir de estos, los autovalores λi
correspondientes de Λ. Dado que las matrices de productos escalares son simétricas y no
poseen autovalores negativos, es posible reescribir la descomposición anterior de B como:
33
Si se hace (QΛ½) = X, se obtiene la igualdad que interesa: B = XX’.
El modelo de escalamiento métrico se aplica únicamente a datos medidos en
escala de intervalo o razón. Toma como entrada, una matriz de proximidades entre n
objetos y nos proporciona como salida las coordenadas de los n objetos en r dimensiones
del espacio.
3.4.4 NIVEL DE AJUSTE
En relación al el nivel de ajuste, se trata de calcular una medida de stress, que
indica la proporción de varianza de los datos originales no recogida por el modelo de
escalamiento multidimensional. Esta medida varía según el tipo de programa y el tipo de
datos que se estén analizando. En cualquier caso, el stress mejora a medida que se
consideran más dimensiones. Entre las medidas de la bondad del ajuste más usuales se
tienen la medida Stress de Kruskal basada en las disparidades (datos optimamente
escalados) y las distancias, la medida S-stress utilizada por el algoritmo ALSCAL, la medida RSQ y el Coeficiente de alienacion.
Para la medida Stress hay dos expresiones:
Donde �̂� es la media aritmética de las distancias estimadas y dij son las distancias
originales entre objetos.
Suele utilizarse la primera expresión cuando la matriz de disimilitudes es
simétrica.
Para la medida S-stress hay también dos expresiones:
Se observa que también en este caso existen dos fórmulas como función a
minimizar para estimar las coordenadas de los estímulos. Suele utilizarse la primera
expresión cuando los datos originales son disimilitudes, y la segunda cuando son
preferencias.
34
La medida RSQ es el índice de correlación al cuadrado R2 o RSQ que mide la
proporción de varianza de las disparidades correspondiente al escalamiento
multidimensional, es decir, mide lo bien que se ajustan los datos originales al modelo de
escalamiento multidimensional. Suele ser aceptable a partir de 0,6.
En general, suelen rechazarse soluciones con un stress superior a 0,10, a menos
que se trate de soluciones unidimensionales. Sin embargo, si los datos contienen altos
niveles de error muestras o de medida, cabe la posibilidad de aceptar valores de stress
superiores a 0,10. En general, se suele considerar que 0,05 es un nivel aceptable de stress
y que valores por debajo de 0,01 indican un nivel muy bueno de ajuste.
35
4. RESULTADOS E INTERPRETACIÓN DEL ANÁLISIS
MULTIVARIANTE
En este apartado se expondrán los resultados obtenidos del análisis
multidimensional aplicado sobre los datos presentados en el apartado 2.
Como el estudio está basado en la aplicación de dos técnicas diferenciadas, sus
resultados se expondrán en subapartados distintos. En primer lugar, se aplicará el Análisis
Factorial que proporcionará como resultado una serie de factores comunes, los cuales
reducirán las dimensiones del problema de forma que se pierda el mínimo de información
posible.
En segundo lugar, se aplicará el Escalamiento Multidimensional, que
proporcionará una imagen visual de la disposición de las compañías en el mercado
respecto a sus competidores. Además, dará la posibilidad de realizar una interpretación
de cada naviera con respecto a las alianzas estratégicas formadas.
Para este apartado sólo se tendrán en cuenta los resultados obtenidos y la
interpretación de los mismos. Las conclusiones posteriores serán presentadas en el
apartado siguiente.
4.1 RESULTADOS DEL ANÁLISIS DE COMPONENTES
PRINCIPALES
El análisis factorial permite reducir el número de datos, estudiando las
correlaciones existentes entre las variables, para obtener así factores que las explique en
su mayor medida.
Antes de poder realizar el análisis, es necesario hacer un análisis previo de las
técnicas que se van a implementar. Las técnicas y supuestos elegidos para el análisis son
los siguientes:
o Análisis mediante Matriz de correlación. El análisis estará fundamentado
en la búsqueda de factores comunes, mediante el estudio de las
correlaciones entre variables. De esta forma, se les da a todas las variables
la misma importancia en el análisis, sin depender de las unidades en las
que estén medidas.
o Selección de Autovalores mayores que 0,8. En principio, se debería elegir
el criterio de que sus varianzas sean mayores que su media aritmética, es
decir, mayores que 1. Pero dicha situación proporcionaba datos erróneos
en éste caso en concreto, por lo que se decidió aliviar la desigualdad a 0,8.
36
o Solución factorial sin rotar. Para el objeto de estudio, no es necesario
aplicar técnicas de rotación, ya que las dimensiones del problema no son
demasiado elevadas.
o Método de las Componentes Principales. Será el método utilizado para la
extracción de factores.
o Puntuaciones factoriales guardadas como variables, mediante el método
de regresión, para facilitar la tarea de la interpretación.
Una vez que se han decidido las técnicas que se van a utilizar, es posible
presentar los resultados obtenidos.
