Titulo:
Pronóstico de la provisión azucarera agroindustrial en Matanzas, Cuba
.
Sumario:
El pronóstico de la provisión azucarera puede ser un instrumento fundamental en la toma de decisiones y en el manejo inteligente de recursos para contribuir con la sostenibilidad de la agroindustria azucarera. Para ello, en el presente trabajo se abordó, como caso de estudio, el análisis del registro histórico del procesamiento industrial de la caña de azúcar en el municipio Calimete, provincia Matanzas, Cuba. Se consideró, en el período de 2004 a 2021, a los kilogramos de azúcar por toneladas de tallos molidos, como indicador de provisión azucarera y se ajustó un modelo ARIMA estacional, con una escala trimestral. El modelo cumplió con los criterios de diagnóstico y de validación. A través del análisis de series de tiempo, se pudo pronos... Ver más
Guardado en:
0123-4226
2619-2551
27
2025-12-31
Yasmany García-López, Lourdes Yamen González-Sáez, Juan Alfredo Cabrera-Hernández - 2024
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
| id |
metarevistapublica_udca_revistau.d.c.aactualidad_divulgacioncientifica_94-article-2555 |
|---|---|
| record_format |
ojs |
| institution |
UNIVERSIDAD DE CIENCIAS APLICADAS Y AMBIENTALES |
| thumbnail |
https://nuevo.metarevistas.org/UNIVERSIDADDECIENCIASAPLICADASYAMBIENTALES/logo.png |
| country_str |
Colombia |
| collection |
Revista U.D.C.A Actualidad & Divulgación Científica |
| title |
Pronóstico de la provisión azucarera agroindustrial en Matanzas, Cuba |
| spellingShingle |
Pronóstico de la provisión azucarera agroindustrial en Matanzas, Cuba García-López, Yasmany González-Sáez, Lourdes Yamen Cabrera-Hernández, Juan Alfredo Servicio de provisión Agroindustria azucarera Modelo ARIMA Saccharum officinarum Serie de tiempo Sugar agroindustry Time series Provision service ARIMA Model Saccharum officinarum |
| title_short |
Pronóstico de la provisión azucarera agroindustrial en Matanzas, Cuba |
| title_full |
Pronóstico de la provisión azucarera agroindustrial en Matanzas, Cuba |
| title_fullStr |
Pronóstico de la provisión azucarera agroindustrial en Matanzas, Cuba |
| title_full_unstemmed |
Pronóstico de la provisión azucarera agroindustrial en Matanzas, Cuba |
| title_sort |
pronóstico de la provisión azucarera agroindustrial en matanzas, cuba |
| title_eng |
Forecasting of the agro-industrial sugar provision in Matanzas, Cuba |
| description |
El pronóstico de la provisión azucarera puede ser un instrumento fundamental en la toma de decisiones y en el manejo inteligente de recursos para contribuir con la sostenibilidad de la agroindustria azucarera. Para ello, en el presente trabajo se abordó, como caso de estudio, el análisis del registro histórico del procesamiento industrial de la caña de azúcar en el municipio Calimete, provincia Matanzas, Cuba. Se consideró, en el período de 2004 a 2021, a los kilogramos de azúcar por toneladas de tallos molidos, como indicador de provisión azucarera y se ajustó un modelo ARIMA estacional, con una escala trimestral. El modelo cumplió con los criterios de diagnóstico y de validación. A través del análisis de series de tiempo, se pudo pronosticar el indicador de provisión azucarera, a partir de su comportamiento histórico, lo que puede contribuir a la prevención o mitigación de escenarios futuros no deseados.
|
| description_eng |
The forecast of the sugar provision can be a fundamental tool for decision-making and the intelligent management of resources to contribute to the sustainability of the sugar agroindustry. For this purpose, in the present work, the analysis of the historical record of the industrial processing of sugar cane in the Calimete municipality, Matanzas province, Cuba, was addressed as a case study. In the period from 2004 to 2021, the kilograms of sugar per ton of ground stalks were considered as an indicator of sugar provision and a seasonal ARIMA model was adjusted with a quarterly scale. The model met the diagnostic and validation criteria. Thus, through time series analysis, the sugar provision indicator could be forecast based on its historical performance. Which can contribute to the prevention or mitigation of unwanted future scenarios.
