يمثل التنبؤ بالنمو الاقتصادي تحديًا كبيرًا في الدول الهشة التي تعاني ندرة البيانات وقصر السلاسل الزمنية وضعف الأنظمة الإحصائية، إذ تحتاج الحكومات والمؤسسات التنموية إلى توقعات يعتمد عليها في التخطيط بينما لا تتوافر مدخلاتها المعتادة، ويأتي الصومال في مقدمة هذه السياقات بفعل ظروفه التاريخية والمؤسسية، ومن هنا تقيّم هذه الدراسة الأداء المقارن لنماذج التعلم الآلي في التنبؤ بنمو الناتج المحلي الإجمالي للصومال بالاعتماد على مؤشرات اقتصادية كلية وبيئية، بما يختبر جدوى هذه التقنيات الحديثة في بيئات محدودة البيانات ويفتح نقاشًا حول أدوات التنبؤ المناسبة للاقتصادات الهشة وحدود تعميم نتائج النماذج بين السياقات المختلفة
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تقييم القدرات التنبؤية لخمسة نماذج من نماذج التعلم الآلي هي الشبكات العصبية الاصطناعية، والشبكات العصبية الالتفافية، وآلات المتجهات الداعمة، والغابات العشوائية، والتعزيز التدرجي الأقصى، وذلك على بيانات المؤشرات الاقتصادية الكلية والبيئية للصومال عن الفترة من 1991 إلى 2022، وبما أن حجم العينة صغير نسبيًا إذ لا يتجاوز اثنتين وثلاثين مشاهدة سنوية، أولت الدراسة اهتمامًا خاصًا لتصميم النماذج وتطبيقها للحد من الإفراط في الملاءمة الذي يتهدد النماذج المعقدة مع العينات الصغيرة ويزيف أداءها الظاهر، وضمان أداء تنبؤي جدير بالثقة، فوظفت بنى مبسطة للنماذج ومعلمات مضبوطة بعناية عبر النماذج كلها، وأجرت التحقق المتقاطع لتحسين قابلية التعميم، كما طبقت آلة المتجهات الداعمة بصورتها الانحدارية الملائمة لنمذجة متغيرات متصلة مثل نمو الناتج المحلي الإجمالي بما يحفظ الاتساق المفاهيمي لإطار التنبؤ
ثانيًا: أبرز النتائج
النتيجة الأولى: تفوقت الشبكات العصبية الاصطناعية والشبكات العصبية الالتفافية على التقنيات الأخرى، إذ حققت أخطاء تنبؤ أدنى وقيمًا أعلى لمعامل التحديد، بما يشير إلى قدرة تنبؤية أقوى في التعامل مع بيانات النمو الاقتصادي الصومالي رغم محدودية حجمها
النتيجة الثانية: أظهرت نماذج التعلم الجماعي مثل الغابات العشوائية والتعزيز التدرجي الأقصى أداء أدنى نسبيًا، وهو ما يمكن عزوه إلى صغر حجم العينة وقيود البيانات المتاحة، إذ تحتاج هذه النماذج عادة إلى كميات أكبر من البيانات لتظهر تفوقها المعروف في سياقات أخرى
النتيجة الثالثة: أبرزت النتائج مجتمعة إمكانات تقنيات التعلم الآلي في التنبؤ الاقتصادي في السياقات الهشة ومحدودة البيانات، شريطة تصميم النماذج بحذر يراعي صغر العينات ويضبط التعقيد ويتحقق من الأداء بأساليب متقاطعة مناسبة، فالفارق بين النماذج لم يكن فارقًا في الحداثة أو الشهرة، بل في ملاءمة كل نموذج لطبيعة البيانات القليلة المتاحة وقدرته على استخراج أنماطها دون الوقوع في حفظ ضجيجها العارض وتضخيمه
ثالثًا: دلالات الدراسة وتطبيقاتها
تحمل هذه النتائج دلالات عملية لصانعي السياسات الاقتصادية والمؤسسات الإحصائية في الصومال والدول المشابهة، إذ تشجع على توظيف نماذج الشبكات العصبية في توقعات النمو مع الانتباه إلى حدود البيانات المتاحة وضرورة تطوير جمعها وتوثيقها، كما تنبه الباحثين إلى أن تفوق النماذج الجماعية الحديثة ليس قانونًا عامًا بل يتوقف على وفرة البيانات، ومن ثم فإن اختيار أداة التنبؤ ينبغي أن يبدأ من طبيعة البيانات المتاحة لا من شهرة النموذج أو حداثته، وهي دلالة منهجية تتجاوز الحالة الصومالية إلى كل بحث تنبؤي في البيئات شحيحة البيانات، حيث يصبح الانضباط في التصميم والضبط والتحقق شرطًا لصدق النتائج وقابليتها للاستخدام في القرار الاقتصادي
كما تمنح الدراسة الباحثين في الاقتصادات محدودة البيانات إطارًا عمليًا للمقارنة المنضبطة بين النماذج، يقوم على توحيد شروط التصميم والضبط والتحقق قبل الحكم على الأداء، بما يجعل الفروق المرصودة عائدة إلى النماذج ذاتها لا إلى اختلاف معاملة كل نموذج أو تساهل معايير اختباره
وخلاصة القول إن التعلم الآلي قادر على خدمة التنبؤ الاقتصادي حتى في أقسى البيئات بيانات، متى صُمم بحذر وانضباط، وقد أثبتت الشبكات العصبية في الحالة الصومالية جدارة خاصة مع العينات الصغيرة، بينما تراجع أداء النماذج الجماعية لغياب وقودها الأساسي وهو وفرة البيانات، وهي معادلة ينبغي أن تحضر في ذهن كل باحث وصانع قرار يتعامل مع اقتصادات هشة
