Evaluation of Policy-Relevant Forecasting Advantage of Machine and Deep Learning Models over Classical Econometrics: Evidence from Ghanaian Headline Inflation
تُظهر هذه الدراسة أنه للتنبؤ بمعدل التضخم الإجمالي في غانا خلال فترة من التقلبات الهيكلية، يتفوق نموذج ARIMA البسيط على مناهج التعلم الآلي والتعلم العميق المعقدة، مما يشير إلى أن استغلال الاستمرارية العالية للتضخم أكثر فعالية من الاعتماد على المرونة الوظيفية عند مواجهة تحولات في النظم.
المؤلفون الأصليون:Isaac Nyame, Baffour Osei, Abigail Boatemaa, Gabriel Osei Forkuo
تخيل أنك تحاول تخمين حالة الطقس للأسبوع القادم. لديك أداتان في صندوق أدواتك. الأداة الأولى هي قاعدة بسيطة وقديمة الطراز: "إذا أمطرت بالأمس، فمن المحتمل أن تمطر اليوم". هذه هي الطريقة "الكلاسيكية" في التفكير، والتي تعتمد على الأنماط التي رأيتها تتكرر مراراً وتكراراً. الأداة الثانية هي عقل حاسوبي فائق التعقيد وعالي التقنية، قد قرأ كل كتب الطقس المكتوبة ويمكنه رصد أنماط غير مرئية ومتعرجة في السحب لا يمكن لأي إنسان رؤيتها. هذا هو أسلوب "تعلم الآلة". لسنوات، افترض الكثير من الناس أن العقل الحاسوبي فائق التعقيد سيفوز دائماً لأنه ذكي ومرن للغاية. ولكن ماذا لو تغير الطقس بطريقة لم يسبق للحاسوب أن رآها من قبل؟ ماذا لو ضربت عاصفة هائلة تكسر كل القواعد القديمة؟ هذا هو السؤال الكبير الذي تعالجه هذه الدراسة. إنها تسأل: عندما تصبح الأمور مجنونة وغير متوقعة، هل يقوم العقل الحاسوبي الجديد والمتطور بعمل أفضل حقاً من القاعدة البسيطة والثابتة؟ هذا الأمر لا يتعلق بالطقس فحسب؛ بل يتعلق بالتنبؤ بشيء يؤثر على محفظة الجميع: وهو مقدار ارتفاع الأسعار، ما يعرف بالتضخم.
هذه الورقة البحثية تشبه مسابقة طبخ عالية المخاطر لمعرفة من يمكنه التنبؤ بأسعار المواد الغذائية في غانا بشكل أفضل. وضع الحكام اختباراً صعباً للغاية: فقد طلبوا من تسعة "طهاة" مختلفين (وهم في الواقع نماذج حاسوبية) التنبؤ بمعدل التضخم لفترة زمنية مدتها 42 شهراً تضمنت طفرة هائلة وصادمة في الأسعار. كان الهدف هو معرفة ما إذا كان الطهاة الفاخرون والمتطورون الذين يستخدمون تعلم الآلة يمكنهم التفوق على الطهاة البسيطين والكلاسيكيين الذين يستخدمون الرياضيات التقليدية.
كانت النتائج مفاجأة كبيرة. وجدت الورقة أن الطاهي البسيط والقديم هو الذي فاز. وتحديداً، فإن نموذجاً يسمى ARIMA (وهو مجرد اسم فخم لنموذج ينظر إلى كيفية تحرك الأسعار في الماضي) توقع أسعار المستقبل بأقل نسبة خطأ، حيث أخطأ في التقدير بمتوسط 2.41 نقطة مئوية. لقد كان أفضل قليلاً من أبسط تخمين ممكن (وهو مجرد افتراض أن سعر الشهر القادم سيكون هو نفسه سعر الشهر الماضي)، وتفوق على كل نماذج تعلم الآلة الفاخرة.
