مفتاح النمو في صحراء البيانات: إطار جديد لتحليل التحول الهيكلي في البلدان ذات الدخل المنخفض والمتوسط

لطالما واجه التحليل الاقتصادي لدول الجنوب العالمي معضلة جوهرية: فاقتصادات العالم الأكثر احتياجًا إلى الفهم هي تحديدًا تلك التي تعاني من أكثر البيانات نقصًا. وبينما تستطيع البلدان المتقدمة الاعتماد على إحصاءات اقتصادية عالية التواتر، دقيقة التفاصيل، ومتسقة لاستيعاب التحول الهيكلي، فإن الأنظمة الإحصائية في البلدان منخفضة ومتوسطة الدخل (LMICs) غالبًا ما تعاني من فجوات هائلة، مما يجعل صنع السياسات وقرارات الاستثمار والبحث الأكاديمي وكأنها تتحرك في ظلام دامس.

تحاول دراسة نُشرت مؤخرًا في دورية «Scientific Reports» تقديم حل قابل للتوسع لهذه المعضلة. صمّم الباحثون إطارًا موحّدًا يجمع بين النمذجة الهرمية البايزية، وتقنيات الاستيفاء القائمة على التعلم الآلي، وتحليل العوامل، مع تحسينه خصيصًا لمواجهة ندرة البيانات في البلدان منخفضة ومتوسطة الدخل. وقد جرى التحقق من صحة هذا الإطار عبر محاكاة باستخدام بيانات البنك الدولي من عام 2000 إلى 2020 لكل من كينيا ونيجيريا وغانا، وأظهرت النتائج أنه يحقق دقة أكبر وقابلية تفسير أعلى من النماذج التقليدية في ظل فقدان البيانات.

لا تكمن قيمة هذه الدراسة في الابتكار المنهجي فحسب، بل أيضًا في أنها تمنحنا منشورًا جديدًا لرصد التحول الاقتصادي في الجنوب العالمي. فمن خلال هذا الإطار، تمكّن الباحثون من تحديد ثلاثة مسارات هيكلية مختلفة جذريًا بين اقتصادات غرب وشرق أفريقيا: النمو القائم على الخدمات في كينيا، والتقلب الصناعي المرتبط ارتباطًا وثيقًا بالنفط في نيجيريا، والتوسع المتوازن في غانا. وهذه الاختلافات تذكّرنا بأنه حتى بين دول أفريقيا جنوب الصحراء، فإن المنطق الكامن وراء إعادة توزيع القطاعات خلف كلمة «نمو» قد يكون مختلفًا تمامًا.

فقر البيانات هو عنق الزجاجة الخفي في أبحاث الأسواق الناشئة

في السردية الاقتصادية السائدة، يُفهم التحول الهيكلي عادةً على أنه عملية إعادة تخصيص العمالة من الزراعة إلى الصناعة والخدمات. وقد تم التحقق من هذه العملية مرارًا وتكرارًا في نهضة الاقتصادات الآسيوية، لكن الأبحاث المتعلقة بها في أفريقيا ظلّت لوقت طويل مقيدة بعدم اكتمال البيانات، وتباين المعايير الإحصائية، والتقلبات القطاعية الحادة. وغالبًا ما تفترض النماذج الاقتصادية القياسية التقليدية بيانات كاملة وضوضاء محدودة، وهو افتراض يبدو باهتًا أمام واقع البلدان منخفضة ومتوسطة الدخل.

إن الافتقار إلى بيانات موثوقة يعني أننا قد نقلل من شأن محركات النمو الحقيقية في الأسواق الأفريقية الناشئة أو نخطئ في تقديرها. فعلى سبيل المثال، يؤدي ارتفاع حصة الاقتصاد غير الرسمي إلى انحرافات خطيرة في بيانات الناتج المحلي الإجمالي والعمالة الرسمية، كما أن الإحصاءات على المستوى القطاعي تنقطع في كثير من الأحيان. ولهذا السبب، كثيرًا ما تُبنى المناقشات حول قضايا رئيسية مثل «إزالة التصنيع المبكرة» أو «ركود إنتاجية الخدمات» على أسس تجريبية هشة.

ينطلق هذا البحث من فكرة مفادها: بدلاً من انتظار تحسين الأنظمة الإحصائية، من الأفضل تطوير مجموعة أدوات تحليلية قادرة على التكيف مع ندرة البيانات. وقد ربط الباحثون بين ثلاث منهجيات كانت تُستخدم عادةً في مجالات مختلفة — النمذجة الهرمية البايزية، والاستيفاء بالتعلم الآلي، وتحليل العوامل — بشكل عضوي، وليس مجرد وضعها جنبًا إلى جنب. فتقنيات الاستيفاء تتولى سد فجوات البيانات، وتحليل العوامل يتولى استخلاص البنية الكامنة من المؤشرات عالية الأبعاد، والنموذج البايزي يتولى توليد تقديرات بعدية تتضمن عدم التجانس القطاعي والزمني في ظل عدم اليقين. هذا الترابط التشغيلي هو جوهر ما يميز هذا الإطار عن «الأدوات أحادية النقطة» السابقة.

