Modelling and Forecasting Wholesale Potato Prices in Northern India Using SARIMA
Notice bibliographique
Résumé
Farmers face many difficulties as a result of price fluctuation in agricultural commodities, mostly in developing nations like India. Potato prices are particularly unstable during the post-harvest period, which frequently forces farmers to sell at low prices because of urgent financial needs and delayed market information. The objective of this study is to use the Seasonal Autoregressive Integrated Moving Average (SARIMA) model to forecast monthly wholesale potato prices. Three important markets in Northern India i.e. Uttar Pradesh, a significant producer, Punjab, a distribution hub, and Delhi, a major consumption center were studied for price trends. The AGMARKNET portal was used to collect monthly wholesale price data from January 2010 to December 2024. The best fitted SARIMA models were determined using the lowest AIC and BIC values: SARIMA(2,0,0)(2,0,1)[12] for Uttar Pradesh, SARIMA(1,0,1)(1,1,1)[12] for Punjab, and SARIMA(1,0,1)(0,1,1)[12] for Delhi. Forecast results reveal clear seasonal patterns. Prices in Uttar Pradesh are expected to decline from Rs. 1986.61 in January to a low of Rs. 1629.92 in April, before rising again to Rs. 1821.96 in July. Similarly, the lowest forecasted prices are observed in March and April in Punjab (Rs. 1546.22) and Delhi (Rs. 1664.95), while the highest price is projected for October in Delhi (Rs. 2039.61). The observed patterns suggest that the post-harvest months, specifically from February to April, typically see a decline in prices attributed to market saturation. Conversely, prices tend to increase during the mid to late year period, likely influenced by a decrease in fresh arrivals and a heightened dependence on stored produce. The forecast emphasizes the importance of market-specific dynamics and illustrates the effectiveness of predictive models in assisting farmers marketing decisions. This enables improved planning by traders and policymakers to address seasonal price volatility.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».