إمكانية دمج نماذج الاقتصاد القياسي مع خوارزميات الذكاء الاصطناعي وآثارها
طالب الماجستير في الإقتصاد /منعم حسن علي

تعتبر النماذج الاقتصادية القياسية أدوات مهمّة لفهم سلوك الاقتصاد وتحليل التغيّرات الاقتصادية وتمثّل هذه النماذج عادةً افتراضات محدّدة بشأن سلوك الأفراد والشركات والحكومات وغيرها من العوامل الاقتصادية ، ومن جملة هذه النماذج هي نماذج التي تستخدم في الاقتصاد نموذج المعادلات الاقتصادية العامّة (CGE) ونموذج الاختيار الحاسم (DCM) ونموذج الاستجابة العامّة (RSM) وغيرها ، ويتمّ استخدام هذه النماذج لتحليل تأثير السياسات الاقتصادية المختلفة ، مثل الضرائب والإنفاق الحكومي وسياسات التجارة الدولية وغيرها ، على الاقتصاد ككل ، وعلى الرغم من أنّ هذه النماذج توفر إطاراً لفهم الاقتصاد وتحليل أثر السياسات الاقتصادية ، إلّا أنّها لا تعتبر دقيقة بشكل مطلق وقد تحتاج إلى تعديلات لتناسب الظروف الآنية لكل بلد أو منطقة اقتصادية ، وبالإضافة إلى ذلك فإنّها تعتمد على الافتراضات والنظريات المحدّدة ، ممّا يعني أنّها لا تمثّل بالضرورة كل جوانب الواقع الاقتصادي ، في حين تعد خوارزميات الذكاء الاصطناعي (AI algorithms) أدوات مهمّة جداً حيث تستخدم لتحليل البيانات واستخلاص المعلومات وإنشاء نماذج تنبؤية وجعل الأنظمة الذكية أكثر كفاءة وفعالية ، وتتنوّع خوارزميات الذكاء الاصطناعي بحسب المهمة التي تقوم به، وتشمل بعضها خوارزميات التعلم الآلي (Machine Learning Algorithms) وهي تستخدم لتعلم الأنظمة الذكية من البيانات وتحسين أداءها مع الوقت ، كما تتضمّن خوارزميات التعلم العميق (Deep Learning) وخوارزميات الشبكات العصبية (Neural Networks) وغيرها ، وكذلك خوارزميات تنبؤ البيانات (Predictive Analytics Algorithms) والتي تُستخدم لتحليل البيانات وتوقّع النتائج المستقبلية ، مثل خوارزميات الانحدار (Regression Algorithms) وخوارزميات الشبكات العصبية العميقة المتعدّدة الطبقات (Multilayer Deep Neural Networks) وغيرها ، وأيضاً خوارزميات استنتاج البيانات (Inference Algorithms) والتي تعمل على  التنبؤ بالنتائج المستقبلية واستخراج المعلومات من البيانات ، مثل خوارزميات الشبكات البيولوجية (Biological Networks) وخوارزميات العرف الذاتي (Self-Organizing Algorithms) ، وخوارزميات التصنيف (Classification Algorithms) ومهمّتها تصنيف البيانات على فئات مختلفة ، مثل خوارزميات الشبكات العصبية (Neural Networks) Algorithms) ، وهناك العديد من الخوارزميات الأخرى في مجال الذكاء الاصطناعي ، وتختلف استخداماتها وفوائدها حسب النوع الذي تنتمي إليه ، ومع تقدم التكنولوجيا ، يتمّ تطوير خوارزميات جديدة بإستمرار لتعزيز أداء الأنظمة الذكية وتلبية الاحتياجات المتغيّرة للأسواق ، وهذا ما يجعل المجتمع الاقتصادي الحديث أن يواجه تحدّيات اقتصادية كثيرة ، حيث يعتبر استخدام التقنيات الحديثة لتحليل وتنبؤ (Prediction) البيانات من أهمِّ الأساليب التي يمكن استخدامها لتحسين الأداء الاقتصادي ، حيث يعتبر الذكاء الاصطناعي (Artificial Intelligence) والنمذجة (Modeling) الاقتصادية القياسية من أبرز هذه التقنيات التي يمكن استخدامها في هذا الصدد ، ويمكن الاستفادة من دمجهما لتحسين النماذج الاقتصادية والتنبؤ بالسيناريوهات المستقبلية ، وعليه فإنّ هذا الدمج المتطوّر يمكن أن يحدث تغييراً كبيراً في الطريقة التي يتمّ بها تحليل البيانات الاقتصادية والتنبؤ بالمستقبل الاقتصادي ، فعلى سبيل المثال، يمكن استخدام الذكاء الاصطناعي لتحليل البيانات المتعلّقة بالمبيعات والإنتاج والتوزيع ، في حين يمكن استخدام النماذج الاقتصادية القياسية لتحليل متغيّرات إقتصادية مثل النمو الاقتصادي ومعدّلات التضخّم ، ويمكن دمج هذه البيانات للإستفادة منها في عمليات التنبؤ لتحسين صناعة وإتخاذ القرارات الاقتصادية ، إضافةً إلى ذلك، يمكن استخدام الذكاء الاصطناعي والتعلّم الآلي لتحليل البيانات الاقتصادية (Economic Data) والتنبؤ بتطوّر الإتجاهات المستقبلية بشكل أكثر دقّة وفاعلية ،  ومن خلال استخدام تقنيات التعلم الآلي يمكن تدريب النماذج الاقتصادية القياسية على تحليل البيانات بشكل أفضل ، ويمكن أن تؤدّي هذه التقنيات إلى تحسين الأداء الاقتصادي بشكل كبير، حيث يمكن استخدام النتائج المستخرجة لتحسين النشاط الاقتصادي الصناعي وتحديد المناطق التي تحتاج إلى تحسينات ، ومن الجدير بالذكر أنّه يجب الانتباه إلى بعض التحدّيات التي يمكن مواجهتها أثناء استخدام تقنيات الذكاء الاصطناعي في النماذج الاقتصادية القياسية ، مثل تحدّيات الخصوصية والأمان والتحليل الأخلاقي للبيانات ، ويجب اتخاذ الإجراءات اللّازمة لحماية البيانات الحسّاسة وضمان عدم استخدامها بشكل خاطئ ، ويمكن دمج هذه النماذج مع التقنيات المذكورة عن طريق استخدام تقنيات التعلم الآلي المختلفة ، مثل تعلم الآلة والشبكات العصبية الاصطناعية ، ولكن قبل دمج هذه النماذج يجب أولاً فهم كيفية عمل كل منها بشكل منفصل ، ثمّ يمكن إنشاء نموذج متكامل يمكنه تحليل البيانات الاقتصادية وتوقّع المستقبل ، إذ يمكن استخدام التعلم الآلي على سبيل المثال لتحليل البيانات الاقتصادية الكبيرة والمعقّدة والحصول على معلومات قيّمة عن الاتجاهات والأنماط في الاقتصاد ، علاوة على ذلك ، يمكن استخدام الشبكات العصبية الاصطناعية لتحسين نماذج الاقتصاد القياسي ويمكن أيضاً استخدام التعلم العميق لتحليل البيانات الاقتصادية التي تتعلق  بالعملات والأسهم والمؤشّرات الاقتصادية الأخرى ، ومن أكثر الخوارزميات شيوعاً واستخداماً في تحليل البيانات الاقتصادية هي :-

