Machine learning and econometric applications for increasing profitability and efficiency: A case study on sustainable production and trade in agro-based industries

[ES] Se espera que en 2050 la poblaci´on mundial haya alcanzado los 9 000 millones de personas. El crecimiento de la poblaci´on a nivel mundial va a dar lugar a un crecimiento en la demanda de productos de consumo derivados de la agricultura. Es por ello que se espera que la producci´on agr´ıcola incremente alrededor de un 70 % a nivel mundial. Las aplicaciones tecnol´ogicas en agricultura en los ´ultimos a˜nos han permitido aumentar la producci´on y contribuir a la reducci´on de la contaminaci´on, utilizar de forma sostenible los recursos naturales, prever costes, mitigar riesgos e incluso poder anticiparse a una potencial quiebra. En este sentido, uno de los retos de los pr´oximos a˜nos a nivel global es dise˜nar metodolog´ıas que permitan a las empresas del sector agropecuario ser m´as eficientes y sostenibles independientemente del ´ındice de desarrollo tecnol´ogico de la regi´on en la que se encuentren. En esta investigaci´on, tomando como caso de estudio el sector agropecuario, se ha dise˜nado y validado una metodolog´ıa modular que combina algoritmos de aprendizaje autom´atico y modelos econom´etricos orientada a la mejora de la gesti´on de los recursos, permitir a las empresas m´as competitivas y sostenibles para fomentar su inversi´on. Para desarrollar la metodolog´ıa se han llevado a cabo tres experimentos. El primer experimento se ha orientado a medir la eficiencia de recursos a partir de un m´etodo no param´etrico para la estimaci´on de las fronteras de producci´on en el que se han incorporado los costes derivados de las transferencias de datos, permitiendo identificar las fronteras de producci´on m´as ´optimas teniendo en cuenta los costes tecnol´ogicos. Para el segundo experimento se ha dise˜nado un sistema multi-agente para predecir oscilaciones de los precios en los mercados de futuros en productos derivados del sector agropecuario. El sistema multi-agente est´a dise˜nado como un sistema de apoyo a la toma de decisiones en el que los potenciales compradores o vendedores pueden incorporar par´ametros de impacto medioambiental. Finalmente, el ´ultimo experimento consiste en el dise˜no de una metodolog´ıa de razonamiento basado en casos para la recomendaci´on de inversi´on en una empresa. El ´ultimo experimento permite incorporar capital a las empresas del sector agropecuario para invertir en tecnolog´ıa. Adem´as, se ha implementado una mejora sobre tercer experimento en el que se ha podido incrementar el rendimiento del sistema de recomendaci´on de inversiones, en el que en la parte de clasificaci´on se comparan distintas m´etricas de evaluaci´on en las situaciones en los que los datos no est´an balanceados.
[EN] By 2050, the world population is expected to reach 9 billion people. Global population growth will lead to an increase in consumer demand for products derived from agriculture. As a result, agricultural production is expected to increase by approximately 70% worldwide. Over the last years, technological applications have made it possible to increase agricultural production and contribute to reduce pollution, the sustainable use of natural resources, cost forecast, risk mitigation and even potential bankruptcy anticipation. In this regard, one of the global, near-future challenges is designing methodologies that enable companies in the agricultural sector to be more efficient and sustainable regardless of the technological development index of the region in which they are located. In this research, taking the agricultural sector as a case study, has been designed and validated a modular methodology that combines machine learning algorithms and econometric models aimed at improving the management of resources, allowing companies to be more competitive and sustainable in order to encourage their investment. To develop the methodology, three experiments were carried out. The first experiment was aimed at measuring resource efficiency based on a non-parametric method for estimating production frontiers in which the costs derived from data transfers were incorporated, making it possible to identify the most optimal production frontiers taking into account technological costs. For the second experiment, a multi-agent system has been designed to predict price variations in futures markets for agricultural products. The multi-agent system is been designed as a decision support system in which potential buyers or sellers can incorporate environmental impact parameters. Finally, the last experiment consists of the design of a case-based reasoning methodology for the recommendation of investment in a company. The last experiment enables the incorporation of investment of capital to companies in the agricultural sector. In addition, to increase the performance of the investment recommender system an improvement has been implemented in the third experiment. This improvement has made it possible for the system’s classification element to compare different evaluation metrics in situations where the data labels are not balanced.