SlideShare une entreprise Scribd logo
1  sur  20
1




                        Prévision du prix du blé

     (définition d’une politique d’achat de farine)



    Formation - 6 novembre 2012
           Stéphan Miquel




Société de Calcul Mathématique, S. A.
      Algorithmes et Optimisation
2



           Plan de la présentation


• I. Prévision du prix à court terme
      (approche statistique)

• II. Prévision du prix en fin de campagne
      (approche probabiliste)

• III. Validation de la méthode
3




I. Prévision du prix du blé à court terme
4



1.Volatilité du prix du blé en 2007
5



1.Volatilité du prix du blé en 2007


  L’augmentation du prix du blé en 2007 est liée à une très forte
 diminution de l’offre : les campagnes 2005-2006 et 2006-2007 ont donné
 une très faible production

  La demande, représentée par la consommation mondiale est restée
 stable pendant la même période.

 Remarque : même si ce n’est pas mentionné, la demande est bien prise
 en compte dans l’ensemble de cet outil de prévision
6



2. Relation « Estimation stocks – Prix »

• Principaux exportateurs : USA, Canada, Europe, Ex-URSS et Australie

Leurs stocks de blé représentent l’offre mondiale disponible à l’exportation


• Seuil critique des stocks : 64 millions de tonnes

         - Lorsque les stocks sont supérieurs au seuil : le prix reste stable

         - Lorsque les stocks sont inférieurs au seuil : le prix devient volatil
7



2. Relation « Estimation stocks – Prix »
                                       Seuil critique des stocks :
                                         64 millions de tonnes

                   Cas 3 : augmentation
                        des stocks




     Cas 2 : diminution
         des stocks

      Cas 1 : stocks supérieurs au seuil
8



          3. Validation de la relation
              300                                                                            80000




                                                                                             70000
              250

                                                                                             60000


              200
prix en €/t




                                                                                             50000




              150                                                                            40000




                                                                                             30000
              100

                                                                                             20000
                          Prix réel
               50         Résultats
                                                         Prédiction novembre 2008 :
                          Prédiction novembre 2008                                           10000

                          Stocks
                                                                 125 €/tonne
               0                                                                             0
               janv.-05      août-05       mars-06   oct.-06   mai-07   déc.-07   juil.-08
9




II. Prévision du prix du blé en fin de campagne
10



 1. Définition d’une campagne de production


 Stocks de début de              Estimation de la
                                                      Estimation des stocks
     campagne                    production de la
                                                       de fin de campagne
  (données USDA)                    campagne
                                                        (données USDA)
                                (données USDA)




                      Année n                       Année n+1




Début de campagne :
                                                    Fin de campagne :
  Mai de l’année n
                                                    Mai de l’année n+1
11



2. Processus liant la production au prix

                                 Même relation que pour la
                                  prédiction à court terme
12



3. Prévision probabiliste de la production
                         Production observée en fin de campagne
                   Ratio
                              Production estimée (USDA)

Exemple mois de mai en Australie depuis 1993 (premier mois de la campagne):


                                                              Scénario 1 :
                                                       Sous-estimation de l’USDA




                                                              Scénario 2 :
                                                       Bonne estimation de l’USDA



                                                                Scénario 3 :
                                                          Surestimation de l’USDA
13



 3. Prévision probabiliste de la production
         Loi de probabilité de la production (exemple du mois de mai)



      Surestimation
 de 6 % de la production
 avec une proba de 40 %




     Surestimation
de 42 % de la production
avec une proba de 33 %
14



4. Prévision probabiliste des stocks
15



         5. Prévision probabiliste du prix en fin de campagne
                                                       Australie                                 U.E.                                Ex-URSS                                     USA
                 Canada



