La calidad del alimento sea un factor importante; pero la empresa no cuenta con la información de este indicador a lo largo del tiempo. El ajuste del modelo no es bueno el coeficiente de determinación es bajo y el error típico es superior al 10% del valor medio de eficiencia. (Tabla 4). Tabla 4. Indicadores de calidad de los Modelos Modelo R R cuadrado R cuadrado corregida Error típico. de la estimación 1 ,324a ,105 ,098 8,21400 2 ,378b ,143 ,129 8,07058 3 ,460c ,211 ,193 7,77279 a. Variables predictoras: (Constante), Edad b. Variables predictoras: (Constante), Edad, Humedad Fuente: Elaboración propia Los coeficientes beta tipificados (Tabla 5) dan la humedad como la variable de mayor influencia sobre la eficiencia seguida de la temperatura y la edad. La edad y la humead, inciden negativamente sobre la eficiencia. La temperatura, por otra parte, es la única con coeficiente positivo, lo que demuestra que valores elevados de temperatura serán favorables; sin embargo, su elevado valor del error hace pensar en que este es un indicador poco fiable. En ese sentido, las condiciones idóneas para alcanzar una eficiencia elevada son animales jóvenes y un clima cálido y seco. Esto permite concluir que el único factor que se puede controlar es la edad. De este modo, se puede afirmar que los problemas que está presentando la empresa con la eficiencia pueden atenuarse con un adecuado manejo del rebaño. Las gallinas al envejecer se hacen menos eficientes. Tabla 5. Coeficientes y significación de los modelos estimados Modelo Coeficientes no estandarizados Coeficientes tipificados t Sig. B Error típ. Beta 1 (Constante) 80,433 1,903 42,275 ,000 Edad -,899 ,231 -,324 -3,895 ,000 2 (Constante) 108,878 12,137 8,970 ,000 Edad -,849 ,228 -,307 -3,730 ,000 Humedad -,375 ,158 -,195 -2,372 ,019 3 (Constante) 107,115 11,702 9,154 ,000 Edad -,869 ,219 -,314 -3,964 ,000 Humedad -,797 ,199 -,414 -4,016 ,000 Temperatura 1,383 ,417 ,342 3,316 ,001 a. Variable dependiente: Eficiencia Fuente: Elaboración propia, salida SPSS Modelos Matemáticos para el Estudio del Medio Ambiente, Salud y Desarrollo Humano. Tomo 3 A continuación se analizan los factores para las tres series, al mismo tiempo. Para ello, dadas las diferencias de escala, es necesario centrarlas en su valor mínimo. De este modo, quedan expresadas en valores [0,1] que indican los valores máximo y mínimo para cada una. 3. ESTUDIO COMPARATIVO DE LAS SERIES PRODUCCIÓN, EFICIENCIA Y PROMEDIO DE PONEDORAS La irregularidad de las series en la figura 10 dificulta identificar su comportamiento. Entre ellos, el de mayor variabilidad es el de la eficiencia, que tuvo valores para el año 2009 que no se han alcanzado de nuevo. Con la producción y el promedio pasa lo contrario. El análisis de las tendencias para estas (Figura 11) demuestra la disminución gradual de la eficiencia durante el período analizado, mientras que el “Promedio de ponedoras” lleva el peso de la producción. Esto indica que se está apostando por la cantidad en vez de por la calidad de los animales. Esta política es errónea porque más animales implica un mayor gasto (indicador no contemplado en el estudio), mientras que trabajar en aras de aumentar la eficiencia por animal, aunque es más difícil, permitiría elevar los niveles de producción. Así mismo, es recomendable realizar un estudio para determinar qué otros factores inciden en la disminución de la eficiencia año tras año, a partir de 2009. Resolver esta incógnita sería de vital importancia en la empresa. Figura 10. Tendencias de las series Producción, Eficiencia y Promedio de ponedoras centradas en el mínimo Fuente: Elaboración propia, salida SPSS Producción Eficiencia Promedio de ponedoras Produccion Promedio Ponedoras Eficiencia , salida SPSS 85 90 95 100 105 110 Estacionalidad Produccion Promedio Ponedoras Eficiencia Modelos Matemáticos para el Estudio del Medio Ambiente, Salud y Desarrollo Humano. Tomo 3 62 Una vez hallado el modelo de