اثر دمج الذكاء الاصطناعي في الاقتصاد القياسي لصالح الاقتصاد الإسلامي
“دراسة استطلاعية باستخدام تقنيات المحاكاة ببرمجةR”

د ايهاب اسماعيل احمد
دكتور احصاء جامعة الهداية
دكتور اقتصاد جامعة الهداية

مقدمة

حاليا في العالم المعاصر يوجد تحولات جذرية في أدوات التي تخص التحليل الاقتصادي والتحليل القياسي. ونتيجة هذا التطور الملاحظ السريع جدا في تقنيات الذكاء الاصطناعي، ذلك دمج هذه تقنيات في الاقتصاد الإسلامي مع الاقتصاد القياسي يهدف إلى التحسين والدقة في التقنية ورفع كفاءة التنمية والوصول إلى أقل قيمة للأخطاء الإحصائية. ولذلك لا بد من إعادة نظر في دور الاقتصاد القياسي مع الجمع مع الذكاء الاصطناعي لخدمة الاقتصاد الإسلامي. لأن ذلك لا يتوقف على الجانب التقني فقط بل يذهب إلى أبعاد قيمة بل يخدم المقاصد الشرعية بحيث يكون يوجد دقة في الاقتصاد الإسلامي عند تطبيقه في الحياة.

وقد تمت دراسة المحاكة الإحصائية في هذا البحث. لتوليد بيانات افتراضية لكي يتم دراسة العلاقة بين متغيرات البحث من دمج الذكاء الاصطناعي في الاقتصاد القياسي وذلك لخدمة مقاصد الشريعة وهذا في خدمة الاقتصاد الإسلامي وقد تم استخدام في ذلك المحاكاة لنماذج الانحدار الغير خطية وأسلوب إعادة المعاينة وتحليل التباين وذلك من أجل إظهار القدرة التفسيرية و التنبؤية لذلك النموذج المقترح في بيئة المحاكاة وهنا أوضح أن هذا التصميم لا يمثل علاقات سببية واقعية مباشرة ولكن يمثل سلوك النموذج في إطار بيانات افتراضية لنظرية محددة وهي دمج الذكاء الاصطناعي في الاقتصاد القياسي لخدمة الاقتصاد الإسلامي ولذلك فهذه الدراسة ذات طابع استكشافي ومنهجي في المقام الأول وأهمية هذه الدراسة أنها تدمج بين الاقتصاد القياسي والذكاء الاصطناعي وأيضا تقدم نموذجا تجريبيا لتقييم الأداء التنبئي وتربط بين الأدوات الكمية الحديثة والمفاهيم القيمة للمقاصد الشرعية وتفتح المجال لدراسة مستقبلية تعتمد على بيانات واقعية مع العلم قد تم بناء مؤشر مركب لمقاصد الشريعة عن طريق عمل متوسط مرجح لكل من (الكفاءة، العدالة، تقليل الضرر، تعظيم المنفعة)، وتم التاكد من الاتساق الداخلي عن طريق معامل كرونباخ ألفا وهنا الدراسة محاكاة وليست سببية

مشكلة البحث

يوجد تطور كبير في الاقتصاد القياسي ولكن هذه النماذج مقيدة ويظهر ذلك في التعامل مع البيانات العالية التعقيد والغير خطية ولذلك دمج الذكاء الاصطناعي يرفع من كفاءة الاقتصاد القياسي وفي الاقتصاد الإسلامي تزداد الحاجة إلى مثل تلك النماذج التي تسهم في تحقيق مقاصد الشريعة من داخل الاقتصاد الإسلامي ولذلك السؤال الرئيسي هو ما هو مدى أثر وتأثير دمج الذكاء الاصطناعي في النماذج الاقتصادية القياسية على تحسين ودعم تحقيق مقاصد الشريعة وذلك في بيئة المحاكاة الاحصائية ببرنامجR

الفرضيات

• الفرضية الاولي: يوجد تأثير معنوي من دمج الذكاء الاصطناعي وذلك يحسن دقة التنبؤ في نموذج تقييم مقاصد الشريعة مقارنة بالنماذج التقليدية.
• الفرضية الثانية: المتغيرات التي تقليل التكاليف أكثر تأثيرا علي مؤشر مقاصد الشريعة مقارنة بالمتغيرات الأخرى.
• الفرضية الثالثة: نماذج الذكاء الاصطناعي تهدف إلى الدقة التنبؤية الأعلى مقارنة بالتقليدية.
• الفرضية الرابعة: يوجد فرق بين متوسط خدمة المقاصد تبعا لمستوى الذكاء الاصطناعي.

الإطار النظري

دمج الاقتصاد القياسي مع الذكاء الاصطناعي لتطوير نماذج هجينة يفيد في زيادة دقة التنبؤ

أولا الاقتصاد القياسي

وهو يعتمد على نماذج الاقتصاد القياسي التي تشترط وجود علاقات خطية ولكن هذه الاشتراطات مقيدة ولا تتناسب مع بعض البيانات الضخمة

ثانيا الذكاء الاصطناعي

في تحليل الاقتصاد بالذكاء الاصطناعي نقلة كبيرة في تحليل البيانات لأنه يتعامل مع جميع العلاقات سواء خطية أو غير خطية معقدة أو غيرمعقدة

ثالثا التكامل بين الاقتصاد القياسي والذكاء الاصطناعي

وقد ظهر اندماج الاقتصاد القياسي مع الذكاء الاصطناعي وهذا يؤدي القوة التنبؤية في النماذج الحديثة

