Modelación de Redes Neuronales para la Toma de Decisiones de Impacto Económico, Caso de Estudio: Sector Productivo Oleaginoso

Abstract

La mayoría de los sistemas reales ya sean en el ámbito de producción, financiero, económico entre otros contienen componentes que, al momento de ser representados por modelos matemáticos, generan un grado de complejidad por dos principales motivos: el primero por la conexión entre sus componentes, pueden ser modelos no lineales e incluso complejos, y por lo tanto difícil de ser interpretados y la segunda por la complejidad de su resolución, de manera que la derivación de la ecuación global del sistema interconectado puede en sí ser un problema difícil. La economía es un claro ejemplo de un sistema complejo y dinámico, involucra a varios actores: gobierno, industrias manufactureras y servicios, entre otras. El gobierno controla una economía a través de leyes e impuestos, y personas canalizan su ahorro a la inversión y/o gasto. Ya se realizaron numerosas teorías que tratan de explicar el sistema tanto a nivel macroeconómico como microeconómico, pero esta modelización es difícil de representarla porque está fuertemente influenciada por los comportamientos de diferentes actores, por tal motivo que será el centro de investigación. Keynes desarrollo un modelo simple para entender las relaciones entre el producto interno bruto, inversión, consumo y gastos de gobierno, una de las principales observaciones que realizo fue que a un aumento en la inversión en los gastos de gobierno puede lograr un incremento en el producto interno bruto. Por lo cual el propósito de la presente investigación es representar modelos económicos interrelacionados entre sí, con el objetivo de cuantificar el impacto de sus decisiones, a nivel macroeconómico y posteriormente microeconómico. Con modelos de esta índole las empresas podrán medir a profundidad políticas macroeconómicas directa e indirectamente, así como la respuesta probable ante factores externos, todo integrado bajo un modelo inteligente. Una herramienta que va a ayudar a entender estos sistemas dinámicos y sus mecanismos de transmisión son los algoritmos genéricos conocidos también como redes neuronales artificiales. Con el incentivo de buscar un método nuevo requiere la modelización y estimación numérica de variables lleva a la investigación sobre inteligencia artificial que permiten resolver problemas reales y complejos. Las características de las redes neuronales las hacen muy apropiadas para aplicaciones en las que no se dispone a priori de un modelo identificable que pueda ser programado. A la vez son altamente robustas tanto al ruido como a la disfunción de elementos concretos, es decir que son tolerantes a fallos, pero además de eso tienen varias ventajas para poder estimar correctamente. La mayoría de los sistemas contienen componentes que, al momento de ser representados por modelos matemáticos, generan un grado de complejidad por dos principales motivos: el primero por la conexión entre sus componentes, pueden ser modelos no lineales e incluso complejos, y por lo tanto difícil de ser interpretados y la segunda por la complejidad de su resolución, de manera que la derivación de la ecuación global del sistema interconectado puede en sí ser un problema difícil. Para representar este sistema dinámico, se debe implementar nuevos métodos que son un bien escaso para muchas empresas (productivas, financieras u otras), por lo que genera la necesidad de realizar nuevas investigaciones científicas sobre su diseño, con el objetivo de ser una herramienta eficaz en la toma de decisiones. Un sistema dinámico, cuyo comportamiento cambia a través del tiempo, ofrece una repuesta por un impulso externo, causado por otro sistema (o más de dos), que para entenderlo y modelarlo introducimos el término control, es un algoritmo de retroalimentación, el cual mide las magnitudes de sus salidas y las ajusta de acuerdo a un comportamiento histórico. Podemos mencionar varios ejemplos de su aplicación como: Industria Química, Logística, Redes Computacionales, Economía, entre otras, explicados a profundidad en (Karl Johan Astrom, 2009) De acuerdo a un estudio preliminar el complejo oleaginoso tiene mayor incidencia en el crecimiento económico, los cultivos de soya en 1980 eran de 37.580 hectáreas y subieron para el 2017 a 1.900.000 hectáreas. Para tal fin, el estudio que a continuación se presenta cuantificará el nivel de producción de aceite y harina de soya ante cambios del entorno macroeconómico.