📈 economics

Forecasting food price inflation in Nigeria and identifying its drivers using machine learning models

본 연구는 규제화된 회귀 모델, 특히 엘라스틱 넷(Elastic Net)이 나이지리아의 식품 가격 인플레이션을 예측하는 데 있어 전통적인 시계열 및 복잡한 머신러닝 알고리즘보다 우수한 성능을 보인다는 것을 입증하며, 과거 가격, 환율, 에너지 비용 및 강우량을 주요 동인으로 식별하는 동시에 식량 안보를 보장하기 위한 조율된 거시 경제 및 농업 정책을 옹호한다.

원저자: Oluwaseyi Samson Afolayan, Afolake Carolyn Afolami, Lawrence Olubunmi Balogun, Oriyomi Kazeem Aboaba, Adeleke Sabitu Coster

게시일 2026-08-11

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Oluwaseyi Samson Afolayan, Afolake Carolyn Afolami, Lawrence Olubunmi Balogun, Oriyomi Kazeem Aboaba, Adeleke Sabitu Coster

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 날씨를 예측하려고 노력하고 있다고 상상해 보세요. 당신은 어제의 온도계 하나를 보고 오늘 날씨가 같을 것이라고 추측할 수도 있고, 혹은 폭풍을 예보하기 위해 모든 구름, 바람의 흐름, 그리고 하늘의 새들까지 시뮬레이션하는 초복잡한 로봇을 만들 수도 있습니다. 이것이 바로 **예측(forecasting)**의 세계입니다. 즉, 과거의 데이터를 사용하여 다음에 무슨 일이 일어날지 추측하는 과학입니다. 경제학에서 이것은 **인플레이션(inflation)**이라 불리는 매우 중요한 요소인데, 인플레이션이란 음식값과 같은 물건의 가격이 계속 올라가서 당신의 돈으로 예전만큼 많은 것을 살 수 없게 되는 현상을 말합니다. 음식이 비싸지면 가족들은 잘 먹는 데 어려움을 겪고, 나라 전체가 스트레스를 느낄 수 있습니다. 과학자들은 이러한 가격 상승을 예측하는 가장 좋은 방법을 알아내기 위해 오랫동안 노력해 왔습니다. 어떤 이들은 단순한 수학이 가장 효과적이라고 생각하는 반면, 다른 이들은 이 퍼즐을 풀기 위해 거대하고 복잡한 컴퓨터 두뇌(머신러닝)가 필요하다고 믿습니다. 하지만 경제가 혼란스럽고 예측 불가능할 때, 실제로 어떤 것이 더 잘 작동할까요?

이 연구는 바로 그 질문을 깊이 파고드는데, 특히 식료품 가격이 격렬하게 요동치는 나라인 나이지리아에 초점을 맞추고 있습니다. 연구진은 두 가지를 알고 싶었습니다. 첫째, 향후 2년 동안 식료품 가격이 어떻게 변할지 정확하게 예측할 수 있는가? 둘째, 그 가격을 밀어 올리는 진짜 "악당"은 누구인가? 이를 알아내기 위해 그들은 단 하나의 방법만을 선택하지 않았습니다. 대신 그들은 거대한 경주를 설정했습니다. 그들은 전통적인 구식 수학 모델(믿음직하고 꾸준한 자전거와 같은 것)을 여러 가지 첨단 머신러닝 모델(미래형 고속 오토바이와 심지어 복잡한 로봇과 같은 것들)과 맞붙게 했습니다. 그리고 식료품 가격, 연료비, 강수량, 환율에 관한 산더로미 같은 데이터를 이 모든 모델에 입력하여, 어떤 모델이 가장 정확한 추측으로 결승선을 통과할 수 있는지 확인했습니다.

경주의 결과는 놀라웠습니다. 연구진은 "화려한" 첨단 로봇과 복합 신경망들이 실제로 비틀거리며 넘어졌다는 사실을 발견했습니다. 그것들은 이 작업에 하기에는 너무 복잡했고, 결국 더 큰 실수를 저질렀습니다. 대신 승자는 "단순한" 모델들이었는데, 구체적으로는 **규제 회귀(regularized regression)**라는 유형의 수학이었습니다(이것들은 언제 힘차게 페달을 밟고 언제 쉬어야 할지 정확히 아는 똑똑하고 유선형인 자전거와 같습니다). 경주의 챔피언은 **엘라스틱 넷(Elastic Net)**이라 불리는 모델이었으며, 이 모델은 가장 높은 정확도로 미래를 예측했고, 그 뒤를 그 형제 격인 라쏘(LASSO)와 릿지 회귀(Ridge Regression)가 바짝 뒤쫓았습니다. 구식 자전거(표준 시계열 모델)도 제법 괜찮은 성적을 냈지만, 똑똑하고 유선형인 자전거들이 그것을 이겼습니다. 복잡한 로봇들(인공 신경망과 같은 것들)은 최악의 성적을 기록하며 소음 속에서 길을 잃었습니다.

