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/
id UNIMILTAR2_06d3ccdcc74dd991442de6c2f9186b8f
oai_identifier_str oai:repository.unimilitar.edu.co:10654/45695
network_acronym_str UNIMILTAR2
network_name_str Repositorio UMNG
repository_id_str
dc.title.spa.fl_str_mv Métodos y modelos de estimación de la demanda en empresas productoras de acero
dc.title.translated.spa.fl_str_mv Demand forecasting methods and models for steel producers
title Métodos y modelos de estimación de la demanda en empresas productoras de acero
spellingShingle Métodos y modelos de estimación de la demanda en empresas productoras de acero
INDUSTRIA SIDERURGICA
DEMANDA (TEORIA ECONOMICA)
Demand forecasting
Steel industry
Steel market
Combined models
Previsión de la demanda
Industria siderúrgica
Mercado del acero
Modelos combinados
title_short Métodos y modelos de estimación de la demanda en empresas productoras de acero
title_full Métodos y modelos de estimación de la demanda en empresas productoras de acero
title_fullStr Métodos y modelos de estimación de la demanda en empresas productoras de acero
title_full_unstemmed Métodos y modelos de estimación de la demanda en empresas productoras de acero
title_sort Métodos y modelos de estimación de la demanda en empresas productoras de acero
dc.creator.fl_str_mv Rojas Colmenares, Katrin Alejandra
dc.contributor.advisor.none.fl_str_mv Castiblanco Velasquez, Yessica
dc.contributor.author.none.fl_str_mv Rojas Colmenares, Katrin Alejandra
dc.subject.lemb.spa.fl_str_mv INDUSTRIA SIDERURGICA
DEMANDA (TEORIA ECONOMICA)
topic INDUSTRIA SIDERURGICA
DEMANDA (TEORIA ECONOMICA)
Demand forecasting
Steel industry
Steel market
Combined models
Previsión de la demanda
Industria siderúrgica
Mercado del acero
Modelos combinados
dc.subject.keywords.spa.fl_str_mv Demand forecasting
Steel industry
Steel market
Combined models
dc.subject.proposal.spa.fl_str_mv Previsión de la demanda
Industria siderúrgica
Mercado del acero
Modelos combinados
description 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.
publishDate 2023
dc.date.issued.none.fl_str_mv 2023-06-08
dc.date.accessioned.none.fl_str_mv 2024-02-09T14:04:55Z
dc.date.available.none.fl_str_mv 2024-02-09T14:04:55Z
dc.type.local.spa.fl_str_mv Tesis/Trabajo de grado - Monografía - Especialización
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.*.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10654/45695
dc.identifier.instname.spa.fl_str_mv instname:Universidad Militar Nueva Granada
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Universidad Militar Nueva Granada
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.unimilitar.edu.co
url http://hdl.handle.net/10654/45695
identifier_str_mv instname:Universidad Militar Nueva Granada
reponame:Repositorio Institucional Universidad Militar Nueva Granada
repourl:https://repository.unimilitar.edu.co
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv M. Farhad, D. Kaveh y H. Ashkan, «Modeling steel supply and demand functions using logarithmic multiple regression analysis (case study: Steel industry in Iran),» Resources Policy, vol. 63, 2019.
M. Baulduino, M. Mendes, J. Farinha, A. Cardoso, A. Rui y L. Da Costa, «Forecasting Steel Production in the World—Assessments Based on Shallow and Deep Neutral Networks,» MDPI, vol. 12, p. 178, 2022.
ANDI, «Informe del sector siderurgico 2019-2020,» Bogotá, 2021.
S. Raju, A. Das, M. Islam, A. Al-Rakhami, A. Al-Amri, T. Mohiuddin y F. Albogamy, «An Approach for Demand Forecasting in Steel Industries Using Ensemble Learning,» Hindawi, p. 19, 2022.
W. Chen y X. Yin, «Trends and development of steel demand in China: A bottom–up analysis,» Resources Policy, vol. 38, pp. 407-415, 2013.
Y. Xuan y Q. Yue, «Forecast of steel demand and the availability of depreciated steel scrap in China,» Resources, Conservation and Recycling, vol. 109, pp. 1-12, 2016.
K. Zhou y S. Yang, «Emission reduction of china’s steel industry: progress and challenges,» Renew Sustain Energy, pp. 319-327, 2016.