رابعا مقاصد الشريعة

في تحليل الاقتصاد فان مقاصد الشريعة تركز على الكفاءة، رفع الضرر، تحقيق العدل، تعظيم المنفعة العامة ولذلك يمكن استخدام هذه المقاصد كمؤشر معياري لتقييم جودة السياسات الاقتصادية

التعليق علي نتائج المحاكاة

1. الأداء التنبؤي للنموذج

حقق نموذج Random Forestوهو تقسيم بيانات تدريبي واختباري للتحقق من قدرة النموذج على التعميم” دقة عالية جدا 94%، مما يدل على قدرة عالية على التقاط العلاقات للمتغيرات الذكاء الاصطناعي والمتغير التابع (خدمة مقاصد الشريعة). وايضا قيمة Kappa 0.90 تدل علي اتفاق قوي بين القيم الفعلية والمتوقعة.

2. أهمية المتغيرات

توضح نتائج تحليل الأهمية أن متغير تقليل التكاليف ودمج الذكاء الاصطناعي لهما تاثير كبير ، وهذا يدل علي البعد الاقتصادي التشغيلي يؤثر في تحسين مؤشرات المقاصد.

3. النتائج الإحصائية التقليدية

توضح نتائج ANOVA وتم ايجاد حجم الأثر لقياس القوة العملية للفروق الإحصائية ونتج وجود فروق معنوية عالية بين مستويات دمج الذكاء الاصطناعي (p < 0.001)، مما يثبت الفرضية القائلة بوجود تأثير له.

4. التفسير العلمي العام

تشير النتائج إلى أن دمج الذكاء الاصطناعي في النماذج الاقتصادية القياسية يمكن أن يحسن من جودة التقدير والتنبؤ من خلال المحاكاة

الخاتمة

من السابق يظهر دمج الذكاء الاصطناعي والاقتصاد القياسي يمثل اتجاهًا واعدًا في تطوير أدوات التحليل الاقتصادي، بدوره يدعم السياسات الاقتصادية من منظور مقاصد الشريعة في الاقتصاد الاسلامي ،والدراسة محاكاة وليست سببية ومن هنا الدعوة للتطبيق الفعلي لهذه المحاكاة بعمل تطبيقات تجريبية مستقبلية للتحقق من نتائج النموذج.

المراجع

Aysan, A. F., & Mohammed, M. M. (2026). Impact of AI on Bank Performance: A Comparative Study of Conventional and Islamic Banks in GCC. Hamad Bin Khalifa University (HBKU) – مشروع نشط (فبراير-ديسمبر 2026).

Ali, H. (2025). A Proposed Mathematical Model to Assess the Potential Impact of Generative AI Adoption in Islamic Financial Institutions. International Journal of Islamic Economics and Finance (IJIEF), 8(1), 126–146.

Simatupang, A. D. R., Nakamura, Y., & Suzuki, S. (2025). Artificial Intelligence for Predictive Risk Management in Islamic Banking: Opportunities and Ethical Challenges. Journal Markcount Finance, 3(3), 265–279.

Sidik, H. M., Santosa, W., Arafah, W., Usman, B., Gunawan, I., et al. (2026). The Convergence of Artificial Intelligence, Bayesian Learning, and Sharia Principles: A Systematic Review of Islamic Financial Analytics and Entrepreneurial Innovation. Jurnal Manajemen dan Kewirausahaan (JMK), 28(1), 49–64.

Badawi, A. (2025). Development of Smart Islamic Finance: Synergy of Artificial Intelligence and Sharia Economic Principles. Al-Muhtarifin: Journal of Islamic Economics and Finance, 4(2).

الملاحق

نتائج كود البرمجة

source("~/.active-rstudio-document")
Confusion Matrix and Statistics

          Reference
Prediction  2  3  4  5
         2  5  0  0  0
         3  1 62  2  0
         4  1  3 66  1
         5  0  0  0  7

Overall Statistics
                                          
               Accuracy : 0.9459          
                 95% CI : (0.8963, 0.9764)
    No Information Rate : 0.4595          
    P-Value [Acc > NIR] : < 2.2e-16       
                                          
                  Kappa : 0.9072          
                                          
 Mcnemar's Test P-Value : NA              

Statistics by Class:

                     Class: 2 Class: 3 Class: 4 Class: 5
Sensitivity           0.71429   0.9538   0.9706  0.87500
Specificity           1.00000   0.9639   0.9375  1.00000
Pos Pred Value        1.00000   0.9538   0.9296  1.00000
Neg Pred Value        0.98601   0.9639   0.9740  0.99291
Prevalence            0.04730   0.4392   0.4595  0.05405
Detection Rate        0.03378   0.4189   0.4459  0.04730
Detection Prevalence  0.03378   0.4392   0.4797  0.04730
Balanced Accuracy     0.85714   0.9589   0.9540  0.93750

                               variable importance
cost_reduction             cost_reduction   40.86175
AI_integration             AI_integration   37.35104
accuracy_improvement accuracy_improvement   29.01583
risk_prediction           risk_prediction   25.93071
AI_speed                           AI_speed   25.67265
AI_teaching                     AI_teaching   24.03917

                Df Sum Sq Mean Sq F value Pr(>F)    
AI_integration   1  66.25  66.25   200.3 <2e-16 ***
Residuals      498 164.68   0.33                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1