En primer lugar, en la tabla 5, se presenta la tabla de varianzas, que recoge como
resultado el número de factores obtenidos y el porcentaje de información explicada.
Tabla 5.- Varianzas explicadas en el Análisis Factorial
Componente
Autovalores iniciales Sumas de las saturaciones al cuadrado
de la extracción
Total % de la
varianza
%
acumulado Total
% de la
varianza % aumulado
1 3,844 76,889 76,889 3,844 76,889 76,889
2 0,844 16,882 93,771 0,844 16,882 93,771
3 0,243 4,854 98,625
4 0,06 1,201 99,826
5 0,009 0,174 100
Se han utilizado cinco componentes, los cuales han sido estandarizados
previamente, de modo que cada uno de ellas tenga una varianza unitaria. La varianza
total, que es una medida de la variabilidad de los datos, es 5 (suma de cada variable). Los
resultados muestran que el primer componente contribuye 3.844 puntos a la varianza total
y que representa el 76,889% de la variabilidad de los datos. Se trata de un componente
importante.
El segundo componente contribuye en 16,882 puntos a la explicación de la
variabilidad de los datos. Entre el primer y el segundo componente se explica el 93,771%
de la variabilidad total, lo que representa la gran mayoría. Por el contrario, los demás
factores explican únicamente el 6,229% restante. De este modo, se presentan las
condiciones necesarias para afirmar que es posible reducir el objeto del problema a dos
componentes, sin tener pérdida de información.
Para conocer la exactitud de la explicación de las variables, por medio de los
componentes, se presenta la tabla de “Comunalidades”.
37
Tabla 6.- Comunalidades
Inicial Extracción
N_TEU 1 0,981
N_Barcos 1 0,956
N_Empleados 1 0,997
N_Contenedores_Transportados 1 0,935
Beneficios 1 0,819
Se observa que están comprendidas entre 0,819 y 0,997. Son valores cercanos a
1, lo que significa que las variables están bien relacionadas con los factores y contribuyen
en gran medida a la definición de los mismos.
La comunalidad de cada variable puede obtenerse sumando las cargas factoriales
al cuadrado, correspondiente a cada variable. Así, para la variable TEU, se obtiene:
(0.985)2 + (-0.108)2 = 0.981
Las cargas factoriales de la expresión anterior se obtienen de la tabla 7, y se puede
comprobar que la suma obtenida es igual a la comunalidad final de la variable TEU,
observando la tabla 6.
Además, es necesario conocer cómo entran las variables en la formación de los
componentes y qué variables pesan más en cada factor. Para ello se presenta la siguiente
tabla.
Tabla 7.- Matriz de componentes
Componente
1 2
N_TEU 0,985 -0,108
N_Barcos 0,975 -0,077
N_Empleados 0,457 0,888
N_Contenedores_Transportados 0,965 -0,062
Beneficios 0,886 -0,185
La varianza de cada componente es igual a la suma de las cargas factoriales
correspondientes a dicho factor. Así, se verifica que para cada factor:
𝜆𝐹1= (0.985)2 + (0.975)2 + (0.457)2 + (0.965)2 + (0.886)2 = 3.844
𝜆𝐹2= (-0.108)2 + (-0.077)2 + (0.888)2 + (-0.062)2 + (-0.185)2 = 0.844
38
Las cargas factoriales de las expresiones anteriores se obtienen de la tabla 7, y se
puede comprobar que la suma obtenida es igual a las varianzas de cada factor observadas
en la tabla 5.
El primer componente está altamente correlacionado con el número de TEUs, el
número de Barcos, el número de Contenedores Transportados y en menor medida con los
Beneficios. También está correlacionado con el número de Empleados, pero en una menor
medida, por lo que no se considera relevante para este factor. Una compañía con un gran
número de TEU, Barcos, Contenedores transportados y altos Beneficios tendrá un valor
alto en este componente.
Sin embargo, la única variable que aplica en el segundo factor es la del número de
Empleados, ya que todas las demás tienen una relación negativa.
Por ello, es posible clasificar las componentes de la siguiente forma:
- Componente 1: Nivel operacional-económico.
- Componente 2: Empleados
En la tabla 8, se muestran las puntuaciones obtenidas de los componentes para
cada compañía naviera.
Tabla 8.- Puntuaciones de los componentes
Componente
1 Componente
2
2,94332 -0,60384
1,94947 -0,3433
1,12803 -0,13727
-0,10885 -0,2369
0,40407 4,06022
-0,01319 -0,34081
-0,05658 -0,35306
-0,3813 -0,26023
-0,10603 -0,29183
-0,4391 0,02328
-0,7587 0,12217
-0,39566 0,13499
-0,43623 -0,42222
-0,54786 -0,15172
-0,09778 -0,35599
-0,5904 -0,13016
-0,61611 -0,33527
-0,85508 -0,21102
-1,02202 -0,16702
39
Se puede apreciar a qué componente corresponde en mayor medida cada
compañía naviera. Además, al estar los factores estandarizados (media cero y varianza 1),
si el valor de uno de ellos está fuera de la gama -2,5 a 2,5, estará en presencia de valores
excepcionales que merecen ser investigados. En los resultados, está el caso de COSCON
que influye en el componente 2 con una puntuación de 4,06022 (aunque Maersk también
presenta una puntuación de 2,94332 para el componente 1, se considera que no da
problemas, ya que está muy cerca del 2,5). Esto es debido a que COSCON es la compañía
que presenta mayor número de empleados en relación a su tamaño.
