التقييم المالي لشركات الذكاء الاصطناعي: دراسة قياسية باستخدام نموذج أولسون المعدل وبيانات البانل
الملخص
تهدف هذه الدراسة إلى استقصاء محددات التقييم السوقي لشركات الذكاء الاصطناعي (AI)، وذلك لتحديد ما إذا كان الارتفاع الأخير في أسعار أسهم شركات التكنولوجيا يعكس فقاعة مضاربة سلوكية أم تسعيراً عقلانياً للأساسيات المالية. بالاعتماد على نموذج أولسون المعدل، يحلل البحث عينة متوازنة من البيانات المقطعية الزمنية (Panel Data) تضم 30 شركة تكنولوجية أمريكية رائدة ترتكز على الذكاء الاصطناعي، وذلك خلال الفترة من الربع الأول لعام 2020 إلى الربع الرابع لعام 2025. أظهرت نتائج التقدير القياسي باستخدام نموذج التأثيرات الثابتة الحصين (Robust Fixed Effects) حدوث تحول جذري في الملاءمة القيمية. فقدت المقاييس المحاسبية التقليدية، كالقيمة الدفترية للسهم (BVPS) الملموسة، دلالتها الإحصائية، في حين أظهرت ربحية السهم (EPS) تأثيراً سلبياً على التقييم. وعلى النقيض من ذلك، أظهرت نفقات البحث والتطوير (R&D) معاملات موجبة وذات دلالة إحصائية، مما يشير إلى أن الأسواق المالية تكافئ بنشاط الكثافة الابتكارية وتعاقب التوجه نحو تعظيم الأرباح قصيرة الأجل.
وتخلص النتائج إلى أن "علاوة الذكاء الاصطناعي" ليست مجرد ضوضاء مضاربية، بل هي استجابة سوقية عقلانية لإعادة الاستثمار التكنولوجي المكثف. وبناءً على ذلك، توصي الدراسة بضرورة إعادة معايرة مضاعفات التقييم التقليدية، وإصلاح المعايير المحاسبية لتتمكن من عكس قيمة الأصول غير الملموسة بشكل أفضل.
المراجع
AI versus the Dotcom Bubble: 8 reasons the AI wave is different. (n.d.). Global Corporate. Retrieved 22 May 2026, from https://www.janushenderson.com/corporate/article/ai-versus-the-dotcom-bubble-8-reasons-the-ai-wave-is-different/
Babina, T., Fedyk, A., He, A., & Hodson, J. (2024). Artificial intelligence, firm growth, and product innovation. Journal of Financial Economics, 151, 103745. https://doi.org/10.1016/j.jfineco.2023.103745
Baltagi, B. H. (2021). Econometric Analysis of Panel Data. Springer International Publishing. https://doi.org/10.1007/978-3-030-53953-5
Barber, B. M., & Odean, T. (2008). All That Glitters: The Effect of Attention and News on the Buying Behavior of Individual and Institutional Investors. Review of Financial Studies, 21(2), 785–818. https://doi.org/10.1093/rfs/hhm079
Barberis, N., Shleifer, A., & Vishny, R. W. (1997). A Model of Investor Sentiment (Working Paper No. 5926). National Bureau of Economic Research. https://doi.org/10.3386/w5926
Bordalo, P., Gennaioli, N., Kwon, S. Y., & Shleifer, A. (2021). Diagnostic bubbles. Journal of Financial Economics, 141(3), 1060–1077. https://doi.org/10.1016/j.jfineco.2020.06.019
Chan, L. K. C., Lakonishok, J., & Sougiannis, T. (2001). The Stock Market Valuation of Research and Development Expenditures. Retrieved 22 May 2026, from https://onlinelibrary.wiley.com/doi/10.1111/0022-1082.00411
Da, Z., Engelberg, J., & Gao, P. (2011). In Search of Attention. The Journal of Finance, 66(5), 1461–1499. https://doi.org/10.1111/j.1540-6261.2011.01679.x
De Long, J. B., Shleifer, A., Summers, L. H., & Waldmann, R. J. (1987). The Economic Consequences of Noise Traders (Working Paper No. 2395). National Bureau of Economic Research. https://doi.org/10.3386/w2395
Eisfeldt, A. L., Schubert, G., & Zhang, M. B. (2023). Generative AI and Firm Values (Working Paper No. 31222). National Bureau of Economic Research. https://doi.org/10.3386/w31222
Gujarati, D.N. and Porter, D.C. (2009) Basic Econometrics. 5th Edition, McGraw Hill Inc., New York. - References—Scientific Research Publishing. (n.d.). Retrieved 22 May 2026, from https://www.scirp.org/reference/referencespapers?referenceid=1568730
Im, K. S., Pesaran, M. H., & Shin, Y. (2003). Testing for unit roots in heterogeneous panels. Journal of Econometrics, 115(1), 53–74. https://doi.org/10.1016/S0304-4076(03)00092-7
Jeffrey M. Wooldridge. (2010). Econometric Analysis of Cross Section and Panel Data. The MIT Press.
Korinek, A., & Suh, D. (2024). The simple macroeconomics of AI. Massachusetts Institute of Technology (MIT).
https://economics.mit.edu/sites/default/files/2024-04/The%20Simple%20Macroeconomics%20of%20AI.pdf
Lev, B., & Gu, F. (2016). The End of Accounting and the Path Forward for Investors and Managers (1st edn). Wiley. https://doi.org/10.1002/9781119270041
Lopez-Lira, A., & Tang, Y. (2023). Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models (SSRN Scholarly Paper No. 4412788). Social Science Research Network. https://doi.org/10.2139/ssrn.4412788
Malkiel, B. G. (2020). A RANDOM WALK DOWN WALL STREET: The Time-Tested Strategy for Successful Investing (12th edn). W. W. Norton & Company. https://yourknowledgedigest.wordpress.com/wp-content/uploads/2020/04/a-random-walk-down-wall-street.pdf
Ohlson, J. A. (1995). Earnings, Book Values, and Dividends in Equity Valuation. Contemporary Accounting Research, 11(2), 661–687. https://doi.org/10.1111/j.1911-3846.1995.tb00461.x
Phillips, P. C. B., Shi, S., & Yu, J. (2015). Testing for Multiple Bubbles: Historical Episodes of Exuberance and Collapse in the S&p 500. International Economic Review, 56(4), 1043–1078. https://doi.org/10.1111/iere.12132
Pietrzak, M. (2025). A trillion dollars race—How ChatGPT affects stock prices. Future Business Journal, 11(1), 50. https://doi.org/10.1186/s43093-025-00470-5
Xiong, W., & Yu, J. (2011). The Chinese Warrants Bubble. American Economic Review, 101(6), 2723–2753. https://doi.org/10.1257/aer.101.6.2723
هذا العمل مرخص حسب الرخصة Creative Commons Attribution-NonCommercial 4.0 International License.
