A Grey Markov Prediction Method Optimized by GSA for Forecasting Agricultural Cold Chain Transportation Volume in China

في الشبكة الواسعة والمعقدة للزراعة الحديثة، يعد الحفاظ على نضارة الغذاء من المزرعة إلى المائدة سباقاً ضد الوقت ودرجة الحرارة. هذا هو مجال لوجستيات السلسلة الباردة، وهو نظام يعتمد على الشاحنات المبردة ومرافق التخزين لمنع التلف. ومع ذلك، ورغم كل ما تملكه من تطور تكنولوجي، يواجه القطاع تحدياً مستمراً: معرفة الكمية الدقيقة من المنتجات المجمدة التي ستتطلب النقل في السنوات القادمة. هذه ليست مجرد مسألة بسيطة تتعلق بعدّ الصناديق؛ بل هي لغز معقد حيث تتصادم كميات صغيرة من البيانات، والطقس غير المتوقع، والسياسات الاقتصادية المتغيرة، وطلب المستهلكين المتقلب. غالباً ما تعاني أدوات التنبؤ التقليدية هنا، إذ تتطلب كميات هائلة من البيانات التاريخية أو تضع افتراضات جامدة تنهار عندما يتصرف العالم الحقيقي بشكل غير منتظم. وعندما يخطئ المخططون في تقديراتهم، تكون العواقب ملموسة: شاحنات تقف عاطلة بمساحات فارغة، أو والأسوأ من ذلك، تُترك السلع القابلة للتلف دون نقل، مما يؤدي إلى الهدر والخسارة المالية.

وللتنقل عبر حالة عدم اليقين هذه، لجأ الباحثون إلى فرع من الرياضيات يُعرف بنظرية النظام الرمادي (Grey System Theory). فكر في هذا النهج كوسيلة لإيجية الأنماط في مشهد ضبابي. وخلافاً للطرق الأخرى التي تتطلب رؤية واضحة وواسعة للماضي، صُممت النظرية الرمادية للعمل عندما تكون الصورة غير مكتملة، مستخدمة المعلومات المحدودة المتاحة لتقديم تخمينات مدروسة حول المستقبل. وهي تتفوق في التعامل مع "العينات الصغيرة"، حيث لا توجد سوى سنوات قليلة من البيانات، و"الاتجاهات غير الخطية"، حيث لا يتبع النمو خطاً مستقيماً يمكن التنبؤ به. ومن خلال التركيز على الإيقاعات الخفية داخل البيانات بدلاً من حشرها في صندوق جامد، يمكن لهذه النماذج أن تقدم لمحة عما يكمن في الأفق. ومع ذلك، حتى هذه الأدوات القوية لها حدود؛ إذ يمكنها أحياناً أن تغفل عن الاضطرابات العشوائية الطفيفة في البيانات أو تفشل في التكيف بسرعة كافية عندما تتغير الظروف الأساسية.

قام فريق من الباحثين من جامعة دونغهوا في الصين مؤخراً بمعالجة هذه القيود من خلال دمج عدة تقنيات متقدمة في محرك تنبؤ واحد أكثر قوة. كان هدفهم هو التنبؤ بحجم المنتجات الزراعية المجمدة التي تمر عبر شبكة اللوجستيات في الصين، وهو مقيść حيوي لضمان الأمن الغذائي والاستقرار الاقتصادي. بدأوا بنموذج رمادي متعدد المتغيرات، والذي ينظر إلى الهدف — وهو نقل السلع المجمدة — جنباً إلى جنب مع خمسة محركات رئيسية تؤثر عليه: القيمة المضافة للقطاع الزراعي الأولي، وعدد العاملين في قطاع الخدمات (القطاع الثالث)، وإجمالي حجم معاملات السوق الزراعية، والتكلفة الوطنية للخدمات اللوجستية، ومؤشر أسعار المنتجات الزراعية. ومن خلال تغذية هذه العوامل الخمسة في نموذجهم، كانوا يأملون في رصد التفاعل المعقد الذي يحرك الطلب.

لم يتوقف الباحثون عند النموذج القياسي؛ فقد أدركوا أن الطريقة التقليدية لمعالجة هذه البيانات تعامل جميع المعلومات التاريخية بالتساوي، مما يؤدي غالباً إلى إضعاف أهمية الأحداث الأخيرة. ولإصلاح ذلك، استحدثوا طريقة التراكم ذات الرتب الكسرية (fractional-order accumulation method). وبكلمات بسيطة، يسم هذا التعديل النموذج بتركيز اهتمام أكبر على نقاط البيانات الأحدث، مما يمنحها وزناً أكبر من الأرقام الأقدم التي قد تكون عفا عليها الزمن. يضمن هذا التحول بقاء التنبؤ حساساً للاتجاهات الحالية بدلاً من كونه مقيداً بشدة بالماضي. كما قاموا بتحسين كيفية حساب النموذج لقيم "الخلفية" الداخلية الخاصة به. فبدلاً من استخدام متوسط ثابت وغير متغير لتنعيم البيانات، أنشأوا نظاماً تكيفياً يتغير تركيزه بناءً على مدى تقلب البيانات في أي لحظة معينة. فإذا كانت الأرقام تتأرجح بجنون، يقوم النموذج بتعديل حساسيته وفقاً لذلك، مما يجعله أكثر مرونة تجاه التقلبات.

