Modelización con incertidumbre del incremento del uso del comercio electrónico en españa utilizando técnicas de epidemiología matemática

• Autores: Iván Camilo Lombana
• Directores de la Tesis: Rafael Villanueva Micó (dir. tes.) , Juan Carlos Cortés López (dir. tes.)
• Lectura: En la Universitat Politècnica de València ( España ) en 2019
• Idioma: español
• Tribunal Calificador de la Tesis: Cristina Santamaría Navarro (presid.) , Juan Angel Aledo Sánchez (secret.) , José Carlos Valverde Fajardo (voc.)
• Enlaces
  • Tesis en acceso abierto en: RiuNet
• Resumen

  • El Comercio electrónico se ha convertido en uno de los sistemas de compra más aceptados por los consumidores debido a la facilidad que tienen los consumidores para acceder mediante Internet a una gran variedad de artículos. Conocer la dinámica de crecimiento del comercio electrónico basado en los principales factores que lo determinan, es un problema relevante para el sector del comercio electrónico. El principal objetivo de la tesis ha sido aplicar los modelos propuestos a datos reales, la formulación de los diferentes modelos ha estado condicionada por la disponibilidad de los datos y por las limitaciones computacionales a la hora de tratar la complejidad de los modelos propuestos. Los dos primeros modelos, dados en los Capítulos 1 y 2, son de naturaleza determinista, mientras que el modelo propuesto en el Capítulo 3, tiene una formulación más sencilla ya que tiene naturaleza estocástica y su tratamiento computacional es mucho más complejo.

    En el Capítulo 1, se construye un modelo determinístico continuo, basado en un sistema de ecuaciones diferenciales no lineales, de tipo difusión y estructurado en seis grupos de edades comprendidas entre 15 y 74 años. Cada uno de estos grupos se divide, a su vez, en dos subpoblaciones (imitadores e innovadores), dependiendo de su comportamiento como consumidores. El resultado es un modelo determinista con 31 parámetros, 13 de los cuales proceden de un modelo demográfico con población constante, y el resto de parámetros aparecen en el propio modelo difusión propuesto para describir la dinámica de la tecnología del comercio electrónico en España. A pesar de la complejidad del modelo determinista, y de los pocos datos disponibles en el Instituto Nacional de Estadística (INE) en el momento de realizar el estudio, gracias a las técnicas computacionales aplicadas, se ha realizado un ajuste del modelo que explica de forma muy aceptable la tendencia de los datos sobre la dinámica del comercio electrónico, lo que ha permitido construir predicciones para los próximos años. El estudio se ha completado con un análisis de la sensibilidad de los parámetros con el objeto de conocer cuáles son los coeficientes de difusión (vía la innovación y la imitación) que tienen una mayor influencia en los resultados de la respuesta del modelo.

    En el Capítulo 2 se propone un modelo discreto determinista que, debido a la complejidad de la técnica de escalado que debe realizarse para una población variable, se consideraron únicamente dos subpoblaciones entre 15 y 74 años. En este caso el modelo demográfico depende de 3 parámetros, mientras que el modelo de difusión del comercio electrónico depende de 9 parámetros adicionales. A partir de los datos disponibles en el INE, durante el periodo 2007 - 2015, se ha realizado un ajuste del modelo que permite explicar de forma adecuada la dinámica del comercio electrónico en España y realizar predicciones fiables de la tendencia de esta tecnología en los próximos años. Aunque las técnicas de ajuste de los modelos presentados en los Capítulos 1 y 2 a los datos disponibles en el INE están basadas en métodos probabilísticos (en el Capítulo 1, se aplica un tipo de muestreo, denominado Hipercubo Latino y, en el Capítulo 2, el denominado Ajuste Probabilístico),de naturaleza determinística, ya que los parámetros en ambos casos son constantes.

    En el Capítulo 3 se propone un modelo compartimental que divide a la población española en dos subpoblaciones, dependiendo de si usan o no el comercio electrónico, se trata por tanto de un modelo cuya formulación es mucho más sencilla que la presentada en los capítulos anteriores, pero cuyos parámetros son variables aleatorias. En este caso, el objetivo ha sido diseñar técnicas computacionales de optimización inversa para el modelo estocástico donde el ajuste consiste en determinar las distribuciones estadísticas de los parámetros del modelo que mejor explican la evolución estocástica de los datos disponibles.