Factores climáticos y macroeconómicos asociados al precio de la
papa criolla en Bogotá: un análisis con modelos de desfase
temporal
1
Ingeniero Industrial, Magister en Agronegocios y candidato a Doctor en Administración de Negocios.
Docente Investigador de la Universidad de la Salle. Consultor del Observatorio Rural de la Salle y
profesor en pregrado y postgrado de Inteligencia de Negocios, Analítica de datos e investigación de
operaciones para la ruralidad. ORCID: https://orcid.org/0000-0001-9055-4514. Correo electrónico:
ncordero@unisalle.edu.co.
Climatic and Macroeconomic Factors Associated with the Price of Criolla Potato in
Bogotá: An Analysis Using Time-Lagged Models
N é s t o r C o r d e r o S á e n z
W i l s o n Ve r g a r a Ve r g a r a
J a h i r R o d r í g u e z R i v e r o s
1
Fecha de recibimiento: 31 de marzo, 2025
Fecha de aceptación: 8 de octubre, 2025
2
2
Zootecnista, Magister en Ciencias Económicas, Doctor en Agrociencias. Docente investigador de la
Universidad de La Salle. Consultor del Observatorio Rural de la Universidad de La Salle. Profesor en
pregrado y posgrado en las áreas de Política agraria, Desarrollo Rural, Economía Agraria y Evaluación
de proyectos. Consultor externo en evaluación de bienes ambientales y agrarios. ORCID:
https://orcid.org/0000-0001-5552-8230. Correo electrónico: wivergara@unisalle.edu.co.
3
Ingeniero Industrial, Magíster en Inteligencia Analítica para la Toma de Decisiones. Actualmente se
desempeña como docente universitario en áreas de Investigación de Operaciones, Inteligencia Artificial
y Simulación en la Corporación Universitaria Minuto de Dios. ORCID: https://orcid.org/0009-0008-
2062-6541. Correo electrónico: jahir.rodriguez@uniminuto.edu.co.
3
Resumen
Este estudio analiza la relación entre variables climáticas y macroeconómicas con el precio
de la papa criolla (Solanum phureja) en Bogotá entre 2014 y 2023. Se aplicaron modelos de
desfase temporal de hasta seis meses, correlaciones de Pearson y regresión múltiple. Los
resultados muestran que la TRM (Tasa Representativa del Mercado) y los fenómenos
climáticos extremos (NN, Fenómeno del Niño y de la Niña) son los principales determinantes
del precio, mientras que la precipitación y los precios de fertilizantes no presentan
significancia estadística. El estudio aporta evidencia empírica para la gestión del riesgo de
precios y la formulación de políticas agrícolas basadas en información climática y
económica.
Palabras clave: TRM, papa criolla, modelos econométricos, clima, precios agropecuarios.
Abstract
This study analyzes the relationship between climatic and macroeconomic variables and the
price of Solanum phureja (criolla potato) in Bogotá, Colombia, during the 2014–2023 period.
Time-lagged econometric models of up to six months, Pearson correlation coefficients, and
multiple regression analyses were applied. Results show that the Representative Market Rate
(TRM) and extreme climatic phenomena (El Niño/La Niña) are the main determinants of
price dynamics, while rainfall and fertilizer prices exhibited no statistical significance. The
findings provide empirical evidence on the drivers of price volatility in the criolla potato
market and offer practical insights for risk management and policy design in the agricultural
sector, particularly under the increasing influence of climatic and economic uncertainty..
Keywords: TRM, Solanum phureja, econometric models, climate, agricultural prices.
INTRODUCCIÓN
La papa criolla (Solanum phureja) es un cultivo andino de alto valor nutricional y cultural,
ampliamente producido en Colombia y fundamental para la seguridad alimentaria de las
poblaciones rurales. En general, la cadena representa cerca del 3% del PIB y genera el
sustento para más de 100.000 familias campesinas en Colombia (FEDEPAPA, 2022).
Para el año 2023, el país contaba con 16.467 hectáreas sembradas, generando una producción
de 244.400 toneladas y un promedio de 13 toneladas por hectárea. Sin embargo, el área
cultivada se redujo en un 11 % desde 2020, reflejando la creciente vulnerabilidad del sector
frente a la volatilidad de los precios y las condiciones climáticas (UPRA, 2023, 2024).
