Forecasting agricultural product imports using time series models: The Case of Ecuador.
Article Sidebar
Main Article Content
Abstract
The methodology employed in this study, using time series analysis, was to estimate and forecast imports of selected products—including fertilizers, petroleum products, telecommunications and communication equipment, and agricultural chemicals with the aim of predicting their short-term values. For the study, data on imports arriving at the seaports of Guayaquil and Posorja, Ecuador, were considered. The 2017–2019 period shows import trends for these products, which can serve as a strategic tool for analysis, decision-making, and investment. Given the above considerations, the time series used from the historical data of the analyzed products are processed and best fitted to AR, MA, and ARMA models, each with its own specific characteristics for each product, becoming homogeneous over time. Additionally, forecast values are estimated with 95% confidence intervals for projections of products in 40-metric-ton containers. Forecast results may vary due to market demand and country of origin; when system variables are stable, the ARMA model provides the most accurate predictions for the product with the highest demand.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
Alzúa, L., y Gosis, M. (2020). Impacto Social y Económico de la COVID-19 y Opciones de Políticas en Argentina. PNUD América Latina y El Caribe, 6, 1–27. www.latinamerica.undp.org
Andersen, T., Boilerslev, T., Diebold, F., y Labys, P. (2001). Modeling and forescating realized volatility. Finance, January. httpswww.kellogg.northwestern.edufacultyandersenhtmabdl4.pdf.pdf
Antunez, C. (2011). Análisis de Series de Tiempo Lineales: Vol. I.
Banco Central del Ecuador (BCE) (2020a). Información Estadística Mensual No. 2019 - Mayo 2020 Exportaciones FOB por grupos de productos (p. IEM-312-e). https:// contenido.bce.fin.ec/home1/estadisticas/bolmensual/IEMensual.jsp
Banco Central del Ecuador (BCE), (2020b). Información Estadística Mensual No. 2019 - Mayo 2020 Importaciones CIF por uso o Destino Económico (1) (p. IEM-317-e). https://contenido.bce.fin.ec/home1/estadisticas/bolmensual/IEMensual.jsp
Cervantes, L., Caro, A., y Chávez, M. (2017). Filtros econométricos en el análisis de series de tiempo. In F. Editorial (Ed.), Universidad Inca Garcilaso de la Vega. Textos Universitarios. http://repositorio.uigv.edu.pe/handle/20.500.11818/1221
Chang, V. (2019). Un análisis de series de tiempo mediante modelos SARIMAX para la proyección de demanda de carga en el puerto del Callao. Análisis Económico y Financiero, 1(3), 15–31. https://www.aulavirtualusmp.pe/ojs/index.php/raef/article/ view/1694/1707
Chaves, R., Góis, M. R., y Ulises, C. (2007). Previsão de preços futuros de Commodities agrícolas com diferenciações inteira e fracionária, e erros heteroscedásticos. Revista de Economia e Sociologia Rural, 45(3), 621–644. https://doi.org/10.1590/ s0103-20032007000300004
Clavijo, P. (2017). Balance comercial y volatilidad del tipo de cambio nominal: Un estudio de series de tiempo para Colombia. Economía y Región., 11(1), 37–58. httpsrevistas.utb.edu.coindex.phpeconomiayregionarticleview146135.pdf
Contreras, A., Atziry, C., Martínez, J., y Sánchez, D. (2016). Análisis de series de tiempo en el pronóstico de la demanda de almacenamiento de productos perecederos. Estudios Gerenciales, 32(141), 387–396. https://doi.org/10.1016/j.estger.2016.11.002
Corporación Financiera Nacional (CFN) (2017). Ficha Sectorial 1,1, p. 24. https://www. cfn.fin.ec/wp-content/uploads/2017/10/FS-Octubre-2017.pdf
Cryer, J. D., y Chan, K.-S. (2008). Time Series With Applications in R.
