Juan González Pillalaza | Facultad Latinoamericana de Ciencias Sociales (Ecuador)
: Este estudio analiza la distribución espacial de la productividad manufacturera ecuatoriana en 2023
mediante machine learning no supervisado. Los algoritmos K-means y clusterización jerárquica identican cuatro
perles territoriales diferenciados según niveles de productividad laboral, especialización relativa y diversidad
sectorial. Los resultados revelan una marcada heterogeneidad productiva, evidenciando que la relación entre
aglomeración y desempeño productivo no responde a un patrón único, sino a conguraciones estructurales di-
versas. Se concluye que una política industrial basada en evidencias requiere diagnósticos territoriales diferen-
ciados que permitan diseñar políticas acordes a las características de cada territorio.
: Productividad manufacturera, economías de aglomeración, machine learning, política in-
dustrial, análisis espacial.
// // //
Productivity in the Ecuadorian manufacturing sector:
a spatial exploration with machine learning
: This study analyzes the spatial distribution of Ecuadorian manufacturing productivity in 2023 using
unsupervised machine learning. K-means and hierarchical clustering algorithms identify four distinct territori-
al proles based on levels of labor productivity, relative specialization, and sectoral diversity. The results reveal
marked productive heterogeneity, demonstrating that the relationship between agglomeration and productive
performance does not follow a single pattern, but rather diverse structural congurations. The study concludes
that an evidence-based industrial policy requires dierentiated territorial analyses to design policies tailored to
the characteristics of each region.
: Manufacturing productivity, agglomeration economies, machine learning, industrial policy, spa-
tial analysis.
11, 12, 38, 54, 24
La productividad en el sector manufacturero ecuatoriano:
una exploración espacial con machine learning
REVISTA ECONOMÍA
DOI: 10.29166/economa.v78i127.9027
CC BY-NC 4.0 —Licencia Creative Commons Reconocimiento-NoComercial 4.0 Internacional
© 2026 Universidad Central del Ecuador
INSTITUTO DE INVESTIGACIONES ECONÓMICAS REVISTA ECONOMÍA
UNIVERSIDAD CENTRAL DEL ECUADOR , mayo 2026, pp.
pISSN 1390-6380
eISSN 2697-3332
revistaeconomia@uce.edu.ec
La productividad en el sector manufacturero ecuatoriano: una exploración espacial con machine learning
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-333276
INTRODUCCIÓN
El rol de Ecuador en la división internacional del trabajo, al igual que el de la mayo-
ría de países de latinoamericanos, ha estado históricamente condicionado por la
exportación de bienes primarios con escaso valor añadido y la importación de
manufacturas y bienes de capital con alto valor agregado. Este patrón ha dado lugar
a «procesos de industrialización tardíos y asincrónicos, lo que denió procesos de
industrialización débiles o dependientes de los países ya industrializados» (Gonza-
les de Olarte, 2021, p. 254).
Esta trayectoria se materializa en el caso ecuatoriano a través de políticas indus-
triales volátiles. Históricamente, el sector manufacturero transitó desde un enfoque
de industrialización cepalina durante los años 1950 y 1970, pasando por el desman-
telamiento del modelo de sustitución de importaciones entre 1982-2007, una política
industrial neodesarrollista que prevaleció hasta 2016, para luego dar paso a un
modelo industrial orientado hacia una economía más de mercado (Creamer, 2022;
Acosta 2012). Este proceso ha estado marcado tanto por factores externos —volatili-
dad petrolera, crisis de deuda, y el impacto de la pandemia de covid-19— como por
disyuntivas internas que han inuido decisivamente al sector.
El legado de esta trayectoria histórica es un sector con un peso económico limi-
tado y en decrecimiento. De acuerdo a información del Banco Central del Ecuador
(), entre 2020 y 2023, el valor agregado bruto () manufacturero promedió
14.000 millones de dólares anuales, equivalentes al 13,03% del , un valor conside-
rablemente inferior a los registros históricos de 16,70% en 1972 o el 19,72% en 1981
(Creamer, 2022). Ello ha evidenciado un proceso de desindustrialización relativa.
Según el Ministerio de Producción, Comercio Exterior, Inversiones y Pesca (,
2024), en 2023 las ventas netas manufactureras alcanzaron los 35.361 millones de
dólares, registrando una variación negativa de 0,7% interanual. En el ámbito labo-
ral, la manufactura concentró apenas el 8,5% del empleo total en relación con la
población económicamente activa, una cifra inferior al promedio latinoamericano,
que lo ubicó en 11,1% en 2023 (Cepal, 2024; , 2023).
Este preámbulo pone en maniesto un proceso de desindustrialización que
conlleva la necesidad de un análisis renovado del sector manufacturero y de sus
posibles estrategias de políticas públicas desde una perspectiva regional y contem-
poránea. La productividad, entendida como la relación entre insumos y producto
total, se considera un excelente indicador de desempeño económico para alcanzar
competitividad a largo plazo (Ruiz, 2013). Sin embargo, diversos estudios regionales
postulan que la productividad no solo está determinada por atributos internos de las
empresas, sino también por factores geográcos y espaciales que conguran con-
diciones locales de producción (Guevara, 2021; Amara y Thabet, 2019; Dvouletý y
Blažková, 2021). Ante este panorama, ¿existen patrones a espaciales a nivel cantonal
que agrupen a las empresas manufactureras ecuatorianas según su productividad, y
cómo se relacionan estos clústeres con el nivel de especialización y diversidad eco-
nómica de los cantones? Responder este interrogante implica superar los análisis
agregados para explorar la heterogeneidad territorial subnacional.
En este contexto, la presente investigación se propone analizar la distribución
espacial de la productividad del sector manufacturero y generar una clasicación
Juan González
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-3332 77
cantonal en función de sus niveles de productividad, especialización y diversidad,
mediante el uso de técnicas de machine learning (). Este enfoque metodológico,
con un eje transversal en la política pública basada en evidencias (), busca
generar diagnósticos empíricos que orienten políticas manufactureras y regionales
diferenciadas. Al integrar la teoría de las economías de aglomeración con herra-
mientas de ciencia de datos, la investigación aporta una caracterización empírica de
los patrones territoriales de productividad manufacturera, que puede servir como
insumo para el diseño de estrategias de competitividad territorial y una planica-
ción pública sustentada en información vericable.
El artículo se estructura de la siguiente manera: tras esta introducción, la
sección 2 presenta el marco teórico. La sección 3 detalla las fuentes de datos y la
construcción de las variables. La sección 4 describe la estrategia metodológica, con
especial atención en los modelos de aprendizaje no supervisado de . La sección
5 expone los resultados, mientras que la sección 6 discute dichos hallazgos y analiza
sus implicaciones para la política pública. Finalmente, el artículo cierra con conclu-
siones y reexiones en la sección 7.
REVISIÓN DE LITERATURA
El análisis de la productividad manufacturera a nivel regional requiere un enfoque
conceptual que trascienda los determinantes internos de la empresa e incorpore
el papel del espacio geográco. Este marco teórico se sustenta en la teoría de las
economías de aglomeración, la cual explica las externalidades positivas que reci-
ben empresas y personas al ubicarse en una determinada área geográca (Glaeser
et al., 1992). La ubicación geográca tiende a condicionar la productividad empre-
sarial debido a diversos factores estructurales y contextuales que afectan costos
operativos, oportunidades de innovación y expansión (Dvouletý y Blažková, 2021).
Establecerse en regiones con adecuada infraestructura, cercanía a mercados clave
o presencia de clústeres industriales permite reducir tiempos y costos logísticos,
acceder a insumos, mano de obra calicada, y beneciarse del aprendizaje colec-
tivo y la transferencia de conocimiento que surgen de la proximidad entre empresas
e instituciones (Martínez-Victoria et al., 2017). Asimismo, los entornos urbanos o
metropolitanos suelen ofrecer mejores servicios tecnológicos, nancieros y admi-
nistrativos, lo que favorece procesos de modernización productiva. La proximidad
geográca entre empresas genera externalidades positivas a través de intereses
comunes e intercambios de información, que generan economías de escala exter-
nas, menores costes de transporte y transferencia de información, lo que fortalece
la capacidad competitiva y por ende la productividad de las empresas.
