📈 economics

Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice

تقترح هذه الورقة محولاً ذا مرحلتين يصحح التناقضات الاقتصادية للنماذج التأسيسية للبيانات الجدولية من خلال دمج تنبؤاتها ضمن إطار تعظيم المنفعة، مما يحقق دقة فائقة في مهام الاختيار المنفصل مع ضمان علاقات سعر-طلب صالحة نظرياً.

المؤلفون الأصليون: Yingshuo Wang, Xian Sun, Yanhang Li, Zhichao Fan, Zexin Zhuang

نُشر 2026-05-27

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yingshuo Wang, Xian Sun, Yanhang Li, Zhichao Fan, Zexin Zhuang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنبؤ بنوع وسيلة المواصلات التي سيختارها شخص ما لرحلته، سواء كانت حافلة أو قطاراً أو سيارة. لديك أداتان لمساعدتك:

١. الخبير الاقتصادي: نموذج تقليدي يتبع قواعد صارمة للسلوك البشري. هو يعلم أنه إذا رفعت سعر التذكرة، فسيشتري عدد أقل من الناس تذكرة. إنه موثوق، لكنه أحياناً يكون "غبياً" بعض الشيء ويفوت الأنماط الدقيقة في البيانات، مما يؤدي إلى تنبؤات أقل دقة.

٢. الذكاء الاصطناعي فائق الذكاء: "نموذج تأسيسي" ضخم تم تدريبه على ملايين مجموعات البيانات المختلفة. إنه ذكي للغاية ويمكنه رصد الأنماط المعقدة التي يفتقدها الخبير. ومع ذلك، لديه عيب رئيسي: فهو لا يفهم المنطق الأساسي. أحياناً، يتنبأ بأنه إذا جعلت تذكرة الحافلة أغلى ثمناً، فسيشتريها عدد أكبر من الناس. بل قد يقترح أن الناس سيدفعون مالاً مقابل الانتظار لفترة أطول في الازدحام المروري.

المشكلة
تجادل الورقة البحثية بأنه بينما يعد الذكاء الاصطائي فائق الذكاء رائعاً في تخمين الماضي، إلا أنه خطير عند التخطيط للمستقبل. فإذا استخدم مخطط مدينة هذا الذكاء الاصطناعي لتحديد أسعار الحافلات الجديدة، فإن تنبؤات الذكاء الاصطناعي غير المنطقية قد تؤدي إلى قرارات كارثية (مثل رفع الأسعار وتوقع زيادة الركاب).

الحل: "المحول ذو المرحلتين" (Two-Stage Adapter)
يقترح المؤلفون حلاً ذكياً يجمع بين أفضل ما في العالمين. فكر في الأمر كتوظيف مهندس معماري خبير ومتدرب مبدع لتصميم مبنى.

المرحلة ١: المهندس المعماري الخبير (الخبير الاقتصادي)
أولاً، يتم توظيف المهندس المعماري الخبير لوضع الأساس. هذا المهندس يتبع أكواد بناء صارمة (القوانين الاقتصادية). هو يقرر الهيكل الأساسي: "إذا أضفنا طابقاً، سيصبح المبنى أطول. إذا أزلنا جداراً، سيصبح المبنى أضعف". هو يضمن أن الرياضيات سليمة والمنطق مثالي. في هذه المرحلة، يكون المبنى آمناً ولكنه قد يكون بسيطاً جداً.
المرحلة ٢: المتدرب المبدع (الذكاء الاصطناعي)
بعد ذلك، يتم إحضار المتدرب المبدع. يُسمح للمتدرب بإضافة الزخارف، وطلاء الجدران، وتعديل التفاصيل لجعل المبنى يبدو تماماً مثل صور المباني الحقيقية التي رآها المتدرب. ومن الضروري ألا يلمس المتدرب الأساس أو الجدران الحاملة.

كيف يعمل ذلك
النموذج النهائي هو نموذج هجين:

الأساس (عمل المهندس المعماري الخبير) يضمن أنه إذا رفعت السعر، سينخفض الطلب. كما يضمن أن "قيمة الوقت" (مدى كره الناس للانتظار) هي قيمة موجبة وواقعية.
الزخارف (عمل المتدرب) تستخدم تنبؤات الذكاء الاصطناعي فائقة الذكاء لضبط الدقة، مما يسمح بالتقاط التفاصيل الفوضوية والواقعية التي فاتت المهندس المعماري الخبير.

