Pronóstico de la provisión azucarera agroindustrial en Matanzas, Cuba
Forecasting of the agro-industrial sugar provision in Matanzas, Cuba
Barra lateral del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Datos de la Publicación
Perfiles de revisores N/D
Declaraciones del autor
- Editor y consejo editorial:
- Perfiles
- Institución responsable
- Universidad de Ciencias Aplicadas UDCA
- Editora:
- Universidad de Ciencias Aplicadas y Ambientales U.D.C.A
Para obtener más información sobre un dato, haga clic
Public Facts Label - Plugín gestionado por Public Knowledge Project
Contenido principal del artículo
Resumen
El pronóstico de la provisión azucarera puede ser un instrumento fundamental en la toma de decisiones y en el manejo inteligente de recursos para contribuir con la sostenibilidad de la agroindustria azucarera. Para ello, en el presente trabajo se abordó, como caso de estudio, el análisis del registro histórico del procesamiento industrial de la caña de azúcar en el municipio Calimete, provincia Matanzas, Cuba. Se consideró, en el período de 2004 a 2021, a los kilogramos de azúcar por toneladas de tallos molidos, como indicador de provisión azucarera y se ajustó un modelo ARIMA estacional, con una escala trimestral. El modelo cumplió con los criterios de diagnóstico y de validación. A través del análisis de series de tiempo, se pudo pronosticar el indicador de provisión azucarera, a partir de su comportamiento histórico, lo que puede contribuir a la prevención o mitigación de escenarios futuros no deseados.
Palabras clave:
Descargas
Detalles del artículo
Referencias (VER)
ADHIKARI, K.; HARTEMINK, A. 2016. Linking soils to ecosystem services. A global review. Geoderma. 262:101-111. http://dx.doi.org/10.1016/j.geoderma.2015.08.009. DOI: https://doi.org/10.1016/j.geoderma.2015.08.009
ALONSO, A. 2021. La predicción de series temporales mediante el modelo de regresión. Anuario Jurídico y Económico Escurialense. 54:261-280. DOI: https://doi.org/10.54571/ajee.480
AMARIS, G.; ÁVILA, H.; GUERRERO, T. 2017. Aplicación de modelo ARIMA para el análisis de series de volúmenes anuales en el río Magdalena. Revista Tecnura. 21(52):88-101. http://dx.doi.org/10.14483/udistrital.jour.tecnura.2017.2.a07 DOI: https://doi.org/10.14483/10.14483/udistrital.jour.tecnura.2017.2.a07
BURKHARD, B.; MAES, J. 2017. Mapping Ecosystem Services. Pensoft Publishers. Sofia. Bulgaria. 365p. DOI: https://doi.org/10.3897/ab.e12837
CABRERA MILANÉS, A.; DE LA CRUZ RIVADENEIRA, O.; GÓMEZ AVILÉS, B.; RODRÍGUEZ BETANCOURT, R. 2015. Integración de métodos estadísticos y económicos para la gestión en el proceso industrial cubano del azúcar de caña. Caso de estudio. Revista Técnica de la Facultad de Ingeniería Universidad de Zulia. 38(3):209-215.
CHIANG GONZÁLEZ, J.; GONZÁLEZ MORALES, V.M.; REYES SÁNCHEZ, Y.; MIÑO VALDÉS, J. 2018. Influencia de las variedades de caña sobre la eficiencia industrial en la fábrica “14 de julio de Cienfuegos. Centro Azúcar. 45:41-49.
CONTRERAS JUÁREZ, A.; ATZIRY ZUÑIGA, C.; MARTÍNEZ FLORES, J.; SÁNCHEZ PARTIDA, D. 2016. Análisis de series de tiempo en el pronóstico de la demanda de almacenamiento de productos perecederos. Estudios Gerenciales. 32:387-396. https://doi.org/10.1016/j.estger.2016.11.002 DOI: https://doi.org/10.1016/j.estger.2016.11.002
COSTANZA, R.; D’ARGE, R.; DE GROOT, R.S.; FARBER, S.; GRASSO, M.; HANNON, B.; LIMBURG, K.; NAEEM, S.; O’NEILL, R.; PARUELO, J.; RASKIN, R.G.; SUTTON, P.; VAN DEN BELT, M. 1997. The Value of the World’s Ecosystem Services and Natural Capital. Nature. 387:253-260. http://doi.org/10.1038/387253a0 DOI: https://doi.org/10.1038/387253a0
DE GROOT, R.; BRAAT, L.; COSTANZA, R. 2017. A short history of the ecosystem services concept. En: Burkhard, M. (eds.) Mapping ecosystem services. Pensoft Publishers. Sofia, Bulgaria. p.31-34.