Al tener sólo 2 componentes, es posible representar las compañías en el espacio
de las componentes principales.
Figura 5.- Representación de las compañías en las componentes principales
La representación proporciona una idea de la distribución de las compañías
navieras en función de las componentes deducidas. Se pueden diferenciar tres grupos
homogéneos con características muy similares entre las navieras que lo conforman.
El primer grupo, está únicamente formado por la compañía COSCON. Representa
un caso singular, debido a gran número de empleados que contiene en relación a su
tamaño. Debido a ello, si no se realizan anotaciones sobre ella, puede dar lugar a
40
confusiones y posteriores resultados erróneos. Para que este dato no presente problemas,
hay que considerar el significado de dicha situación, la cual hemos mencionado
anteriormente.
El grupo dos, está formado por las navieras CMA, MSC y Maersk. Dicho grupo
parece corresponder a las compañías más representativas a nivel operacional y
económico. Sin embargo, en referencia a la componente de personal, presentan
similitudes con respecto al número de empleados, con a las compañías del grupo tres.
El resto de compañías conforman el grupo tres. Éstas presentan los niveles más
bajos de ambas componentes, por lo que las navieras que lo conforman, serán las menos
representativas dentro del mercado, es decir, las que aparecen en las posiciones más bajas
del ranking.
4.2 RESULTADOS DEL ESCALAMIENTO MULTIDIMENSIONAL
Como se mencionó en el apartado de presentación de datos, se dispone de una
serie de magnitudes (número de TEU, número de barcos, número de empleados,
contenedores transportados y beneficios) sobre un conjunto representativo de las
entidades navieras. Se pretende calcular las distancias entre los puntos, a partir de dichas
magnitudes. Y una vez obtenidas estas distancias, representar los objetos en un espacio
de tantas dimensiones como sea necesario, de modo que los más similares estén más
próximos y los menos similares estén alejados unos de otros. Finalmente, se interpretará
el mapa.
4.2.1 CÁLCULO DE DISTANCIAS
Existen diversos métodos para el cálculo de las escalas multidimensionales. En el
caso de las navieras, al no disponer de demasiadas variables, se supone a priori, que la
función a optimizar es sencilla y, por lo tanto, no es necesario una inspección exhaustiva
para decidir entre los métodos. Si el problema fuera más grande, habría que tener
precaución al respecto.
Por lo tanto, es posible usar cualquiera de los métodos comunes para obtener
resultados fiables. En este trabajo, se aplica el método PROXCAL (Proximity Scaling).
Éste método es uno de los más innovadores, que trabaja con los datos sin encuadrar.
El este estudio, al estar las distintas magnitudes medidas en distintas unidades, es
necesario hacer una transformación previa y cambiar las variables a unidades comunes.
Este problema se puede resolver de varias formas:
Opción 1: Asignar el valor 1 al mayor valor de la variable, -1 al menor valor e
interpolar el resto de números.
41
Opción 2: Asignar el valor 1 al mayor valor de la variable, 0 al menor valor e
interpolar.
Opción 3: Estandarizar las variables (se resta la media y se divide por la
desviación típica).
Gracias a la robustez de la aplicación informática SPSS, es posible utilizar la
tercera opción.
Entre las configuraciones tomadas en cuenta antes de la presentación de
resultados, cabe a destacar, que para la realización del estudio, se ha elegido el cálculo de
distancias por medio de la distancia euclídea, por ser la mejor opción. Y además se ha
decidido representar el mapa en tres dimensiones (representada cada una por los valores
de las componentes principales para cada compañía), siendo dos de ellas las que el modelo
explica y a la tercera relegamos aquello que el modelo no va a explicar.
Además, para la comparación de las distancias calculadas, se ha elegido el método
ordinal, sin tener que tomar en cuenta los valores extremos. Y desempate, en el caso de
que exista empate entre dos o más distancias.
A continuación, se representan los resultados obtenidos y su interpretación:
Tabla 9.- Medida de ajuste de Stress
Stress bruto normalizado ,000121
Stress-I ,011013
Stress-II ,014912
S-Stress ,000382
Dispersión explicada (D.A.F.) ,999879
Coeficiente de congruencia de Tucker ,999939
Dicha tabla proporciona información sobre la calidad del ajuste. La variable
Stress-I tiene un valor del 1,1%. Según el criterio de “Kruskal” hasta el 2,5% es excelente,
y hasta 5% es muy bueno y así sucesivamente, por lo que el estudio representa una
explicación del ajuste excelente.
