التنبؤ بإنتاج الطماطم في الدول الآسيوية الكبرى: دراسة مقارنة بين ARIMA، النمذجة بالتنعيم الأسي، النماذج المدفوعة بالنتيجة، وXGBoost

لماذا تهم محاصيل الطماطم المستقبلية

تُعد الطماطم مكوّنًا أساسيًا في المطابخ عبر آسيا، فهي تدخل في كل شيء من طعام الشوارع إلى الصلصات على رفوف المتاجر. وخلف كل ثمرة طماطم سلسلة من المزارعين والأسواق والقرارات السياسية التي قد تتأثر بالطقس السيئ أو تقلبات الأسعار. تطرح هذه الدراسة سؤالًا بسيطًا لكنه حيوي: كيف يمكننا تحسين توقعات حصاد الطماطم في دول آسيوية رئيسية حتى لا يُفاجأ المزارعون والحكومات والمستهلكون؟

الطماطم والمزارعون والطعام على المائدة

تُعد الطماطم من بين المحاصيل الأكثر إنتاجًا وتداولًا في العالم، في المرتبة الثانية بعد البطاطس. وهي غنية بالفيتامينات ومضادات الأكسدة وتدعم صناعة تحويل كبيرة تحولها إلى عصير وحساء ومعجون وصلصات. في آسيا، تساهم الصين ودول جنوب آسيا معًا بحصة كبيرة من إنتاج الطماطم العالمي، ويعتمد ملايين المزارعين الصغار على هذه المحصول كمصدر دخل. عندما تتقلب المحاصيل يرتفع وينخفض دخل المزارعين وأسعار المستهلكين، ما قد يهدد سبل العيش الريفية والأمن الغذائي الحضري.

حصاد متزايد ونمو غير متكافئ

بالنظر إلى ستين عامًا من البيانات، تتبّع الباحثون الإنتاج السنوي للطماطم من 1961 إلى 2021 في بنغلاديش والصين والهند وباكستان وسريلانكا. أظهرت الصين صعودًا دراماتيكيًا، خاصة بعد عام 2000، حيث تحولت من منتج متواضع إلى عملاق ينتج الآن عشرات ملايين الأطنان سنويًا. كما توسعت الهند بقوة، وإن كان ذلك بوتيرة أكثر ثباتًا. في المقابل، أظهرت بنغلاديش وباكستان وسريلانكا نموًا أهدأ مع تقلبات عرضية. هذه الفوارق مهمة: فالدول التي تشهد نموًا هيكليًا سريعًا تحتاج نماذج قادرة على تتبّع اتجاهات تصاعدية طويلة الأمد، بينما تحتاج الدول الأخرى أدوات تلتقط الاستقرار أو التغيير البطيء فقط.

اختبار أدوات التنبؤ

لمعرفة أي الأساليب تتنبأ بشكل أفضل بالإنتاج المستقبلي، قارن الفريق أربعة أنواع من أدوات التنبؤ. يأتي اثنان من الإحصاء التقليدي الذي يبحث عن أنماط وسلاسل سلسة مع مرور الوقت. وأخرى، تُدعى النهج المدفوع بالنتيجة (score-driven)، تتيح لأجزاء أساسية من النموذج أن تتغير تدريجيًا مع وصول بيانات جديدة، فتتكيف مع الظروف المتغيرة. والأداة الرابعة، XGBoost، هي طريقة شعبية في التعلم الآلي تجمع العديد من أشجار القرار لالتقاط سلوك معقد وغير منتظم في البيانات. درّب الباحثون كل الأساليب باستخدام بيانات من 1961 إلى 2014، ثم اختبروا دقتها في التنبؤ للسنوات 2015 إلى 2021.

المهارة قصيرة الأجل مقابل الواقعية الطويلة الأجل

في هذه الاختبارات، حقق XGBoost غالبًا أدنى أخطاء، خصوصًا في السنوات التي شهدت تقلبًا في الإنتاج. وهذا يعني أنه كان جيدًا جدًا في مواكبة الصعود والهبوط الحديث. ومع ذلك، يسلط المؤلفون الضوء على عيب مهم: تكافح نماذج الأشجار في التعلم الآلي عند توقع قيم تتجاوز ما شاهدته سابقًا. بالنسبة لمحاصيل مثل الطماطم في الهند وبنغلاديش، حيث ارتفع الإنتاج لعقود، يظهر هذا القصور على شكل خطوط مستقبلية مسطّحة بشكل غير واقعي. بالمقابل، تُصمم الأساليب الكلاسيكية لتمديد الاتجاهات الأساسية إلى الأمام في الزمن، حتى لو كانت أقل بروزًا على المدى القصير.

اختيار الأداة المناسبة لكل دولة

بأخذ الدقة والواقعية بعين الاعتبار، اختار المؤلفون بعناية نموذجًا «عمليًا» لكل دولة. لبنغلاديش اختاروا طريقة التنعيم الأسي، التي تُطيل برفق الاتجاه التصاعدي الطويل الأمد بينما تظل متجاوبة مع الصدمات الحديثة. للصين والهند وباكستان وسريلانكا، اختاروا نماذج مدفوعة بالنتيجة، قادرة على تتبع معدلات نمو متغيرة دون أن تصطدم بالحد الذي يقيّد أنظمة الأشجار. باستخدام هذه النماذج، توقعوا إنتاج الطماطم حتى عام 2028. تشير النتائج إلى أن بنغلاديش والصين والهند وباكستان من المرجح أن تشهد استمرارًا في نمو المحاصيل، بينما من المتوقع أن يستقر إنتاج سريلانكا مع زيادات طفيفة فقط.

ما يعنيه هذا لتخطيط الغذاء

بالنسبة لغير المتخصصين، الرسالة الرئيسية هي أن تحسين توقعات الطماطم يمكن أن يدعم قرارات أذكى عبر سلسلة الغذاء. من خلال إظهار أن بعض أدوات التعلم الآلي المتقدمة تتفوق في التقلبات قصيرة الأجل لكنها تتعثر عند امتداد الاتجاهات الطويلة الأمد، تحذر الدراسة من الاعتماد على نوع واحد من النماذج. توفّر توقعات كل دولة صورة أوضح لكيفية تطور المعروض من الطماطم حتى عام 2028، ما يساعد المخططين على الاستعداد للطلب المتزايد، والمزارعين على توقيت الاستثمارات، والأسواق على التخفيف من صدمات الأسعار.

الاستشهاد: Al khatib, A.M.G., Alshaib, B.M., Mishra, P. et al. Forecasting tomato production in major Asian producers: a comparative study of ARIMA, exponential smoothing, score-driven models, and XGBoost. Sci Rep 16, 15722 (2026). https://doi.org/10.1038/s41598-026-46110-y

الكلمات المفتاحية: إنتاج الطماطم, توقع المحاصيل, نماذج السلاسل الزمنية, التعلم الآلي في الزراعة, الأمن الغذائي في آسيا