En la literatura y en muchos estudios empíricos (Lin et al. 2011; Tao et al., 2019;
Singh, 2021), estas externalidades se dividen en dos tipos principales: economías de
localización y de urbanización. La primera se reere a la concentración de empre-
sas de un solo tipo de industrias y han sido formalizadas en el enfoque conocido
como — por los estudios precursores de Marshall (1820), Arrow (1962) y Romer
(1986)—. Estas economías se basan en la existencia de proveedores especializados,
mercado de trabajo especializado y la presencia de externalidades del conocimiento,
La productividad en el sector manufacturero ecuatoriano: una exploración espacial con machine learning
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-333278
factores denominados externalidades marshallianas (Lavoratori y Castellani, 2021).
Por otro lado, la concentración de empresas pertenecientes a diferentes industrias
en un mismo territorio se las denomina economías de urbanización. A partir del
trabajo pionero de Jacobs (1969), una mayor diversidad empresarial, genera condi-
ciones territoriales más dinámicas y propensas a la innovación, ya que la difusión
de conocimiento es más favorable entre industrias que dentro de ellas (Sanlippo y
Seric, 2015; Cieślik et al., 2018). Sin embargo, la aglomeración puede generar exter-
nalidades negativas, como congestión, encarecimiento del suelo, aumento de los
costos productivos y una competencia más intensa que puede desplazar a empresas
menos competitivas y desincentivar nuevas localizaciones en regiones altamente
concentradas (Beaudry y Schiauerova, 2009).
En el caso ecuatoriano, Guevara et al. (2019) evidencian que la diversidad sec-
torial impulsa la productividad del sector servicios, mientras que Torres-Gutiérrez
et al. (2019) y Guevara (2021) encuentran que, en la manufactura, la especialización
es el principal factor explicativo que incide en la productividad, revelando así un
comportamiento opuesto entre sectores. En consecuencia, esta heterogeneidad sec-
torial, a menudo contradictoria, subraya una limitación fundamental de los análisis
agregados a nivel nacional: ocultan la heterogeneidad subnacional. Las políticas
industriales tradicionales, basadas en promedios nacionales o en supuestos gene-
rales sobre las ventajas de la especialización o la diversidad sectorial, corren el
riesgo de ser inecaces o incluso contraproducentes cuando se aplican de manera
uniforme en territorios con estructuras productivas, dotaciones de recursos y capa-
cidades institucionales diferentes (Balland et al., 2019). Esta crítica ha impulsado un
cambio de paradigma hacia las , la cual exige diagnósticos precisos y especí-
cos para cada contexto territorial.
En este contexto, la teoría de las economías de aglomeración proporciona el sus-
tento conceptual para entender las fuentes regionales de la productividad, pero son
las las que operan el marco de acción, requiriendo evidencia empírica robusta
para su implementación. Sin embargo, la complejidad económica donde las dispa-
ridades espaciales y la productividad son el resultado de interacciones no lineales
entre múltiples factores (Balland et al., 2022) desafía los métodos econométricos tra-
dicionales (Kopczewska, 2022). Es aquí donde el , y particularmente las técnicas
como la clusterización se convierten en herramientas valiosas para identicar patro-
nes espaciales ocultos. Singh (2021), por ejemplo, proporciona un análisis espacial
detallado de los clústeres industriales en Hungría, revelando relaciones intrínsecas
entre aglomeración, productividad laboral y urbanización, a su vez ofrece perspec-
tivas concretas para un desarrollo industrial regional equilibrado. De forma similar,
Cui et al. (2024) proponen un modelo para medir la eciencia del uso del suelo indus-
trial en China mediante técnicas de clustering y econometría espacial, destacando la
inuencia de la densidad manufacturera en la productividad regional. Por su parte,
Balland et al. (2022) demuestran cómo los patrones de complejidad económica y
especialización inteligente pueden analizarse con herramientas de para diseñar
estrategias territoriales basadas en las capacidades tecnológicas locales.
En Ecuador, aunque escasos, algunos estudios empiezan a aplicar metodologías
similares. Matute y Muñoz (2024) emplean aprendizaje supervisado para clasicar
pymes ecuatorianas según sus probabilidades de crecimiento, mientras que Rodrí-
guez-Cruz (2024) realiza una clusterización de empresas manufactureras en función
Juan González
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-3332 79
de indicadores nancieros. Si bien estos estudios constituyen un valioso antece-
dente, su enfoque se circunscribe predominantemente al nivel microempresarial,
dejando de lado la dimensión regional. Frente a esta brecha, la presente investi-
gación pretende aportar a la literatura con una clasicación cantonal a partir de
variables de aglomeración y productividad, empleando el no como un n en sí
mismo, sino como una herramienta de diagnóstico territorial. El objetivo último es
proveer evidencia robusta que sustente el diseño de políticas industriales diferen-
ciadas y espacialmente contextualizadas en Ecuador.
DATOS Y VARIABLES
Se utilizan los últimos datos del Registro Estadístico de Empresas () 2023 ela-
borado por el Instituto Nacional de Estadísticas y Censos (). Esta base integra
información procedente de las declaraciones tributarias anuales del Servicio de
Rentas Internas (), registros del Instituto Ecuatoriano de Seguridad Social (),
así como información de la Superintendencia de Compañías, la Superintenden-
cia de Bancos y las encuestas empresariales realizados por el . Su objetivo es
cuanticar el comportamiento empresarial ecuatoriano en términos económicos,
geográcos y empleo en empresas públicas y privadas formalmente constituidas.
La unidad de análisis es el par cantón-subsector a dos dígitos de la Clasicación
Industrial Internacional Uniforme (). Este enfoque captura la heterogeneidad
intra-cantonal al reconocer que un territorio puede albergar subsectores manu-
factureros con diferentes niveles de productividad. Se construyen variables que
caracterizan las diferencias estructurales entre territorios. La productividad laboral
se calcula a nivel de empresas como el logaritmo natural del cociente entre ventas
totales y número de empleados, aproximando el valor agregado por trabajador. Esta
medida se agrega a nivel cantonal-subsector, obteniendo la productividad media para
cada combinación cantonal-sectorial, constituyendo la variable principal del análisis.
En cuanto a los cuanticadores de economías de aglomeración, estos se estiman
a dos niveles complementarios. El primero corresponde al índice de especializa-
ción relativa, calculado mediante un Location Quotient () a nivel cantón-subsector
manufacturero. Esta variable mide la concentración del empleo de un subsector en
un cantón en relación con su participación a nivel nacional, permitiendo cuanticar
el grado de economías de localización (Nakamura y Morrison, 2019). Se expresa como:
(1)
donde empi,r representa el número de empleados en el subsector i del cantón r; empi*
el total de empleados a nivel nacional del subsector i; emp*r el empleo manufacturero
total en el cantón r; y emp** el empleo total de la economía en general . Un valor
mayor a uno, señala que la industria i está relativamente concentrada en el cantón r,
evidenciando especialización (Zheng, 2013). Según Fracasso y Vittucci Marzetti (2018)
La productividad en el sector manufacturero ecuatoriano: una exploración espacial con machine learning
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-333280
este indicador es el más utilizado en estudios empíricos de economías de aglomera-
ción, ya que permite identicar aquellos cantones donde la actividad de un subsector
supera lo esperado según la estructura nacional, sugiriendo ventajas comparativas
locales y externalidades de especialización. A diferencia de medidas de concentración
del empleo, el incorpora una normalización respecto a la estructura productiva
nacional, facilitando comparaciones entre territorios de distinta escala económica y
evita que los resultados estén inuenciados por el tamaño del cantón.
El segundo nivel corresponde al análisis de las economías de urbanización,
medido a nivel cantonal. Para ello, se utiliza la inversa del índice de Herndahl o
denominada también índice de diversidad. Esta expresión formalizada matemática-
mente por Duranton y Puga (2000) se expresada como:
(2)
donde la sumatoria se realiza sobre todas las industrias manufactureras 𝑖 en la región
𝑟, permitiendo agregar las contribuciones de cada sector al índice de diversidad. Un
valor más alto de este indicador sugiere una mayor diversidad productiva y una distri-
bución más equitativa del empleo entre varias industrias (Combes y Duranton 2015).