Una vez confirmado el supuesto de la explicación del ajuste, es posible presentar
las coordenadas finales de los puntos en el espacio. En base a esta configuración final, se
representará en la figura 6, el mapa visual de las compañías en el mercado de transporte
de contenedores, que será pieza clave en el objeto del proyecto.
42
A continuación, se recoge en una tabla el conjunto de coordenadas finales para
cada naviera, que posteriormente se representarán en una nube de puntos.
Tabla 10.- Coordenadas finales
Dimensión
1 2 3
MAERSK -1,401 0,479 0,77
MSC -1,184 0,12 -0,587
CMA_CGM -1,049 0,031 -0,475
HAPAG_LLOYD 0,213 0,036 0,007
COSCON -0,578 -1,198 0,244
EVERGREEN 0,21 0,052 -0,089
APL 0,204 0,037 -0,019
HANJIN 0,268 0,039 0,017
CSCL 0,235 0,021 -0,096
OOCL 0,278 -0,003 -0,006
CSAV 0,345 0,01 0,03
MOL 0,275 0,013 0,024
NYK 0,284 0,052 -0,006
HAMBURG 0,3 0,033 0,024
K_LINE 0,216 0,132 0,083
YML 0,31 0,022 -0,003
HMM 0,307 0,049 0,044
WAN_HAI 0,373 0,03 -0,002
DELMAS 0,394 0,045 0,038
Representando las dos primeras dimensiones y etiquetando los puntos con los
nombres de las compañías navieras, se obtiene un primer mapa.
En el Anexo II se recoge la matriz de distancias de la Figura 6. Dichas distancias
han sido calculadas a partir de las coordenadas finales proporcionadas de la Tabla 10.
43
Figura 6.- Mapa de espacio común
A continuación, se interpretarán los resultados a partir del escalamiento
multidimensional. Se considera que el análisis de componentes principales es un estudio
previo de reducción del problema. Sin embargo, el análisis de escalamiento
multidimensional será el que mayor peso tenga en el objetivo del estudio de este proyecto.
4.3 INTERPRETACIÓN DEL ESCALAMIENTO MULTIDIMENSIONAL
Para la interpretación de los resultados proporcionados del escalamiento
multidimensional, se precisará de tres técnicas: el análisis de conglomerados (cluster), el
análisis de diagramas de cajas y bigotes, y el ajuste de propiedades (también denominada,
property fitting).
4.3.1 EL ANÁLISIS DE CONGLOMERADOS MEDIANTE EL MÉTODO
WARD
Al representarse los puntos en dos dimensiones, es posible extraer diversas
conclusiones iniciales:
44
Para poder representar un punto real en el espacio, es necesario usar tres
dimensiones. Sin embargo, en este estudio, lo que se representa es su proyección
en un plano.
Las dimensiones son constructos obtenidos a partir de los datos originales,
habiendo descartado parte de la información que los datos contenían.
Por lo tanto, para evitar errores, se ha decidido realizar un análisis de
conglomerados. En dicho análisis, se plantea la formación de grupos, de forma que las
compañías que estén dentro se parezcan lo máximo posible, y que a su vez, los grupos
sean lo más distintos posibles entre sí. Esto provoca, que previamente haya que estudiar
el sentido de las diferencias entre los grupos.
El análisis se realiza a partir de los datos originales (previamente estandarizados),
entre los que se calcularán las distancias.
El método utilizado para generar los conglomerados es el método “Ward”, el cual
maximiza la homogeneidad dentro de un grupo y la heterogeneidad entre grupos.
En la figura 7 se representa el dendograma resultante (diagrama en forma de
árbol):
Figura 7.- Dendograma
45
El dendograma permite observar tres grupos bien diferenciados. El primero que
se divisa es el mayor de todos, constituido por: Hanjin, NYK, HMM, OOCL, MOL,
Hamburg Süd, YML, CSAV, Wan Hai y Delmas. Dichas navieras presentan muchas
similitudes entre sí, en referencia a las magnitudes estudiadas.
Aparte de éste, Hapag Lloyd, APL, Evergreen y CSCL forman otro notorio grupo
y por último MSC y CMA CGM forman el conglomerado con el menor número de
compañías.
Cabe destacar, que hay dos compañías que no tienen apenas relación con los
grupos, éstas son Maersk y COSCON. En el mapa de puntos representado anteriormente
(figura 6) estas dos compañías estaban más diferenciadas del resto, por lo que es lógico
que no tengan correspondencia con ningún grupo.
