Pronósticos y series de tiempo de rendimientos de granos básicos en México
HTML
PDF

Archivos suplementarios

E1pdf
E1
E2pdf
E2
E3pdf
E3
E4pdf
E4
E5pdf
E5
E6pdf
E6
E7pdf
E7

Palabras clave

Statistical models
Box & Jenkins
ARIMA. Modelos estadísticos
Box & Jenkins
ARIMA.

Cómo citar

Delgadillo-Ruiz, O., Ramírez-Moreno, P. P., Leos-Rodríguez, J. A., 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), 23–32. https://doi.org/10.15174/au.2016.882

Resumen

La metodología de series de tiempo fue empleada en el presente estudio para comparar diferentes métodos de pronósticos en series de rendimiento de granos básicos (maíz, frijol, trigo y arroz) en México, con el objetivo de predecir sus valores en el corto plazo. Los pronósticos se realizaron empleando los modelos Autoregressive Integrated Moving Average (ARIMA) (1,0,1) para maíz, Modelo de Brow con α = 0.202 para frijol, Suavización Exponencial Simple con α = 0.7576 para trigo y Modelo de Holt con α = 0.5024 y β = 0.0366 para arroz. Los resultados indican que en el corto plazo los rendimientos de maíz, frijol y arroz se incrementarán, mientras que los rendimientos de trigo se mantendrán constantes. Respetando estas estimaciones de rendimiento, manteniendo constante la superficie cultivada y el consumo per cápita de granos básicos, y considerando diferentes escenarios de población, a largo plazo México solo será autosuficiente en la producción de frijol. Así, los pronósticos obtenidos en este trabajo pueden ser utilizados en la toma de decisiones de producción y compra-venta de granos.

https://doi.org/10.15174/au.2016.882
HTML
PDF

Citas

Amin, M., Amanullah, M., & Akbar, A. (2014). Time Series Modeling for forecasting wheat production of Pakistan. Plant Sciences, 24(5), 1444-1451.


Amir-Hamjah, M. (2014). Forecasting Major Fruit Crops Productions in Bangladesh using Box-Jenkins ARIMA Model. Journal of Economics and Sustainable Development, 5(7), 96-108.


Badmus, M. A., & Ariyo, O. S. (2011). Forecasting Cultivated Areas and Production of Maize in Nigeria Using ARIMA model. Asian Journal of Agricultural Sciences, 3(3), 171-176.


Boken, V. K. (2000). Forecasting spring wheat yield using time series analysis: a case study for the Canadian Prairies. Agronomy Journal, 92(6), 1047-1053.


Bowerman, B. L., O’Connell, R. T., & Koehler, A. B., (2009). Pronósticos, series de tiempo y regresión. Un enfoque aplicado (4ta. edición). México: C. Learning editores. Recuperado el 10 de mayo de 2015, de http://latinoamericana.cengage.com


Box, G. E. P., & Jenkins, G. M. (1970). Time series analysis: forecasting and control. In Operational Research Quarterly (537 pp.). New Jersey: John Wiley & Sons.


Brambila-Paz, J. de J., Martínez-Damián, A. M., Rojas-Rojas, M. M., & Pérez-Cerecedo, V. (2015). Medición del esfuerzo tecnológico necesario para aumentar el rendimiento de productos agropecuarios en México. Revista Mexicana de Ciencias Agrícolas, 6(4), 841-854.


Brisson, N., Gate, P., Gouache, D., Charmet, G., Oury, F. X., & Huard, F. (2010). Why are wheat yields stagnating in Europe? A comprehensive data analysis for France. Field Crops Research, 119(1), 201-212. Doi:10.1016/j.fcr.2010.07.012.


Choudhury, A., & Jones, J., (2014). Crop yield prediction using time series. Journal of Economic and Economic Education Research, 15(3), 53-68.


Consejo Nacional de Población (Conapo) (2015). Proyecciones de la población 2010-2050. México en cifras. Recuperado 10 de mayo de 2015, de http://www.conapo.gob.mx/es/CONAPO/Proyecciones


Escalante, R. D., Mayorga, M. W., & Vergara, S. J. C. (2001). Econometría básica con STATA 9.0, STATA 10.0, EVIEWS 5.0, SSPS 11. Manual de aplicación del modelo de regresión lineal con STATA 9.0. España: Académica Española.


Falak, S., & Eatzas, A. (2008). Forecasting wheat production in Pakistan. The Lahore Journal of Economic, 3(1), 57-85.


Food and Agriculture Organization Corporate Statistical Database (FAOSTAT) (2015). Organización de las Naciones Unidas para la Alimentación y la Agricultura. Dirección de estadística. Recuperado el 12 de abril de 2015, de http://faostat3.fao.org/browse/Q/QC/S


Gujarati, D. N., & Porter, D. C. (2010). Econometría. México: McGrawHill / Interamericana.


