Aplicación de modelos de difusión y de series temporales para pronóstico de demanda agregada

Palabras clave: Modelos de difusión, modelo de espacio-estado, proceso de Wiener, pronóstico de demanda, demanda agregada

Resumen

El amplio abanico de métodos cuantitativos utilizados para el pronóstico de demanda, constituyen herramientas técnicas invaluables que permiten vaticinar la ocurrencia de eventos futuros y brindar soporte al proceso de toma de decisiones en el contexto de la planificación y coordinación de procesos empresariales internos. Por tanto, se colige que la labor de proyectar la demanda de los bienes y servicios ofertados por unidades estratégicas de negocios sea una necesidad inexorable. En la presente investigación se traen a colación tres modelos de corte cuantitativo para pronosticar la demanda agregada en el contexto industrial cartagenero en Colombia, a saber, el modelo geométrico Browniano, el modelo ARFIMA y un modelo de espacio-estado resuelto via Filtro de Kalman. Los resultados arrojados indican que la eficiencia predictiva del modelo espacio de estado es significativamente superior a la de los demás modelos traídos a colación. Se concluye por tanto, que éste enfoque de modelado propuesto reproduce apropiadamente el comportamiento histórico de la característica de interés analizada, como es, la demanda.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Bruno de Jesús Rahmer

Doctorando en Economía, Finanzas y Computación. Master en Estadística. Productor Industrial. Ingenierio Industrial. Docente de la Facultad de Ingeniería en la Fundación Universitaria Tecnológico Comfenalco, Colombia. E-mail: brunodejesus.2509@gmail.com ORCID: https://orcid.org/0000-0003-1925-0432

Hernando Garzón Saénz

Doctorando en Ingeniería con Mención en Ingeniería Industrial en la Universidad Nacional Lomas de Zamora, Buenos Aires, Argentina. Magister en Administración de Empresas con especialidad en Gestión Integrada de la Calidad, Seguridad y Medio Ambiente. Ingeniero de Alimentos. Docente Investigador de la Facultad de Ingeniería en la Fundación Universitaria Tecnológico Comfenalco, Colombia. E-mail: hgarzons2019@gmail.com ORCID: https://orcid.org/0000-0002-5592-7298

José Solana Garzón

Doctorando en Ingeniería mención en Ingeniería Industrial. Especialista en Gerencia de Producción y Calidad. Ingeniero Industrial. Docente de la Facultad de Ingeniería en la Fundación Universitaria Tecnológico Comfenalco, Colombia. Email: ingjosemsolanag@gmail.com

Citas

Albey, E., Norouzi, A., Kempf, K. G., y Uzsoy, R. (2015). Demand modeling with forecast evolution: An application to production planning. IEEE Transactions On Semiconductor Manufacturing, 28(3), 374-384. https://doi.org/10.1109/TSM.2015.2453792
Castaño, E. (2016). Identificación de los modelos ARFIMA. Revista de la Facultad de Ciencias, 5(1), 12-37. https://doi.org/10.15446/rev.fac.cienc.v5n1.52890
Chang, W-Y. (2014). A literature review of wind forecasting methods. Journal of Power and Energy Engineering, 2(4), 161-168. https://doi.org/10.4236/jpee.2014.24023
García, M. D. C., Castellana, N., Rapelli, C., Koegel, L., y Catalano, M. (2014). Criterios de Información predictivos para la selección de un modelo lineal mixto. SaberEs, (6), 61-76. https://doi.org/10.35305/s.v0i6.98
Izquierdo, S., Hernández, C., y Pajares, J. (9 y 10 de septiembre de 2004). El espacio de estados en econometría [Discurso principal]. VIII Congreso de Ingeniería de Organización. Leganés.
Izzeldin, M., Hassan, M. K., Pappas, V., y Tsionas, M. (2019). Forecasting realised volatility using ARFIMA and HAR models. Quantitative Finance, 19(10), 1627-1638. https://doi.org/10.1080/14697688.2019.1600713
Kristjanpoller, W., y Minutolo, M. C. (2016). Forecasting volatility of oil price using an Artificial Neural Network-GARCH model. Expert Systems With Applications, 65, 233-241. https://doi.org/10.1016/j.eswa.2016.08.045
Lao-León, Y. O., Rivas-Méndez, A., Pérez-Pravia, M. C., y Marrero-Delgado, F. (2017). Procedimiento para el pronóstico de la demanda mediante redes neuronales artificiales. Ciencias Holguín, 23(1), 43-59.
Morales-Velázquez, M. I., Aparicio, J., y Valdés, J. B. (2014). Pronóstico de avenidas utilizando el filtro de Kalman discreto. Tecnología y Ciencias del Agua, V(2), 85-110.
Ortegón-Cortázar, L., y Gómez, A. (2016). Gestión del marketing sensorial sobre la experiencia del consumidor. Revista de Ciencias Sociales (Ve), XXII(3), 67-83.
Pardo, R. J. (2015). Comparación del Filtro de Kalman, el algoritmo Esperanza-Maximización (EM) y el Filtro de Información para la Estimación de Modelos en Representación Espacio-Estado [Tersis de maestría, Universidad Nacional de Colombia]. https://repositorio.unal.edu.co/bitstream/handle/unal/56615/ricardopardor.2015.pdf?sequence=1&isAllowed=y
Qin, R., y Nembhard, D. A. (2012). Demand modeling of stochastic product diffusion over the life cycle. International Journal of Production Economics, 137(2), 201-210. https://doi.org/10.1016/j.ijpe.2012.01.027
Ramírez, L. N., Cristancho, S. L., y Cleves-Leguizamo, J-A. (2021). Modelos de fluctuaciones de precios agrícolas: Estudio comparativo de frutas tropicales frescas en Colombia. Revista de Ciencias Sociales (Ve), XXVII(E-4), 197-212. https://doi.org/10.31876/rcs.v27i.37002
Ramos, R., Clar, M., y Suriñach, J. (2000). Comparación de la capacidad predictiva de los modelos de coeficientes fijos frente a variables en los modelos econométricos regionales: Un análisis para Cataluña. Estudios de Economía Aplicada, (15), 125-162.
Salazar-Núñez, H. F., Venegas-Martínez, F., y Calderón-Villareal, C. (2017). ¿Existe memoria larga en mercados bursátiles, o depende del modelo, periodo o frecuencia? Ensayos. Revista de Economía, 36(1), 1-24.
Solera, Á. (2000). Criterios para la selección de modelos estadísticos. Departamento de Investigaciones Económicas, Banco Central de Costa Rica.
Soubdhan, T., Ndong, J., Ould-Baba, H., y Do, M-T. (2016). A robust forecasting framework based on the Kalman filtering approach with a twofold parameter tuning procedure: Application to solar and photovoltaic prediction. Solar Energy, 131, 246-259. https://doi.org/10.1016/j.solener.2016.02.036
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.
Vásquez, F. A., Restrepo, S. I., y Lopera, J. F. (2010). Una revisión crítica de las técnicas de filtrado para la teoría de los ciclos económicos. Cuadernos de Economía, 29(53), 119-153.
Publicado
2022-07-19
Cómo citar
Rahmer, B. de J., Garzón Saénz, H., & Solana Garzón, J. (2022). Aplicación de modelos de difusión y de series temporales para pronóstico de demanda agregada . Revista De Ciencias Sociales, 28(3), 142-159. https://doi.org/10.31876/rcs.v28i3.38458
Sección
Artículos