A Systematic Review of Zero-Inflated Count Time Series Models: Techniques, Developments, Challenges and Future Directions
تقدم هذه الورقة أول مراجعة منهجية شاملة للأدبيات وتحليلاً ببليومترياً لنماذج السلاسل الزمنية للعد من نوع (Zero-Inflated INAR)، حيث تجمع بين التطورات المنهجية، وتقنيات التقدير، والتطبيقات، مع تحديد التحديات المستمرة مثل التشتت الزائد والعبء الحسابي لتوجيه اتجاهات البحوث المستقبلية.
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
في كثير من مجالات الحياة، بدءاً من تتبع انتشار مرض ما إلى عدّ الطيور في غابة أو حوادث الطرق السريعة، يعتمد العلماء على بيانات تأتي في شكل أعداد صحيحة. لا يمكنك امتلاك نصف طائر أو ربع حادث سيارة؛ فالبيانات منفصلة (discrete)، وتظهر كـ 0، 1، 2، أو 3. ومع ذلك، غالباً ما تتصرف هذه الأعداد بطرق تجد الأدوات الإحصائية القياسية صعوبة في فهمها. ومن السمات الشائعة والمراوغة لهذه البيانات هو وجود عدد مرتفع بشكل غير عادي من الأصفار. فأحياناً يعني الصفر أن شيئاً لم يحدث لأن الحدث مستحيل أو لأن الظروف كانت خاطئة؛ وفي أحيان أخرى، يعني ببساطة أن الحدث وقع ولكن لم يتم تسجيله. وعندما تكون مجموعة البيانات مليئة بهذه الأصفار الإضافية، يمكن للطرق التقليدية أن تعطي نتائج مضللة، مما يؤدي إلى التقليل من تقدير المخاطر أو تفويت الأنماط تماماً. ولحل هذه المشكلة، طور الباحثون نماذج متخصصة تتعامل مع الأصفار والأعداد الفعلية باعتبارها قادمة من مصدرين مختلفين، مما يسمح برؤية أكثر دقة للواقع.
قام باحثان من جامعة راجاستان المركزية في الهند، سوراب كومار وسوراج براكاش، مؤخراً برسم الخريطة الكاملة لهذه النماذج المتخصصة. فقد أجريا مراجعة منهجية، وهي طريقة صارمة لجمع وتحليل الأدبيات العلمية القائمة لإيجاد أكثر الإجابات موثوقية لسؤال محدد. كان هدفهما هو فهم كيفية تطور هذه النماذج، وما هي التقنيات المستخدمة حالياً، وأين تكمن أكبر التحديات. ومن خلال فحص 40 دراسة رئيسية نُشرت بين عامي 1992 و2025، تتبعا رحلة هذه الأدوات الرياضية من المفاهيم البسيطة إلى الأنظمة المعقدة القادرة على التعامل مع البيانات الفوضوية وغير المنتظمة الموجودة في العالم الحقيقي.
بدأ الباحثون بالبحث في قواعد البيانات العلمية الكبرى، وقاموا بتصفية مئات الأوراق البحثية للعثور فقط على تلك التي تتناول تحديداً بيانات العدّ المرتبطة بالزمن والتي تحتوي على أصفار زائدة. واستبعدوا الدراسات التي بحثت في لقطات مفردة للبيانات أو تلك التي لم تقدم نموذجاً رياضياً واضحاً. ومن مجموعة أولية تضم أكثر من 200 ورقة بحثية، قلصوا المجال إلى 40 دراسة عالية الجودة شكلت جوهر تحليلهم. وكشفت عملية الاختيار هذه عن اهتمام متزايد في هذا المجال، حيث ارتفع عدد المنشورات بشكل ملحوظ في السنوات الأخيرة، وبلغ ذروته في عام 2021. ويأتي هذا العمل من مجموعة متنوعة من العلماء عبر العالم، مع مساهمات قوية من باحثين في الولايات المتحدة والصين والهند وألمانيا، مما يشير إلى أن هذا جهد عالمي لحل مشكلة كونية.
