Métodos y modelos de estimación de la demanda en empresas productoras de acero

La industria siderúrgica a nivel mundial, tiene relación con el crecimiento de la economía de un país ya que se considera base de diferentes industrias manufactureras y principalmente del sector de la construcción. Es por esto que, el precio del acero es una variable importante en la economía como t...

Full description

Autores:
Rojas Colmenares, Katrin Alejandra
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad Militar Nueva Granada
Repositorio:
Repositorio UMNG
Idioma:
spa
OAI Identifier:
oai:repository.unimilitar.edu.co:10654/45695
Acceso en línea:
http://hdl.handle.net/10654/45695
Palabra clave:
INDUSTRIA SIDERURGICA
DEMANDA (TEORIA ECONOMICA)
Demand forecasting
Steel industry
Steel market
Combined models
Previsión de la demanda
Industria siderúrgica
Mercado del acero
Modelos combinados
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
Description
Summary:La industria siderúrgica a nivel mundial, tiene relación con el crecimiento de la economía de un país ya que se considera base de diferentes industrias manufactureras y principalmente del sector de la construcción. Es por esto que, el precio del acero es una variable importante en la economía como también lo es la demanda. Esta última define el comportamiento del precio y sigue tendencias marcadas principalmente por los lideres productores en el mundo. Dado lo anterior, es importante que las estimaciones de la demanda sean precisas, pues tienen grandes impactos en el precio de venta tanto a nivel nacional como internacional. En el presente artículo se realizó una revisión de literatura de métodos y modelos de previsión de la demanda utilizados en la industria del acero entre los años 2018 y 2023. A través de esta se identificaron y caracterizaron métodos y modelos cualitativos como promedios, suavizamiento exponencial y Holt; así como también se encontraron modelos de redes neuronales, inteligencia artificial y métodos combinados integrando teoría de juegos, minería de datos y regresiones logarítmicas con las cuales se llegó al relacionamiento de variables de demanda, oferta y precio. Este articulo presenta ventajas y desventajas de estos modelos, mostrando que los tradicionales no se ajustan a la no linealidad de los históricos por lo que se complementan al crear modelos combinados con modelos de redes neuronales. También muestra las ventajas de la construcción de modelos de relacionamiento de variables y como sus pronósticos son más precisos en comparación de modelos tradicionales.