                                             Sous-     Estimation       Sur-        Sous-     Estimation       Sur-        Sous-     Estimation       Sur-                                     Sur-
   Sous-        Estimation       Sur-                                                                                                                             Sous-       Estimation
                                          estimation    correcte    estimation   estimation    correcte    estimation   estimation    correcte    estimation                               estimation
estimation       correcte    estimation                                                                                                                        estimation      correcte




             Combinaisons de tous
             les scénarios : 35 cas


                             Production totale cas n°1                       Production totale cas n°2                                                         Production totale cas n°243
                                 Probabilité P1:                                 Probabilité P2 :                       …………………………                                   Probabilité P3:
                                                                                                                        …………………………
         Application relation                                                                                           …………………………
         production - stocks
                                                                                                                        ……….
                                      Stocks de fin de                      Stocks de fin de                   …………………………………………………                                  Stocks de fin de
                                   campagne cas n°1 avec                 campagne cas n°2 avec                 …………………………………….                                    campagne cas n°243
                                       probabilité P1                        probabilité P2                                                                       avec probabilité P243


               Application de la
              relation stocks-prix
                                                                                                  ……………………………………………………………
                                           Prix cas n°1                  Prix cas n°2             ………………………….                                                               Prix cas n°1
                                             avec P1                       avec P2                                                                                           avec P243
16
17



5. Prévision probabiliste du prix en fin de campagne

     Mois de novembre 2008 : précision du prix au mois de mai 2009




       la probabilité que le prix en fin de campagne

          soit inférieur à 125 €/tonne est de 93 %
18




III. Application de l’outil de prévision
19



1. Définition d’une politique d’achats
20



2. Résultats obtenus
  Campagne 2010-2011 :
 Le prix moyen d’achat est de 177 €/t au lieu de 209 €/t
      L’économie réalisée est de 32€/t, soit -15%


  Campagne 2011-2012 :
 Le prix moyen d’achat est identique au prix moyen de la campagne
      Economie impossible à réaliser à cause d’une baisse constante du
     prix pendant toute la campagne


  Campagne 2012-2013 :
 La préconisation est d’acheter l’ensemble des besoins annuels en début
 de campagne à 196 €/t
      Economie potentiellement très importante, le prix est bloqué à
     environ 250 €/t depuis le 2ème mois de la campagne

Contenu connexe

En vedette

Paris2012 session1
Paris2012 session1Paris2012 session1
Paris2012 session1Cdiscount
 
State Space Model
State Space ModelState Space Model
State Space ModelCdiscount
 
Prévisions trafic aérien
Prévisions trafic aérienPrévisions trafic aérien
Prévisions trafic aérienCdiscount
 
Prévision consommation électrique par processus à valeurs fonctionnelles
Prévision consommation électrique par processus à valeurs fonctionnellesPrévision consommation électrique par processus à valeurs fonctionnelles
Prévision consommation électrique par processus à valeurs fonctionnellesCdiscount
 
Ranking binaire, agrégation multiclasses
Ranking binaire, agrégation multiclasses Ranking binaire, agrégation multiclasses
Ranking binaire, agrégation multiclasses Cdiscount
 
Présentation Olivier Biau Random forests et conjoncture
Présentation Olivier Biau Random forests et conjoncturePrésentation Olivier Biau Random forests et conjoncture
Présentation Olivier Biau Random forests et conjonctureCdiscount
 
Forecasting GDP profile with an application to French Business Surveys
Forecasting GDP profile with an application to French Business SurveysForecasting GDP profile with an application to French Business Surveys
Forecasting GDP profile with an application to French Business SurveysCdiscount
 
Prévision de consommation électrique avec adaptive GAM
Prévision de consommation électrique avec adaptive GAMPrévision de consommation électrique avec adaptive GAM
Prévision de consommation électrique avec adaptive GAMCdiscount
 
Prediction in dynamic Graphs
Prediction in dynamic GraphsPrediction in dynamic Graphs
Prediction in dynamic GraphsCdiscount
 