إذ يمكن استخدام هذه الخوارزميات والتحليلات بشكل منفصل أو مشترك لتحليل البيانات الاقتصادية والحصول على رؤى قيّمة حول الاتجاهات الاقتصادية والتنبؤ بالمستقبل ، ومن الأمثلة العملية للبيانات الاقتصادية التي يمكن تحليلها وتفسيرها بواسطة هذه الخوارزميات الذكية هي أسعار الصرف حيث يمكن استخدام هذه الخوارزميات لتحليل تأثير تغيّرات سعر الصرف (Exchange Rate) على الاقتصاد وتوقّع الاتجاهات المستقبلية للعملات ، وكذلك بالإمكان إستخدام هذه التقنيات للتنبؤ بتغيّرات الأسهم (Stocks) وتوقّع الاتجاهات المستقبلية للأسواق المالية ، وأيضاً  يمكن استخدام هذه الخوارزميات لتحليل بيانات النفطية (Oil Data) والتنبؤ الدقيق  لأسعار النفط ، وكذلك الناتج المحلي الإجمالي (GDP) إذ يمكن استخدام هذه الخوارزميات لتحليل بيانات الناتج المحلي الإجمالي ومقارناتها مع السنوات السابقة ، وبنفس الوقت يمكن لهذه الخوارزميات تحليل بيانات الفائدة والعوائد (Interest and Returns ) على الودائع والاستثمارات وتوقّعها مستقبلياً بشكل دقيق جداً ، ولا نستثني قدرتها في سوق العقارات لتحليل بياناته وتوقّع تغيير أسعاره ، وكذلك يمكن استخدامها لتفسير بيانات التجارة الدولية وتحديد الاتجاهات وأنماط التبادل التجاري الدولي .

