DOI: https://doi.org/10.62762/tmi.2025.272892
تاريخ النشر: 2026-03-22
المؤلف: Suraj Arya وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تستكشف الدراسة ديناميات أسعار الأرز، مع التأكيد على أهميتها العالمية بسبب الاستهلاك الواسع. تستخدم نماذج السلاسل الزمنية، وتحديداً ARIMA وLSTM وBiLSTM، للتنبؤ بمعدلات تضخم الأرز باستخدام مجموعة بيانات مصقولة تضم 71,856 عينة من ست دول. كانت مجموعة البيانات الأصلية واسعة، حيث تضم 300,816 صف و23 عمود. أظهر نموذج ARIMA التكوين الأكثر فعالية للمعلمات (4,1,4)(0,0,0)، مما يبرز إمكانيات تقنيات التعلم الآلي لتبسيط التنبؤ بمعدلات التضخم، والتي تتطلب تقليدياً خبرة واسعة ووقتاً طويلاً.
في الختام، تنجح التحليلات في التنبؤ بمعدلات تضخم الأرز الدولية، حيث يوفر ARIMA قدرات تفسيرية قوية بينما تظهر نماذج LSTM وBiLSTM أخطاء أقل وزيادة في القوة في تحديد أنماط البيانات المعقدة. يمكن أن تُفيد الرؤى المستخلصة من هذه النماذج في صنع السياسات، وإدارة سلسلة التوريد، وسلوك المستهلك، مما يسهم في الأمن الغذائي الدولي وتقليل مخاطر نقص الغذاء. علاوة على ذلك، تدعو النتائج إلى استراتيجيات قائمة على البيانات تعزز الممارسات المستدامة وتقترح إمكانية تطبيق هذه النماذج للتنبؤ بمعدلات التضخم لمحاصيل ومواد أساسية أخرى على مستوى العالم.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم للأرز كغذاء أساسي وأهميته للأمن الغذائي، وخاصة في البلدان النامية. تبرز تأثير الارتفاعات العالمية في أسعار الغذاء، المدفوعة بصدمات العرض والضعف الهيكلي، على استقرار أسعار الأرز، وهو أمر ضروري للحفاظ على أنماط الاستهلاك وتوافر السوق. تركز الدراسة على تحليل معدلات تضخم الأرز في ست دول—نيجيريا، الفلبين، العراق، اليمن، الكونغو، وتشاد—باستخدام نماذج التعلم الآلي المتقدمة، وتحديداً ARIMA وذاكرة المدى الطويل والقصير (LSTM) وذاكرة المدى الطويل ثنائية الاتجاه (BiLSTM)، للتنبؤ بمعدلات التضخم بناءً على عوامل أسعار مختلفة.
تشير الاتجاهات الحديثة إلى تقلبات كبيرة في أسعار الأرز، تفاقمت بسبب أحداث مثل قيود تصدير الهند في يوليو 2023، مما أدى إلى زيادة ملحوظة في أسعار الأرز التايلندي. تشير الورقة إلى معدلات تضخم مقلقة، مثل 24.4% في الفلبين وارتفاع كبير في أسعار الأرز في نيجيريا، مما يبرز الحاجة الملحة للتنبؤات الدقيقة للتضخم. يجادل المؤلفون بأن الطرق الإحصائية التقليدية لحساب التضخم أصبحت أقل جدوى، وأن اعتماد تقنيات التعلم الآلي يمثل بديلاً واعداً للتنبؤ بأسعار الأرز ومعدلات التضخم، مما يساعد في النهاية على منع الارتفاعات غير المبررة في الأسعار في السوق العالمية.
الطرق
في هذه الدراسة، استخدم المؤلفون مجموعة بيانات تضم 300,816 صف و23 عمود، مأخوذة من مكتبة البيانات الدقيقة للبنك الدولي (المتاحة على www.microdata.worldbank.org). تركز مجموعة البيانات على بيانات أسعار الغذاء على مستوى السوق، مع التركيز بشكل خاص على تحليل تضخم الأرز من 2008 إلى 2024، مع ملاحظات شهرية للأسعار. بالإضافة إلى ذلك، تشمل بيانات التضخم لـ 26 نوعاً مختلفاً من المواد الغذائية المستهلكة عبر ست دول.