|
| author |
García-López, Yasmany González-Sáez, Lourdes Yamen Cabrera-Hernández, Juan Alfredo |
| author_facet |
García-López, Yasmany González-Sáez, Lourdes Yamen Cabrera-Hernández, Juan Alfredo |
| topicspa_str_mv |
Servicio de provisión Agroindustria azucarera Modelo ARIMA Saccharum officinarum Serie de tiempo |
| topic |
Servicio de provisión Agroindustria azucarera Modelo ARIMA Saccharum officinarum Serie de tiempo Sugar agroindustry Time series Provision service ARIMA Model Saccharum officinarum |
| topic_facet |
Servicio de provisión Agroindustria azucarera Modelo ARIMA Saccharum officinarum Serie de tiempo Sugar agroindustry Time series Provision service ARIMA Model Saccharum officinarum |
| citationvolume |
27 |
| citationissue |
2 |
| citationedition |
Núm. 2 , Año 2024 :Revista U.D.C.A Actualidad & Divulgación Científica. Julio-Diciembre |
| publisher |
Universidad de Ciencias Aplicadas y Ambientales U.D.C.A |
| ispartofjournal |
Revista U.D.C.A Actualidad & Divulgación Científica |
| source |
https://revistas.udca.edu.co/index.php/ruadc/article/view/2555 |
| language |
Español |
| format |
Article |
| rights |
http://creativecommons.org/licenses/by-nc/4.0 Yasmany García-López, Lourdes Yamen González-Sáez, Juan Alfredo Cabrera-Hernández - 2024 Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0. info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| references |
ADHIKARI, K.; HARTEMINK, A. 2016. Linking soils to ecosystem services. A global review. Geoderma. 262:101-111. http://dx.doi.org/10.1016/j.geoderma.2015.08.009. ALONSO, A. 2021. La predicción de series temporales mediante el modelo de regresión. Anuario Jurídico y Económico Escurialense. 54:261-280. AMARIS, G.; ÁVILA, H.; GUERRERO, T. 2017. Aplicación de modelo ARIMA para el análisis de series de volúmenes anuales en el río Magdalena. Revista Tecnura. 21(52):88-101. http://dx.doi.org/10.14483/udistrital.jour.tecnura.2017.2.a07 BURKHARD, B.; MAES, J. 2017. Mapping Ecosystem Services. Pensoft Publishers. Sofia. Bulgaria. 365p. CABRERA MILANÉS, A.; DE LA CRUZ RIVADENEIRA, O.; GÓMEZ AVILÉS, B.; RODRÍGUEZ BETANCOURT, R. 2015. Integración de métodos estadísticos y económicos para la gestión en el proceso industrial cubano del azúcar de caña. Caso de estudio. Revista Técnica de la Facultad de Ingeniería Universidad de Zulia. 38(3):209-215. CHIANG GONZÁLEZ, J.; GONZÁLEZ MORALES, V.M.; REYES SÁNCHEZ, Y.; MIÑO VALDÉS, J. 2018. Influencia de las variedades de caña sobre la eficiencia industrial en la fábrica “14 de julio de Cienfuegos. Centro Azúcar. 45:41-49. CONTRERAS JUÁREZ, A.; ATZIRY ZUÑIGA, C.; MARTÍNEZ FLORES, J.; SÁNCHEZ PARTIDA, D. 2016. Análisis de series de tiempo en el pronóstico de la demanda de almacenamiento de productos perecederos. Estudios Gerenciales. 32:387-396. https://doi.org/10.1016/j.estger.2016.11.002 COSTANZA, R.; D’ARGE, R.; DE GROOT, R.S.; FARBER, S.; GRASSO, M.; HANNON, B.; LIMBURG, K.; NAEEM, S.; O’NEILL, R.; PARUELO, J.; RASKIN, R.G.; SUTTON, P.; VAN DEN BELT, M. 1997. The Value of the World’s Ecosystem Services and Natural Capital. Nature. 