Politika içgörüleriyle gıda enflasyonu tahmininde ekonometrik, ayrıştırılabilir eklemeli ve sinir ağı yöntemlerinin kıyaslanması

Artan gıda fiyatlarının önemi

Bangladeş’te ve gelişmekte olan ülkelerdeki aileler için gıda enflasyonu soyut bir ekonomik terim değildir; ay sonunda hanehalklarının pirinç, sebze ve yemeklik yağ satın alıp alamayacağını belirler. Son yıllarda Bangladeş, yıllık %10’dan fazla artan fiyatlarla Dünya Bankası’nın "Kırmızı Liste"sine girmiştir. Bu çalışma insan boyutu büyük, pratik bir soruyu soruyor: modern yapay zeka, hava aşırılıkları ve dalgalı enerji maliyetlerinin tetiklediği gıda fiyatı sıçramalarını hükümetlerin kriz gelmeden önce öngörmesine yardımcı olabilir mi?

Havadan yakıt ve sofraya uzanan yolu izlemek

Araştırmacı, Temmuz 2010’dan Mart 2025’e kadar ayrıntılı aylık bir kayıt derledi ve Bangladeş’in gıda fiyat endeksini ortalama yüzey sıcaklığı, olağandışı sıcaklık dalgalanmaları, yağış ve elektrik, gaz ve yakıtı kapsayan bir enerji fiyat endeksi olmak üzere fiyatı etkileyebilecek dört güçle birlikte izledi. Bu seriler bir arada hem tarlalardaki iklim şoklarını hem de pompalar, traktörler, depolama ve taşımacılığı çalıştıran enerjinin maliyetini yakalar. Çalışma, sadece basit tekil bağlantılara bakmak yerine, gıda fiyatlarını birkaç ay gecikmeli olarak ortaya çıkabilecek birçok etkileşen etkinin sonucu olarak ele alıyor.

Geleneksel istatistikler ve modern makine öğrenimi

Gıda enflasyonunu tahmin etmek için makale dört zaman serisi yaklaşımını karşılaştırıyor. SARIMAX adındaki geleneksel bir ekonometrik model temel kıyas olarak kullanılıyor; bu, merkez bankalarının uzun süredir başvurduğu türden bir aracı temsil ediyor. Prophet adı verilen ayrıştırılabilir eklemeli model, düzgün eğilimleri, mevsimsel hasat döngülerini ve bayramlar gibi etkiyi —örneğin et ve tatlıların daha pahalı hale geldiği Eid— yakalıyor. İki daha gelişmiş yöntem —zaman gecikmeli yapay sinir ağları (TDANN) ve uzun-kısa vadeli bellek (LSTM) ağları— makine öğrenimi ailesine ait olup, karmaşık, doğrusal olmayan desenleri ve mevcut fiyatların birkaç ay öncesindeki koşullara nasıl bağlı olduğunu öğrenmek üzere tasarlanmıştır. Tüm modeller aynı veriler üzerinde eğitilir ve tahminlerinin daha sonra görülen fiyat hareketleriyle ne kadar örtüştüğüne göre değerlendirilir.

Sinir ağları öne çıkıyor

Yüz yüze karşılaştırma açıktır: doğrusal geleneksel çerçeveden ziyade doğrusal olmayan makine öğrenimi modelleri gıda enflasyonunu daha doğru tahmin ediyor. Bunların arasında altı gizli birime sahip nispeten basit bir sinir ağı (TDANN [6]) en iyi performansı gösteriyor; gıda fiyatlarındaki değişimin yaklaşık %93’ünü açıkladığı ve tipik tahmin hatalarını sadece birkaç endeks puanında tuttuğu görülüyor. Daha derin ardışık bir ağ olan LSTM de iyi performans gösteriyor ama keskin fiyat zirvelerini biraz hafife alıyor. SARIMAX ve Prophet genel yükseliş eğilimini ve mevsimsel desenleri yakalıyor, ancak kırılgan haneler için en önemli olan oynaklığın çoğunu kaçırıyorlar. İlginç şekilde, sinir ağına ekstra katmanlar ve karmaşıklık eklemek yardımcı olmuyor; daha yalın mimariler, çok parametreli olanlardan daha sadık şekilde veriyi izliyor.

Fiyatları gerçekten neyin yönlendirdiğini bulmak için “kara kutuyu” açmak

Sinir ağları sıklıkla opak olmakla eleştirildiği için çalışma, hangi girdilerin modelin tahminlerini gerçekten hareket ettirdiğini görmek üzere Açıklanabilir Yapay Zeka araçları, özellikle SHAP değerleri uyguluyor. En önemli tek faktör basitçe geçmiş gıda fiyatlarıdır: fiyatlar bir kez yükseldi mi, yüksek kalma eğilimindedir. İkinci sırada yaklaşık üç ay önceki yağış geliyor. Hem olağandışı kurak hem de olağandışı yağışlı dönemler ekim, hasat veya taşımayı aksatıyor ve her iki uçtaki aşırılıkların da fiyatları yükseltme eğiliminde olduğu U biçimli bir ilişki yaratıyor. Enerji fiyatları ise bir “enflasyon yükselticisi” olarak geliyor: son gıda fiyatları zaten yüksek olduğunda, yakıt ve elektrik maliyetlerindeki artışlar gelecekteki fiyat sıçramalarını daha olası ve şiddetli hale getiriyor; düşük enerji maliyetleri ise bu ivmeyi yatıştırmaya yardımcı oluyor.

Model içgörüsünü gerçek dünya eylemine dönüştürmek

Günlük dile çevrildiğinde çalışma, Bangladeş’in gıda enflasyonunun hafıza ve stres karışımıyla yönetildiği sonucuna varıyor. Hafıza, fiyatlar yükseldiğinde kalıcı olma eğiliminden; stres ise tarlalardaki iklim şoklarından ve tedarik zinciri boyunca enerji maliyetlerindeki dalgalanmalardan kaynaklanıyor. İyi ayarlanmış sinir ağı modelleri, politika yapıcıların müdahale etmesi için yeterli öngörü süresiyle bu kombinasyonun sorun oluşturmak üzere biriktiğini tespit edebiliyor. Bu da kötü sezonlar öncesinde hububat stoklarını artırmak, seller veya kuraklık sonrasında çiftçilere hedefli destek sağlamak ve enerji ile ithalat politikalarını akıllıca kullanarak yakıt maliyetlerinin piyasalardaki rutin sıkışıklığı tam bir gıda krizine dönüştürmesini önlemek anlamına geliyor.

Atıf: 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

Anahtar kelimeler: gıda enflasyonu, Bangladeş, iklim şokları, enerji fiyatları, makine öğrenimi tahmini