Para entender mejor el comportamiento del análisis, se propone el estudio del
método Ward con 5 grupos. Éste método, crea una nueva variable que asigna cada
compañía al grupo que mejor la define. El resultado de la variable para cada compañía se
representa en la tabla 11:
Tabla 11.- Resultados método Ward
Compañía Grupo
Maersk 1
MSC 2
CMA CGM 2
Hapag Lloyd 3
COSCON 4
Evergreen 3
APL 3
Hanjin 5
CSCL 3
OOCL 5
CSAV 5
MOL 5
NYK 5
Hamburg
Süd 5
K Line 5
YML 5
HMM 5
Wan Hai 5
Delmas 5
Se aprecia la correspondencia de cada compañía a su grupo respectivo. Además,
se confirman los supuestos observados anteriormente, e incluso COSCON y Maersk, que
a priori no se relacionaban con ninguno, efectivamente, forman grupos individualmente.
46
Este trabajo ha querido abordar el fenómeno de las distintas estrategias entre
alianzas. Gracias a este método, es posible comparar los resultados obtenidos de
asignación a grupos, con la distribución real de alianzas internacionales del año 2009.
Para su interpretación, se expone primero una tabla que relaciona el resultado
proporcionado por el estudio Ward y las alianzas del 2009, con el fin de comparar si los
resultados obtenidos se relacionan adecuadamente.
En segundo lugar, se representan los resultados obtenidos por el método Ward,
mediante una nube de puntos (figura 8), diferenciando por colores cada grupo resultante.
Tabla 12.- Comparación entre resultados Ward y Alianzas
Compañía
Alianza a
la que
pertenece
2009
Grupo
Maersk Maersk
Line 1
MSC - 2
CMA CGM - 2
Hapag
Lloyd GA 3
COSCON CKYH 4
Evergreen
Line - 3
APL NWA 3
Hanjin - 5
CSCL - 3
OOCL GA 5
CSAV - 5
MOL MWA 5
NYK GA 5
Hamburg
Süd - 5
K Line CKYH 5
YML CKYH 5
HMM NWA 5
Wan Hai - 5
Delmas - 5
47
La alianza Maersk Line únicamente la forma la naviera Maersk, que es la mayor
de las navieras presentadas en el estudio. Por ello no es de extrañar que el método
Ward la haya clasificado como un grupo individual. Se corrobora, por tanto, el
resultado de clasificar dicha naviera como un grupo individual. Tal y como
aparece en la tabla 12.
Aunque las navieras MSC y CMA CGM no presentaran alianza en el año 2009,
presentan muchas similitudes entre ambas, tantas que el estudio las ha clasificado
como un único grupo. Si se vuelve a observar el mapa de puntos se confirman las
hipótesis, estando ambos puntos representados muy próximos. No sería de
extrañar que dichas navieras se plantearan una posible alianza en el futuro.
Los resultados obtenidos con el método Ward para los demás grupos pueden ser
un poco confusos, pero si se observa el mapa, se observa una nube de puntos en
la que se conglomeran todas estas compañías, y por lo tanto las hipótesis se siguen
cumpliendo. Las compañías restantes presentan tantas similitudes, que apenas hay
diferencias entre los grupos formados. Es por ello que las alianzas GA, CKYH y
NWA presentan distintas clasificaciones en el método utilizado. Esto es debido a
que el análisis realizado es poco exhaustivo con respecto a estos casos. Para
obtener resultados con alta precisión deberían de estudiarse una mayor cantidad
Figura 8.- Mapa de puntos del método Ward
48
de variables, algunas de las cuales no serían ni siquiera numéricas, como por
ejemplo, convenios políticos u obligaciones territoriales.
La compañía COSCON presenta un caso peculiar. En el mapa está representado
como un punto muy alejado del resto de compañías y el método Ward así lo
clasifica. Pero, sin embargo, en el año 2009 formaba parte de la alianza CKYH.
Esto es debido a que ésta compañía presenta un valor muy elevado en la variable
“Número de Empleados” en comparación a su tamaño, y es que, como se comentó
en el apartado de presentación de datos, esta naviera está formada por varias
empresas fusionadas que dan trabajo a un gran número de personas. Si esto se
tiene en cuenta, los resultados son lógicos, pero hay que tener precaución, ya que
si se desprecia puede dar lugar a grandes confusiones e incluso datos erróneos en
estudios posteriores.
4.3.2 ANÁLISIS EXPLORATORIO DEL ANÁLISIS DE CONGLOMERADOS
Mediante los diagramas de cajas se visualiza la descripción de varias
características importantes al mismo tiempo. Estos diagramas representan el valor de los
tres cuartiles (Q1, 25% de los datos, Q2, mediana aritmética y Q3, 75% de los datos
respectivamente) mediante una caja y, además, los valores máximos y mínimos de cada
distribución de datos mediante los llamados “bigotes”.
A continuación, se representan diagramas de cajas para cada variable y grupo, los
cuales permitirán visualizar las diferencias entre compañías para cada variable
representada.
Para cada representación se realizará un estudio por grupos, observándose así las
similitudes y diferencias existentes dentro de cada uno de ellos.