Estas variables —productividad laboral, especialización relativa y diversi-
dad— fueron sometidas a un proceso de estandarización (z-scores) con el n de
homogeneizar sus escalas y evitar diferencias que puedan inuir en los resultados
de clusterización. Una vez estandarizadas estas variables, constituyen el insumo
principal para la aplicación de algoritmos de , que permitan agrupar a las observa-
ciones en clústeres homogéneos según sus niveles de productividad, especialización
y diversidad económica. Cabe recalcar que la investigación se constituye sobre una
unidad combinada cantón-subsector manufacturero, lo que permite capturar tanto
las diferencias territoriales como las heterogeneidades sectoriales dentro de cada
cantón. En total, se analizan cerca de 1242 observaciones, correspondientes a la arti-
culación de 192 cantones del país con 23 subsectores manufactureros distintos.1
METODOLOGÍA
El , por su traducción: aprendizaje automático, constituye la rama de la inteli-
gencia articial () cuyo objetivo es la predicción estadística (Cerulli, 2023). Esta
herramienta permite el desarrollo de técnicas computacionales capaces de iden-
ticar patrones, optimizar procesos y descubrir estructuras en función a datos o
experiencias previas (Alpaydin, 2020; Zollanvari, 2023). A continuación, se presenta
un esquema conceptual que sintetiza la estructura del dentro de la , así como
sus los principales enfoques metodológicos y tipos de modelos (ver Figura 1).
Juan González
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-3332 81
Figura 1. Clasicación estándar de machine learning (ml)
Fuente: Cerulli (2023, p. 3).
El se divide esencialmente en dos: aprendizaje supervisado y no supervisado. El
primero estima valores o categoría de salida a partir de variables previamente eti-
quetadas, y comprende principalmente dos tipos de modelos: regresión cuando la
variable objetivo es numérica, y clasicación cuando esta corresponde a una cate-
goría discreta (Cerulli, 2023; Müller y Guido, 2017). Por su parte, el aprendizaje no
supervisado trabaja con datos no etiquetados y busca descubrir estructuras subya-
centes o patrones latentes mediante la generación de nuevas representaciones o
variables a partir de los propios datos (Cerulli, 2023; Zollanvari, 2023). Dentro de
este enfoque se ubican los algoritmos de agrupamiento o análisis de conglomerados
—clúster analysis—, los cuales permiten identicar grupos homogéneos de observa-
ciones en función de su similitud multivariada, constituyendo así una herramienta
para la exploración estadística y la caracterización regional. En este contexto, la
clusterización consiste en agrupar un conjunto de datos en categorías denomina-
das clústers, de tal manera que las observaciones dentro de un mismo grupo sean
muy similares entre sí, mientras que aquellas pertenecientes a distintos clústeres
sean notablemente diferentes (Müller y Guido, 2017). Según Kopczewska (2022),
el supervisado tiende a reemplazar progresivamente a la econometría espacial
clásica, mientras que el aprendizaje no supervisado se orienta a identicar cómo
los datos tienden a agruparse de manera natural. Este último enfoque constituye
la base metodológica de la presente investigación. En particular, la técnica de clus-
terización resulta útil para descubrir patrones latentes en los datos y clasicar las
unidades territoriales según sus características estructurales y su comportamiento
relativo dentro del sistema analizado.
Entre los diversos métodos de clusterización, el presente estudio emplea dos
algoritmos: K-means y clusterización jerárquica. El primero, también conocido como
algoritmo de Lloyd, es uno de los más utilizados debido a su fácil implementación
Aprendizaje
Supervisado
Aprendizaje
No Supervisado
Agrupamiento
(Clustering)
Sin variable de
resul tado
Clasificación Regresión
Resultado
categórico
Resultado
numérico
Modelos Predictivos Modelos
Generativos
Machine Learning
Inteligencia artificial
La productividad en el sector manufacturero ecuatoriano: una exploración espacial con machine learning
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-333282
y a su eciencia computacional en comparación a otros métodos (Raschka et al.,
2022). Su objetivo consiste en identicar grupos de observaciones con alta similitud
interna y clara diferenciación externa, utilizando la distancia euclidiana al cuadrado
como medida de proximidad. El algoritmo busca minimizar la suma de los errores
cuadráticos dentro de los clústeres (), también denominada inercia, de modo
que cada grupo esté representado por un centroide que resume sus características
promedio. Matemáticamente, la función inercia se dene como:
(3)
donde xi representa una observación i, µj el centroide del clúster j, y wij toma valor 1
si la observación i pertenece al clúster j o en caso contrario valor 0.
El procedimiento es iterativo y consta de cuatro pasos: (i) selecciona aleatoria-
mente k centroides iniciales, (ii) asignar cada observación al centroide más cercano,
(iii) recalcular los centroides como el promedio de los elementos asignados, y (iv)
repetir los pasos 2 y 3 hasta alcanzar la convergencia (Zollanvari, 2023). Aunque el
método es computacionalmente eciente y ampliamente aplicado, requiere de-
nir previamente el número de clústeres. Para ello, se utiliza el método del codo,
que evalúa la relación entre el número de clústeres y la varianza intra grupal. El
punto óptimo se identica donde la reducción marginal de la inercia se estabiliza
—formando un «codo» en la gráca—, lo cual indica el equilibrio entre homogenei-
dad interna y parsimonia del modelo. En este estudio, dicho criterio se emplea para
determinar el número adecuado de conglomerados cantonales según los niveles de
productividad, especialización y diversidad económica, garantizando una clasica-
ción empíricamente robusta y territorialmente coherente.
No obstante, el método K-means presenta una limitación importante: requiere
denir de antemano el número de clústeres (k) que estructurará la partición de los
datos. Para superar este inconveniente y validar la robustez de los resultados, la
investigación incorpora un segundo enfoque: la clusterización jerárquica, la cual
permite construir una descomposición progresiva del conjunto de observaciones y
determinar de manera más exible el número óptimo de agrupamientos (Horobet et
al., 2021). Su principio consiste en evaluar las similitudes entre las observaciones y
fusionarlas o dividirlas sucesivamente según su proximidad, medida a través de una
función de distancia o similitud (Alpaydin, 2020). Para esta investigación se utilizó
la distancia euclidiana, la cual cuantica la proximidad entre dos puntos x y y en un
espacio n-dimensional. Su expresión matemática es:
(4)
Juan González
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-3332 83
donde x = (x1, x2, …, xn) y y = (y1, y2, …, yn) representan dos observaciones en el espa-
cio euclidiano de n dimensiones. Esta medida evalúa el grado de similitud entre
instancias, siendo los valores menores indicativos de una mayor proximidad entre
las observaciones.
En este estudio, se aplicó el método de Ward (1963), una técnica de enlace jerár-
quico que fusiona iterativamente los grupos que provocan el menor incremento en
la varianza interna o suma de errores cuadrados (), produciendo agrupamientos
compactos y homogéneos. Este procedimiento busca minimizar la varianza total
dentro de los grupos tras cada fusión, según la expresión:
(5)
Donde representan el número de elementos en cada grupo. Este cri-
terio permite combinar iterativamente las unidades más similares en términos de
varianza, optimizando la cohesión interna del agrupamiento (Horobet et al., 2021;
Jagódka, 2025).
El resultado del proceso se representa mediante un dendrograma, una estruc-
tura en forma de árbol que ilustra las relaciones jerárquicas entre las observaciones
y la secuencia en la que se agrupan. Esta representación permite visualizar las
uniones progresivas entre los elementos, y a su vez, identicar de manera empí-
rica el número de clústeres más adecuado para los datos (Raschka et al., 2022). Para
determinar dicho número óptimo de clústeres, se combinan dos criterios comple-
mentarios: el análisis de distancias de fusión y la inconsistencia jerárquica, que
permiten identicar el punto de corte más estable en el dendrograma. Finalmente,
la calidad y consistencia del modelo se evaluaron mediante los índices de Silhouette
y Calinski-Harabasz.
En este sentido, la clusterización jerárquica complementa el análisis con
K-means, ofreciendo una perspectiva más exploratoria sobre la estructura espacial
y productiva de los cantones y subsectores manufactureros en Ecuador. El proceso
metodológico completo —desde el tratamiento de microdatos empresariales, agre-
gación a nivel cantón-subsector, cálculo y estandarización de variables, aplicación
de algoritmos de clusterización, asignación por moda a nivel cantonal para repre-
sentación cartográca, validaciones de robustez e interpretación económica— se
sintetiza en el Diagrama de Flujo Metodológico (ver Figura 2). Este esquema, per-
mite comprender las decisiones analíticas adoptadas en cada etapa y la articulación
entre las diferentes fases del estudio.