Dicha volatilidad es una de las principales preocupaciones de los sistemas alimentarios
contemporáneos, ya que afecta directamente la estabilidad económica de los productores, la
planificación de siembras y la política pública (FAO, 2010; Li & Lee, 2024),
Diversos autores han atribuido esta volatilidad a factores combinados: choques
macroeconómicos, variaciones climáticas extremas y dinámicas especulativas en los
mercados de energía y alimentos (Gilbert & Morgan, 2010; Kalkuhl et al., 2017; Mohyuddin
et al., 2024; Xue et al., 2024) En este sentido, la interacción entre la tasa de cambio, el precio
del petróleo y los fenómenos de El Niño y La Niña puede modificar la estructura de costos
de producción y los flujos de oferta, generando fluctuaciones notables en los precios de los
alimentos básicos.
Para el caso colombiano, los estudios existentes sobre precios agrícolas han abordado
tradicionalmente variables macroeconómicas o climáticas por separado, sin explorar sus
efectos combinados ni su comportamiento con desfases temporales. Esta ausencia de un
enfoque integrado limita la comprensión de los mecanismos que explican la variabilidad de
precios en mercados locales como el de la papa criolla, donde los ciclos productivos, la
estacionalidad de lluvias y la dependencia de insumos importados juegan un papel decisivo
(Duque, 2007; Orduz & García, 2023; Ruiz & Pabón, 2013)
En la literatura reciente, se reconoce la importancia de incorporar enfoques contemporáneos
basados en inteligencia de datos y modelos econométricos no lineales para estudiar las
relaciones entre variables agroclimáticas y económicas (Mohyuddin et al., 2024; Xue et al.,
2024). Estos enfoques permiten identificar patrones retardados o indirectos que no son
visibles en modelos lineales convencionales, fortaleciendo la capacidad predictiva y
explicativa de los análisis agrícolas. En este marco, los modelos de desfase temporal se
presentan como una herramienta adecuada para capturar la influencia diferida de variables
como la TRM, el precio del petróleo o los fenómenos climatológicos exteemos sobre los
precios agrícolas (Adekanmbi et al., 2024; Martínez, 2017)
Ante este panorama, es importante para los generadores de política pública y productores,
comprender diversos factores asociados al comportamiento de los precios de
comercialización en los mercados, permitiendo de esta forma tomar decisiones de manera
eficiente, buscando una mejora en objetivos decisivos como la seguridad alimentaria como
la estabilidad económica de los productores (Lähde et al., 2023).
En este contexto, el presente estudio tiene como objetivo analizar la relación entre los factores
climáticos y macroeconómicos y el precio de la papa criolla en la Central de Abastos de
Bogotá durante el periodo 2014-2023, empleando modelos de regresión con desfases de hasta
seis meses. A través de este enfoque se busca identificar la magnitud y dirección de los efectos
retardados de las principales variables explicativas (Vera-Ninacondor et al., 2023), aportando
evidencia empírica para la formulación de estrategias de gestión del riesgo, inteligencia de
precios y políticas públicas orientadas a la sostenibilidad del sector papero colombiano.
Este enfoque busca proporcionar herramientas útiles para la toma de decisiones de
productores y diseñadores de políticas públicas. Al identificar patrones en los precios y sus
determinantes, se pueden desarrollar estrategias para mitigar riesgos y optimizar la gestión
en el sector de la papa criolla. (Barrientos et al., 2014)
METODOLOGÍA
La selección de las variables incluidas en el análisis se basó en una revisión de literatura
científica y en la relevancia económica y climática de estas para la producción agrícola. Se
clasificaron en tres grupos principales: variables climáticas, macroeconómicas y de oferta-
demanda.
Las fuentes más relevantes se clasificaron en aquellos autores que en su trabajo defendieron
la relación de la variable frente a los precios agrícolas, y aquellos que consideraban este
efecto marginal o despreciable dentro de un análisis. El resultado se presenta en la tabla 1.
Tabla 1. Marco de referencia de las variables analizadas en el estudio.