387:253-260. http://doi.org/10.1038/387253a0 DE GROOT, R.; BRAAT, L.; COSTANZA, R. 2017. A short history of the ecosystem services concept. En: Burkhard, M. (eds.) Mapping ecosystem services. Pensoft Publishers. Sofia, Bulgaria. p.31-34. DELGADILLO-RUIZ, O.; RAMÍREZ-MORENO, P.P.; LEOS-RODRÍGUEZ, J.; SALAS GONZÁLEZ, J.M.; VALDEZ-CEPEDA, R.D. 2016. Pronósticos y series de tiempo de rendimientos de granos básicos en México. Acta Universitaria. 26(3). http://doi.org/10.15174/au.2016.882 FERREIRA BOCCA, F.; ANTUNES RODRIGUES, L.H.; MODESTO ARRAES, N.A.M. 2015. When do I want to know and why? Different demands on sugarcane yield predictions. Agricultural Systems. 135:48–56. http://dx.doi.org/10.1016/j.agsy.2014.11.008 GARCÍA, Y.; GONZÁLEZ, L.Y.; CABRERA, J.A. 2022. Aplicaciones de aprendizaje automático para el análisis industrial de la provisión azucarera en Matanzas, Cuba. Revista U.D.C.A Actualidad & Divulgación Científica 25(2):e2334. http://doi.org/10.31910/rudca.v25.n2.2022.2334 GIL, V. 2016. Pronóstico de la demanda mensual de electricidad con series de tiempo. Revista EIA. 13 (26):111-120. https://doi.org/10.24050/reia.v13i26.749 GRUNEWALD, K.; BASTIAN, O.; SYRBE, R.-U. 2015. Space and time aspects of ES. En: Grunewald, K.; Bastian, O. (Eds.) Ecosystem Services - Concept, Methods and Case Studies p.53-65. Berlin (Germany): Springer. http://doi.org/10.1007/978-3-662-44143-5 HASSAN, Z.; SIRAJ-UD-DOULAH; HASAN, K. 2019. Forecasting the production of sugar cane based on time series models in Bangladesh. Bulletin of mathematics and statistics research. 7(4):24-32. HYNDMAN, R.; ATHANASOPOULOS, G.; BERGMEIR, C.; CACERES, G.; CHHAY, L.; O'HARA-WILD, M.; PETROPOULOS, F.; RAZBASH, S.; WANG, E.; YASMEEN, F. 2018. Forecast: Forecasting functions for time series and linear models. R package version 8.4. Disponible desde Internet en: https://CRAN.R-project.org/package=forecast ISTIFANUS, B.; EZEKIEL, A.M.; EZEANYA, N.C.; GAGARE, H.U. 2018. Prediction of sugar yield from sugar cane using process modelling. International Journal of Research in Engineering and Technology. 07(06). https://doi.org/10.15623/ijret.2018.0706009 KRISPIN, R. 2019. Hands-on time series analysis with R: Perform time series analysis and forecasting using R. Packt Publishing. Birmingham, Inglaterra. 448p. KRISPIN, R. 2020. TSstudio: functions for time series analysis and forecasting. R package version 0.1.6. Disponible desde Internet en: https://CRAN.R-project.org/package=TSstudio LUIS-ROJAS, S.; GARCÍA-SÁNCHEZ, R.; GARCÍA-MATA, R.; ARANA-CORONADO, O.; GONZÁLEZ-ESTRADA, A. 2019. Metodología Box - Jenkins para pronosticar los precios de huevo blanco pagados al productor en México. Agrociencia. 53(6): 911-925. MANLEY, K.; NYELELE, C.; EGOH, B.N. 2022. A review of machine learning and big data applications in addressing ecosystem service research gaps. Ecosystem Services. 57:101478. https://doi.org/10.1016/j.ecoser.2022.101478 MCGREE, S.; SCHREIDER, S.; KULESHOV, Y.; PRAKASH, B. 2020. On the use of mean and extreme climate indices to predict sugar yield in western Fiji. Weather and Climate Extremes. 29:100271. https://doi.org/10.1016/j.wace.2020.100271 MONTES PÁEZ, E.G.; CALVETE GONZÁLEZ E.E.; ALFONSO, C. 2016. Aplicación de series de tiempo en la realización de pronósticos de producción. Revista Fuentes. 14(1):79-88. https://doi.org/10.18273/revfue.v14n1-2016007 MWANGA, D.; ONG’ALA, J.; ORWA, G. 2017. Modeling sugarcane yields in the Kenya sugar industry: A SARIMA Model Forecasting Approach. International Journal of Statistics and Applications. 