La productividad en el sector manufacturero ecuatoriano: una exploración espacial con machine learning
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-333284
Figura 2. Diagrama de ujo metodológico
RESULTADOS
En primer lugar, dentro del nivel de observación cantón-subsector, se aplicó el
algoritmo K-means para identicar agrupamientos con comportamientos producti-
vos similares. La elección del número óptimo de clústers se lo realizó mediante un
análisis de sensibilidad entre el rango k = 2 a k = 10 utilizando dos métricas comple-
mentarias: el método del codo (basado en la inercia) y dos métricas de validación:
Silhouette y Calinski-Harabasz, ampliamente utilizados en la literatura (Kirilyuk
y Senko, 2020; Wang y Xu, 2019). El método del codo (ver Figura 3) evidenció un
punto de inexión en k = 4, a partir del cual la reducción de la varianza intraclús-
ter se estabiliza. A su vez, esta solución registró un Silhouette Score de 0.346 y un
Calinski-Harabasz de 578.6 (ver Figura 4). Si el primero es superior a 0.30 indica
una estructura de agrupamiento razonablemente denida, mientras que el segundo
conrma que la partición en cuatro clústers maximiza la relación entre disper-
sión intergrupo y cohesión intragrupo. Adicionalmente, se evaluó la estabilidad de
la solución frente a distintas inicializaciones aleatorias del algoritmo. Utilizando
siete semillas diferentes, el Índice Rand Ajustado () promedio entre las parti-
ciones obtenidas fue de 0.9368 (±0.0549), lo que demuestra una alta estabilidad del
¿Empleo > 0 y
Ven tas > 0?
Nivel 1: Empresas
K-means
Nivel 2:
Cantón-Subsector Nivel 3: Cantón
Datos:
REE M
2023
Empres as
manufactureras
Datos por
c an tón-subsector
Estandarización
¿Procedo a
clusterizar?
Clusterización
Jerárquico
¿Visualizar a
nivel cantonal?
Asignar clús ter
modal por cantón
¿Variables en
distintas
escalas?
Sí
Calcular variables:
• Productividad laboral
• Especialización relativa
• Diversidad
Datos:
va r iab les
estandarizadas
Sí Sí
Sí
Datos:
cantones con
clúster modal
Generar mapas con
clúster modal
Análisis Cualitativo
Validar robustez y
análisis
c omp lem en tar io
Proceso
metodológico
Sí
Interpretación
e co nóm ica Fin del
Juan González
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-3332 85
algoritmo y descarta que los resultados dependan de una conguración inicial par-
ticular. En conjunto, estos resultados respaldan la elección de k como una solución
moderada y estadísticamente consistente, adecuada para capturar la heterogenei-
dad territorial sin sobredimensionar el modelo.
Figura 3. Método del Codo para determinar k óptimo
Nota: Elaborado en Python 3.12.4. Fuente: (2023).
Figura 4. Validación de clusterización, métricas para rango de clústers K
Nota: Elaborado en Python 3.12.4. Fuente: (2023).
Para contrastar la robustez de K-means, se aplicó un análisis de clusterización jerár-
quica con enlace de Ward. El dendrograma resultante (ver Figura 5) fue evaluado a
partir de dos criterios formales: el análisis de las distancias de fusión2 (que sugiere
un corte en k = 4) y el estadístico de inconsistencia jerárquico3 (que identica una
estructura binaria k = 2). Considerando la magnitud de los saltos en las distancias
de fusión y la morfología del dendograma, se optó por una solución de cinco clús-
ters como último nivel estructuralmente estable antes de la consolidación de grupos
La productividad en el sector manufacturero ecuatoriano: una exploración espacial con machine learning
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-333286
internamente diferenciados. Esta decisión permite preservar la heterogeneidad sus-
tantiva del entramado manufacturero sin incurrir en fragmentación excesiva. Como
validación complementaria, esta solución registró un Silhouette Score de 0.331 y un
Calinski-Harabasz de 523.6 (ver Figura 4), valores consistentes con una separación
moderada pero interpretable entre grupos.
Figura 5. Dendograma clusterización jerárquica
Nota: Elaborado en Python 3.12.4. Fuente: (2023).
Para facilitar la interpretación, se elaboraron dos tipos de clasicaciones. La pri-
mera presenta los estadísticos descriptivos de cada clúster calculados a partir de
las 1242 observaciones (ver Tabla 1). Complementariamente, se realizó una clasi-
cación cualitativa (ver Tabla 2) basada en la posición relativa de sus centroides.
Dado que las variables se encuentran estandarizadas, los centroides representan
el perl promedio de cada grupo en el espacio multivariante. Sobre este último se
aplicó un criterio de terciles: aquellos clústeres cuyos centroides se ubicaron en el
tercio superior de cada dimensión fueron calicados como alto; en el tercio infe-
rior, como bajo; y en el intervalo intermedio, como medio. Ello permite comparar
el desempeño de los clústers entre sí, evitando el uso de umbrales arbitrarios y
reconociendo que la signicancia de los valores estandarizados depende del con-
texto del sistema analizado. Complementariamente, se identicó el subsector
manufacturero predominante en cada clúster como aquel con mayor frecuencia
relativa de observaciones.
Juan González
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-3332 87
Tabla 1. Estadísticos descriptivos con valores estandarizados
Tipo Número
clústeres
Número
cantones Observaciones Productividad
laboral Especialización Diversidad
sectorial
K-means 0 83 431 - 0.936
(0.757)
- 0.148
(0.393)
- 0.343
(0.542)
1 20 274 0.276
(0.604)
0.163
(0.296)
1.513
(0.847)
2 18 48 - 0.229
(1.243)
3.816
(2.701)
- 0.603
(0.569)
3 71 489 0.693
(0.619)
- 0.153
(0.409)
- 0.486
(0.438)
Jerárquico 0 23 297 0.320
(0.535)
- 0.166
(0.288)
1.397
(0.894)
1 1 2 - 0.760
(0.693)
14.834
(4.381)
- 0.798
(0.356)
2 24 56 0.084
(0.839)
2.922
(1.375)
- 0.522
(0.531)
3 51 309 - 1.209
(0.793)
- 0.107
(0.533)
- 0.262
(0.643)
4 93 578 0.476
(0.732)
- 0.192
(0.311)
- 0.525
(0.387)
Nota: Los valores corresponden a sus promedios, entre paréntesis la desviación estándar. Fuente: (2023).
Tabla 2. Clasicación cualitativa de los clústeres según el algoritmo de clusterización
Tipo Número
clústers
Productividad
laboral Especialización Diversidad
sectorial Subsector principal
K-means
0 Bajo Alto Alto C14: Fabricación de prendas de
vestir
1 Alto Bajo Alto C33: Reparación e instalación de
maquinaria y equipo
2 Medio Alto Bajo C11: Elaboración de bebidas
3 Alto Medio Medio C10: Elaboración de productos
alimenticios
Jerárquico
0 Medio Bajo Alto C25: Fabricación de productos
elaborados de metal
1 Bajo Alto Bajo C32: Otras industrias manufactu-
reras
2 Medio Alto Medio C16: Industria de la madera y
corcho
3 Bajo Medio Alto C14: Fabricación de prendas de
vestir
4 Medio Bajo Bajo C10: Elaboración de productos
alimenticios
Fuente: (2023).
La productividad en el sector manufacturero ecuatoriano: una exploración espacial con machine learning
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-333288
En base a lo anterior, la representación tridimensional del K-means (ver Figura 6),
permite apreciar la conformación de los cuatro clústers resultantes; del mismo
modo que lo hace la proyección tridimensional para la clusterización jerárquica (ver
Figura 7). Para evaluar la concordancia entre ambos algoritmos, se empleó el ,4
una medida ampliamente utilizada en la literatura para comparar clústers prove-
nientes de diferentes algoritmos (Albuquerque et al., 2016; Warrens y van der Hoef,
2022). El valor obtenido de 0.582 indica una concordancia moderada pero sustan-
cial entre ambas soluciones. Este resultado, lejos de sugerir discrepancia, conrma
que los cuatro clústeres de K-means constituyen una desagregación coherente de la
estructura más estable identicada en el análisis jerárquico.
Figura 6. Visualización 3D de clústeres K-means: productividad laboral, especialización relativa y diversidad sectorial
Nota: Elaborado en Python 3.12.4. Fuente: (2023).
Figura 7. Visualización 3D de clústeres jerárquicos: productividad laboral, especialización relativa y diversidad sectorial
Nota: Elaborado en Python 3.12.4. Fuente: (2023).
