<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Análisis del comportamiento histórico y clasificación mediante machine learning de la variación mensual del precio del tomate riñón en mercados mayoristas del Ecuador utilizando datos públicos del SIPA

Cargando...
Miniatura

Fecha

Título de la revista

ISSN de la revista

Título del volumen

Editor

PUCE - Quito

DOI

Resumen

La variación de los precios agrícolas constituye un fenómeno de interés económico y comercial debido a sus efectos sobre la planificación, la distribución y la comercialización de los productos alimentarios. En los mercados agrícolas, los precios pueden experimentar alzas, bajas o períodos de estabilidad como consecuencia de factores temporales, productivos, territoriales, comerciales y logísticos. Estas variaciones crean incertidumbre para quienes participan en la venta de estos productos y dificultan predecir cómo se comportarán los mercados en el futuro. En Ecuador, el tomate riñón es un producto hortícola de consumo frecuente que se vende en diversos mercados mayoristas. El valor del tomate puede variar según el período y el lugar de comercialización, debido a las características propias de cada mercado, la disponibilidad del producto, su naturaleza perecedera y otros factores asociados a la dinámica agrícola. De este modo, el estudio histórico de los precios facilita descubrir tendencias, fluctuaciones y diferencias geográficas relevantes para entender los cambios que experimenta el producto. El Sistema de Información Pública Agropecuaria (SIPA) contiene datos públicos sobre los precios de productos agrícolas de mercados mayoristas del Ecuador. Esta información representa una fuente relevante para la aplicación de métodos estadísticos y el desarrollo de investigaciones científicas. Sin embargo, su empleo implica procesos de integración, limpieza, transformación y organización que permitan construir un conjunto de datos consistente y adecuado para el análisis. Como antecedente en el país se encuentra el estudio desarrollado por Peñafiel et al. (2025), investigadores del Instituto Superior Tecnológico Alfonso Herrera, quienes aplicaron técnicas de aprendizaje automático para la predicción de precios agrícolas en la provincia del Carchi, enfocándose en productos como el maíz, la papa, el trigo y el frijol. En su investigación se emplearon algoritmos como regresión lineal, árboles de decisión y redes neuronales. Para el desarrollo del estudio, se utilizó un dataset conformado por registros históricos de precios y producción agrícola correspondientes a la provincia del Carchi. Otro antecedente relevante es el estudio desarrollado por Asencio Beltrán (2022), investigadora de la Universidad de Guayaquil, quien creó un prototipo basado en algoritmos de aprendizaje automático supervisado para predecir los precios de los insumos más utilizados por los agricultores de la costa ecuatoriana. La investigación aplicó modelos de series de tiempo mediante redes neuronales artificiales MLP y LSTM para pronosticar el comportamiento de los precios de fertilizantes y agroquímicos. Para ello, se utilizó un dataset proporcionado por el SIPA, correspondiente al período de enero de 2013 a abril de 2022. De manera complementaria, organismos internacionales como la Organización de las Naciones Unidas para la Alimentación y la Agricultura promueven el uso de tecnologías digitales, inteligencia artificial y análisis de datos para fortalecer la eficiencia, sostenibilidad y capacidad de respuesta de los sistemas agroalimentarios (FAO, 2022). Estas iniciativas evidencian la creciente importancia de aplicar herramientas tecnológicas al estudio de fenómenos agrícolas. Aunque las investigaciones anteriores demuestran la utilidad del Machine Learning para estimar precios agrícolas, la mayor parte de estos trabajos se ha concentrado en la predicción de valores numéricos continuos, en productos distintos al tomate riñón o en ámbitos geográficos específicos. En consecuencia, existe la oportunidad de estudiar el comportamiento del precio desde una perspectiva diferente, orientada a identificar la dirección de su variación mensual mediante categorías interpretables.

Descripción

Citación

Aprobación

Revisión

Complementado por

Referenciado por