وحتى مع هذه التحسينات، لا يزال النموذج ينتج أخطاءً صغيرة، أو ما يسمى بالبواقي (residuals)، وهي الفروقات بين ما تنبأ به النموذج وما حدث بالفعل. ولمعالجة ذلك، استخدم الفريق تصحيح سلسلة ماركوف (Markov chain correction). تعامل هذه التقنية مع الأخطاء ليس كضجيج عشوائي، بل كسلسلة من الحالات التي تتبع قواعد احتمالية خاصة بها. ومن خلال تحليل كيفية انتقال هذه الأخطاء من حالة إلى أخرى، يمكن للنموذج توقع الاتجاه المحتمل للخطأ التالي والتصحيح له قبل وضع التنبؤ النهائي. وأخيراً، لضمان عمل كل هذه الأجزاء المتحركة معاً بشكل مثالي، استخدم الباحثون خوارزمية بحث جذبي محسنة (improved gravitational search algorithm). وهذه الطريقة الحسابية تحاكي الطريقة التي تتجاذب بها الأجسام عبر الجاذبية لإيجاد أفضل حل ممكن. فهي تقوم تلقائياً بضبط إعدادات النموذج، مثل مقدار الوزن الممنوح للبيانات الحديثة وأين يتم رسم الخطوط بين حالات الخطأ المختلفة، مما يلغي الحاجة إلى التخمين البشري ويضمن تحسين النموذج رياضياً لمجموعة البيانات المحددة.

كانت نتائج هذا النهج الهجين مذهلة. فعندما اختبر الفريق طريقتهم مقابل البيانات التاريخية من عام 2013 إلى 2020 ثم استخدموها للتنبؤ بالأعوام من 2021 إلى 2024، تفوقت طريقتهم بشكل كبير على تقنيات التنبؤ الشائعة الأخرى. فالنماذج الرمادية القياسية، التي تفتقر إلى هذه التصحيحات المتقدمة، أنتجت أخطاءً أكبر بخمس مرات من الطريقة الجديدة. وحتى النماذج التي استخدمت الرياضيات الكسرية ولكنها افتقرت إلى قيم الخلفية التكيفية أو تصحيح ماركوف، أخفقت أيضاً، حيث كانت معدلات الخطأ فيها أعلى بنسبة تتراوح بين 30 إلى 50 بالمائة تقريباً. أما النموذج الجديد، الذي جمع كل التحسينات، فقد حقق متوسط نسبة خطأ تبلغ ما يزيد قليلاً عن 10 بالمائة. وفي المقابل، عانت النماذج الأبسط بدون المجموعة الكاملة من التصحيحات من أخطاء تراوحت بين 13 بالمائة وأكثر من 50 بالمائة.

يرسم التنبؤ نفسه صورة لنمو مستمر وقوي للوجستيات المنتجات الزراعية المجمدة في الصين. يتوقع النموذج أن حجم السلع المجمدة المنقولة سيرتفع من حوالي 339 مليون طن في عام 2021 إلى ما يقرب من 629 مليون طن بحلول عام 2024. ويمثل هذا معدل نمو سنوي ثابت يبلغ حوالي 22 إلى 23 بالمائة. وأشار الباحثون إلى أنه بينما توقعت بعض النماذج البديلة طفرات أكبر بكثير، شبه غير واقعية، أو على العكس، نمواً مسطحاً للغاية لا يتماشى مع زخم الصناعة، فقد وجد منهجهم حلاً وسطاً يتوافق مع الاتجاهات الاقتصادية والزراعية الفعلية الملحوظة في المنطقة. لقد نجح النموذج في رصد المسار التصاعدي للصناعة دون الوقوع في فخ المبالغة في تقدير أو التقليل من حجم التوسع.

تثبت هذه الدراسة أنه من خلال وضع طبقات من استراتيجيات التحسين المتعددة — التركيز على البيانات الحديثة، والتكيف مع التقلبات، وتصحيح الأخطاء العشوائية، واستخدام الخوارزميات الذكية لضبط الإعدادات — يمكن للباحثين إنشاء أداة موثوقة للغاية للتنبؤ المعقد. ويوفر هذا العمل مثالاً ملموساً على كيفية ترجمة الصقل الرياضي إلى قيمة عملية لمديري سلاسل التوريد وصناع القرار. فمن خلال تقديم رؤية أكثر دقة للطلب المستقبلي، يساعد النموذج في ضمان تخصيص الموارد بكفاءة، مما يقلل الهدر ويدعم النمو المستدام للسلسلة الباردة الزراعية. وتشير النتائج إلى أنه بالنسبة للصناعات التي تتعامل مع مجموعات بيانات صغيرة واتجاهات غير متوقعة، فإن المفتاح لتحسين التنبؤ لا يكمن في اختيار طريقة واحدة "أفضل"، بل في الجمع بذكاء بين عدة تقنيات متكاملة لبناء نظام يتسم بالمرونة والدقة في آن واحد.