Prévision des prix des produits agricoles à l'aide de techniques d'apprentissage automatique

Would it be possible to develop a forecasting tool for agricultural commodity (AC) prices that is both accurate and interpretable and publicly accessible? Such a tool could turn the forecasting and analysis of food prices into an implementable instrument used by whoever is concerned by food security. This PhD explores the feasibility of this idea in three parts: The first part aims to test the ability of several statistical and machine learning (ML) models to simulate changes in maize prices based on annual changes in maize production and yield observed in major producing regions. The second part of the thesis applies the models developed in the first part and adapt them to produce monthly forecasts of maize prices. We compare the performance of these models to that of forecasting techniques often used for time series analysis. Finally, the third part extends the model to consider two other different crops – soybeans and cocoa. We evaluate the forecasting ability of the techniques developed in the previous stages to predict price changes for soybeans and cocoa. Additionally, we test the sensitivity of the results relative to three geographic scales. Also is the application of ML methods to identify which production shocks drive price shocks. Overall, this thesis shows that ML methods are a potential tool for understanding and forecasting the impact of agricultural production on price variations. These approaches can be easily implemented since they rely on publicly available data, accessible via public website. These tools can thus contribute to democratising the analysis and forecasting of variation in AC prices.Serait-il possible de développer un outil de prévision des prix des produits agricoles de base qui soit à la fois précis, interprétable et accessible au plus grand nombre ? Un tel outil permettrait à ceux qui n'ont pas la capacité financière ou le bagage technique appropriés de prévoir les prix des produits agricoles de base, un ou plusieurs mois à l'avance. Ce doctorat explore la faisabilité de cette idée en trois parties : L'objectif de la première partie est de tester la capacité de plusieurs modèles statistiques et d'apprentissage automatique à simuler les variations du prix du maïs en fonction des variations annuelles de production et de rendement du maïs observées dans les principales régions productrices. Dans la deuxième partie de la thèse, les modèles développés dans la première partie sont adaptés pour effectuer des prévisions mensuelles de prix du maïs. Nous comparons les performances de ces modèles à celles de techniques prédictives souvent utilisées pour l'analyse des séries chronologiques. Enfin, dans la troisième partie, nous étendons le travail réalisé sur le maïs à deux autres cultures très différentes - le et le cacao. Nous analysons la capacité des techniques de prévision mises au point dans la partie précédente à prédire les variations de prix du soja et du cacao et nous analysons également l'effet de l'échelle géographique considérée pour calculer les variations de production. Dans cette partie également, nous montrons comment les méthodes d'apprentissage machine peuvent être utilisées pour identifier les chocs de production à l'origine des chocs de prix. Globalement, cette thèse montre que les méthodes d'apprentissage automatique sont des outils potentiellement utiles à la fois pour comprendre l'impact de la production agricole sur les variations de prix et pour prédire ces variations plusieurs mois à l'avance. Ces approches sont assez faciles à appliquer et peuvent être calibrées avec des données de prix et de production publiquement accessibles. Elles peuvent ainsi contribuer à démocratiser l'analyse et la prévision des variations de prix agricole