النتائج
اختبرت الورقة البحثية هذا النموذج على بيانات نقل حقيقية (مثل قطارات سويسرا وحافلات لندن):

الذكاء الاصطناعي الخام: كان دقيقاً جداً ولكنه خرق القوانين الاقتصادية (تنبأ بأن ارتفاع الأسعار = زيادة الركاب).
الخبير التقليدي: اتبع القوانين الاقتصادية بدقة ولكنه كان أقل دقة.
المحول الهجين: حصل على أفضل ما في كليهما. لقد كان دقيقاً تقريباً مثل الذكاء الاصطناعي الخام (استعاد ما يصل إلى ١٣ نقطة مئوية من الدقة مقارنة بالنموذج التقليدي) مع الحفاظ على منطق اقتصادي بنسبة ١٠٠٪.

باخت-صار
تظهر الورقة البحثية أنه يمكنك استخدام ذكاء اصطناعي قوي و"صندوق أسود" لتحسين التنبؤات، ولكن يجب عليك وضعه داخل "قفص منطقي" مبني من النظرية الاقتصادية التقليدية. هذا يضمن أن الذكاء الاصطناعي يساعدك في التنبؤ بـ ماذا سيحدث، دون أن يبتكر سيناريوهات مستحيلة حول لما يحدث، والتي قد تدمر قرارات السياسة العامة.

ملخص تقني: تدقيق وإصلاح الصلاحية الاقتصادية في النماذج التأسيسية الجدولية للاختيار المنفصل

1. بيان المشكلة

أظهرت النماذج التأسيسية الجدولية (TFMs)، مثل TabPFN وMitra، دقة تنبؤية فائقة في مهام الاختيار المنفصل مقارنة بالنماذج الاقتصادية القياسية التقليدية مثل نموذج اللوجيت متعدد الحدود (MNL). ومع ذلك، توجد فجوة حرجة بين الأداء التنبئي والصلاحية الاقتصادية؛ فبينما تتفوق هذه النماذج في التعرف على الأنماط، فإن تنبؤاتها غالبًا ما تنتهك المنطق الاقتصدي الأساسي المطلوب لتقييم السياسات:

انتهاكات الرتابة (Monotonicity): زيادة سعر (أو تكلفة) بديل ما تؤدي أحيانًا إلى زيادة احتمالية الطلب المتوقعة عليه.
عدم معقولية القيمة مقابل الوقت (WTP): تقديرات "قيمة الوقت" (VOT) المستمدة تكون غالبًا سالبة أو أقل بعدة مراتب من المعايير المعتمدة، مما يعني أن المسافرين يفضلون رحلات أطول وأكثر تكلفة.
عدم الامتثال للتوافر (Availability): تخصص النماذج احتمالات غير صفرية للبدائل التي هي غير متاحة فعليًا.

تفشل الحلول القياسية مثل "تقطير المعرفة" (تدريب نموذج MNL على التسميات الناعمة لـ TFM) لأن البنية المنفعية الخطية لـ MNL لا يمكنها استيعاب الأنماط غير الخطية التي تمنح نماذج TFM ميزتها في الدقة، مما يؤدي إلى "عنق زجاجة" حيث تُفقد الدقة دون إصلاح العيوب الهيكلية بشكل كامل.

2. المنهجية: المُوائم السلوكي ثنائي المرحلة

يقترح المؤلفون مُوائمًا ثنائي المرحلة يدمج تنبؤات TFM ضمن إطار تعظيم المنفعة المقيد بالنظرية الاقتصادية. يُعرف النموذج المنفعة $V_k(x_i)$ للبديل $k$ بأنها مجموع مكون هيكلي وتصحيح من النموذج التأسيسي:

$V_k(x_i) = \underbrace{V_k^{struct}(x_i)}_{\text{الهيكل الاقتصادي}} + \underbrace{\alpha \log q_k(x_i) + g_k(q(x_i))}_{\text{تصحيح النموذج التأسيسي}}$

حيث أن:

$V_k^{struct}$ هو توصيف منفعة قياسي بمعاملات مقيدة (على سبيل المثال، معاملات الوقت والتكلفة مقيدة بأن تكون سالبة).
$q_k(x_i)$ هو الاحتمال المحسوب مسبقًا من TFM.
$\alpha$ هو وزن قياسي مُتعلم.
$g_k$ هي شبكة عصبية صغيرة ترسم متجه احتمالات TFM إلى تصحيح متبقي.

إجراء التدريب ثنائي المرحلة:
لمنع TFM من تشويه المعاملات الاقتصادية، يتم تدريب النموذج في مرحلتين متمايزتين:

المرحلة الأولى (التقدير الهيكلي): يتم تجميد حد التصحيح ( $\alpha=0, g_k=0$ ). يتم تدريب المعاملات الهيكلية فقط على البيانات الخام. وهذا يعادل ملاءمة نموذج MNL قياسي، مما يضمن أن المعاملات تعكس الأساسيات الاقتصادية البحتة (الحساسية للوقت/التكلفة) دون تأثير TFM.
المرحلة الثانية (تعلم التصحيح): يتم تجميد المعاملات الهيكلية. يتم تدريب $\alpha$ و $g_k$ فقط لتقليل الخسارة باستخدام تنبؤات TFM كمتغيرات تفسيرية إضافية.

