فهرست نشریات علمی دسترسی آزاد ایران

هدف: هدف این مقاله، پاسخ به چالش مداوم پیش‌بینی قیمت کالاهای غذایی در اقتصادهای در حال توسعه است که به شدت بی‌ثبات هستند و بر امنیت غذایی تاثیر می‌گذارند و تصمیم‌گیری در مورد سیاست‌ها را دشوارتر می‌کنند. هدف این مطالعه، توسعه یک چارچوب جامع است که قابل اعتماد، مقیاس‌پذیر و مکمل برای پشتیبانی از مداخلات سیاستی و بازار در زمان واقعی باشد.روش‌شناسی: این مقاله طیف گسترده‌ای از مدل‌های یادگیری ماشین، یادگیری عمیق، ترکیبی و آماری را بر روی یک مجموعه داده در مقیاس بزرگ از ۲۲ کالا در هفت ایالت هند آزمایش می‌کند. یک چارچوب معیار مشترک برای اندازه‌گیری عملکرد و آزمون‌های فریدمن و ویلکاکسون برای تعیین اهمیت آماری استفاده می‌شود. قابلیت توضیح مبتنی بر SHAP برای تعیین عوامل پیش‌بینی‌کننده مهم اعمال می‌شود.یافته‌ها: مشخص شد که جنگل تصادفی بهترین عملکرد پیش‌بینی را دارد (RMSE = 1.49 و R2 = 0.9995) و پس از آن یک مدل باقیمانده ترکیبی GRU-XGBoost قرار دارد. روش‌های کلاسیک مانند SARIMA و Prophet به شدت عقب مانده‌اند. آزمون‌های آماری تایید کردند که مدل‌های مبتنی بر درخت و ترکیبی بهتر از یادگیری عمیق و خطوط پایه اقتصادسنجی هستند. تحلیل SHAP نشان داد که تاخیرهای اخیر، میانگین‌های غلتان و معیارهای نوسان، تاثیرگذارترین پیش‌بینی‌کننده‌ها هستند.اصالت/ارزش افزوده علمی: این کار به ارایه مقایسه‌ای جامع از تکنیک‌های پیش‌بینی کالاهای غذایی در هند کمک می‌کند که ارزش عملی مدل‌های ترکیبی و گروهی را نشان می‌دهد. این مطالعه، اثربخشی، شفافیت و مناسب بودن آن‌ها را برای استقرار در زمان واقعی جهت استفاده توسط سیاست‌گذاران و ذینفعان زنجیره‌تامین روشن می‌کند.