Inflation in Indonesia: Determinants, Macroeconomic Consequences, Forecasting Approaches, and Policy Implications: A Systematic Mini Literature Review

Resumen Técnico: La Inflación en Indonesia – Determinantes, Consecuencias, Pronóstico y Política

Planteamiento del Problema
Esta mini revisión sistemática de la literatura aborda la naturaleza compleja y multidimensional de la inflación en Indonesia. El problema central es que la inflación en Indonesia no es un fenómeno monolítico impulsado por una sola fuerza, sino un resultado dependiente del contexto, moldeado por la interacción de variables monetarias y fiscales nacionales, choques de materias primas globales externos, la dinámica del tipo de cambio y la heterogeneidad estructural regional. A pesar de la adopción del Marco de Metas de Inflación (ITF) en 2005, la economía enfrenta desafíos persistentes, incluyendo efectos asimétricos en el crecimiento, disparidades regionales significativas en los umbrales de inflación, la difusión espacial de los choques de precios (particularmente en alimentos) y las limitaciones de los modelos de pronóstico tradicionales para capturar dinámicas no lineales y rupturas estructurales, tales como las introducidas por la pandemia de COVID-19.

Metodología
El estudio emplea una metodología de mini revisión sistemática de la literatura, sintetizando la evidencia de diez artículos de revistas revisadas por pares publicados entre 2018 y 2026. Los criterios de selección priorizaron estudios que utilizaron diseños cuantitativos, cualitativos o de métodos mixtos que investigaron los determinantes, consecuencias, dinámicas espaciales, pronósticos o efectos de política de la inflación dentro del contexto indonesio.

La revisión abarca un espectro metodológico diverso:

• Modelado Econométrico: Los estudios utilizaron modelos de Autorregresión Distribuida de Retardo No Lineal (NARDL) para examinar efectos asimétricos; pruebas de Causalidad de Granger para determinar direcciones causales; Mínimos Cuadrados Ordinarios (OLS) para el análisis de ecuaciones simultáneas; y el Método de Momentos Generalizado (GMM) para datos de panel dinámicos.
• Análisis Espacial: Se aplicó el Análisis de Datos de Series Temporales y Exploración Espacial (ESTDA) a datos provinciales para mapear la agrupación y difusión espacial.
• Pronóstico Computacional: Se evaluaron enfoques de aprendizaje automático, específicamente redes neuronales de Memoria de Largo Corto Plazo (LSTM) y Redes Neuronales Artificiales (ANN), para la precisión del pronóstico de series temporales.
• Modelado Estructural Dinámico: Se utilizaron modelos de Vectores Autorregresivos de Tiempo Variable (TV-VAR) con Funciones de Respuesta al Impulso (IRF) para analizar cambios estructurales variables en el tiempo durante la pandemia.

Contribuciones Clave y Resultados

1. Determinantes Monetarios y Fiscales:

   • Oferta Monetaria: Existe una robusta causalidad unidireccional de Granger desde la oferta de dinero de amplio espectro hacia la inflación, confirmando la primacía de la disciplina monetaria. Los aumentos en el dinero de amplio espectro preceden consistentemente a los aumentos en el nivel de precios.
   • Canales Fiscales y de Tasas de Interés: El gasto público ejerce un efecto positivo y significativo sobre la inflación (inflación por demanda), mientras que la tasa de interés de BI y la oferta de dinero estrecha (M1) ejercen efectos negativos y significativos.
   • Choques Externos: El tipo de cambio es identificado como la variable externa más influyente. La depreciación de la Rupia transmite directamente las presiones de los precios globales de las materias primas al IPC nacional. Los aumentos en los precios mundiales de los alimentos generan una presión ascendente significativa, con una transmisión asimétrica (las alzas de precios y las alzas no se transmiten con la misma velocidad).

2. Consecuencias Macroeconómicas (Crecimiento, Pobreza, Desigualdad):

   • Umbral de Crecimiento No Lineal: La relación entre la inflación y el crecimiento económico es no lineal. Existe un umbral nacional de aproximadamente el 9,59%; por debajo de este, la inflación no perjudica significativamente el crecimiento. Sin embargo, la heterogeneidad regional es pronunciada: el umbral es del 5,75% en el oeste de Indonesia (Java/Sumatra) y del 9,64% en el este de Indonesia.
   • Desigualdad: La inflación tiene un efecto positivo y significativo en la desigualdad de ingresos (coeficiente de Gini). Los hogares más ricos se benefician de la apreciación de activos, mientras que los grupos de menores ingresos sufren la erosión de su poder adquisitivo real.
   • Pobreza: Se encontraron efectos asimétricos donde la deflación (choques negativos) alivia significativamente la pobreza, mientras que los aumentos moderados de la inflación no necesariamente impulsan aumentos significativos de la pobreza si van acompañados de crecimiento en los ingresos.

