📈 economics

Forecasting food price inflation in Nigeria and identifying its drivers using machine learning models

Este estudio demuestra que los modelos de regresión regularizada, particularmente Elastic Net, superan a los algoritmos tradicionales de series temporales y a los modelos complejos de aprendizaje automático en la previsión de la inflación de los precios de los alimentos en Nigeria, identificando los precios históricos, los tipos de cambio, los costes energéticos y las precipitaciones como factores clave, al tiempo que aboga por políticas macroeconómicas y agrícolas coordinadas para garantizar la seguridad alimentaria.

Autores originales: Oluwaseyi Samson Afolayan, Afolake Carolyn Afolami, Lawrence Olubunmi Balogun, Oriyomi Kazeem Aboaba, Adeleke Sabitu Coster

Publicado 2026-08-11

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Oluwaseyi Samson Afolayan, Afolake Carolyn Afolami, Lawrence Olubunmi Balogun, Oriyomi Kazeem Aboaba, Adeleke Sabitu Coster

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de predecir el clima. Podrías mirar un solo termómetro de ayer y suponer que será el mismo hoy, o podrías intentar construir un robot supercomplejo que simule cada nube, corriente de viento y pájaro en el cielo para pronosticar la tormenta. Este es el mundo de los pronósticos: la ciencia de usar datos pasados para adivinar qué pasará después. En economía, esto es crucial para algo llamado inflación, que es solo una palabra elegante para cuando el precio de las cosas (como la comida) sigue subiendo, haciendo que tu dinero compre menos de lo que solía comprar. Cuando la comida se encarece, las familias luchan por comer bien, y todo el país puede sentir el estrés. Los científicos han estado tratando de descubrir la mejor manera de predecir estos aumentos de precios durante mucho tiempo. Algunos piensan que la matemática simple funciona mejor, mientras que otros creen que necesitamos cerebros computacionales gigantes y complicados (llamados aprendizaje automático o machine learning) para resolver el rompecabezas. Pero, ¿cuál funciona realmente mejor cuando la economía es desordenada e impredecible?

Este estudio se sumerge en esa misma pregunta, pero con un enfoque específico en Nigeria, un país donde los precios de los alimentos han estado saltando de arriba abajo de forma salvaje. Los investigadores querían saber dos cosas: Primero, ¿podemos predecir con precisión qué harán los precios de los alimentos durante los próximos dos años? Segundo, ¿quiénes son los verdaderos "villanos" que están impulsando esos precios al alza? Para averiguarlo, no solo eligieron un método; organizaron una carrera masiva. Pusieron en línea un modelo matemático tradicional y de la vieja escuela (como una bicicleta confiable y constante) contra varios modelos de aprendizaje automático de alta tecnología (como motocicletas futuristas y veloces, e incluso un robot complejo). Alimentaron a todos estos modelos con montañas de datos sobre precios de alimentos, costos de combustible, lluvia y tipos de cambio para ver cuál podía cruzar la línea de meta con el pronóstico más exacto.

Los resultados de esta carrera fueron sorprendentes. Los investigadores descubrieron que los "elegantes" robots de alta tecnología y las complejas redes neuronales en realidad tropezaron y cayeron. Eran demasiado complicados para el trabajo y terminaron cometiendo errores más grandes. En su lugar, los ganadores fueron los modelos más "simples", específicamente un tipo de matemática llamada regresión regularizada (piensa en estos como bicicletas inteligentes y aerodinámicas que saben exactamente cuándo pedalear fuerte y cuándo dejar de pedalear). El campeón de la carrera fue un modelo llamado Elastic Net, que predijo el futuro con la mayor precisión, seguido de cerca por sus primos, LASSO y la Regresión Ridge. La bicicleta de la vieja escuela (el modelo estándar de series temporales) hizo un trabajo decente, pero las bicicletas inteligentes y aerodinámicas la vencieron. Los robots complejos (como las Redes Neuronales Artificiales) fueron los peores en su desempeño, perdiéndose en el ruido.

