Прогнозирование объемов экспорта какао в Индонезии с использованием дистанционного зондирования, климатической изменчивости и экономических показателей: сравнительный подход к моделированию
Forecasting cocoa export volumes in Indonesia using remote sensing, climate variability, and economic indicators: A comparative modeling approach
Erna Nurmawati, Neli Agustina, Robert Kurniawan, Prana Ugiana Gio, Rayhan Abyasa, Aditya Hari Kurnia Putra
Аннотация (перевод)
Точное прогнозирование сельскохозяйственного экспорта имеет решающее значение для поддержки планирования производства, управления торговлей и обоснованного принятия политических решений. Однако прогнозирование экспорта какао остается сложной задачей, поскольку объемы экспорта зависят от взаимосвязанных экологических, климатических и экономических факторов. Настоящее исследование предлагает интегрированную систему прогнозирования для объемов экспорта индонезийского какао путем включения показателей дистанционного зондирования, климатических индексов и экономических переменных в статистические, машинное обучение, глубокое обучение и гибридные подходы к прогнозированию. Экзогенные переменные включают Enhanced Vegetation Index (EVI), температуру поверхности земли (LST), осадки, цену какао, Oceanic Niño Index (ONI), Dipole Mode Index (DMI) и курс обмена. В исследовании оцениваются базовые модели (Naïve, Seasonal Naïve и ETS), статистические модели временных рядов (ARIMAX и SARIMAX), модели машинного и глубокого обучения (XGBoost и LSTM), а также гибридная модель SARIMAX–XGBoost. Производительность моделей оценивается с использованием Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) и Mean Absolute Percentage Error (MAPE) на независимом тестовом горизонте 17 месяцев с ноября 2023 по март 2025 года. XGBoost показал наилучшие общие результаты прогнозирования, достигнув минимального тестового RMSE 2 609 038 кг, MAE 2 096 098 кг и MAPE 7,56%. Его преимущество перед ARIMAX, SARIMAX и гибридной моделью SARIMAX–XGBoost подтверждено попарными сравнениями с использованием модифицированных тестов Diebold–Mariano (DM) и Kolmogorov–Smirnov Predictive Accuracy (KSPA). Сравнение с LSTM не показало статистически значимой разницы согласно тесту DM, хотя тест KSPA указал на значимую разницу. Полученные результаты демонстрируют, что XGBoost обеспечил наилучшую прогнозную производительность на выбывающей выборке среди оцененных моделей.
Оригинальная аннотация
Accurate forecasting of agricultural exports is essential for supporting production planning, trade management, and evidence-based policymaking. However, forecasting cocoa exports remains challenging because export volumes are influenced by interconnected environmental, climatic, and economic factors. This study proposes an integrated forecasting framework for Indonesian cocoa export volumes by incorporating remote sensing indicators, climatic indices, and economic variables into statistical, machine learning, deep learning, and hybrid forecasting approaches. The exogenous variables consist of Enhanced Vegetation Index (EVI), Land Surface Temperature (LST), rainfall, cocoa price, Oceanic Niño Index (ONI), Dipole Mode Index (DMI), and exchange rate. The study evaluates benchmark models (Naïve, Seasonal Naïve, and ETS), statistical time-series models (ARIMAX and SARIMAX), machine learning and deep learning models (XGBoost and LSTM), and a hybrid SARIMAX–XGBoost model. Model performance is evaluated using Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE) over an independent 17-month test horizon from November 2023 to March 2025. XGBoost achieved the overall best forecasting performance, obtaining the lowest test RMSE of 2,609,038 kg, MAE of 2,096,098 kg, and MAPE of 7.56%. Its advantage over ARIMAX, SARIMAX, and the SARIMAX–XGBoost hybrid was supported by pairwise comparisons using the modified Diebold–Mariano (DM) and Kolmogorov–Smirnov Predictive Accuracy (KSPA) tests. The comparison with LSTM showed no statistically significant difference according to the DM test, although the KSPA test indicated a significant difference. These findings demonstrate that XGBoost provided the strongest out-of-sample forecasting performance among the evaluated models.
Идентификаторы
Canonical: https://research.holos.house/w/5c5e7cbc-9e4e-423b-9244-8cc815869e23
DOI: 10.1177/18747655261486415