Variable
Autores en contra
Precipitación y fenómenos
climáticos (El Niño/La
Niña)
(Ruiz & Pabón, 2013):
Impacto limitado en ciertas
regiones debido a
microclimas locales
Tasa Representativa del
Mercado (TRM)
(Orduz & García, 2023): La
TRM es relevante en
contextos de productos que
usan materias primas
importadas.
Inflación
(Barrientos et al., 2014) Los
precios deben analizarse
descontando o deflactando la
inflación.
Precio del petróleo Brent
(OCDE-FAO, 2009)Esta
relación puede ser indirecta
e intermediada por otros
factores de mayor
relevancia.
Oferta (Toneladas y viajes
de papa)
Estudios de mercado
local(MINAGRICULTURA,
2024): Sostiene que las
dinámicas locales pueden
atenuar esta relación
Fuente: el Autor.
Variables climáticas:
La precipitación mensual fue seleccionada como un indicador clave, dado su impacto directo
en los rendimientos agrícolas (Barrientos et al., 2014; Martínez, 2017). Se utilizó información
proveniente de una estación meteorológica del municipio con mayor producción de papa
criolla. Además, se incluyeron índices asociados a los fenómenos de El Niño y La Niña,
considerando su influencia en patrones de precipitación anómalos (Ruiz & Pabón, 2013;
Thimsen, 2024).
los datos se categorizaron según una escala ordinal (-2 para sequía extrema, -1 para sequía
moderada, 0 para condiciones normales, 1 para lluvias moderadas y 2 para lluvias extremas),
según las metodologías de análisis climático publicadas (García & Bonilla, 2023).
Variables macroeconómicas:
El precio del petróleo Brent y la Tasa Representativa del Mercado (TRM) fueron
seleccionados debido a su impacto en los costos de insumos agrícolas y transporte (Duque,
2007; Martínez, 2017; Roitbarg, 2021).
La inflación mensual y la tasa de interés del banco central se incluyeron como indicadores
de presión económica general sobre el sector agrícola (Orduz & García, 2023)
Enfoques contemporáneos del análisis de precios agrícolas
Estudios recientes proponen la adopción de enfoques híbridos basados en big data y
aprendizaje automático para analizar los determinantes de precios agrícolas (Li & Lee, 2024;
Mohyuddin et al., 2024). Estos modelos no lineales permiten capturar interacciones
complejas entre variables macroeconómicas y factores ambientales, superando las
limitaciones de los modelos tradicionales de regresión. En este sentido, el presente trabajo
aporta una aproximación empírica basada en desfases temporales, ofreciendo una perspectiva
explicativa complementaria y de alta relevancia para la formulación de políticas agrícolas en
Colombia.
Variables de oferta y demanda:
Se incluyeron el número de viajes y los kilogramos de papa ingresados mensualmente a la
Central de Abastos de Bogotá. Estos datos reflejan las dinámicas del mercado y se obtuvieron
del SIPSA, consolidando observaciones diarias en promedios mensuales.
Con base en los enfoques divergentes identificados en la literatura, se consolidó una base de
datos comprende 120 observaciones mensuales desde enero de 2014 hasta diciembre de 2023.
Se aplicaron desfases temporales de 1 a 6 meses a las variables independientes, considerando
el ciclo de producción promedio de la papa criolla en la región andina colombiana. Esto
generó seis modelos de correlación, no obstante, el desfase obligó a eliminar una fila de datos
teniendo finalmente para el desfase de 6 meses 114 datos. La fuente de los datos y el tipo de
variable usado se presentan en la tabla 2.
Tabla 2. Fuentes de datos para el análisis.