C. Sampieri, C. Collado y P. Lucio, Metodología de la investigación, Mexico: McGraw - Hill, 1997
N. Nguyen, «Integrating Two Stages of Malmquist Index and Grey Forecasting to Access Industrial Performance: A Case of Vietnamese Steel Industry,» The Journal of Grey System , vol. 33, nº 1, 2021.
M. Ren, J. Dai, W. Zhu y F. Dai, «Combined modelling for iron ore demand forecasting with intelligent optimization algorithms,» Mineral Resources Management, vol. 37, pp. 21-38, 2021.
D. Lacombe y N. Michieka, «Forecasting China’s industrial output using a spatial Bayesian vector autoregressive model,» Growth and Change, vol. 49, pp. 712-742, 2018.
F. Ravazzolo y J. Vespignani, «World Steel Production: A New Monthly Indicator of Global Real Economic Activity,» 2017.
World Steel Association, «World Steel Association,» 2022. [En línea]. Available: https://worldsteel.org/steel-topics/statistics. [Último acceso: 20 05 2023].
Y. Zhang y X. Xu, «Regional steel price index forecasts with neural networks: evidence from east, south, north, central south, northeast, southwest, and northwest China,» The Journal of Supercomputing, 2023.
C. Magazzino y M. Mele, «A Machine Learning analysis of the relationship among iron and steel industries, air pollution, and economic growth in China,» Journal of Cleaner Production, vol. 277, 2020.
C. Bataille, M. Ahman, K. Neuhoff, L. Nilsson, M. Fischedick, S. Lechtenbohnen, B. Rodriguez, A. Ryan, S. Stiebert, H. Waisman, O. Sartor y S. Rahbar, «A review of technology and policy deep decarbonization pathway options for making energy-intensive industry production consistent with the Paris Agreement,» Journal of Cleaner Production, vol. 187, pp. 960-973, 2018.
T. Zhu, X. Wang, Y. Yu, C. Li, Q. Yao y Y. Li, «Multi-process and multi-pollutant control technology for ultra-low emissions in the iron and steel industry,» Journal of Environmental Science, vol. 123, pp. 83-95, 2023.
Z. Wang, Y. Zhao y L. He, «Forecasting the monthly iron ore import of China using a model combining empirical mode decomposition, non-linear autoregressive neural network, and autoregressive integrated moving average,» Applied Soft Computing Journal, vol. 94, 2020.
M. Arens, M. Ahman y V. Vogl, «Which countries are prepared to green their coal-based steel industry with electricity? - Reviewing climate and energy policy as well as the implementation of renewable electricity,» Renewable and Sustainable Energy Reviews, vol. 143, 2021.
P. Tissot, G. Vidor y L. Chiwiacowsky, «Implementation of a sales forecasting model in a special steel distribution company,» Revista de Gestao e Secretariado, vol. 13, pp. 2499-2513, 2022.
J. Fattah, L. Ezzine, Z. Aman, H. Moussami y A. Lachhab, «Forecasting of demand using ARIMA model,» International Journal of Engineering Business Management, vol. 10, 2018.
B. Gajdzik y B. K. P. Piatkowski, «PROGNOSTIC METHODOLOGY OF FORECASTS STEEL PRODUCTION FOR POLAND UNTIL 2022,» METALURGIJA, vol. 59, pp. 129-132, 2020.
IBM, «IBM,» 17 08 2021. [En línea]. Available: https://www.ibm.com/docs/es/spss-modeler/saas?topic=models-how-svm-works. [Último acceso: 21 05 2023].
B. Gajdzik, «TRENDS AND FORECASTS OF STEEL INTENSITY IN POLAND ON THE BASED APPARENT CRUDE STEEL USE UNTIL 2022,» METALURGIJA, vol. 59, pp. 399-402, 2020.
F. Mehmanpazir, K. Damghani y A. Hafezalkotob, «Dynamic strategic planning: A hybrid approach based on logarithmic regression, system dynamics, Game Theory and Fuzzy Inference System (Case study Steel Industry),» Resources Policy, vol. 77, 2022.
