Évaluation comparative des méthodes économétriques, additives décomposables et des réseaux neuronaux pour la prévision de l’inflation alimentaire avec enseignements pour les politiques

Pourquoi la hausse des prix alimentaires importe

Pour les familles au Bangladesh et dans le monde en développement, l’inflation alimentaire n’est pas un terme économique abstrait : elle détermine si les ménages peuvent se permettre du riz, des légumes et de l’huile de cuisson en fin de mois. Ces dernières années, le Bangladesh est apparu sur la « liste rouge » de la Banque mondiale pour une inflation alimentaire durablement élevée, avec des prix augmentant de plus de 10 % par an. Cette étude pose une question pratique aux conséquences humaines importantes : l’intelligence artificielle moderne peut‑elle aider les gouvernements à anticiper les hausses des prix alimentaires provoquées par des épisodes météorologiques extrêmes et la volatilité des coûts énergétiques, afin qu’ils puissent agir avant qu’une crise n’éclate ?

Suivre la piste du climat et du combustible jusqu’à la table

Le chercheur a rassemblé un enregistrement mensuel détaillé de juillet 2010 à mars 2025, suivant l’indice des prix alimentaires du Bangladesh ainsi que quatre forces susceptibles de l’influencer : la température moyenne de surface, les variations de température inhabituelles, les précipitations et un indice des prix de l’énergie couvrant électricité, gaz et carburant. Ensemble, ces séries captent à la fois les chocs climatiques dans les champs et le coût de l’énergie qui alimente pompes, tracteurs, stockage et transport. Plutôt que d’examiner seulement des liens simples un à un, l’étude considère les prix alimentaires comme le résultat final de nombreuses influences interactives qui peuvent se manifester avec un retard de plusieurs mois.

Statistiques traditionnelles contre apprentissage automatique moderne

Pour prévoir l’inflation alimentaire, l’article compare quatre approches de séries temporelles. Un modèle économétrique traditionnel appelé SARIMAX sert de référence, représentant le type d’outil utilisé de longue date par les banques centrales. Un modèle additif décomposable connu sous le nom de Prophet capte des tendances lisses, les cycles saisonniers des récoltes et les effets de fêtes comme l’Aïd, lorsque la viande et les douceurs deviennent plus chères. Deux méthodes plus avancées — réseaux neuronaux artificiels à délai temporel (TDANN) et réseaux à mémoire à long terme (LSTM) — appartiennent à la famille de l’apprentissage automatique et sont conçues pour apprendre des motifs complexes et non linéaires ainsi que la dépendance des prix actuels à des conditions survenues plusieurs mois auparavant. Tous les modèles sont entraînés sur les mêmes données et évalués selon la proximité de leurs prévisions avec les mouvements de prix ultérieurs, non vus lors de l’entraînement.

Les réseaux neuronaux prennent l’avantage

La comparaison directe est nette : les modèles non linéaires d’apprentissage automatique prévoient l’inflation alimentaire plus précisément que le cadre linéaire traditionnel. Parmi eux, un réseau neuronal relativement simple avec six unités cachées (TDANN [6]) obtient les meilleurs résultats, expliquant environ 93 % de la variation des prix alimentaires et limitant les erreurs de prévision typiques à quelques points d’indice. LSTM, un réseau séquentiel plus profond, performe également bien mais sous‑estime légèrement les pics de prix prononcés. SARIMAX et Prophet saisissent la tendance globale à la hausse et les schémas saisonniers, mais manquent une grande partie de la volatilité qui importe le plus aux ménages vulnérables. Fait intéressant, ajouter des couches et de la complexité au réseau neuronal n’aide pas : des architectures plus simples suivent les données plus fidèlement que des modèles fortement paramétrés.

Ouvrir la « boîte noire » pour identifier les véritables moteurs des prix

Parce que les réseaux neuronaux sont souvent critiqués comme opaques, l’étude applique des outils d’IA explicable, en particulier les valeurs SHAP, pour voir quelles entrées influencent vraiment les prédictions du modèle. Le facteur le plus important est tout simplement les prix alimentaires passés : une fois que les prix augmentent, ils ont tendance à rester élevés. Le deuxième est la pluie d’environ trois mois plus tôt. Des périodes inhabituellement sèches ou humides perturbent la plantation, les récoltes ou le transport, créant une relation en U où les extrêmes de part et d’autre tendent à pousser les prix à la hausse. Les prix de l’énergie arrivent ensuite, agissant comme un « amplificateur d’inflation » : lorsque les prix alimentaires récents sont déjà élevés, des coûts élevés du carburant et de l’électricité rendent les futurs pics de prix plus probables et plus sévères, tandis que des coûts énergétiques bas aident à atténuer cette dynamique.

Transformer l’intuition des modèles en actions concrètes

Traduit en termes concrets, l’étude conclut que l’inflation alimentaire au Bangladesh est portée par un mélange de mémoire et de stress. La mémoire provient de la forte propension des prix à persister une fois qu’ils ont grimpé ; le stress vient des chocs climatiques sur les terres agricoles et des variations des coûts de l’énergie le long de la chaîne d’approvisionnement. Des modèles neuronaux bien calibrés peuvent détecter quand cette combinaison se met en place et annonce des problèmes avec suffisamment d’avance pour que les décideurs politiques réagissent. Cela signifie augmenter les réserves de céréales avant les mauvaises saisons, cibler le soutien aux agriculteurs après les inondations ou les sécheresses, et utiliser des politiques énergétiques et d’importation intelligentes pour empêcher que la hausse des coûts du carburant ne transforme des tensions de marché habituelles en crises alimentaires à grande échelle.

Citation: Javed, A. Benchmarking econometric, decomposable additive, and neural network methods for food inflation prediction featuring policy insights. Sci Rep 16, 5460 (2026). https://doi.org/10.1038/s41598-026-34993-w

Mots-clés: inflation alimentaire, Bangladesh, chocs climatiques, prix de l’énergie, prévision par apprentissage automatique