Variable
Nombre variable
Fuente de
información
Periodicidad
Forma de
cálculo
Urea
UREA
(Indexmundi,
2024)
Mensual
Valor
reportado
directamente
por la fuente
Precipitaciones
PRECIPITACIÓN
IDEAM
Mensual
Valor
reportado
directamente
por la fuente
fenómenos clima
NN (El Niño/La
Niña)
(García &
Bonilla, 2023)
Mensual
-2 para sequía
extrema, -1
sequía
moderada,
cero clima
normal, 1
lluvias
moderadas y
2 lluvias
extremas
Inflación
INFLACIÓN
Banco de la
República
Mensual
Valor
reportado
directamente
por la fuente
Tasa
Representativa
del mercado
TRM
Banco de la
República
Tasa promedio
mensual
Valor
reportado
directamente
por la fuente
Precio futuros
Brent
BRENT
Investing
Precio
promedio
mensual
Valor
reportado
directamente
por la fuente
Toneladas de
papa llegando a
la central
Papa
SIPSA
Suma mensual
suma de
registros
diarios
#camiones de
papa llegando a
la central
Viajes
SIPSA
Suma mensual
Cuenta de
registros
diarios
Precio Papa
precio
SIPSA
Precio
promedio
mensual
Valor
reportado
directamente
por la fuente
Títulos de estado
a 5 años
TES (Títulos de
Tesorería del
Estado)
Banco de la
República
Tasa promedio
mensual
Valor
reportado
directamente
por la fuente
Fuente: Los autores.
Una vez depurada y consolidada la base de datos, se utilizó un estudio estadístico exploratorio
basado en el coeficiente de correlación de Pearson para identificar relaciones lineales
significativas entre las variables independientes y los precios de la papa. Este análisis
permitió determinar la fuerza y dirección de las relaciones bivariadas, identificando aquellas
variables con potencial relevancia estadística para modelos más complejos.
Posterior a esto, se realizó un análisis de regresión múltiple para evaluar el impacto conjunto
de las variables independientes sobre los precios. Las hipótesis fueron validadas mediante
pruebas de significancia estadística con un nivel crítico de p < 0.05.
Para tal fin, el análisis fue implementado utilizando Python (bibliotecas: pandas, statsmodels,
sklearn) y R para la validación cruzada. Las visualizaciones se generaron con Matplotlib y
ggplot2, siguiendo estándares para publicación académica. Los cálculos de VIF y las pruebas
de supuestos estadísticos fueron realizados con scripts personalizados, asegurando precisión
y reproducibilidad.
ANÁLISIS DE RESULTADOS
Correlación de Pearson: La correlación de Pearson mostró correlaciones significativamente
altas y consistentes en el desfase temporal para las variables TRM (superior a 0,58 positivo),
una correlación más moderada de los TES (0,42 positivo), y una correlación más baja de los
fenómenos de clima (NN).
De igual forma, la variable BRENT mostró una correlación fluctuante en los diferentes
periodos, inferior a 0,19 positiva (color azul), sugiriendo posibles efectos indirectos a través
de los costos logísticos. De forma análoga, el número de viajes y las toneladas de papa
presentaron correlaciones moderadas negativas (color rojo) en los periodos de tiempo con
menor desfase, perdiendo relevancia en desfases más altos. Estos resultados se presentan en
la Tabla 3.
Tabla 3. Coeficientes de Pearson para los distintos desfases de tiempo analizados.
Temporalidad
precipitación
urea
NN
trm
brent
Inflación
TES
papa
Viajes
precio real
0.062
0.294
0.281
0.593
0.130
0.537
0.497
-0.377
-0.451
precio 1 mes
-0.023
0.319
0.248
0.607
0.105
0.514
0.502
-0.317
-0.387
precio 2
meses
-0.159
0.350
0.234
0.611
0.094
0.479
0.507
-0.152
-0.216
precio 3
meses
-0.112
0.386
0.228
0.604
0.106
0.439
0.506
-0.013
-0.078
precio 4
meses
0.051
0.405
0.224
0.604
0.132
0.397
0.496
0.040
-0.036
precio 5
meses
0.096
0.411
0.230
0.596
0.161
0.352
0.469
0.087
-0.016
precio 6
meses
0.044
0.415
0.249
0.581
0.188
0.313
0.426
0.161
0.045
Fuente: Los autores.
Para la regresión múltiple, como se mencionó en el apartado metodológico, se eliminaron
las variables con poca influencia (p > 0,05) y se estableció el índice R² de correlación del
modelo. Los resultados para los desfases temporales se presentan en la gráfica 1.
Gráfica 1. Comparación de R y R2 ajustado para los distintos desfases.
Fuente: los autores.
