Ứng dụng trí tuệ nhân tạo trong dự báo nhu cầu chuỗi cung ứng sản phẩm nông nghiệp vùng đồng bằng sông Cửu Long
DOI:
https://doi.org/10.59394/qlnn.366.2026.1564Từ khóa:
Chuỗi cung ứng nông nghiệp, trí tuệ nhân tạo, dữ liệu lớn, dự báo nhu cầu, đồng bằng sông Cửu LongTóm tắt
Trong bối cảnh biến đổi khí hậu, biến động thị trường và áp lực chuyển đổi số tại đồng bằng sông Cửu Long, bài viết phân tích vai trò của trí tuệ nhân tạo và dữ liệu lớn trong nâng cao năng lực dự báo nhu cầu của chuỗi cung ứng nông nghiệp; đồng thời, áp dụng phương pháp hỗn hợp, khai thác dữ liệu thứ cấp kết hợp khảo sát 215 doanh nghiệp và hợp tác xã nông nghiệp tại đồng bằng sông Cửu Long. Kết quả nghiên cứu cung cấp bằng chứng thực nghiệm về hiệu quả của việc ứng dụng trí tuệ nhân tạo trong phân tích chuỗi cung ứng nông nghiệp, góp phần giảm tình trạng “được mùa mất giá” và nâng cao tính bền vững của nông nghiệp đồng bằng sông Cửu Long.
Tài liệu tham khảo
Bandara, K., Bergmeir, C., & Smyl, S. (2020). Forecasting across time series databases using recurrent neural networks on groups of similar series: A clustering approach. Expert Systems with Applications, 140, 112896. https://doi.org/10.1016/j.eswa.2019.112896
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). John Wiley & Sons.
Choi, T. M., Wallace, S. W., & Wang, Y. (2018). Big data analytics in operations management. Production and Operations Management, 27(10), 1868-1883. https://doi.org/10.1111/poms.12838
Diebold, F. X. (2015). Comparing predictive accuracy, twenty years later: A personal perspective on the use and abuse of Diebold-Mariano tests. Journal of Business & Economic Statistics, 33(1), 1-9. https://doi.org/10.1080/07350015.2014.983236
Food and Agriculture Organization of the United Nations. (2023). The state of food and agriculture 2023: Revealing the true cost of food to transform agrifood systems. https://doi.org/10.4060/cc7724en
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts. https://otexts.com/fpp3/
Lim, B., & Zohren, S. (2021). Time-series forecasting with deep learning: A survey. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 379(2194), 20200209. https://doi.org/10.1098/rsta.2020.0209
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54-74. https://doi.org/10.1016/j.ijforecast.2019.04.014
Waller, M. A., & Fawcett, S. E. (2013). Data science, predictive analytics, and big data: A revolution that will transform supply chain design and management. Journal of Business Logistics, 34(2), 77-84. https://doi.org/10.1111/jbl.12010
World Bank (2022). Transforming Vietnamese agriculture: Gaining more from less. https://documents.worldbank.org/en/publication/documents-reports/documentdetail/099845006232232877/p1776560f73b1d0220b19f00674e620f83
