Impulsar la digitalización para reforzar la posición del agricultor en la cadena de valor agroalimentaria: el caso de la fresa de Huelva, España
Resumen
Objetivo del estudio: Se propone un sistema de monitorización y predicción en tiempo real del precio de la fresa de Huelva (España), basado en datos del Observatorio Andaluz de Precios y Mercados (OAPM) de la Consejería de Agricultura, Pesca, Agua y Desarrollo Rural de la Junta de Andalucía, España. Este sistema puede apoyar la toma de decisiones de los agricultores para aumentar sus ingresos y acelerar la adopción de la digitalización, con el objetivo de mejorar la equidad y la sostenibilidad de la cadena de valor agroalimentaria. Área del estudio: La provincia de Huelva (España) lidera las ventas de fresa en Europa entre enero y abril, y el sector es muy relevante para la economía y el desarrollo de este territorio. Material y métodos: Análisis de los datos de fresa del OAPM y de la cadena de valor de este producto, desarrollo de un modelo estadístico predictivo y un sistema de monitorización en tiempo real para crear las bases de un cuadro de mando que apoye las decisiones de mercado de los agricultores, en el contexto de los modelos predictivos de inteligencia artificial y la necesidad de un espacio de datos. Resultados principales: OAPM incluye datos sectoriales importantes bajo un modelo de gobernanza razonable que puede servir de punto de partida para desarrollar herramientas útiles de apoyo a la toma de decisiones. El modelo predictivo de precios desarrollado, basado en herramientas tradicionales, permite maximizar los ingresos de los agricultores y, por lo tanto, se convierte en un marco para construir conocimiento transdisciplinar que combine la expertise en el ámbito agroalimentario con las herramientas de inteligencia artificial, en paralelo con el desarrollo necesario de big data y espacios de datos. Aspectos destacados de la investigación: 1) El sistema propuesto de predicción y monitorización puede mejorar la posición del agricultor en la cadena de valor y, por tanto, también puede ser útil para fomentar la adopción de herramientas digitales por parte de los agricultores. 2) Los sistemas predictivos requieren una gran cantidad de datos que actualmente no están disponibles. Las AOAP presentan algunas características interesantes como punto de partida para un espacio de datos que puede contribuir a cubrir esta carencia.
Descargas
Citas
Andalucía Agrotech, 2024. Espacios de datos en el sector agroalimentario, https://www.youtube.com/watch?v=1skT-S-ZNeI
Blasch J, Van Der Kroon B, Van Beukering P, Munster R, Fabiani S, Nino P, Vanino S, 2022. Farmer preferences for adopting precision farming technologies: A case study from Italy. Eur. Rev. Agric. Econ. 49, 33–81. https://doi.org/10.1093/erae/jbaa031
Briz Escribano J, de Felipe I (eds), 2011. La cadena de valor agroalimentaria: análisis internacional de casos reales. Editorial Agrícola Española, Madrid, España. 832 pp.
Briz Escribano J, de Felipe I, Briz de Felipe T, 2010. La Cadena de Valor Alimentaria Un enfoque Metodológico. Bol. Econ. ICE. Madrid.
Deroo E, Maes E, 2023. Agridata Space: Building a European framework for the secure and trusted data space for agriculture D 1.1: Up-to-date online inventory.
Dessart FJ, Barreiro-Hurlé J, Van Bavel R, 2019. Behavioural factors affecting the adoption of sustainable farming practices: A policy-oriented review. Eur. Rev. Agric. Econ. 46 (3), 417–471. https://doi.org/10.1093/erae/jbz019
Dickey DA, Hasza DP, Fuller WA, 1984. Testing for Unit Roots in Seasonal Time Series. J. Am. Stat. Assoc. 79 (386), 355–367.
easytosee (ec2ce), 2024. Inteligencia Artificial para incrementar la Rentabilidad de su Negocio. https://ec2ce.com/#agricpred
EIP-AGRI Focus Group, 2021. Reducing the plastic footprint of agriculture.