El desfase de un mes presentó un mayor grado de explicación de las variables analizadas
frente al precio. Este indicador se redujo significativamente hasta 0,42 para el tercer mes y
se estabilizó alrededor de 0,53 en el quinto y sexto mes. La diferencia entre el R² y el R²
ajustado fue baja, lo que demuestra consistencia en los modelos analizados. Es importante
resaltar que los R² obtenidos muestran una capacidad limitada para establecer modelos
predictivos eficientes de precio; sin embargo, permiten comprender la correlación entre las
variables y el objeto de estudio.
Frente a las variables significativas para cada caso, se presenta la siguiente tabla de P valores:
• En rojo, las variables no significativas donde se rechaza la hipótesis de correlación
frente al precio.
• En azul, las variables significativas donde no se rechaza dicha hipótesis.
Tabla 4. P valores para los diferentes desfases en las variables analizadas
Variable
1 mes
2 mes
3 mes
4mes
5 mes
6 mes
precipitación
0.656
0.545
0.811
0.91
0.818
0.921
Urea
0.448
0.365
0.234
0.89
0.991
0.897
NN
0.044
0.001
0.008
0.001
0.001
0.001
Trm
0.001
0.001
0.001
0.001
0.001
0.001
brent
0.001
0.01
0.09
0.001
0.001
0.002
Inflación
0.123
0.182
0.145
0.922
0.014
0.109
TES
0.234
0.177
0.089
0.095
0.096
0.584
papa
0.001
0.001
0.353
0.123
0.212
0.345
Viajes
0.001
0.04
0.763
0.356
0.115
0.09
Fuente: Los autores.
Se observó que las variables que presentaron mayor multicolinealidad fueron Papa y Viajes.
Por tanto, en los modelos con significancia se incluyó únicamente la variable Papa, que en el
análisis inicial había mostrado un índice de correlación más alto.
Poe otra parte, se aprecia que la variable dummy asociada a fenómenos extremos de clima
genera impacto en todos los rangos de desfase temporal, al igual que la TRM. En el caso del
precio de futuros Brent, este se mantiene significativo en todos los modelos, excepto en el
desfase de 3 meses. Por otro lado, la inflación solo resultó significativa con un desfase en el
quinto mes.
Finalmente, las variables de oferta (toneladas y viajes de papa) resultaron significativas
únicamente en los meses cercanos a la comercialización (desfases 1 y 2). En desfases
mayores (meses 3 a 6), su relevancia disminuyó considerablemente. La precipitación no
mostró correlación significativa, probablemente debido a que se consideró únicamente una
estación, lo cual limita su representatividad. La Urea y los TES tampoco mostraron impactos
significativos en ninguna temporalidad.
Valores Beta para las variables significativas El análisis de los coeficientes beta permitió
evaluar el impacto de las variables sobre el precio. Los resultados indican que:
La TRM presentó una correlación positiva constante, reflejando que una depreciación del
peso colombiano frente al dólar incrementa los precios de la papa. Este efecto se acentúa en
las fases tempranas del ciclo productivo y se atenúa en los meses cercanos a la
comercialización. Estos hallazgos coinciden con (Duque, 2007; Orduz & García, 2023;
Roitbarg, 2021), quienes destacan la dependencia de insumos importados en el sector
agrícola colombiano.
Los fenómenos climáticos (NN) tuvieron un impacto negativo constante sobre el precio a lo
largo de los desfases temporales. Este efecto es más severo durante las primeras etapas del
cultivo, donde lluvias extremas favorecen la producción y generan excedentes de oferta.
Resultados similares han sido reportados por estudios en el Atlántico colombiano (Ruiz &
Pabón, 2013).
El precio del petróleo Brent mostró un mayor impacto en las etapas de siembra y preparación,
disminuyendo su relevancia en los meses cercanos a la comercialización. Esto puede
explicarse por la relación entre los costos logísticos y el uso de maquinaria agrícola en las
fases iniciales del proceso. Estudios como los de (Duque, 2007) respaldan estas
observaciones.
Tabla 5. Coeficientes de beta para las variables relevantes en los diferentes desfaces.
Variable
1 mes
2 mes
3 mes
4 mes
5 mes
6 mes
NN
-130.134
-242.61
-218.08
-387.28
-379.05
-429.97
TRM
1.1019
1.18
1.07
1.29
1.43
1.56
brent
10.1965
11.34
NA
16.03
15.33
21.49
Inflación
NA
NA
NA
NA
-181.96
NA
papa
0.346
0.18
NA
NA
NA
NA
Fuente: los autores.
