En savoir plus

A propos des cookies

Qu’est-ce qu’un « cookie » ?

Un "cookie" est une suite d'informations, généralement de petite taille et identifié par un nom, qui peut être transmis à votre navigateur par un site web sur lequel vous vous connectez. Votre navigateur web le conservera pendant une certaine durée, et le renverra au serveur web chaque fois que vous vous y re-connecterez.

Différents types de cookies sont déposés sur les sites :

  • Cookies strictement nécessaires au bon fonctionnement du site
  • Cookies déposés par des sites tiers pour améliorer l’interactivité du site, pour collecter des statistiques

> En savoir plus sur les cookies et leur fonctionnement

Les différents types de cookies déposés sur ce site

Cookies strictement nécessaires au site pour fonctionner

Ces cookies permettent aux services principaux du site de fonctionner de manière optimale. Vous pouvez techniquement les bloquer en utilisant les paramètres de votre navigateur mais votre expérience sur le site risque d’être dégradée.

Par ailleurs, vous avez la possibilité de vous opposer à l’utilisation des traceurs de mesure d’audience strictement nécessaires au fonctionnement et aux opérations d’administration courante du site web dans la fenêtre de gestion des cookies accessible via le lien situé dans le pied de page du site.

Cookies techniques

Nom du cookie

Finalité

Durée de conservation

Cookies de sessions CAS et PHP

Identifiants de connexion, sécurisation de session

Session

Tarteaucitron

Sauvegarde vos choix en matière de consentement des cookies

12 mois

Cookies de mesure d’audience (AT Internet)

Nom du cookie

Finalité

Durée de conservation

atid

Tracer le parcours du visiteur afin d’établir les statistiques de visites.

13 mois

atuserid

Stocker l'ID anonyme du visiteur qui se lance dès la première visite du site

13 mois

atidvisitor

Recenser les numsites (identifiants unique d'un site) vus par le visiteur et stockage des identifiants du visiteur.

13 mois

À propos de l’outil de mesure d’audience AT Internet :

L’outil de mesure d’audience Analytics d’AT Internet est déployé sur ce site afin d’obtenir des informations sur la navigation des visiteurs et d’en améliorer l’usage.

L‘autorité française de protection des données (CNIL) a accordé une exemption au cookie Web Analytics d’AT Internet. Cet outil est ainsi dispensé du recueil du consentement de l’internaute en ce qui concerne le dépôt des cookies analytics. Cependant vous pouvez refuser le dépôt de ces cookies via le panneau de gestion des cookies.

À savoir :

  • Les données collectées ne sont pas recoupées avec d’autres traitements
  • Le cookie déposé sert uniquement à la production de statistiques anonymes
  • Le cookie ne permet pas de suivre la navigation de l’internaute sur d’autres sites.

Cookies tiers destinés à améliorer l’interactivité du site

Ce site s’appuie sur certains services fournis par des tiers qui permettent :

  • de proposer des contenus interactifs ;
  • d’améliorer la convivialité et de faciliter le partage de contenu sur les réseaux sociaux ;
  • de visionner directement sur notre site des vidéos et présentations animées ;
  • de protéger les entrées des formulaires contre les robots ;
  • de surveiller les performances du site.

Ces tiers collecteront et utiliseront vos données de navigation pour des finalités qui leur sont propres.

Accepter ou refuser les cookies : comment faire ?

Lorsque vous débutez votre navigation sur un site eZpublish, l’apparition du bandeau « cookies » vous permet d’accepter ou de refuser tous les cookies que nous utilisons. Ce bandeau s’affichera tant que vous n’aurez pas effectué de choix même si vous naviguez sur une autre page du site.

Vous pouvez modifier vos choix à tout moment en cliquant sur le lien « Gestion des cookies ».

Vous pouvez gérer ces cookies au niveau de votre navigateur. Voici les procédures à suivre :

Firefox ; Chrome ; Explorer ; Safari ; Opera

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de INRAE par email à cil-dpo@inrae.fr ou par courrier à :

INRAE
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2021

Menu Logo Principal Logo AgroParisTech_Université Paris Saclay

Economie Publique

UMR Paris-Saclay Applied Economics

Soutenance

Rotem Zelingher soutiendra sa thèse le lundi 29 novembre 2021.

A AgroParisTech, 16 rue Claude Bernard à Paris, à 13h 30, amphi Coleou, Rotem Zelingher soutiendra sa thèse : "Prévision des prix des produits agricoles à l’aide de techniques d’apprentissage automatique".

 

Résumé :

Serait-il possible de développer un outil de prévision des prix des produits agricoles de base qui soit à la fois précis, interprétable et, surtout, accessible au plus grand nombre ? Grâce à un tel outil, la prévision et l’analyse des prix des denrées alimentaires pourrait sortir du domaine des scientifiques, économistes et financiers pour être mises en oeuvre par un public plus large, concerné par la sécurité alimentaire. 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. Dans l’idéal, cet outil devrait être dynamique, de sorte que ses résultats pourraient évoluer en fonction du marché.

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. Deux approches sont testées : une approche quantitative, permettant de simuler les variations de prix de manière continue, et une approche de classification binaire permettant de calculer la probabilité d’augmentation ou de diminutions de prix. Dans la première partie de la thèse, les modèles sont ajustés aux données, évaluées avec des critères statistiques, puis utilisées pour identifier les régions du monde ayant une forte influence sur les variations de prix. Les résultats montrent que la production de maïs en Amérique du nord a, de loin, le plus fort impact sur les prix de cette culture et qu’il est possible d’établir une relation entre les variations de production en Amérique du nord et les variations du prix mondial du maïs.

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. Nous montrons que, pour des prévisions à court terme n’excédant pas trois mois, les techniques d’analyse de séries chronologiques sont généralement plus précises ; elles permettent de prédire les variations prix de un à trois mois à l’avance directement à partir des variations de prix passées, sans utiliser d’information sur la production agricole. Par contre, pour réaliser des prédictions à un horizon temporel excédant trois mois, les méthodes d’apprentissage automatique s’avèrent être souvent plus précises. Ces dernières ont par ailleurs un avantage supplémentaire : nous montrons qu’elles permettent de réaliser des diagnostics sur les causes probables des variations de prix extrêmes et d’identifier des chocs de production à l’origine de ces variations.

Enfin, dans la troisième partie, nous étendons le travail réalisé sur le maïs à deux autres cultures très différentes - le soja (une légumineuse constituant la principale source de protéines végétales mondiale) et le cacao (une culture produite dans un nombre restreint de pays localisés en zone tropicale). 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 (nationale ou continentale) 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 agricoles.