7(6):280-288. http://doi.org/10.5923/j.statistics.20170706.02 OLIVENCIA POLO, F.; FERRERO BERMEJO, J.; GÓMEZ FERNÁNDEZ, J.F.; CRESPO MÁRQUEZ, A. 2020. Failure Mode Prediction and Energy Forecasting of PV Plants to Assist Maintenance Task by ANN Based Models. In: A. Márquez et al. (eds.), Value Based and Intelligent Asset Management p.187-209. Switzerland: Springer. https://doi.org/10.1007/978-3-030-20704-5_9 R CORE TEAM. 2019. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria. Disponible desde Internet en: https://www.R-project.org/ RAMASUBRAMANIAN, K.; SINGH, A. 2019. Machine learning using R: With time series and industry-based use cases in R. Second Edition. Springer. New York, USA. https://doi.org/10.1007/978-1-4842-4215-5 RINCÓN-RUÍZ, A.; ECHEVERRY-DUQUE, M.; PIÑEROS, A.M.; TAPIA, C.H.; DAVID, A.; ARIAS-ARÉVALO, P.; ZULUAGA, P.A. 2014. Valoración integral de la biodiversidad y los servicios ecosistémicos: Aspectos conceptuales y metodológicos. Instituto de Investigación de Recursos Biológicos Alexander von Humboldt. Bogotá, Colombia. 151p. RUIZ LÓPEZ, H.R. 2018. Pronóstico de las exportaciones del cacao ecuatoriano para el 2018 con el uso de modelos de series de tiempo. INNOVA Research Journal. 3(6):9-20. https://dialnet.unirioja.es/servlet/articulo?codigo=6778620 SANJEEV, VERMA, U.; TONK, M. 2015. Time-series modelling for sugarcane yield estimation in Haryana. International Journal of Applied Mathematics and Statistical Sciences (IJAMSS). 4(6):53-62. SCHMITZ, A.; ZHANG, F. 2019. The Dynamics of sugarcane and sugar yields in Florida: 1950–2018. Crop science. 59:1880-1886. https://doi.org/10.2135/cropsci2018.11.0674 WAWERU, P.; BURKHARD, B.; MULLER F. 2016. A review of studies on ecosystem services in Africa. International Journal of Sustainable Built Environment. 5:225-245. http://dx.doi.org/10.1016/j.ijsbe.2016.08.005 |
| type_driver |
info:eu-repo/semantics/article |
| type_coar |
http://purl.org/coar/resource_type/c_6501 |
| type_version |
info:eu-repo/semantics/publishedVersion |
| type_coarversion |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| type_content |
Text |
| publishDate |
2025-12-31 |
| date_accessioned |
2024-12-31T00:00:00Z |
| date_available |
2024-12-31T00:00:00Z |
| url |
https://revistas.udca.edu.co/index.php/ruadc/article/view/2555 |
| url_doi |
https://doi.org/10.31910/rudca.v27.n2.2024.2555 |
| issn |
0123-4226 |
| eissn |
2619-2551 |
| doi |
10.31910/rudca.v27.n2.2024.2555 |
| url4_str_mv |
https://revistas.udca.edu.co/index.php/ruadc/article/download/2555/3305 |
| url2_str_mv |
https://revistas.udca.edu.co/index.php/ruadc/article/download/2555/3354 |
| _version_ |
1822471503614050304 |
| spelling |
Pronóstico de la provisión azucarera agroindustrial en Matanzas, Cuba ADHIKARI, K.; HARTEMINK, A. 2016. Linking soils to ecosystem services. A global review. Geoderma. 262:101-111. http://dx.doi.org/10.1016/j.geoderma.2015.08.009. ALONSO, A. 2021. La predicción de series temporales mediante el modelo de regresión. Anuario Jurídico y Económico Escurialense. 54:261-280. AMARIS, G.; ÁVILA, H.; GUERRERO, T. 2017. Aplicación de modelo ARIMA para el análisis de series de volúmenes anuales en el río Magdalena. Revista Tecnura. 