En contraste, se buscó priorizar las variables utilizando una el modelo de estandarización
normal con la distribución Z de las variables de interés, antes de la regresión y se clasificaron
dentro de cada modelo según la magnitud absoluta de dichos coeficientes estandarizados.
Como resultado, en todos los desfases la variable de mayor impacto y priorizada para la
detección temprana de riesgos en precio es la TRM seguido de los fenómenos climatológicos
y el precio de futuros de petróleo Brent.
Tabla 6. Valores de beta normalizados de las variables para los distintos desfases.
Variable
1 mes
2 mes
3 mes
4 mes
5 mes
6 mes
NN
0.4414
0.4913
0.3225
0.5645
0.5753
0.5039
TRM
0.8953
0.9356
0.8186
0.9853
1.0738
0.92
Brent
0.2611
0.274
0.3567
0.4291
0.3995
Inflación
0.1442
Fuente: Los Autores.
Los resultados de este estudio coinciden en gran medida con la literatura existente, que
destaca el papel de las variables macroeconómicas y climáticas en la determinación de los
precios agrícolas. Es el caso de la TRM, la cuáles un determinante clave en mercados
agrícolas dependientes de insumos importados (Duque, 2007; Orduz & García, 2023). De
igual forma, los efectos climáticos para el caso de la región Atlántica colombiana han
demostrado la influencia de El Niño y La Niña en la producción agrícola, respaldando los
patrones observados en este análisis (Thimsen, 2024). Finalmente, el precio del petróleo:
(Roitbarg, 2021) resaltan el impacto indirecto del petróleo en los costos de producción
agrícola, un hallazgo consistente con este estudio.
En cuanto a la construcción del moldeo y la validación de los datos, se utilizó la medición
del factor de la varianza (Kutner et al., 2004) en donde se recomienda tener valores de este
indicador inferiores a 10. Para el caso de los datos se encontraron valores altos de VIF en
algunas variables, indicando posibles problemas de multicolinealidad, fue el caso de
Inflación (VIF = 15.97), TES (VIF = 24.16), papa (VIF = 13.46) y Viajes (VIF = 13.16)
muestran valores por encima del umbral de 10, lo que sugiere que están altamente
correlacionadas con otras variables. Por tanto, se eliminaron las variables de TES y viajes del
análisis mostrando la nueva configuración de datos valores inferiores a 10.
Para la prueba de normalidad, se utilizó el estadístico de Shapiro-Wilk (Mohd Razali & Bee
Wah, 2011) con un P-valor de 0.03411 lo que indica que los residuos presentan una
distribución cercana a la normal, igualmente, la prueba de Breusch-Pagan (Koenker, 1981),
arrojó un valor de 0.04791, no rechazando la hipótesis de homocedasticidad, por tanto, No
hay evidencia de heterocedasticidad significativa, lo que indica que los residuos tienen una
varianza constante.
CONCLUSIONES Y DISCUSIÓN
Los resultados de este estudio permiten afirmar que la Tasa Representativa del Mercado
(TRM) es el principal determinante macroeconómico del precio de la papa criolla, con una
correlación positiva fuerte y sostenida en todos los modelos de desfase temporal. Esto se
alinea con investigaciones anteriores que destacan la sensibilidad del sector agrícola
colombiano a la TRM, dada su alta dependencia de insumos importados (Duque, 2007;
Martínez, 2017; Orduz & García, 2023).
Asimismo, los fenómenos climáticos extremos como El Niño y La Niña presentaron un
impacto negativo constante en los precios, siendo más pronunciado en los primeros meses
del ciclo de producción. Estos hallazgos son consistentes con estudios sobre el impacto del
clima en los cultivos en Colombia (Ruiz & Pabón, 2013; Thimsen, 2024).
El precio del petróleo Brent mostró correlaciones positivas moderadas, especialmente en los
desfases más cercanos a la siembra. Esto puede atribuirse a su relación con los costos de
transporte y maquinaria agrícola, como ha sido planteado por estudios previos (OCDE-FAO,
2009; Roitbarg, 2021).