Juan González
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-3332 89
Una vez validada la consistencia entre los algoritmos de clusterización a nivel can-
tón-subsector, se generó una clasicación cantonal con nes de representación
cartográca. Para ello, se asignó a cada cantón el clúster predominante según la fre-
cuencia relativa (moda) de los subsectores localizados en su territorio, sintetizando
así la heterogeneidad productiva interna. La validez de esta agregación se evaluó
mediante un análisis de pureza cantonal, que arrojó una pureza promedio ponde-
rada del 72,1% para K-means y 75,1% para la jerárquica. Estos valores indican que, en
promedio, al menos siete de cada diez subsectores dentro de un cantón pertenecen
al clúster que se le ha asignado. Si bien se identicó que un 70,8% de cantones pre-
sentan una composición mixta —albergan más de un tipo de clúster intracantonal—,
la alta pureza promedio evidencia una clara concentración en torno a un clúster
dominante en cada territorio. Este hallazgo justica empíricamente la agregación
por moda y otorga solidez a la tipología cantonal resultante, que será la base para el
análisis en la siguiente sección sobre implicaciones descriptivas de política pública.
Complementariamente, se examinó la autocorrelación espacial de la productivi-
dad laboral manufacturera a nivel cantonal mediante el I de Moran. El resultado de
-0.0028 (p=0.475) indica ausencia de dependencia espacial signicativa. Este hallazgo
sugiere que la productividad no se organiza en el espacio de forma simple y conti-
nua, sino que responde a estructuras complejas de especialización y diversidad que
la clusterización permite detallar. Esta ausencia de autocorrelación espacial ya fue
identicada por Guevara (2021) en pymes manufactureras ecuatorianas. No obstante,
el análisis , identica clústers locales de interés: siete cantones en regímenes
alto-alto (alta productividad rodeada de alta productividad) y dos en bajo-bajo (baja
productividad rodeada de baja productividad). Estos focos puntuales de concentración
espacial, aunque no determinan una estructura global, complementan la clasica-
ción cantonal y enriquecen la lectura territorial de los resultados (ver Figura 8).
Figura 8. Análisis de autocorrelación espacial: Mapa y diagrama de dispersión
Nota: Elaborado en Python 3.12.4. Fuente: (2023).
La productividad en el sector manufacturero ecuatoriano: una exploración espacial con machine learning
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-333290
DISCUSIÓN
La caracterización de los clústers productivos adquiere pleno signicado económico
al trasladar los resultados desde las variables estandarizadas —necesarias para la
clusterización— hacia sus valores en escala original (ver Tabla 3). Esta conversión,
conjuntamente con su respectivo mapeo, permite visualizar la distribución territo-
rial de los perles identicados y dotarlos de interpretación económica, revelando
así la complejidad del entramado manufacturero ecuatoriano. Como sostiene Porter
(2009), las políticas empresariales o sectoriales deben dar paso a políticas basadas
en clústeres, por ser más ecientes, menos distorsionadoras de la competencia y
más coherentes con la naturaleza de la competencia en la economía moderna. Por
lo tanto, la clusterización no solo clasica regiones, sino que permite estructurar
lineamientos diferenciados de política pública en caminados al cambio estructural
(Cimoli et al., 2009).
Tabla 3. Valores promedios a escala original
Tipo Número clústers Productividad
laboral (logaritmo
natural)
Especialización
relativa (LQ)
Diversidad sectorial
(Inversa HH)
K-means 0 9.442 2.025 2.484
1 10.900 1.913 6.388
2 10.293 33.208 1.939
3 11.402 1.990 2.184
Jerárquico 0 10.953 1.889 6.143
1 9.654 119.872 1.529
2 10.669 26.172 2.109
3 9.114 2.352 2.656
4 11.141 1.680 2.104
Nota: Las observaciones están a nivel cantón-subsector que conforman cada clúster. Fuente: (2023).
Según K-means (ver Figura 9), el clúster 0, denominado base manufacturera tradicio-
nal extensiva, presenta la productividad laboral más baja del sistema, equivalente a
12.600 por trabajador, con niveles moderados de especialización y diversidad
sectorial. Su subsector principal es la fabricación de prendas de vestir. Este perl,
extensamente distribuido por todo el país, sugiere la persistencia de trayectorias
productivas históricas que no logran traducir su especialización en ventajas com-
petitivas. Un caso paradigmático es el cantón Antonio Ante, cuya industria textil ha
desarrollado una identidad productiva persistente en el tiempo (Arghoty, 2013), ree-
jando lo que Boschma (2015) dene como «especialización institucionalizada»: una
dependencia histórica de un sector que refuerza la estabilidad del sistema, pero tam-
bién limita su capacidad adaptativa. Desde la perspectiva de política pública, estos
cantones requerirían intervenciones orientadas a la modernización tecnológica y la
cualicación del capital humano, más que a reforzar la especialización existente.
Juan González
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-3332 91
Figura 9. Clústers K-means: productividad laboral, especialización relativa y diversidad sectorial
Nota: La lista completa de cantones que conforman cada clúster se detalla en la Tabla 4. Elaborado en Python 3.12.4. Fuente:
(2023).
Tabla 4. Clusterización K-means por cantones, Ecuador año 2023
0Girón; Gualaceo; San Fernando; Santa Isabel; Chillanes; Chimbo; San Miguel; Caluma; Biblián;
La Troncal; El Tambo; Déleg; Tulcán; Bolívar; Espejo; Montúfar; San Pedro de Huaca; La Maná;
Pujilí; Saquisilí; Sigchos; Alausí; Guamote; Penipe; Arenillas; Pasaje; Piñas; Zaruma; Esmeral-
das; Balzar; El Triunfo; Naranjal; Naranjito; Pedro Carbo; Playas; Coronel Marcelino Maridueña;
General Antonio Elizalde; Antonio Ante; Cotacachi; Pimampiro; San Miguel de Urcuqui; Loja;
Calvas; Catamayo; Célica; Macará; Paltas; Zapotillo; Montalvo; Quevedo; Vinces; Buena Fé; Mo-
cache; Bolívar; Jipijapa; Junín; Rocafuerte; Sucre; Pedernales; Puerto López; San Vicente; Gua-
laquiza; Limón Indanza; Palora; Santiago; Tena; Quijos; Pastaza; Pedro Moncayo; Puerto Quito;
Baños de Agua Santa; Cevallos; Patate; San Pedro de Pelileo; Tisaleo; Chinchipe; Isabela; Gonzalo
Pizarro; Cascales; La Joya de los Sachas; La Concordia; La Libertad.
1 Cuenca; Azogues; Guano; Machala; Guayaquil; Daule; Nobol; Otavalo; Morona; Quito; Rumi-
ñahui; Ambato; Zamora; Yanzatza; El Pangui; San Cristóbal; Santa Cruz; Lago Agrio; Shushun-
di; Santo Domingo.
2Pucara; Mira; Chunchi; Atacames; Rioverde; Balao; Simón Bolívar; Chaguarpamba; Espíndola; Qui-
langa; Flavio Alfaro; Pichincha; Tosagua; 24 de Mayo; Huamboya; Yacuambí; Putumayo; Cuyabeno.
La productividad en el sector manufacturero ecuatoriano: una exploración espacial con machine learning
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-333292
3Paute; Sigsig; Chordeleg; Camilo Ponce Enríquez; Echeandía; Cañar; Latacunga; Pangua; Salcedo;
Riobamba; Colta, Chambo; Pallatanga; Cumandá; Atahualpa; Balsas; El Guabo; ; Huaquillas; Mar-
cabelí; Portovelo; Santa Rosa; Quinindé; San Lorenzo; Alfredo Baquerizo Moreno (Juján); Colimes;
Durán; El Empalme; Milagro; Palestina: Samborondón; Santa Lucía; Salitre (Urbina Jado); San
Jacinto de Yaguachi; Lomas de Sargentillo; Ibarra; Gonzanamá; Puyango; Saraguro; Pindal; Ba-
bahoyo; Puebloviejo; Urdaneta; Ventanas; Valencia; Quinsaloma; Portoviejo; Chone; El Carmen;
Manta; Montecristi; Paján; Santa Ana; Jama; Jaramijó; Sucúa; Archidona; El chaco; Carlos Julio
Arosemena Tola; Mera; Cayambe; Mejía; San Miguel de los Bancos; Pedro Vicente Maldonado;
Mocha; Quero; Santiago de Píllaro; Centinela del Cóndor; Orellana; Loreto; Santa Elena; Salinas
Fuente: REEM (2023).
