Modeling and Forecasting Meat Production in Somalia, 1961–2024: A Comparative Analysis of Single and Hybrid Time Series Models

تخيل أنك تحاول التنبؤ بالطقس للعام القادم. تنظر إلى السحب، والرياح، ودرجة الحرارة من العقود القليية الماضية. في عالم العلوم، يسمى هذا التنبؤ بالسلاسل الزمنية. إنه فن استخدام البيانات الماضية لتخمين ما سيحدث لاحقًا. ولكن إليك الجزء الصعب: أحيانًا لا يكون الماضي مجرد خط مستقيم. أحيانًا، تؤثر عاصفة كبيرة حدثت قبل عشر سنوات على التربة اليوم، أو يجعل تغيير مفاجئ في السوق النمط بأكلى يلتوي وينعطف بطرق لا يمكن لمسطرة بسيطة قياسها. يستخدم العلماء أدوات رياضية خاصة للتعامل مع هذه الالتواءات. بعض هذه الأدوات تشبه المساطر المستقيمة (جيدة للاتجاهات الثابتة)، بينما البعض الآخر يشبه الأربطة المطاطية المرنة أو حتى الحواسيب الذكية التي يمكنها التعلم من الأنماط الفوضوية والمضطربة.

لماذا يهتم أي شخص بهذا؟ لأن التخمين الخاطئ قد يكون مكلفًا أو حتى خطيرًا. إذا خمن بلد ما أنه سيكون لديه وفرة من الغذاء ولكنه نفد، فقد يتضور الناس جوعًا. وإذا خمن أن لديه الكثير، فقد يهدر المال. الصومال، وهو بلد في القرن الأفريقي، يعتمد بشكل كبير على مواشيه — الأغنام والماعز والإبل والأبقار — لإطعام شعبه والبيع لدول أخرى. لكن طقسهم جامح، وتاريخهم مليء بالتقلبات الكبيرة. لذا، فإن معرفة كيفية التنبؤ بإنتاج اللحوم لديهم ليست مجرد لغز رياضي؛ بل هي شريان حياة للأمن الغذائي.

---

مسابقة التنبؤ الكبرى باللحوم

في هذه الدراسة، قرر فريق من الباحثين من جامعة أمود عقد "مسابقة تنبؤ" ضخمة لمعرفة أي أداة رياضية يمكنها التنبؤ بأفضل شكل بإنتاج اللحوم في الصومال. لم يكتفوا باختيار أداة واحدة والأمل في الأفضل. بد instead، جمعوا 19 نموذجًا مختلفًا للتنبؤ ووضعوهم في مواجهة مباشرة. فكر في الأمر كأنه سباق حيث بعض العدائين هم عدّاءون سريعون (مرحلة السرعة والبساطة)، وبعضهم عداءو ماراثون (ثبات ومسافات طويلة)، وبعضهم فريق تتابع يعمل معًا.

البيانات التي استخدموها كانت كنزًا: 64 عامًا من التاريخ، تمتد من 1961 إلى 2024. هذا وقت طويل لمراقبة نمو مواشي البلاد، وانكماشها، وتعافيها. لقد قسموا هذه البيانات إلى كومتين: كومة "التدريب" (1961-2012) لتعليم النماذج، وكومة "الاختبار" (2013-2024) لمعرفة ما إذا كانت النماذج قادرة بالفعل على تخمين المستقبل بشكل صحيح.

المتنافسون: البسيط مقابل الذكي مقابل الهجين

اختبر الباحثون نوعين رئيسيين من النماذج:

1. النماذج الفردية: هذه أدوات فردية. بعضها مثل ARIMA، وهو ممتاز في رصد الخطوط المستقيمة والاتجاهات الثابتة. وأخرى مثل NNAR (الارتباط الذاتي للشبكة العصبية)، وهو بمثابة حاسوب ذكي يمكنه رصد الأنماط المعقدة والمتعرجة التي قد يغفل عنها البشر. كان هناك أيضًا ARFIMA، وهي أداة خاصة مصممة لتذكر الأشياء من زمن بعيد.
2. النماذج الهجينة: كانت هذه هي "الفرق الخارقة". حاول الباحثون دمج أدوات مختلفة، مثل خلط متتبع الخط المستقيم مع عقل باحث عن الأنماط، آملين أن تلغي أفضل أجزاء كل منهما نقاط ضعف الآخر.