regresión que más se ajusta a la serie y los índices de variación estacional es posible predecir los valores que se deseen. Se realizó una predicción hasta diciembre de 2015 con el fin de comprobar si el plan de la empresa de 249.2 millones de huevos es posible. La predicción parece bastante buena a simple vista (figura 12), cuando se compara con la producción real, en muchos valores da una medida de que la estimación es acertada. Figura 12. Producción real y estimada hasta diciembre de 2015 Fuente: Elaboración propia, salida SPSS 4. CONCLUSIONES El presente estudio es una aplicación del análisis de Series Temporales para la predicción de la producción de huevos en la Empresa Avícola de Pinar del Río, Cuba. La investigación incluyó información correspondiente a 146 meses, desde 2003 hasta 2015. Se pudo constatar que el Promedio de ponedoras y la eficiencia de estas inciden directamente en la producción, lo cual es un aspecto controlable. Por otra parte, la edad de las ponedoras, la temperatura y la humedad tienen incidencia en la eficiencia, no así la cantidad de alimento, el que se puede afirmar que es satisfactorio, a pesar de que se desconoce la calidad de su constitución. En cuanto a los niveles de producción y eficiencia, el primero no ha logrado valores obtenidos de antes de 2009 y la eficiencia ha bajado con el paso de los años, mientras que ha aumentado el promedio de ponedoras, que es el causante del aumento de la producción actualmente. Con respecto a este último, existe un factor estacional que favorece los niveles de producción en marzo y agosto, y los dificulta de septiembre a febrero. Hasta el momento no ha sido posible recuperar los niveles de producción de antes de 2008. La estacionalidad que muestra un aumento de producción en el verano no va acompañada de un efectivo tratamiento del rebaño en esos meses. La reserva factible para garantizar una eficiencia adecuada es el manejo oportuno del rebaño. La eficiencia ha bajado desde 2009 y no tiende a remontar. El promedio de ponedoras es el pilar en que la empresa está basando el cumplimiento de los planes de producción. Futuros estudios deben estar encaminados a analizar la calidad del pienso para así conocer su impacto en la eficiencia. REFERENCIAS [1] Ahmad H. A. (2012): Egg production forecasting: Determining efficient modeling approaches. Journal of Applied Poultry Research 20(4):, 463–473. [2] Alvarez R., & Hocking P. M. (2007): Stochastic model of egg production in broiler breeders. Poult Sci (86):, 1445–1452. [3] Davidson, R., & MacKinnon, J. G. (2004):. Econometric theory and methods (Vol. 5):. New York: Oxford University Press. [4] de Oliveira, S, C., Marcondes, L. M., Sakaguchi J. T., & Carvalho, P. (2012): A study about the performance of time series modelsfor the analysis of agricultural prices. GEPROS. Gestão da Produção, Operações e Sistemas, Ano 7, nº 3, jul-set/2012, 11-27. [5] Grossman M. & Koops W. J. (2001): A model for individual egg production in chickens. Poult Sci (80):, 859–867. [6] Ospina-Álvarez A., Bernal, M., Catalán, I. A., Roos, D. Bigot J. L., & Palomera I. (2013): Modeling fish egg production and spatial distribution from acoustic data: A step forward into the analysis of recruitment. PLoS ONE 8(9):, 1-19. [7] Prasad Shiv & Singh D. P. (2008): Mathematical model for annual egg production curves of chicken. Indian Journal of poultry Science 43(3):, 293-295. [8] Reyes Aguilar, P. (2007): Metodología de análisis con series de tiempo. http://www.icicm.com/files/SeriesDeTiempoComp.doc [Acceso Sept 2015] [9] Sumner D. A., Gow H., Hayes D., Matthews W, Norwood B, Rosen-Molina J. T., &Thurman W. (2011): Economic and market issues on the sustainability of egg production in the United States: Analysis of alternative production systems. Emerging Issues: Social Sustainability of Egg Production Symposium at the joint annual meeting of the Poultry Science Association pp, 1-10. doi:10.3382/ps.2010-00822