Entonces, ¿qué es lo que realmente impulsa el precio de la comida en Nigeria? El estudio actuó como un detective para encontrar las pistas. Descubrieron que el predictor más poderoso de los precios de los alimentos de mañana es simplemente qué fueron los precios de los alimentos ayer. Es como una bola pesada rodando por una colina; una vez que comienza a moverse, sigue moviéndose. Sin embargo, el estudio también encontró otros factores importantes que empujan la bola. Cuando el tipo de cambio (cuánto vale la moneda local en comparación con la moneda extranjera) cae, la comida se vuelve más cara porque importar cosas cuesta más. Cuando los precios del combustible suben, cuesta más conducir los camiones a los mercados, lo que también eleva los precios de los alimentos. Curiosamente, la lluvia actúa como un freno; una buena lluvia significa buenas cosechas y precios más bajos, mientras que el mal clima eleva los precios.

Los autores sugieren que, aunque a menudo pensamos que necesitamos las herramientas más complejas impulsadas por la IA para resolver grandes problemas económicos, a veces un enfoque más simple y bien ajustado funciona mejor, especialmente cuando la economía es inestable. No demostraron que la IA compleja sea inútil para siempre, pero en esta carrera específica con estos datos específicos, los modelos más simples fueron los claros ganadores. El estudio concluye que para mantener estables los precios de los alimentos, Nigeria necesita enfocarse en estabilizar su moneda, reducir los costos del combustible y ayudar a los agricultores a lidiar con el clima, todo esto mientras utiliza estos modelos más simples y confiables para vigilar los precios antes de que se salgan de control.

Resumen Técnico: Pronóstico de la Inflación de los Precios de los Alimentos en Nigeria e Identificación de sus Motores mediante Modelos de Aprendizaje Automático

Planteamiento del Problema
Nigeria enfrenta una persistente y severa inflación de los precios de los alimentos, que alcanzó el 39,53% en julio de 2024, lo que plantea desafíos críticos para la estabilidad macroeconómica y la seguridad alimentaria. Si bien las consecuencias socioeconómicas del aumento de los precios de los alimentos están bien documentadas, existe una escasez de evidencia sobre los enfoques de pronóstico más efectivos para la inflación de los alimentos en Nigeria y los motores específicos detrás de estas dinámicas de precios. Los modelos econométricos tradicionales suelen tener dificultades con las relaciones no lineales, los cambios estructurales y los conjuntos de datos de alta dimensionalidad característicos del volátil entorno económico de Nigeria. Además, la literatura existente se ha centrado principalmente en los efectos de bienestar de la inflación o en el pronóstico de la inflación agregada, con una aplicación limitada del aprendizaje automático (ML) específicamente a la inflación de los precios de los alimentos o en evaluaciones comparativas del rendimiento de los pronósticos frente a los referentes clásicos.

Metodología
El estudio emplea un marco analítico integral que combina técnicas convencionales de series temporales con modelos econométricos regularizados y de aprendizaje automático.

Datos: El análisis utiliza datos mensuales de precios de alimentos del Programa Mundial de Alimentos (PMA) que cubren 66 mercados, 38 productos básicos y 14 estados nigerianos (febrero de 2015–mayo de 2026). Esto se integró con variables macroeconómicas y climáticas exógenas, incluyendo tipos de cambio, precios de la bomba de Gasolina Premium (PMS), el Índice Global de Precios de Alimentos de la FAO y datos de precipitación.
Preprocesamiento: El conjunto de datos fue limpiado para eliminar inconsistencias temporales, y la inflación de los precios de los alimentos se construyó como un cambio porcentual (Mes a Mes y Año tras Año) para estabilizar la varianza. Las pruebas de Dickey-Fuller Aumentada (ADF) confirmaron la estacionariedad de la serie de inflación en niveles.
Modelos: El estudio compara un modelo autorregresivo (AR) de referencia, seleccionado mediante el Criterio de Información de Akaike (AIC) como AR(12), frente a varios modelos avanzados:
- Regresión Regularizada: Regresión Ridge, LASSO (Least Absolute Shrinkage and Selection Operator) y Elastic Net.
- Reducción de Dimensionalidad: Regresión de Mínimos Cuadrados Parciales (PLS).
- Aprendizaje Automático No Lineal: Red Neuronal Artificial (ANN).
Evaluación: Los modelos fueron evaluados utilizando métricas de pronóstico fuera de la muestra: Error Cuadrático Medio (RMSE), Error Absoluto Medio (MAE) y Desviación Absoluta de la Mediana (MAD). La importancia de las características se analizó mediante el análisis de correlación y el examen de coeficientes en los modelos regularizados.

