Predicción del nivel de cosecha de camarón blanco: el caso de una pequeña camaronera en la parroquia Tenguel del cantón Guayaquil, Ecuador
| Autor: | Ariana Rodríguez-Cristiansen, Carmen Padilla-Lozano, Patricia Valdiviezo-Valenzuela, Danny Arévalo-Avecillas, Holger Cevallos-Valdiviezo |
|---|---|
| Rok vydání: | 2020 |
| Předmět: |
International market
Statistical learning Mean squared prediction error Camarón blanco Litopenaeus vannamei MARS Cross-validation General Business Management and Accounting Aprendizaje estadístico Validación cruzada Geography Cosecha Harvest Predicción White shrimp Litopenaeus vannamei Prediction General Economics Econometrics and Finance Humanities |
| Zdroj: | RIO: Repositorio Institucional Olavide Universidad Pablo de Olavide (UPO) RIO. Repositorio Institucional Olavide instname |
| ISSN: | 1886-516X |
| DOI: | 10.46661/revmetodoscuanteconempresa.3791 |
| Popis: | Actualmente el sector camaronero del Ecuador es uno de los sectores no petroleros con mayor proyección de crecimiento hacia el mercado internacional. A pesar del auge de este sector, la mayoría de los pequeños productores de camarón toman sus decisiones operativas en función del conocimiento empírico del negocio, sin considerar datos históricos ni ninguna herramienta científica como fundamento de sus decisiones. En este trabajo implementamos y comparamos técnicas de aprendizaje estadístico de vanguardia para la predicción del nivel de cosecha de camarón blanco Litopenaeus vannamei de una pequeña camaronera ubicada en la parroquia Tenguel del cantón Guayaquil, Ecuador. Datos de 35 pescas que corresponden a 7 ciclos se usaron como datos. Luego se hicieron predicciones reales de cosecha para los dos siguientes ciclos. Las técnicas comparadas son: Regresión Lineal Múltiple (RLM) por mínimos cuadrados, Árbol de Regresión CART, Bosques Aleatorios, Regresión adaptativa multivariante por tramos (MARS) y Máquinas de Soporte Vectorial (SVM). MARS sin interacciones, el modelo de RLM aditivo con selección de predictores por Best Subset Selection y SVM con Núcleo lineal produjeron un menor error de predicción por Validación Cruzada. El buen rendimiento predictivo de estos métodos fue confirmado con buenos resultados de predicción real en los dos siguientes ciclos. El uso de técnicas estadísticas de vanguardia puede ser de gran ayuda para obtener predicciones confiables, y, por tanto, para mejorar los procesos operativos de las pequeñas camaroneras. Shrimp sector in Ecuador is nowadays one of the fastest-growing non-oil sectors towards the international market. In despite of this growth, to our knowledge most of the little producers of shrimps in Ecuador take important operational decisions based upon empirical knowledge, without considering historical data nor any scientific tool. In this work we implement and compare state-of-the-art statistical learning techniques for the prediction of shrimp harvest (in pounds) for a little shrimp farm located in Tenguel, Guayaquil-Ecuador. For this study we used historical information collected by the farm biologist. The data was organized and put into a digital format by the authors. Data from n=35 past harvests, corresponding to 7 cycles of production, were used to train the models. We then made predictions of shrimp harvest for the next two production cycles. We compare Multiple Linear Regression by means of ordinary least squares, CART Regression Tree, Random Forests, Multivariate Adaptive Regression Splines (MARS) and Support Vector Machines (SVM). In our analysis, MARS with no interaction terms allowed, Linear Regression with best subset variable selection and SVM with linear Kernel gave the lowest prediction error estimate by Cross Validation. Their good predictive performance was confirmed with good predictions on the next two production cycles. The use of statistical techniques can be of great help to improve predictions and therefore operational processes of small shrimp farms Universidad Pablo de Olavide |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|