Machine Learning-Based Forecasting of Headline Inflation in Ethiopia: an Empirical Comparative Study

ملخص تقني: التنبؤ بالتضخم الأساسي في إثيوبيا القائم على تعلم الآلة

بيان المشكلة
يظل التضخم محدداً حاسماً للرفاهية الوطنية وتحدياً اقتصادياً كبياً في إثيوبيا، حيث تجاوز التضخم الأساسي مؤخراً نسبة 30%، مدفوعاً بعوامل مثل الجفاف، والنزاعات الداخلية، وصدمات العرض العالمية. تاريخياً، استُخدمت النماذج القياسية والاقتصادية والزمنية التقليدية (مثل ARIMA وVAR وVECM) للتنبؤ بالتضخم في إثيوبيا. ومع ذلك، غالباً ما تعاني هذه النماذج الخطية من ضعف الدقة بسبب الطبيعة المعقدة وغير الخطية لبيانات التضخم، وعجزها عن استيعاب الانكسارات الهيكلية، والتباينات، والتفاعلات متعددة الأوجه للمتغيرات الاقتصادية الكلية. علاوة على ذلك، اعتمدت الدراسات السابقة في المنطقة بشكل متكرر على بيانات مؤشر أسعار المستهلك (CPI) الإجمالية دون مراعاة كافية لمحددات معينة أو استخدام تقنيات تعلم الآلة (ML) المتقدمة لتحسين دقة التنبؤ.

المنهجية
تستخدم هذه الدراسة نهج التعلم الآلي الخاضع للإشراف لنمذجة والتنبؤ بالتضخم الأساسي في إثيوبيا باستخدام بيانات ربع سنوية تغطي الفترة من عام 2000 إلى 2023. تم الحصول على البيانات من هيئة الإحصاء المركزية، والبنك الوطني الإثيوبي، والوكالة الوطنية للأرصاد الجوية الإثيوبية، والبنك الدولي.

• معالجة البيانات: تمت تنظيف مجموعة البيانات وتحويلها وتقسيمها إلى مجموعة تدريب بنسبة 80% ومجموعة اختبار بنسبة 20%. تم حساب متغير الاستجابة، وهو التضخم الأساسي ($HI_t$)، كلوغاريتم طبيعي للتغير المئوي السنوي في مؤشر أسعار المستهلك.
• المتغيرات المستقلة: تضمنت الدراسة مجموعة واسعة من المتغيرات الخارجية، بما في ذلك تضخم السلع الغذائية وغير الغذائية، والمعروض النقدي، وأسعار الصرف، والناتج المحلي الإجمالي، وعجز الموازنة الحكومية، والاستثمار الأجنبي المباشر، وهطول الأمطار، وأسعار النفط والغذاء، والاستقرار السياسي، وبيانات النقل (عدد المركبات)، ومعدلات البطالة.
• نهج النمذجة: قارنت الدراسة عدة خوارزميات للتعلم الخاضع للإشراف مقابل النماذج المرجعية التقليدية:
  • النماذج الخطية الجزائية: انحدار ريدج (Ridge Regression)، ولاسو (LASSO)، وإلاستيك نت (Elastic Net) لمعالجة تعدد الارتباط وأداء اختيار المتغيرات.
  • نماذج تعلم الآلة غير الخطية: الغابة العشوائية (Random Forest)، والبيرسيبترون متعدد الطبقات (MLP)، والانحدار الذاتي للشبكة العصبية (NNAR).
  • النموذج المرجعي: استُخدمت نماذج SARIMA أحادية المتغير كخط أساس للمقارنة.
• مقاييس التقييم: تم تقييم أداء النموذج باستخدام جذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط نسبة الخطأ المطلق (MAPE) لكل من البيانات داخل العينة (التدريب) وخارج العينة (الاختبار).
• أفق التنبؤ: استُخدم النموذج الأمثل المختار للتنبؤ بالتضخم الأساسي لفترة خمس سنوات (2024–2028).