المفاجأة الكبرى: الفائز بـ "الذاكرة الطويلة"

عندما بدأ السباق، كانت النتائج رائعة. حاولت النماذج البسيطة ذات الخط المستقيم (مثل ARIMA القياسي) تخمين المستقبل عبر رسم خط عبر الماضي فقط. لكن تاريخ الصومال فوضوي. كانت هناك حروب أهلية، وجفاف رهيب، وتعافٍ مفاجئ. ارتبكت النماذج البسيطة وخمنت أن إنتاج اللحوم سيستمر في الارتفاع للأبد، وهو ما لم يتوافق مع الواقع.

تبين أن الأبطاء الحقيقيين هم أولئك الذين فهموا الذاكرة والتعقيد.

• أفضل نموذج فردي: حصل نموذج ARFIMA على الميدالية الذهبية. لقد كان دقيقًا للغاية، بمعدل خطأ قدره 2.17% فقط. لماذا؟ لأنه فهم أن إنتاج اللحوم في الصومال لديه "استمرارية ذاكرة طويلة". وهذا يعني أن صدمة من سنوات مضت (مثل جفاف هائل) لا تختفي ببساطة؛ بل تترك ندبة تؤثر على الإنتاج لفترة طويلة. كان ARFIMA هو النموذج الوحيد الذي استطاع "تذكر" هذه الندبات القديمة وتعديل تخميناته بناءً عليها.
• أفضل فريق هجين: من بين الفرق المختلطة، كان مزيج ARIMA–NNAR هو الفائز، بمعدل خطأ قدره 8.10%. لقد نجح في دمج القدرة على رؤية الاتجاهات المستقيمة مع القدرة على التعامل مع الالتواءات غير الخطية الفوضوية للبيانات.

ومن المثير للاهتمام، وجد الباحثون أن رمي المزيد من النماذج معًا لم يجعل الفريق دائمًا أفضل. بعض الفرق الهجينة الأكثر تعقيدًا كان أداؤها في الواقع أسوأ من النماذج الفردية الأبسط والأذكى. اتضح أنه في بعض الأحيان، يكون الخبير المتخصص (مثل ARFIMA) أفضل من لجنة من المخمنين المتوسطين.

ماذا تظهر الكرة البلورية؟

باستخدام هذه النماذج الفائزة، نظر الباحثون إلى المستقبل في الأعوام من 2025 إلى 2036. المستقبل الذي يرونه ليس خطًا مستقيمًا نحو النجوم.

• يشير نموذج ARFIMA إلى أن الإنتاج سينخفض ببطء، ليستقر بين 171,794 و 182,522 وحدة.
• يشير الهجين ARIMA–NNAR إلى أنه سيبقى مستقرًا نسبيًا، محلقًا حول نفس تلك الأرقام.

يتفق كلا النموذجين على أمر واحد بالغ الأهمية: من المرجح أن يظل إنتاج اللحوم في الصومال أقل بكثير من ذروته التاريخية في عام 2005، والتي كانت أكثر من 208,000 وحدة. تشير البيانات إلى أن الطريقة التقليدية لتربية المواشي ربما وصلت إلى "سقف" — وهو حد لا يمكن للأرض والمناخ دعمه بنمو أكبر دون مساعدة.

لماذا هذا مهم؟

تخلص الورقة البحثية إلى أنه لا يمكننا الاعتماد فقط على الطرق القديمة في التخمين. "فجوة التنبؤ" — الفرق بين ما نعتقد أنه سيحدث وما يحدث بالفعل — تحتاج إلى سدها بأدوات أفضل. تقترح الدراسة أن الصومال بحاجة إلى الانتقال من رد الفعل المذعور (إصلاح المشكلات بعد وقوع الجفاف) إلى التخطيط الاستباقي. ومن خلال استخدام هذه النماذج المتقدمة القائمة على البيانات، يمكن لصناع السياسات رؤية "الذاكرة الطويلة" للأرض والاستعداد للصدمات قبل حدوثها.

يؤكد الباحثون بحذر أن هذا ليس عصا سحرية. فتغير المناخ وعدم الاستقرار السياسي هي أوراق رابحة جامحة لا يمكن لأي نموذج رياضي التنبؤ بها تمامًا. ولكن باستخدام أدوات مثل ARFIMA والفرق الهجينة، فقد بنوا خريطة أقوى للإبحار في المستقبل. إنه تذكير بأنه في عالم من الفوضى، أحيانًا تكون أفضل طريقة لرؤية المستقبل هي الاستماع بتمعن إلى أصداء الماضي.