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

Sintesi Tecnica: L'Inflazione in Indonesia – Determinanti, Conseguenze, Previsioni e Politiche

Problematica
Questa mini revisione sistematica della letteratura affronta la natura complessa e multidimensionale dell'inflazione in Indonesia. Il problema centrale è che l'inflazione in Indonesia non è un fenomeno monolitico guidato da una singola forza, ma un esito dipendente dal contesto, plasmato dall'interazione di variabili monetarie e fiscali domestiche, shock esterni delle materie prime globali, dinamiche del tasso di cambio e eterogeneità strutturale regionale. Nonostante l'adozione del Quadro di Target dell'Inflazione (ITF) nel 2005, l'economia affronta sfide persistenti, tra cui effetti asimmetrici sulla crescita, significative disparità regionali nelle soglie di inflazione, diffusione spaziale degli shock dei prezzi (particolarmente nel settore alimentare) e i limiti dei modelli di previsione tradizionali nel catturare dinamiche non lineari e rotture strutturali, come quelle introdotte dalla pandemia di COVID-19.

Metodologia
Lo studio impiega una metodologia di mini revisione sistematica della letteratura, sintetizzando le evidenze di dieci articoli di riviste scientifiche pubblicati tra il 2018 e il 2026. I criteri di selezione hanno privilegiato studi che utilizzano disegni quantitativi, qualitativi o a metodi misti che hanno investigato i determinanti dell'inflazione, le conseguenze, le dinamiche spaziali, le previsioni o gli effetti politici nel contesto indonesiano.

La revisione comprende uno spettro metodologico diversificato:

• Modellazione Econometrica: Gli studi hanno utilizzato modelli Nonlinear Autoregressive Distributed Lag (NARDL) per esaminare gli effetti asimmetrici; test di Causalità di Granger per determinare le direzioni causali; Minimi Quadrati Ordinari (OLS) per l'analisi di equazioni simultanee; e il Metodo dei Momenti Generalizzato (GMM) per dati panel dinamici.
• Analisi Spaziale: L'analisi esplorativa dei dati spaziali e delle serie temporali (ESTDA) è stata applicata ai dati provinciali per mappare il clustering spaziale e la diffusione.
• Previsione Computazionale: Approcci di machine learning, specificamente reti neurali Long Short-Term Memory (LSTM) e Reti Neurali Artificiali (ANN), sono stati valutati per l'accuratezza della previsione delle serie temporali.
• Modellazione Strutturale Dinamica: Modelli Time-Varying Vector Autoregressive (TV-VAR) con Funzioni di Risposta all'Impulso (IRF) sono stati utilizzati per analizzare i cambiamenti strutturali variabili nel tempo durante la pandemia.

Contributi Chiave e Risultati

1. Determinanti Monetari e Fiscali:

   • Offerta di Moneta: Esiste una robusta causalità unidirezionale di Granger dall'offerta di moneta larga all'inflazione, confermando la primazia della disciplina monetaria. Gli aumenti della moneta larga precedono costantemente gli aumenti del livello dei prezzi.
   • Canali Fiscali e dei Tassi di Interesse: La spesa pubblica esercita un effetto positivo e significativo sull'inflazione (inflazione da domanda), mentre il tasso di interesse di BI e la moneta stretta (M1) esercitano effetti negativi e significativi.
   • Shock Esterni: Il tasso di cambio è identificato come la variabile esterna più influente. La svalutazione della Rupia trasmette direttamente le pressioni dei prezzi delle materie prime globali all'IPC nazionale. Gli aumenti dei prezzi alimentari globali generano una significativa pressione al rialzo, con una trasmissione asimmetrica (gli aumenti di prezzo e i rialzi non si trasmettono con la stessa velocità).

2. Conseguenze Macroeconomiche (Crescita, Povertà, Disuguaglianza):

   • Soglia di Crescita Non Lineare: La relazione tra inflazione e crescita economica è non lineare. Esiste una soglia nazionale di circa il 9,59%; al di sotto di questa, l'inflazione non danneggia significativamente la crescita. Tuttavia, l'eterogeneità regionale è pronunciata: la soglia è del 5,75% nell'Indonesia occidentale (Giava/Sumatra) e del 9,64% nell'Indonesia orientale.
   • Disuguaglianza: L'inflazione ha un effetto positivo significativo sulla disuguaglianza di reddito (coefficiente di Gini). Le famiglie più ricche beneficiano dell'apprezzamento delle attività, mentre i gruppi a basso reddito soffrono dell'erosione del potere d'acquisto reale.
   • Povertà: Sono stati riscontrati effetti asimmetrici in cui la deflazione (shock negativi) allevia significativamente la povertà, mentre aumenti moderati dell'inflazione non determinano necessariamente aumenti significativi della povertà se accompagnati dalla crescita del reddito.

