Spatio-temporal modelling of provincial Human Development Index in Indonesia: a comparison of six forecasting approaches
تقيم هذه الدراسة ستة نماذج مكانية-زمانية للتنبؤ بمؤشر التنمية البشرية على مستوى المقاطعات في إندونيسيا، ووجدت أن النهج المحلية البسيطة والنهج المعدلة حسب العناقيد تتفوق على بنيات التعلم العميق المعقدة في التنبؤات قصيرة المدى، لا سيما عند مراعاة التغييرات في الحدود الإدارية ومحدودية بيانات التدريب.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
غالباً ما يُختزل قياس مدى جودة حياة الناس في مكان معين في رقم واحد، وهو درجة تحاول استيعاب الصحة والتعليم والقدرة على تحمل تكاليف حياة كريمة. في إندونيسيا، يُسمى هذا الرقم "مؤشر التنمية البشرية"، ويتم حسابه لكل مقاطعة. وبالنسبة لمخططي الحكومة، فإن هذا الرقم هو أكثر من مجرد إحصائية؛ إنه بوصلة. فهو يخبرهم أين يحدث التقدم وأين يتوقف، ويوجه القرارات بشأن أماكن بناء المدارس أو المستشفيات أو الطرق. لكن البوصلة لا تكون مفيدة إلا إذا كانت تشير إلى الاتجاه الصحيح. فإذا تغيرت الخريطة نفسها بينما تحاول الملاحة، تصبح البوصلة مربكة. وهذا هو التحدي المركزي الذي يواجهه الباحثون الذين يدرسون إندونيسيا: فالبلاد تتطور بسرعة، لكن حدودها الإدارية تتغير أيضاً، مما يخلق هدفاً متحركاً لأي شخص يحاول التنبؤ بالمستقبل.
تكمن جوهر المشكلة في كيفية جمع البيانات. فعندما يتم تقسيم مقاطعة كبيرة إلى عدة مقاطعات أصغر، لم تعد أرقام المقاطعة الأصلية تمثل نفس المساحة الأرضية. قد تبدو القفزة المفاجئة في درجة التنمية وكأنها معجزة من التقدم، بينما هي في الواقع مجرد تغيير في حدود الخريطة. وهذا يجعل من الصعب للغاية معرفة ما إذا كانت المنطقة تتحسن حقاً أم أن الأرقام تتغير فقط لأن تعريف المنطقة قد تغير. ولزيادة التعقيد، تصل البيانات مرة واحدة فقط في السنة، مما يوفر تاريخاً قصيراً جداً للتعلم منه. وقد تساءل الباحثون طويلاً عما إذا كانت نماذج الكمبيوتر الأكثر تقدماً، القادرة على إيجاد أنماط خفية في كميات هائلة من البيانات، يمكنها حل هذا اللغز بشكل أفضل من الطرق البسيطة والمباشرة.
قام فريق من الباحثين في جامعة IPB باختبار هذا السؤال من خلال مقارنة ست طرق مختلفة للتنبؤ بمؤشر التنمية البشرية للسنة القادمة عبر جميع المقاطعات الأربع والثلاثين في إندونيسيا. لقد جمعوا بيانات من عام 2017 إلى عام 2023، وهي فترة تضمنت تغييراً إدارياً كبيراً في الجزء الشرقي من البلاد حيث أُنشئت مقاطعات جديدة. أراد الباحثون معرفة ما إذا كانت أنظمة الذكاء الاصطناعي المعقدة يمكنها التنبؤ بدرجات العام المقبل بشكل أفضل من طريقة بسيطة تفترض فقط أن العام المقبل سيكون مشابهاً لهذا العام. كما أرادوا فهم كيف أثر تغير الحدود على دقة هذه التنبؤات.
