11/08/2026
📌 ما الذي يجب أن يعرفه Economist وEconometrician في 2026؟ وهل ما زالت Econometrics التقليدية مهمة في عصر AI وMachine Learning؟
📌 ما الذي يجب أن يعرفه Economist وEconometrician في 2026؟ وهل ما زالت Econometrics التقليدية مهمة في عصر AI وMachine Learning؟
هذا سؤال أصبح جوهريًا لأي طالب دكتوراه، باحث، أستاذ، أو شخص يريد بناء مسار مهني جدي في Economics وEconometrics.
بعد متابعة الاتجاهات الحديثة في البحث العلمي وسوق العمل، وخصوصًا ما تطلبه حاليًا مؤسسات وشركات مثل OpenAI, Anthropic, Amazon, IMF, ECB, BIS، بالإضافة إلى الأدبيات الحديثة في Machine Learning, Causal Inference وLLMs، أعتقد أن الصورة في 2026 أصبحت واضحة:
المستقبل ليس AI بدل Economics، وليس Machine Learning بدل Econometrics.
المستقبل هو الباحث الذي يستطيع الجمع بين:
Economic Theory + Econometrics + Causal Inference + Machine Learning + Programming + AI + Domain Knowledge.
والباحث الذي يمتلك هذه التركيبة ستكون لديه ميزة كبيرة جدًا خلال السنوات القادمة.
تقارير سوق العمل الأوسع تسير في الاتجاه نفسه. تقرير Future of Jobs يضع AI and Big Data بين أسرع المهارات نموًا، مع استمرار أهمية Analytical Thinking, Systems Thinking, Technological Literacy, Creative Thinking والتعلم المستمر. كما أن PwC حللت أكثر من مليار Job Advertisements في 27 سوقًا في تقريرها لعام 2026، وتجد أن AI لا يجعل المعرفة البشرية غير مهمة، بل يرفع أهمية Judgement, Leadership, Adaptability والخبرة المتخصصة في الوظائف المعرضة بقوة للـAI.
والـIMF يشير في دراسة منشورة في 2026 إلى أن ظهور المهارات الجديدة، خصوصًا IT وAI Skills، أصبح يؤثر بالفعل في الأجور والتوظيف، وأن الوظائف التي تطلب AI Skills تحصل عمومًا على Wage Premium، مع وجود مخاطر أكبر على الوظائف التي يكون فيها AI بديلاً للعمل وليس Complement له.
إذن، ماذا يجب أن يتعلم الباحث الاقتصادي في 2026؟
1️⃣ Economic Theory أولًا — وليس آخرًا.
يجب ألا يتحول Economist إلى شخص يشغّل Algorithms فقط.
الأساس يبقى:
Microeconomics, Macroeconomics, Optimization, Game Theory, Industrial Organization, Labor Economics, Public Economics, Monetary Economics, Development Economics, Finance...
بحسب تخصصه.
لماذا؟
لأن Algorithm يمكنه أن يجد Pattern، لكنه لا يخبرك تلقائيًا ما هي الآلية الاقتصادية Economic Mechanism، ولا ما هو Counterfactual المناسب، ولا لماذا تتغير استجابة Agents عندما تتغير Policy.
قيمة Economist الحقيقية ليست أنه يعرف تشغيل XGBoost؛ القيمة أنه يفهم Behavior, Incentives, Equilibrium, Identification وCounterfactuals.
2️⃣ Traditional Econometrics ما زالت أساسية جدًا.
وهنا توجد واحدة من أكبر الأفكار الخاطئة المنتشرة حاليًا:
البعض يتصور أن ظهور Machine Learning يعني نهاية Regression أو Panel Data أو IV أو DiD.
هذا غير صحيح.
يجب أن يظل الباحث قويًا في:
OLS, Maximum Likelihood, GMM, Panel Data, Fixed Effects, Random Effects, Instrumental Variables, Difference-in-Differences, Regression Discontinuity, Randomized Experiments, Treatment Effects, Time Series, VAR/VECM, Cointegration, Forecasting, Structural Models, Robust Inference.
السبب بسيط:
معظم Machine Learning التقليدي ممتاز في Prediction.
لكن كثيرًا من أسئلة Economics هي أسئلة Causal/Counterfactual:
ماذا سيحدث لـY إذا غيّرنا X؟
ما أثر Policy معينة؟
هل رفع Minimum Wage سبّب التغير في Employment؟
ما أثر Interest Rate Shock؟
ما أثر برنامج دعم معين؟
هذا يختلف جذريًا عن سؤال:
“هل أستطيع Predict Y بدقة؟”
هذه النقطة ليست جديدة؛ الأدبيات الاقتصادية نفسها تؤكد منذ سنوات أن Machine Learning وEconometrics يحلان في كثير من الحالات مشكلات مختلفة ومتكاملة، خصوصًا Prediction مقابل Causal/Parameter-oriented questions.