Guzmán-Mendoza, R., Salas-Araiza, M. D., Calzontzi-Marín, J., Martínez-Yáñez, R., & Pérez-Moreno, L. (2016). Efectos de la fertilización en cultivos de maíz sobre la abundancia y distribución de Macrodactylus nigripes (Coleóptera: Melolonthidae) de las tierras altas del centro de México. Acta Universitaria, 26(1), 3-11. doi:10.15174/au.2016.802.


Instituto Nacional de Estadística y Geografía (INEGI) (2011). Población, hogares y vivienda. Indicadores de demografía y población. Recuperado el 19 abril de 2015 de http://www3.inegi.org.mx/sistemas/temas/default.aspx?s=est&c=17484


Jambhulkar, N. N. (2013). Modeling of Rice Production in Punjab using ARIMA Model. International Journal of Scientific Research, 2(8), 2-3.


Kumar, M., & Anand, M. (2015). An application of time series ARIMA forecasting model for predicting sugarcane production in India. Studies in Business and Economics, 9(1), 81-95.


Kumar-Sahu, P., & Kumar, R. (2013). Demand Forecasting For Sales of Milk Product (Paneer) In Chhattisgarh. International Journal of Inventive Engineering and Sciences, 1(9), 10-13. Recuperado el 10 de mayo de 2015 de http://www.ijies.org/attachments/File/v1i9/I0277081913.pdf


Michel, L., & Makowski, D. (2013). Comparison of Statistical Models for Analyzing Wheat Yield Time Series. PLoS ONE, 8(10), 1-11.


Monteagudo, C. A. (2014). Siembra comercial de cultivos genéticamente modificados en el campo mexicano: una herramienta viable para el desarrollo rural sustentable y la seguridad alimentaria. Cotidiano - Revista de la Realidad Mexicana, 30(188), 103-110.


Organización de Naciones Unidas (ONU) (2015). World Population in 2300. Country Tables. Recuperado el 10 de mayo de 2015 de http://www.un.org/en/development/desa/population/events/expert-group/6/index.shtml


Oury, F. X., Godin, C., Mailliard, A., Chassin, A., Gardet, O., Giraud, A., Heumez, E., Morlais, J. Y., Rolland, B., Rousset, M., Trottet, M., & Charmet, G. (2012). A study of genetic progress due to selection reveals a negative effect of climate change on bread wheat yield in France. European Journal of Agronomy, 40, 28-38.


Ray, D. K., Ramankutty, N., Mueller, N. D., West, P. C., & Foley, J. A. (2012). Recent patterns of crop yield growth and stagnation. Nature Communications, 3, 1293. doi: 10.1038/ncomms2296.


Ríos-Flores, J. L., Torres-Moreno, M., Ruiz-Torres, J., & Torres-Moreno, M. A. (2016). Eficiencia y productividad del agua de riego en trigo (Triticum vulgare) de Ensenada y Valle de Mexicali, Baja California, México. Acta Universitaria, 26(1), 20-29. doi: 10.15174/au.2016.825.


Rondanini, D. P., Gómez, N. V., Agosti, M. B., & Miralles, D. J. (2012). Global trends of rapeseed grain yield stability and rapeseed-to-wheat yield ratio in the last four decades. European Journal of Agronomy, 37(1), 56-65. doi: 10.1016/j.eja.2011.10.005


Secretaría de Agricultura, Ganadería, Desarrollo Rural, Pesca y Alimentación-Sistema de Información Agroalimentaria de Consulta (SAGARPA-SIACON) (2013). Recuperado el 18 de abril de 2015 de http://infosiap.siap.gob.mx/index.php?option=com_content&view=article&id=286&Itemid=428


Secretaría de Agricultura y Recursos Hidráulicos (SARH) (1983). Consumos aparentes de productos agrícolas 1925-1982. Econotecnia Agrícola, 7(9), 3-120.


Secretaría de Economía (2012). Análisis de la cadena de valor del frijol. Recuperado el 20 agosto de 2014 de http://www.economia.gob.mx/files/comunidad_negocios/industria_comercio/analisis_cadena_valor_frijol.pdf


STATGRAPHICS Centurion XVI (2009). Recuperado el 12 de abril de 2015 de http://www.statgraphics.com/downloads_XV.htm


Stellwagen, E., & Tashman, L. (2013). ARIMA: The models of Box and Jenkins. International Journal of Applied Forecasting, (30), 28-33.


Suleman, N., & Sarpong, S. (2012). Forecasting Milled Rice Production in Ghana Using Box-Jenkins Approach. International Journal of Agricultural Management and Development, 2(2), 79-84.


Tripathi, R., Nayak, A. K., Raja, R., Shahid, M., Kumar, A., Mohanty, S., Panda, B. B. Lal, B., & Gautam, P. (2014). Forecasting Rice Productivity and Production of Odisha, India, Using Autoregressive Integrated Moving Average Models. Advances in Agriculture, 1, 1-9.


Ventosa-Santaularia, D. (2006). ¿Qué es la econometría? Acta Universitaria, 16(3), 47-51.