3. Dinamiche Regionali e Spaziali:

   • Clustering Spaziale: L'inflazione presenta un marcato clustering spaziale e diffusione attraverso le 34 province dell'Indonesia. L'inflazione in una provincia è statisticamente dipendente dalle province vicine a causa dei flussi commerciali e della logistica.
   • Il Cibo come Propagatore: I prezzi alimentari sono il principale propagatore spaziale delle dinamiche inflazionistiche. Ciò suggerisce che gli interventi di controllo dell'inflazione regionale (TPID) debbano tenere conto delle esternalità transfrontaliere.

4. Approcci di Previsione:

   • Performance del Machine Learning: I modelli LSTM e ANN mostrano potenziale ma producono risultati imperfetti. I modelli LSTM hanno proiettato un'inflazione moderata, ma hanno faticato ad anticipare l'entità del boom delle materie prime globali del 2022. I modelli ANN hanno raggiunto un Mean Absolute Percentage Error (MAPE) del 15,7%, indicando una significativa incertezza.
   • Limitazioni: Le performance sono limitate dai dati limitati delle serie temporali storiche rispetto ai parametri del modello, dai frequenti cambiamenti strutturali e dalla difficoltà di catturare improvvisi shock esterni.

5. Inflazione Alimentare e la Pandemia:

   • Dinamiche a V: L'inflazione alimentare durante il periodo COVID-19 (2020–2024) ha seguito un modello a forma di V: un brusco calo dovuto al collasso della domanda e alle restrizioni della catena di approvvigionamento, seguito da una rapida ripresa guidata dagli stimoli fiscali e dai picchi dei prezzi globali.
   • Shock Persistenti: Gli shock della spesa governativa hanno generato pressioni inflazionistiche persistenti sui prezzi alimentari che non si sono dissipate rapidamente dopo la pandemia.
   • Spostamenti Strutturali: Il pass-through del tasso di cambio all'inflazione alimentare è stato modesto durante la fase acuta della pandemia, ma è diventato più forte e veloce nel periodo post-pandemico.

Significatività e Rivendicazioni
L'articolo sostiene che la letteratura esaminata dimostra collettivamente che l'inflazione in Indonesia richiede un quadro politico coordinato, adattivo e regionalmente differenziato. La significatività dei risultati risiede nel sfidare la nozione di un obiettivo di inflazione nazionale "taglia unica". Le evidenze supportano la necessità di:

• Disciplina Monetaria: Mantenere un controllo rigoroso sull'offerta di moneta larga come leva primaria per la stabilità dei prezzi.
• Differenziazione Regionale: Riconoscere che la soglia di inflazione per il danno alla crescita varia significativamente tra l'Indonesia occidentale e quella orientale, rendendo necessari sistemi di monitoraggio subnazionali.
• Coordinamento Spaziale: Riconoscere che gli shock dei prezzi alimentari si propagano spazialmente, richiedendo investimenti nella logistica interregionale e coordinamento tra le province all'interno del quadro del Team di Controllo dell'Inflazione Regionale (TPID).
• Considerazioni sull'Equità: Trattare la stabilità dei prezzi come un obiettivo di equità sociale, dato l'impatto regressivo dell'inflazione sulla distribuzione del reddito.
• Previsione Ibrida: Muoversi verso modelli ibridi che combinino la capacità di riconoscimento dei pattern del machine learning con il fondamento teorico dell'econometria per gestire meglio i cambiamenti strutturali e gli shock esterni.

La revisione conclude che, sebbene il machine learning offra nuove strade per la previsione, gli attuali modelli non sono ancora sufficienti per sostituire gli approcci econometrici tradizionali, particolarmente di fronte a shock senza precedenti come la pandemia. I risultati sottolineano la necessità di integrare la disciplina monetaria, la prudenza fiscale mirata, la gestione del tasso di cambio e la resilienza della catena di approvvigionamento per gestire le complesse dinamiche dell'inflazione in Indonesia.