لضمان الصلة والتجانس، اختار المؤلفون فقط تلك المواد الغذائية التي كانت تُستهلك بشكل شائع في الدول المحددة لتحليل معدلات التضخم. يسمح هذا النهج بتقييم أكثر دقة لديناميات أسعار الغذاء واتجاهات التضخم في سياق الدول المختارة.
النتائج
تستخدم نتائج هذه الدراسة، التي تحلل تضخم أسعار الأرز باستخدام بيانات من ست دول تمتد من 2008 إلى 2024، نماذج ARIMA وLSTM وBiLSTM للتنبؤ بالقيم المستقبلية في سياق السلاسل الزمنية. تبرز الأبحاث ضرورة معالجة عدم الاستقرار في بيانات السلاسل الزمنية، حيث أن نموذج ARIMA قابل للتطبيق فقط على السلاسل الثابتة. تُعرف السلسلة الزمنية بأنها ثابتة إذا كانت متوسطها وتباينها ثابتين بمرور الوقت؛ وبالتالي، يجب تحويل البيانات غير الثابتة إلى تنسيق ثابت قبل تطبيق النموذج.
توضح الأشكال 7 و8 منحنيات خسارة التدريب والتحقق لنماذج LSTM وBiLSTM، على التوالي. تظهر كلا الشكلين انخفاضاً مستمراً في الخسارة مع زيادة عدد العصور، مما يشير إلى تعلم فعال وتقارب نحو تقليل الفجوة بين القيم الفعلية والمتوقعة. يشير هذا إلى أن النماذج المنفذة قادرة على التقاط الأنماط الأساسية في بيانات تضخم أسعار الأرز بدقة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الدوافع والمساهمات للعمل المقترح، الذي يهدف إلى معالجة الفجوة في الأدبيات الحالية بشأن التحليل الدولي لمعدلات تضخم الأرز. بينما ركزت الدراسات السابقة بشكل أساسي على مجموعات البيانات المحلية والسلع الزراعية المحددة، تستخدم هذه الدراسة نماذج ARIMA وLSTM وBiLSTM لتحليل بيانات السلاسل الزمنية من ست دول—تشاد، الكونغو، العراق، نيجيريا، الفلبين، واليمن—مما يمكّن من منظور دولي شامل حول تضخم الأرز. تؤكد الدراسة على ضرورة دمج معدلات التضخم الدولية لضمان توفر الأرز على مستوى العالم، وهو سلعة غذائية أساسية.
تؤكد مراجعة الأدبيات على قيود النماذج التقليدية مثل ARIMA في التقاط تقلبات أسعار الزراعة، داعية إلى دمج تقنيات التعلم العميق مثل LSTM وBiLSTM. تظهر النتائج التجريبية أن نماذج التعلم العميق تتفوق على ARIMA من حيث دقة التنبؤ، كما يتضح من انخفاض قيم الخطأ المطلق المتوسط (MAE) وجذر متوسط مربع الخطأ (RMSE). على وجه التحديد، حققت LSTM وBiLSTM قيم MAE تبلغ 0.085 و0.078، على التوالي، مقارنة بـ 0.475 لـ ARIMA. تشير هذه النتائج إلى أن النماذج المقترحة لا تعزز فقط قوة التنبؤات ولكنها توفر أيضاً رؤى قيمة لصانعي السياسات وأصحاب المصلحة في إدارة مخاطر الأمن الغذائي وتعزيز الممارسات الزراعية المستدامة على نطاق دولي.
DOI: https://doi.org/10.62762/tmi.2025.272892
Publication Date: 2026-03-22
Author(s): Suraj Arya et al.
Primary Topic: Stock Market Forecasting Methods
Overview
The study investigates the dynamics of rice prices, emphasizing their global significance due to widespread consumption. It employs time-series models, specifically ARIMA, LSTM, and BiLSTM, to predict rice inflation rates using a refined dataset of 71,856 samples from six countries. The original dataset was extensive, comprising 300,816 rows and 23 columns. The ARIMA model demonstrated the most effective parameter configuration of (4,1,4)(0,0,0), highlighting the potential of machine learning techniques to streamline the prediction of inflation rates, which traditionally require extensive expertise and time.