DELGADILLO-RUIZ, O.; RAMÍREZ-MORENO, P.P.; LEOS-RODRÍGUEZ, J.; SALAS GONZÁLEZ, J.M.; VALDEZ-CEPEDA, R.D. 2016. Pronósticos y series de tiempo de rendimientos de granos básicos en México. Acta Universitaria. 26(3). http://doi.org/10.15174/au.2016.882 DOI: https://doi.org/10.15174/au.2016.882
FERREIRA BOCCA, F.; ANTUNES RODRIGUES, L.H.; MODESTO ARRAES, N.A.M. 2015. When do I want to know and why? Different demands on sugarcane yield predictions. Agricultural Systems. 135:48–56. http://dx.doi.org/10.1016/j.agsy.2014.11.008 DOI: https://doi.org/10.1016/j.agsy.2014.11.008
GARCÍA, Y.; GONZÁLEZ, L.Y.; CABRERA, J.A. 2022. Aplicaciones de aprendizaje automático para el análisis industrial de la provisión azucarera en Matanzas, Cuba. Revista U.D.C.A Actualidad & Divulgación Científica 25(2):e2334. http://doi.org/10.31910/rudca.v25.n2.2022.2334 DOI: https://doi.org/10.31910/rudca.v25.n2.2022.2334
GIL, V. 2016. Pronóstico de la demanda mensual de electricidad con series de tiempo. Revista EIA. 13 (26):111-120. https://doi.org/10.24050/reia.v13i26.749 DOI: https://doi.org/10.24050/reia.v13i26.749
GRUNEWALD, K.; BASTIAN, O.; SYRBE, R.-U. 2015. Space and time aspects of ES. En: Grunewald, K.; Bastian, O. (Eds.) Ecosystem Services - Concept, Methods and Case Studies p.53-65. Berlin (Germany): Springer. http://doi.org/10.1007/978-3-662-44143-5 DOI: https://doi.org/10.1007/978-3-662-44143-5
HASSAN, Z.; SIRAJ-UD-DOULAH; HASAN, K. 2019. Forecasting the production of sugar cane based on time series models in Bangladesh. Bulletin of mathematics and statistics research. 7(4):24-32.
HYNDMAN, R.; ATHANASOPOULOS, G.; BERGMEIR, C.; CACERES, G.; CHHAY, L.; O'HARA-WILD, M.; PETROPOULOS, F.; RAZBASH, S.; WANG, E.; YASMEEN, F. 2018. Forecast: Forecasting functions for time series and linear models. R package version 8.4. Disponible desde Internet en: https://CRAN.R-project.org/package=forecast
ISTIFANUS, B.; EZEKIEL, A.M.; EZEANYA, N.C.; GAGARE, H.U. 2018. Prediction of sugar yield from sugar cane using process modelling. International Journal of Research in Engineering and Technology. 07(06). https://doi.org/10.15623/ijret.2018.0706009 DOI: https://doi.org/10.15623/ijret.2018.0706009
KRISPIN, R. 2019. Hands-on time series analysis with R: Perform time series analysis and forecasting using R. Packt Publishing. Birmingham, Inglaterra. 448p. DOI: https://doi.org/10.32614/CRAN.package.TSstudio
KRISPIN, R. 2020. TSstudio: functions for time series analysis and forecasting. R package version 0.1.6. Disponible desde Internet en: https://CRAN.R-project.org/package=TSstudio
LUIS-ROJAS, S.; GARCÍA-SÁNCHEZ, R.; GARCÍA-MATA, R.; ARANA-CORONADO, O.; GONZÁLEZ-ESTRADA, A. 2019. Metodología Box - Jenkins para pronosticar los precios de huevo blanco pagados al productor en México. Agrociencia. 53(6): 911-925.
