Aplicación de modelos de machine learning para predicciones de exportaciones para el mercado floricultor colombiano
Cargando...
Fecha
Autores
Enlace al recurso
DOI
ORCID
Google Scholar
Cvlac
gruplac
Descripción Dominio:
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Descripción
Este proyecto de investigación aplicada implementó, evaluó y comparó dos modelos de machine learning Random Forest y XGBoost– para predecir el volumen mensual de las exportaciones florícolas colombianas hacia sus tres principales mercados de destino: Estados Unidos, Reino Unido y Canadá. El estudio integró variables macroeconómicas de Colombia y de cada país importador (producto interno bruto, inflación y tasa de cambio), junto con variables de estacionalidad y de rezago temporal, sobre un panel país destino/mes de 396 observaciones correspondientes al periodo 2015–2025. El desarrollo se realizó en Python sobre Google Colab, siguiendo una metodología que incluyó validación cruzada para la optimización de hiperparámetros, partición cronológica de los datos y validación estadística formal mediante la prueba de Wilcoxon signed-rank. Los resultados muestran que XGBoost obtuvo un desempeño puntual ligeramente superior a Random Forest en tres de las cuatro métricas evaluadas (MAE, RMSE y R²), aunque la prueba de Wilcoxon signed-rank, aplicada sobre un conjunto de prueba de 72 observaciones, confirmó que esta diferencia no es estadísticamente significativa. El análisis de importancia de variables, complementado con valores SHAP, evidenció de forma estadísticamente significativa (ρ = 0,663; p = 0,0135) que ambos modelos coinciden en que el tamaño económico del mercado importador y la estacionalidad de la demanda son los factores con mayor peso explicativo, mientras que las condiciones macroeconómicas propias de Colombia pesan comparativamente menos. El proyecto demuestra la viabilidad técnica de aplicar algoritmos de aprendizaje de conjunto a un problema de comercio exterior agrícola, y deja como principal aporte una metodología completa y reproducible que puede ser reutilizada por PROCOLOMBIA, el Ministerio de Comercio, Industria y Turismo, o por investigaciones posteriores dentro del sector floricultor colombiano.
Abstract
This applied research project implemented, evaluated, and compared two machine learning models –Random Forest and XGBoost– to predict the monthly volume of Colombian flower exports to its three main destination markets: the United States, the United Kingdom, and Canada. The study integrated macroeconomic variables from Colombia and each importing country (gross domestic product, inflation, and exchange rate), together with seasonality and time-lag variables, over a destination-country/month panel of 396 observations covering the 2015–2025 period. The development was carried out in Python on Google Colab, following a methodology that included cross-validation for hyperparameter optimization, chronological data partitioning, and formal statistical validation through the Wilcoxon signed-rank test. Results show that XGBoost achieved a slightly better point performance than Random Forest on three of the four evaluated metrics (MAE, RMSE, and R²), although the Wilcoxon signed-rank test, applied to a 72 observation test set, confirmed that this difference is not statistically significant. Variableimportance analysis, complemented with SHAP values, showed a statistically significant agreement (ρ = 0.663; p = 0.0135) that both models rank the importing market’s economic size and demand seasonality as the most explanatory factors, while Colombia’s own macroeconomic conditions carry comparatively less weight. The project demonstrates the technical feasibility of applying ensemble learning algorithms to an agricultural foreigntrade problem, and its main contribution is a complete, reproducible methodology that can be reused by PROCOLOMBIA, Colombia’s Ministry of Commerce, Industry and Tourism, or by future research within the Colombian flower-growing sector.
Idioma
spa
Palabras clave
Citación
Puentes Abril, F. (2026). Aplicación de modelos de machine learning para predicciones de exportaciones para el mercado floricultor colombiano [Tesis de posgrado]. Universidad Santo Tomás, Bucaramanga, Colombia