كشفت الدراسة عن حقيقة مفاجئة حول التنبؤ في ظل مشهد متغير. فالأدوات الأكثر تطوراً، التي تستخدم التعلم العميق وهياكل الشبكات المعقدة لإيجاد الأنماط، لم تكن أفضل حالاً من الخط المرجعي البسيط. وفي الواقع، في السنوات التي ظلت فيها الحدود مستقرة، جاءت أفضل النتائج من نهجين أكثر بساطة بكثير. أحد الأساليب، الذي يجمع المقاطعات ذات الملفات الاقتصادية والاجتماعية المتشابهة، أضاف تعديلاً صغيراً ومحسوباً إلى درجة العام الماضي. والأسلوب الآخر، الذي ينظر في كيفية تأثير المقاطعات المجاورة على بعضها البعض، فعل الشيء نفسه. وقد تفوق كلا هذين الأسلوبين البسيطين على نماذج الذكاء الاصطناعي المعقدة، التي عانت من صعوبة التعلم من عدد السنوات المحدود المتاح.
يرتبط سبب فشل النماذج المعقدة بطبيعة البيانات. فهذه الأنظمة المتقدمة مصممة للتعلم من كميات هائلة من المعلومات التي تُجمع على فترات طويلة، مثل أنماط حركة المرور أو بيانات الطقس المسجلة كل دقيقة. ومع ذلك، يُقاس مؤشر التنمية البشرية مرة واحدة فقط في السنة، مما يعطي النماذج فرصاً قليلة جداً لتعلم كيفية تغير الأشياء بمرور الوقت. وعندما اختبر الباحثون النماذج على مجموعة مستقرة من المقاطعات حيث لم تتغير الحدود، سجلت الأساليب البسيطة أخطاءً تقل عن 0.33 نقطة على مقياس المؤشر. وفي المقابل، أنتجت النماذج المعقدة أخطاءً تزيد عن ضعف هذا الحجم، أو حتى أسوأ من ذلك. تمكنت نماذج الذكاء الاصطناعي من تذكر التصنيف العام للمقاطعات الغنية والمقاطعات الفقيرة، لكنها فشلت في التنبؤ بالتغيرات الصغيرة من سنة إلى أخرى والتي تعتبر الأكثر أهمية للتخطيط.
تضمن جزء حاسم من الدراسة التعامل مع التغييرات الإدارية في الجزء الشرقي من البلاد. فعندما أدرج الباحثون المقاطعات التي تم تقسيمها، أظهرت البيانات قفزة هائلة وغير واقعية في درجات التنمية لم يكن بإمكان أي نموذج التنبؤ بها. لم يكن هذا فشلاً للنماذج في التعلم، بل كان فشلاً في بقاء البيانات قابلة للمقارنة. ووجد الباحثون أنه عندما استبعدوا هذه المقاطعات المتغيرة من الاختبار النهائي، برزت الأساليب البسيطة بشكل أكثر سطوعاً. وقد سلط هذا الضوء على درس بالغ الأهمية لأي شخص يستخدم البيانات للتخطيط للمستقبل: إذا تغيرت الخريطة، تتغير الأرقام، ولا يوجد قدر من التعقيد الرياضي يمكنه إصلاح مقارنة مكسورة. وأفضل طريقة للتعامل مع ذلك هي الوعي بالحدود واستخدام أساليب بسيطة وشفافة يمكن فهمها والتحقق منها بسهلاً.
رسم الباحثون أيضاً خريطة للأماكن التي ذهبت إليها التنبؤات بشكل خاطئ. ووجدوا أن الأخطاء لم تكن متناثرة عشوائياً في جميع أنحاء البلاد، بل كانت مركزة في مناطق محددة، لا سيما في الجزر الشرقية حيث التنمية أكثر تعقيداً وجمع البيانات هناك أصعب. ارتكبت النماذج البسيطة أخطاءً صغيرة كانت منتشرة، بينما ارتكبت النماذج المعقدة أخطاءً كبيرة ومحددة في أماكن مثل جاكرتا والمقاطعات الشرقية. يشير هذا إلى أنه بالنسبة للتخطيط الإقليمي، من الأفضل معرفة أين قد يفشل النموذج بدقة، بدلاً من الحصول على متوسط درجة عالٍ يخفي تلك الإخفاقات. وخلصت الدراسة إلى أنه بالنسبة للتخطيط قصير المدى في إندونيسيا، فإن النهج المتواضع والمفهوم جيداً هو الأكثر موثوقية من "الصندوق الأسود" المعقد. والاستراتيجية الأكثر فعالية هي البدء بما هو معروف، وإجراء تعديلات صغيرة بناءً على الأنماط المحلية، ومراقبة كيفية تغير الخريطة نفسها باستمرار.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.