Resultes Clave

Desempeño de Pronóstico: Contrario a la expectativa de que los modelos no lineales complejos superarían a los lineales en entornos volátiles, el estudio encontró que los modelos de regresión regularizada parsimoniosos proporcionaron la mayor precisión de pronóstico.
- Elastic Net logró el mejor desempeño (RMSE = 9,94), seguido de cerca por LASSO (RMSE = 9,95) y la Regresión Ridge (RMSE = 10,02).
- Estos modelos superaron al modelo de referencia AR(12) (RMSE = 10,31) y superaron significativamente a los modelos PLS (RMSE = 16,51) y ANN (RMSE = 17,92), los cuales exhibieron un pobre desempeño predictivo y valores de $R^2$ negativos fuera de la muestra.
Motores de la Inflación:
- Precios Históricos de los Alimentos: Identificados como el predictor más robusto en todos los modelos (particularmente por LASSO), confirmando una fuerte persistencia de la inflación.
- Factores Macroeconómicos: La Regresión Ridge destacó los movimientos del tipo de cambio y los precios de la bomba (costos de combustible) como predictores complementarios críticos, reflejando la transmisión de la depreciación de la moneda y los costos de energía a los precios de los alimentos.
- Factores Climáticos: La precipitación fue identificada como un predictor negativo, indicando que las condiciones climáticas favorables ayudan a estabilizar los precios al mejorar la oferta.
- Tendencias Sectoriales: Los precios de los alimentos de origen animal y los aceites comestibles mostraron los aumentos más rápidos, impulsados por su dependencia de insumos importados y producción intensiva en energía, mientras que los alimentos básicos también experimentaron cambios estructurales de precios significativos después de 2022.

Significancia y Contribuciones
El artículo afirma contribuir a la literatura de cuatro maneras principales:

Horizonte de Pronóstico: Proporciona pronósticos fuera de la muestra para la inflación de los precios de los alimentos en Nigeria durante un horizonte de dos años utilizando un conjunto de datos exhaustivo de precios de mercado.
Comparación de Modelos: Ofrece una comparación sistemática de los modelos autorregresivos de referencia frente a las técnicas de regresión regularizada y los algoritmos de aprendizaje automático no lineales, demostrando que los modelos lineales más simples e interpretables a menudo superan a los algoritmos no lineales complejos en entornos de muestra moderada y estructuralmente volátiles.
Identificación de Motores: Más allá de la predicción, el estudio identifica y clasifica los principales impulsores macroeconómicos, de mercado y climáticos de la inflación de los alimentos, ofreciendo evidencia empírica sobre los mecanismos (por ejemplo, inflación de costos, transmisión del tipo de cambio) que dan forma a las dinámicas de precios.
Relevancia de Política: Los hallazgos sugieren que la integración de modelos de pronóstico regularizados en los sistemas de monitoreo nacional puede servir como una herramienta de alerta temprana efectiva. El estudio aboga por políticas coordinadas que aborden la estabilidad del tipo de cambio, los costos de energía, la productividad agrícola y la resiliencia climática para mitigar la volatilidad de los precios de los alimentos y mejorar la seguridad alimentaria en Nigeria.

Los autores concluyen que, si bien el aprendizaje automático ofrece capacidades predictivas flexibles, la naturaleza específica de la inflación de los alimentos en Nigeria —caracterizada por una fuerte persistencia temporal y una transmisión lineal de los choques macroeconómicos— es mejor capturada por modelos de regresión regularizada que equilibran la precisión predictiva con la interpretabilidad.

Resumen Técnico: Pronóstico de la Inflación de los Precios de los Alimentos en Nigeria e Identificación de sus Motores mediante Modelos de Aprendizaje Automático

Más como este