21(52):88-101. http://dx.doi.org/10.14483/udistrital.jour.tecnura.2017.2.a07 BURKHARD, B.; MAES, J. 2017. Mapping Ecosystem Services. Pensoft Publishers. Sofia. Bulgaria. 365p. CABRERA MILANÉS, A.; DE LA CRUZ RIVADENEIRA, O.; GÓMEZ AVILÉS, B.; RODRÍGUEZ BETANCOURT, R. 2015. Integración de métodos estadísticos y económicos para la gestión en el proceso industrial cubano del azúcar de caña. Caso de estudio. Revista Técnica de la Facultad de Ingeniería Universidad de Zulia. 38(3):209-215. CHIANG GONZÁLEZ, J.; GONZÁLEZ MORALES, V.M.; REYES SÁNCHEZ, Y.; MIÑO VALDÉS, J. 2018. Influencia de las variedades de caña sobre la eficiencia industrial en la fábrica “14 de julio de Cienfuegos. Centro Azúcar. 45:41-49. CONTRERAS JUÁREZ, A.; ATZIRY ZUÑIGA, C.; MARTÍNEZ FLORES, J.; SÁNCHEZ PARTIDA, D. 2016. Análisis de series de tiempo en el pronóstico de la demanda de almacenamiento de productos perecederos. Estudios Gerenciales. 32:387-396. https://doi.org/10.1016/j.estger.2016.11.002 COSTANZA, R.; D’ARGE, R.; DE GROOT, R.S.; FARBER, S.; GRASSO, M.; HANNON, B.; LIMBURG, K.; NAEEM, S.; O’NEILL, R.; PARUELO, J.; RASKIN, R.G.; SUTTON, P.; VAN DEN BELT, M. 1997. The Value of the World’s Ecosystem Services and Natural Capital. Nature. 387:253-260. http://doi.org/10.1038/387253a0 DE GROOT, R.; BRAAT, L.; COSTANZA, R. 2017. A short history of the ecosystem services concept. En: Burkhard, M. (eds.) Mapping ecosystem services. Pensoft Publishers. Sofia, Bulgaria. p.31-34. DELGADILLO-RUIZ, O.; RAMÍREZ-MORENO, P.P.; LEOS-RODRÍGUEZ, J.; SALAS GONZÁLEZ, J.M.; VALDEZ-CEPEDA, R.D. 2016. Pronósticos y series de tiempo de rendimientos de granos básicos en México. Acta Universitaria. 26(3). http://doi.org/10.15174/au.2016.882 FERREIRA BOCCA, F.; ANTUNES RODRIGUES, L.H.; MODESTO ARRAES, N.A.M. 2015. When do I want to know and why? Different demands on sugarcane yield predictions. Agricultural Systems. 135:48–56. http://dx.doi.org/10.1016/j.agsy.2014.11.008 GARCÍA, Y.; GONZÁLEZ, L.Y.; CABRERA, J.A. 2022. Aplicaciones de aprendizaje automático para el análisis industrial de la provisión azucarera en Matanzas, Cuba. Revista U.D.C.A Actualidad & Divulgación Científica 25(2):e2334. http://doi.org/10.31910/rudca.v25.n2.2022.2334 GIL, V. 2016. Pronóstico de la demanda mensual de electricidad con series de tiempo. Revista EIA. 13 (26):111-120. https://doi.org/10.24050/reia.v13i26.749 GRUNEWALD, K.; BASTIAN, O.; SYRBE, R.-U. 2015. Space and time aspects of ES. En: Grunewald, K.; Bastian, O. (Eds.) Ecosystem Services - Concept, Methods and Case Studies p.53-65. Berlin (Germany): Springer. http://doi.org/10.1007/978-3-662-44143-5 HASSAN, Z.; SIRAJ-UD-DOULAH; HASAN, K. 2019. Forecasting the production of sugar cane based on time series models in Bangladesh. Bulletin of mathematics and statistics research. 7(4):24-32. HYNDMAN, R.; ATHANASOPOULOS, G.; BERGMEIR, C.; CACERES, G.; CHHAY, L.; O'HARA-WILD, M.; PETROPOULOS, F.; RAZBASH, S.; WANG, E.; YASMEEN, F. 2018. Forecast: Forecasting functions for time series and linear models. R package version 8.4. Disponible desde Internet en: https://CRAN.R-project.org/package=forecast ISTIFANUS, B.; EZEKIEL, A.M.; EZEANYA, N.C.; GAGARE, H.U. 2018. Prediction of sugar yield from sugar cane using process modelling. International Journal of Research in Engineering and Technology. 