التنبؤ بالانبعاثات الكربونية والترابط بين الاقتصاد والأراضي في دول IORA باستخدام التعلم الآلي: أداة جديدة للتنمية المستدامة

عندما يتشابك التنمية والبيئة على سواحل المحيط الهندي

تواجه الدول المطلة على المحيط الهندي معضلة كلاسيكية: كيف يمكن دفع النمو الاقتصادي دون التضحية بالبيئة؟ بالنسبة للدول الأعضاء في رابطة المحيط الهندي (IORA)، وخاصة الاقتصادات الجزرية أو الساحلية مثل ماليزيا وموريشيوس وسريلانكا ومدغشقر، فإن الضعف المناخي يفرض على صانعي السياسات قياس العلاقة بين التنمية الاقتصادية والبصمة البيئية.

تحاول دراسة نُشرت في مجلة "Scientific Reports" تقديم إطار تحليلي جديد لهذه المعضلة باستخدام التعلم الآلي. وقد بنت الدراسة نموذجًا تنبؤيًا يسمى XOS-ELM-GA (آلة التعلم المتطرفة المتسلسلة عبر الإنترنت مع خوارزمية جينية بتوزيع Xavier) باستخدام بيانات انبعاثات ثاني أكسيد الكربون التاريخية كمدخل رئيسي للتنبؤ بالناتج المحلي الإجمالي السنوي والتغيرات في مساحة الأراضي الزراعية لهذه الدول.

التقاط اللاخطية بما يتجاوز الانحدار التقليدي

غالبًا ما تفترض النماذج الاقتصادية التقليدية علاقات خطية، ولكن التفاعل بين انبعاثات الكربون والإنتاج الاقتصادي واستخدام الأراضي هو بطبيعته غير خطي وديناميكي. أجرى الباحثون أولاً تحليلًا إحصائيًا للبيانات التاريخية من 1960 إلى 2020، مؤكدين وجود ارتباط كبير بين انبعاثات ثاني أكسيد الكربون والناتج المحلي الإجمالي والأراضي الزراعية. ومع ذلك، فإن الانحدار البسيط لا يمكنه معالجة السلاسل الزمنية عالية الأبعاد وغير الثابتة بكفاءة.

يكمن الابتكار الأساسي لـ XOS-ELM-GA في: تقليل التقلبات العشوائية من خلال تهيئة وزن Xavier، وتحسين المعلمات باستخدام الخوارزمية الجينية، والتغلب على عيوب آلة التعلم المتطرفة التقليدية (ELM) مثل عدم اليقين العالي في التنبؤ، والحساسية للمعلمات، وانخفاض الكفاءة الحسابية. أظهرت الاختبارات على الدول الأربع أن النموذج حقق متوسط نسبة خطأ مئوية مطلقة (SMAPE) بين 10.13% و12.13% في تنبؤات الناتج المحلي الإجمالي، وانخفاضًا إلى 2.99%–3.77% في تنبؤات الأراضي الزراعية، متفوقًا بشكل ملحوظ على النماذج الأساسية مثل ELM وOS-ELM.

أربع حالات، منطق هيكلي واحد

تمثل ماليزيا وموريشيوس وسريلانكا ومدغشقر مراحل تنموية وهياكل صناعية مختلفة داخل IORA. ماليزيا، كدولة صناعية متوسطة الدخل، ترتبط انبعاثات الكربون فيها ارتباطًا وثيقًا بنمو التصنيع؛ بينما شهدت موريشيوس تحولًا من الزراعة إلى الخدمات، وتوازي شدة الكربون فيها الترقية الهيكلية الاقتصادية؛ سريلانكا تتأرجح بين السياحة والزراعة؛ بينما تعتمد مدغشقر على الزراعة ولكنها مقيدة بانخفاض التصنيع. على الرغم من الاختلافات الواضحة، التقط نموذج التعلم الآلي سمة مشتركة: يمكن استخدام انبعاثات ثاني أكسيد الكربون كمتغير وكيل موثوق للتنبؤ بالنشاط الاقتصادي وتغيرات الأراضي.

يشير هذا الاكتشاف إلى أنه في ظل توفر البيانات البيئية بشكل كافٍ، يمكن لمسارات الانبعاثات أن توفر لصانعي القرار إشارات حول اتجاه الناتج المحلي الإجمالي وتغير الأراضي الزراعية قبل عدة سنوات. بالنسبة للدول النامية التي تفتقر إلى الإحصاءات الاقتصادية التفصيلية، قد يكون هذا طريقة عملية لتقييم تأثير السياسات بسرعة.