وبنفس الوقت هناك تحدّيات أخرى يمكن مواجهتها عند استخدام تقنيات الذكاء الاصطناعي والنماذج الاقتصادية القياسية ، ومن بين هذه التحدّيات:–

1. جودة البيانات: فقد يعتمد أداء النماذج الاقتصادية القياسية والخوارزميات الذكاء الاصطناعي على جودة البيانات المستخدمة في تدريبها وتحليلها ، ولذلك فإنّ جودة البيانات يجب أن تكون عالية وموثوقة ومناسبة للغرض المطلوب.

2. قدرة التفسير: يعد فهم كيفية عمل النماذج الاقتصادية القياسية والخوارزميات الذكاء الاصطناعي أمراً مهمّاً في صناعة القرارات الاقتصادية ، ومع ذلك فإنّ بعض الخوارزميات الذكاء الاصطناعي قد تكون صعبة التفسير ، ممّا يجعل من الصعب فهم الأسباب التي أدّت إلى النتائج المستخرجة.

3. التنبؤ بالمستقبل: يمكن أن تواجه التقنيات المستخدمة في الاقتصاد تحدّيات في التنبؤ بالمستقبل ، حيث يمكن أن تؤدّي التغيّرات السريعة في الأسواق والتطوّرات الاجتماعية والسياسية إلى عدم القدرة على التنبؤ الاقتصادي بصورة دقيقة .

4. قضايا الأمان والخصوصية: يجب أن تُتّخذ الإجراءات اللّازمة لحماية البيانات الحسّاسة وضمان عدم استخدامها بشكل خاطئ ، كما يجب ضمان أنّ البيانات المستخدمة في التحليل تتوافق مع القوانين واللوائح المحلية والدولية.

5. قدرة التطبيق: يمكن أن تواجه التقنيات المستخدمة في الاقتصاد تحدّيات في القدرة على التطبيق الفعال ، فعلى سبيل المثال يمكن أن تحتاج بعض الخوارزميات الذكاء الاصطناعي إلى موارد حاسوبية ضخمة أو تطوير مهارات جديدة لدى المستخدمين.

وهناك العديد من الأمثلة العملية لاستخدام تقنيات الذكاء الاصطناعي والنماذج الاقتصادية القياسية في العديد من المجالات، ومن بين هذه الأمثلة:

1. التنبؤ بالطلب:- يمكن استخدام النماذج الاقتصادية القياسية والخوارزميات الذكاء الاصطناعي للتنبؤ بالطلب على المنتجات أو الخدمات في المستقبل ، وبالتالي مساعدة الشركات أو المؤسّسات الانتاجية في تحديد كمّيات الإنتاج ومستويات المخزون المطلوبة.

2. تحليل البيانات المالية:- وتساعد في تحليل البيانات المالية والتنبؤ بأداء الأسهم والأسواق المالية.

3. تحسين عمليات التصنيع:- إذ بإمكان هذه التقنيات تحسين عمليات التصنيع وتقليل التكاليف مع زيادة الطاقات الإنتاجية.

4. تحسين خدمات العملاء:- وعلى سبيل المثال تحسين نظام التوصية للمستهلكين على أساس سلوكهم السابق وتفضيلاتهم.

5. تحليل المخاطر:- فقد أكّدت الدراسات أنّ تقنيات الذكاء الاصطناعي بإسخدام الخوارزميات الذكية الحديثة يمكنها تحليل المخاطر المحتملة واعطاء الطرق الاقتصادية السليمة لتجنب الوقوع في مشاكل عدم التوقّع السليم مع إستنتاج توصيات للمستثمرين والشركات لتقليل نسبة المخاطرة .

وفي الختام، يمكن القول بأنّ دمج نماذج الاقتصاد القياسي مع خوارزميات الذكاء الاصطناعي يمثل خطوة مهمّة في تحسين الأداء الاقتصادي وصناعة القرارات الاقتصادية  ، ممّا قد يؤدي إلى وضع الاقتصاد على سكّة الاستقرار وتعزيز الكفاءة الانتاجية  وتحقيق النمو الاقتصادي المستدام.

Source:

1. E.S.Emmanuel , el.at , Handbook research on Machine learning Applications in Economics , 1^st Edition , IGI Global , U.S.A , 2021.
2. Tshilidzi Marwala , Artificial Intelligence and Economic Theoty , 1^st Edition , Springer , U.S.A , 2020.