أما النماذج الفاخرة، مثل XGBoost والشبكات العصبية، فقد كانت مثل الطلاب الذين حفظوا الكتاب المدرسي بدقة لكنهم رسبوا في الامتحان عندما تغيرت الأسئلة. خلال مرحلة التدريب، بدا أداؤهم مذهلاً، حيث حصلوا على درجات شبه مثالية. ولكن عندما جاء الاختبار الحقيقي — خلال طفرة التضخم في 2022-2023 حيث قفزت الأسعار من حوالي 10 بالمائة إلى أكثر من 50 بالمائة — تعثرت هذه النماذج المعقدة بشدة. لقد حاولت البحث عن أنماط معقدة لم تكن موجودة، وهو خطأ يسمى "الفرط في التخصيص" (overfitting)، وانتهى بها الأمر بأخطاء أكبر بكثير، حيث أخطأت بعضها في التقدير بنسبة تصل إلى 9.04 نقطة مئوية أو أكثر.
يوضح المؤلفون أن هذا حدث لأن التضخم في غانا "لزج" أو مستمر للغاية؛ فهو يميل إلى الاستمرار في التحرك في نفس الاتجاه الذي كان يسير فيه بالفعل. النماذج البسيطة مبنية لركوب هذا الزخم، بينما حاولت النماذج المعقدة الإفراط في التفكير مما أدى إلى ارتباكها عندما تغير اتجاه الاقتصاد فجأة. تشير الدراسة إلى أنه بالنسبة لبنك مركزي يحاول إدارة الاقتصاد، فإن التمسك بالنموذج الموثوق والشفاف والبسيط هو في الواقع الخطوة الأذكى بدلاً من مطاردة أحدث التقنيات الأكثر بريقاً، خاصة عندما لا تكون البيانات ضخمة بما يكفي لتعليم النماذج المعقدة كيفية التعامل مع الأزمات. وبينما قد تكون النماذج المعقدة مفيدة يوماً ما إذا كان لدينا المزيد من البيانات أو أدوات مختلفة، إلا أن النهج البسيط والثابت هو البطل في الوقت الحالي.
ملخص تقني: تقييم التنبؤ ذي الصلة بالسياسات في غانا
بيان المشكلة تتناول هذه الدراسة سؤالاً جوهرياً للبنوك المركزية التي تعمل ضمن أنظمة استهداف التضخم في الاقتصادات الصغيرة والمفتوحة والمعرضة للسلع الأساسية: هل تقدم نماذج تعلم الآلة (ML) والتعلم العميق (DL) الحديثة ميزة تنبؤية حقيقية مقارنة بالنماذج القياسية الاقتصادية الكلاسيكية فيما يتعلق بالتضخم الأساسي؟ وبينما يفترض الأدب العلمي غالباً أن المرونة العالية للنماذج تترجم إلى دقة تنبؤية فائقة، فإن هذا الافتراض لم يتم اختباره بصرامة في حالة التضخم الأساسي في غانا تحت ظروف صارمة وخالية من تسرب البيانات تشمل انكساراً هيكلياً حقيقياً. ويتمثل السياق المحدد في طفرة التضخم في غانا خلال عامي 2022-2023، حيث ارتفع التضخم السنوي من حوالي 10% إلى ذروة تجاوزت 50%، مدفوعاً بانخفاض قيمة العملة، والضغوط المالية، وصدمات السلع العالمية. وتكمكم التحدي في التنبؤ عبر هذه التقلبات الشديدة، وهو سيناريو تكون فيه التنبؤات الدقيقة في غاية الأهمية للسياسة النقدية، ولكن حيث تتعرض فيه النماذج لأقصى درجات الاختبار.
المنهجية قام المؤلفون ببناء مصفوفة تنبؤ صارمة لخطوة واحدة للأمام باستخدام 230 شهراً من البيانات (يناير 2000 – أبريل 2023) من بنك غانا، تغطي 24 متغيراً اقتصادياً كلياً ونقدياً تشمل أسعار الفائدة، والمجاميع النقدية، وأسعار السلع الدولية.