Para los grupos 1 y 4, al estar constituidos por una compañía únicamente, no
existen diferencias dentro del grupo, por lo tanto, estos diagramas no darán información
relevante para los grupos citados.
49
Grupo 2: Presenta una elevada dispersión, siendo el recorrido intercuartílico
Q3 - Q1 = 571.876, lo que significa que existen diferencias notorias entre las dos
compañías que lo conforman. Entre MSC y CMA CGM hay una diferencia exacta
de 571.876 contenedores de 20 pies (TEU).
Grupo 3: Su variabilidad es inferior al grupo 2, pero además se observa que la mediana se encuentra por debajo de la mitad de la caja, lo que significa que la
cantidad de contenedores comprendido entre el 25% y 50% de la población está
menos disperso que entre el 50% y 70%.
Grupo 5: No hay diferencia apreciable dentro del grupo. Al estar la mediana por
encima de la mitad de la caja, la cantidad de contenedores comprendido entre el
25% y el 50% de la población está más disperso que el comprendido entre el 50%
y el 75%.
Figura 9.- Diagrama de caja N_TEU
50
Figura 10.- Diagrama de caja N_Barcos
Grupo 2: Se vuelve a presentar una elevada dispersión para el caso de ésta variable, siendo el recorrido intercuartílico Q3 - Q1 = 115. Lo que significa que
existen diferencias entre las dos compañías que lo conforman. Entre MSC y CMA
CGM hay una diferencia exacta de 115 barcos.
Grupo 3: Su variabilidad es inferior al grupo 2, pero además se observa que la mediana se encuentra muy por debajo de la mitad de la caja, lo que significa que
la cantidad de contenedores comprendido entre el 25% y 50% de la población está
mucho menos disperso que entre el 50% y 70%.
Grupo 5: No hay diferencia apreciable dentro del grupo. Y además, al estar la
mediana más o menos en la mitad de la caja, la dispersión entre el primer y tercer
cuartil es equitativa.
51
Figura 11.- Diagrama de caja N_Empleados
Grupo 2 y 3: En los grupos citados, se cumple que la diferencia entre el número
de empleados es muy pequeña. Pero además, en el grupo 3, la mediana se
encuentra muy próxima al valor mínimo dentro del grupo, por lo que la dispersión
entre el 25% y el 50% es mínima.
Grupo 5: No existe mucha diferencia dentro del grupo con respecto al número de empleados y además la dispersión también resulta insignificante entre los
cuartiles.
Grupo 4: En este caso, se observa un valor singular que ya ha sido mencionado en
estudios anteriores. Se trata del valor del grupo 4 formado únicamente por
COSCON. Como se mencionaba, ésta compañía presenta un valor de número de
empleados muy elevado respecto a su tamaño.
52
Figura 12.- Diagrama de caja N_Contenedores_transportados
Grupo 2: Presenta una elevada dispersión, siendo el recorrido intercuartílico Q3 - Q1 = 2.408.000. Lo que significa que entre MSC y CMA CGM hay una
diferencia exacta de 2.408.000 contenedores transportados.
Grupo 3: Se aprecian algunas diferencias entre las compañías del grupo que
conforma, mientras que la mediana se encuentra por debajo de la mitad de la caja,
por lo que la cantidad de contenedores transportados comprendido entre el 25% y
50% de la población está menos disperso que entre el 50% y 70%.
Grupo 5: No hay diferencia apreciable dentro del grupo. Y además, al estar la mediana más o menos en la mitad de la caja, la dispersión entre el primer y tercer
cuartil es equitativa. Cabe a destacar que en éste grupo existe un llamado “outlier”
representado por medio de un punto, que representa a la compañía número 19, o
de otra forma Delmas. Esto es debido a que presenta un valor muy por debajo de
lo normal, dentro de la distribución de datos que compone el grupo.
53
Figura 13.- Diagrama de caja Beneficios
Grupo 2: No presenta apenas diferencia entre las dos compañías, exactamente 399,52 millones de dólares USD. Aunque aparentemente es mucho dinero, a
escala sólo representa una diferencia del 3,62 %.
Grupo 3: Existen diferencias apreciables dentro del grupo, aunque la mediana se encuentra en la mitad de la caja, por lo que la dispersión es equitativa.
Grupo 5: Aparecen diferencias dentro del grupo, pero además se observa que la mediana se encuentra muy por encima de la mitad de la caja, por lo que la
dispersión entre el 25% y 50% de la población es mucho mayor que entre el 50%
y el 75%. En este caso, se observa un nuevo caso singular para la naviera K Line
que presenta unos beneficios de la magnitud de las grandes compañías, muy por
encima de los del grupo al que pertenece.
54
4.3.3 AJUSTE DE PROPIEDADES
El ajuste de propiedades es un método para comprobar hipótesis, sobre los
atributos que influencian en un estudio de similitudes, entre un conjunto de puntos.