والأهم أن الأدبيات الحديثة جدًا في 2026 لا تتخلص من Econometrics عندما تدخل AI، بل تفعل العكس: تستخدم classical and semiparametric econometric ideas لتصحيح الانحياز الناتج عن Neural Networks وAI-generated measurements.
ورقة حديثة عُرضت ضمن NBER Summer Institute 2026 مثلًا تربط استخدام Text, Images وNeural Network predictions مباشرةً بمشكلات Econometrics الكلاسيكية مثل Measurement Error, IV, DiD, RDD وSemiparametric Inference، وتقول بوضوح إن الأطر الإحصائية والاقتصادية الكلاسيكية تظل Foundational حتى مع LLMs.
إذن:
لا تترك Econometrics لتتعلم AI.
بل تعلم AI فوق قاعدة Econometrics قوية.
3️⃣ الانتقال من Econometrics التقليدية إلى Modern Causal Inference.
هذه ربما أهم إضافة يجب على Econometrician الحديث أن يتقنها.
ليس فقط تشغيل Regression، وإنما التفكير في:
Potential Outcomes Framework, DAGs/Causal Graphs, Selection Bias, Confounding, Identification, Heterogeneous Treatment Effects, Synthetic Control, Modern DiD, Event Studies, Doubly Robust Methods, Orthogonalization, Double/Debiased Machine Learning, Causal Forests, Policy Learning.
هنا تحديدًا يحدث الاندماج الحقيقي بين Econometrics وMachine Learning.
بدل السؤال:
Econometrics أم Machine Learning؟
السؤال الأكثر حداثة أصبح:
كيف نستخدم Flexible Machine Learning داخل Causal Estimation مع الاحتفاظ بـvalid statistical inference؟
وهذا بالفعل أحد أكبر اتجاهات البحث الحديثة.
4️⃣ Machine Learning أصبح جزءًا من Toolbox الاقتصادي.
Economist في 2026 يجب على الأقل أن يفهم جيدًا:
Regularization — LASSO/Ridge/Elastic Net
Decision Trees
Random Forest
Gradient Boosting
XGBoost/LightGBM
Classification
Clustering
Dimension Reduction
Cross-Validation
Hyperparameter Tuning
Bias-Variance Trade-off
Out-of-Sample Evaluation
Feature Engineering.
لكن يجب أيضًا أن يعرف متى لا يستخدم ML.
أحيانًا Regression بسيط مبني على Identification Strategy جيدة أفضل علميًا من Deep Neural Network معقدة.
المقياس ليس تعقيد Model.
المقياس هو:
هل المنهج يجيب فعلًا عن Research Question؟
5️⃣ Python + R + SQL أصبحت تقريبًا اللغة الجديدة للاقتصادي التطبيقي.
في 2026 أرى أن الباحث الجاد ينبغي ألا يعتمد على Software واحد فقط.
الأولوية عندي:
Python + R + SQL.
مع معرفة Stata لأنها ما زالت مهمة جدًا في Academic Economics وPolicy Research وفي كثير من Replication Packages.
أما Julia فهي مفيدة جدًا لمن يدخل Computational Economics, Structural Models وComputational Macro.
وفي سوق العمل الحالي، هذه ليست نصيحة نظرية.
وظيفة Economist الموجودة حاليًا لدى OpenAI تطلب صراحة خبرة في large/complex datasets، SQL، Python أو R، Econometrics، Applied Microeconomics، Causal Inference وStructural Modeling.
Anthropic أيضًا تطلب في وظيفة Research Economist الحالية مهارات في Python/R/SQL إلى جانب frontier Econometrics, Machine Learning, Structural Estimation, Causal Inference, Time-Series Forecasting وMacroeconomic Modeling.
هذا تقريبًا وصف مباشر للـEconomist الحديث.
6️⃣ Data Engineering وReproducible Research لم تعد تفاصيل ثانوية.
كثير من الباحثين يتعلمون Models معقدة ولكنهم لا يستطيعون إدارة Research Project كبير بطريقة قابلة لإعادة الإنتاج.
يجب تعلم:
Git/GitHub
Linux/Command Line basics
APIs
Data Pipelines
Databases
Reproducible Environments
Automated Workflows
Testing and Validation
Documentation.
ولا يحتاج Economist أن يصبح Software Engineer كاملًا.
لكن يجب أن يستطيع بناء clean and reproducible empirical pipeline.
في عصر AI، قيمة الباحث لن تكون في كتابة 1000 سطر Code يدويًا؛ AI يستطيع المساعدة كثيرًا في ذلك.
