الفهرس 
الإطار العام للِّدارسةيوجد فقط 14 صفحة متاحة للعرض العام
 |  | from | 156 |  |  |
| | | from | 156 | | |
المستخلص
إكتسبت نماذج تعلم الآلة أهمية بالغة خلال العقيدن الأخيرين، سواء من حيث القدرة على القياس أو التنبؤ أو كلاهما. ومن ثم، فقد تنامت أهمية نماذج الإنذار المُبكِّر كتطوُّر حديثٍ في العقود الثلاثة الماضية، حيث دأبت المُؤسَّساتُ الدوليَّة والخبراءُ وصانعو السِّياسات على استخدامها؛ من أجل تعزيز القدرة على مُواجهة المخاطر والعمل على إيجاد سُبُلٍ للتنبُّؤ والاستعداد للأزمات. ومن ثمَّ، فإنَّ هذه النماذج تمثِّل مُحاولةً للحدِّ من الأزمات التي تعترضُ عمل الأنظمة الاقتصاديَّة. في ذات الوقت، كانت أزمات ميزان المدفوعات في ازدياد هي الأخرى، ولم تقف عند حدود الاقتصادات المتقدمة، لكنها امتدت لتصل إلى الاقتصادات الناشئة والنامية معا. وعليه، فقد هدفت الدراسة الحالية إلى القياس والتنبُّؤ بأزمات ميزان المدفوعات المصريِّ باستخدام أساليب تعلُّم الآلة. ومن خلال استخدام بيانات للفترة (1960- 2021)، تبين أن الاقتصاد المصري يتعرض خلال العقد الواحد لأزمتين أو ثلاثة على الأقل. ومن أجل ذلك، تمَّ اقتراح وتطوير نظام الإنذار المُبكِّر مع الشبكات العصبيَّة الاصطناعيَّةArtificial neural networks (ANN) ، وشجرة القرار Decision tree، ونموذج الدعم الآليِّ support vector Machine (SVM)، ونموذج الغابة العشوائيَّة Random Forest، ونموذج الذاكرة طويلة قصيرة المدى LSTM لاختيار أيّها أفضل من حيث المُلاءَمة ودقة التنبُّؤ بأزمات ميزان المدفوعات المصريِّ. وعلى الرَّغم من أنَّ نموذج الغابة العشوائيَّة الأعلى في الدقَّة 92.37% بين النماذج المُستخدَمة في الدِّراسة، لكنَّ نموذج الدعم الآليِّ وإن كانت تُمثِّل درجة دِقَّته 92.3 % أقلَّ بنسبة 0.07% عن نموذج الغابة العشوائيَّة إلا أنه يتفوَّق عليه في اختبار أسلوب الـ AUC حيث بلغ 95%، بينما الغابة العشوائيَّة 89% فقط، وكذلك في اختبار الجذر التربيعيِّ للخطأ كان الأقلّ خطأً، حيث مثَّل فقط 28%، بينما كانت الغابة العشوائيَّة 55%، وبالتالي نوصي باستخدام نموذج الدعم الآليِّ SVM كأفضل نموذجٍ للتنبُّؤ بأزمات ميزان المدفوعات المصريِّ.