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

Résumé Technique : Prévision de l'inflation globale en Éthiopie basée sur l'apprentissage automatique

Énoncé du problème
L'inflation demeure un déterminant critique du bien-être national et un défi économique majeur en Éthiopie, où l'inflation globale a récemment dépassé les 30 %, sous l'effet de facteurs tels que la sécheresse, les conflits internes et les chocs d'offre mondiaux. Les modèles économétriques et de séries temporelles traditionnels (par exemple, ARIMA, VAR, VECM) ont historiquement été utilisés pour prévoir l'inflation en Éthiopie. Cependant, ces modèles linéaires peinent souvent à être précis en raison de la nature complexe et non linéaire des données d'inflation et de leur incapacité à capturer adéquatement les ruptures structurelles, les asymétries et les interactions multifacettes des variables macroéconomiques. De plus, des études antérieures dans la région se sont fréquemment appuyées sur des données agrégées de l'indice des prix à la consommation (IPC) sans tenir suffisamment compte de déterminants spécifiques ou sans utiliser des techniques avancées d'apprentissage automatique (ML) pour améliorer la précision des prévisions.

Méthodologie
Cette étude emploie une approche d'apprentissage automatique supervisé pour modéliser et prévoir l'inflation globale en Éthiopie en utilisant des données trimestrielles s'étendant de 2000 à 2023. Les données proviennent du Central Statistics Service, de la Banque Nationale d'Éthiopie, de l'Agence Nationale de la Météorologie d'Éthiopie et de la Banque mondiale.

• Prétraitement des données : Le jeu de données a été nettoyé, transformé et divisé en un ensemble d'entraînement de 80 % et un ensemble de test de 20 %. La variable de réponse, l'inflation globale ($HI_t$), a été calculée comme le logarithme naturel de la variation annuelle en pourcentage de l'indice des prix à la consommation.
• Variables prédictives : L'étude a incorporé un large éventail de variables exogènes, notamment l'inflation alimentaire et non alimentaire, la masse monétaire, les taux de change, le PIB, les déficits budgétaires de l'État, les investissements directs étrangers, la pluviométrie, les prix du pétrole et des denrées alimentaires, la stabilité politique, les données de transport (nombre de véhicules) et les taux de chômage.
• Approches de modélisation : L'étude a comparé plusieurs algorithmes d'apprentissage supervisé par rapport à des références traditionnelles :
  • Modèles linéaires pénalisés : Régression Ridge, LASSO (Least Absolute Shrinkage and Selection Operator) et Elastic Net pour traiter la multicolinéarité et effectuer la sélection de variables.
  • Modèles d'apprentissage automatique non linéaires : Forêt aléatoire (Random Forest), Perceptron multicouche (MLP) et Auto-régression par réseaux de neurones (NNAR).
  • Référence : Des modèles SARIMA univariés ont été utilisés comme base de comparaison.
• Métriques d'évaluation : La performance des modèles a été évaluée à l'aide de l'erreur quadratique moyenne (RMSE), de l'erreur absolue moyenne (MAE) et de l'erreur absolue en pourcentage moyenne (MAPE) pour les données in-sample (entraînement) et out-of-sample (test).
• Horizon de prévision : Le modèle optimal sélectionné a été utilisé pour prévoir l'inflation globale pour un horizon de cinq ans (2024–2028).

Principaux résultats

• Importance des variables : À travers tous les modèles, l'inflation alimentaire a été identifiée comme le prédicteur le plus critique. D'autres variables de premier plan incluaient l'inflation non alimentaire, les prix à l'exportation, la consommation publique, l'investissement fixe brut et le nombre de véhicules. Notamment, le modèle LASSO a identifié la « stabilité politique » et le « nombre de véhicules » comme des facteurs significatifs, ce dernier montrant une corrélation négative avec l'inflation, suggérant qu'une amélioration de l'efficacité du transport peut atténuer les pressions sur les prix.
• Performance des modèles :
  • Modèles linéaires : La régression LASSO a traité efficacement la multicolinéarité, obtenant des résultats solides avec une RMSE in-sample de 0,110 et une RMSE out-of-sample de 0,172. Elle a surpassé les modèles Ridge et Elastic Net en matière de prévision out-of-sample.
  • Modèles non linéaires : Le modèle d'auto-régression par réseaux de neurones (NNAR), spécifiquement le NNAR(5, 2, 10) avec variables exogènes, a surpassé tous les autres modèles. Il a atteint une précision in-sample parfaite (RMSE = 0,000) et l'erreur out-of-sample la plus faible (RMSE = 0,128 ; MAE = 0,067 ; MAPE = 10,576).
  • Comparaison : Le modèle NNAR a démontré des capacités de généralisation supérieures à celles de SARIMA, MLP, Random Forest et des modèles de réduction linéaire. L'inclusion de variables exogènes a considérablement amélioré la précision des prévisions par rapport aux approches univariées.
• Résultat de la prévision : Le modèle NNAR a prédit que l'inflation globale resterait relativement faible en 2024 et 2025, augmenterait progressivement à partir de 2026, atteindrait un pic d'environ 36 % au deuxième trimestre de 2027, puis entamerait un déclin graduel d'ici le quatrième trimestre de 2028.
• Diagnostics : L'analyse des résidus (histogrammes et graphiques ACF) et les tests de Ljung-Box ont confirmé que les résidus du modèle NNAR étaient distribués normalement et ne présentaient pas de corrélation sérielle significative, indiquant que le modèle a capturé de manière adéquate la structure sous-jacente des données.

Signification et contributions
L'étude affirme être la première en Éthiopie à utiliser des approches d'apprentissage automatique spécifiquement pour la prévision de l'inflation globale. Ses principales contributions incluent :

1. Supériorité méthodologique : Démontrer que les modèles d'apprentissage automatique non linéaires, particulièrement le NNAR, offrent une performance de prévision supérieure aux modèles économétriques linéaires traditionnels et aux méthodes de séries temporelles univariées dans le contexte de l'environnement inflationniste volatil de l'Éthiopie.
2. Identification des variables : Valider l'importance de divers prédicteurs, incluant la stabilité politique et les infrastructures de transport (nombre de véhicules), qui sont souvent négligés dans la modélisation traditionnelle de l'inflation. L'identification de l'accès aux véhicules comme un facteur réduisant la pression inflationniste est présentée comme une découverte novatrice.
3. Pertinence politique : En fournissant des prévisions plus précises et en identifiant les moteurs clés, l'étude offre de meilleurs outils pour la planification économique et la prise de décision de politique monétaire, aidant la Banque Nationale d'Éthiopie dans son objectif de maintien de la stabilité des prix.
4. Robustesse : L'étude confirme que l'incorporation de variables exogènes dans les modèles de ML améliore considérablement la précision des prévisions, répondant ainsi aux limites des modèles reposant uniquement sur les données historiques d'inflation.