Nowcasting Meso-Level Industrial Production Using Multi-Source Satellite Data and Hybrid DFM–Machine Learning Framework 

يُعد النشاط الاقتصادي مشهداً شاسعاً ومتغيراً تحاول الحكومات والشركات رسم خرائطه في الوقت الفعلي. وعادة ما يعتمدون على التقارير الرسمية التي تحصي كمية ما تنتجه المصانع، لكن هذه التقارير تصل بعد أسابيع أو أشهر من إنجاز العمل فعلياً. وبحلول الوقت الذي تُنشر فيه الأرقام، يكون الطقس الاقتصادي قد تغير غالباً. ولتغطية هذه الفجوة، بدأ الاقتصاديون في البحث عن "التنبؤ الآني" (nowcasts)—وهي تقديرات زمنية لما يحدث في اللحظة الراهنة. فبدلاً من انتظار قيام مصنع بتقديم تقرير، يبحثون عن إشارات تظهر فور بدء الإنتاج. وفي السنوات الأخيرة، قدمت الأقمار الصناعية التي تدور في مدارات عالية فوق الأرض وسيلة جديدة لمراقبة الاقتصاد؛ إذ يمكن لهذه المستشعرات رؤية توهج أضواء المصانع في الليل وقياس سحب ثاني أكسيد النيتروجين، وهو غاز ينبعث عند حرق الوقود، وهي تنجرف فوق المواقع الصناعية. والسؤال الذي يطرحه الباحثون هو ما إذا كانت هذه الرؤى البعيدة والمتاحة مجاناً يمكن أن تتنبأ بدقة بالإنتاج الشهري لصناعات محددة، من الصلب والمواد الكيميائية إلى السيارات التي نقودها.

وضع فريق من الباحثين من جامعات يابانية هدفاً لاختبار هذه الفكرة مع التركيز بشكل خاص على قطاع التصنيع في اليابان. أرادوا معرفة ما إذا كان بإمكانهم استخدام بيانات الأقمار الصناعية للتنبؤ بمستويات الإنتاج لأربعة أهداف رئيسية: مؤشر الإنتاج الصناعي العام، الذي يغطي نطاقاً واسعاً من التصنيع؛ وصناعة الكيماويات؛ وصناعة الصلب؛ وإنتاج السيارات ذات الأربع عجلات. جمع الفريق ملاحظات يومية من يوليو 2018 حتى ديسمبر 2025، مع التركيز على المصانع الكبرى حيث تُصنع هذه السلع. واستخدموا نوعين رئيسيين من البيانات: صور الأضواء الليلية، التي تُظهر أين تنشط المصانع بعد حلول الظلام، وقياسات ثاني أكسيد النيتروجين في الهواء فوق تلك المواقع نفسها، والتي تشير إلى كمية الوقود المحروق للتدفئة والطاقة.

لم يقم الباحثون ببساطة بتغذية الأرقام الخام للأقمار الصناعية في جهاز كمبيوتر والأمل في تحقيق أفضل النتائج؛ بل أدركوا أن ضوء مصنع واحد أو دخانه قد يكون ضوضائياً أو فريداً لتلك المنشأة تحديداً، لذا استخدموا طريقة إحصائية لإيجاد الأنماط المشتركة عبر العديد من المصانع. هذه الطريقة، المعروفة باسم "نموذج العامل الديناميكي"، تعمل مثل مرشح يفصل الاتجاه العام لصناعة بأكملها عن التقلبات العشوائية للمنشآت الفردية. ثم اختبروا طريقتين مختلفتين لتحويل هذه الأنماط المفلترة إلى تنبؤات: نهج خطي قياسي، يفترض أن العلاقات مباشرة وتناسبية، ونهج تعلم آلي أكثر تعقيداً يمكنه اكتشاف الروابط المعقدة وغير الخطية. وقارنوا هذه الأساليب الجديدة بالمعيار القديم المتمثل في مجرد التخمين بأن الشهر القادم سيكون مشابهاً للشهر الماضي.

أظهرت النتائج أن بيانات الأقمار الصناعية يمكنها بالفعل تقديم تحذيرات مبكرة مفيدة، ولكن وصفة النجاح تتغير اعتماداً على ما يتم قياسه. فلا يوجد "أفضل" طريقة واحدة لاستخدام البيانات لكل صناعة. فبالنسبة لمؤشر الإنتاج الصناعي العام، جاءت أدق التنبؤات من نموذج تعلم آلي يجمع بين أضواء الليل وقراءات ثاني أكسيد النيتروجين، جنباً إلى جنب مع أحدث الأرقام الرسمية المتاحة من شهرين سابقين. عامل هذا النموذج البيانات من جميع الصناعات كمجموعة واحدة كبيرة ومترابطة. ومع ذلك، كان النهج الأفضل لصناعة الكيماويات مختلفاً؛ حيث نجح هنا نموذج خطي أبسط، يعتمد بشكل أساسي على مستويات ثاني أكسيد النيتروجين والأنماط الإقليمية، مما يشير إلى أن حرق الوقود هو الإشارة الأكثر مباشرة للإنتاج الكيميائي.

وقدمت صناعة الصلب حالة فريدة أخرى؛ إذ تجاهل النموذج الأكثر دقة للصلب الأرقام الرسمية من الشهرين الماضيين تماماً، واعتمد بدلاً من ذلك حصرياً على بيانات الأقمار الصناعية، جامعاً بين قراءات الأضواء والغاز، ونظم المصانع حسب الشركة بدلاً من المنطقة. يشير هذا إلى أنه بالنسبة للصلب، فإن الإشارات الفيزيائية المباشرة من المصانع قوية جداً لدرجة أنها تفوق الاتجاهات التاريخية. أما صناعة السيارات فقد قدمت الدرس الأكثر إثارة للدهشة حول مكان البحث؛ فعندما حاول الباحثون التنبؤ بإنتاج السيارات باستخدام بيانات من كل مصنع سيارات تمكنوا من إيجاده، كانت النتائج متوسطة. ولم تتحسن الدقة بشكل كبير إلا عندما ضيقوا نطاق تركيزهم ليشمل فقط مصانع التجميع الكبرى لشركتين فقط، وهما تويوتا ومازدا. ومن خلال اختيار المواقع التي تبني السيارات النهائية للسوق المحلية مباشرة، بدلاً من تضمين كل مصنع في سلسلة التوريد، أصبح النموذج أكثر دقة بشكل ملحوظ.

تشير هذه النتائج إلى أنه بينما توفر الأقمار الصناعية عدسة قوية لمراقبة الاقتصاد، فإنها لا تقدم حلاً عالمياً موحداً. فالواقع الفيزيائي لكيفية عمل أي صناعة هو ما يحدد الإشارات الأكثر أهمية. فبالنسبة لبعض القطاعات، يكون توهج الأضواء هو المفتاح؛ وبالنسبة لأخرى، يكون دخان الاحتراق هو الأكثر دلالة. إن الطريقة المستخدمة لتجميع البيانات ونوع نموذج الكمبيوتر المستخدم لتحليلها يجب أن تُصمم خصيصاً لتناسب الخصائص المحددة لكل صناعة. وتخلص الدراسة إلى أن ملاحظات الأقمار الصناعية المتاحة مجاناً يمكنها بنجاح سد فجوة المعلومات التي تتركها الإحصاءات الرسمية المتأخرة، ولكن فقط إذا قام الباحثون بمطابقة مصادر البيانات والأدوات التحليلية بعناً مع الخصائص المحددة للصناعة التي يحاولون التنبؤ بها.