Algoritmos de Aprendizaje Supervisado para Proyección de Ventas de Camarón Ecuatoriano con Lenguaje de Programación Python
DOI:
https://doi.org/10.29019/eyn.v13i2.996Palabras clave:
Econometría, Aprendizaje supervisado, Lenguaje de programación python, Proyección de ventas, Industria camaroneraResumen
Esta investigación desarrolla la mejor aproximación para la proyección no lineal de las ventas de una empresa camaronera que cotiza en la bolsa de valores, en contraste con las estimaciones lineales corporativas publicadas. Se parte de la búsqueda de datos a través de un FODA de la variable de interés: precio promedio del camarón ecuatoriano, identificando las variables explicativas de precios del camarón en Estados Unidos, el cambio observado del dólar frente al yuan, exportaciones ecuatorianas, importaciones estadounidenses de camarón indio, barril de crudo WTI y el índice de precios FPI™ del salmón, esto como las variables más influyentes interpretadas por el resultado de un coeficiente de determinación ajustado de 0.807. La instrumentación del modelo econométrico evalúa los indicadores estadísticos de tres algoritmos de regresión lineal de aprendizaje supervisado predictivo en el lenguaje de programación Python, siendo Ridge el modelo con menor error cuadrático medio igual a 0.274. Basándose en supuestos a cinco años con Ridge se pronostican ventas desde 2021 a 2025, correlacionando las variables ingresos históricos de la empresa camaronera versus el precio promedio del camarón mediante interpolación polinomial. Comparando ambas líneas de tendencia resultantes se demuestra que los ingresos esperados conservan un comportamiento no lineal acorde con su desempeño histórico.
Descargas
Citas
Abdel-Basset, M., Mohamed, M., & Smarandache, F. (2018). An Extension of Neutrosophic AHP-SWOT Analysis for Strategic Planning and Decision-Making. Symmetry, 10(4), 116.
Abdellatief, M., Shaaban, E.M., & Abu-Raya, K.A. (2019). Egyptian Case Study-Sales forecasting model for automotive section. 2019 International Conference on Smart Applications, Communications and Networking (SmartNets), 1-6. https://doi.org/10.1109/SmartNets48225.2019.9069751
Altaf, N., & Shah, F.A. (2021). Working Capital and Capital Structure. In Capital Structure Dynamics in Indian MSMEs. Palgrave Macmillan, Singapore. pp. 61-74.
Barchi, T., Bassetto, P., Biuk, L., Costa, L., Puchta E., Corrêa, F., Andrade, M., Kachba, Y., & Siqueira, H. (2021). Previsão do preço do açúcar: uma análise comparativa entre modelo linear e redes neurais. Resumen de presentación de la conferencia en Congresso Brasileiro de Inteligência Computacional. http://dx.doi.org/10.21528/CBIC2021-81
Britt, C., Wooditch, A., Weisburd, D., & Wilson, D. B. (2021). Advanced Statistics in Criminology and Criminal Justice. Springer, Cham. https://doi.org/10.1007/978-3-030-67738-1_2
Business Wire. (24 de febrero de 2020). Shrimp Still Dominating American Seafood Preferences, According to NFI’s Annual List. https://bit.ly/3FYV8Uj
Business Wire. (30 de abril del 2021). Global Shrimp Market Report 2021-2026: Production, Export, Import, Consumption, Countries, Species, Product Form, Size, Value Chain Analysis & Forecasts - ResearchAndMarkets.com. https://bwnews.pr/32Bg9G3
Cámara Nacional de Acuacultura del Ecuador [CNA]. (01 de febrero del 2022). Estadísticas: camarón- reporte de exportaciones ecuatorianas totales. https://bit.ly/3qNTHDC
Darski, C., Kuhl, C.P., Capp, E., & Nienov, O.H. (2020). Conceitos básicos em estatística e epidemiologia. Bioestatística quantitativa aplicada. UFRGS. pp. 17-40.
Ceder, N. (2018). The quick Python book. Simon and Schuster.
Cordero, B. (2021). Modelo de evaluación de crédito para capital de trabajo utilizando lenguaje Python aplicado a la banca pública: Caso de estudio en proyecto camaronero. Cuestiones Económicas, 31(3). https://bit.ly/3nZ3mpe
Deina, C., Do Amaral, M., Rodrigues, C., Ribeiro, M., Siquiera, H., & Trojan, F. (2–6 de septiembre de 2019). Comparação do desempenho entre modelos lineares e redes neurais para previsão do preço do café. Discurso principal en LI Simpósio Brasileiro de Pesquisa Operacional, Limera, Brasil. https://bit.ly/3ldW3YN
Dos Santos, J. A. A. (2022). Previsão do preço do café arábica: uma aplicação de redes neurais CNN-BLSTM. Research, Society and Development, 11(3), e3511326101-e3511326101.
