Modelos de fluctuaciones de precios agrícolas: Estudio comparativo de frutas tropicales frescas en Colombia

• Leila Nayibe Ramírez Castañeda https://orcid.org/0000-0002-0651-0971
• Sandra Liliana Cristancho Cruz https://orcid.org/0000-0001-9799-9305
• José-Alejandro Cleves-Leguizamo https://orcid.org/0000-0001-9717-9753

DOI: https://doi.org/10.31876/rcs.v27i.37002

Palabras clave: Passifloras, pronósticos de precios, procesos estocásticos, modelos markovianos, frutas tropicales

Resumen

Los cultivos de maracuyá (Passiflora Edulis Sims F. Purpurea y F. Flavicarpa) y granadilla (Passiflora Ligularis L.) tienen gran interés económico y productivo en países tropicales, como lo evidencia el incremento sostenido del área de siembra para satisfacer la creciente demanda. Sin embargo, para minimizar los riesgos económicos de los inversionistas, se requiere adecuada planificación de los procesos productivos, estimando las oscilaciones de los precios. Precisamente, este artículo tiene como objetivo principal analizar las fluctuaciones de los precios de maracuyá y granadilla, con base en los métodos ARIMA (Autoregresive Integrated Moving Average); modelo de componentes no observados y modelos de regresión markovianos, para establecer el mejor desempeño a través de la minimización del criterio de información de Akaike. Para entender el fenómeno estocástico de la serie de tiempo de precios, se analizaron datos provenientes de estadísticas oficiales de estos cultivos en el período de observación 2011-2019. Los resultados demostraron que los modelos ARIMA explican en mejor medida y con mayor exactitud, las fluctuaciones de los precios. Se concluyó que estos modelos son una herramienta idónea para analizar el comportamiento de los precios, contribuyendo a la predicción de los mismos, información valiosa para los tomadores de decisiones.