النتائج الرئيسية

• أهمية الميزات: عبر جميع النماذج، تم تحديد تضخم الغذاء باعتباره المتنبئ الأكثر أهمية. وشملت المتغيرات العليا الأخرى تضخم السلع غير الغذائية، وأسعار الصادرات، والاستهلاك الحكومي، وإجمالي الاستثمار الثابت، وعدد المركبات. ومن الجدير بالذكر أن نموذج "لاسو" حدد "الاستقرار السياسي" و"عدد المركبات" كعوامل مهمة، حيث أظهر الأخير ارتباطاً سلبياً مع التضخم، مما يشير إلى أن تحسين كفاءة النقل قد يخفف من الضغوق السعرية.
• أداء النماذجة:
  • النماذج الخطية: عالج انحدار LASSO تعدد الارتباط بفعالية، محققاً نتائج قوية بجذر متوسط مربع خطأ داخلي قدره 0.110 وجذر متوسط مربع خطأ خارجي قدره 0.172. وقد تفوق على نموذجي Ridge وElastic Net في التنبؤ خارج العينة.
  • النماذج غير الخطية: تفوق نموذج الانحدار الذاتي للشبكة العصبية (NNAR)، وتحديداً نموذج NNAR(5, 2, 10) مع المتغيرات الخارجية، على جميع النماذج الأخرى. حقق دقة مثالية داخل العينة (RMSE = 0.000) وأقل خطأ خارج العينة (RMSE = 0.128؛ MAE = 0.067؛ MAPE = 10.576).
  • المقارنة: أظهر نموذج NNAR قدرات تعميم فائقة مقارنة بنماذج SARIMA وMLP وRandom Forest ونماذج الانكماش الخطي. وقد أدى إدراج المتغيرات الخارجية إلى تحسين دقة التنبؤ بشكل كبير مقارنة بالنهج أحادي المتغير.
• نتيجة التنبؤ: توقع نموذج NNAR أن يظل التضخم الأساسي منخفضاً نسبياً في عامي 2024 و2025، ثم يرتفع تدريجياً بدءاً من عام 2026، ليصل إلى ذروته عند حوالي 36% في الربع الثاني من عام 2027، ثم يبدأ في انخفاض تدريجي بحلول الربع الرابع من عام 2028.
• التشخيصات: أكدت تحليلات البواقي (الرسوم البياسية المبعثرة ومخططات ACF) واختبارات Ljung-Box أن بواقي نموذج NNAR كانت موزعة طبيعياً مع عدم وجود ارتباط تسلسلي معنوي، مما يشير إلى أن النموذج قد استوعب بنجاح هيكل البيانات الأساسي.

الأهمية والمساهمات
تزعم هذه الدراسة أنها الأولى في إثيوبيا التي تستخدم مناهج تعلم الآلة خصيصاً للتنبؤ بالتضخم الأساسي. وتشمل مساهماتها الرئيسية ما يلي:

1. التفوق المنهجي: إثبات أن نماذج تعلم الآلة غير الخطية، وخاصة NNAR، توفر أداءً تنبؤياً فائقاً مقارنة بالنماذج الاقتصادية القياسية الخطية التقليدية وطرق السلاسل الزمنية أحادية المتغير في سياق بيئة التضخم المتقلبة في إثيوبيا.
2. تحديد المتغيرات: التحقق من أهمية المتنبئات المتنوعة، بما في ذلك الاستقرار السياسي والبنية التحتية للنقل (عدد المركبات)، والتي غالباً ما يتم تجاهلها في نمذجة التضخم التقليدية. ويُقدم تحديد الوصول إلى المركبات كعامل يقلل من الضغوط التضخمية كإيجاد جديد.
3. الصلة بالسياسات: من خلال توفير تنبؤات أكثر دقة وتحديد المحركات الرئيسية، توفر الدراسة أدوات أفضل للتخطيط الاقتصادي واتخاذ القرارات المتعلقة بالسياسة النقدية، مما يساعد البنك الوطني الإثيوبي في هدفه المتمثل في الحفاظ على استقرار الأسعار.
4. المتانة: تؤكد الدراسة أن دمج المتغيرات الخارجية في نماذج تعلم الآلة يعزز بشكل كبير دقة التنبؤ، مما يعالج قيود النماذج التي تعتمد فقط على بيانات التضخم التاريخية.