In conclusion, the analysis successfully forecasts international rice inflation rates, with ARIMA providing strong explanatory capabilities while LSTM and BiLSTM models exhibit lower errors and enhanced robustness in identifying complex data patterns. The insights gained from these models can inform policy-making, supply chain management, and consumer behavior, thereby contributing to international food security and mitigating food scarcity risks. Furthermore, the findings advocate for data-driven strategies that promote sustainable practices and suggest the applicability of these models to predict inflation rates for other essential crops and commodities globally.
Introduction
The introduction of the research paper emphasizes the critical role of rice as a staple food and its significance for food security, particularly in developing countries. It highlights the impact of global food price surges, driven by supply shocks and structural vulnerabilities, on the stability of rice prices, which is essential for maintaining consumption patterns and market availability. The study focuses on analyzing rice inflation rates in six countries—Nigeria, Philippines, Iraq, Yemen, Congo, and Chad—using advanced machine learning models, specifically ARIMA, Long Short-Term Memory (LSTM), and Bidirectional LSTM (BiLSTM), to predict inflation rates based on various price determinants.
Recent trends indicate significant fluctuations in rice prices, exacerbated by events such as India’s export restrictions in July 2023, which led to a notable increase in Thai rice prices. The paper cites alarming inflation rates, such as 24.4% in the Philippines and a dramatic rise in rice prices in Nigeria, underscoring the urgency for accurate inflation predictions. The authors argue that traditional statistical methods for calculating inflation are becoming less viable, and the adoption of machine learning techniques presents a promising alternative for forecasting rice prices and inflation rates, ultimately aiding in the prevention of unjustified price surges in the global market.
Methods
In this study, the authors utilized a dataset comprising 300,816 rows and 23 columns, sourced from the World Bank Microdata Library (accessible at www.microdata.worldbank.org). The dataset focuses on market-level food price data, specifically examining rice inflation from 2008 to 2024, with monthly price observations. Additionally, it encompasses inflation data for 26 different food items consumed across six countries.
To ensure relevance and uniformity, the authors selected only those food items that were commonly consumed in the specified countries for the analysis of inflation rates. This approach allows for a more accurate assessment of food price dynamics and inflation trends within the context of the selected nations.
Results
The results of this study, which analyzes rice price inflation using data from six countries spanning 2008 to 2024, employ ARIMA, LSTM, and BiLSTM models to forecast future values in a time series context. The research highlights the necessity of addressing nonstationarity in time series data, as the ARIMA model is applicable only to stationary series. A time series is defined as stationary if its mean and covariance are constant over time; thus, nonstationary data must be transformed into a stationary format prior to model application.
Figures 7 and 8 illustrate the training and validation loss curves for the LSTM and BiLSTM models, respectively. Both figures demonstrate a consistent decrease in loss with an increasing number of epochs, indicating effective learning and convergence towards minimizing the discrepancy between actual and predicted values. This suggests that the implemented models are capable of accurately capturing the underlying patterns in the rice price inflation data.
Discussion
The discussion section of the research paper highlights the motivation and contributions of the proposed work, which aims to address the gap in existing literature regarding the international analysis of rice inflation rates. While previous studies predominantly focused on domestic datasets and specific agricultural commodities, this research employs ARIMA, LSTM, and BiLSTM models to analyze time series data from six countries—Chad, Congo, Iraq, Nigeria, the Philippines, and Yemen—thereby enabling a comprehensive international perspective on rice inflation. The study emphasizes the necessity of incorporating international inflation rates to ensure the global availability of rice, a staple food commodity.
The literature review underscores the limitations of traditional models like ARIMA in capturing the volatility of agricultural prices, advocating for the integration of deep learning techniques such as LSTM and BiLSTM. Empirical results demonstrate that the deep learning models outperform ARIMA in terms of prediction accuracy, as indicated by significantly lower mean absolute error (MAE) and root mean squared error (RMSE) values. Specifically, LSTM and BiLSTM achieved MAE values of 0.085 and 0.078, respectively, compared to 0.475 for ARIMA. These findings suggest that the proposed models not only enhance the robustness of predictions but also provide valuable insights for policymakers and stakeholders in managing food security risks and promoting sustainable agricultural practices on an international scale.