Coherencia, Estabilidad y Discontinuidades del Índice de Competitividad Global

Un Estudio Multivariante para el Período 2014–2019

🌐 ¿Mide lo mismo el GCI cada año?

El Índice de Competitividad Global del WEF cambió su metodología en 2018 — de una lógica por etapas de desarrollo a una de agregaciones sucesivas. Este portafolio explora si ese cambio rompe la comparabilidad temporal usando técnicas multivariantes: agrupamiento jerárquico, HJ‑Biplot y STATIS.

1 Contexto y Motivación

El Índice de Competitividad Global (GCI) del World Economic Forum (WEF) sintetiza más de 100 indicadores agrupados en 12 pilares para medir la capacidad de los países de lograr un crecimiento económico sostenido. Es una referencia global para gobiernos, organismos internacionales e investigadores.

Sin embargo, en 2018 el WEF introdujo una revisión metodológica profunda (GCI 4.0) que modificó normalizaciones, redefinió algunos pilares y cambió la forma de agregar los indicadores. Surge entonces la pregunta:

¿Siguen siendo comparables los puntajes del GCI entre el período pre-2018 y post-2018?

Este análisis aborda esa pregunta para un conjunto de 55 países durante el período 2014–2019, combinando herramientas de análisis multivariante que van más allá del ranking anual publicado por el WEF.

1.1 Las dos metodologías del GCI

Dimensión	GCI 3.0 2005–2017	GCI 4.0 2018–presente
Escala de indicadores	1 a 7	0 a 100
Ponderación de pilares	Variable según etapa de desarrollo del país	Peso igual (8.3 %) para los 12 pilares
N° de indicadores (aprox.)	109	92 (2018) / 98 (2019)
Pilar de TIC	Pilar 9: Preparación Tecnológica	Pilar 3: Adopción de TIC (reubicado)
Énfasis conceptual	Factores de producción / eficiencia	4ª Revolución Industrial / digitalización

¿Por qué importa esto? Cuando la metodología de medición cambia de forma sustancial, los valores resultantes pueden reflejar tanto cambios reales en competitividad como artefactos del rediseño metodológico. Distinguirlos requiere herramientas estadísticas específicas.

2 Discusión: Síntesis de Hallazgos

5

indicadores presentes en los 6 años de estudio

2

grupos temporales detectados por agrupamiento jerárquico

>0.94

coeficiente Cophenético (agrupamiento por año) — calidad excelente

64 %

varianza explicada por el primer componente del HJ-Biplot

Los análisis convergen en cinco conclusiones principales:

1. Estabilidad dentro del período GCI 3.0 (2014–2017). La interestructura de STATIS muestra vectores muy próximos para estos años, con pesos tipológicos similares. El índice fue coherente y comparable dentro de esta ventana temporal.

2. Ruptura metodológica confirmada en 2018–2019. Todos los métodos (agrupamiento jerárquico, HJ-Biplot y STATIS) identifican de forma independiente y consistente la discontinuidad estructural en 2018. Esta discontinuidad no refleja cambios económicos reales, sino la transición al GCI 4.0.

3. Pilares sensibles al rediseño. Los pilares 3 (Entorno Macro → Adopción de TIC) y 10 (Tamaño del Mercado) muestran las trayectorias más inestables. Los pilares 1 (Instituciones) y 12 (Innovación) exhiben mayor coherencia estructural entre metodologías.

4. Heterogeneidad estructural persistente. Independientemente del año analizado, las economías de la OCDE forman un núcleo compacto y estable, mientras que los países BRICS y otros mercados emergentes presentan mayor dispersión, reflejando trayectorias de desarrollo más heterogéneas.

5. Implicación metodológica. Cualquier análisis longitudinal del GCI que abarque el período 2014–2019 debe tratar 2014–2017 y 2018–2019 como dos series separadas o aplicar un ajuste explícito antes de comparar valores entre períodos.

---

3 Conclusiones

El uso combinado de agrupamiento jerárquico, HJ-Biplot y STATIS demostró ser más informativo que el análisis univariado del ranking anual del WEF. Estas técnicas permiten:

• Detectar y cuantificar la magnitud de discontinuidades metodológicas.
• Identificar qué dimensiones (pilares) son más sensibles a los cambios.
• Caracterizar la posición relativa de los países en un espacio multivariante compartido.
• Evaluar la coherencia interna del índice a lo largo del tiempo.

La evidencia es clara: el GCI es un instrumento valioso, pero su uso en análisis longitudinales requiere una conciencia explícita de los cambios metodológicos que lo rediseñaron en 2018. El análisis multivariante no reemplaza al ranking del WEF — lo complementa con una capa de comprensión estructural que el número único no puede ofrecer.

---

📁 Código fuente y datos

Todo el código de extracción, transformación y análisis está disponible en github.com/Arustico/GCI-Data-Analisis . Los archivos de datos procesados y los informes PDF del WEF se documentan en el README del repositorio.

4 Referencias

• Farris, J. S. (1969). On the Cophenetic Correlation Coefficient. Systematic Zoology, 18, 279. DOI
• Ferreira, E., Macedo, P., Fernandes, E., & Coelho, M.C. (2023). A combined framework of Biplots and Machine Learning for real-world driving volatility. Sustainable Cities and Society, 99, 104945. DOI
• Galindo Villardón, M.P. (1986). Una alternativa de representación simultánea: HJ-Biplot. Questiio, 10, 13–23.
• Olczyk, M., Kuc-Czarnecka, M., & Saltelli, A. (2022). Changes in the GCI 4.0 Methodology. Journal of Competitiveness, 14, 118–135. DOI
• Raschka, S., & Mirjalili, V. (2017). Python Machine Learning. Packt Publishing.
• Toledo-San-Martín, Á., Ruff, C., & Vicente-Galindo, P. (2025). A multivariate framework for measuring international mobility in tertiary education. Neutrosophic Sets and Systems, 89, 333–356.
• Torres-Cubilla, C. (2020). PyBiplots. GitHub. Repositorio
• WEF (2015–2019). The Global Competitiveness Report (ediciones 2014-15 a 2019). World Economic Forum. www.weforum.org/gcr