Metodología Box Jenkins y red neuronal artificial en la predicción de la producción de azúcar en el Perú, 1994 – 2023

Abstract

La presente investigación tiene como objetivo analizar y comparar la capacidad predictiva de la metodología Box Jenkins y de una red neuronal artificial (RNA) en la estimación de la producción de azúcar en el Perú, en el periodo 1994 - 2023. Este estudio responde a la necesidad de contar con modelos confiables que permitan anticipar el comportamiento de un sector agrícola - industrial estratégico para la economía nacional. Se implementó un modelo de RNA de tipo perceptrón multicapa, con 13 neuronas en la capa oculta y una capa de salida, obteniendo un Error Porcentual Absoluto Medio (MAPE) de 12.064%. Dicho resultado evidencia la capacidad de las RNA para modelar relaciones no lineales; aunque la magnitud del error obtenido limita su precisión. En contraste, el modelo SARIMA (3, 0, 1) (0, 1, 1)12 perteneciente a la metodología Box Jenkins, alcanzó un MAPE de 3.879%, demostrando un mejor desempeño y un ajuste más adecuado a la estacionalidad y variabilidad de la serie. El procesamiento de los datos realizado en el software R-Project garantiza la rigurosidad en la estimación de parámetros y en la comparación de resultados. Los hallazgos concluyen que, si bien las redes neuronales constituyen una alternativa moderna y flexible en la predicción de series temporales, en este caso el modelo Box Jenkins ofrece mayor precisión y confiabilidad. Así, los resultados obtenidos representan un insumo relevante para la planificación agrícola, la gestión de recursos y formulación de políticas orientadas al fortalecimiento de la industria azucarera en el país.