Forecasting Trends and Price Fluctuations of Cassava Using ARIMA Model
Keywords:
Price Fluctuations, Cassava, ARIMA modelAbstract
This study aimed to analyze trends and price fluctuations, as well as forecast the prices of fresh cassava roots in Thailand using monthly time-series data covering 264 months from 2000 to 2021. Price movements were examined through descriptive statistics, including mean, maximum, minimum, and percentage values. Trends were analyzed using a multiplicative time-series model, while price forecasting was conducted using an ARIMA model.
The findings indicated that cassava root prices showed an increasing trend, with an average rise of 5.869 baht per ton. However, seasonal fluctuations were observed, particularly from August to November, during which prices were at their lowest. A total of five price cycles were identified, along with irregular price variations in certain years, notably 2001, 2004, 2007, 2010, 2013, 2014, and 2018. Among the forecasting models evaluated, ARIMA(2,2,1) was determined to be the most suitable, achieving a forecast accuracy of 94.33% with a Mean Absolute Percentage Error (MAPE) of 5.6719.
Additionally, the seasonal analysis indicated that cassava prices reached their lowest point in October, aligning with the peak harvest period when market supply was at its highest. Consequently, farmers who postpone sales or extend their sales over a longer period may improve their chances of obtaining higher prices.
References
กรวัฒน์ พลเยี่ยม. (2559). ระบบพยากรณ์ราคาและวิเคราะห์ต้นทุนการผลิตมันสำปะหลังโดยใช้วิธีการผสมผสาน [วิทยานิพนธ์ปริญญามหาบัณฑิต]. มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ.
กระทรวงพาณิชย์. (2568). ส่งออกมันสำปะหลังราคายังพุ่ง สนค. แนะรัฐเร่งสนับสนุนขยายท่อนพันธุ์ทนโรค ใช้นวัตกรรมเพิ่มมูลค่าผลผลิตและแปรรูป ตอบสนองดีมานด์ตลาดโลก. https://www.moc.go.th/th/gallery/article/detail/id/5/iid/315
นวรัตน์ ฐิตินันท์พงศ์ และ ปรารถนา ปรารถนาดี. (2557). การพยากรณ์ราคารับซื้อมันสำปะหลังสดและราคาขายมันสำปะหลังเส้น. สำนักหอสมุด มหาวิทยาลัยเกษตรศาสตร์.
นิลุบล ศิวบวรวัฒนา. (2565). การศึกษาห่วงโซ่อุปทานที่สร้างมูลค่าเพิ่มให้กับอุตสาหกรรมมันสำปะหลังในประเทศไทย. วารสารวิชาการมหาวิทยาลัยศรีปทุม, 19(2), 458-472.
พลากร กลมกูล. (2560). การพยากรณ์ราคาแป้งมันสำปะหลังของประเทศไทยด้วยตัวแบบอนุกรมเวลา. วารสารวิชาการพระจอมเกล้าพระนครเหนือ, 27(4), 805–820.
มูลนิธิสถาบันพัฒนามันสำปะหลังแห่งประเทศไทย. (2562). ข้อมูลและองค์ความรู้เกี่ยวกับมันสำปะหลัง. https://www.tapiocathai.org/C.html
วนิดา พิมพ์โคตร. (2561). การศึกษาศักยภาพในการแข่งขันของอุตสาหกรรมมันสำปะหลังและผลิตภัณฑ์ของไทยในตลาดอาเซียน+3. วารสารเศรษฐศาสตร์ มหาวิทยาลัยรามคำแหง, 6(2), 1-20.
ศิริรัตน์ แก้วก่า. (2554). แบบจำลองเศรษฐมิติอุปสงค์อุปทานมันสำปะหลัง [วิทยานิพนธ์ปริญญามหาบัณฑิต]. มหาวิทยาลัยเทคโนโลยีสุรนารี.
สลิลทิพย์ พุ่มเปี่ยม. (2558). การศึกษากลยุทธ์การกำหนดราคาของกระบวนการรับซื้อมันสำปะหลัง [วิทยานิพนธ์ปริญญามหาบัณฑิต]. มหาวิทยาลัยเกษตรศาสตร์.
สมาคมแป้งมันสำปะหลังไทย. (2566). กระบวนการแปรรูปมันสำปะหลังในประเทศไทย. http://www.thaitapiocastarch.org/th
สำนักงานเศรษฐกิจการเกษตร. (2568). สถิติการเกษตรของประเทศไทยปี 2543-2564. http://www.oae.go.th
สุรวุฒิ กาญจนมาศ. (2553). การวิเคราะห์ราคามันสำปะหลังของประเทศไทย [วิทยานิพนธ์ปริญญามหาบัณฑิต]. มหาวิทยาลัยรามคำแหง.
สุรีพร ยองรัมย์ และสรรเสริญ ศรีเหนี่ยง. (2565). การวิเคราะห์การส่งผ่านราคามันสำปะหลังในตลาดมันเส้น. วารสารวิจัยมหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัย, 14(1), 45-56.
Anderson, O. D. (1975). Time series analysis and forecasting – The Box–Jenkins approach. Butterworths.
Bannor, R. K., & Bentil, J. K. (2014). Forecasting of cassava prices in the central region of Ghana using ARIMA model. Intercontinental Journal of Marketing Research Review, 2(8), 30–40.
Box, G. E. P., & Pierce, D. A. (1970). Distribution of residual autocorrelations in autoregressive-integrated moving average time series models. Journal of the American Statistical Association, 65(332), 1509–1526. https://doi.org/10.1080/01621459.1970.10481180
Box, G. P., Jenkins, G. M., Reinsel, G. C., & Liu, L. M. (2009). Time series analysis (4th ed.). Pearson Education.
Kathayat, B., & Dixit, A. K. (2021). Paddy price forecasting in India using ARIMA model. Journal of Crop and Weed, 17(1), 48–55. https://doi.org/10.22271/09746315.2021.v17.i1.1405
Kumar, S., & Baishya, A. (2020). Tomato price forecasting – A comparison between ARIMA, GARCH and ANN. Agricultural Economics Research Review, 10(1), 91–95. https://doi.org/10.30954/2394-8159.01.2023.13
Oliveira, S. C. de, Amorim, F. R. de, Barbosa, C. C., Andrade, A. G. de, & Solfa, F. D. G. (2022). Effect of production costs on the price per ton of sugarcane: The case of Brazil. International Journal of Social Science Studies, 10(6), 15–22. https://doi.org/10.11114/ijsss.v10i6.5688
Pannakkong, W., & Huynh, V.-N. (2015). ARIMA versus artificial neural network for Thailand's cassava starch export forecasting. In V.-N. Huynh, T. Denoeux, D. H. Tran, & A. Yap (Eds.), Integrated uncertainty in knowledge modelling and decision making (Lecture Notes in Computer Science, Vol. 9376, pp. 138–149). Springer. https://doi.org/10.1007/978-981-10-0155-0_13
Phung, D. Q., Trinh, Q. H., Do, Q. H., Nguyen, N. T., Nguyen, V. T., Ngo, G. T., & Tran, T. T. (2024). Building the ARIMA model for forecasting the production of Vietnam’s coffee export. Journal of Applied Mathematics and Physics, 12, 1237–1246. https://doi.org/10.4236/jamp.2024.124076
Downloads
Published
How to Cite
Issue
Section
Categories
License
Copyright (c) 2025 Maejo Business Review
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
