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

기술 요약: 머신러닝 기반 에티오피아 헤드라인 인플레이션 예측

문제 정의
인플레이션은 국가적 복지의 결정적인 요인이자, 최근 가뭄, 내부 갈등, 글로벌 공급 충격 등으로 인해 헤드라인 인플레이션이 30%를 초과한 에티오피아의 중대한 경제적 과제이다. 전통적인 계량경제학 및 시계열 모델(예: ARIMA, VAR, VECM)이 역사적으로 에티오피아의 인플레이션을 예측하는 데 사용되어 왔다. 그러나 이러한 선형 모델은 인플레이션 데이터의 복잡하고 비선형적인 특성과 구조적 변화, 비대칭성, 그리고 거시경제 변수들의 다면적인 상호작용을 적절히 포착하지 못해 정확도 측면에서 어려움을 겪는 경우가 많다. 또한, 해당 지역의 기존 연구들은 특정 결정 요인을 충분히 고려하지 않거나 예측 정밀도를 높이기 위한 고급 머신러닝(ML) 기술을 활용하지 않은 채 총 소비자 물가 지수(CPI) 데이터에 의존하는 경향이 있었다.

연구 방법론
본 연구는 2000년부터 2023년까지의 분기별 데이터를 사용하여 에티오피아의 헤드라인 인플레이션을 모델링하고 예측하기 위해 지도 학습(supervised machine learning) 접근 방식을 채택하였다. 데이터는 중앙 통계청, 에티오피아 국립은행, 에티오피아 국립 기상청, 그리고 세계은행으로부터 수집되었다.

• 데이터 전처리: 데이터셋을 정제, 변환한 후 80%의 훈련 세트와 20%의 테스트 세트로 분할하였다. 종속 변수인 헤드라인 인플레이션($HI_t$)은 소비자 물가 지수의 전년 대비 증감률에 자연로그를 취하여 계산하였다.
• 예측 변수: 식료품 및 비식료품 인플레이션, 통화량, 환율, GDP, 정부 재정 적자, 외국인 직접 투자, 강수량, 유가 및 식료품 가격, 정치적 안정성, 운송 데이터(차량 수), 실업률 등 광범위한 외생 변수를 포함하였다.
• 모델링 접근 방식: 본 연구는 여러 지도 학습 알고리즘을 전통적인 벤치마크 모델과 비교하였다:
  • 페널티가 부여된 선형 모델: 다중공선성을 해결하고 변수 선택을 수행하기 위해 Ridge 회귀, LASSO(최소 절대 수축 및 선택 연산자), Elastic Net을 사용하였다.
  • 비선형 머신러닝 모델: Random Forest, 다층 퍼셉트론(MLP), 신경망 자기회귀(NNAR)를 사용하였다.
  • 벤치마크: 비교를 위한 기준으로 단변량 SARIMA 모델을 사용하였다.
• 평가 지표: 모델 성능은 인샘플(훈련) 및 아웃오브샘플(테스트) 데이터 모두에 대해 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE), 평균 절대 백분율 오차(MAPE)를 사용하여 평가하였다.
• 예측 기간: 선택된 최적의 모델을 사용하여 5개년 전망치(2024–2028)를 예측하였다.

주요 결과

• 특성 중요도: 모든 모델에서 식료품 인플레이션이 가장 결정적인 예측 변수로 식별되었다. 그 외 주요 변수로는 비식료품 인플레이션, 수출 가격, 정부 소비, 총 고정 투자, 차량 수가 포함되었다. 특히, LASSO 모델은 "정치적 안정성"과 "차량 수"를 중요한 요인으로 식별하였으며, 후자는 인플레이션과 음(-)의 상관관계를 보였다. 이는 운송 효율성의 개선이 물가 압력을 완화할 수 있음을 시사한다.
• 모델 성능:
  • 선형 모델: LASSO 회귀는 다중공선성을 효과적으로 해결하여 인샘플 RMSE 0.110, 아웃오브샘플 RMSE 0.172의 강력한 결과를 달성하였다. 이는 Ridge 및 Elastic Net 모델보다 아웃오브샘플 예측에서 우수한 성능을 보였다.
  • 비선형 모델: 외생 변수를 포함한 신경망 자기회귀(NNAR) 모델, 구체적으로 NNAR(5, 2, 10) 모델이 다른 모든 모델을 능가하였다. 이 모델은 완벽한 인샘플 정확도(RMSE = 0.000)와 가장 낮은 아웃오브샘플 오차(RMSE = 0.128; MAE = 0.067; MAPE = 10.576)를 달-성하였다.
  • 비교: NNAR 모델은 SARIMA, MLP, Random Forest 및 선형 수축 모델에 비해 우수한 일반화 능력을 입증하였다. 외생 변수의 포함은 단변량 접근 방식에 비해 예측 정확도를 크게 향상시켰다.
• 예측 결과: NNAR 모델은 헤드라인 인플레이션이 2024년과 2025년에는 비교적 낮은 수준을 유지하다가, 2026년부터 점진적으로 상승하여 2027년 2분기에 약 36%로 정점에 도달한 후, 2028년 4분기까지 점진적으로 하락하기 시작할 것이라고 예측하였다.
• 진단: 잔차 분석(히스토그램 및 ACF 플롯)과 Ljung-Box 검정을 통해 NNAR 모델의 잔차가 정규 분포를 따르며 유의미한 자기 상관이 없음을 확인하였으며, 이는 모델이 기저의 데이터 구조를 적절히 포착했음을 나타낸다.

의의 및 기여
본 연구는 에티오피아에서 헤드라인 인플레이션 예측을 위해 머신러닝 접근 방식을 구체적으로 사용한 첫 번째 연구임을 주장한다. 주요 기여는 다음과 같다:

1. 방법론적 우월성: 비선형 머신러닝 모델, 특히 NNAR이 에티오피아의 변동성이 큰 인플레이션 환경에서 전통적인 선형 계량경제 모델 및 단변량 시계열 방법보다 우수한 예측 성능을 제공함을 입증하였다.
2. 변수 식별: 정치적 안정성과 운송 인프라(차량 수)를 포함하여 전통적인 인플레이션 모델링에서 흔히 간과되는 다양한 예측 요인의 중요성을 검증하였다. 차량 접근성이 인플레이션 압력을 낮추는 요인이라는 점을 밝혀낸 것은 참신한 발견이다.
3. 정책적 관련성: 더 정확한 예측과 핵심 동인 파악을 제공함으로써, 본 연구는 물가 안정을 유지하려는 에티오피아 국립은행의 의사결정과 경제 계획을 돕는 더 나은 도구를 제공한다.
4. 강건성: 외생 변수를 머신러닝 모델에 통합하는 것이 과거의 인플레이션 데이터에만 의존하는 모델의 한계를 극복하고 예측 정확도를 유의미하게 향상시킨다는 점을 확인하였다.