การเปรียบเทียบเทคนิคการพยากรณ์ราคาพืชไร่ในประเทศไทย
The Forecasting Techniques Comparison of Field Crops in Thailand
Abstract
งานวิจัยนี้พยากรณ์ราคาพืชไร่ที่สำคัญของประเทศไทย ได้แก่ ข้าวเปลือกเจ้าความชื้น 15% ข้าวเปลือกเจ้าหอมมะลิ 105 อ้อยโรงงาน มันสำปะหลังสด ถั่วลิสง และข้าวโพด โดยเปรียบเทียบความแม่นยำด้วยค่าเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย และค่าสัญญาณติดตาม งานวิจัยแบ่งข้อมูลออกเป็น 2 ชุด คือ ชุดที่ 1 ใช้ในการสร้างแบบจำลอง ประกอบด้วยข้อมูลราคารายเดือน ตั้งแต่ ปี พ.ศ. 2543 – 2562 จำนวน 240 ข้อมูล ซึ่งทดลองสร้างแบบจำลองการพยากรณ์โดยใช้ข้อมูลราคารายเดือนย้อนหลังที่แตกต่างกัน ช่วง 3 - 20 ปี และชุดที่ 2 ใช้ในการทดสอบแบบจำลองกับข้อมูลราคาจริง ประกอบด้วย ข้อมูลราคารายเดือน ตั้งแต่ ปี พ.ศ. 2563 จำนวน 12 ข้อมูล ผลการสร้างแบบจำลอง พบว่า เทคนิคการพยากรณ์วิธีบ็อกซ์-เจนกินส์เหมาะสำหรับการพยากรณ์ราคาข้าวเปลือกเจ้าความชื้น 15% ข้าวเปลือกเจ้าหอมมะลิ 105 อ้อยโรงงาน มันสำปะหลังสด และข้าวโพด สำหรับการพยากรณ์ราคาถั่วลิสงใช้วิธีปรับเรียบด้วยเส้นโค้งเลขชี้กำลังสองครั้ง ดังนั้นการสร้างแบบจำลองจากเทคนิคการพยากรณ์ที่ใช้มีค่า MAPE อยู่ในช่วง 1.22% ถึง 8.13% สำหรับการทดสอบแบบจำลอง พบว่าค่า MAPE ของการพยากรณ์ราคาพืชไร่อยู่ในช่วง 2.00% ถึง 11.94% ซึ่งเป็นการพยากรณ์ที่แม่นยำ
The essential agricultural production of field crops in Thailand was forecasted in this study. Time-series approaches were used to forecast six field crops, including Thai white rice 15%, Thai jasmine rice 105, sugar cane, cassava, peanuts, and corn, and the results were compared to the mean absolute percentage error and tracking signal. For forecasting, there were two datasets: a training dataset and a testing dataset. The first set of data is developed a forecasting model, and it contains 240 monthly price data from 2000 to 2019, which uses historical monthly pricing data ranging from 3 to 20 years. The second set of data has tested the model with actual price data to develop a forecast model and validate the model with current price data, consisting of 12 monthly price data in 2020. The Box-Jenkins forecasting technique was found to be suitable for forecasting the prices of Thai white rice 15%, Thai jasmine rice 105, sugar cane, cassava, and corn, while the Double Exponential Smoothing technique was shown to be suitable for forecasting peanut prices with MAPE ranging from 1.22% to 8.13%. The MAPE of field crops for the testing dataset varies from 2.00% to 11.94%, which is an accurate estimate.
Keywords: พืชไร่; การพยากรณ์อนุกรมเวลา; ค่าเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย; ค่าสัญญาณติดตาม; Field crops; Time-series forecasting technique; Mean absolute percentage error; Tracking signal
[1] https://www.arda.or.th/. (Accessed on 7 July 2021)
[2] https://www.oae.go.th. (Accessed on 7 July 2021)
[3] S. Deepradit, P. Ongkunaruk and R. Pisuchpen, The study of forecasting techniques for aromatic coconut monthly prices using individual and hierarchical forecasting, Thai Journal of Operation Research, 2020, 8(2), 15-26. (in Thai)
[4] Ü.Ç. Büyükşahin and Ş. Ertekin, Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition, Neurocomputing, 2019, 361, 151-163.
[5] M. Ohyver and H. Pudjihastuti, Arima model for forecasting the price of medium quality rice to anticipate price fluctuations, Procedia Computer Science, 2018, 135, 707-711.
[6] M. Tanyarattanasrisakul, The accuracy comparison of time series model between Winters’ exponential smoothing and Box - Jenkins methods: A case study of forecasting garden coconut price, RMUTSB Academic Journal, 2018, 6(2), 101-113. (in Thai)
[7] W. Anggraeni, F. Mahananto, A.Q. Sari, Z. Zaini, K.B. Andri and Sumaryanto, Forecasting the price of Indonesia’s rice using hybrid artificial neural network and autoregressive integrated moving average (Hybrid NNs-ARIMAX) with exogenous variables, Procedia Computer Science, 2019, 161, 677-686.
[8] P. Saelim, V. Kanjanavajee, P. Suwannasean and N. Sopipan, Forecasting jasmine rice yield in Nakhon Ratchasima, Science and Technology Research Journal Nakhon Ratchasima Rajabhat University, 2019, 4(2), 25-37. (in Thai)
[9] N. Luangtong and N. Kantanantha, Selection of the appropriate agricultural yield forecasting models, Thai Science and Technology Journal, 2016, 24(3), 370-381. (in Thai)
[10] S. Kodsueb and K. Boonlha, Construction of model for the price of Thai jasmine rice 105, Science and Technology Nakhon Sawan Rajabhat University Journal, 2016, 8(8), 49-60. (in Thai)
[11] P. Jinno, Forecasting Thai rice export price using ARIMAX model. Thesis, Chiangmai University, Thailand, 2016.
[12] J. Montaño, A. Palmer, A. Sesé and B. Cajal, Using the R-MAPE index as a resistant measure of forecast accuracy, Psicothema, 2013, 25, 500-506.
[13] P. Ongkunaruk, Introduction to supply chain management for Agro-industry, The one printing Inc., Bangkok, Thailand, 2019.
[14] https:// www.ricethailand.go.th/. (Accessed on 7 July 2021)
[15] https://tattawin.com/ (Accessed on 7 July 2021)
[16] The Agricultural Research Development Agency (Public Organization), Maize, soybeans, green beans and peanuts, Thai Economic Crop Direction in Asean, Pronthip Inc., Bangkok, Thailand, 2016.
[17] P. Khamchoo, P. Malawal and A. Wongchai, Technical efficiency of maize production in Wiang Sa District, Nan Province, Khon Kaen Agricultural Journal, 2020, 48(1), 735-742. (in Thai)
[18] https://www.doa.go.th/. (Accessed on 8 July 2021)
DOI: 10.14416/j.ind.tech.2021.12.008
Refbacks
- There are currently no refbacks.