R2DOCX : R + WORD
R2DOCX : R + WORDR2DOCX : R + WORD
R2DOCX : R + WORDCdiscount
 
Presentation r markdown
Presentation r markdown Presentation r markdown
Presentation r markdown Cdiscount
 
Présentation G.Biau Random Forests
Présentation G.Biau Random ForestsPrésentation G.Biau Random Forests
Présentation G.Biau Random ForestsCdiscount
 
FLTauR - Construction de modèles de prévision sous r avec le package caret
FLTauR - Construction de modèles de prévision sous r avec le package caretFLTauR - Construction de modèles de prévision sous r avec le package caret
FLTauR - Construction de modèles de prévision sous r avec le package caretjfeudeline
 

En vedette (18)

Scm risques
Scm risquesScm risques
Scm risques
 
Paris2012 session1
Paris2012 session1Paris2012 session1
Paris2012 session1
 
State Space Model
State Space ModelState Space Model
State Space Model
 
Prévisions trafic aérien
Prévisions trafic aérienPrévisions trafic aérien
Prévisions trafic aérien
 
Prévision consommation électrique par processus à valeurs fonctionnelles
Prévision consommation électrique par processus à valeurs fonctionnellesPrévision consommation électrique par processus à valeurs fonctionnelles
Prévision consommation électrique par processus à valeurs fonctionnelles
 
Ranking binaire, agrégation multiclasses
Ranking binaire, agrégation multiclasses Ranking binaire, agrégation multiclasses
Ranking binaire, agrégation multiclasses
 
Présentation Olivier Biau Random forests et conjoncture
Présentation Olivier Biau Random forests et conjoncturePrésentation Olivier Biau Random forests et conjoncture
Présentation Olivier Biau Random forests et conjoncture
 
Forecasting GDP profile with an application to French Business Surveys
Forecasting GDP profile with an application to French Business SurveysForecasting GDP profile with an application to French Business Surveys
Forecasting GDP profile with an application to French Business Surveys
 
Prévision de consommation électrique avec adaptive GAM
Prévision de consommation électrique avec adaptive GAMPrévision de consommation électrique avec adaptive GAM
Prévision de consommation électrique avec adaptive GAM
 
Prediction in dynamic Graphs
Prediction in dynamic GraphsPrediction in dynamic Graphs
Prediction in dynamic Graphs
 
Gur1009
Gur1009Gur1009
Gur1009
 
R2DOCX : R + WORD
R2DOCX : R + WORDR2DOCX : R + WORD
R2DOCX : R + WORD
 
Big data with r
Big data with rBig data with r
Big data with r
 
R Devtools
R DevtoolsR Devtools
R Devtools
 
Presentation r markdown
Presentation r markdown Presentation r markdown
Presentation r markdown
 
R versur Python
R versur PythonR versur Python
R versur Python
 
Présentation G.Biau Random Forests
Présentation G.Biau Random ForestsPrésentation G.Biau Random Forests
Présentation G.Biau Random Forests
 
FLTauR - Construction de modèles de prévision sous r avec le package caret
FLTauR - Construction de modèles de prévision sous r avec le package caretFLTauR - Construction de modèles de prévision sous r avec le package caret
FLTauR - Construction de modèles de prévision sous r avec le package caret
 

Plus de Cdiscount

Fltau r interface
Fltau r interfaceFltau r interface
Fltau r interfaceCdiscount
 
Dataiku r users group v2
Dataiku   r users group v2Dataiku   r users group v2
Dataiku r users group v2Cdiscount
 
Introduction à la cartographie avec R
Introduction à la cartographie avec RIntroduction à la cartographie avec R
Introduction à la cartographie avec RCdiscount
 
Parallel R in snow (english after 2nd slide)
Parallel R in snow (english after 2nd slide)Parallel R in snow (english after 2nd slide)
Parallel R in snow (english after 2nd slide)Cdiscount
 
Premier pas de web scrapping avec R
Premier pas de  web scrapping avec RPremier pas de  web scrapping avec R
Premier pas de web scrapping avec RCdiscount
 
