دراسة إحصائية مقارنة للتنبؤ بإيرادات الموارد النفطية في جمهورية مصر العربية باستخدام نماذج الشبكات العصبية المتكررة

ملخص البحث
يهدف هذا البحث إلى مقارنة كفاءة ودقة التنبؤ بإيرادات الموارد النفطية (ORR) باستخدام نماذج الشبكات العصبية المتكررة (RNN) مثل LSTM وGRU، بالإضافة إلى نماذج السلاسل الزمنية متعددة المتغيرات. ركزت الدراسة على تحليل العلاقات بين إيرادات الموارد النفطية ومتغيرات اقتصادية مهمة تشمل إجمالي الناتج المحلي (GDP)، والاستثمار الأجنبي المباشر (FDI)، وسعر الصرف الرسمي (OER)، وإجمالي عدد السكان (TP)..تم تقييم أداء النماذج باستخدام مقاييس مثل متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط النسبة المطلقة للخطأ (MAPE) لتحديد النموذج الأكثر دقة في التنبؤ بالقيم المستقبلية. أظهرت النتائج أن الشبكات العصبية المتكررة، ولا سيما LSTM وGRU، تفوقت في التعامل مع الأنماط غير الخطية والبيانات ذات التعقيدات الهيكلية مقارنةً بالنماذج التقليدية. أبرزت الدراسة أن نموذج LSTM يتميز بأعلى دقة للتنبؤات الزمنية المعقدة، ولكنه يتطلب وقتاً وموارد حسابية أكبر، بينما يمثل GRU بديلاً فعالاً وأقل تعقيداً، مع أداء قريب من LSTM. بناءً على هذه النتائج، أوصت الدراسة باستخدام تقنيات التعلم العميق في التنبؤ بالبيانات الزمنية الاقتصادية لتحسين دقة التوقعات المستقبلية. كما دعت الدراسة إلى الاستفادة من التحليل الإحصائي لتعزيز السياسات الاقتصادية ودعم اتخاذ القرارات المستندة إلى بيانات دقيقة. يُمكن أن تسهم هذه النتائج في تحقيق استقرار اقتصادي من خلال اعتماد أدوات تنبؤية متقدمة لمعالجة القضايا الاقتصادية والتخطيط الاستراتيجي.
الكلمات المفتاحية : التنبؤ بإيرادات الموارد النفطية ، RNN ، LSTM ، GRU