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

技術要約：機械学習を用いたエチオピアにおけるヘッドライン・インフレ率の予測

問題提起
インフレは国家の福祉を左右する極めて重要な決定要因であり、エチオピアにおいては、干ばつ、国内紛争、世界的な供給ショックなどの要因により、近年ヘッドライン・インフレ率が30%を超えており、重大な経済的課題となっている。従来、エチオピアのインフレ予測には、ARIMA、VAR、VECMなどの伝統的な計量経済学モデルや時系列モデルが用いられてきた。しかし、これらの線形モデルは、インフレデータの複雑かつ非線形な性質や、構造変化、非対称性、およびマクロ経済変数の多面的な相互作用を十分に捉えることができず、予測精度に課題を抱えていることが多い。さらに、同地域における先行研究では、特定の決定要因を十分に考慮することなく、集計された消費者物価指数（CPI）データに依存しているケースが多く、高度な機械学習（ML）技術を用いた予測精度の向上も十分になされていない。

手法
本研究では、2000年から2023年までの四半期データを用い、教師あり機械学習アプローチを採用してエチオピアのヘッドライン・インフレ率をモデリングおよび予測する。データは、中央統計局、エチオピア国立銀行、エチオピア国立気象庁、および世界銀行から取得した。

• データ前処理: データセットをクリーニング、変換し、80%の訓練セットと20%のテストセットに分割した。応答変数であるヘッドライン・インフレ率（$HI_t$）は、消費者物価指数の前年比変化率の自然対数として算出した。
• 予測変数: 食料品および非食料品のインフレ率、マネーストック、為替レート、GDP、政府予算赤字、外国直接投資、降水量、原油および食料価格、政治的安定性、輸送データ（車両台数）、および失業率を含む、幅広い外生変数を組み込んだ。
• モデリング・アプローチ: 以下の手法を用いて、いくつかの教師あり学習アルゴリズムを伝統的なベンチマークと比較した。
  • ペナルティ付き線形モデル: 多重共線性に対処し、変数選択を行うためのリッジ回帰、LASSO（Least Absolute Shrinkage and Selection Operator）、およびエラスティックネット（Elastic Net）。
  • 非線形機械学習モデル: ランダムフォレスト、多層パーセプトロン（MLP）、およびニューラルネットワーク自己回帰（NNAR）。
  • ベンチマーク: 単変量SARIMAモデルを比較のためのベースラインとして使用した。
• 評価指標: モデルの性能は、訓練データおよびテストデータの両方について、平方根平均二乗誤差（RMSE）、平均絶対誤差（MAE）、および平均絶対パーセント誤差（MAPE）を用いて評価した。
• 予測期間: 最適なモデルを選択し、5年間の予測期間（2024年〜2028年）についてヘッドライン・インフレ率を予測した。

主な結果

• 特徴量の重要度: すべてのモデルにおいて、食料品インフレが最も重要な予測因子として特定された。その他の主要な変数には、非食料品インフレ、輸出価格、政府消費、総固定投資、および車両台数が含まれた。特筆すべき点として、LASSOモデルは「政治的安定性」と「車両台数」を重要な要因として特定しており、後者はインフレに対して負の相関を示した。これは、輸送効率の向上が価格圧力の緩和につながる可能性を示唆している。
• モデルの性能:
  • 線形モデル: LASSO回帰は多重共線性を効果的に処理し、インサンプルRMSE 0.110、アウトオブサンプルRMSE 0.172という強力な結果を達成した。これはリッジ回帰およびエラスティックネットよりもアウトオブサンプル予測において優れた性能を示した。
  • 非線形モデル: ニューラルネットワーク自己回帰（NNAR）モデル、具体的には外生変数を用いたNNAR(5, 2, 10)が、他のすべてのモデルを上回った。このモデルは、インサンプルでの完全な精度（RMSE = 0.000）と、最小のアウトオブサンプル誤差（RMSE = 0.128; MAE = 0.067; MAPE = 10.576）を達成した。
  • 比較: NNARモデルは、SARIMA、MLP、ランダムフォレスト、および線形縮小モデルと比較して、優れた汎化能力を示した。外生変数の導入により、単変量アプローチと比較して予測精度が大幅に向上した。
• 予測結果: NNARモデルは、ヘッドライン・インフレ率が2024年と2025年には比較的低水準にとどまり、2026年から徐々に上昇し、2027年第2四半期に約36%でピークに達した後、2028年第4四半期に向けて緩やかな減少を開始すると予測している。
• 診断: 残差分析（ヒストグラムおよびACFプロット）およびリュング・ボックス検定により、NNARモデルの残差が正規分布に従い、有意な自己相関がないことが確認された。これは、モデルが基礎となるデータ構造を適切に捉えていることを示している。

意義と貢献
本研究は、エチオピアにおいてヘッドライン・インフレ率の予測に機械学習アプローチを具体的に用いた初めての研究であると主張している。主な貢献は以下の通りである。

1. 手法の優位性: 非線形機械学習モデル、特にNNARが、エチオピアの不安定なインフレ環境において、伝統的な線形計量経済モデルや単変量時系列手法よりも優れた予測性能を提供することを実証した。
2. 変数の特定: 政治的安定性や輸送インフラ（車両台数）など、従来のインフレモデリングでは見落とされがちな多様な予測因子の重要性を検証した。車両へのアクセスの向上がインフレ圧力を抑制する要因であるという発見は、斬新な知見として提示されている。
3. 政策的関連性: より正確な予測と主要な要因の特定を提供することで、本研究は経済計画および金融政策決定のためのより優れたツールを提供し、価格の安定維持を目指すエチオピア国立銀行の取り組みを支援する。
4. 堅牢性: 外生変数を機械学習モデルに組み込むことが、過去のインフレデータのみに依存するモデルの限界に対処し、予測精度を大幅に高めることを本研究は裏付けている。