نزاهة البيانات والتحكم في التسرب: تم تطبيق بروتوكول هندسة ميزات صارم لضمان عدم تسرب البيانات. تعكس كل ميزة في مصفوفة الميزات المعلومات المتاحة حصرياً قبل شهر واحد من الهدف المراد التنبؤ به (t−1). ويشمل ذلك المستويات المتأخرة/مستويات اللوغاريتم للمتغيرات، والمتوسطات المتحركة للمستهدف المحسوبة من t−3 إلى t−1، والشهور التقويمية. ولم تُستخدم أي متغيرات مستقلة متزامنة أو معلومات استشرافية.
التقسيم الزمني: تم تقسيم البيانات زمنياً دون خلط إلى ثلاث نوافذ غير متداخلة:
التدريب (200 شهر): فبراير 2001 – سبتمبر 2017. استُخدمت لضبط النموذج واختيار المعلمات الفائقة عبر التحقق المتقاطع "المشي للأمام" (walk-forward) بخمس طيات.
التحقق (24 شهراً): أكتوبر 2017 – سبتمبر 2019. استُخدمت فقط لمقارنة النماذج المرشحة على بيانات غير مرئية.
الاختبار (42 شهراً): أكتوبر 2019 – أبريل 2023. تم لمسها مرة واحدة فقط بعد اختيار النموذج. تم اختيار هذه النافذة عمداً لتشمل طفرة التضخم 2022-2023، لتكون بمثابة "اختبار ضغط" بدلاً من فترة استقرار.
طريقة النواة: انحدار متجه الدعم (SVR) مع نواة دالة الشعاع الأساسي (RBF).
التعلم العميق: شبكة عصبية أمامية ضحلة (MLP) ذات طبقة مخفية واحدة. (ملاحظة: تم استبعاد البنى الأكثر تعقيداً مثل LSTMs عمداً بسبب حجم العينة المتواضع البالغ 200 شهر تدريب، مما قد يؤدي إلى الإفراط في التخصيص/Overfitting).
مقايسات التقييم: تم ترتيب الأداء أساساً بناءً على جذر متوسط مربع الخطأ (RMSE) في مجموعة الاختبار، مدعوماً بمتوسط الخطأ المطلق (MAE)، ومتوسط نسبة الخطأ المطلق (MAPE)، ومعامل التحديد (R2). وتم تقييم الدلالة الإحصائية للفروق باستخدام اختبارات ديبولد-ماريانو (Diebold–Mariano).
النتائج الرئيسية على عكس الافتراض بأن النماذج المرنة هي التي تهيمن، وجدت الدراسة أن النموذج المرجعي الكلاسيكي ARIMA(3,1,0) حقق أدنى جذر لمتوسط مربع الخطأ (RMSE) في مجموعة الاختبار (2.41 نقطة مئوية)، متفوقاً بفارق ضئيل على السير العشوائي (2.65) ولاسو (3.41).
التسلسل الهرمي للأداء: أخفقت كل نماذج تعلم الآلة غير الخطية (Ridge, Random Forest, XGBoost, SVR, والشبكة العصبية) في التفوق على النماذج المرجعية خارج العينة. وكان النموذج الساذج الموسمي هو الأسوأ أداءً (RMSE 15.08)، مما يعكس غياب الموسمية البسيطة لمدة 12 شهراً خلال فترة الطفرة.
الدلالة الإحصائية: كشفت اختبارات ديبولد-ماريانو أن تفوق ARIMA على السير العشوائي ولاسو لم يكن ذا دلالة إحصائية (p>0.05). ومع ذلك، كان تفوق ARIMA على جميع النماذج غير الخطية الأخرى ذا دلالة إحصائية.
تشخيص الإفراط في التخصيص (Overfitting): لوحظ تباين صارخ بين أداء التدريب وأداء الاختبار للنماذج المرنة. فعلى سبيل المثال، حقق XGBoost جذر متوسط مربع خطأ (RMSE) شبه مثالي في التدريب (0.03) ولكنه تدهور إلى 9.04 في الاختبار. وبالمثل، أظهرت الغابة العشوائية فجوة كبيرة (0.83 إلى 7.58). يشير هذا إلى أن هذه النماذج قامت بحفظ الخصائص الفريدة لفترة التدريب بدلاً من تعلم الهياكل القابلة للتعميم.
