Modeling and Forecasting of Monthly Global Price of Bananas Using Seasonal ARIMA and Multilayer Perceptron Neural Network

• Autorzy: Yeong Nain Chi , Orson Chi

Warianty tytułu

Modelowanie i prognozowanie miesięcznej globalnej ceny bananów z wykorzystaniem sezonowej ARIMA i wielowarstwowej sieci neuronowej perceptronowej

• Języki publikacji: EN

Abstrakty

Podstawowym celem tego badania była analiza danych szeregów czasowych oraz wskazanie ważności modelu szeregów czasowych w procesie predykcji z wykorzystaniem długoterminowych zapisów miesięcznej ceny bananów na świecie od stycznia 1990 r. do listopada 2020 r. Zgodnie z metodologią Boxa-Jenkinsa wybrano jako najlepiej dopasowany dla szeregu czasowego model ARIMA(4,1,2)(1,0,1)[12] z dryfem, zgodnie z najniższą wartością AIC. Na podstawie wyników empirycznych stwierdzono, że model sieci neuronowej MLP działał lepiej w porównaniu z modelem ARIMA(4,1,2)(1,0,1)[12] z dryfem z mniejszą wartością MSE. Wynika z tego, że model sieci neuronowej MLP może dostarczyć użytecznych informacji, które są ważne w procesie decyzyjnym dotyczącym wpływu zmian przyszłej globalnej ceny bananów. Postrzeganie przeszłych światowych cen bananów jest ważne dla analiz zarówno bieżących, jak i przyszłych zmian światowych cen. Aby podtrzymać te obserwacje, programy badawcze wykorzystujące uzyskane dane powinny umożliwiać znaczne poprawianie wnioskowania i zawężać prognozy przyszłych światowych cen bananów.(abstrakt oryginalny)

EN

The primary purpose of this study was to pursue the analysis of the time series data and to demonstrate the role of time series model in the predicting process using long-term records of the monthly global price of bananas from January 1990 to November 2020. Following the Box-Jenkins methodology, ARIMA(4,1,2)(1,0,1)[12] with the drift model was selected to be the best fit model for the time series, according to the lowest AIC value in this study. Empirically, the results revealed that the MLP neural network model performed better compared to ARIMA(4,1,2)(1,0,1)[12] with the drift model at its smaller MSE value. Hence, the MLP neural network model can provide useful information important in the decision-making process related to the impact of the change of the future global price of bananas. Understanding the past global price of bananas is important for the analyses of current and future changes of global price of bananas. In order to sustain these observations, research programs utilizing the resulting data should be able to improve significantly our understanding and narrow projections of the future global price of bananas.(original abstract)

Słowa kluczowe

PL

Ceny; Szeregi czasowe; Modelowanie ekonometryczne; Prognozowanie; Modele ARIMA

EN

Prices; Time-series; Econometric modeling; Forecasting; Autoregressive integrated moving average (ARIMA) models

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2021
• Tom: 25
• Numer: nr 3
• Strony: 21-41

Twórcy

autor

Yeong Nain Chi

• University of Maryland Eastern Shore, Princess Anne, MD, U.S.A.

autor

Orson Chi

• University of Maryland Eastern Shore, Princess Anne, MD, U.S.A.

Bibliografia

• Altendorf, S. (2019). Banana Fusarium Wilt Tropical Race 4: A mounting threat to global banana markets? In 2019 Food Outlook - Biannual Report on Global Food Markets (pp. 13-20). Rome: FAO. Retrieved from http://www.fao.org/3/ca6911en/CA6911EN_TR4EN.pdf
• Box, G. E. P., Jenkins, G. M., Reinsel, G. C., and Ljung, G. M. (2016). Time series analysis: Forecasting and control (5th ed.). Hoboken, N.J.: John Wiley and Sons Inc.
• Eyduran, S. P., Akın, M., Eyduran, E., Çelik, S., Ertürk, Y. E., and Ercişli, S. (2020). Forecasting banana harvest area and production in Turkey using time series analysis. Erwerbs-Obstbau, 62, 281-291.
• Fatin, Z. N., Titik, E., and Mulyatno, S. B. (2020). The analysis of price and market integration of banana commodities in Lampung, Indonesia. Russian Journal of Agricultural and Socio-Economic Sciences, 3(99), 61-68.
• Gardner, M.W., and Dorling, S. R. (1998). Artificial neural networks (the multilayer perceptron) - A review of applications in the atmospheric sciences. Atmospheric Environment, 32(14), 2627-2636.
• Hamjah, M. A. (2014). Forecasting major fruit crops productions in Bangladesh using the Box-Jenkins ARIMA Model. Journal of Economics and Sustainable Development, 5(7), 96-107.
• Hossain, M. M., Abdulla, F., and Majumder, A. K. (2016). Forecasting of banana production in Bangladesh. American Journal of Agricultural and Biological Sciences, 11(2), 93-99.
• Ljung, G. M., and Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297-303.
• Market Reports World. (2019). Banana market size, share, analysis - segmented by geography - growth, trends, and forecast (2019-2024) (Global Banana Market Research Report, Market Reports World). Retrieved from https://www.marketreportsworld.com/banana-market-13487750
• Montgomery, D. C., Jennings, C. L., and Kulahci, M. (2008). Introduction to time series analysis and forecasting. Hoboken, N.J.: John Wiley & Sons. Inc.
• Omar, M. I., Dewan, M. F., and Hoq, M. S. (2014). Analysis of price forecasting and spatial co-integration of bananas in Bangladesh. European Journal of Business and Management, 6(7), 244-255.
• Rathod, S., and Mishra, G. C. (2018). Statistical models for forecasting mango and banana yield of Karnataka, India. Journal of Agricultural Science and Technology, 20, 803-816.
• Rathod, S., Mishra, G. C., and Singh, K. N. (2017). Hybrid time series models for forecasting banana production in Karnataka State, India. Journal of the Indian Society of Agricultural Statistics, 71(3), 193-200.
• Rebortera, M. A., and Fajardo, A. C. (2019). An enhanced deep learning approach in forecasting banana harvest yields. International Journal of Advanced Computer Science and Applications, 10(9), 275-280.
• Ruiz, A., Fobelets, V., Grosscurt, C., Galgani, P., Lord, R., Hardwicke, R., Tarin, M. P. G., McNeil, D., and Aird, S. (2017). The external costs of banana production: A global study (Research Report Prepared for Fairtrade International, True Price & Trucost). Retrieved from http://makefruitfair.org/wp-content/uploads/2017/07/170224_Research_Report_External_Cost_of_Bananas_-_final.pdf
• Voora, V., Larrea, C., and Bermudez, S. (2020). Global market report: Bananas. Sustainable Commodities Marketplace Series 2019, The International Institute for Sustainable Development. Retrieved from https://www.iisd.org/system/files/publications/ssi-global-market-report-banana.pdf
• Young, W. L. (1977). The Box-Jenkins approach to time series analysis and forecasting: principles and applications. RAIRO. Recherche opérationnelle, 11(2), 129-143. Retrieved from http://www.numdam.org/article/RO_1977__11_2_129_0.pdf

Identyfikatory

DOI

10.15611/eada.2021.3.02