Prévisions de la production de tomates chez les principaux producteurs asiatiques : étude comparative des modèles ARIMA, de lissage exponentiel, score-driven et XGBoost

Pourquoi les récoltes futures de tomates comptent

Les tomates sont un aliment de base dans les cuisines à travers l’Asie, présentes partout, du street food aux sauces sur les étagères des supermarchés. Derrière chaque tomate se cache cependant une chaîne d’agriculteurs, de marchés et de décisions politiques qui peut être ébranlée par de mauvaises conditions climatiques ou des variations de prix. Cette étude pose une question simple mais essentielle : comment mieux prévoir les récoltes de tomates à venir dans les principaux pays asiatiques afin que les agriculteurs, les gouvernements et les consommateurs ne soient pas pris au dépourvu ?

Tomates, agriculteurs et nourriture sur la table

Les tomates sont l’une des cultures les plus produites et échangées au monde, juste derrière la pomme de terre. Riches en vitamines et antioxydants, elles soutiennent une importante industrie de transformation qui les transforme en jus, soupes, concentrés et sauces. En Asie, la Chine et les pays d’Asie du Sud fournissent ensemble une part majeure des tomates mondiales, et des millions de petits agriculteurs dépendent de cette culture pour leurs revenus. Lorsque les récoltes fluctuent, les revenus agricoles et les prix à la consommation varient également, ce qui peut menacer à la fois les moyens de subsistance ruraux et la sécurité alimentaire urbaine.

Récoltes en hausse et croissance inégale

En examinant soixante ans de données, les chercheurs ont suivi la production annuelle de tomates de 1961 à 2021 au Bangladesh, en Chine, en Inde, au Pakistan et au Sri Lanka. La Chine a montré une montée spectaculaire, surtout après 2000, passant d’un producteur modeste à un géant qui produit désormais des dizaines de millions de tonnes chaque année. L’Inde s’est également fortement développée, bien que de manière plus régulière. En revanche, le Bangladesh, le Pakistan et le Sri Lanka ont affiché une croissance plus douce, ponctuée de pics et de creux occasionnels. Ces différences sont importantes : les pays connaissant une forte croissance structurelle ont besoin de modèles capables de suivre des tendances à long terme ascendantes, tandis que d’autres nécessitent des outils capables de capter la stabilité ou des changements lents.

Tester les outils de prévision

Pour déterminer quelles méthodes prédisent le mieux la production future, l’équipe a comparé quatre types d’outils de prévision. Deux proviennent de la statistique classique, qui cherche des motifs et des tendances lisses dans le temps. Une autre, appelée approche score-driven, permet à des éléments clés du modèle d’évoluer progressivement au fur et à mesure de l’arrivée de nouvelles données, ce qui aide à s’adapter à des conditions changeantes. Le quatrième outil, connu sous le nom de XGBoost, est une méthode d’apprentissage automatique populaire qui combine de nombreux arbres de décision pour capturer des comportements complexes et irréguliers dans les données. Les chercheurs ont entraîné les quatre méthodes sur les données de 1961 à 2014, puis testé leur capacité à prévoir les années 2015 à 2021.

Compétence à court terme versus réalisme à long terme

Dans ces tests, XGBoost a souvent donné les erreurs les plus faibles, en particulier les années où la production était volatile. Cela signifie qu’il excellait pour reproduire les hauts et les bas récents. Cependant, les auteurs soulignent un inconvénient important : les modèles d’arbres d’apprentissage ont du mal à projeter des valeurs au-delà de ce qu’ils ont déjà vu. Pour des cultures comme la tomate en Inde et au Bangladesh, où la production augmente depuis des décennies, cette faiblesse se traduit par des trajectoires futures irréalistes et aplaties. Les méthodes classiques, en revanche, sont conçues pour étendre les tendances sous-jacentes dans le temps, même si elles sont moins spectaculaires à court terme.

Choisir l’outil adapté à chaque pays

En tenant compte à la fois de la précision et du réalisme, les auteurs ont choisi avec soin un modèle « pratique » pour chaque pays. Pour le Bangladesh, ils ont sélectionné une méthode de lissage exponentiel, qui prolonge en douceur la tendance ascendante de long terme tout en réagissant aux chocs récents. Pour la Chine, l’Inde, le Pakistan et le Sri Lanka, ils ont choisi des modèles score-driven, capables de suivre des taux de croissance changeants sans buter sur le plafond qui contraint les systèmes basés sur les arbres. À l’aide de ces modèles, ils ont établi des prévisions de production de tomates jusqu’en 2028. Les résultats suggèrent que le Bangladesh, la Chine, l’Inde et le Pakistan devraient connaître une poursuite de la croissance des récoltes de tomates, tandis que la production du Sri Lanka devrait se stabiliser avec seulement de légères augmentations.

Ce que cela signifie pour la planification alimentaire

Pour les non-spécialistes, le message principal est que de meilleures prévisions de tomates peuvent soutenir des choix plus avisés tout au long de la chaîne alimentaire. En montrant que certains outils avancés d’apprentissage automatique excellent pour la volatilité à court terme mais échouent lorsqu’il s’agit de prolonger des tendances à long terme, l’étude met en garde contre la dépendance à un seul type de modèle. Ses prévisions pays par pays offrent une image plus claire de la façon dont l’offre de tomates pourrait évoluer jusqu’en 2028, aidant les planificateurs à anticiper la demande croissante, les agriculteurs à programmer leurs investissements et les marchés à amortir les pics de prix.

Citation: Al khatib, A.M.G., Alshaib, B.M., Mishra, P. et al. Forecasting tomato production in major Asian producers: a comparative study of ARIMA, exponential smoothing, score-driven models, and XGBoost. Sci Rep 16, 15722 (2026). https://doi.org/10.1038/s41598-026-46110-y

Mots-clés: production de tomates, prévision des récoltes, modèles de séries temporelles, apprentissage automatique en agriculture, sécurité alimentaire en Asie