Duchesnay, E., Lofstedt, T., & Younes, F. (2021). Statistics and Machine Learning in Python. Engineering School. Hal Open Science (hal-03038776v3). https://bit.ly/3DLPupd
ESPAE Graduate School of Management. (2018). Estudios Industriales: orientación estratégica para la toma de decisiones-Industria de Acuicultura.
Fischer, T., & Krauss, C. (2018). Deep Learning with Long Short-Term Memory Networks for Financial Market Predictions. European Journal of Operational Research, 270(2), 654-669.
Fondo Monetario Internacional [FMI]. (11 de octubre del 2021). Perspectivas de la economía mundial: la recuperación en tiempos de pandemia. https://bit.ly/3EcIOiC
Gabel, F. (10 de julio de 2019). Some Studies in Machine Learning Using the Game of Checkers [Applied Computer Science Course]. Artificial Intelligence for Games: Seminar, Heidelberg, Alemania.
García Regalado, J.O., Zavala Vinces, J., & Sánchez Giler, S. (2020). Factores determinantes en la adopción de crédito de proveedores de las pequeñas empresas manufactureras del Ecuador y su efecto en el incremento de su producción. Revista de Métodos Cuantitativos para la Economía y la Empresa, 29, 275-301. https://doi.org/10.46661/revmetodoscuanteconempresa.3866
Global Ratings. (2021a). Calificación segundo programa de papel comercial Promarisco S.A. https://bit.ly/3pdOZg3
Global Ratings. (2021b). Calificación primera emisión de obligaciones empacadora grupo Granmar S.A. Empagran. https://bit.ly/3kPtUXP
Global Ratings. (2021c). Calificación tercera emisión de obligaciones empacadora grupo Granmar S.A. Empagran. https://bit.ly/3I4hF43
Gordillo, J., López, M., Guevara, M., & Pérez, J. (13 de marzo de 2022). Análisis del comportamiento de las exportaciones ecuatorianas de camarón pertenecientes al sector acuacultura antes y después del COVID-19 periodo marzo 2019-febrero 2020 y marzo 2020-febrero2021. Análisis de coyuntura de la carrera de Economía de la Universidad Politécnica Salesiana, Cuenca, Ecuador. https://bit.ly/3vuHh5J
Gupta, B.K., Mallick, M.K., & Hota, S. (2021). Survey on Stock Price Forecasting Using Regression Analysis. In Intelligent and Cloud Computing. Springer, Singapore. pp. 147-156.
Gutiérrez Ponce, H., Morán Montalvo, C., & Posas Murillo, R. (2019). Determinantes de la estructura de capital: un estudio empírico del sector manufacturero en Ecuador. Contaduría y administración, 64(2). https://doi.org/10.22201/fca.24488410e.2018.1848
Harris, C.R., Millman, K.J., Van Der Walt, S.J., Gommers, R., Virtanen, P., Cournapeau, D., & Oliphant, T.E. (2020). Array Programming with NumPy. Nature, 585(7825), 357-362.
International Business Machines Corporation [IBM]. (19 de agosto del 2020). Supervised Learning. https://ibm.co/3FzWXdj
Investopedia. (25 de mayo del 2020). 80-20 Rule. https://bit.ly/3G064Rn
Investopedia. (19 de agosto del 2021). Trendline. https://bit.ly/3P8prx0
Investopedia. (11 de febrero del 2022). R-Squared vs. Adjusted R-Squared: What’s the Difference? https://bit.ly/3a0o2sr
Karch, J., & Van Ravenzwaaij, D. (2020). Improving on Adjusted R-squared. Collabra: Psychology, 6(1).
Khiem, N.M., Takahashi, Y., Dong, K.T.P., Yasuma, H., & Kimura, N. (2021). Predicting the Price of Vietnamese Shrimp Products Exported to the US Market Using Machine Learning. Fisheries Science, 87(3), 411-423.
Lazzeri, F. (2021). Machine Learning for Time Series Forecasting with Python. John Wiley & Sons.
Lucien-Brun, H. (2018). Ecuadorian Shrimp Farming: From falilure to success. Aqua Culture Asia Pacific. https://bit.ly/3s3xrFA
Ministry of Planning and Investment of Vietnam [AED]. (2022). THÔNG tin xuất khẩu vào thị trường EU: Mặt hàng thủy sản. https://bit.ly/3N4iMSR
Meah, M.R., Sen, K.K., & Sahabuddin, M. (2021). Do Working Capital Decision and Efficiency of Working Capital Management Contribute to the Profitability? Evidence from Bangladesh. Asia-Pacific Journal of Management Research and Innovation, 17(1-2), 7-16.
Mojjada, R.K., Yadav, A., Prabhu, A.V., & Natarajan, Y. (2020). Machine Learning Models for Covid-19 Future Forecasting. Materials Today: Proceedings.