القيمة ستكون في معرفة:
ما الذي يجب بناؤه؟
هل الكود صحيح؟
هل Data Leakage موجود؟
هل Identification صحيحة؟
هل النتيجة Robust؟
وهل يمكن Reproduce النتيجة؟
7️⃣ Unstructured Data ستكون من أكبر مناطق النمو في Economic Research.
الاقتصادي لم يعد محصورًا في Dataset فيها Rows وColumns.
لدينا الآن:
Text
News
Central-bank communication
Company reports
Earnings calls
Patents
Images
Satellite Data
Audio
Video
Web Data
Transaction Data
Platform Data
Administrative Data.
Deep Learning وLLMs تسمح بتحويل هذه البيانات إلى Economic Variables بكلفة أقل بكثير من السابق، ولهذا تظهر مساحة بحثية ضخمة في Text-as-Data, NLP, Computer Vision for Economics وGeospatial Economics.
لكن يوجد تحذير مهم جدًا:
إذا استخدمت AI لتصنيف Text أو Image وصنعت منها Variable ثم وضعتها مباشرة داخل Regression، فإن Prediction Error للـAI يمكن أن ينتقل إلى Econometric Results.
ولهذا يوجد الآن مجال بحثي كامل حول Inference with AI-generated variables, Prediction-Powered Inference, Measurement Error Correction وDebiasing.
وهذا مثال جميل على أن AI لم يقتل Econometrics؛ بل خلق مشكلات Econometric جديدة.
8️⃣ Generative AI وLLMs يجب أن تصبح جزءًا من Research Workflow.
لكن معرفة ChatGPT أو Claude لا تعني أنك أصبحت AI Researcher.
المستوى الذي يحتاجه Economist يتجاوز Prompt Engineering البسيط إلى فهم:
LLM APIs
Embeddings
RAG — Retrieval-Augmented Generation
Structured Extraction
Agents/Agentic Workflows
Tool Use
LLM Evaluation
Hallucination Detection
Grounding
Fine-tuning basics
AI-assisted Coding
AI-assisted Literature Review
AI-assisted Data Extraction.
LLMs أصبحت أيضًا أداة بحثية بحد ذاتها.
يمكن استخدامها مثلًا في استخراج Variables من ملايين الوثائق أو تصنيف Text أو بناء Measurements جديدة.
هناك بالفعل Econometric frameworks مخصصة لكيفية التعامل مع outputs القادمة من LLMs، بدل معاملتها كأنها Ground Truth.
أي أن الباحث الحديث يجب أن يعرف كيف يستخدم AI، وكيف يشك في AI في الوقت نفسه.
9️⃣ Time Series وForecasting لم تختفِ — بل تغيرت.
بالنسبة لمن يعمل في:
Macroeconomics, Monetary Economics, Finance, Energy, Inflation, Central Banking
يبقى من الضروري فهم:
ARIMA
VAR/SVAR
Cointegration
State-Space Models
Kalman Filter
Volatility Models
Forecast Evaluation
Nowcasting.
ثم إضافة:
Machine Learning Forecasting
Gradient Boosting
Neural Forecasting
High-dimensional models
Alternative Data
Text-based indicators.
والدليل أن Anthropic أعلنت حاليًا عن وظيفة تحمل اسم Transformative AI Research Economist، وتطلب تحديدًا Macroeconomic Modeling, Growth Theory, Structural Estimation, Scenario-based Forecasting, Time Series, Computational Methods وPython/Julia.
إذن حتى أكثر وظائف “AI Economics” مستقبلية لا تقول اترك Macroeconomics أو Structural Economics.
بل تقول:
ادمجها مع Computational Methods وAI.
🔟 Communication + Economic Judgment ستصبح أكثر قيمة وليس أقل.
كلما أصبح Code أرخص وModels أسهل في التشغيل، ستصبح المهارات النادرة هي:
Problem Formulation
Research Design
Economic Intuition
Critical Thinking
Scientific Judgment
Writing
Visualization
Policy Communication
Business Communication.
أي شخص تقريبًا سيتمكن من أن يطلب من AI:
“Run a Random Forest.”
لكن عددًا أقل بكثير سيتمكن من الإجابة عن:
“هل هذا السؤال Causal أم Predictive؟”
“هل لدينا Identification؟”
“ما هو Counterfactual الصحيح؟”
“هل Selection Bias موجود؟”
“ما الافتراض الاقتصادي الذي يجعل هذه النتيجة قابلة للتفسير؟”
وهذا بالضبط ما يجعل التدريب العميق في Economics وEconometrics أكثر قيمة.
🔴 إذن هل Traditional Econometrics ستختفي؟
إجابتي: لا.
لكن Econometrics التي تقف وحدها ولا تتفاعل مع التطورات الجديدة ستصبح أقل تنافسية.
المستقبل ليس:
Econometrics → ❌
Machine Learning → ✅
بل:
Traditional Econometrics
→ Modern Causal Inference
→ Causal Machine Learning
→ AI/LLMs + Unstructured Data
→ Automated and Reproducible Research.
