Vol. 26 Núm. 3 (2016)
Artículos de Investigación

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

Olivia Delgadillo-Ruiz
Universidad Autónoma Chapingo
Biografía
Pedro Pablo Ramírez-Moreno
Universidad Autónoma Chapingo
Biografía
Juan Antonio Leos-Rodríguez
Universidad Autónoma Chapingo
Biografía
José María Salas González
Universidad Autónoma Chapingo
Biografía
Ricardo David Valdez-Cepeda
Universidad Autónoma Chapingo
Biografía

Publicado 2016-07-11

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.

Citas

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


  2. 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.


  3. 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.


  4. 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.


  5. 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


  6. 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.


  7. 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.


  8. 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.


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


  10. 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


  11. 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.


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


  13. 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


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


  15. 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.


  16. 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


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


  18. 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.


  19. 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


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


  21. 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.


  22. 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


  23. 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.


  24. 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.


  25. 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.


  26. 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


  27. 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


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


  29. 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


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


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


  32. 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.


  33. 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.


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