Incorporer du C dans R, créer son package
Incorporer du C dans R, créer son packageIncorporer du C dans R, créer son package
Incorporer du C dans R, créer son packageCdiscount
 
Comptabilité Nationale avec R
Comptabilité Nationale avec RComptabilité Nationale avec R
Comptabilité Nationale avec RCdiscount
 
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)Cdiscount
 
Cartographie avec igraph sous R (Partie 1)
Cartographie avec igraph sous R (Partie 1) Cartographie avec igraph sous R (Partie 1)
Cartographie avec igraph sous R (Partie 1) Cdiscount
 
RStudio is good for you
RStudio is good for youRStudio is good for you
RStudio is good for youCdiscount
 
R fait du la tex
R fait du la texR fait du la tex
R fait du la texCdiscount
 
Première approche de cartographie sous R
Première approche de cartographie sous RPremière approche de cartographie sous R
Première approche de cartographie sous RCdiscount
 

Plus de Cdiscount (13)

Fltau r interface
Fltau r interfaceFltau r interface
Fltau r interface
 
Dataiku r users group v2
Dataiku   r users group v2Dataiku   r users group v2
Dataiku r users group v2
 
Introduction à la cartographie avec R
Introduction à la cartographie avec RIntroduction à la cartographie avec R
Introduction à la cartographie avec R
 
HADOOP + R
HADOOP + RHADOOP + R
HADOOP + R
 
Parallel R in snow (english after 2nd slide)
Parallel R in snow (english after 2nd slide)Parallel R in snow (english after 2nd slide)
Parallel R in snow (english after 2nd slide)
 
Premier pas de web scrapping avec R
Premier pas de  web scrapping avec RPremier pas de  web scrapping avec R
Premier pas de web scrapping avec R
 
Incorporer du C dans R, créer son package
Incorporer du C dans R, créer son packageIncorporer du C dans R, créer son package
Incorporer du C dans R, créer son package
 
Comptabilité Nationale avec R
Comptabilité Nationale avec RComptabilité Nationale avec R
Comptabilité Nationale avec R
 
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)
 
Cartographie avec igraph sous R (Partie 1)
Cartographie avec igraph sous R (Partie 1) Cartographie avec igraph sous R (Partie 1)
Cartographie avec igraph sous R (Partie 1)
 
RStudio is good for you
RStudio is good for youRStudio is good for you
RStudio is good for you
 
R fait du la tex
R fait du la texR fait du la tex
R fait du la tex
 
Première approche de cartographie sous R
Première approche de cartographie sous RPremière approche de cartographie sous R
Première approche de cartographie sous R
 

