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
[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 in...
| Autor: | |
|---|---|
| Formato: | tesis doctoral |
| Fecha de publicación: | 2022 |
| País: | España |
| Recursos: | Universidad de Salamanca (USAL) |
| Repositorio: | GREDOS. Repositorio Institucional de la Universidad de Salamanca |
| OAI Identifier: | oai:gredos.usal.es:10366/149567 |
| Acesso em linha: | http://hdl.handle.net/10366/149567 |
| Access Level: | acceso abierto |
| Palavra-chave: | Tesis y disertaciones académicas Universidad de Salamanca (España) Tesis Doctoral Academic dissertations Aprendizaje automático Rentabilidad Producción sostenible Agricultura 5312.11 Comercio 1203.18 Sistemas de Información, Diseño Componentes 3310 Tecnología Industrial |
| Resumo: | [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. |
|---|