Estudio comparativo entre enfoques paramétricos y de redes neuronales artificiales para la evaluación económica de la producción de patata en Irán
Resumen
La patata es el producto agrícola más importante en la provincia de Hamadan (Irán), donde se plantaron 25.503 ha de este cultivo en 2008 bajo condiciones de riego. Este trabajo compara los resultados de aplicar dos enfoques diferentes, un modelo paramétrico (PM) y redes neuronales artificiales (ANN), para evaluar la productividad económica (EP), los costos totales de producción (TCP) y el coeficiente beneficio/costo (BC) del cultivo de la patata. En esta comparación se han utilizado la función Cobb-Douglas como PM y el proceso “feedforward” multicapa para implementar modelos de ANN. Las ANN, con una topología 8-6-12-1 con R2 = 0,89, resultaron ser el modelo más adecuado para estimar la EP. Del mismo modo, las topologías óptimas para TCP y BC fueron 8-13-15-1 (R2 = 0,97) y 8-15- 13-1 (R2 = 0,94), respectivamente. Para validar los modelos PM y ANN, se utilizó como indicador de desempeño el error porcentual medio absoluto (MAPE). El enfoque de ANN permitió reducir el MAPE desde –184% para PM a menos del 7% con un rango de variabilidad de +30% a–95%. Dado que ANN fue mejor que el modelo PM, debe ser preferido para la estimación de los índices económicos.Descargas
Citas
Allen P.G., 1994. Economic forecasting in agriculture. Int J Forecasting 10(1), 81-135. http://dx.doi.org/10.1016/0169-2070(94)90052-3
Asiedu Y., Besant R.W., Gu P., 2000. Simulation-based cost estimation under economic uncertainty using kernel estimators. Int J Prod Res 38(9), 2023-2035. http://dx.doi.org/10.1080/002075400188474
Bode J., 2000. Neural networks for cost estimation: simulation and pilot applications. Int J Prod Res 38(6), 1231-1254. http://dx.doi.org/10.1080/002075400188825
Cavalieri S., Taisch M., 1996. Neural networks in hybrid intelligent manufacturing systems. Proc APMS In Conf on Advances in Production Systems. 4-6 November, Kyoto, Japan. pp. 591-596.
Cavalieri S., Garetti M., Taisch M., 1995. A predictive neural network modeling system for process plants. Proc 13 Int Conf on Production Research 6-10 August Jerusalem. pp. 571-573.
Cavalieri S., Rabe M., Taisch M., 1997. A neura network approach to the plant design problem. Proc I Int Conf on Engineering Design and Automation. 18-21 March, Bangkok PMCid:23537
Cavalieri S., Maccarrone P., Pinto R., 2004. Parametric vs. neural network models for the estimation of production costs: a case study in the automotive industry. Int J Prod Econ 91, 165-177. http://dx.doi.org/10.1016/j.ijpe.2003.08.005
Chester J., 1993. Neural networks, a tutorial. Prentice Hall, NY. PMCid:2393479
Church K.B., Curram S.P., 1996. Forecasting consumers' expenditure: a comparison between econometric and neural network models. Int J Forec 12(2)255-267. http://dx.doi.org/10.1016/0169-2070(95)00631-1
Dean E.P., 2005. Parametric cost deployment. Proc 7th Symp Quality Function Deployment. June, USA. pp. 27-34.
Foussier P.M.M., 2006a. From product description to cost: a practical approach, vol. 1: The parametric approach. Springer, Berlin.
Foussier P.M.M., 2006b. From product description to cost: a practical approach, vol. 2: Building a specific model. Springer, Berlin.
Hatirli S.A., Ozkan B., Fert C., 2005. An econometric analysis of energy input-output in Turkish agriculture. Renew Sust Energ Rev 9, 608-623. http://dx.doi.org/10.1016/j.rser.2004.07.001
Hatirli S.A., Ozkan B., Fert C., 2006. Energy inputs and crop yield relationship in greenhouse tomato production. Renew Energ 31, 427-38. http://dx.doi.org/10.1016/j.renene.2005.04.007
Hill T., Marquez L., Oconnor M., Remus W., 1994. Artificial neural network models for forecasting and decision making. Int J Forecast 10(1), 5-15. HORNIK K., STINCHCOMBE M., WHITE H., 1989. Multilayer feedforward networks are universal approximators. Neural Networks 2, 359-366.
Mason A.K., Smith A.E., 1997. Cost estimation predictive modeling: regression versus neural network. The Eng Econ 42(2), 137-162. http://dx.doi.org/10.1080/00137919708903174
Seo K.K., Park J.H., Jang D.S., Wallace D., 2002. Prediction of the life cycle cost using statistical and artificial neural network methods in conceptual product design. Int J Com Integ Manu 15(6), 541-554. http://dx.doi.org/10.1080/09511920210143417
Shields M.D., Young S.M., 1991. Managing product life cycle cost of an organizational model. J Cost Manage (Fall), 39-51.
Shtub A., Zimmermann Y., 1993. A neural network based approach for estimating the cost of assembly systems. Int J Prod Econ 32(2), 189-207. http://dx.doi.org/10.1016/0925-5273(93)90068-V
Singh G., Singh S., Singh J., 2004. Optimization of energy inputs for wheat crop in Punjab. Energ Convers Manage 45, 453-465. http://dx.doi.org/10.1016/S0196-8904(03)00155-9
Snedecor G.W., Cochran W.G., 1989. Statistical th methods, 8 ed. Iowa State Press, USA.
Tegene A., Kuchler F., 1994. Evaluating forecasting models of farmland prices. Int J Forecast 10(1), 65-80. http://dx.doi.org/10.1016/0169-2070(94)90051-5
Verlinden B., Duflou J.R., Collin P., Cattrysse D., 2008. Cost estimation for sheet metal parts using multiple regression and artificial neural networks: a case study. Int J Prod Econ 111, 484-492 http://dx.doi.org/10.1016/j.ijpe.2007.02.004
Zhang G., Eddy Patuwo B., Hu M.Y., 1998. Forecasting with artificial neural networks: the state of the art. Int J Forecast 14(1), 35-62. http://dx.doi.org/10.1016/S0169-2070(97)00044-7
Zhang Y.F., Fuh J.Y., 1998. A neural network approach for early cost estimation of packaging products. Comput Ind Eng 34(2), 433-450. http://dx.doi.org/10.1016/S0360-8352(97)00141-1
Zhang Y.F., Fuh J.Y., Chan W.T., 1996. Feature-based cost estimation for packaging products using neural networks. Comput Ind 32, 95-113. http://dx.doi.org/10.1016/S0166-3615(96)00059-0
Zangeneh M., Omid M., Akram A., 2010. A comparative study on energy use and cost analysis of potato production under different farming technologies in Hamadan province of Iran. Energy 35, 2927-2933. http://dx.doi.org/10.1016/j.energy.2010.03.024
© CSIC. Los originales publicados en las ediciones impresa y electrónica de esta Revista son propiedad del Consejo Superior de Investigaciones Científicas, siendo necesario citar la procedencia en cualquier reproducción parcial o total.
Salvo indicación contraria, todos los contenidos de la edición electrónica se distribuyen bajo una licencia de uso y distribución “Creative Commons Reconocimiento 4.0 Internacional ” (CC BY 4.0). Consulte la versión informativa y el texto legal de la licencia. Esta circunstancia ha de hacerse constar expresamente de esta forma cuando sea necesario.
No se autoriza el depósito en repositorios, páginas web personales o similares de cualquier otra versión distinta a la publicada por el editor.