그렇다면 실제로 무엇이 나이지리아의 식료품 가격을 움직이는 것일까요? 이 연구는 단서를 찾기 위해 탐정 역할을 수행했습니다. 그들은 내일의 식료품 가격을 예측하는 가장 강력한 단일 예측 변수는 단순히 어제의 식료품 가격이라는 사실을 발견했습니다. 그것은 마치 언덕 아래로 굴러 내려가는 무거운 공과 같습니다. 일단 움직이기 시작하면 계속 나아갑니다. 그러나 연구는 또한 이 공을 밀어 올리는 다른 중요한 요인들도 발견했습니다. 환율(현지 화폐의 가치가 외화 대비 얼마나 되는지)이 떨어지면 수입 비용이 증가하여 음식이 더 비싸집나다. 연료 가격이 올라가면 시장까지 트럭을 운전하는 비용이 더 많이 들기 때문에 이 역시 식료품 가격을 높입니다. 흥 nghiệm스럽게도, 강수량은 브레이크 역할을 합니다. 비가 잘 오면 농작물이 잘 되어 가격이 낮아지지만, 나쁜 날씨는 가격을 밀어 올립니다.

저자들은 우리가 흔ly 거대한 경제 문제를 해결하기 위해 AI 기반의 가장 복잡한 도구가 필요하다고 생각하지만, 때로는 더 단순하고 잘 조율된 접근 방식이 더 효과적일 수 있다고 제안합니다. 특히 경제가 불안정한 상황에서는 더욱 그렇습니다. 그들이 복잡한 AI가 영원히 쓸모없다는 것을 증명한 것은 아니지만, 이 특정 경주와 이 특정 데이터에서는 더 단순한 모델들이 명백한 승자였습니다. 이 연구는 식료품 가격이 통제 불능 상태로 치닫기 전에 가격을 주시하기 위해서는, 더 단순하고 신뢰할 수 있는 모델들을 사용하는 동시에 통화 가치를 안정시키고, 연료 비용을 낮추며, 농민들이 날씨에 대처할 수 있도록 돕는 데 집중해야 한다고 결론짓습니다.

기술 요약: 머신러닝 모델을 이용한 나이지리아의 식품 가격 인플레이션 예측 및 동인 식별

문제 정의
나이지리아는 지속적이고 심각한 식품 가격 인플레이션에 직면해 있으며, 이는 2024년 7월 39.53%에 달해 거시경제적 안정과 식량 안보에 중대한 과제를 제기하고 있다. 상승하는 식품 가격의 사회경제적 결과는 이미 잘 입증되었으나, 나이지리아의 식품 인플레이션에 가장 효과적인 예측 접근 방식과 이러한 가격 역학 뒤에 숨겨진 구체적인 동인에 관한 증거는 부족한 실정이다. 전통적인 계량경제 모델은 나이지리아의 변동성이 큰 경제 환경의 특징인 비선형 관계, 구조적 변화 및 고차원 데이터셋을 처리하는 데 어려움을 겪는 경우가 많다. 또한, 기존 문헌은 주로 인플레이션의 복지 효과나 총체적 인플레이션 예측에 초점을 맞추어 왔으며, 식품 가격 인플레이션에 머신러닝(ML)을 구체적으로 적용하거나 고전적 벤치마크와 비교 평가한 연구는 제한적이었다.

연구 방법론
본 연구는 전통적인 시계열 기법과 규제화된 계량경제 모델 및 머신러닝 모델을 결합한 종합적인 분석 프레임워크를 채택한다.