ويمكن رؤية ذلك مباشرة في سوق العمل.
Amazon تقول رسميًا إن Economists لديها يعملون على Market Design, Forecasting, Program Evaluation, Online Advertising، Randomized Experiments وEconometric Models، ويعملون إلى جانب Applied Scientists وEngineers.
وفي وظائف Amazon المحدثة خلال يوليو 2026 نجد فرق Economics تجمع صراحة بين Economic Theory, Causal Inference, Machine Learning, LLMs وGenerative AI.
أي أن الفصل القديم بين “Economist” و“Data Scientist” أصبح أضعف بكثير.
لكن Economist يحتفظ بميزة مهمة جدًا:
Causal Reasoning + Economic Structure + Counterfactual Thinking.
🚀 وماذا عن الوظائف الجديدة أو المتوسعة أمام الاقتصادي؟
نحن لم نعد نتحدث فقط عن الوظائف الكلاسيكية مثل University Professor, Central Bank Economist أو Government Economist.
في 2026 نرى بالفعل مسارات مثل Economist in Tech, Research Economist, AI Economist, Transformative AI Research Economist, Economic Data Scientist, Causal Inference Scientist, Experimentation Scientist, Decision Scientist, Applied Scientist, Economic Measurement Researcher, Computational Economist, Quantitative Economist, Pricing Economist, Market Design Economist, Ads Measurement Economist, Labor/AI Economist, Technology Economist, Policy Data Scientist وComputational Social Scientist.
وهناك أيضًا توسع مهم في Climate/Energy Economics, Digital Economy, Platform Economics, Competition/Antitrust Economics, FinTech, Payments, Tokenisation, CBDCs, Financial Stability وAI Policy Economics.
هذه ليست مجرد أسماء افتراضية.
OpenAI لديها حاليًا فريق Economic Research ووظيفة Economist لدراسة تأثير AI في Labor Markets, Firms, Productivity, Market Dynamics وMacroeconomic Change باستخدام large-scale data.
Anthropic لديها حاليًا وظائف Research Economist, Regional Research Economist وTransformative AI Research Economist ضمن Economic Research.
والقطاع العام يتغير أيضًا: ECB لديها أدوار Economist-Statistician تستخدم Python وتتقاطع مع Digitalisation, Tokenisation وAI، بينما BIS تعرض مسارات تجمع Economists مع Data Scientists في مجال Monetary and Financial Stability.
📌 إذا طلب مني طالب Economics أو Econometrics اليوم أن أعطيه Roadmap واحدًا فقط، فسأقول له:
ابدأ بقوة في:
Mathematics + Probability + Statistics + Economic Theory
ثم:
Traditional Econometrics + Time Series/Panel Data
ثم:
Modern Causal Inference
ثم:
Python + R + SQL + Git
ثم:
Machine Learning
ثم:
Causal Machine Learning
ثم:
NLP + Text-as-Data + Geospatial/Alternative Data حسب تخصصك
ثم:
Generative AI + LLMs + RAG + Agents
ثم تعلم كيف تجعل كل ذلك يعمل داخل:
Reproducible Research Workflow.
ولا تحاول أن تصبح خبيرًا في كل شيء.
اختر بعد ذلك Specialization قويًا:
Macro, Labor, Development, Finance, IO, Monetary, Environmental, Health, Public Economics...
واجعل AI وData وEconometrics أدوات تخدم ذلك التخصص.
🎯 الخلاصة النهائية:
ربما أخطر خطأ يمكن أن يرتكبه طالب Economics اليوم هو أن يقول:
“بما أن AI موجود، فلا داعي لأن أتعلم Econometrics.”
والخطأ المقابل هو أن يقول:
“أنا أعرف Stata وRegression، إذن لا أحتاج Machine Learning أو Python أو AI.”
كلاهما خطأ.
الـEconomist الأقوى في السنوات القادمة سيكون شخصًا يفهم الاقتصاد بعمق، ويفهم Identification وCausal Inference، ويستطيع التعامل مع large and unstructured data، ويبرمج، ويفهم Machine Learning، ويستخدم LLMs وAI Agents لزيادة إنتاجيته، ولكنه لا يسمح للـAI أن يحل محل Scientific Judgment.
وباختصار شديد:
The future is not AI versus Econometrics.
The future is AI-augmented Econometrics and Economics.
والميزة التنافسية الحقيقية ستكون لدى الباحث القادر على التحدث بثلاث لغات في الوقت نفسه:
Economics + Causal Inference + Computation.
ومن يضيف إليها AI literacy حقيقية وليس مجرد استخدام Chatbots، سيكون في موقع قوي جدًا للبحث الأكاديمي ولسوق العمل خلال السنوات القادمة.
