التنبؤ بأسعار الطاقة واعتماد الطاقة المتجددة من خلال إطار تعلم شجري محسن مع ذكاء اصطناعي قابل للتفسير

لماذا تهمك تكلفة الكهرباء المستقبلية

فواتير الكهرباء، أسعار الوقود، وسرعة استبدال الطاقة الشمسية والرياح للفحم والنفط تشكّل الحياة اليومية والاقتصادات الوطنية على حد سواء. تطرح هذه الدراسة سؤالاً يبدو بسيطاً لكنه مُضلّل: هل يمكننا استخدام أدوات البيانات الحديثة لمعرفة إلى أين تتجه أسعار الطاقة واعتماد الطاقة النظيفة، وفهم ما الذي يدفع هذه التغيرات فعلاً؟ من خلال استخراج بيانات الطاقة العالمية على مدى عقدين باستخدام تقنيات متقدمة لتعلّم الآلة، يبني الباحث نظام تنبؤي لا يتوقع الاتجاهات المستقبلية فحسب، بل يوضح أيضاً العوامل — مثل الاعتماد على الوقود الأحفوري أو انبعاثات الكربون — التي لها الأثر الأكبر.

متابعة عادات الطاقة المتغيرة في العالم

تنطلق الدراسة من مجموعة بيانات كبيرة تغطي أكثر من 50 بلداً من عام 2000 حتى 2024. لكل بلد وسنة، تتتبع كمية الطاقة المستخدمة في المتوسط، ومدى اعتماد البلد على الوقود الأحفوري، وكيفية تقسيم الطاقة بين الصناعة والأسر، والإجمالي المستهلك من الطاقة، ومستوى انبعاثات الكربون. ثم تُسجل نتيجتان رئيسيتان: مؤشر أسعار الطاقة، الذي يعكس مدى غلاء الطاقة، وحصة الطاقة القادمة من مصادر متجددة مثل الرياح والشمس والطاقة الكهرمائية. ونظراً لأن البيانات تشمل مناطق وسنوات عديدة، فإنها تلتقط الفوارق المحلية والاتجاهات العالمية طويلة الأجل، مما يجعلها مناسبة للتنبؤ.

تعليم «الأشجار» الرقمية على التعلم من بيانات الطاقة

لتحويل هذه المعلومات التاريخية إلى توقعات، تعتمد الدراسة على عائلة من التقنيات المعروفة بنماذج التعلّم الآلي القائمة على الأشجار. تقوم هذه النماذج بتقسيم البيانات إلى فروع بناءً على أسئلة بسيطة، مثل ما إذا كان استخدام الوقود الأحفوري أعلى أو أقل من مستوى معيّن، لتصل في النهاية إلى تنبؤات للأسعار أو لحصة المتجددة. بدلاً من استخدام شجرة واحدة، يبني الباحث غابات من الأشجار ويعزّز أدائها بخوارزميات تحسين ميتا‑هيوريستية مستوحاة من سلوك الحيوانات، تبحث عن أفضل إعدادات لكل نموذج. تعمل هذه العملية على تحسين الدقة والثبات عند التعامل مع بيانات واقعية معقدة ومليئة بالضوضاء.

التحقق من الموثوقية وفتح «الصندوق الأسود»

التنبؤات الدقيقة مفيدة فقط إذا صمدت عند التدقيق. تختبر الدراسة نماذجها من خلال تدريبها وتقييمها مراراً على شرائح مختلفة من البيانات المرتبة زمنياً، محاكاةً لأدائها على سنوات مستقبلية لم ترها من قبل. عبر هذه الاختبارات، تشرح أفضل النماذج الهجينة أكثر من 90 بالمئة من التباين في كلٍ من أسعار الطاقة وحصة الطاقة المتجددة، مع أخطاء نمطية صغيرة نسبياً. ولتجنب الانتقاد الشائع بأن تعلّم الآلة عبارة عن صندوق أسود، يطبق الباحث أدوات الذكاء الاصطناعي القابلة للتفسير. واحدة تُسمى SHAP توزع كل تنبؤ إلى العوامل المدخلة، موضحةً مقدار تأثير كل عامل في رفع التوقع أو خفضه. وأخرى، طريقة الحساسية المسماة طريقة السنبلة جيبية (Cosine Amplitude Method)، تفحص كيف تنتشر تغييرات وتركيبات المدخلات إلى المخرجات.

ما الذي يحدد فعلاً الأسعار ونمو الطاقة النظيفة

تكشف أدوات التفسير هذه قصة واضحة. عند التنبؤ بحصة المتجددة، يبرزان متغيران: مدى اعتماد البلد على الوقود الأحفوري ومقدار ما ينبعث منه من كربون. يميل الاعتماد العالي على الوقود الأحفوري والانبعاثات المرتفعة إلى كبح نمو المتجددة، في حين ترتبط التحولات بعيداً عن الوقود الأحفوري بزيادات كبيرة في حصة الطاقة النظيفة. أما بالنسبة لأسعار الطاقة، فتلعب كمية الاستهلاك الإجمالي للطاقة — مقدار الطاقة التي يستهلكها البلد عبر المصانع والمكاتب والمنازل — دوراً مركزياً. المناطق التي تستهلك كثيراً من الطاقة للفرد، أو التي تعتمد بشدة على الوقود الأحفوري، أكثر عرضة لتقلبات الأسعار عندما يضيق العرض. كما تُظهر التحليلات أن التداخل بين العوامل مهم: على سبيل المثال، قد يكون الأثر المشترك لاستخدام الطاقة الصناعي والإجمالي الاستهلاكي أكثر أهمية من كلٍ منهما بمفرده.

من تنبؤات أذكى إلى سياسات أذكى

بالنسبة لغير المتخصّصين، الاستنتاج واضح. من خلال إقران خوارزميات تعلم متقدمة بأدوات توضح كيفية تفكيرها، تبني هذه الدراسة إطارًا للتنبؤ تجمع بين الدقة والشفافية. تُظهر أن تقليل الاعتماد على الوقود الأحفوري وانبعاثات الكربون ليس مفيداً للمناخ فحسب؛ بل يرتبط أيضاً بسرعة نمو المتجددة واستقرار أسعار الطاقة. يمكن لصانعي السياسات والمرافق والمستثمرين استخدام مثل هذه النماذج لاختبار كيف قد تعيد خيارات مختلفة — مثل تسعير الكربون، وبرامج الكفاءة، أو حوافز المتجددة — تشكيل الفواتير والانبعاثات المستقبلية. في جوهرها، تقدم الدراسة بوصلة قائمة على البيانات للملاحة في الانتقال نحو نظام طاقة عالمي أكثر تكلفة معقولة واستدامة.

الاستشهاد: Tang, T. Predicting energy prices and renewable energy adoption through an optimized tree-based learning framework with explainable artificial intelligence. Sci Rep 16, 6771 (2026). https://doi.org/10.1038/s41598-026-35706-z

الكلمات المفتاحية: أسعار الطاقة, الطاقة المتجددة, تعلّم الآلة, انبعاثات الكربون, الوقود الأحفوري