وسلطت المراجعة الضوء على أن النهج الأكثر نجاحاً يتضمن استراتيجية عملية مزدوجة. تخيل مصنعاً ينتج نوعين من الأصناف: إحدى الآلات لا تنتج شيئاً على الإطلاق، بينما تنتج آلة أخرى تدفقاً من المنتجات. في سياق البيانات، تولد إحدى العمليات "الأصفار الهيكلية" — أي الأوقات التي لا يمكن فيها وقوع الحدث ببساطة — بينما تولد عملية ثانية الأعداد الفعلية عندما يقع الحدث. ووجد الباحثون أن النماذج الحديثة أصبحت أكثر تطوراً في الفصل بين هاتين العمليتين. كانت النماذج المبكرة بسيطة نسبياً، لكن النسخ الأحدث يمكنها الآن مراعاة التغيرات بمرور الوقت، مثل التحولات المفاجئة في السلوك أو تأثير العوامل الخارجية مثل الطقس أو التغييرات في السياسات. وتعد هذه النماذج المتقدمة مفيدة بشكل خاص في مجالات مثل علم الأوبئة، حيث تساعد في التنبؤ بتفشي الأمراض، وعلم البيئة، حيث تساعد في تقدير أعداد الأنواع النادرة التي غالباً ما تُفقد أثناء عمليات المسح.
وعلى الرغم من هذه التطورات، حدد المؤلفون عدة عقبات مستمرة. أحد التحديات الرئيسية هو التمييز بين الصفر الذي هو هيكلي حقاً وبين الصفر الذي هو مجرد حدوث عشوائي، خاصة عندما تكون البيانات شحيحة جداً. وتكمن صعوبة أخرى في التكلفة الحسابية؛ فكلما زادت تعقيد النماذج لالتقاط الفروق الدقيقة في العالم الحقيقي، تطلبت قوة حوسبة هائلة لتشغيلها، مما يجعل استخدامها صعباً مع مجموعات البيانات الكبيرة. كما أشارت المراجعة إلى أنه رغم وجود العديد من النماذج، إلا أنها غالباً ما تكون مصممة لحالات محددة للغاية، مما يجعل من الصعب تطبيق حل واحد على أنواع مختلفة من المشكلات. فعلى سبيل المثال، النموذج المصمم لحوادث المرور قد لا يعمل جيداً لتتبع مشاهدات الطيور دون تعديل كبير.
وبالنظر نحو المستقبل، يقترح الباحثون أن الجيل القادم من هذه النماذج سيعتمد على الأرجح على أطر عمل أكثر مرونة، مثل الأساليب البايزية (Bayesian methods)، التي تسمح بالتعامل بشكل أفضل مع عدم اليقين. كما يشيرون إلى إمكانية دمج هذه النماذج الإحصائية مع تقنيات التعلم الآلي لتحسين دقة التنبؤ في البيئات المعقدة وعالية الأبعاد. ويؤكد المؤلفون أنه على الرغم من إحراز تقدم كبير في فهم ونمذجة بيانات العدّ ذات الأصفار الكثيفة، إلا أن هذا المجال لم ينتهِ بعد. فلا تزال هناك حاجة إلى أدوات أكثر تنوعاً يمكنها التعامل مع الانكسارات الهيكلية، والتغيرات الموسمية، والطبيعة غير المتوقعة للأحداث في العالم الحقيقي دون أن تصبح معقدة للغاية في الاستخدام. إن عملهم يعد بمثابة دليل واضح للمكان الذي يقف فيه المجال اليوم، ويشير إلى الطريق نحو الابتكارات اللازمة لجعل المعنى مفهوماً لتلك الأصفار الهادئة، والتي غالباً ما يتم تجاهلها، والتي تشكل بياناتنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.