The present research aims to determine the fiscal variables that influenced the competitiveness of Mexican customs during the period 2012-2022 and to identify the degree of competitiveness of these customs in relation to fiscal and operational variables. An analysis of the historical and current role of customs is carried out, exploring their global context to their specific influence in Mexico. Theories of international trade are examined, and studies on customs efficiency and competitiveness are reviewed. The study analyzes existing research, highlighting its main conclusions to establish a solid framework for the study. Additionally, data science is employed, emphasizing the methodology and specific application of Random Forest in Python to analyze customs competitiveness. The results obtained through algorithms provide insights into the competitiveness of Mexican customs, identifying competitive customs. The key variables used in the analysis are evaluated. This study provides a detailed and applicable understanding of the competitiveness of Mexican customs. Key fiscal and operational variables impacting customs competitiveness were identified through Random Forest analysis. The model demonstrated accuracy in identifying competitive and non-competitive customs, highlighting the relevance of machine learning in enhancing customs operations and providing a strong foundation for future research and developments in this field.
La presente investigación tiene como objetivo determinar las variables fiscales que incidieron en la competitividad de las aduanas mexicanas durante el periodo 2012-2022 e identificar el grado de competitividad de estas aduanas en relación con variables f iscales y operativas. Se realiza un análisis del papel histórico y actual de las aduanas, explorando su contexto global hasta su influencia específica en México. Se examinan teorías del comercio internacional y se revisan estudios sobre la eficiencia y competitividad aduanera. El estudio analiza investigaciones existentes, resaltando sus principales conclusiones para establecer un marco sólido para el estudio. Además, se emplea la ciencia de datos, destacando la metodología y aplicación específica de Random Forest en Python para analizar la competitividad aduanera. Los resultados obtenidos a través de algoritmos revelan una visión de la competitividad de las aduanas mexicana, identificando las aduanas competitivas. Se evalúan las variables clave utilizadas en el análisis. Este estudio ofrece una comprensión detallada y aplicable de la competitividad de las aduanas mexicanas. Se identificaron variables fiscales y operativas clave que impactaron la competitividad aduanera mediante el análisis con Random Forest. El modelo demostró precisión al identificar aduanas competitivas y no competitivas, destacando la relevancia del aprendizaje automático para mejorar las operaciones aduaneras, proporcionando una base sólida para futuras investigaciones y desarrollos en este ámbito.
