حقيقة النمو في فجوات البيانات: النموذج الجديد لتحليل التحول البنيوي في الجنوب العالمي

مقدمة: التحول الذي تحجبه البيانات

إن تحول مركز الثقل الاقتصادي العالمي يوجه المزيد من الأنظار نحو القارة الأفريقية. لكن مشكلة جوهرية لا تزال تؤرق المؤسسات البحثية والمنظمات الدولية والمستثمرين عبر الحدود: ما مدى معرفتنا الحقيقية بالتغيرات الهيكلية الفعلية لهذه الاقتصادات؟ تقليديًا، يُعرَّف التحول الهيكلي بأنه النقل الواسع النطاق للعمالة والإنتاج من الزراعة إلى الصناعة والخدمات، وهو المحرك الأساسي للنمو الاقتصادي طويل الأجل. ومع ذلك، في البلدان منخفضة الدخل ومتوسطة الدخل، ولا سيما في أفريقيا جنوب الصحراء، فإن ضعف النظم الإحصائية وضخامة الاقتصاد غير الرسمي وتكرار فقدان البيانات يجعل من الصعب التقاط السرعة الحقيقية لهذا المحرك بدقة.

التحول الهيكلي: من النظرية إلى معضلة القياس

يكتسب التحول الهيكلي أهميته لأنه يتعلق بخلق فرص العمل، ورفع الإنتاجية، والقضاء على الفقر في الأمد البعيد. فقبل نصف قرن، وضع باحثون مثل كوزنتس ولويس الأساس النظري لهذا المفهوم، لكن أدوات التحليل في ذلك الوقت كانت قائمة على نظم بيانات مكتملة نسبيًا في البلدان المتقدمة. وعندما نُقلت هذه الأدوات كما هي إلى الأسواق الناشئة، ظهرت المشكلة: ندرة البيانات، وتفاوت المعايير الإحصائية، والتقلبات الحادة بين القطاعات، إذ غالبًا ما تعجز النماذج الاقتصادية القياسية التقليدية عن مواكبة ذلك، بل وقد تقدم استنتاجات مضللة.

ففي أفريقيا على سبيل المثال، لا تزال نسب العمالة الزراعية مرتفعة في العديد من البلدان، لكن صعود قطاع الخدمات لا يتبع بالضرورة المسار الخطي الذي سلكته البلدان الغربية تاريخيًا. ويؤدي ضخامة القطاع غير الرسمي إلى أن تقلّل الإحصاءات الرسمية بشكل كبير من النشاط الاقتصادي الفعلي. وعندما تعتمد المؤسسات الدولية على هذه البيانات غير المكتملة في تشخيص الأوضاع على المستوى الوطني، فإن التوصيات السياسية قد تنحرف عن الاحتياجات الحقيقية. وهنا تكمن نقطة الانطلاق للبحث الجديد: كيفية بناء إطار قوي قادر على تحديد اتجاهات التحول الهيكلي حتى في ظل بيانات ناقصة.

المنهجية الجديدة: تآزر التعلم الآلي ونماذج بايز

يكمن الابتكار الرئيسي لهذه الورقة البحثية في نسج ثلاث أدوات تقنية كانت مستقلة في الأصل لتشكيل شبكة تحليلية يدعم بعضها بعضًا. الإسناد بالتعلم الآلي يتولى معالجة البيانات المفقودة، فعلى سبيل المثال، أظهرت طريقة SoftImpute أقل متوسط مربع خطأ على مؤشرات القطاعات، بينما كان أداء خوارزمية الجيران الأقرب (k-NN) أفضل في إعادة بناء الناتج المحلي الإجمالي. وهذه الخطوة تعادل إصلاح أحجية مكسورة في البداية.بعد ذلك، يستخرج تحليل العوامل من عدد كبير من المتغيرات القوى الدافعة الكامنة وراء تغيرات الإنتاجية، وتُدخل هذه العوامل كمعلومات مسبقة إلى النموذج الهرمي البايزي. ويتمكن هذا الأخير من تقديم تقديرات بفواصل احتمالية في ظل عدم اليقين بشأن الاختلافات القطاعية والتقلبات الزمنية. وهذا التصميم الخطي المتسلسل يجعل الاستدلال الإحصائي يستفيد من البنية المحلية في البيانات مع الحفاظ على عدم اليقين العالمي. مقارنةً بالنماذج التقليدية، تُظهر هذه الطريقة دقةً وقدرةً تفسيريةً أعلى في حالات البيانات المفقودة.

