مواكبة المناطق: إطار هجين للتعلم الآلي لتقدير جداول المدخلات-المخرجات الإقليمية

لماذا تهم الاقتصادات الإقليمية

عندما يغلق مصنع، أو يُفتتح مستشفى جديد، أو يُوسَّع ميناء، تمتد التأثيرات إلى ما هو أبعد من مكان العمل المباشر. يستخدم الاقتصاديون جداول مفصّلة «للمدخلات–المخرجات» لتتبع كيف يتدفق المال والوظائف بين قطاعات مثل الزراعة والتصنيع والخدمات. ومع ذلك، بالنسبة لمعظم المناطق داخل الدول، فإن بناء هذه الجداول مكلف ويتطلب بيانات كثيرة لدرجة أن تحديثها نادر الحدوث إن وجد. يعرض هذا المقال طريقة جديدة لتقدير خرائط الاقتصاد الإقليمية باستخدام تقنيات التعلم الآلي الحديثة، واعدة بأدوات أسرع وأكثر دقة للمخططين والمحللين ولأي شخص مهتم بكيفية ترابط الاقتصادات المحلية.

لغز رسم الروابط الاقتصادية المحلية

تصف جداول المدخلات–المخرجات من يشتري ماذا من من في الاقتصاد: كم من الصلب تشتريه شركات السيارات، كم من الخدمات القانونية يستخدمها المصنعون، وهكذا. توجد جداول وطنية للعديد من البلدان، لكن النسخ المحلية—للولايات أو المقاطعات أو مناطق المدن—غالبًا ما تكون مفقودة لأنها تتطلب مسوحات كبيرة ومكلفة. للتغلب على ذلك، يبدأ الاقتصاديون عادة من الجدول الوطني ويعيدون تشكيله باستخدام وصفات رياضية بسيطة بحيث يتوافق مع الإجماليات الإقليمية المعروفة، مثل العمالة أو الناتج حسب القطاع. الحلول المختصرة الشائعة، بأسماء مثل مؤشرات الموقع وRAS، رخيصة وسريعة لكنها قد تشوّه أنماطًا مهمة، لا سيما ميل الصناعات لشراء كميات كبيرة من نفسها وبعض الشركاء الرئيسيين. يمكن أن تضلّل هذه التشوّهات القرارات المتعلقة بالبنية التحتية أو سياسة المناخ أو الاستعداد للصدمات.

مزج الاقتصاد التقليدي بالخوارزميات الجديدة

يقترح المؤلفون إطارًا هجينيًا يدمج البنية الاقتصادية الكلاسيكية مع أحدث تقنيات الذكاء الاصطناعي. في جوهره يوجد نوع من النماذج التوليدية يُدعى GAN، يُستخدم عادة لإنشاء صور واقعية. هنا، بدلًا من الصور، يتعلم الـGAN إنشاء جداول مدخلات–مخرجات كاملة تشبه تلك المرصودة في البيانات التاريخية. طبقة داخلية خاصة تُجبر كل جدول مولَّد على احترام قواعد محاسبية صارمة: يجب أن تطابق المجاميع في الصفوف والأعمدة الأرقام الإقليمية المعروفة ولا يمكن أن تكون القيم سالبة. هذا يُبقي نموذج التعلم الآلي مؤطّرًا في الاقتصاد الأساسي بدلاً من أن ينخرط في تتبّع أنماط إحصائية بحتة.

تنقيح المسودّة

حتى الـGAN المدرب جيدًا يميل إلى ارتكاب أخطاء صغيرة ومنهجية—على سبيل المثال، التقليل قليلًا من مدى تبادل قطاعات معينة مع نفسها. لإصلاح ذلك، يضيف المؤلفون مرحلة ثانية تُعرف بتعزيز البواقي. بعد أن ينتج الـGAN أفضل تخمين لديه، يتعلّم تجمّع منفصل من نماذج أشجار القرار الأخطاء النمطية التي يرتكبها ويتنبأ بتصحيح. ثم تُعدَّل الجدول المصحَّح بلطف لتجنّب القيم غير الواقعية. يستفيد هذا التصميم ذي المرحلتين من قدرة الـGAN على التقاط الصورة الكبرى—مثل الشكل العام وتركيز التدفقات—بينما يُستخدم المعزِّز لتحسين التفاصيل المحلية. كما أن الطريقة مستنيرة بحقيقة أن الاقتصادات الحقيقية لديها بعض التدفقات الكبيرة جدًا والعديد من الصغيرة جدًا، نمطٍ منحاز يُشجَّع النموذج صراحةً على تقليده.

تجريب الطريقة

لاختبار ما إذا كان هذا النهج الهجين يعمل عمليًا، يجربه المؤلفون على مجموعتي بيانات رئيسيتين: تجميع من الجداول الوطنية لعدة بلدان ومجموعة من جداول المدخلات–المخرجات العالمية التي تصف سلاسل التوريد العالمية عبر عشرات الصناعات والمناطق. نظرًا لأن الجداول الحقيقية معروفة في هذه الحالات، يمكن للباحثين مقارنة تقديراتهم مباشرة بالواقع وبنسخ محسّنة من طريقة RAS التقليدية. عبر مجموعة واسعة من المقاييس—ملاءمة عامة، الأخطاء المتوسطة، مدى إعادة إنتاج القطر الرئيسي، ومدى الحفاظ على التوزيع غير المتكافئ للتدفقات الكبيرة والصغيرة—تتفوق الطريقة الهجينة. في مجموعة البيانات الوطنية تحسّن مقياس ملاءمة النموذج القياسي بنحو تسع نقاط مئوية مقارنةً بـRAS المحسّن، وتضاعف دقّة التقاط الاستهلاك الذاتي داخل القطاعات. وعلى الجداول العالمية تحقق توافقًا أقرب، مستنسخة تقريبًا البنية الأساسية بدقة كبيرة.

ماذا يعني هذا للقرارات العملية

لغير المتخصصين، الرسالة الأساسية هي أننا نستطيع الآن بناء صور أكثر موثوقية للاقتصادات الإقليمية دون إرسال فرق مسح بيتًا بعد بيت. يحافظ النموذج الهجين على المنطق المحاسبي المألوف الذي يثق به محللو السياسات لكنه يتيح للتعلم الآلي المتقدّم اكتشاف انتظامات دقيقة تغفلها الأدوات الأقدم. تتحول جداول المدخلات–المخرجات الإقليمية الأفضل إلى تقديرات أكثر مصداقية لكيفية انتشار الصدمات المحلية، أي القطاعات الأكثر أهمية، وكيف سترتد السياسات على الوظائف والدخول والانبعاثات. وبينما لا تزال الطريقة تعتمد على توفر بيانات تدريب جيدة وكمية أكبر من الحوسبة مقارنةً بالأساليب التقليدية، فإن أداءها القوي يشير إلى أن علوم البيانات الحديثة يمكن أن تشحذ بشكل كبير العدسات التي ننظر من خلالها إلى التنمية الإقليمية والمرونة والتغير الهيكلي.

الاستشهاد: De Pretis, F., Tortoli, D. & Caria, S. Keeping up with the regions: a hybrid machine learning framework for estimating regional input-output tables. Sci Rep 16, 10893 (2026). https://doi.org/10.1038/s41598-026-45382-8

الكلمات المفتاحية: جداول المدخلات-المخرجات الإقليمية, الشبكات الاقتصادية, التعلم الآلي, النماذج التوليدية, التنمية الإقليمية