El clúster 1, denominado núcleos dinámicos diversos, exhibe productividad laboral
promedio de 54.000, diversidad sectorial alta y una especialización relativa
cercana a la media nacional. El subsector referente a reparación e instalación de
maquinaria y equipo, sugiere una orientación hacia actividades de mayor contenido
tecnológico. Su concentración espacial en las principales ciudades —Quito, Gua-
yaquil, Cuenca, Ambato y Santo Domingo— sugiere una posible asociación entre
diversidad sectorial y alta productividad en regiones con alta densidad poblacional,
patrón consistente a lo que Jacobs (1969) describe como economías de urbaniza-
ción, aunque el diseño del estudio no permite establecer relaciones causales. La
evidencia para Guayaquil conrma este patrón, al registrar avances en inversión,
modernización productiva y empleo formal asociados a empresas con alta capaci-
dad de absorción tecnológica (Rendón et al., 2025). Este dinamismo no es casual,
en regiones europeas estos efectos son más intensos cuando existe variedad rela-
cionada, es decir, sectores diversos con bases de conocimiento anes (Frenken et
al., 2007), lo que sustenta el enfoque de especialización inteligente para identicar
nichos de diversicación vinculados a capacidades existentes (McCann y Ortega,
2013). Para este grupo, las políticas deberían orientarse a fortalecer los encadena-
mientos productivos y la innovación, aprovechando la diversidad sectorial como
activo para la generación de conocimiento intersectorial.
El clúster 2, titulado enclaves hiperespecializados, constituye el caso más extremo
de especialización relativa, en elaboración de bebidas, el más alto registrado. Sin
embargo, su productividad, de 29.500 por trabajador es inferior a la de los clús-
teres 1 y 3, y su diversidad sectorial es la más baja. Este clúster ilustra un patrón
donde la alta especialización relativa no garantiza por sí sola mayores niveles de e-
ciencia. Espacialmente dispersos, estos territorios corresponden a lo que Phelps et
al. (2015) denominan «enclaves tradicionales», donde el debilitamiento de las eco-
nomías de localización y la escueta capacidad de innovación generan vulnerabilidad
frente a cambios tecnológicos. Estos resultados concuerdan con Torres-Gutiérrez et
al. (2019), quienes destacan que los cantones ecuatorianos tienden a especializarse
en actividades con gran arraigo regional, aunque dicha especialización no siempre
se traduce en ventajas productivas sostenidas. Frente a este escenario, la política
pública no debería reforzar la especialización existente, sino orientar una recon-
versión productiva que diversique las fuentes de empleo y promueva la transición
hacia actividades con mayor contenido tecnológico (Kiesel y Dannenberg, 2023).
Por último, el clúster 3, designado núcleo productivo eciente equilibrado, regis-
tra la productividad laboral más alta, equivalente a 89.000. A su vez, compagina
Juan González
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-3332 93
niveles intermedios de especialización y diversidad sectorial, con predominio del
subsector de elaboración de alimentos. Su localización en cantones próximos a las
principales urbes sugiriere la existencia de micro aglomeraciones exibles (Pike et
al., 2017), capaces de alcanzar altos niveles de eciencia a través de procesos de inno-
vación adaptativa y aprovechamiento de nichos de mercado especícos. Este patrón
es consistente con el concepto de borrowed size, según el cual regiones intermedias
aledañas a sistemas urbanos mayores pueden beneciarse de economías de escala,
acceso a mercados y ujos de conocimiento sin asumir plenamente costos de conges-
tión (Meijers y Burger, 2017). En términos de política, estos casos requieren fortalecer
capacidades institucionales locales y conectividad territorial, aprovechando sus ven-
tajas espaciales, evitando que estos espacios dinámicos permanezcan aislados.
Finalmente, la representación espacial de la clusterización jerárquica (ver Figura
10) desagrega estos perles con mayor nivel de detalle. Destaca particularmente el
clúster jerárquico 1, con la especialización relativa más alta en el subsector otras
industrias manufactureras y la productividad laboral más baja, aproximadamente
15.500. Este caso atípico, con apenas dos observaciones en un cantón, resulta
inadvertido para K-means por su escaso peso relativo, pero ejemplica situaciones
de clúster extremo que pueden requerir atención política especíca. Asimismo, los
clústeres jerárquicos 0 y 4 desagregan un perl de alta productividad en dos varian-
tes: una con alta diversidad y otra con baja diversidad, revelando la coexistencia de
trayectorias diferenciadas. Este nivel de detalle presentado por el jerárquico no inva-
lida a K-means, sino que la complementa: la concordancia moderada entre ambos
métodos indica que, pese a sus diferencias, capturan estructuras subyacentes comu-
nes, ofreciendo perspectivas igualmente válidas sobre una misma realidad compleja.
Figura 10. Clústers jerárquicos: productividad laboral, especialización relativa y diversidad sectorial
Nota: La lista completa de cantones que conforman cada clúster se detalla en la Tabla 5. Elaborado en Python 3.12.4. Fuente: (2023).
La productividad en el sector manufacturero ecuatoriano: una exploración espacial con machine learning
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-333294
Tabla 5. Clusterización jerárquica por cantones, Ecuador año 2023
Clúster Cantones
0
Cuenca; Azogues; Guano; Machala; Guayaquil; Daule; Nobol; Otavalo, Morona; Gualaquiza; Quito;
Cayambe; Rumiñahui; Ambato; Zamora; Yanzatza; El pangui; San Cristóbal; Santa Cruz; Lago
Agrio; Shushundi; Loreto; Santo Domingo.
1Chaguarpamba.
2
Pucara; Chimbo; Mira; Pangua; Sigchos; Chunchi; Atacames; Rioverde; Balao; Simón Bolívar; Es-
píndola; Zapotillo; Mocache; Tosagua; 24 de Mayo; Huamboya; El chaco; Carlos Julio Arosemena
Tola; Yacuambí; Isabela; Gonzalo Pizarro; Putumayo; Cascales; Cuyabeno.
3
Girón; Gualaceo; San Fernando; San Miguel; Caluma; La Troncal; El Tambo; Tulcán, Bolívar,
Espejo; La Maná; Pujilí; Saquisilí, Guamote, Penipe; Arenillas; Pasaje; Piñas; Zaruma; Esmeraldas;
Balzar; Naranjito; Playas; Coronel Marcelino Maridueña; General Antonio Elizalde; Cotacachi; San
Miguel de Urcuquí; Calvas; Catamayo; Célica; Macará; Paltas; Quilanga; Vinces; Bolívar; Flavio
Alfaro; Jipijapa; Junín; Pichincha; Rocafuerte; Sucre; Pedernales; Limón Indanza; Palora; Tena;
Pedro Moncayo; Puerto Quito; Baños de Agua Santa; Patate; Chinchipe; La Joya de los Sachas.
4
Paute; Santa Isabel; Sigsig; Chordeleg; Camilo Ponce Enríquez; Guaranda; Chillanes; Echeandía;
Biblián; Cañar; Déleg; Montúfar; San Pedro de Huaca; Latacunga; Salcedo; Riobamba; Alausí; Col-
ta; Chambo; Pallatanga; Cumandá; Atahualpa; Balsas; El Guabo; Huaquillas; Marcabelí; Portovelo;
Santa Rosa; Quinindé; San Lorenzo; Alfredo Baquerizo Moreno (Juján); Colimes; Durán; El Empal-
me; El Triunfo; Milagro; Naranjal; Palestina; Pedro Carbo; Samborondón; Santa Lucía; Salitre (Ur-
bina Jado); San Jacinto de Yaguachi; Lomas de Sargentillo; Ibarra; Antonio Ante; Pimampiro; Loja;
Gonzanamá; Puyango; Saraguro; Pindal; Babahoyo; Montalvo; Puebloviejo; Quevedo; Urdaneta;
Ventanas; Buena Fé; Valencia; Quinsaloma; Portoviejo; Chone; El Carmen; Manta; Montecristi;
Paján; Santa Ana; Puerto López; Jama; Jaramijó; San Vicente; Santiago; Sucúa; Archidona; Quijos;
Pastaza; Mera; Mejía; San Miguel de los Bancos; Pedro Vicente Maldonado; Cevallos; Mocha; Que-
ro; San Pedro de Pelileo; Santiago de Píllaro; Tisaleo; Centinela del Cóndor; Orellana; La Concor-
dia; Santa Elena; La Libertad; Salinas
Fuente: REEM (2023)
En este punto, conviene retomar la advertencia de Wolman y Hincapie (2015),
donde el enfoque de clústeres no debe entenderse como un conjunto de políticas
prescriptivas, sino como una lente analítica que permite examinar las economías
regionales de forma más integrada, superando la visión tradicional de sectores ais-
lados. Bajo esta perspectiva, la discusión presentada constituye precisamente ese
lente: una herramienta que permite comprender la complejidad territorial, sobre la
cual pueden articularse, con mayor sentido y ecacia, políticas de desarrollo econó-
mico más tradicionales pero focalizadas territorialmente.