Muangsrisun, D., Jatuporn, C., Seerasarn, N., & Wanaset, A. (2021). Factors Influencing Farm-Gate Shrimp Prices in Thailand: An Empirical Study Using the Time Series Method. The Journal of Asian Finance, Economics and Business, 8(5), 769-775
Neill, S.P., & Hashemi, M.R. (2018). Fundamentals of Ocean Renewable Energy: Generating Electricity from the Sea. Academic Press.
Nunes, D.B., Barros, J.D.P., & Freitas, S.M.D. (2019). Multiple Linear Regression Model to Evaluate the Market Value of Residential Apartments in Fortaleza, CE. Ambiente Construído, 19, 89-104.
Organización de las Naciones Unidas para la Alimentación y la Agricultura [FAO]. (07 de enero de 2021). GLOBEFISH - Información y análisis sobre el comercio mundial de pescado. https://bit.ly/3G0fjBc
Pereira, J. W. A. (2021). Uma análise do impacto do preço do açúcar no preço do etanol (2007-2017). Editora Científica Digital. https://doi.org/10.37885/201202631
Portal of Vietnam Association of Seafood Exporters and Producers [VASEP]. (22 de diciembre del 2021). Report on Vietnam shrimp sector, 2016-2021, forecast to 2025. https://bit.ly/392yQ8V
Ridzuan, F., & Zainon, W. M. N. W. (2019). A Review on Data Cleansing Methods for Big Data. Procedia Computer Science, 161, 731-738.
Rojas, G., Romero, R., Pacheco, R., Villalobos, C., & Gómez, A. (2021). Modelado estadístico para la gestión de los primeros tres meses de la COVID-19 en Costa Rica. Estudios de la Gestión: Revista Internacional de Administración, (10), 55-74. https://doi.org/10.32719/25506641.2021.10.3
Sánchez, A., Vayas, T., Mayorga, F., & Freire, C. (25 de mayo del 2020). Acuicultura y pesca de camarón. Observatorio Económico y Social de Tungurahua. https://bit.ly/3p8Hxmw
Schleder, G.R., & Fazzio, A. (2021). Machine Learning na Física, Química, e Ciência de Materiais: Descoberta e Design de Materiais. Revista Brasileira de Ensino de Física, 43.
Seafood Source. (24 de febrero de 2020). Shrimp Still Dominating American Seafood Preferences, According to NFI’s Annual List. https://bit.ly/3FYV8Uj
Shmueli, G., Bruce, P.C., Gedeck, P., & Patel, N.R. (2019). Data Mining for Business Analytics: Concepts, Techniques and Applications in Python. John Wiley & Sons.
Singh, R., & Siddiqui, A. A. (2021). Identifying Markets and Forecasting Export Prospects for India’s Marine Products. International Journal of Business and Economics, 20(1), 57-72.
Tenorio-Vilaña, A. F., & Mideros-Mora, A. I. (2022). Teoría de la Preferencia Revelada para Analizar el Comportamiento del Consumidor de Zapatos de Correr. Economía y Negocios, 13(1), 40-60. https://doi.org/10.29019/eyn.v13i1.1015
Virtanen, P., Gommers, R., Oliphant, T.E., Haberland, M., Reddy, T., Cournapeau, D., & Van Mulbregt, P. (2020). SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python. Nature methods, 17(3), 261-272.
Descargas
Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Derechos de autor 2022 El Autor
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los artículos e investigaciones publicadas por la Universidad UTE, se realizan en régimen de Acceso Abierto [Open Access] en formato electrónico. Al enviar un artículo a cualquiera de las revistas científicas de la Universidad UTE, el o los autores aceptan estas condiciones.
La UTE aplica la licencia Creative Commons Attribution (CC-BY) a los artículos de sus revistas científicas. En virtud de esta licencia de acceso abierto, como autor usted acuerda que cualquier persona puede reutilizar su artículo en su totalidad o en parte para cualquier propósito, de forma gratuita, incluso para fines comerciales. Cualquiera puede copiar, distribuir o reutilizar el contenido siempre y cuando el autor y la fuente original estén correctamente citados. Esto facilita la libertad de reutilización y también asegura que el contenido pueda ser extraído sin barreras para necesidades de investigación.
Licencia Creative Commons Atribución 4.0 Internacional
La Revista Economía y Negocios está distribuida bajo una
Creative Commons Attribution 4.0 International (CC BY 4.0).
Además, la Revista Economía y Negocios garantiza y declara que los autores conservan siempre todos los derechos de autor y de publicación de sus obras originales sin restricciones [© Los Autores]. El reconocimiento (BY) permite cualquier explotación de la obra, incluyendo una finalidad comercial, así como la creación de obras derivadas, la distribución de las cuales también está permitida sin ninguna restricción.