ثلاث طرق للاستيفاء، وثلاث فلسفات للبياناتمحاكاة الدراسة حالات ندرة البيانات، وقيّمت ثلاث تقنيات للاستيفاء (الإسناد). الجدير بالذكر أنه لم تتفوق أي طريقة على غيرها في جميع المؤشرات: حقّق SoftImpute أقل جذر متوسط مربع للخطأ (RMSE) في مؤشرات القطاعات، بينما كان أسلوب k-أقرب الجيران (kNN) أكثر تميزًا في إعادة بناء الناتج المحلي الإجمالي. تبرز هذه النتيجة أهمية "الإدراك السياقي" في معالجة البيانات — فعند تحليل البلدان المنخفضة والمتوسطة الدخل (LMICs)، قد لا تكون استراتيجية استيفاء واحدة كافية. بالنسبة للدراسات الصناعية التي تعتمد على بيانات إنتاج القطاعات، فإن منطق استكمال المصفوفات في SoftImpute أكثر ملاءمة؛ أما بالنسبة لتقييم المجاميع الاقتصادية الكلية، فإن استيفاء kNN القائم على العينات المتشابهة يتمتع بميزة أكبر.

هذا التمييز الدقيق له آثار عملية على أبحاث الاستثمار الأجنبي المباشر (FDI) وقرارات الاستثمار. عندما تقيّم شركة متعددة الجنسيات استراتيجية دخول السوق في بلد أفريقي، فإن توقعات نمو الناتج المحلي الإجمالي وبيانات الإنتاج القطاعي التي تعتمد عليها قد تأتي من نماذج تقدير مختلفة. فهم الخيارات التقنية وحالات عدم اليقين في عملية توليد هذه البيانات يساعد على تجنب الانخداع بأرقام تبدو دقيقة.بالنسبة للمؤسسات الاستثمارية الدولية، فإن التطبيقات المحتملة لهذا الإطار واضحة بنفس القدر. عند تقييم جدوى مشاريع البنية التحتية أو المناطق الصناعية في الأسواق الناشئة، قد يؤدي استخدام البيانات التقليدية إلى سوء تقدير خطير للطلب في السوق وانتقال العمالة. يمكن للتنبؤات القطاعية القائمة على الاستدلال البايزي أن تثبّت تدفقات رأس المال بشكل أكثر دقة في القطاعات والمناطق التي تمتلك إمكانات تحول حقيقية.

بطبيعة الحال، تشير الدراسة نفسها بوضوح إلى أن تحققها اقتصر على ثلاثة بلدان، وبمدى زمني حتى عام 2020. وعند التوسع إلى بلدان أخرى من الدول منخفضة ومتوسطة الدخل، قد تحتاج الخوارزميات إلى التعديل وفقًا للسياقات المؤسسية المختلفة وجودة البيانات. ولكن على أي حال، فقد أسست هذه الدراسة معيارًا قابلًا للتكرار من أجل "التحليل الهيكلي في ظل ندرة البيانات".

اللحاق المنهجي في ظل انتقال مراكز النمو العالمية

بينما تنتقل مراكز النمو العالمية تدريجيًا نحو آسيا وأفريقيا والشرق الأوسط، فإن البنية التحتية للبيانات الاقتصادية في الجنوب العالمي لم تواكب ذلك بعد بشكل كافٍ. ويعني هذا التباين أن رأس المال الدولي والمؤسسات السياسية العالمية غالبًا ما "تنظر عبر تلسكوب إلى ملامح ضبابية". وتذكرنا الدراسة الجديدة بأننا، إضافة إلى جمع المزيد من البيانات، نحتاج إلى تطوير أدوات أكثر ذكاءً لاستغلال البيانات القائمة. ويشكل الجمع بين التعلم الآلي والإحصاء البايزي محاولة إيجابية لتحقيق هذا "اللحاق بالبيانات".

في عصر تتضافر فيه العائد الديموغرافي، والتحضر، ونقل التصنيع، والتحول الرقمي، أصبحت المعلومات الهيكلية الدقيقة على المستوى القطاعي أكثر أهمية من أي وقت مضى. سواء كان الأمر يتعلق بالحكم على ما إذا كان بلد ما يشهد "تصنيعًا مبكرًا" أو تقييم ما إذا كان استثمار البنية التحتية يتوافق مع التطور الطويل الأجل للهيكل الصناعي، فإننا بحاجة إلى أطر تحليلية أدق وأكثر قابلية للاستدلال.

قد لا تحظى هذه الورقة البحثية بنفس القدر من الاهتمام الذي يحظى به توقيع مشروع بنية تحتية كبير، لكن قيمتها تكمن في تمكين التحليل الاقتصادي للجنوب العالمي من الانتقال من "سرد القصص" إلى "القابلية للاختبار". وفي عصر تتسم بندرة البيانات ولكن بإلحاح غير مسبوق للحاجة إلى القرارات، فإن بناء هذا النوع من البنية التحتية المعرفية يمثل في حد ذاته نموًا.