Para dibujar los vectores, es necesario pensar en términos de regresión. Las
variables estarán relacionadas con la posición que toman en el mapa:
Variable = f(Operacional-Económica, Empleados)
Al realizar el análisis del ajuste de propiedades para cada variable por separado,
se han obtenido los siguientes resultados:
Las variables presentan las siguientes medidas de bondad de ajuste:
o R2(N_TEU) = 96,1%
o R2(N_Barcos) = 97,75%
o R2(N_Empleados) = 99,2%
o R2(N_Contenedores_transportados) = 91,4%
o R2(N_Beneficios) = 92,8%
Por lo que el modelo se ajusta a los datos de las distintas dimensiones.
Para cada variable, se genera un vector creciente hasta el punto indicado. Todos
los vectores pasan por el eje de coordenadas (al resultar el error residual muy bajo)
y además, presentan las siguientes direcciones:
o TEU (-1,592, 0,875)
o BARCOS (-1,633, 0,763)
o EMPLEADOS (-1,004, -2,495)
o CONTENEDORES (-1,527, 0,693)
o BENEFICIOS (-1,382, 1,221)
Como resultado, en la figura 14 se representa el mapa de puntos junto con el ajuste
de propiedades estudiado.
55
Figura 14.- Mapa de Ajuste de propiedades
Se observa que todos los ajustes excepto el de EMPLEADOS, aumentan en
dirección del primer cuadrante, en el cual se encuentran las tres principales navieras
estudiadas (Maersk, MSC y CMA CGM). No es de extrañar este resultado, ya que, al ser
las mayores, presentan altos vineles de cada variable.
Únicamente la variable EMPLEADOS presenta un ajuste totalmente distinto, y
esto se debe al caso antes mencionado de la compañía COSCON. Al ser una compañía de
un tamaño relativamente pequeño, pero con un número de empleados del nivel de las
grandes navieras, no resulta raro que su ajuste tome dicha dirección. Éste dato puede
resultar confuso, ya que si la compañía COSCON se elimina del estudio, el vector de
ajuste tomaría una dirección similar al de los demás ajustes, apuntando a las grandes
compañías.
En relación al resto de las compañías, debido a que todas son de una escala media-
baja dentro del sector, y como se sabe por los resultados anteriores, que son muy similares
entre ellas, no aportan mucha información al ajuste de propiedades. Aunque por su
distribución individual en la nube de puntos, se puede visualizar sobre qué variables
tienen mayor valor cada una de ellas.
56
5. CONCLUSIONES
El objetivo último de este proyecto ha consistido en examinar la situación
operacional y económica de las compañías navieras internacionales más representativas,
durante el año 2009, mediante el uso de técnicas multivariante.
Al disponer de una base de datos extensa en cuanto a la cantidad de información
recogida, en primer lugar ha sido necesario reducir el tamaño del problema. Gracias a las
relaciones entre magnitudes y a la aplicación del análisis de componentes principales, ha
sido posible reducir el problema a dos componentes independientes: 1. Nivel operacional-
económico y 2. Empleados. Consiguiéndose de esta forma, explicarse las características
de cada naviera a través de estos componentes.
Además del estudio estadístico mencionado, se ha aplicado un segundo análisis
multivariante basado en el cálculo de escalas multidimensionales. Dicho análisis tiene
como finalidad, representar en un mapa de puntos la situación del sector naviero durante
el año 2009 en base a las magnitudes seleccionadas. Y posteriormente, estudiar las
relaciones existentes entre cada una de las compañías para poder clasificarlas en grupos
y comparar dichos resultados con las alianzas internacionales formadas en dicho año.
Los resultados del análisis muestran la formación de cinco grupos diferenciados,
de forma que las compañías que integren cada grupo sean lo más parecidas entre sí y que
los grupos sean heterogéneos entre ellos. Además, se estudia cada grupo por separado en
función de cada magnitud para visualizar las relaciones existentes de los integrantes de
cada grupo y el peso que tiene de cada grupo en el sector.
En base a estos resultados y observando la situación de las alianzas formadas en
el año de estudio, se puede apreciar que muchas de las clasificaciones concuerdan con la
situación real, dándole por tanto, validez a la solución.
Sin embargo, dichas comparaciones no son totalmente idénticas. Esto es debido,
a que la formación de alianzas internacionales no sólo depende de las variables analizadas
en este problema. Existen otro tipo de magnitudes no métricas, como son los convenios
políticos, el aprovechamiento de rutas y puertos o la competencia de mercado, que son
prácticamente imposible de analizar en un análisis multivariante. A pesar de ello, el
estudio da como resultado una visión aproximada de posibles alianzas estratégicas entre
las navieras.
El estudio presentado en este proyecto tiene validez para aplicaciones futuras,
como por ejemplo la predicción de formaciones de alianzas en años posteriores.
Aunque los datos obtenidos para el estudio sean correspondientes a un año en
concreto, es posible predecir de forma aproximada la formación de nuevas alianzas en
función a las clasificaciones obtenidas mediante el método Ward.
