Global food prices are currently rising at a rapid pace. The current supply chain involves a number of different steps, where each step involves a price surcharge that is ultimately paid by the consumer. Modern technology, such as machine learning and smart logistics, enables alternative supply chains. This report examines the possibility of designing a model that, with the help of scenarios of change based on previous studies and the taskmaster’s vision, can make predictions for future food prices. The report was based on the supply chain and current prices for potatoes. The models used are ARIMA, SVR with different cores, linear regression, Ridge regression and Lasso regression. The models are evaluated with the error measurements Mean Absolute Error, Mean Squared Error, Root Mean Squared Error and R2. The best-performing models, with which the prediction was then performed, were ARIMA and SVR with a linear core. The predictions and calculations showed drastically reduced food prices and a large reduction in unnecessary food waste, especially in the scenario that involves an overall change of the supply chain. This has major macroeconomic effects, as food prices affect inflation. The analysis also shows the importance of the industry’s players working with analysis and strategy to handle a future shift that entails higher uncertainty in the market. There are uncertainties about the effect on other supply chains, as well as the net effect of a shift as the costs for this are unknown. / I dagsläget stiger livsmedelspriserna globalt i hög takt. Den nuvarande försörjningskedjan innebär många olika steg, där varje steg innebär prispåslag som till slut betalas av konsumenten. Modern teknik, som maskininlärning och smart logistik ger upphov till alternativa försörjningskedjor. Denna rapport undersöker möjligheten att utforma en modell som, med hjälp av omställningsscenarion baserade på tidigare studier och uppdragsgivarens vision, kan göra prediktioner för framtida livsmedelspriser. Rapporten baserades på försörjningskedjan och aktuella priser för matpotatis. De använda modellerna är ARIMA, SVR med olika kärnor, linjär regression, Ridge regression samt Lasso regression. Modellerna utvärderas med felmåtten Mean Absolute Error, Mean Squared Error, Root Mean Squared Error samt R2. De bäst presterande modellerna, som prediktionen sedan utfördes med, var ARIMA och SVR med linjär kärna. Prediktionerna och uträkningarna visade på drastiskt sänkta matpriser och en stor sänkning av onödigt matsvinn, framför allt vid det scenario som innebär en övergripande omställning av försörjningskedjan. Detta för med sig stora makroekonomiska effekter, då livsmedelspriset påverkar inflationen. Analysen visar även på vikten av att branschens aktörer arbetar med analys och strategi för att hantera ett kommande skifte som innebär en högre osäkerhet på marknaden. Osäkerheter finns kring effekten på andra försörjningskedjor, samt nettoeffekten av en omställning då kostnaderna för denna är okända.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-302722 |
| Date | January 2021 |
| Creators | Javenius, Hugo, Nerman, Hugo |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2021:367 |
Page generated in 0.0018 seconds