Does Outcome Measurement Matter for Forecasting? Evidence from Fiscal Vulnerability in Developing Economies

في عالم الاقتصاد العالمي المعقد، غالباً ما تسير الحكومات في الدول النامية على حبل مشدود. إذ يتعين عليها الموازنة بين الحاجة إلى تمويل المدارس والمستشفيات والبنية التحتية وبين واقع محدود العائدات الضريبية، وتقلبات قيم العملات، والديون المستحقة لمقرضين أجانب. وعندما تتزايد هذه الضغوط، يمكن أن تنزلق الدولة إلى حالة من الهشاشة المالية، وهي حالة تكون فيها مواردها المالية مرهقة للغاية لدرجة أنها تكافح للاستجابة للصدمات أو حتى تخاطر بالوقوع في أزمة شاملة. ولعقود من الزمن، حاول الاقتصاديون بناء أنظمة إنذار مبكر لرصد هذه المخاطر قبل وقوعها. وتعتمد هذه الأنظمة عادةً على مجموعة من المؤشرات الاقتصادية — مثل مقدار ما تدين به الدولة، أو سرعة نمو اقتصادها، أو مقدار ما تنفقه مقارنة بما تكسبه — للتنبؤ بموعد قدوم المشاكل. والهدف من ذلك هو منح صانعي السياسات تنبيهاً مسبقاً حتى يتمكنوا من التحرك قبل أن تصبح الأزمة حتمية.

ومع ذلك، هناك مشكلة جوهرية في كيفية بناء هذه التحذيرات. فالهشاشة المالية ليست شيئاً واحداً يمكنك الإشارة إليه، مثل ضوء عطل المحرك في لوحة القيادة؛ بل هي حالة معقدة تتكون من أجزاء عديدة مختلفة. ولكي يتم إنشاء نظام تحذير، يجب على الباحثين أولاً تحديد كيفية دمج هذه الأجزاء المتنوعة في درجة واحدة. هل يحصون عدد المشكلات المختلفة التي تعاني منها الدولة في آن واحد؟ أم يقيسون مدى شدة كل مشكلة؟ أم يستخدمون طريقة إحصائية لإيجاد النمط الخفي الذي يربط بينها جميعاً؟ يسأل هذا البحث الجديد سؤالاً بسيطاً ولكنه حاسم: هل يغير الطريقة التي نعرّف بها "الهشاشة" من مدى فعالية أنظمة الإنذار لدينا؟ وقد وجد الباحثون أن الإجابة هي نعم، وأن هذا الاختلاف يهم بعمق في كيفية فهمنا للمخاطر وفي تحديد مواضع تركيز اهتمامنا.

لقد شرع الباحثون في اختبار ذلك من خلال النظر في 127 اقتصاداً نامياً على مدار فترة زمنية تمتد من عام 1982 إلى عام 2024. وجمعوا كمية هائلة من البيانات التاريخية، متتبعين ثمانية أبعاد اقتصادية مختلفة لكل دولة، بما في ذلك ديون الحكومة، وأرصدة الموازنة، والنمو الاقتصادي، والتضخم، والظروف التجارية. وبدلاً من اختيار طريقة واحدة فقط لقياس المشاكل، قاموا ببناء ثلاث نسخ مختلفة من "درجة الهشاشة" باستخدام نفس البيانات تماماً. النسخة الأولى، التي يسمونها مقياس "الاتساع"، تقوم ببساطة بعدّ عدد المؤشرات الثمانية التي تمر بوضع سيء في الوقت نفسه؛ فإذا كانت الدولة تعاني من ثلاث مشكلات أو أكثر في آن واحد، يتم تصنيفها كدولة هشة. أما النسخة الثانية، وهي مقياس "الشدة"، فتذهب إلى أبعد من ذلك؛ فهي لا تكتفي بعدّ المشكلات فحسب، بل تقيس مدى ابتعاد كل مؤشر عن خط الخطر، مما يعطي وزناً أكبر للدول التي تعاني من مشاكل عميقة. أما النسخة الثالثة، فتستخدم تقنية إحصائية لضغط جميع المؤشرات الثمانية في رقم واحد يلتقط الأنماط الأكثر شيوعاً في حركة البيانات، مما يخلق أساساً لدرجة ملخصة تعكس الاتجاهات السائدة بدلاً من مجرد عدّ محدد للمشكلات.