MANLEY, K.; NYELELE, C.; EGOH, B.N. 2022. A review of machine learning and big data applications in addressing ecosystem service research gaps. Ecosystem Services. 57:101478. https://doi.org/10.1016/j.ecoser.2022.101478 DOI: https://doi.org/10.1016/j.ecoser.2022.101478
MCGREE, S.; SCHREIDER, S.; KULESHOV, Y.; PRAKASH, B. 2020. On the use of mean and extreme climate indices to predict sugar yield in western Fiji. Weather and Climate Extremes. 29:100271. https://doi.org/10.1016/j.wace.2020.100271 DOI: https://doi.org/10.1016/j.wace.2020.100271
MONTES PÁEZ, E.G.; CALVETE GONZÁLEZ E.E.; ALFONSO, C. 2016. Aplicación de series de tiempo en la realización de pronósticos de producción. Revista Fuentes. 14(1):79-88. https://doi.org/10.18273/revfue.v14n1-2016007 DOI: https://doi.org/10.18273/revfue.v14n1-2016007
MWANGA, D.; ONG’ALA, J.; ORWA, G. 2017. Modeling sugarcane yields in the Kenya sugar industry: A SARIMA Model Forecasting Approach. International Journal of Statistics and Applications. 7(6):280-288. http://doi.org/10.5923/j.statistics.20170706.02
OLIVENCIA POLO, F.; FERRERO BERMEJO, J.; GÓMEZ FERNÁNDEZ, J.F.; CRESPO MÁRQUEZ, A. 2020. Failure Mode Prediction and Energy Forecasting of PV Plants to Assist Maintenance Task by ANN Based Models. In: A. Márquez et al. (eds.), Value Based and Intelligent Asset Management p.187-209. Switzerland: Springer. https://doi.org/10.1007/978-3-030-20704-5_9 DOI: https://doi.org/10.1007/978-3-030-20704-5_9
R CORE TEAM. 2019. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria. Disponible desde Internet en: https://www.R-project.org/
RAMASUBRAMANIAN, K.; SINGH, A. 2019. Machine learning using R: With time series and industry-based use cases in R. Second Edition. Springer. New York, USA. https://doi.org/10.1007/978-1-4842-4215-5 DOI: https://doi.org/10.1007/978-1-4842-4215-5
RINCÓN-RUÍZ, A.; ECHEVERRY-DUQUE, M.; PIÑEROS, A.M.; TAPIA, C.H.; DAVID, A.; ARIAS-ARÉVALO, P.; ZULUAGA, P.A. 2014. Valoración integral de la biodiversidad y los servicios ecosistémicos: Aspectos conceptuales y metodológicos. Instituto de Investigación de Recursos Biológicos Alexander von Humboldt. Bogotá, Colombia. 151p. DOI: https://doi.org/10.21068/B001.2014.311
RUIZ LÓPEZ, H.R. 2018. Pronóstico de las exportaciones del cacao ecuatoriano para el 2018 con el uso de modelos de series de tiempo. INNOVA Research Journal. 3(6):9-20. https://dialnet.unirioja.es/servlet/articulo?codigo=6778620 DOI: https://doi.org/10.33890/innova.v3.n6.2018.713
SANJEEV, VERMA, U.; TONK, M. 2015. Time-series modelling for sugarcane yield estimation in Haryana. International Journal of Applied Mathematics and Statistical Sciences (IJAMSS). 4(6):53-62.
SCHMITZ, A.; ZHANG, F. 2019. The Dynamics of sugarcane and sugar yields in Florida: 1950–2018. Crop science. 59:1880-1886. https://doi.org/10.2135/cropsci2018.11.0674 DOI: https://doi.org/10.2135/cropsci2018.11.0674
WAWERU, P.; BURKHARD, B.; MULLER F. 2016. A review of studies on ecosystem services in Africa. International Journal of Sustainable Built Environment. 5:225-245. http://dx.doi.org/10.1016/j.ijsbe.2016.08.005 DOI: https://doi.org/10.1016/j.ijsbe.2016.08.005