Por el contrario, variables como la precipitación acumulada y el precio de la urea no
mostraron significancia estadística. Esto podría explicarse por limitaciones en la cobertura
espacial de los datos climáticos y la agregación de precios de insumos, lo cual podría diluir
efectos localizados (Ruiz & Pabón, 2013) y (Barrientos et al., 2014).
Finalmente, las variables de oferta toneladas y viajes de papa solo mostraron relación
significativa en los primeros desfases temporales (1 y 2 meses), lo que sugiere que su impacto
se concentra en momentos cercanos a la comercialización, en línea con lo reportado por
MINAGRICULTURA (2024) sobre dinámicas locales de mercado.
Resultados similares se han observado en mercados agrícolas de México y Perú, donde la
depreciación cambiaria y las anomalías climáticas generan efectos directos sobre los precios
de productos básicos (Vera-Ninacondor et al., 2023). En el contexto asiático, (Li & Lee,
2024) confirman que la incertidumbre macroeconómica amplifica la volatilidad de precios
agrícolas, patrón que se replica en los hallazgos de este estudio para la papa criolla.
No obstante, Este análisis presenta algunas limitaciones que deben considerarse al interpretar
los resultados. En primer lugar, los datos climáticos provienen de una única estación
meteorológica, lo que reduce la capacidad para captar microclimas locales que podrían tener
efectos relevantes sobre la producción agrícola (Ruiz & Pabón, 2013).
En segundo lugar, aunque se emplearon modelos de regresión con desfases, estos asumen
relaciones lineales y no permiten capturar dinámicas no lineales o interacciones complejas
entre variables. Variables como la inflación o la urea podrían tener efectos indirectos que
requieren enfoques más sofisticados como redes neuronales o árboles de decisión, tal como
se ha sugerido en estudios recientes sobre precios agrícolas (Mohyuddin et al., 2024).
Asimismo, el análisis se circunscribe a la Central de Abastos de Bogotá, lo cual limita la
generalización de los resultados al contexto nacional. Aunque Corabastos representa una
proporción importante del comercio de papa criolla (FEDEPAPA, 2022), otros mercados
regionales podrían mostrar patrones distintos.
Finalmente, los niveles de R² obtenidos, aunque aceptables para un análisis explicativo,
indican que existen otros factores políticos, sociales o logísticos no incluidos en el modelo
que podrían incidir en los precios. No obstante, Estos hallazgos refuerzan la necesidad de
estrategias de gestión del riesgo agropecuario basadas en la integración de información
climática y macroeconómica. Programas de monitoreo de precios y alertas tempranas,
apoyados en analítica predictiva, podrían fortalecer la capacidad de respuesta de productores
y entidades públicas frente a la volatilidad de los mercados agroalimentarios.
REFERENCIAS
Araujo, V. H. B. (2025). Impacto do capital humano no crescimento econômico dos municípios do
Paraná: Uma análise espacial de 2002 a 2021. Revista de Economía del Caribe, 36.
Barrientos, J., Rondón, C., & Melo, S. (2014). Price performance of the potato varieties Parda Pastusa
and Diacol Capiro in Colombia (1995-2011). Revista Colombiana de Ciencias Hortícolas, 8(2),
272–286.
Dekanmbi, T., Wang, X., Basheer, S., Liu, S., Yang, A., & Cheng, H. (2024). Climate change impacts on
global potato yields: A review. Environmental Research: Climate, 3(1), 012001.
https://doi.org/10.1088/2752-5295/ad0e13
Duque, J. J. (2007). Una aproximación empírica 1 The role of financial speculation in the rise in food
prices from. [Fuente, editorial o tipo de publicación faltante].
FAO. (2010). Economic and social perspectives: Price volatility in agricultural markets.
http://www.fao.org/economic/es-policybriefs
FEDEPAPA. (2022). Boletín regional resumen nacional generalidades. [Tipo de publicación y URL
faltantes].
García, E., & Bonilla, J. (2023). Informe política monetaria octubre 2023. [Fuente o editorial faltante].
Gilbert, C. L., & Morgan, C. W. (2010). Food price volatility. Philosophical Transactions of the Royal
Society B: Biological Sciences, 365(1554), 3023–3034. https://doi.org/10.1098/rstb.2010.0139
Indexmundi. (2024, 1 de diciembre). Urea precio mensual - dólares americanos por tonelada métrica.
https://www.spanishdict.com/translate/faltante.
