تحليل dataو احصائي ببرنامج mini tab

📊 بحكم أن مجال دراستي منذ البكالوريوس مرورًا بالماجستير وحتى الدكتوراه كان مرتبطًا بالسياحة واقتصاديات التنمية السياحية المستدامة، قررت أن أوظف ما أتعلمه حاليًا في مجال تحليل البيانات في مشروع مرتبط بتخصصي، حيث قمت بتحليل العوامل المؤثرة في الإيرادات السياحية بين 30 دولة حول العالم باستخدام بيانات البنك الدولي لعام 2019.

اخترت عام 2019 تحديدًا حتى لا تتأثر النتائج بتداعيات جائحة كورونا على قطاع السياحة، ثم قمت باختيار مجموعة من المؤشرات التي توقعت أن يكون لها تأثير على الإيرادات السياحية، وهي:

✔ عدد السائحين الوافدين

✔ الناتج المحلي الإجمالي للفرد

✔ عدد مستخدمي الإنترنت

✔ معدل البطالة

✔ انبعاثات ثاني أكسيد الكربون للفرد

بعد ذلك قمت بتنزيل البيانات في Excel، وتنظيفها وتحويلها إلى شكل مناسب للتحليل باستخدام Pivot Table، ثم استيرادها إلى برنامج Minitab لإجراء التحليلات الإحصائية.

خلال المشروع قمت بحساب:

• المتوسط والوسيط وأعلى وأقل القيم.

• معامل الارتباط (R).

• قيمة P-Value.

• نماذج الانحدار المتعدد (Regression).

• معامل VIF للكشف عن مشكلة Multicollinearity.

أظهرت النتائج وجود علاقات قوية بين بعض المتغيرات، خاصة بين الناتج المحلي الإجمالي وعدد مستخدمي الإنترنت. كما أظهرت قيم VIF المرتفعة وجود مشكلة Multicollinearity، مما جعل من الصعب على نموذج الانحدار تحديد أي المتغيرين كان له التأثير الأقوى على الإيرادات السياحية.

ومن أهم الأشياء التي تعلمتها خلال هذا المشروع أن الارتباط لا يعني بالضرورة وجود سببية مباشرة. فوجود علاقة قوية بين الناتج المحلي الإجمالي والإيرادات السياحية لا يعني أن زيادة الناتج المحلي وحدها تؤدي إلى زيادة الإيرادات السياحية، وإنما قد يكون كلاهما مرتبطًا بعوامل أوسع مثل مستوى التنمية والبنية التحتية وجاذبية الدولة للسياح.

ولزيادة موثوقية النتائج، قمت ببناء ثلاثة نماذج انحدار مختلفة ومقارنتها باستخدام قيم R² وبعض مؤشرات الأداء التنبؤية، وذلك لاختيار النموذج الأكثر قدرة على تفسير التغير في الإيرادات السياحية. وقد حقق أفضل نموذج قيمة R² تقارب 93%، مما يعني أنه استطاع تفسير نسبة كبيرة من التغيرات في الإيرادات السياحية.

كما قمت باستخدام Log Transformation لكل من عدد السائحين الوافدين والإيرادات السياحية لتحسين عرض البيانات في Scatter Plot وإظهار العلاقة الخطية بشكل أوضح.

وفي خطوة إضافية، قمت بإنشاء مؤشر لقياس كفاءة الإيرادات السياحية (Tourism Revenue Efficiency) من خلال حساب الإيراد السياحي لكل سائح.

وأظهرت النتائج وجود فروق واضحة بين الدول:

📍 حققت بنما أعلى قيمة في العينة بحوالي 2828 دولارًا لكل سائح.

📍 بينما حققت مصر حوالي 1094 دولارات لكل سائح، وهو معدل أعلى من كل من المتوسط والوسيط للعينة.

أما الصين فقد ظهرت بقيمة صفرية، وهو ما يبدو غير منطقي اقتصاديًا، ولذلك أرجح أن السبب يعود إلى بيانات مفقودة أو عدم توافر القيمة الأصلية في قاعدة البيانات المستخدمة، وليس إلى الأداء السياحي الفعلي للدولة.

أكثر ما تعلمته من هذا المشروع أن تحليل البيانات لا يقتصر على استخراج الأرقام أو تشغيل البرامج الإحصائية، بل يعتمد على طرح الأسئلة الصحيحة، ومراجعة النتائج بشكل نقدي، ومحاولة فهم ما وراء الأرقام وربطها بالواقع لاتخاذ قرارات أفضل.

#DataAnalytics #ResearchAnalytics #TourismAnalytics #Minitab #Statistics #DataAnalysis #SustainableTourism