CONCLUSIONES
La presente investigación utilizó técnicas de aprendizaje automático no super-
visado para explorar y caracterizar la distribución espacial de la productividad
Juan González
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-3332 95
manufacturera ecuatoriana a nivel cantonal. La aplicación de los algoritmos K-means
y clusterización jerárquica, permitió identicar cuatro perles productivos: base
manufacturera tradicional extensiva, núcleos dinámicos diversos, enclaves hiperes-
pecializados y núcleo productivo eciente equilibrado; cuya validez fue respaldada
por análisis de estabilidad por semillas, pureza cantonal y consistencia entre méto-
dos. Los hallazgos revelan que la relación entre aglomeración y productividad
en Ecuador no responde a patrones únicos, sino a conguraciones territoriales
heterogéneas donde especialización y diversidad interactúan de manera diferen-
ciada. La principal contribución de este trabajo radica en ofrecer una clasicación
empírica robusta que pueda orientar al diseño de políticas públicas industriales
territorialmente diferenciadas. Más que establecer relaciones causales, el análisis
proporciona un marco interpretativo que permite alinear estrategias de desarrollo
con las capacidades y trayectorias productivas de cada territorio, demostrando el
potencial del aprendizaje no supervisado como herramienta para fortalecer la pla-
nicación pública basada en evidencia.
No obstante, existen limitaciones que deben considerarse. Su carácter transver-
sal, restringido al año 2023, impide capturar dinámicas temporales o trayectorias
de cambio. Asimismo, al tratarse de ejercicio descriptivo, los clústers identicados
no deben interpretarse como evidencia causal, especialmente ante la ausencia de
covariables como: tamaño empresarial, capital físico, nivel educativo, inversión,
infraestructura o factores institucionales. Finalmente, aunque el nivel cantón-sub-
sector permite capturar heterogeneidad intracantonal, puede omitir dinámicas
regionales y efectos de vecindad que trascienden los límites tratados aquí.
Futuras líneas de investigación podrían incorporar modelos econométricos
espaciales con variable de control para identicar los determinantes de la pertenen-
cia a cada clúster. Asimismo, enfoques de redes productivas y técnicas de densidad
espacial permitirían explorar encadenamientos e interacciones territoriales más
especícas. En conjunto, estos avances permitirían profundizar en la comprensión
de las dinámicas productivas territoriales y orientar política basada en evidencias
que promueva un desarrollo sostenible.
NOTAS
1 De los 221 cantones del país, 29 no registran actividad manufacturera formal en el 2023 y fueron excluidos. Los 192 can-
tones restantes conforman la base efectiva para las 1242 observaciones cantón-subsector con empleo positivo. Esta depuración
es necesaria para garantizar el correcto cálculo de los indicadores de productividad, especialización y diversidad, evitando la
división entre cero o la inclusión de estructuras productivas inexistentes que distorsionarían los resultados.
2 Es criterio examina los incrementos sucesivos en la altura del dendrograma para identicar saltos abruptos que indican la
unión de conglomerados relativamente heterogéneos. La determinación del número óptimo de clústers suele ubicarse inme-
diatamente antes del mayor incremento en la distancia (Milligan y Cooper, 1985)
3
Compara la altura de cada fusión con el promedio y la desviación estándar de fusiones previas en el mismo subárbol, per-
mitiendo detectar uniones estructuralmente inestables. Valores elevados sugieren agregaciones entre grupos internamente
disímiles (Murtagh y Contreras, 2011).
4 Corrige el efecto del azar mediante un ajuste basado en el valor esperado bajo independencia de los clústers. El índice toma
valores entre -1 y 1, donde 1 indica acuerdo perfecto, 0 representa el nivel de concordancia esperado por azar, y valores nega-
tivos señalan acuerdos menores a los esperados aleatoriamente (Albuquerque et al., 2016).
La productividad en el sector manufacturero ecuatoriano: una exploración espacial con machine learning
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-333296
REFERENCIAS
Acosta, A. (2012). Breve historia económica del Ecuador. Corporación Editora Nacional.
Albuquerque, M., Nunes de Oliveira, K., Fernándes, J. and Caraciolo, R. (2016).
Determination and validation of group numbers in a cluster analysis: A case
study applied to forestry science. Acta Scientiarum. Technology, 38(3), 339-344.
Alpaydin, E. (2020). Introduction to machine learning. The Press.
Amara, M. and Thabet, K. (2019). Firm and regional factors of productivity: a mul-
tilevel analysis of Tunisian manufacturing. Annals of Regional Science, 63(1),
25-51. https://doi.org/10.1007/S00168-019-00918-//12
Arghoty, A. (2013). Nivel de utilización de tecnologías de información y comunica-
ción () en las pymes de Atuntaqui. En H. Jácome y K. King (Eds.), Estudios
industriales de la micro, pequeña y mediana empresa (pp. 248-299). Flacso, Sede
Ecuador y Ministerio de Industrias y Productividad.
Arrow, K. (1962). The economic implications of learning by doing. The Review of Eco-
nomic Studies, 29(3), 155-173. https://doi.org/10.2307/2295952.
Balland, P., Boschma, R., Crespo, J. and Rigby, D. (2019). Smart specialization policy in
the European Union: relatedness, knowledge complexity and regional diversica-
tion. Regional Studies, 53(9), 1252-1268. https://doi.org/10.1080/00343404.2018.1437900
Balland, P., Broekel, T., Diodato, D., Giuliani, E., Hausmann R., O’Clery, N. and
Rigby, D. (2022). The new paradigm of economic complexity. Research Policy,
51(3), 104-450. https://doi.org/10.1016/j.respol.2021.104450
Beaudry, C. y Schiauerova, A. (2009). Who’s right, Marshall or Jacobs? The localiza-
tion versus urbanization debate. Research Policy, 38(2), 318-337.
Boschma, R. (2015). Towards an evolutionary perspective on regional resilience.
Regional Studies, 49(5), 733-751.
Cepal. (2024). Anuario Estadístico de América Latina y el Caribe 2024/ Statistical Year-
book for Latin America and The Caribbean 2024. https://repositorio.cepal.org/
server/api/core/bitstreams/9e2080ce-41d9-4d2d-9386-fb4a1f13a071/content
Cerulli, G. (2023). Fundamentals of supervised machine learning: with applications in
Python, R and Stata. Springer Cham.
Cimoli, M., Dosi, G. and Stiglitz J.E. (Eds). (2009). Industrial policy and development:
The political economy of capabilities accumulation. Oxford University Press.
Combes, P. and Gobillon, L. (2015). The Empirics of Agglomeration Economies. En
G. Duranton, J. Henderson y W. Strange (Eds.), Handbook of Regional and Urban
Economics 5 (pp. 247-348). Elsevier.
Creamer, C. (2022). Estado e industrialización en el Ecuador, 1948-2021. rira, 7(1),
57-122. https://doi.org/10.18800/revistaira.202201.003
Cui, Y., Niu, Y., Ren, Y., Zhang, S. and Zhao, L. (2024). A model to analyze indus-
trial clusters to measure land use eciency in China. Land, 13(7). https://doi.
org/10.3390/land13071070
Duranton, G. and Puga, D. (2001). Nursery cities: urban diversity, process innova-
tion, and the life cycle of products. American Economic Review, 91(5), 1454-1477.
Dvouletý, O. and Blažková, I. (2021). Exploring rm-level and sectoral variation in
total factor productivity (). International Journal of Entrepreneurial Behaviour
& Research, 27(6), 1526-1547. https://doi.org/10.1108/IJEBR-11-2020-0744
Juan González
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-3332 97
Fracasso, A. and Vittucci Marzetti, G. (2018). Estimating dynamic localization econo-
mies: the inadvertent success of the specialization index and the location quotient.
Regional Studies, 52(1), 119-132. https://doi.org/10.1080/00343404.2017.1281388
Frenken, K., Van Oort, F. and Verburg, T. (2007). Related Variety, unrelated variety
and regional economic growth. Regional Studies, 41(5), 685-697. https://doi.
org/10.1080/00343400601120296
Glaeser, E., Kallal H., Scheinkman J. and Shleifer A. (1992). Growth in cities. Jour-
nal of Political Economy, 100(6), 1126-1152. http://www.jstor.org/stable/2138829
Gonzales de Olarte, E. (2021). Economía regional y urbana: el espacio importa. Fondo
editorial Ponticia Universidad Católica del Perú.
