気候と政策を踏まえた食品インフレ予測のための計量経済学的手法、分解可能加法モデル、ニューラルネットワーク手法のベンチマーク

食品価格上昇が重要な理由

バングラデシュや発展途上国の多くの家計にとって、食品インフレは抽象的な経済用語ではありません。月末に米、野菜、食用油を買えるかどうかを左右します。近年、バングラデシュは継続的な高い食品インフレにより世界銀行の“レッドリスト”に入っており、年率で10％を超える上昇が見られます。本研究は実用的で人命に関わる問いを投げかけます：現代の人工知能は、天候の極端化や不安定なエネルギーコストに起因する食品価格急騰を政府が事前に察知する助けになるでしょうか？それにより危機が顕在化する前に手を打てるでしょうか？

天候や燃料から食卓へ続く道筋をたどる

研究者は2010年7月から2025年3月までの月次データを詳細に組み上げ、バングラデシュの食品価格指数と、それを押し上げると考えられる4つの要因を追跡しました：平均地表気温、異常な気温変動、降雨量、電力・ガス・燃料を含むエネルギー価格指数です。これらの系列は、畑での気候ショックとポンプ、トラクター、貯蔵、輸送を動かすエネルギーコストの双方を捉えます。本研究は単純な一対一の関連だけをみるのではなく、食品価格を数か月の遅れで現れる多くの相互作用の結果として扱います。

従来の統計学と最新の機械学習の対決

食品インフレを予測するために、本論文は4つの時系列アプローチを比較します。伝統的な計量経済モデルであるSARIMAXがベースラインとして用いられ、中央銀行が長年使用してきたツールの代表を示します。分解可能加法モデルのProphetは滑らかなトレンド、季節的な収穫サイクル、イード（肉や甘味が高くなる行事）などの祝日効果を捉えます。さらに2つの高度な手法—時差付き人工ニューラルネットワーク（TDANN）と長短期記憶（LSTM）ネットワーク—は機械学習系に属し、非線形で複雑なパターンや現在の価格が数か月前の状況に依存する様を学習するよう設計されています。すべてのモデルは同じデータで学習され、後の未知の価格変動に対する予測精度で評価されます。

ニューラルネットワークが先行

直接比較の結果は明瞭です：非線形の機械学習モデルは従来の線形枠組みよりも食品インフレをより正確に予測します。その中でも比較的単純な6つの隠れユニットを持つニューラルネットワーク（TDANN [6]）が最も良好な成績を示し、食品価格の変動の約93％を説明し、典型的な予測誤差を数ポイント程度に抑えました。より深い系列ネットワークであるLSTMも良好ですが、急激な価格ピークをやや過小評価する傾向があります。SARIMAXとProphetは全体的な上昇トレンドや季節性は捉えますが、脆弱な家計にとって重要な変動性の多くを見落とします。興味深いことに、ネットワークに層や複雑さを増しても性能向上にはつながらず、より簡潔な構造の方が大量のパラメータを持つものよりデータに忠実に追従しました。

“ブラックボックス”を開いて真に価格を動かす要因を探る

ニューラルネットワークは不透明だと批判されることが多いため、本研究では説明可能なAIツール、特にSHAP値を用いてどの入力がモデルの予測を実際に動かしているかを解析します。最も重要な要因は過去の食品価格そのものでした：一度価格が上がると高止まりする傾向があります。次に重要なのは約3か月前の降雨です。異常に乾燥した期間も異常に湿潤な期間も、植え付けや収穫、輸送を混乱させるため、どちらの極端も価格を押し上げるU字型の関係を生みます。エネルギー価格は次点で、“インフレ増幅器”として作用します：最近の食品価格が既に高い場合、高い燃料や電力コストは将来の価格急騰をより起こりやすくかつ深刻にし、逆に低いエネルギーコストはその勢いを和らげます。

モデルの知見を現実の行動に結びつける

日常語に置き換えると、本研究はバングラデシュの食品インフレが「記憶」と「ストレス」の混合で駆動されていると結論づけます。記憶は、一度上昇した価格が持続する強い傾向から来ます。ストレスは畑での気候ショックやサプライチェーンにおけるエネルギーコストの変動から来ます。よく調整されたニューラルネットワークモデルは、この組み合わせが危機に向かっていることを十分なリードタイムで検出でき、政策担当者が反応する余地を与えます。具体的には、不作の季節に備えた穀物備蓄の拡充、洪水や干ばつ後の農家への的確な支援、そして燃料コストが市場の緊張を深刻な食料危機に転換しないようにする賢明なエネルギー・輸入政策の活用が挙げられます。

引用: 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

キーワード: 食品インフレ, バングラデシュ, 気候ショック, エネルギー価格, 機械学習予測