Predicción de precios de productos de Pinus spp.con modelos ARIMA
DOI:
https://doi.org/10.21829/myb.2014.201174Resumen
En el noreste argentino se encuentra el polo forestal de mayor importancia del país, concentrado en las provincias de Misiones y Corrientes, siendo Pinus spp. L. la de mayor producción, las cuales abastecen a gran número de actividades industriales. Esto evidencia la necesidad de aplicar herramientas de gestión forestal para tomar mejores decisiones de inversión y manejo de los montes. Los modelos de gestión forestal suelen utilizar distintas técnicas, entre ellas simulación, basadas en investigación operativa, y econométricas. Generalmente, las técnicas econométricas suelen ser utilizadas para proyecciones de precios y retornos. Una clase importante de modelos con datos longitudinales es la familia de los modelos autorregresivos de media móvil, conocidos como ARIMA, por sus siglas en inglés, generalmente aplicados para describir tendencias y generar predicciones a partir de valores pasados de las series. En particular, la variación de precios forestales es una de las principales fuentes de incertidumbre en la planificación forestal. Sin embargo, es escasa aún la aplicación de técnicas y modelos de predicción en el área forestal, especialmente a nivel sudamericano. Los modelos ARIMA exhiben buen desempeño predictivo en el corto plazo, aunque pierden capacidad de pronóstico en horizontes alejados y presentan algunos otros inconvenientes. Se propone un modelo autorregresivo de media móvil (ARIMA) basado en la metodología de Box-Jenkins para predecir los precios de cuatro productos de Pinus spp. para el noreste argentino. Para ello se utilizan series temporales de precios correspondientes al periodo julio 2002-septiembre 2013. Los modelos propuestos predicen precios futuros con errores de predicción entre 0,9% y 1,8%.Descargas
Citas
Araujo-Cordeiro, S., N. Silva-Soares, M. Braga y M. Lopez da Silva. 2010. Previsões do preço de exportação da madeira serrada de Pinus no Brasil. Scientia Forestalis 38(36):205-214.
Arce, J. 1997. Um sistema de programação do transporte principal de multiproductos florestais visando a minimização de costos. Tesis de Maestría. Universidade Federal do Paraná. Curitiba, Brasil. 98 p.
Box, G. y G. Jenkins. 1976. Time series analysis: Forecasting and control. Revised ed. Holden-Day. California. EUA. 575 p.
Brockwell, P.J. y R.A. Davis. 2002. Introduction to time series and forecasting. 2a ed. Springer, Nueva York. 469 p. DOI: https://doi.org/10.1007/b97391
Brockwell, P.J. y R.A. Davis. 1987. Time series: Theory and methods. 2a ed. Springer. Nueva York. 519 p. DOI: https://doi.org/10.1007/978-1-4899-0004-3
Brooks, C. 2008. Introductory econometrics for finance. 2a ed. Cambridge University Press. Cambridge, Reino Unido. 648 p.
Buongiorno, J. y J.K. Gilless. 1987. Forest management and economics. 1a ed. Macmillan Publishing. Nueva York. 285 p.
Buongiorno, J. y J.K. Gilless. 2003. Decision methods for forest resource management. 1a ed. Academic Press. California. 439 pp.
Chu, K.Y. 1978. Short-run forecasting of commodity prices: An application of autoregressive moving average models. IMF Staff Papers 25(1):90 -111. DOI: https://doi.org/10.2307/3866657
Coelho Junior, L., J. Rezende, N. Calegario y M. Lopez da Silva. 2006. Análise longitudinal dos preços do carvão vegetal, no estado de Minas Gerais. Revista Árvore 30(3):429-438. DOI: https://doi.org/10.1590/S0100-67622006000300013
Dickey, D. y W. Fuller. 1981. Likelihood ratio statistics for autoregressive time series with a unit root. Econométrica49(4):1057-1072. DOI: https://doi.org/10.2307/1912517
Dickey, D. y W. Fuller. 1979. Distribution of the Estimators for Autoregressive Time Series with a Unit Root. Journal of the American Statistical Association 74(366):427- 431. DOI: https://doi.org/10.1080/01621459.1979.10482531
Enders, W. 2009. Applied econometric times series. 3a ed. Wiley. Nueva Jersey. 544 p.
Fernández Manso, A., J. Delgado y C. Quintano. 2001. Predicción de evolución de la vegetación a partir de análisis de las series temporales del NDV I. Acta IX Congreso Nacional de Teledetección. Lleida, España. 114-117 p. http://www.aet.org.es/congresos/ix/Lleida22.pdf
Gong, P. 1999. Optimal harvest policy with first-order autoregressive prices process. Journal of Forest Economics 5(3):413 - 439.
Granger, C.W. y P. Newbold. 1986. Economic forecasting; Time-series analysis; Mathematical models. 2a ed. Academic Press. Orlando. EUA. 338 p. DOI: https://doi.org/10.1016/B978-0-12-295183-1.50008-X
Hanke, J. y A. Reitsch. 1995. Business forecasting. 5a ed. Prentice Hall. Boston. 605 p.
Jarret, J. 1987. Business forecasting methods. 1a ed. Blackwell Publishers. Oxford. 240 pp.
Koutroumanidis, T., K. Loannou y G. Arabatzis. 20 09. Predicting fuelwood prices in Greece with the use of ARIMA models, artificial neural networks and hybrid ARIMA-ANN model. Energy Policy 37(9):3627-3634. DOI: https://doi.org/10.1016/j.enpol.2009.04.024
Leskinen, P. y J. Kangas. 1998. Modelling and simulation of timber prices for forest planning calculation. Scandinavian Journal of Forest Research 13(1):469-476. DOI: https://doi.org/10.1080/02827589809383008
Mei, B., M. Clutter y T. Harris. 2010. Modeling and forecasting pine sawtimber stumpage prices in the US South by various time series models. Canadian Journal of Forest Research 40(8):1506-1516. DOI: https://doi.org/10.1139/X10-087
Oliveira, R., J. Buongiorno y A. Kmiotek. 1977. Time series forecasting models of lumber cash, futures and basis prices. Forest Science 23(2):268-280. DOI: https://doi.org/10.1016/0308-521X(77)90002-6
Silva-Soares, N., M. Lopez da Silva, J.L. Pereira de Rezende, J. Eustaquio de Lima y K. Adame de Carvalho. 2010. Elaboração de modelo de previsão de preço da madera de Eucalyptus spp. Cerne 16(1):41-52 . DOI: https://doi.org/10.1590/S0104-77602010000100005
Silva-Soares, N., M. Lopez da Silva, J. Eustaquio de Lima y S. Araujo Cordeiro. 2008. Análise de Previsões do preço da borracha natural no Brasil. Scientia Forestalis 36(80):285-294.
SIFIP (Sistema de Información Foresto-Industrial Provincial). 2012. http://extension.facfor.unam.edu.ar/sifip/index.html
Viego, V. y D. Broz. 2012. Un modelo de predicción de precios forestales basados en la metodología Box-Jenkins. Acta XXVI Jornadas Técnicas Forestales de Entre Ríos, Argentina.
Yin, R.S. 1999. Forecasting short-term timber prices with univariate ARIMA models. South Journal of Applied Forestry 23(1):53 -58. DOI: https://doi.org/10.1093/sjaf/23.1.53
Descargas
Publicado
Cómo citar
-
Resumen323
-
PDF265
Número
Sección
Licencia
Madera y Bosques por Instituto de Ecología, A.C. se distribuye bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
