להתעדכן עם האזורים: מסגרת היברידית של למידת מכונה לאמידת טבלאות קלט–פלט אזוריות

טבלאות קלט–פלט מתארות מי קונה מה ממי בכלכלה: כמה פלדה קוני־הרכב רוכשים, כמה שירותים משפטיים משתמשים היצרנים, וכן הלאה. טבלאות לאומיות קיימות ברבות ממדינות, אך גרסאות מקומיות — למדינות, פרובינציות או אזורי עיר — לעיתים קרובות חסרות כי הן דורשות סקרים גדולים ויקרים. כדי להתגבר על כך, כלכלנים בדרך כלל מתחילים מהטבלה הלאומית ומעבדים אותה בעזרת נוסחאות מתמטיות פשוטות כך שתתאים לסיכומים האזוריים הידועים, כגון תעסוקה או תוצר לפי מגזר. קיצורי דרך פופולריים, עם שמות כמו מכפלות מיקום (location quotients) ושיטת RAS, הם זולים ומהירים אך עלולים לעוות דפוסים קריטיים, במיוחד את הנטייה של תעשיות לרכוש במידה משמעותית מעצמן ומכמה שותפים מרכזיים. עיוותים אלה עלולים להטעות בהחלטות לגבי תשתיות, מדיניות אקלים או מוכנות לזעזועים.

שילוב כלכלה קלאסית עם אלגוריתמים חדשים

המחברים מציעים מסגרת היברידית שמאחדת מבנה כלכלי קלאסי עם בינה מלאכותית מתקדמת. בלב המסגרת עומד סוג של מודל מייצר הנקרא GAN, המשמש בדרך כלל ליצירת תמונות ריאליסטיות. כאן, במקום תמונות, ה‑GAN לומד ליצור טבלאות קלט–פלט שלמות הדומות לאלה הנצפות בנתוני היסטוריים. שכבה פנימית מיוחדת מאלצת כל טבלה שנוצרה לכבד כללי חשבונאות מחמירים: סכומי שורות ועמודות חייבים להתאים לנתונים האזוריים הידועים והערכים אינם יכולים להיות שליליים. זה שומר על מודל הלמידה שמוצק בכלכלה בסיסית ולא נותן לו לרדוף אחרי דפוסים סטטיסטיים טהורים בלבד.

כּוּנוּן הטיוטה הגולמית

אפילו GAN מאומן היטב נוטה לבצע טעויות קטנות וסיסטמטיות — למשל, להעריך במעט נמוך מדי עד כמה מגזרים מסוימים סוחרים עם עצמם. לתיקון זה, המחברים מוסיפים שלב שני הידוע כ־residual boosting. אחרי שה‑GAN מפיק את הניחוש הטוב ביותר שלו, אנסמבל נפרד של דגמי עצי החלטה לומד את הטעויות הטיפוסיות שהוא עושה ומנבא תיקון. הטבלה המתוקנת מותאמת בעדינות כדי למנוע ערכים לא מציאותיים. העיצוב הדו־שלבי מנצל את יכולת ה‑GAN לתפוס את התמונה הגדולה — כגון הצורה הכללית והריכוז של הזרימות — בעוד המגבר מחדד פרטים מקומיים. השיטה מודעת גם לעובדה שכלכלות אמיתיות כוללות כמה זרימות מאוד גדולות ורבות זעירות, דפוס מעוות שהמודל מעודד במכוון לחקות.

בחינת השיטה במבחן

כדי לבדוק האם הגישה ההיברידית עובדת בפועל, המחברים בוחנים אותה בשני מאגרי נתונים מרכזיים: אוסף של טבלאות לאומיות ממדינות רבות וקובץ של טבלאות קלט–פלט עולמיות שמתארות שרשראות אספקה גלובליות לאורך עשרות תעשיות ואזורים. מכיוון שהטבלאות האמיתיות ידועות במקרים אלה, החוקרים יכולים להשוות את האומדנים שלהם ישירות מול המציאות ונגד גרסאות משופרות של שיטת RAS המסורתית. על פני מגוון רחב של מדדי הערכה — התאמה כללית, טעויות ממוצעות, עד כמה האלכסון הראשי משוחזר, וכמה נשמרת ההפצה הלא אחידה של זרימות גדולות וקטנות — השיטה ההיברידית יוצאת כעולה. במאגר הלאומי היא משפרת את מדד התאימות הסטנדרטי בכמעט תשע נקודות אחוז יחסית ל‑RAS משופר, והיא מכפילה ואף יותר את הדיוק בו נתפס השימוש העצמי בתוך המגזרים. בטבלאות הגלובליות היא משיגה התאמה עוד קרובה יותר, ומשחזרת כמעט באופן מושלם את המבנה היסודי.

מה משמעות הדבר עבור החלטות בעולם האמיתי

עבור לא־מומחים, המסר המרכזי הוא כי כעת ניתן לבנות תמונות אמינות הרבה יותר של כלכלות אזוריות בלי לשלוח צוותים לסקרים פיזיים מדלת לדלת. המודל ההיברידי מקפיד על הלוגיקה החשבונאית המוכרת שבונה־מדיניות ובאנליסטים סומכים עליה, ובאותו זמן מאפשר ללמידת מכונה מתקדמת לגלות רגולאריות עדינות שהכלים הישנים מפספסים. טבלאות קלט–פלט אזוריות משופרות מתרגמות לאומדנים מהימנים יותר על אופן התפשטות זעזועים מקומיים, אילו מגזרים הם הקריטיים ביותר וכיצד מדיניות תנענע במשרות, בהכנסות ובהפלות מזהמים. אמנם השיטה עדיין תלויה בנתוני אימון טובים וביותר כוח מחשוב מאשר גישות מסורתיות, אך ביצועה החזק מרמז שמדעי הנתונים המודרניים יכולים לחדד משמעותית את העדשות דרכן אנו צופים בפיתוח אזורי, בעמידות ובשינוי מבני.

ציטוט: 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

מילות מפתח: טבלאות קלט–פלט אזוריות, רשתות כלכליות, למידת מכונה, מודלים מייצרים, פיתוח אזורי