Nowcasting Italian Municipal Income with Nightlights: A Deep Learning Approach
تُثبت هذه الدراسة أن نموذج التعلم العميق من نوع وحدة بوابة التكرار (GRU) أحادي الطبقة، والذي يستخدم بيانات "ناسا بلاك ماربل" للأضواء الليلية، يتفوق بشكل كبير على المعايير الاقتصادية القياسية المكانية والخطية التقليدية في التنبؤ الآني بالدخل الخاضع للضريبة للبلديات الإيطالية، مما يثبت أن التقاط العلاقات غير الخطية والتباين المقطعي أمر ضروري لاستخراج محتوى تنبؤي حقيقي من صور الأقمار الصناعية.
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 عالم التخطيط الاقتصادي، غالبًا ما يكون معرفة ما يحدث في الوقت الراهن رفاهية لا تستطيع الحكومات تحمل تكلفتها. فالإحصاءات الرسمية، التي تخبرنا بمقدار ما يجنيه الناس من دخل في بلدة أو منطقة معينة، عادة ما تُنشر بعد فوات الأوان بوقت طويل. وبحلول الوقت الذي تصل فيه الأرقام، قد تكون الظروف الاقتصادية التي تصفها قد تغيرت بالفعل، مما يجعل من الصعب على المسؤولين الاستجابة بسرعة للأزمات أو الاتجاهات المتغيرة. لسنوات، بحث العلماء عن وسيلة أسرع لرؤية الاقتصاد أثناء حركته. وقد جاء أحد الأدلة الواعدة من الفضاء: توهج المدن ليلاً. إذ يمكن للأقمار الصناعية التقاط شدة الضوء الاصطناعي من الأرض، ويرى الباحثون منذ فترة طويلة أن الأضواء الأكثر سطوعًا تعني عمومًا نشاطًا اقتصاديًا أكبر. وبينما يعد هذا الارتباط معروفًا جيدًا عند المقارنة بين أماكن مختلفة في لحظة زمنية واحدة، إلا أنه لم يكن واضحًا تمامًا ما إذا كان تغير سطوع بلدة واحدة بمرور الوقت يمكن أن يتنبأ بتغير مستويات دخلها قبل نشر السجلات الضريبية الرسمية.
وضع باحث في جامعة روما تور فيرجاتا حلاً لهذا اللغز في إيطاليا، وهي بلد يتسم فيه وصول بيانات الدخل المحلي بالبطء الشديد، حيث تتأخر غالبًا لمدة عام ونصف. ركزت الدراسة على 7,631 بلدة إيطالية، وتتبعت دخلها الخاضع للضريبة سنويًا وسطوع سمائها الليلية على مدار عقد من الزمن. وكان الهدف هو معرفة ما إذا كانت صور الأقمار الصناعية يمكن أن تعمل كنظام إنذار مبكر، أو "تنبؤ آني" (nowcast)، للاقتصاد. واختبر الباحث ما إذا كان الذكاء الاصطناعي الحديث، وتحديدًا نوع من البرامج الحاسوبية المصممة للتعرف على الأنماط في تسلسلات البيانات، يمكنه تعلم العلاقة بين الأضواء والدخل بشكل أفضل من الطرق الإحصائية التقليدية. وقارنت الدراسة هذه النماذج الحاسوبية المتقدمة مقابل تقنيات أبسط ومعتمدة، بما في ذلك الطرق التي حاولت مراعاة كيفية تأثير البلدات المجاورة على اقتصادات بعضها البعض.
أظهرت النتائج أن نماذح الذكاء الاصطناعي كانت أكثر دقة بشكل ملحوظ من الطرق التقليدية. وكان النموذج الأفضل أداءً، وهو نسخة مبسطة من الشبكة العصبية، قادرًا على التنبؤ بالدخل السنوي لبلدة إيطالية نموذجية بمتوسط خطأ قدره حوالي 1.07 مليون يورو. وبالنظر إلى أن متوسط الدخل لهذه البلدات يبلغ حوالي 29 مليون يورو، فإن هذا المستوى من الدقة يمثل تنبؤًا ينحرف بنسبة 4 في المائة فقط. وقد كان هذا تحسنًا جوهريًا مقارنة بأفضل الطرق التالية، والتي كانت تنحرف بهوامش أكبر. ووجدت الدراسة أن العلاقة بين أضواء الليل والدخل ليست خطًا مستقيمًا بسيطًا يمكن التقاطه بالمعادلات القياسية؛ بل إن الارتباط معقد ويختلف اختلافًا كبيرًا من بلدة إلى أخرى. فبينما قد تكون بعض البلدات ساطعة وغنية، قد تكون بلدات أخرى ساطعة ولكن ذات هياكل اقتصادية مختلفة، أو غنية ولكن أقل إضاءة. كان الذكاء الاصطناعي مرنًا بما يكفي لتعلم هذه الأنماط الفريدة لكل موقع، في حين فشلت النماذج التقليدية، التي تفترض وجود علاقة موحدة عبر جميع البلدات، في استيعاب هذا التباين.
ومن المثير للاهتمام أن الدراسة اختبرت أيضًا ما إذا كان رسم الروابط بين البلدات المجاجاورة بشكل صريح سيؤدي إلى تحسين التنبؤات. وأكد الباحثون أن هناك رابطًا إحصائيًا قويًا بين النشاط الاقتصادي لبلدة ما وجيرانها، وهي ظاهرة تُعرف بالاعتماد المكاني. ومع ذلك، فإن إضافة هذا السياق الجغرافي إلى النماذج التقليدية لم يجعلها أفضل في التنبؤ بالمستقبل. فحتى عندما تم إخبار النماذج بكيفية اتصال البلدات ببعضها البعض، ظلت متأخرة كثيرًا عن الذكاء الاصطناعي. وهذا يشير إلى أن السبب الرئيسي لفشل النماذج التقليدية لم يكن تجاهلها للجغرافيا، بل كونها جامدة للغاية بحيث لا تستطيع فهم الطريقة غير الخطية والمعقدة التي يتفاعل بها الضوء والدخل. لقد نجح الذكاء الاصطناعي لأنه استطاع تكييف منطقه مع الخصائص الفريدة لكل بلدة، بدلاً من إجبار كل بلدة على دخول نفس الصندوق الرياضي.
كما بحثت الدراسة في كيفية أداء هذه النماذج خلال سنوات الجائحة الفوضوية، وهي فترة شهدت تحولات اقتصادية محلية سريعة وغير متكافئة. عانت النماذج التقليدية خلال هذه الفترة من التغيير، حيث فشلت غالبًا في التنبؤ بالانتعاشات الحادة أو الانكماشات التي حدثت. وفي المقابل، حافظ نموذج الذكاء الاصطناत्मक على دقته، مما يشير إلى أنه تعلم فهمًا أعمق وأكثر قوة للإشارات الاقتصادية الكامنة في الضوء. وخلص الباحث إلى أنه بينما لا تعد أضواء الليل في الأقمار الصناعية مرآة مثالية للاقتصاد، إلا أنها تحتوي على معلومات حقيقية ومفيدة للتنبؤ بالدخل المحلي. ومع ذلك، فإن مفتاح إطلاق هذه المعلومات يكمن في استخدام أداة مرنة قادرة على التنقل في الواقع المتنوع والمعقد للمشهد الإيطالي. ويقدم هذا النهج طريقة عملية لتقليص فترة الانتظار الطويلة للبيانات الرسمية، مما يمنح صانعي السياسات لمحة في وقتها المناسب عن الصحة الاقتصادية لمجتمعاتهم دون انتظار تقديم الإقرارات الضريبية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.