Eisenträger M, Seifert I, Fotakidis D, Firogenis G, 2024. D2.1: Multi-stakeholder Governance Scheme and Business Models for Agricultural Data Spaces Building a European Framework for the secure and trusted data space for agriculture.
European Commission, 2024a. Commission starts setting up the Agriculture and Food Chain Observatory. https://agriculture.ec.europa.eu/news/commission-starts-setting-agriculture-and-food-chain-observatory-2024-04-09_en
European Commission, 2023a. A green transition that leaves no one behind. https://ec.europa.eu/commission/presscorner/detail/en/ac_23_3426
European Commission, 2023b. European Partnership “Agriculture of Data”-Unlocking the potential of data for sustainable agriculture-Strategic Research and Innovation Agenda.
European Commission Agriculture and Rural Development, 2024. Market Observatories. https://agriculture.ec.europa.eu/data-and-analysis/markets/overviews/market-observatories_es
European Commission Energy, C. change, E., 2024. Biodiversity strategy for 2030. https://environment.ec.europa.eu/strategy/biodiversity-strategy-2030_en
European Commission Food, F.F., 2024. Farm to Fork strategy. https://food.ec.europa.eu/horizontal-topics/farm-fork-strategy_en
European Commission Shaping Europe’s digital future, 2023. Common European data spaces for agriculture and mobility. https://digital-strategy.ec.europa.eu/en/library/common-european-data-spaces-agriculture-and-mobility
European Commission Strategy and Policy, 2024. The European Green Deal. https://commission.europa.eu/strategy-and-policy/priorities-2019-2024/european-green-deal_en [13 January 2025].
Gallardo R, 2024. Inteligencia Artificial y sector oleícola, un binomio con futuro. https://www.mercacei.com/noticia/61975/dia-mundial-del-olivo-2024/inteligencia-artificial-y-sector-oleicola-un-binomio-con-futuro.html
García R, 2023. Building a European framework for the secure and trusted data space for agriculture AgriDataSpace.
García R, Palma R, Dörr J, Eveslage J, Rauch B, Gomez T, 2023. Building a European framework for the secure and trusted data space for agriculture D3.1: Definition of requirements for Agriculture Data Space building blocks. Lead Author: Raffaele Giaffreda (FBK).
Gars J, Guerrero S, Kuhfuss L, Lankoski J, 2024. Do farmers prefer result-based, hybrid or practice-based agri-environmental schemes? Eur. Rev. Agric. Econ. 51 (3), 644–689. https://doi.org/10.1093/erae/jbae017
Gómez-Lucena I, Camacho Poyato E, Martín García I, Fahd Draissi K, Rodríguez-Díaz JA, 2024. NITRINET: A predictive model for nitrification in reclaimed water distribution in pressurised irrigation networks. Agric Water Manag 302. https://doi.org/10.1016/j.agwat.2024.108982
Herrero Velasco JM, 2021. Marco regulatorio de la cadena alimentaria en España. Distrib. Consum. 1.
Hormigo M, 2024. Inteligencia Artificial, logística y cadena de suministro agroalimentaria: de la granja a la mesa.
Hylleberg S, Engle RF, Granger CWJ, Yoo BS, 1990. Seasonal integration and cointegration. J. Econom. 44, 215–238.
Inês Diel M, Dal’col Lúcio A, Giacomini Sari B, Olivoto T, Vinícius Marques Pinheiro M, Ketzer Krysczum D, Jesus De Melo P, Schmidt D, 2021. Behavior of strawberry production with growth models: A multivariate approach. Acta Sci Agron 43, 1–11. https://doi.org/10.4025/actasciagron.v43i1.47812
Junta de Andalucía, 2024a. Observatorio de precios. https://www.juntadeandalucia.es/agriculturaypesca/observatorio/servlet/FrontController?ec=default [24 July 2024].
Junta de Andalucía, 2024b. Digitalización e Innovación. https://www.juntadeandalucia.es/organismos/agriculturapescaaguaydesarrollorural/areas/industrias-agroalimentarias/digitalizacion-innovacion.html [24 July 2024].
