IA en Mercados de Alimentos en Colombia: Usando Machine Learning para Enfrentar Crisis de Precios
Los choques de precios han sido por largo tiempo uno de los principales problemas que los agricultores se enfrentan en países en desarrollo. Este problema crea un riesgo a su inversión y estilo de vida cuando se encuentran con precios bajos al momento de la cosecha, llevándolos a situación de pobrez...
- Autores:
-
Niño Chaparro, Gustavo Enrique
Niño Chaparro, Alejandro
Chaparro Pesca, Jorge Alberto
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2024
- Institución:
- Corporación Universidad de la Costa
- Repositorio:
- REDICUC - Repositorio CUC
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.cuc.edu.co:11323/13738
- Palabra clave:
- Machine learning
crops price crises
policy targeting.
Aprendizaje automático
crisis precios alimentos
políticas focalización.
- Rights
- openAccess
- License
- Gustavo Enrique Niño Chaparro, Alejandro Niño Chaparro, Jorge Alberto Chaparro Pesca - 2024
| Summary: | Los choques de precios han sido por largo tiempo uno de los principales problemas que los agricultores se enfrentan en países en desarrollo. Este problema crea un riesgo a su inversión y estilo de vida cuando se encuentran con precios bajos al momento de la cosecha, llevándolos a situación de pobreza. Gobiernos regionales generalmente responden a las crisis de manera ineficiente, repartiendo ayudas indiscriminadamente. A pesar de que gobiernos locales pueden aplicar muchas herramientas para prevenir los cambios drásticos en los precios agrícolas, esas herramientas tienden a ser muy costosas y difíciles de implementar. El principal objetivo de esta investigación es mostrar la posibilidad de usar una herramienta de machine learning que sea costo efectivo que predice las municipalidades más propensas a ser afectadas por un shock de precios, permitiendo a los gobiernos locales dirigir eficazmente la asistencia donde más se necesita. Dos modelos son usados en este articulo, random forest y arboles de decisión. Los hallazgos sugieren que usando estructuras simples de árbol de decisión y Random Forest, se logra predecir hasta un 79% de los municipios afectados por el choque. Este articulo muestra que esta estructura simple de machine learning puede equipar a los gobiernos con datos confiables para ser usados en crisis de precios a un costo bajo de focalización. |
|---|