Kalkuhl, M., Torero, M., & Von Braun, J. (2017). Food price volatility causal impacts food price
volatility drivers (1st ed.). Zentrum für Entwicklungsforschung (ZEF). www.zef.de
Koenker, R. (1981). A note on studentizing a test for heteroscedasticity. Journal of Econometrics, 17,
107–112.
Kutner, M. H., Nachtsheim, C. J., & Li, W. (2004). Applied linear statistical models (5th ed.). McGraw-
Hill Irwin.
Lähde, V., Vadén, T., Toivanen, T., Järvensivu, P., & Eronen, J. T. (2023). The crises inherent in the
success of the global food system. Ecology and Society, 28(4). https://doi.org/10.5751/ES-14624-
280416
Li, H., & Lee, K.-S. (2024). The impact of economic policy uncertainty on agricultural prices: Evidence
from China. Asia and the Global Economy, 1, 4–5.
Martínez, C. (2017). Análisis de los determinantes del precio de papa parda pastusa en el departamento
de Cundinamarca: Una perspectiva del sector para el periodo 1987-2016 [Tesis de maestría no
publicada]. Escuela Colombiana de Ingeniereía.
MINAGRICULTURA. (2024, 20 de abril). Mercados agrícolas y ganaderos.
https://www.mapa.gob.es/es/agricultura/estadisticas/mercados_agricolas_ganaderos.aspx
Mohd Razali, N., & Bee Wah, Y. (2011). Power comparisons of Shapiro-Wilk, Kolmogorov-Smirnov,
Lilliefors and Anderson-Darling tests. Journal of Statistical Modeling and Analytics, 2. [Número de
fascículo y rango de páginas faltantes].
Mohyuddin, G., Khan, M. A., Haseeb, A., Mahpara, S., Waseem, M., & Saleh, A. M. (2024). Evaluation
of machine learning approaches for precision farming in smart agriculture system: A comprehensive
review. IEEE Access, 12, 60155–60184. https://doi.org/10.1109/ACCESS.2024.3390581
OCDE-FAO. (2009). Perspectivas agrícolas. www.oecd.org/publishing/corrigenda
Orduz, M., & García, E. (2023). Impacto de las variables económicas sobre los precios de los
fertilizantes en el sector de la caña de azúcar en el Valle del Cauca (Colombia). EAFIT. [Tipo de
publicación faltante, asumido como documento de trabajo].
Roitbarg, H. A. (2021). Factors behind the price increase in the agricultural sector at the beginning of the
twenty-first century: Rent, wages, oil and productivity. Desarrollo y Sociedad, 2021(88), 169–199.
https://doi.org/10.13043/DYS.88.5
Ruiz, A., & Pabón, J. (2013). Effect of the El Niño and La Niña phenomena on precipitation and
agricultural production in the department of Atlántico (Colombia). Revista Colombiana de
Geografía, 22, 35–54. [Número de fascículo faltante].
Thimsen, E. (2024). Planetary energy flow and entropy production rate by Earth from 2002 to 2023.
Entropy, 26(5). https://doi.org/10.3390/e26050350
UPRA. (2023). Plan de ordenamiento productivo para la cadena de la papa en Colombia.
https://www.upra.gov.co/es-co/POP_Documentos/POP_Cadena_Papa.pdf
UPRA. (2024). Evaluaciones agropecuarias municipales. https://www.spanishdict.com/translate/faltante.
Vera-Ninacondor, C. P., Cusihuamán-Sisa, G. N., Condori, J. G. A., & Aguilar-Del-carpio, C. I. (2023).
Elasticity in the behavior of the producer, according to the supply of rice in Peru. TECHNO Review.
International Technology, Science and Society Review / Revista Internacional de Tecnología,
Ciencia y Sociedad, 15(1). https://doi.org/10.37467/revtechno.v15.5066
Xue, Z., Hou, Y., Cao, G., & Sun, G. (2024). How does digital transformation drive innovation in
Chinese agribusiness: Mechanism and micro evidence. Journal of Innovation and Knowledge, 9(2).
https://doi.org/10.1016/j.jik.2024.100489