Predicting Exporters with Machine Learning

Auteurs : Francesca Micocci, Armando Rungi

Licence : CC BY-NC-ND 4.0

Résumé : In this contribution, we exploit machine learning techniques to evaluate whether and how close firms are to becoming successful exporters. First, we train and test various algorithms using financial information on both exporters and non-exporters in France in 2010-2018. Thus, we show that we are able to predict the distance of non-exporters from export status. In particular, we find that a Bayesian Additive Regression Tree with Missingness In Attributes (BART-MIA) performs better than other techniques with an accuracy of up to 0.90. Predictions are robust to changes in definitions of exporters and in the presence of discontinuous exporting activity. Eventually, we discuss how our exporting scores can be helpful for trade promotion, trade credit, and assessing aggregate trade potential. For example, back-of-the-envelope estimates show that a representative firm with just below-average exporting scores needs up to 44% more cash resources and up to 2.5 times more capital to get to foreign markets.

Soumis à arXiv le 06 Jul. 2021

Explorez l'arbre d'article

Cliquez sur les nœuds de l'arborescence pour être redirigé vers un article donné et accéder à leurs résumés et assistant virtuel

Accédez également à nos Résumés, ou posez des questions sur cet article à notre Assistant IA.

Recherchez des articles similaires (en version bêta)

En cliquant sur le bouton ci-dessus, notre algorithme analysera tous les articles de notre base de données pour trouver le plus proche en fonction du contenu des articles complets et pas seulement des métadonnées. Veuillez noter que cela ne fonctionne que pour les articles pour lesquels nous avons généré des résumés et que vous pouvez le réexécuter de temps en temps pour obtenir un résultat plus précis pendant que notre base de données s'agrandit.