57
En la siguiente tabla, se muestra de nuevo la clasificación obtenida para el análisis
de escalamiento multidimensional en comparación con las alianzas formadas en años
posteriores al del estudio.
Tabla 13.- Comparación entre resultados Ward y Alianzas de los años 2009, 2012 y 2015
Compañía
Alianza a
la que
pertenece
2009
Alianza a
la que
pertenece
2012
Alianza a
la que
pertenece
2015
Clasificación
método
Ward
Maersk Maersk
Line P3 2M 1
MSC - P3 2M 2
CMA CGM - P3 Ocean
Three 2
Hapag
Lloyd GA G6 GA(G6) 3
COSCON CKYH CKYH CKYHE 4
Evergreen
Line - - CKYHE 3
APL NWA G6 GA 3
Hanjin - CKYH CKYHE 5
CSCL - - Ocean
Three 3
OOCL GA G6 GA 5
CSAV - - 5
MOL NWA G6 GA 5
NYK GA G6 GA 5
Hamburg
Süd - - - 5
K Line CKYH CKYH CKYHE 5
YML CKYH CKYH CKYHE 5
HMM NWA G6 GA 5
Wan Hai - - - 5
Delmas - - - 5
Fuente: Alphaliner
Se observa que para el año 2012, la aplicación del método Ward da unos resultados
casi idénticos, debido a que las magnitudes no cambian demasiado con respecto al año
2009.
En referencia a casos concretos, si el estudio hubiera sido realizado el año 2010
se podría haber precedido de una forma muy aproximada, las alianzas que iban a formar
para el año 2012. Como es el caso de las compañías MSC y CMA, que para el estudio de
Ward las clasificaba en un mismo grupo, bastante parecido al de Maersk Line, y que en
58
el 2012 dieron como resultado la formación de una alianza de manera conjunta entre
dichas compañías.
Para el caso de MOL y HMM, que en el año 2009 pertenecían al grupo NWA, el
estudio lo clasificaba como un grupo del tipo 5. Posteriormente, en el 2012, pasó a formar
parte a la alianza G6, formada en su mayor medida por navieras del grupo 5.
Cumpliéndose por tanto, en una gran medida, las predicciones estudiadas.
Sin embargo, los resultados obtenidos dejan de ser fiables a medida que avanzan
los años, debido a la diferencia entre datos.
Como posible aplicación futura, se podría volver a repetir el estudio aplicado en
el proyecto para el año actual, de forma que se pueda dar una idea de las nuevas
formaciones de alianzas en el sector en años próximos.
59
6. REFERENCIAS BIBLIOGRÁFICAS
Artículos:
- Gutiérrez Ester, Lozano Sebastián and Furió Salvador. “Evaluating efficiency of international container shipping lines: A bootstrap DEA approach”.
Maritime Economics & Logistics, 2014.
- Lozano Sebastián and Gutiérrez Ester. “Efficiency analysis of EU-25 member states as tourist destinations”. Int. J. Services Technology and Management,
Vol. X, No. Y, xxxx.
- Mar-Molinero Cecilio and Serrano-Conca Carlos.“Bank failure: a multidimensional scaling approach”. The European Journal of Finance, 165-
183 (2001).
Libros:
- Borg Ingwer, Groenen, Patrick J.F. & Mair, Patrick. “Applied
Multidimensional Scaling” Springer, 2013.
- Deus Real, Eulogio José. “Escalamiento multidimensional”. La Muralla,
2001.
- Johnson Dallas E. “Métodos Multivariados Aplicados al Análisis de Datos”.
Internacional Thomson Editores, 2004.
- Pardo Merino Antonio, Ruiz Díaz Miguel Ángel. “SPSS 11. Guía para el
Análisis de Datos”. Mc Graw Hill, 2002.
- Pérez César. “Técnicas de Análisis Multivariante de Datos. Aplicaciones con
SPSS”
Pearson, Prentice Hall, 2004.
Informes:
- Alphaliner. “ TOP 100 – Operated fletes as per May 2015”
- Alphaliner. “Annual Review 2009”
60
- La Estiba.“Alianzas e Imperios Globales en el Transporte de Contenedores,
2013”
- Lloyd’s List. “Principales compañías navieras, 2011”
Referencias electrónicas:
- Alphaliner http://www.alphaliner.com
Consultada: 14/09/2015
- El Orden Mundial. http://elordenmundial.com/
Consultada: 22/09/2015
- Google Imágenes. https://www.google.es/imghp
Consultada: 25/10/2015
- Lloyd’s List. http://www.lloydslist.com/ll/sector/containers/
Consultada: 3/07/2015
- Mar y Gerencia. http://marygerencia.com/
Consultada: 20/09/2015
- Wikipedia. https://es.wikipedia.org
Consultada: 23/10/2015
61
ANEXOS
62
ANEXO I
Tabla 14.- Base de datos usada para el estudio, respecto al año 2009
63
ANEXO II
Tabla 15.- Matriz de distancias
