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

तकनीकी सारांश: इथियोपिया में हेडलाइन मुद्रास्फीति का मशीन लर्निंग-आधारित पूर्वानुमान

समस्या विवरण
मुद्रास्फीति राष्ट्रीय कल्याण का एक महत्वपूर्ण निर्धारक बनी हुई है और इथियोपिया में एक बड़ी आर्थिक चुनौती है, जहाँ हाल ही में सूखा, आंतरिक संघर्ष और वैश्विक आपूर्ति झटकों जैसे कारकों के कारण हेडलाइन मुद्रास्फीति 30% से अधिक हो गई है। पारंपरिक अर्थमितीय (econometric) और टाइम सीरीज़ मॉडल (जैसे ARIMA, VAR, VECM) ऐतिहासिक रूप से इथियोपिया में मुद्रास्फीति का पूर्वानुमान लगाने के लिए उपयोग किए जाते रहे हैं। हालाँकि, ये रैखिक मॉडल अक्सर सटीकता में संघर्ष करते हैं क्योंकि वे मुद्रास्फीति डेटा की जटिल, गैर-रैखिक प्रकृति को पकड़ने और संरचनात्मक परिवर्तनों (structural breaks), विषमताओं और व्यापक आर्थिक चरों की बहुआयामी अंतःक्रियाओं को पर्याप्त रूप से समझने में असमर्थ होते हैं। इसके अलावा, इस क्षेत्र के पिछले अध्ययन अक्सर विशिष्ट निर्धारकों को पर्याप्त रूप से शामिल किए बिना या पूर्वानुमान की सटीकता में सुधार के लिए उन्नत मशीन लर्निंग (ML) तकनीकों का उपयोग किए बिना, केवल समग्र उपभोक्ता मूल्य सूचकांक (CPI) डेटा पर निर्भर रहे हैं।

कार्यप्रणाली
यह अध्ययन 2000 से 2023 तक के त्रैमासिक डेटा का उपयोग करके इथियोपिया में हेडलाइन मुद्रास्फीति को मॉडल करने और पूर्वानुमान लगाने के लिए एक सुपर्वाइज्ड मशीन लर्निंग दृष्टिकोण अपनाता है। डेटा केंद्रीय सांख्यिकी सेवा, नेशनल बैंक ऑफ इथियोपिया, इथियोपियन नेशनल मेट्रोलॉजिकल एजेंसी और विश्व बैंक से प्राप्त किया गया था।

• डेटा प्रीप्रोसेसिंग: डेटासेट को साफ किया गया, रूपांतरित किया गया और 80% प्रशिक्षण सेट (training set) और 20% परीक्षण सेट (test set) में विभाजित किया गया। रिस्पॉन्स वेरिएबल, हेडलाइन मुद्रास्फीति ($HI_t$), को उपभोक्ता मूल्य सूचकांक में वर्ष-दर-वर्ष प्रतिशत परिवर्तन के प्राकृतिक लघुगणक (natural logarithm) के रूप में गणना किया गया था।
• पूर्वानुमानित चर (Predictor Variables): अध्ययन में खाद्य और गैर-खाद्य मुद्रास्फीति, मुद्रा आपूर्ति, विनिमय दर, जीडीपी, सरकारी बजट घाटा, प्रत्यक्ष विदेशी निवेश, वर्षा, तेल और खाद्य कीमतें, राजनीतिक स्थिरता, परिवहन डेटा (वाहनों की संख्या) और बेरोजगारी दर सहित कई बहिर्जात (exogenous) चरों को शामिल किया गया।
• मॉडलिंग दृष्टिकोण: इस अध्ययन में पारंपरिक बेंचमार्क के विरुद्ध कई सुपर्वाइज्ड लर्निंग एल्गोरिदम की तुलना की गई:
  • पेनलाइज्ड लीनियर मॉडल: मल्टीकोलिनैरिटी (multicollinearity) को संबोधित करने और वेरिएबल चयन करने के लिए रिज रिग्रेशन (Ridge Regression), LASSO (लीस्ट एब्सोल्यूट श्रिंकेज एंड सिलेक्शन ऑपरेटर), और इलास्टिक नेट (Elastic Net) का उपयोग किया गया।
  • नॉनलीनर मशीन लर्निंग मॉडल: रैंडम फॉरेस्ट (Random Forest), मल्टी-लेयर पर्सेप्ट्रॉन (MLP), और न्यूरल नेटवर्क ऑटोरेग्रेशन (NNAR) का उपयोग किया गया।
  • बेंचमार्क: तुलना के लिए आधार रेखा (baseline) के रूप में यूनिवेरिएट SARIMA मॉडल का उपयोग किया गया।
• मूल्यांकन मेट्रिक्स: मॉडल के प्रदर्शन का मूल्यांकन इन-सैंपल (प्रशिक्षण) और आउट-ऑफ-सैंपल (परीक्षण) डेटा दोनों के लिए रूट मीन स्क्वेर्ड एरर (RMSE), मीन एब्सोल्यूट एरर (MAE), और मीन एब्सोल्यूट परसेंटेज एरर (MAPE) का उपयोग करके किया गया।
• पूर्वानुमान क्षितिज (Forecasting Horizon): चयनित इष्टतम मॉडल का उपयोग पांच साल के क्षितिज (2024-2028) के लिए हेडलाइन मुद्रास्फीति के पूर्वानुमान हेतु किया गया।