Guevara, G. (2021). Determinants of manufacturing micro rms’ productivity in Ecua-
dor. Do industry and canton where they operate matter? Regional Science Policy
and Practice, 13(4), 1215-1248. https://doi.org/10.1111/rsp3.12399
Guevara, G., Riou, S. and Autant-Bernard, C. (2018). Agglomeration externalities in
Ecuador: do urbanization and tertiarization matter? Regional Studies, 53(5), 706-
719. https://doi.org/10.1080/00343404.2018.1470325
Horobet, A., Vrinceanu, G., Popescu, C. and Belascu, L. (2021). Business dynamics in
recovery times: a comparative perspective on manufacturing rms’ performance
in the European Union. Management Dynamics in the Knowledge Economy. 9(1), 122-
136. https://www.managementdynamics.ro/index.php/journal/article/view/404
Jacobs, J. (1969). The economies of cities. Random House.
Jagódka, M. (2025). Typication of polish regions based on human capital and inno-
vativeness: a cluster analysis approach. Transforming government: People,
Process and Police, 19(3), 614-637. https://doi.org/10.1108/TG-02-2025-0050
Kiesel, C. and Dannenberg, P. (2023). Special economic zones in the global South: between
integrated spaces and enclaves —a literature review. — Journal of the Geo-
graphical Society of Berlin, 154(1-2), 5-19. https://doi.org/10.12854/erde-2023-606
Kirilyuk, I.L. and Senko, O. V. (2020). Assessing the validity of clustering of panel
data by Monte Carlo methods (using as example the data of the Russian regional
economy). Computer Research and Modeling, 12(6), 1501-1513.
Kopczewska, K. (2022). Spatial machine learning: new opportunities for regional science.
The Annals of Regional Science, 68, 713-755. https://doi.org/10.1007/s00168-021-01101-x
Lavoratori, K. and Castellani, D. (2021). Too close for comfort? Microgeography of
agglomeration economies in the United Kingdom. Regional Science, 61(5), 1002-
1028. https://doi.org/10.1111/jors.12531
Lin, H., Li, Y. and Yang, C. (2011). Agglomeration and productivity: Firm-level evi-
dence from China’s textile industry. China Economic Review, 22(3), 313-329.
https://doi.org/10.1016/j.chieco.2011.03.003
Marshall, A. (1890). Principles of Economics. Macmillan.
Martínez-Victoria, M., Maté-Sánchez, M. and Lansink, A. (2017). Spatial determinants of
productivity growth on agri-food Spanish rms: a comparison between cooperatives
and investor-owned rms: a comparison between cooperatives and investor-ow-
ned rms. Agricultural Economics, 49(2), 213-223. https://doi.org/10.1111/agec.12410
Matute, K. y Muñoz, E. (2024). Análisis multivariante de factores socioeconómicos
en pymes: modelos de regresión machine learning. Universidad, Ciencia y Tecno-
logía, 28(125), 142-152. https://doi.org/10.47460/uct.v28i125.864
La productividad en el sector manufacturero ecuatoriano: una exploración espacial con machine learning
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-333298
McCann, P. and Ortega, R. (2015). Smart specialization, regional growth and appli-
cations to European Union cohesion policy. Regional Studies, 49(8), 1291-1302.
https://doi.org/10.1080/00343404.2013.799769
Meijers, E. and Burger, M. (2017). Stretching the concept of ‘borrowed size’. Urban
Studies, 54(1), 269-291.
Milligan, G. and Cooper, M. (1985). An examination of procedures for determining
the number of clusters in a data set. Psychometrika 50, 159-179.
Ministerio de Producción, Comercio Exterior, Inversiones y Pesca. (2023). Bole-
tín de cifras del sector productivo, diciembre 2023. Gobierno de Ecuador https://
www.produccion.gob.ec/wp-content/uploads/2023/12/Boletin-Cifras-Producti-
vas-DIC-2023.pdf
Ministerio de Producción, Comercio Exterior, Inversiones y Pesca. (2024). Boletín de
cifras del sector productivo, diciembre 2024. Gobierno de Ecuador https://www.pro-
duccion.gob.ec/wp-content/uploads/2024/12/VFBoletinProduccion-DIC2024.pdf
Müller, A. and Guido, S. (2017). Introduction to machine learning with Python. Sebas-
topol: O’Reilly.
Murtagh, F. and Contreras, P. (2011). Algorithms for hierarchical clustering: an
overview. WIREs Data Mining Knowl Discov.
Nakamura, R. and Morrison Paul, C. (2019). Measuring agglomeration. In R. Capello
y P. Nijkamp (Eds.), Handbook of Regional Growth and Development Theories (2.ª
ed., pp. 389-412). Edward Elgar Publishing.
Phelps, N., Atienza, M. and Arias, M. (2015). Encore for the enclave: the changing
nature of the industry enclave with illustrations from the Mining Industry in
Chile. Economic Geography, 91(2), 119-146. https://doi.org/10.1111/ecge.12086
Pike, A., Rodríguez-Pose, A. and Tomaney, J. (2017). Local and Regional Development.
Routledge.
Porter, M. (2009). Clusters and economic policy: Aligning public policy with the new
economics of competition. Harvard Business School, Institute for Strategy and
Competitiveness.
Raschka, S., Liu, Y. and Mirjalili, V. (2022). Machine learning with PyTorch and Sci-
kit-Learn. Birmingham: Packt Publishing Ltd.
Rendón, J., Pilacuan, L., Ruiz, H. and Macías, P. (2025). Technological gaps and
opportunities in urban productive sectors: The case of Guayaquil in the fra-
mework of sustainable development. E3S Web of Conferences, 658.
Rodríguez-Cruz, X. (2024). Análisis de la eciencia y rentabilidad de las empresas
manufactureras ecuatorianas: Una aplicación de algoritmos no supervisados.
Cuestiones Económicas, 34(2), 164-212, https://doi.org/10.47550/34.2.5
Romer, P. (1986). Increasing Returns and Long Run Growth. Journal of Political Eco-
nomy, 94(5), 1002-1037
Ruiz, P. (2013). Indicadores de productividad de la industria ecuatoriana. En H.
Jácome y K. King (Eds.), Estudios industriales de la micro, pequeña y mediana
empresa (pp. 45-80). Flacso y Ministerio de Industrias y Productividad.
Sanlippo, M. and Seric, A. (2015). Spillovers from agglomerations and inward :
a multilevel analysis on sub-Saharan African rms. Review of World Economics,
152, 147-176. https://doi.org/10.1007/s10290-015-0237-6
Juan González
REVISTA ECONOMÍA , mayo 2026 | pISSN | eISSN 2697-3332 99
Singh, D. (2021). Cluster space among labor productivity, urbanization, and agglome-
ration of industries in Hungary. Journal of the Knowledge Economy, 13, 1008-1027.
https://doi.org/10.1007/s13132-021-00726-9
Tao, J., Ho, C., Luo, S. and Sheng Y. (2019). Agglomeration economies in crea-
tive industries. Regional Science and Urban Economics, 77, 141-154. https://doi.
org/10.1016/j.regsciurbeco.2019.04.002
Torres-Gutiérrez, T., Correa-Quezada, R., Álvarez-García, J. and Del Río-Rama, M.
(2019). Agglomeration Economies: An Analysis of the Determinants of Employ-
ment in the Cities of Ecuador. Symmetry 2019. https://doi.org/10.3390/SYM11111421
Wang, X. and Xu, Y. (2019). An improved index for clustering validation based on Silhoue-
tte index and Calinski-Harabasz index. iop Conf Ser Mater Sci Eng. 2019; 569(5): 052024.
Ward, J. H. (1963). Hierarchical grouping to optimize an objective function. Journal
of the American Statistical Association, 58(301), 236-244.
Warrens, M. J., y Van der Hoef, H. (2022). Understanding the adjusted rand index
and other partition comparison indices based on counting object pairs. Journal
of Classication, 39, 487-509.
Wolman, H. and Hincapie, D. (2015). Clusters and Cluster-Based Development
Policy. Economic Development Quarterly, 29(2), 135-149.
Zheng, T. (2013). Measuring Agglomeration using the standardized location quotient
with a Bootstrap method. Journal of Regional Analysis & Policy, 43(2), 186-197.
Zollanvari, A. (2023). Machine learning with Python: theory and implementation. Springer.