07(06). https://doi.org/10.15623/ijret.2018.0706009 KRISPIN, R. 2019. Hands-on time series analysis with R: Perform time series analysis and forecasting using R. Packt Publishing. Birmingham, Inglaterra. 448p. KRISPIN, R. 2020. TSstudio: functions for time series analysis and forecasting. R package version 0.1.6. Disponible desde Internet en: https://CRAN.R-project.org/package=TSstudio LUIS-ROJAS, S.; GARCÍA-SÁNCHEZ, R.; GARCÍA-MATA, R.; ARANA-CORONADO, O.; GONZÁLEZ-ESTRADA, A. 2019. Metodología Box - Jenkins para pronosticar los precios de huevo blanco pagados al productor en México. Agrociencia. 53(6): 911-925. MANLEY, K.; NYELELE, C.; EGOH, B.N. 2022. A review of machine learning and big data applications in addressing ecosystem service research gaps. Ecosystem Services. 57:101478. https://doi.org/10.1016/j.ecoser.2022.101478 MCGREE, S.; SCHREIDER, S.; KULESHOV, Y.; PRAKASH, B. 2020. On the use of mean and extreme climate indices to predict sugar yield in western Fiji. Weather and Climate Extremes. 29:100271. https://doi.org/10.1016/j.wace.2020.100271 MONTES PÁEZ, E.G.; CALVETE GONZÁLEZ E.E.; ALFONSO, C. 2016. Aplicación de series de tiempo en la realización de pronósticos de producción. Revista Fuentes. 14(1):79-88. https://doi.org/10.18273/revfue.v14n1-2016007 MWANGA, D.; ONG’ALA, J.; ORWA, G. 2017. Modeling sugarcane yields in the Kenya sugar industry: A SARIMA Model Forecasting Approach. International Journal of Statistics and Applications. 7(6):280-288. http://doi.org/10.5923/j.statistics.20170706.02 OLIVENCIA POLO, F.; FERRERO BERMEJO, J.; GÓMEZ FERNÁNDEZ, J.F.; CRESPO MÁRQUEZ, A. 2020. Failure Mode Prediction and Energy Forecasting of PV Plants to Assist Maintenance Task by ANN Based Models. In: A. Márquez et al. (eds.), Value Based and Intelligent Asset Management p.187-209. Switzerland: Springer. https://doi.org/10.1007/978-3-030-20704-5_9 R CORE TEAM. 2019. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria. Disponible desde Internet en: https://www.R-project.org/ RAMASUBRAMANIAN, K.; SINGH, A. 2019. Machine learning using R: With time series and industry-based use cases in R. Second Edition. Springer. New York, USA. https://doi.org/10.1007/978-1-4842-4215-5 RINCÓN-RUÍZ, A.; ECHEVERRY-DUQUE, M.; PIÑEROS, A.M.; TAPIA, C.H.; DAVID, A.; ARIAS-ARÉVALO, P.; ZULUAGA, P.A. 2014. Valoración integral de la biodiversidad y los servicios ecosistémicos: Aspectos conceptuales y metodológicos. Instituto de Investigación de Recursos Biológicos Alexander von Humboldt. Bogotá, Colombia. 151p. RUIZ LÓPEZ, H.R. 2018. Pronóstico de las exportaciones del cacao ecuatoriano para el 2018 con el uso de modelos de series de tiempo. INNOVA Research Journal. 3(6):9-20. https://dialnet.unirioja.es/servlet/articulo?codigo=6778620 SANJEEV, VERMA, U.; TONK, M. 2015. Time-series modelling for sugarcane yield estimation in Haryana. International Journal of Applied Mathematics and Statistical Sciences (IJAMSS). 4(6):53-62. SCHMITZ, A.; ZHANG, F. 2019. The Dynamics of sugarcane and sugar yields in Florida: 1950–2018. Crop science. 59:1880-1886. https://doi.org/10.2135/cropsci2018.11.0674 WAWERU, P.; BURKHARD, B.; MULLER F. 2016. A review of studies on ecosystem services in Africa. International Journal of Sustainable Built Environment. 