الضمانات الاقتصادية:

الرتابة: من خلال تمثيل معاملات التكلفة/الوقت كـ $\beta = -\exp(\theta)$ ، يضمن النموذج رياضيًا أن $\beta < 0$ . وبما أن تصحيح TFM ثابت أثناء تحليل اضطراب السياسة، فإن التكالامل الأعلى تقلل المنفعة دائمًا.
القيمة التحليلية للوقت (VOT): يتم حساب قيمة الوقت تحليليًا كنسبة المعاملات الهيكلية ( $\beta_{time}/\beta_{cost}$ )، مما يتجنب مشكلات التفاضل العددي.
التوافر: يتم تخصيص $V_k = -\infty$ للبدائل غير المتاحة، مما يضمن احتمالية صفرية.

3. المساهمات الرئيسية

إطار التدقيق السلوكي: وضع البحث بروتوكولًا لتدقيق نماذج TFM من حيث الرتابة، ومعقولية VOT، والامتثال للتوافر، وكشف أن نماذج TFM الخام تفشل في هذه الاختبارات بشكل كبير (على سبيل المثال، 40-65% من تقديرات VOT سالبة).
بنية مبتكرة: تقديم مُوائم ثنائي المرحلة الذي يفصل بين الهيكل الاقتصادي والدقة التنبؤية، مما يسمح للنموذج بوراثة مكاسب الدقة من TFM مع الالتزام الصارم بالنظرية الاقتصادية.
التحقق التجريبي: إثبات أن هذا النهج يستعيد فجوة الدقة بين نماذج TFM ونماذج MNL دون التضحية بالصلاحية الهيكلية.

4. النتائج التجريبية

تم تقييم الطريقة على مجموعتي بيانات للنقل: Swissmetro (تفضيلات معلنة) و LPMC (تفضيلات كشف عنها من لندن).

Swissmetro:
- الدقة: حقق المُوائم (باستخدام Mitra أو TabPFN) دقة بنسبة 76.6%، مستعيدًا 13 نقطة مئوية فوق نموذج MNL القياسي (63.7%) ومقاربًا تقريبًا لنموذج TFM الخام (77.7–78.0%).
- الصلاحية: حقق 100% رتابة و 0% تسرب في التوافر.
- VOT: حافظ على قيمة ثابتة لـ VOT بلغت 79.7 فرنك سويسري/ساعة، بما يتماشى مع المعايير المنشورة، بينما أنتجت نماذج TFM الخام تقديرات غير معقولة (مثل 0.30 فرنك سويسري/ساعة).
LPMC:
- الدقة: حقق المُوائم دقة تتراوح بين 71.8–72.1%، بزيادة قدرها 2.0–2.3 نقطة مئوية عن نموذج MNL (69.8%).
- الصلاحية: حافظ على 100% رتابة وقيم VOT متسقة (1.76 جنيه إسترليني/ساعة للنقل العام، و18.3 جنيه إسترليني/ساعة للقيادة).
- المتانة: عبر 10 عينات فرعية، أظهر المُوائم باستمرار مكاسب دقة إيجابية (+2.2 ± 0.5 نقطة مئوية) مع رتابة مثالية.

5. الأهمية والادعاءات

يزعم البحث أن المُوائم يوفر مسارًا عمليًا لنشر النماذج التأسيسية في سياقات السياسات حيث تكون الاتساق الاقتصادي أمرًا غير قابل للتفاوض.

الأهمية السياسية: يعالج خطر نشر نماذج ذات علاقات عكسية بين السعر والطلب، مما قد يؤدي إلى قرارات خاطئة بشأن الاستثمارات في البنية التحتية وتحديد التعرفة.
القدرة على التعميم: لا تقت-صر الآلية على MNL؛ حيث يمكن استبدال المكون الهيكلي بنماذج لوجيت مختلطة، أو لوجيت متداخل، أو غيرها من نماذج الاختيار المقيدة، بينما تظل إجراءات التدريب ثنائية المرحلة قابلة للتطبيق.
النطاق المحدود: يقر المؤلفون بالقيود، مشيرين إلى أن التقييم يقتصر حاليًا على بيانات النقل ونموذجين من TFM. ويذكرون أن التوسع في مجالات ذات نظرية اقتصادية أقل استقرارًا (مثل الرعاية الصحية) يتطلب تصميمات تدقيق خاصة بالمجال. تم تصميم المُوائم ليتراجع تدريجيًا ليصبح نموذج MNL المستقل إذا كانت جودة TFM ضعيفة، بدلاً من إدخال أخطاء جديدة.