Kumar R, Bakshi P, Singh M, Singh AK, Preet BM, Vishaw V, Shrivatava JN, Kumar V, Gupta V, 2018. Organic production of strawberry: A review. Int. J. Chem. Stud. 6 (3), 1231–1236.
Lezoche M, Panetto H, Kacprzyk J, Hernandez JE, Alemany Díaz MME, 2020. Agri-food 4.0: A survey of the Supply Chains and Technologies for the Future Agriculture. Comput Ind. https://doi.org/10.1016/j.compind.2020.103187
Manikas I, 2022. ECO-READY Achieving Ecological Resilient Dynamism for the European food system through consumer-driven policies.
MAPA, 2019. Estrategia de digitalización del sector agroalimentario.
MIT Technology Review, 2023. The great acceleration: CIO perspectives on generative AI.
Moreno Marcos G, 2019. Dehesa, ganadería extensiva y cambio climático. https://www.unex.es/organizacion/servicios-universitarios/servicios/comunicacion/archivo/2019/diciembre-de-2019/5-de-diciembre-de-2019/dehesa-ganaderia-extensiva-y-cambio-climatico
Neven D, 2015. Organización de las Naciones Unidas para la Alimentación y la Agricultura. Roma.
Oluwafunmi Adijat E, Chinedu Ugochukwu I, Olubusola O, Favour Oluwadamilare U, Noluthando Zamanjomane M, 2024. AI-driven predictive analytics in agricultural supply chains: a review: Assessing the benefits and challenges of AI in forecasting demand and optimizing supply in agriculture. Comput. Sci. IT Res. J. 5, 473–497. https://doi.org/10.51594/csitrj.v5i2.817
Oosterkamp E, Logatcheva K, Van M, Georgiev GE, 2013. 13-058 Food price monitoring and observatories: an exploration of costs and effects. LEI Memorandum Wageningen UR.
Parra-López C, Reina-Usuga L, García-García G, Carmona-Torres C, 2024. Functional analysis of technological innovation systems enabling digital transformation: A semi-quantitative multicriteria framework applied in the olive sector. Agric Syst 214. https://doi.org/10.1016/j.agsy.2023.103848
Porter, 1985. Competitive advantage: Creating and sustainning superior performance. New York.
Rossi ES, Cacchiarelli L, Severini S, Sorrentino A, 2024. Consumers preferences and social sustainability: a discrete choice experiment on ‘Quality Agricultural Work’ ethical label in the Italian fruit sector. Agric. Food Econ. 12, 14. https://doi.org/10.1186/s40100-024-00307-9
Sarkki S, Ludvig A, Nijnik M, Kopiy S, 2022. Embracing policy paradoxes: EU’s Just Transition Fund and the aim “to leave no one behind.” Int Environ Agreem 22. https://doi.org/10.1007/s10784-022-09584-5
Storm H, Baylis K, Heckelei T, 2020. Machine learning in agricultural and applied economics. Eur. Rev. Agric. Econ. 47, 849–892. https://doi.org/10.1093/erae/jbz033
Taufique KMR, Nielsen KS, Dietz T, Shwom R, Stern PC, Vandenbergh MP, 2022. Revisiting the promise of carbon labelling. Nat Clim Chang 12, 132–140.
van Bussel LM, Kuijsten A, Mars M, van ‘t Veer P, 2022. Consumers’ perceptions on food-related sustainability: A systematic review. J Clean Prod. 341. https://doi.org/10.1016/j.jclepro.2022.130904
Wang L, Feng J, Sui X, Chu X, Mu W, 2020. Agricultural product price forecasting methods: research advances and trend. Br. Food J. 7. https://doi.org/10.1108/BFJ-09-2019-0683
Wolfert S, Ge L, Verdouw C, Bogaardt MJ, 2017. Big Data in Smart Farming – A review. Agric Syst. 153. https://doi.org/10.1016/j.agsy.2017.01.023
Derechos de autor 2026 Consejo Superior de Investigaciones Científicas (CSIC)
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
© 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.