ومع وجود هذه التعريفات الثلاثة للدرجة في أيديهم، قام الفريق بتدريب نماذج حاسوبية للتنبؤ بالدول التي ستكون هشة في العام القادم. واستخدموا منهجية صارمة تحاكي التنبؤ في العالم الحقيقي: حيث تم تعليم النماذج باستخدام بيانات سابقة، ثم اختبارها على سنوات مستقبلية لم ترها من قبل. وقد ضمن ذلك أن تعكس النتائج قدرة تنبؤية حقيقية بدلاً من مجرد حفظ التاريخ. كانت النتائج مذهلة؛ فبموجب جميع التعريفات الثلاثة، كانت النماذج جيدة بشكل مفاجئ في ترتيب الدول بشكل صحيح، حيث استطاعت التمييز بين الدول التي ستواجه المتاعب وتلك التي لن تواجهها بدقة عالية. ومع ذلك، تغيرت القصة تماماً عندما سأل البحث ما إذا كانت هذه النماذج تضيف بالفعل معلومات جديدة أم أنها تكرر فقط ما هو معروف بالفعل.

يكمن المفتاح لهذا الاكتشاف في مفهوم "الاستمرارية". فالأوضاع الاقتصادية نادراً ما تتغير بين عشية وضحاها؛ فإذا كانت الدولة في ورطة اليوم، فمن المرجح جداً أن تكون في ورطة غداً، ببساض لأن المشكلات الأساسية — مثل الديون المرتفعة أو النمو البطيء — تستغرق وقتاً طويلاً للإصلاح. والتنبؤ البسيط الذي يفترض أن "ما حدث العام الماضي سيحدث هذا العام" غالباً ما يكون معياراً قوياً جداً. قارن الباحثون نماذجهم المعقدة مقابل معيار الاستمرارية البسيط هذا، ووجدوا أنه بالنسبة لمقياسي "الاتساع" و"الشدة"، قدمت النماذج المعقدة تحسناً طفيفاً ولكنه حقيقي؛ فقد قدمت معلومات إضافية ساعدت في التنبؤ بحالات الهشاشة الجديدة التي فاتتها قاعدة "العام الماضي" البسيطة. ولكن بالنسبة للمقياس الثالث، وهو الملخص الإحصائي، كانت القصة مختلفة؛ إذ لم تكن النماذج المعقدة أفضل من قاعدة الاستمرارية البسيطة، بل إن درجة العام السابق كانت معلوماتية للغاية لدرجة أن إضافة جميع البيانات الاقتصادية الأخرى لم تقدم أي فائدة ملموسة. إن الدقة العالية للنموذج الإحصائي لم تكن بسبب كونه متنبئاً عبقرياً بالمخاطر الجديدة، بل لأنه كان بارعاً جداً في تتبع استمرار الظروف القائمة.

لهذا التمييز تداعيات عميقة على كيفية فهمنا لقيمة أنظمة الإنذار هذه. تشير الدراسة إلى أن النموذج يمكن أن يبدو مثيراً للإعجاب للغاية على الورق، محققاً درجات عالية في التنبؤ بالمستقبل، دون أن يخبرنا في الواقع بأي شيء جديد عما هو آتٍ. فإذا تم تعريف الهشاشة بطريقة تجعلها شديدة الاستمرارية، فإن أفضل متنبئ سيكون ببساطة هو الماضي. كما بحث الباحثون فيما إذا كانت هذه النماذج قادرة على رصد اللحظة التي تنزلق فيها الدولة لأول مرة في المتاعب، وهو ما يُعرف بـ "البداية" أو "النشوء". وهنا، برز مقياس "الاتساع" مرة أخرى؛ حيث تمكنت النماذح التي تستخدم هذا التعريف من تحديد حالات الهشاشة الجديدة بمستوى من الدقة يتجاوز قاعدة الاستمرارية البسيطة. أما التعريفات الأخرى، فقد واجهت صعوبة في تقديم هذا الإنذار المبكر؛ فقد كانت أفضل في إخبارنا بأن الدولة لا تزال في ورطة، بدلاً من تحذيرنا من أنها على وشك الوقوع في ورطة.