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.creativecommons.spa.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.local.spa.fl_str_mv Acceso abierto
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 International
Acceso abierto
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv applicaction/pdf
dc.coverage.sede.spa.fl_str_mv Calle 100
dc.publisher.program.spa.fl_str_mv Especialización en Gerencia en Logística Integral
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.grantor.spa.fl_str_mv Universidad Militar Nueva Granada
institution Universidad Militar Nueva Granada
bitstream.url.fl_str_mv http://repository.unimilitar.edu.co/bitstream/10654/45695/1/RojasColmenaresKatrinAlejandra2023.pdf
http://repository.unimilitar.edu.co/bitstream/10654/45695/2/license.txt
bitstream.checksum.fl_str_mv 7a68eb726a73c2899a1e1c7ae0d2a900
a609d7e369577f685ce98c66b903b91b
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UMNG
repository.mail.fl_str_mv bibliodigital@unimilitar.edu.co
_version_ 1837098454799613952
spelling Castiblanco Velasquez, YessicaRojas Colmenares, Katrin AlejandraEspecialista en Gerencia en Logística Integral2024-02-09T14:04:55Z2024-02-09T14:04:55Z2023-06-08http://hdl.handle.net/10654/45695instname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.unimilitar.edu.coLa 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.The steel industry worldwide is related to the economy growth of a country since it is considered the base of different manufacturing industries and mainly of the construction sector. For that reason, the price of steel is an important variable in the economy, as is the demand. The latter defines the behavior of the price and follows trends marked mainly by the world's leading producers. According to this, it is important that the demand forecasting is accurate, since it has great impacts on the national and international sale price. This article shows a literature review of demand forecast methods and models used in the steel industry between 2018 and 2023. Through this, qualitative methods and models such as averages, exponential smoothing, and Holt method were identified and characterized. In addition to models of neural networks, artificial intelligence and combined methods. Game theory, data mining and logarithmic regressions integrated demand, supply and price variables to create a combined model as well. This article presents advantages and disadvantages of these models, showing that the traditional ones do not adjust to the non-linearity of the historical data, so they complement each other through combination with neural network models. It also shows the advantages of building variable relationship models and how their forecasts are more accurate compared to traditional ones.Especializaciónapplicaction/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivatives 4.0 InternationalAcceso abiertohttp://purl.org/coar/access_right/c_abf2Métodos y modelos de estimación de la demanda en empresas productoras de aceroDemand forecasting methods and models for steel producersINDUSTRIA SIDERURGICADEMANDA (TEORIA ECONOMICA)Demand forecastingSteel industrySteel marketCombined modelsPrevisión de la demandaIndustria siderúrgicaMercado del aceroModelos combinadosTesis/Trabajo de grado - Monografía - Especializacióninfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fEspecialización en Gerencia en Logística IntegralFacultad de IngenieríaUniversidad Militar Nueva GranadaM. Farhad, D. Kaveh y H. Ashkan, «Modeling steel supply and demand functions using logarithmic multiple regression analysis (case study: Steel industry in Iran),» Resources Policy, vol. 63, 2019.M. Baulduino, M. Mendes, J. Farinha, A. Cardoso, A. Rui y L. Da Costa, «Forecasting Steel Production in the World—Assessments Based on Shallow and Deep Neutral Networks,» MDPI, vol. 12, p. 178, 2022.ANDI, «Informe del sector siderurgico 2019-2020,» Bogotá, 2021.S. Raju, A. Das, M. Islam, A. Al-Rakhami, A. Al-Amri, T. Mohiuddin y F. Albogamy, «An Approach for Demand Forecasting in Steel Industries Using Ensemble Learning,» Hindawi, p. 19, 2022.W. Chen y X. Yin, «Trends and development of steel demand in China: A bottom–up analysis,» Resources Policy, vol. 38, pp. 407-415, 2013.Y. Xuan y Q. Yue, «Forecast of steel demand and the availability of depreciated steel scrap in