من التنبؤ إلى السياسة: جسر لأهداف التنمية المستدامةالدراسة بوضوح لا تهدف إلى إقامة علاقات سببية، بل تقدم "توقعات مبنية على الارتباط". لكن قيمة هذه التوقعات لا يُستهان بها. إن تنفيذ أهداف التنمية المستدامة للأمم المتحدة (SDG) 8 (العمل اللائق ونمو الاقتصاد)، و13 (العمل المناخي)، و15 (الحياة على الأرض) في دول رابطة حافة المحيط الهندي (IORA) غالبًا ما يكون مقيدًا بتأخر البيانات وتعقيد النماذج. إن بساطة نموذج XOS-ELM-GA وقدرته على التعلم عبر الإنترنت تمكنانه من استيعاب البيانات الجديدة باستمرار وإخراج توقعات شبه فورية، مما يدعم التعديل الديناميكي لخطط خفض الانبعاثات واستخدام الأراضي.

على سبيل المثال، أخطاء التوقع لمساحة الأراضي الزراعية في سريلانكا ومدغشقر صغيرة جدًا، مما يعني أن واضعي سياسات المناخ يمكنهم بثقة أكبر تقييم الآثار طويلة المدى لإعادة التشجير أو تكثيف الزراعة على ميزانية الكربون.

نموذج جيوسياسي جديد مدفوع بالذكاء الاصطناعي

هذه الدراسة هي نموذج مصغر لاتجاه عالمي: الذكاء الاصطناعي يعيد تعريف حدود التحليل في الاقتصاد البيئي. مع تطور تقنيات مثل آلة التعلم المتطرفة والخوارزميات الجينية، يتم كسر الاختناقات الحسابية للطرق الكمية التقليدية. والأهم من ذلك، أن هذه النماذج "المعتمدة على البيانات" تخفض حاجز الأبحاث متعددة التخصصات - لم يعد الاقتصاديون بحاجة إلى إتقان علوم المناخ، ولا علماء البيئة بحاجة إلى أن يصبحوا خبراء خوارزميات، بل يمكنهم استخدام أدوات التوقع للحوار حول التحديات المشتركة.

تغطي رابطة حافة المحيط الهندي (IORA) ما يقرب من 3 مليارات نسمة، وتمثل ثلث التجارة العالمية. إذا تمكنت نماذج مماثلة من الانتشار إلى دول عضو أخرى، فلن تساعد فقط في التخطيط المستدام لدولة واحدة، بل قد تؤدي إلى آليات تنسيق على المستوى الإقليمي. على سبيل المثال، بالنسبة للاستثمارات الخضراء المتعلقة بالتلوث البلاستيكي البحري أو حماية أشجار المانغروف، يمكن للنموذج أولاً محاكاة العوائد الاقتصادية والمقايضات الأرضية في ظل سيناريوهات انبعاثات كربونية مختلفة، ثم بناء توافق في الآراء.

القيود والاتجاهات المستقبلية

تعترف الدراسة أيضًا بقيودها: تعتمد التوقعات الحالية على الارتباطات التاريخية، ولا يمكن استقراء التقنيات الثورية أو التحولات السياسية المفاجئة (على سبيل المثال، الانتشار الواسع لاحتجاز الكربون). بالإضافة إلى ذلك، فإن استخدام ثاني أكسيد الكربون (CO₂) كمتغير بيئي وحيد يتجاهل أبعاد الاستدامة الأخرى مثل التنوع البيولوجي والموارد المائية. يمكن أن يدمج العمل المستقبلي المزيد من بيانات الاستشعار عن بعد عبر الأقمار الصناعية (مثل الأضواء الليلية، مؤشرات الغطاء النباتي)، وإدخال أطر التعلم متعدد المهام للتنبؤ في وقت واحد بمؤشرات أهداف التنمية المستدامة المتعددة.

على المدى الطويل، لن يحل التعلم الآلي محل التحليل الهيكلي، لكنه يمنح صانعي القرار "نافذة زمنية قابلة للتشغيل". عندما تسعى دول رابطة حافة المحيط الهندي (IORA) للحصول على التمويل في مفاوضات تمويل المناخ، فإن نموذج التوقع القائم على البيانات المحلية والمُراجع من قبل النظراء قد يكون أكثر إقناعًا من الوعود المجردة.

> المصدر المرجعي: Xu, X., et al. (2026). Machine learning-based forecasting of CO₂-related economic growth and agricultural land change in IORA countries. *Scientific Reports*, 16, 21411. https://www.nature.com/articles/s41598-026-51807-1