كينيا ونيجيريا وغانا: ثلاثة مسارات تحول مختلفة

اختارت الدراسة ثلاثة بلدان كعينة تجريبية خلال الفترة من 2000 إلى 2020، وكشفت النتائج بوضوح عن عدم تجانس الاقتصادات الأفريقية. تُظهر كينيا مسار نمو يقوده قطاع الخدمات، حيث يؤدي توسع تكنولوجيا المعلومات والخدمات المالية إلى استيعاب العمالة التي كانت عالقة في القطاع الزراعي. أما نيجيريا فترتبط تحولاتها الاقتصادية ارتباطاً وثيقاً بقطاع النفط، حيث تعمل تقلبات أسعار النفط الدولية على تضخيم الصدمات الهيكلية في القطاع الصناعي عبر الروابط بين القطاعات. في المقابل، تُظهر غانا نمط توسع متوازناً نسبياً، مع إعادة توزيع أكثر تناسقاً بين الزراعة والصناعة والخدمات.

هذه المسارات الثلاثة تكسر تصوراً قديماً: التحول الهيكلي في أفريقيا ليس نسخةً واحدة. تميل النماذج التقليدية إلى استخدام المتوسطات الإقليمية لإخفاء الاختلافات بين البلدان، لكن هذا الإطار الجديد يحافظ عبر التقسيمات القطاعية والزمنية الدقيقة على النسيج الفريد لكل مسار تحول. بالنسبة للمحللين الذين يدرسون الجنوب العالمي، يعني هذا تشخيصاً أكثر دقة على مستوى البلدان، بدلاً من تسميات إقليمية عامة.

من التشخيص إلى القرار: عائد البيانات في الأسواق الناشئة

يواجه صناع السياسات والمستثمرون عبر الحدود معضلةً طويلة الأمد: فمن ناحية، تتطلب القرارات عالية المخاطر دعماً كافياً من البيانات؛ ومن ناحية أخرى، قد تصل البيانات الحقيقية في الأسواق الناشئة متأخرةً أو ناقصةً أو حتى متناقضة. لا تقتصر أهمية هذه الدراسة على التقدم المنهجي الأكاديمي فحسب، بل تمتد إلى تقديم أداة تشخيصية قابلة للتوسع لمناطق تعاني من نقص البيانات.

تخيل سيناريو: قبل تقييم السياسات الصناعية في إحدى الدول، تستخدم وكالة تنمية دولية هذا الإطار لاستيفاء وتوقع إنتاجية القطاعات، فتتمكن من اكتشاف مراكز النمو المحتملة في وقت أبكر، وتنبه إلى المخاطر الهيكلية بشكل أكثر حدة. بالنسبة لرأس المال الخاص، يساعد هذا النوع من التحليل في تحديد الفرص التي تحجبها البيانات الغامضة، مثل القدرة التنافسية الحقيقية لقطاع الخدمات في كينيا، أو إمكانات القطاع غير النفطي في نيجيريا.

عندما تسعى مؤسسات مثل البنك الدولي والبنك الأفريقي للتنمية إلى الجيل الجديد من أدوات تشخيص النمو، قد تصبح هذه المنهجية أحد المعايير القياسية. وهي تذكرنا بأن فجوة البيانات لا ينبغي أن تكون ثقباً أسود للقرار، فدمج التعلم الآلي والإحصاءات البايزية يمكن أن يبني يقيناً قابلاً للاستخدام داخل حالة عدم اليقين.

الخاتمة: الفصل التالي للجنوب العالميإن تحول مركز النمو العالمي نحو الجنوب أصبح اتجاهًا لا مفر منه. غير أن إعادة رسم الخريطة الاقتصادية تتطلب بنية تحتية معرفية مناظرة لها. ويُعد قياس التحول الهيكلي الركيزة الأساسية لهذه البنية التحتية. ويتمثل إسهام هذه الورقة في جعل ملامح التنمية في الجنوب العالمي أكثر وضوحًا، وتوفير إحداثيات أكثر موثوقية لرأس المال والسياسات وسط الضباب.

بطبيعة الحال، لا يمكن لإطار واحد أن يحل جميع المشكلات. فلا يزال توليد البيانات وجمعها ومشاركتها يتطلب تحسينًا جوهريًا في القدرات الإحصائية للدول. لكن على أي حال، تُعد هذه خطوة إلى الأمام: فعندما نواجه واقع ندرة البيانات بأدوات أكثر ذكاءً، لن تظل قصة نمو الجنوب العالمي مجرد أسطورة غامضة، بل ستصبح تطورًا حقيقيًا قابلاً للقياس والتحليل والتنبؤ.