China,» Resources, Conservation and Recycling, vol. 109, pp. 1-12, 2016.K. Zhou y S. Yang, «Emission reduction of china’s steel industry: progress and challenges,» Renew Sustain Energy, pp. 319-327, 2016.C. Sampieri, C. Collado y P. Lucio, Metodología de la investigación, Mexico: McGraw - Hill, 1997N. Nguyen, «Integrating Two Stages of Malmquist Index and Grey Forecasting to Access Industrial Performance: A Case of Vietnamese Steel Industry,» The Journal of Grey System , vol. 33, nº 1, 2021.M. Ren, J. Dai, W. Zhu y F. Dai, «Combined modelling for iron ore demand forecasting with intelligent optimization algorithms,» Mineral Resources Management, vol. 37, pp. 21-38, 2021.D. Lacombe y N. Michieka, «Forecasting China’s industrial output using a spatial Bayesian vector autoregressive model,» Growth and Change, vol. 49, pp. 712-742, 2018.F. Ravazzolo y J. Vespignani, «World Steel Production: A New Monthly Indicator of Global Real Economic Activity,» 2017.World Steel Association, «World Steel Association,» 2022. [En línea]. Available: https://worldsteel.org/steel-topics/statistics. [Último acceso: 20 05 2023].Y. Zhang y X. Xu, «Regional steel price index forecasts with neural networks: evidence from east, south, north, central south, northeast, southwest, and northwest China,» The Journal of Supercomputing, 2023.C. Magazzino y M. Mele, «A Machine Learning analysis of the relationship among iron and steel industries, air pollution, and economic growth in China,» Journal of Cleaner Production, vol. 277, 2020.C. Bataille, M. Ahman, K. Neuhoff, L. Nilsson, M. Fischedick, S. Lechtenbohnen, B. Rodriguez, A. Ryan, S. Stiebert, H. Waisman, O. Sartor y S. Rahbar, «A review of technology and policy deep decarbonization pathway options for making energy-intensive industry production consistent with the Paris Agreement,» Journal of Cleaner Production, vol. 187, pp. 960-973, 2018.T. Zhu, X. Wang, Y. Yu, C. Li, Q. Yao y Y. Li, «Multi-process and multi-pollutant control technology for ultra-low emissions in the iron and steel industry,» Journal of Environmental Science, vol. 123, pp. 83-95, 2023.Z. Wang, Y. Zhao y L. He, «Forecasting the monthly iron ore import of China using a model combining empirical mode decomposition, non-linear autoregressive neural network, and autoregressive integrated moving average,» Applied Soft Computing Journal, vol. 94, 2020.M. Arens, M. Ahman y V. Vogl, «Which countries are prepared to green their coal-based steel industry with electricity? - Reviewing climate and energy policy as well as the implementation of renewable electricity,» Renewable and Sustainable Energy Reviews, vol. 143, 2021.P. Tissot, G. Vidor y L. Chiwiacowsky, «Implementation of a sales forecasting model in a special steel distribution company,» Revista de Gestao e Secretariado, vol. 13, pp. 2499-2513, 2022.J. Fattah, L. Ezzine, Z. Aman, H. Moussami y A. Lachhab, «Forecasting of demand using ARIMA model,» International Journal of Engineering Business Management, vol. 10, 2018.B. Gajdzik y B. K. P. Piatkowski, «PROGNOSTIC METHODOLOGY OF FORECASTS STEEL PRODUCTION FOR POLAND UNTIL 2022,» METALURGIJA, vol. 59, pp. 129-132, 2020.IBM, «IBM,» 17 08 2021. [En línea]. Available: https://www.ibm.com/docs/es/spss-modeler/saas?topic=models-how-svm-works. [Último acceso: 21 05 2023].B. Gajdzik, «TRENDS AND FORECASTS OF STEEL INTENSITY IN POLAND ON THE BASED APPARENT CRUDE STEEL USE UNTIL 2022,» METALURGIJA, vol. 59, pp. 399-402, 2020.F. Mehmanpazir, K. Damghani y A. Hafezalkotob, «Dynamic strategic planning: A hybrid approach based on logarithmic regression, system dynamics, Game Theory and Fuzzy Inference System (Case study Steel Industry),» Resources Policy, vol. 77, 2022.Calle 100ORIGINALRojasColmenaresKatrinAlejandra2023.pdfRojasColmenaresKatrinAlejandra2023.pdfArtículoapplication/pdf403854http://repository.unimilitar.edu.co/bitstream/10654/45695/1/RojasColmenaresKatrinAlejandra2023.pdf7a68eb726a73c2899a1e1c7ae0d2a900MD51open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-83420http://repository.unimilitar.edu.co/bitstream/10654/45695/2/license.txta609d7e369577f685ce98c66b903b91bMD52open access10654/45695oai:repository.unimilitar.edu.co:10654/456952024-02-09 09:04:57.484open accessRepositorio Institucional UMNGbibliodigital@unimilitar.edu.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

Publicaciones similares