3. Dinámicas Regionales y Espaciales:

   • Agrupación Espacial: La inflación exhibe una marcada agrupación y difusión espacial a través de las 34 provincias de Indonesia. La inflación en una provincia es estadísticamente dependiente de las provincias vecinas debido a los flujos comerciales y la logística.
   • Alimentos como Propagador: Los precios de los alimentos son el principal propagador espacial de las dinámicas de la inflación. Esto sugiere que las intervenciones de control de la inflación regional (TPID) deben considerar las externalidades transfronterizas.

4. Enfoques de Pronóstico:

   • Desempeño del Aprendizaje Automático: Los modelos LSTM y ANN muestran potencial pero arrojan resultados imperfectos. Los modelos LSTM proyectaron una inflación moderada pero tuvieron dificultades para anticipar la magnitud de la oleada de materias primas globales de 2022. Los modelos ANN alcanzaron un Error Porcentual Absoluto Medio (MAPE) del 15,7%, lo que indica una incertidumbre significativa.
   • Limitaciones: El desempeño se ve limitado por la disponibilidad limitada de datos de series temporales históricas en relación con los parámetros del modelo, las frecuentes rupturas estructurales y la dificultad de capturar choques externos repentinos.

5. Inflación de Alimentos y la Pandemia:

   • Dinámica en Forma de V: La inflación de los alimentos durante el periodo de COVID-19 (2020–2024) siguió un patrón en forma de V: una fuerte caída debido al colapso de la demanda y las restricciones en la cadena de suministro, seguida de una rápida recuperación impulsada por el estímulo fiscal y los aumentos de precios globales.
   • Choques Persistentes: Los choques de gasto gubernamental generaron presiones inflacionarias persistentes en los precios de los alimentos que no se disiparon rápidamente tras la pandemia.
   • Cambios Estructurales: El traspaso del tipo de cambio a la inflación de los alimentos fue modesto durante la fase aguda de la pandemia, pero se volvió más fuerte y rápido en el periodo post-pandemia.

Significancia y Reivindicaciones
El artículo sostiene que la literatura revisada demuestra colectivamente que la inflación en Indonesia requiere un marco de política coordinado, adaptativo y regionalmente diferenciado. La significancia de los hallazgos radica en desafiar la noción de una meta de inflación nacional de "talla única". La evidencia respalda la necesidad de:

• Disciplina Monetaria: Mantener un control estricto sobre la oferta de dinero de amplio espectro como la principal palanca para la estabilidad de precios.
• Diferenciación Regional: Reconocer que el umbral de inflación para el daño al crecimiento varía significativamente entre el oeste y el este de Indonesia, lo que requiere sistemas de monitoreo subnacionales.
• Coordinación Espacial: Reconocer que los choques de precios de alimentos se propagan espacialmente, lo que requiere inversión en logística interregional y coordinación entre provincias dentro del marco del Equipo de Control de la Inflación Regional (TPID).
• Consideraciones de Equidad: Tratar la estabilidad de precios como un objetivo de equidad social, dado el impacto regresivo de la inflación en la distribución del ingreso.
• Pronóstico Híbrido: Avanzar hacia modelos híbridos que combinen la capacidad de reconocimiento de patrones del aprendizaje automático con el fundamento teórico de la econometría para manejar mejor las rupturas estructurales y los choques externos.

La revisión concluye que, si bien el aprendizaje automático ofrece nuevas vías para el pronóstico, los modelos actuales aún no son suficientes para reemplazar los enfoques econométricos tradicionales, particularmente ante choques sin precedentes como la pandemia. Los hallazgos subrayan la necesidad de integrar la disciplina monetaria, la prudencia fiscal dirigida, la gestión del tipo de cambio y la resiliencia de la cadena de suministro para gestionar las complejas dinámicas de la inflación en Indonesia.