Compartir
Título
Resumen de tesis. Machine learning and econometric applications for increasing profitability and efficiency: A case study on sustainable production and trade in agro-based industries
Otros títulos
Machine learning and econometric applications for increasing profitability and efficiency: A case study on sustainable production and trade in agro-based industries
Autor(es)
Director(es)
Materia
Tesis y disertaciones académicas
Universidad de Salamanca (España)
Tesis Doctoral
Academic dissertations
Aprendizaje automático
Rentabilidad
Producción sostenible
Agricultura
Clasificación UNESCO
5312.11 Comercio
1203.18 Sistemas de Información, Diseño Componentes
3310 Tecnología Industrial
Fecha de publicación
2022
Resumen
[ES] Se espera que en 2050 la poblaci´on mundial haya alcanzado los 9 000 millones de
personas. El crecimiento de la poblaci´on a nivel mundial va a dar lugar a un crecimiento
en la demanda de productos de consumo derivados de la agricultura. Es por ello que se
espera que la producci´on agr´ıcola incremente alrededor de un 70 % a nivel mundial. Las
aplicaciones tecnol´ogicas en agricultura en los ´ultimos a˜nos han permitido aumentar la
producci´on y contribuir a la reducci´on de la contaminaci´on, utilizar de forma sostenible
los recursos naturales, prever costes, mitigar riesgos e incluso poder anticiparse a una
potencial quiebra. En este sentido, uno de los retos de los pr´oximos a˜nos a nivel global
es dise˜nar metodolog´ıas que permitan a las empresas del sector agropecuario ser m´as
eficientes y sostenibles independientemente del ´ındice de desarrollo tecnol´ogico de la
regi´on en la que se encuentren.
En esta investigaci´on, tomando como caso de estudio el sector agropecuario, se ha
dise˜nado y validado una metodolog´ıa modular que combina algoritmos de aprendizaje
autom´atico y modelos econom´etricos orientada a la mejora de la gesti´on de los recursos,
permitir a las empresas m´as competitivas y sostenibles para fomentar su inversi´on.
Para desarrollar la metodolog´ıa se han llevado a cabo tres experimentos. El primer
experimento se ha orientado a medir la eficiencia de recursos a partir de un m´etodo
no param´etrico para la estimaci´on de las fronteras de producci´on en el que se han
incorporado los costes derivados de las transferencias de datos, permitiendo identificar
las fronteras de producci´on m´as ´optimas teniendo en cuenta los costes tecnol´ogicos. Para
el segundo experimento se ha dise˜nado un sistema multi-agente para predecir oscilaciones
de los precios en los mercados de futuros en productos derivados del sector agropecuario.
El sistema multi-agente est´a dise˜nado como un sistema de apoyo a la toma de decisiones
en el que los potenciales compradores o vendedores pueden incorporar par´ametros de
impacto medioambiental. Finalmente, el ´ultimo experimento consiste en el dise˜no de
una metodolog´ıa de razonamiento basado en casos para la recomendaci´on de inversi´on
en una empresa. El ´ultimo experimento permite incorporar capital a las empresas del
sector agropecuario para invertir en tecnolog´ıa. Adem´as, se ha implementado una mejora
sobre tercer experimento en el que se ha podido incrementar el rendimiento del sistema de
recomendaci´on de inversiones, en el que en la parte de clasificaci´on se comparan distintas
m´etricas de evaluaci´on en las situaciones en los que los datos no est´an balanceados. [EN] By 2050, the world population is expected to reach 9 billion people. Global population
growth will lead to an increase in consumer demand for products derived from
agriculture. As a result, agricultural production is expected to increase by approximately
70% worldwide. Over the last years, technological applications have made it possible
to increase agricultural production and contribute to reduce pollution, the sustainable
use of natural resources, cost forecast, risk mitigation and even potential bankruptcy
anticipation. In this regard, one of the global, near-future challenges is designing
methodologies that enable companies in the agricultural sector to be more efficient and
sustainable regardless of the technological development index of the region in which they
are located.
In this research, taking the agricultural sector as a case study, has been designed
and validated a modular methodology that combines machine learning algorithms
and econometric models aimed at improving the management of resources, allowing
companies to be more competitive and sustainable in order to encourage their
investment. To develop the methodology, three experiments were carried out. The
first experiment was aimed at measuring resource efficiency based on a non-parametric
method for estimating production frontiers in which the costs derived from data transfers
were incorporated, making it possible to identify the most optimal production frontiers
taking into account technological costs. For the second experiment, a multi-agent
system has been designed to predict price variations in futures markets for agricultural
products. The multi-agent system is been designed as a decision support system in
which potential buyers or sellers can incorporate environmental impact parameters.
Finally, the last experiment consists of the design of a case-based reasoning methodology
for the recommendation of investment in a company. The last experiment enables
the incorporation of investment of capital to companies in the agricultural sector.
In addition, to increase the performance of the investment recommender system an
improvement has been implemented in the third experiment. This improvement has
made it possible for the system’s classification element to compare different evaluation
metrics in situations where the data labels are not balanced.
URI
Colecciones