Scm prix blé_2012_11_06

  • 1. 1 Prévision du prix du blé (définition d’une politique d’achat de farine) Formation - 6 novembre 2012 Stéphan Miquel Société de Calcul Mathématique, S. A. Algorithmes et Optimisation
  • 2. 2 Plan de la présentation • I. Prévision du prix à court terme (approche statistique) • II. Prévision du prix en fin de campagne (approche probabiliste) • III. Validation de la méthode
  • 3. 3 I. Prévision du prix du blé à court terme
  • 4. 4 1.Volatilité du prix du blé en 2007
  • 5. 5 1.Volatilité du prix du blé en 2007  L’augmentation du prix du blé en 2007 est liée à une très forte diminution de l’offre : les campagnes 2005-2006 et 2006-2007 ont donné une très faible production  La demande, représentée par la consommation mondiale est restée stable pendant la même période. Remarque : même si ce n’est pas mentionné, la demande est bien prise en compte dans l’ensemble de cet outil de prévision
  • 6. 6 2. Relation « Estimation stocks – Prix » • Principaux exportateurs : USA, Canada, Europe, Ex-URSS et Australie Leurs stocks de blé représentent l’offre mondiale disponible à l’exportation • Seuil critique des stocks : 64 millions de tonnes - Lorsque les stocks sont supérieurs au seuil : le prix reste stable - Lorsque les stocks sont inférieurs au seuil : le prix devient volatil
  • 7. 7 2. Relation « Estimation stocks – Prix » Seuil critique des stocks : 64 millions de tonnes Cas 3 : augmentation des stocks Cas 2 : diminution des stocks Cas 1 : stocks supérieurs au seuil
  • 8. 8 3. Validation de la relation 300 80000 70000 250 60000 200 prix en €/t 50000 150 40000 30000 100 20000 Prix réel 50 Résultats Prédiction novembre 2008 : Prédiction novembre 2008 10000 Stocks 125 €/tonne 0 0 janv.-05 août-05 mars-06 oct.-06 mai-07 déc.-07 juil.-08
  • 9. 9 II. Prévision du prix du blé en fin de campagne
  • 10. 10 1. Définition d’une campagne de production Stocks de début de Estimation de la Estimation des stocks campagne production de la de fin de campagne (données USDA) campagne (données USDA) (données USDA) Année n Année n+1 Début de campagne : Fin de campagne : Mai de l’année n Mai de l’année n+1
  • 11. 11 2. Processus liant la production au prix Même relation que pour la prédiction à court terme
  • 12. 12 3. Prévision probabiliste de la production Production observée en fin de campagne Ratio Production estimée (USDA) Exemple mois de mai en Australie depuis 1993 (premier mois de la campagne): Scénario 1 : Sous-estimation de l’USDA Scénario 2 : Bonne estimation de l’USDA Scénario 3 : Surestimation de l’USDA
  • 13. 13 3. Prévision probabiliste de la production Loi de probabilité de la production (exemple du mois de mai) Surestimation de 6 % de la production avec une proba de 40 % Surestimation de 42 % de la production avec une proba de 33 %
  • 15. 15 5. Prévision probabiliste du prix en fin de campagne Australie U.E. Ex-URSS USA Canada Sous- Estimation Sur- Sous- Estimation Sur- Sous- Estimation Sur- Sur- Sous- Estimation Sur- Sous- Estimation estimation correcte estimation estimation correcte estimation estimation correcte estimation estimation estimation correcte estimation estimation correcte Combinaisons de tous les scénarios : 35 cas Production totale cas n°1 Production totale cas n°2 Production totale cas n°243 Probabilité P1: Probabilité P2 : ………………………… Probabilité P3: ………………………… Application relation ………………………… production - stocks ………. Stocks de fin de Stocks de fin de ………………………………………………… Stocks de fin de campagne cas n°1 avec campagne cas n°2 avec ……………………………………. campagne cas n°243 probabilité P1 probabilité P2 avec probabilité P243 Application de la relation stocks-prix …………………………………………………………… Prix cas n°1 Prix cas n°2 …………………………. Prix cas n°1 avec P1 avec P2 avec P243
  • 16. 16
  • 17. 17 5. Prévision probabiliste du prix en fin de campagne Mois de novembre 2008 : précision du prix au mois de mai 2009 la probabilité que le prix en fin de campagne soit inférieur à 125 €/tonne est de 93 %
  • 18. 18 III. Application de l’outil de prévision
  • 19. 19 1. Définition d’une politique d’achats
  • 20. 20 2. Résultats obtenus  Campagne 2010-2011 : Le prix moyen d’achat est de 177 €/t au lieu de 209 €/t  L’économie réalisée est de 32€/t, soit -15%  Campagne 2011-2012 : Le prix moyen d’achat est identique au prix moyen de la campagne  Economie impossible à réaliser à cause d’une baisse constante du prix pendant toute la campagne  Campagne 2012-2013 : La préconisation est d’acheter l’ensemble des besoins annuels en début de campagne à 196 €/t  Economie potentiellement très importante, le prix est bloqué à environ 250 €/t depuis le 2ème mois de la campagne