التعامل مع الانكسار الهيكلي: خلال طفرة التضخم 2022-2023، تتبع نموذجا ARIMA والسير العشوائي مسار التضخم الفعلي بشكل وثيق، مع تأخر طفيف فقط عن الارتفاع الحاد. وفي المقابل، ابتعدت نماذج تعلم الآلة عن المسار، وغالباً ما قللت من تقدير الذروة (على سبيل المثال، توقع نموذج Lasso نسبة 45.7% مقابل 54.1% الفعلية في ديسمبر 2022).
المساهمات الرئيسية
الصرامة المنهجية: أرست الدراسة تصميماً للتنبؤ بخطوة واحدة للأمام لخلوه من تسرب البيانات في حالة التضخم بغانا، حيث يستبعد بصرامة المعلومات المتزامنة ويستخدم التحقق المتقاطع "للمشي للأمام"، مما يعالج فجوة في الأدبيات السابقة التي اعتمدت غالباً على التفكيك داخل العينة أو فترات الاحتفاظ المواتية.
اختبار الضغط العدائي: من خلال تقييم النماذج تحديداً عبر طفرة التضخم 2022-2023، توفر الدراسة دليلاً على كيفية أداء النماذج أثناء انكسار هيكلي حقيقي، بدلاً من فترات الاستقرار الاقتصادي.
الأدلة التجريبية على تعقيد النماذج: تقدم الورقة دليلاً قوياً على أنه بالنسبة للسلاسل الزمنية شديدة الاستمرار مثل التضخم الأساسي في سياق عينة صغيرة (200 شهر تدريب)، فإن النماذج الأبسط والمقيدة (ARIMA، السير العشوائي) تتدهور بشكل أكثر سلاسة تحت الضغط مقارنة بالنماذج عالية القدرة والمرنة المعرضة للإفراط في التخصيص.
الأهمية والادعاءات يدعي المؤلفون أن هذا اكتشاف حقيقي وذي صلة بالسياسات وليس مجرد فشل في تحديد المواصفات. ويجادلون بأن التضخم الأساسي يتسم باستمرار عالٍ، وأن النماذج التي تستغل هذا الاستمرار بشكل أفضل (ARIMA، السير العشوائي) تتفوق على تلك التي تمتلك مرونة وظيفية أكبر عند مواجهة انكسار هيكلي.
الآثار السياساتية: بالنسبة لبنك غانا والمؤسسات المماثلة، تشير الدراسة إلى أن التنبؤ التشغيلي لا ينبغي أن يكتفي تلقائياً بالاعتماد على أكثر الطرق تطوراً المتاحة. إذ يظل نموذج ARIMA جيد التحديد، وشفاف، ومنخفض التكلفة، خياراً أولياً متفوقاً للتنبؤ بالتضخم بخطوة واحدة للأمام مقارنة ببدائل تعلم الآلة المختبرة.
دور تعلم الآلة: لا يدعي المؤلفون أن تعلم الآلة ليس له دور، بل يقترحون استخدامه كفحص عرضي مساعد أو كمدخل لمجموعة (ensemble) بدلاً من أن يكون مولداً رئيسياً للتنبؤ. ويرون أن تعلم الآلة قد يضيف قيمة إذا طُبق على مجموعات ميزات أغنى وأعلى تردداً، أو بنيات مدركة للأنظمة (regime-aware)، أو نماذج هجينة تجمع بين مكونات الاتجاه الكلاسيكية وبواقي (residuals) تعلم الآلة.
القيود: يضع المؤلفون قيوداً على استنتاجاتهم، مشيرين إلى أن حجم العينة متواضع للتعلم العميق، وأن مجموعة الميزات محدودة بالإحصاءات المنشورة (باستثناء التوقعات الاستقصائية أو البيانات النصية)، وأن التقييم ركز على التنبؤات النقطية بدلاً من كثافة التوزيع أو معايرة الفترات. كما يقرون بأن نتائجهم تنطبق تحديداً على الشبكة العصبية الضحلة المختبرة وقد لا تعمم على جميع بنيات التعلم العميق أو مكونات التضخم المختلفة (مثل التضخم الغذائي أو الأساسي).