Cuenca, N., Chavarro, F., y Díaz, O. (2018). Ciencia y Desarrollo. Universidad Alas Peruanas. Revista Facultad de Ciencias Económicas: Investigación y Reflexión, 21(2), 49–59. https://doi.org/10.21503/CienciayDesarrollo.2015.v18i2.05
Delgadillo, O., Ramírez, P. P., Leos, J. A., Salas, J. M., y Valdez, R. D. (2016). Pronósticos y series de tiempo de rendimientos de granos básicos en México. Acta Universitaria, 26(3), 23–32. https://doi.org/10.15174/au.2016.882
Dos Santos, L., Portela, A., y Da Costa, N. (2008). Podemos prever a taxa de cambio brasileira? Evidência empírica utilizando inteligência computacional e modelos econométricos. Gestao e Producao, 15(3), 635–647. https://doi.org/10.1590/s0104- 530x2008000300016
Echavarría, J., Giraldo, I., y Jaramillo, F. (2019). Estimaciones de las elasticidades de oferta y demanda de importaciones en Colombia. Borradores de Economía, 1081. httpsrepositorio.banrep.gov.cobitstreamhandle20.500.121349710be_1081.pdfsequence=7&isAllowed=y
Fares, F., Zack, G., y Martínez, R. (2017). Cálculo de los índices de precio sectorialaes de las importaciones argentinas. Revista Economía y Desafíos Del Desarrollo, 1, 1–476. https://doi.org/10.1017/CBO9781107415324.004
Farooqi, A. (2014). ARIMA model building and forecasting on imports and exports of Pakistan. Pakistan Journal of Statistics and Operation Research, 10(2), 157–168. https://doi.org/10.18187/pjsor.v10i2.732
Flores, F. (2019). Pronóstico y determinación datos faltantes en series de tiempo meteorológicas de la región Mo- quegua, provincia de ILO. Revista de Divulgación Sincretismo, 01, 49–54. http200.60.83.162index.phpsincretismoarticleview149.pdf
Flores, M. (1997). Importaciones totales: Reformulación del Modelo ARIMA y actualizaciones de los factores estacionales. Banco Central de Costa Rica. Departamento de Investigaciones Económicas. httpsactivos.bccr.fi.crsitiosbccrndieDocNdieEC-11-1997.PDF.PDF
Fokin, N., y Polbin, A. (2019). Forecasting Russia’s Key Macroeconomic Indicators with the VAR-LASSO Model. Russian Journal of Money and Finance, 78(2), 67–93. https://doi.org/10.31477/rjmf.201902.67
Garcia, F., Batyrshin, I., y Gelbukh, A. (2016). Similitud de series de tiempo basada en longitud de patrones de la transformada por aproximación móvil. Research in Computing Science, 115(1), 79–92. https://doi.org/10.13053/rcs-115-1-7
Hevia, C., y Neumeyer, A. (2020). Un marco conceptual para analizar el impacto económico de COVID-19 y sus implicaciones políticas. Undp.Org, 1, 1–18. www.latinamerica.undp.org
Idrees, S., Alam, A., y Agarwal, P. (2019). A Prediction Approach for Stock Market Volatility Based on Time Series Data. IEEE Access, 7, 17287–17298. https://doi. org/10.1109/ACCESS.2019.2895252
Kamal, I. M., Bae, H., Sunghyun, S., y Yun, H. (2020). DERN: Deep ensemble learning model for shortand long-term prediction of baltic dry index. Applied Sciences (Switzerland), 10(4). https://doi.org/10.3390/app10041504
Kim, J. (2008). The forecasting of port-container volume in Korea. The Journal of Shipping and Logistics, 59(1), 175–194. httpwww.kci.go.krkciportalcisereArticleSearchciSereArtiView.kcisereArticleSearchBean.artiId=ART001299806&locale=en&- SID=7CSJRQTXXVFELdg26ZS.pdf
Liu, L., y Park, K. (2011). Empirical analysis of influence factors to container throughput in Korea and China ports. Asian Journal of Shipping and Logistics, 27(2), 279–303. https://doi.org/10.1016/S2092-5212(11)80013-1
Paniagua, J. (2017). Modelación econometrica de la demanda de semilla de chile dulce lamuyo y blocky en Costa Rica mediante series de tiempo unvariadas. E-Agronegocios, 3(2), 1–12. https://sites.google.com/site/eagronegociosucr/
Peña, D. (2010). Análisis de series temporales (Www.alianzaeditorial.es (ed.)). alianzaeditorial@anaya.es.
Pocaterra, V. (2019). Elasticidades de corto y largo plazo en las importaciones de Ecuador. Revista De Ciencias Sociales, 25(2), 217–231. https://doi.org/10.31876/rcs. v25i2.27349
Salazar, L., Nicolis, O., Ruggeri, F., Kisel’ák, J., y Stehlík, M. (2019). Predicting hourly ozone concentrations using wavelets and ARIMA models. Neural Computing and Applications, 31(8), 4331–4340. https://doi.org/10.1007/s00521-018-3345-0
Saturnino, O., Lucenam, P., y Saturnino, V. (2013). Liquidez y valor de mercado de Stock Brasileño: Modelo de cinco factores. Journal of Chemical Information and Modeling, 53(9), 1689–1699. https://doi.org/10.1017/CBO9781107415324.004
Villarreal, F. G. (2005). Elementos teóricos del ajuste estacional de series económicas utilizando X-12-ARIMA y TRAMO-SEATS. In C. D. de E. y P. Económicas (Ed.), Estudios estadísticos y prospectivos. Publicación de las Naciones Unidas.
Villavicencio, J. (2018). Introducción a Series de Tiempo.
Yaselga, D. (2019). Un indicador de factores dinámicos para la evolución del PIB a corto plazo para el Ecuador. Cuestiones Económicas, 29(1). httpsestudioseconomicos. bce.fin.ecindex.phpRevistaCEarticleview3944.pdf