Citas

Alonso, J. C., y Arcila, A. M. (2013). Empleo del comportamiento estacional para mejorar el pronóstico de un commodity: El caso del mercado internacional del azúcar. Estudios Gerenciales, 29(129), 406-415. https://doi.org/10.1016/j.estger.2013.11.006
Boateng, F. O., Amoah-Mensah, J., Anokye, M., Osei, L., y Dzebre, P. (2017). Modeling of Tomato prices in Ashanti Region, Ghana, using seasonal autoregressive integrated moving average model. British Journal of Mathematics & Computer Science, 20(2), 1-13. https://doi.org/10.9734/bjmcs/2017/30535
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., y Ljung, G. M. (2016). Time series analysis: Forecasting and control. John Wiley & Sons, Inc
Cleves, A., Jarma, A. D. J., y Fonseca, J. (2009). Manejo integrado del cultivo de maracuyá (Passiflora edulis f. flavicarpa). En D. Miranda, G. Fischer, C. Carranza, S. Magnitskiy, F. Casierra, W. Piedrahíta y L. E. Flórez (Eds.), Cultivo, poscosecha y comercialización de las pasifloráceas en Colombia: Maracuyá, Granadilla, Gulupa y Curuba (pp. 97-120). Sociedad Colombiana de Ciencias Hortícolas.
Cleves, J. A., Jarma, A. D. J., y Acened, G. (2012). Cultivo del maracuyá (Passiflora edulis Sims F. flavicarpa y F. purpurea L.). En G. Fischer (Ed.), Manual para el cultivo de frutales en el trópico (pp. 682-700). Editorial Produmedios.
Corporación de Abastos de Bogotá S.A. – Corabastos (2020). Histórico de precios. Corabastos. https://precios.precioscorabastos.com.co/#/
Costa, J. M., y Ruffo, A. (2019). Regímenes de inflación y dinámica de precios minoristas. Un estudio empírico para la Argentina. Revista de Economía Política de Buenos Aires, (18), 949.
Cryer, J. D., y Chan, K-S. (2008). Time series analysis with applications in R. Springer. http://dx.doi.org/10.1007/978-0-387-75959-3
Dalinina, R. (2017). Introduction to forecasting with ARIMA in R. https://www.kdnuggets.com/2017/01/datascience-introduction-forecasting-arima-r.html
Dharavath, R., y Khosla, E. (2019). Seasonal ARIMA to forecast fruits and vegetable agricultural prices. Proceedings - 2019 IEEE International Symposium on Smart Electronic Systems, ISES 2019, 47-52. https://doi.org/10.1109/iSES47678.2019.00023
Github (2020). Series temporales en castellano. Github. https://github.com/FrancisArgnR/SeriesTemporalesEnCastellano#arima-(autoregresive-integrated-moving-average)
Harvey, A. C., y Jaeger, A. (2008). Detrending, stylized facts and the business cycle. Journal of Applied Econometrics, 8(3), 231-247.
Hodrick, R. J., y Prescott, E. C. (1997). Post-War U.S. business cycles: An empirical investigation. Journal of Money, Credit and Banking, 29(1), 1-16.
Jadhav, V., Chinnappa, B. V., y Gaddi, G. M. (2017). Application of ARIMA model for forecasting agricultural prices. Journal Agricultural Science and Technology (JAST), 19(4), 981-992.
Kantanantha, N. (2007). Crop decision planning under yield and price uncertainties [doctoral thesis, Georgia Institute of Technology]. https://smartech.gatech.edu/bitstream/handle/1853/24676/kantanantha_nantachai_200708_phd.pdf
Kazaz, B. (2004). Production Planning Under Yield and Demand Uncertainty with Yield-Dependent Cost and Price. Manufacturing & Service Operations Management, 6(3), 209-224. https://doi.org/10.1287/msom.1030.0024
Lee, H., Bogner, C., Lee, S., y Koellner, T. (2016). Crop selection under price and yield fluctuation: Analysis of agro-economic time series from South Korea. Agricultural Systems, 148, 1-11. https://doi.org/10.1016/j.agsy.2016.06.003
Ljung, G. M., y Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297-303. https://doi.org/10.1093/biomet/65.2.297
Montecé, M. K., Peláez, F. R., Godoy, V. H., y Vásconez, F. del C. (2021). Sistema de producción y calidad del forraje de Moringa en Ecuador. Revista de Ciencias Sociales (Ve), XXVII(E-3), 459-470.
Pardhi, R., Singh, R., y Kumar, R. (2018). Price forecasting of Mango in Varanasi Market of Uttar Pradesh. Current Agriculture Research Journal, 6(2), 218-224. https://doi.org/10.12944/carj.6.2.12
Paredes-Garcia, W. J., Ocampo-Velázquez, R. V., Torres-Pacheco, I., y Cedillo-Jiménez, C. A. (2019). Price forecasting and span commercialization opportunities for Mexican agricultural products. Agronomy, 9(12), 826. https://doi.org/10.3390/agronomy9120826
Ramírez, L. N., González, G. P., y Cleves-Leguízamo, J-A. (2021). Mathematical modeling of climatological data to estimate passion fruit crop yield (Passiflora edulis Sims L. f Flavicarpa y f Purpurea). Revista Brasileña de Fruticultura, 43(3), e-182. https://dx.doi.org/10.1590/0100-29452021182
Ramírez, L. N., y Potes, S. (2019). Estimación del rendimiento del cultivo de Passiflora Edulis (Maracuyá) a partir de modelos estadísticos. Inventum, 14(26), 33-42. https://doi.org/10.26620/uniminuto.inventum.14.26.2019.33-42
Reddy, A. A. (2019). Price forecasting of Tomatoes. International Journal of Vegetable Science, 25(2), 176-184. https://doi.org/10.1080/19315260.2018.1495674
Sabu, K. M., y Kumar, T. K. M. (2020). Predictive analytics in agriculture: Forecasting prices of Arecanuts in Kerala. Procedia Computer Science, 171, 699-708. https://doi.org/10.1016/j.procs.2020.04.076
Schermelleh-Engel, K., Moosbrugger, H., y Müller, H. (2003). Evaluating the fit of structural equation models: Tests of significance and descriptive goodness-of-fit measures. Methods of Psychological Research, 8(2), 23-74.
Stasmodels (2020). Statsmodels v0.11.0: Statistical models, hypothesis tests, and data exploration. https://www.statsmodels.org/v0.11.0/
Urdaneta, A., y Borgucci, E. (2018). Shocks petroleros y demanda de dinero en Venezuela 1988-2017. Revista de Ciencias Sociales (Ve), XXIV(3), 108-126.
Weng, Y., Wang, X., Hua, J., Wang, H., Kang, M., y Wang, F-Y. (2019). Forecasting horticultural products price using ARIMA model and neural network based on a large-scale data set collected by web crawler. IEEE Transactions on Computational Social Systems, 6(3), 547-553. https://doi.org/10.1109/TCSS.2019.2914499
Zhang, G., Shang, J., y Li, W. (2011). Collaborative production planning of supply chain under price and demand uncertainty. European Journal of Operational Research, 215(3), 590-603. https://doi.org/10.1016/j.ejor.2011.07.007