데이터: 본 분석은 66개 시장, 38개 품목, 14개 나이지리아 주를 대상으로 하는 세계식량계획(WFP)의 월별 식품 가격 데이터(2015년 2월~2026년 5월)를 활용한다. 이는 환율, 프리미엄 모터 스피릿(PMS) 펌프 가격, FAO 글로벌 식품 가격 지수 및 강수량 데이터를 포함한 외생적 거시경제 및 기후 변수와 통합되었다.
전처리: 데이터셋은 시간적 불일치를 제거하기 위해 정제되었으며, 분산을 안정시키기 위해 식품 가격 인플레이션을 백분율 변화(전월 대비 및 전년 대비)로 구성하였다. 증강 디키-풀러(ADF) 검정을 통해 수준 변수에서의 인플레이션 시리즈의 정상성을 확인하였다.
모델: 본 연구는 아카이케 정보 기준(AIC)을 통해 선정된 벤치마크 자기회귀(AR) 모델인 AR(12)을 기준으로 여러 고급 모델과 비교한다:
- 규제 회귀(Regularized Regression): 릿지 회귀(Ridge Regression), 라쏘(LASSO), 엘라스틱 넷(Elastic Net).
- 차원 축소(Dimensionality Reduction): 부분 최소 제곱(PLS) 회귀.
- 비선형 머신러닝: 인공신경망(ANN).
평가: 모델은 표본 외(out-of-sample) 예측 지표인 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE), 중앙값 절대 편차(MAD)를 사용하여 평가되었다. 특성 중요도는 상관관계 분석과 규제 모델의 계수 검토를 통해 분석되었다.

주요 결과

예측 성능: 복잡한 비선형 모델이 변동성이 큰 환경에서 선형 모델보다 우수할 것이라는 예상과 달리, 본 연구는 간결한 규제 회귀 모델이 가장 높은 예측 정확도를 제공한다는 것을 발견했다.
- **엘라스틱 넷(Elastic Net)**이 가장 우수한 성능(RMSE = 9.94)을 보였으며, 라쏘(LASSO)(RMSE = 9.95)와 릿지 회귀(Ridge Regression)(RMSE = 10.02)가 그 뒤를 바짝 쫓았다.
- 이 모델들은 벤치마크인 AR(12) 모델(RMSE = 10.31)보다 우수한 성능을 보였으며, 낮은 예측 성능과 음(-)의 표본 외 $R^2$ 값을 나타낸 PLS(RMSE = 16.51) 및 ANN(RMSE = 17.92) 모델을 크게 앞질렀다.
인플레이션 동인:
- 역사적 식품 가격: 모든 모델(특히 LASSO)에서 가장 강력한 예측 변수로 식별되었으며, 이는 강력한 인플레이션 지속성을 확인시켜 준다.
- 거시경제적 요인: 릿지 회귀는 환율 변동과 **펌프 가격(연료 비용)**을 핵심적인 보완 예측 변수로 강조하였으며, 이는 통화 가치 하락과 에너지 비용이 식품 가격으로 전이되는 현상을 반영한다.
- 기후 요인: 강수량은 음(-)의 예측 변수로 식별되었는데, 이는 유리한 기상 조건이 공급을 개선하여 가격을 안정시키는 데 도움이 됨을 의미한다.
- 부문별 추세: 동물성 식품과 식용유 가격은 수입 투입재 및 에너지 집약적 생산에 대한 의존도로 인해 가장 빠른 상승 폭을 보였으며, 주요 주식(staple foods) 또한 2022년 이후 상당한 구조적 가격 변화를 경험했다.

의의 및 기여
본 논문은 다음과 같은 네 가지 측면에서 문헌에 기여한다고 주장한다:

예측 지평: 포괄적인 시장 가격 데이터셋을 사용하여 나이지리아 식품 가격 인플레이션에 대한 2년 기간의 표본 외 예측을 제공한다.
모델 비교: 벤치마크 자기회귀 모델과 규제 회귀 기법 및 비선형 머신러닝 알고리즘을 체계적으로 비교하여, 구조적으로 변동성이 크고 표본이 적당한 환경에서는 더 단순하고 해석 가능한 선형 모델이 복잡한 비선용 알고리즘보다 종종 더 우수함을 입증한다.
동인 식별: 예측을 넘어, 본 연구는 식품 인플레이션의 주요 거시경제, 시장 및 기후 동인을 식별하고 순위를 매김으로써 (예: 비용 인상 인플레이션, 환율 전이 효과 등) 가격 역학을 형성하는 메커니즘에 대한 실증적 근거를 제공한다.
정책적 관련성: 본 연구의 결과는 규제화된 예측 모델을 국가 모니터링 시스템에 통합하는 것이 효과적인 조기 경보 도구로 기능할 수 있음을 시사한다. 본 연구는 식품 가격 변동성을 완화하고 나이지리아의 식량 안보를 강화하기 위해 환율 안정, 에너지 비용, 농업 생산성 및 기후 탄력성을 다루는 조율된 정책을 옹호한다.

저자들은 머신러닝이 유연한 예측 능력을 제공하지만, 강력한 시간적 지속성과 거시경제적 충격의 선형적 전이를 특징으로 하는 나이지리아 식품 인플레이션의 특성은 예측 정확도와 해석력 사이의 균형을 맞춘 규제 회귀 모델에 의해 가장 잘 포착된다고 결론짓는다.

유사한 논문