5:225-245. http://dx.doi.org/10.1016/j.ijsbe.2016.08.005 Universidad de Ciencias Aplicadas y Ambientales U.D.C.A Revista U.D.C.A Actualidad & Divulgación Científica https://revistas.udca.edu.co/index.php/ruadc/article/view/2555 Español http://creativecommons.org/licenses/by-nc/4.0 Yasmany García-López, Lourdes Yamen González-Sáez, Juan Alfredo Cabrera-Hernández - 2024 Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0. info:eu-repo/semantics/article Artículo de revista http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_1843 info:eu-repo/semantics/publishedVersion http://purl.org/coar/version/c_970fb48d4fbd8a85 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 Text application/pdf text/xml Núm. 2 , Año 2024 :Revista U.D.C.A Actualidad & Divulgación Científica. Julio-Diciembre Servicio de provisión El pronóstico de la provisión azucarera puede ser un instrumento fundamental en la toma de decisiones y en el manejo inteligente de recursos para contribuir con la sostenibilidad de la agroindustria azucarera. Para ello, en el presente trabajo se abordó, como caso de estudio, el análisis del registro histórico del procesamiento industrial de la caña de azúcar en el municipio Calimete, provincia Matanzas, Cuba. Se consideró, en el período de 2004 a 2021, a los kilogramos de azúcar por toneladas de tallos molidos, como indicador de provisión azucarera y se ajustó un modelo ARIMA estacional, con una escala trimestral. El modelo cumplió con los criterios de diagnóstico y de validación. A través del análisis de series de tiempo, se pudo pronosticar el indicador de provisión azucarera, a partir de su comportamiento histórico, lo que puede contribuir a la prevención o mitigación de escenarios futuros no deseados. García-López, Yasmany González-Sáez, Lourdes Yamen Cabrera-Hernández, Juan Alfredo Agroindustria azucarera Modelo ARIMA Saccharum officinarum Serie de tiempo Publication 2 27 Sugar agroindustry Time series The forecast of the sugar provision can be a fundamental tool for decision-making and the intelligent management of resources to contribute to the sustainability of the sugar agroindustry. For this purpose, in the present work, the analysis of the historical record of the industrial processing of sugar cane in the Calimete municipality, Matanzas province, Cuba, was addressed as a case study. In the period from 2004 to 2021, the kilograms of sugar per ton of ground stalks were considered as an indicator of sugar provision and a seasonal ARIMA model was adjusted with a quarterly scale. The model met the diagnostic and validation criteria. Thus, through time series analysis, the sugar provision indicator could be forecast based on its historical performance. Which can contribute to the prevention or mitigation of unwanted future scenarios. Forecasting of the agro-industrial sugar provision in Matanzas, Cuba Provision service ARIMA Model Journal article Saccharum officinarum 0123-4226 https://revistas.udca.edu.co/index.php/ruadc/article/download/2555/3305 10.31910/rudca.v27.n2.2024.2555 2619-2551 2025-12-31 2024-12-31T00:00:00Z https://doi.org/10.31910/rudca.v27.n2.2024.2555 2024-12-31T00:00:00Z https://revistas.udca.edu.co/index.php/ruadc/article/download/2555/3354 |