ولعل النتيجة الأكثر إثارة للدهشة تتعلق بكيفية تغيير هذه التعريفات لقائمة الدول التي تحتاج إلى أكبر قدر من الاهتمام. فعندما قام الباحثون بترتيب الدول من الأكثر هشاشة إلى الأقل، كانت القوائم التي أنتجتها مقاييس "الاتساع" و"الشدة" متشابهة إلى حد كبير. ومع ذلك، كانت القائمة التي أنتجها الملخص الإحصائي مختلفة تماماً. فالدول التي ظهرت في أعلى قائمة الخطر بموجب تعريف واحد، غالباً ما انتقلت إلى المنتصف أو إلى أسفل القائمة بموجب تعريف آخر. وهذا يعني أن طريقة قياس الهشاشة تؤثر مباشرة على تحديد الدول التي تتطلب مراقبة وثيقة من قبل المنظمات الدولية وصناع السياسات. فقد تُعتبر دولة ما ذات أولوية قصوى بموجب تعريف معين، وتُعتبر ذات أولوية منخفضة بموجب تعريف آخر، رغم أن البيانات الاقتصادية الأساسية هي نفسها.

كما فحصت الدراسة أي العوامل الاقتصادية كانت تقود هذه التنبؤات. فبالنسبة لمقياسي "الاتساع" و"الشدة"، كانت أهم الإشارات هي رصيد موازنة الحكومة وإجمالي ديونها، وهي المؤشرات الكلاسيكية للصحة المالية. لكن أهمية العوامل الأخرى، مثل التضخم أو الموازين التجارية، تغيرت اعتماداً على التعريف المستخدم. وهذا يعزز فكرة أن الطريقة التي نبني بها مقياس المخاطر تغير الأجزاء التي نوليها اهتمامنا في الاقتصاد. فالمسألة ليست أن مجموعة من المؤشرات أكثر أهمية من غيرها في فراغ، بل إن أهميتها تعتمد على كيفية اختيارنا لدمجها في درجة واحدة.

في نهاية المطي، تعمل هذه الدراسة كتذكير بأنه في عالم التنبؤ الاقتصادي، فإن السؤال "كيف نقيسه؟" لا يقل أهمية عن السؤال "هل يمكننا التنبؤ به؟". لا تدعي الدراسة أن التعلم الآلي أو الخوارزميات المعقدة عديمة الفائدة، بل توضح أن قيمتها ليست تلقائية. فالنموذج المتطور يكون جيداً فقط بقدر جودة تعريف المشكلة التي يحاول حلها. فإذا كان تعريف الهشاشة مرتبطاً ارتباطاً وثيقاً بالماضي، فإن النموذج سيكرر الماضي فحسب. وإذا كان التعريف يلتقط مجموعة أوسع من المشكلات المتزامنة، فيمكن للنموذج العثور على إشارات جديدة. وبالنسبة لصناع السياسات والاقتصاديين، فإن الدرس واضح: قبل الوثوق بالتنبؤ، يجب فهم كيف تم تعريف المخاطر. فالبيانات نفسها يمكن أن تروي قصصاً مختلفة تماماً اعتماداً على العدسة التي يُنظر من خلالها، واختيار تلك العدسة لا يحدد دقة التنبؤ فحسب، بل يحدد أيضاً الدول التي يُنظر إليها على أنها في خطر.