प्रमुख परिणाम

• फीचर महत्व (Feature Importance): सभी मॉडलों में, खाद्य मुद्रास्फीति को सबसे महत्वपूर्ण भविष्यवक्ता के रूप में पहचाना गया। अन्य शीर्ष चरों में गैर-खाद्य मुद्रास्फीति, निर्यात कीमतें, सरकारी उपभोग, सकल स्थिर निवेश और वाहनों की संख्या शामिल थे। विशेष रूप से, LASSO मॉडल ने "राजनीतिक स्थिरता" और "वाहनों की संख्या" को महत्वपूर्ण कारकों के रूप में पहचाना, जिसमें बाद वाले कारक ने मुद्रास्फीति के साथ नकारात्मक सहसंबंध दिखाया, जो यह सुझाव देता है कि बेहतर परिवहन दक्षता कीमतों के दबाव को कम कर सकती है।
• मॉडल प्रदर्शन:
  • रैखिक मॉडल: LASSO रिग्रेशन ने मल्टीकोलिनैरिटी को प्रभावी ढंग से संबोधित किया, जिससे इन-सैंपल RMSE 0.110 और आउट-ऑफ-सैंपल RMSE 0.172 के साथ मजबूत परिणाम प्राप्त हुए। इसने आउट-ऑफ-सैंपल पूर्वानुमान में रिज और इलास्टिक नेट मॉडल को पछाड़ दिया।
  • नॉनलीनर मॉडल: न्यूरल नेटवर्क ऑटोरेग्रेशन (NNAR) मॉडल, विशेष रूप से बहिर्जात चरों के साथ NNAR(5, 2, 10), ने अन्य सभी मॉडलों को पीछे छोड़ दिया। इसने पूर्ण इन-सैंपल सटीकता (RMSE = 0.000) और सबसे कम आउट-ऑफ-सैंपल त्रुटि (RMSE = 0.128; MAE = 0.067; MAPE = 10.576) प्राप्त की।
  • तुलना: NNAR मॉडल ने SARIMA, MLP, रैंडम फॉरेस्ट और लीनियर श्रिंकेज मॉडलों की तुलना में बेहतर सामान्यीकरण क्षमता प्रदर्शित की। बहिर्जात चरों के समावेश ने यूनिवेरिएट दृष्टिकोणों की तुलना में पूर्वानुमान सटीकता में महत्वपूर्ण सुधार किया।
• पूर्वानुमान परिणाम: NNAR मॉडल ने भविष्यवाणी की कि हेडलाइन मुद्रास्फीति 2024 और 2025 में अपेक्षाकृत कम रहेगी, 2026 से धीरे-धीरे बढ़ेगी, 2027 की दूसरी तिमाही में लगभग 36% पर चरम पर पहुंचेगी, और फिर 2028 की चौथी तिमाही तक धीरे-धीरे गिरावट शुरू करेगी।
• डायग्नोस्टिक्स: अवशेष विश्लेषण (हिस्टोग्राम और ACF प्लॉट) और ल्युंग-बॉक्स टेस्ट ने पुष्टि की कि NNAR मॉडल के अवशेष सामान्य रूप से वितरित थे और उनमें कोई महत्वपूर्ण सीरियल कोरिलेशन नहीं था, जो यह दर्शाता है कि मॉडल ने अंतर्निहित डेटा संरचना को पर्याप्त रूप से कैप्चर किया है।

महत्व और योगदान
अध्ययन का दावा है कि यह इथियोपिया में हेडलाइन मुद्रास्फीति के पूर्वानुमान के लिए विशेष रूप से मशीन लर्निंग दृष्टिकोणों का उपयोग करने वाला पहला अध्ययन है। इसके प्राथमिक योगदानों में शामिल हैं:

1. पद्धतिगत श्रेष्ठता: यह प्रदर्शित करना कि गैर-रैखिक मशीन लर्निंग मॉडल, विशेष रूप से NNAR, इथियोपिया के अस्थिर मुद्रास्फीति वातावरण के संदर्भ में पारंपरिक रैखिक अर्थमितीय मॉडल और यूनिवेरिएट टाइम सीरीज़ विधियों की तुलना में बेहतर पूर्वानुमान प्रदर्शन प्रदान करते हैं।
2. चर पहचान: विविध भविष्यवक्ताओं, जिनमें राजनीतिक स्थिरता और परिवहन बुनियादी ढांचा (वाहनों की संख्या) शामिल हैं, के महत्व को मान्य करना, जिन्हें अक्सर पारंपरिक मुद्रास्फीति मॉडलिंग में अनदेखा किया जाता है। वाहन पहुंच को मुद्रास्फीति के दबाव को कम करने वाले कारक के रूप में पहचानना एक नवीन खोज के रूप में प्रस्तुत किया गया है।
3. नीतिगत प्रासंगिकता: अधिक सटीक पूर्वानुमान और प्रमुख चालकों की पहचान करके, यह अध्ययन आर्थिक नियोजन और मौद्रिक नीति निर्णय लेने के लिए बेहतर उपकरण प्रदान करता है, जिससे नेशनल बैंक ऑफ इथियोपिया को मूल्य स्थिरता बनाए रखने के अपने लक्ष्य में सहायता मिलती है।
4. मजबूती (Robustness): यह अध्ययन पुष्टि करता है कि ML मॉडलों में बहिर्जात चरों को शामिल करने से पूर्वानुमान सटीकता में महत्वपूर्ण सुधार होता है, जो केवल ऐतिहासिक मुद्रास्फीति डेटा पर निर्भर रहने वाले मॉडलों की सीमाओं को संबोधित करता है।