التحليلات التنبؤية في التنبؤ المالي: نظرة عامة حتى عام 2026

ملخص سريع: تُحدث التحليلات التنبؤية نقلة نوعية في التنبؤات المالية من خلال استخدام البيانات التاريخية وخوارزميات التعلم الآلي والنماذج الإحصائية لاستشراف الاتجاهات والمخاطر والفرص المستقبلية. وتستفيد المؤسسات من هذه الأدوات لتحسين دقة التنبؤات، وإدارة التدفقات النقدية، وكشف الاحتيال، واتخاذ قرارات مبنية على البيانات في الأسواق المتقلبة. وتُظهر سيناريوهات اختبارات الضغط التي أجراها الاحتياطي الفيدرالي عام 2026 كيف تتنبأ النماذج التنبؤية الآن بالظروف الاقتصادية الصعبة بدقة غير مسبوقة، بينما تحقق نماذج التنبؤ بالمحافظ الاستثمارية قيم R² أعلى من 90% للمؤشرات المالية الرئيسية.

لقد تحوّلت عملية التنبؤ المالي من الاعتماد على التخمينات في جداول البيانات إلى أنظمة تنبؤية متطورة تعالج مليارات البيانات في الوقت الفعلي. لم تعد الأساليب التقليدية قادرة على مواكبة تقلبات السوق، أو التغييرات التنظيمية، أو التزايد الهائل في مصادر البيانات المتاحة.

تُغير التحليلات التنبؤية هذه المعادلة تماماً. فبدلاً من الاعتماد على المتوسطات التاريخية والتوقعات الخطية، تحدد هذه الأنظمة الأنماط عبر الدورات الاقتصادية، وتكشف المخاطر الناشئة قبل أن تتحقق، وتُصمم نماذج لسيناريوهات معقدة تأخذ في الاعتبار مئات المتغيرات في آن واحد.

تُجسّد سيناريوهات اختبارات الضغط التي وضعها الاحتياطي الفيدرالي لعام 2026 هذا التطور. إذ تتوقع نماذجه الآن حدوث ركود عالمي حاد افتراضي، مع معايرة دقيقة لمؤشرات البطالة التي سترتفع من 4.11 تريليون نايرا في الربع الأخير من عام 2024 إلى ذروة تبلغ 101 تريليون نايرا بحلول الربع الثالث من عام 2027، إلى جانب انخفاضات كبيرة في أسعار الأصول الخطرة وزيادات ملحوظة في تقلبات السوق المالية.

لم يكن هذا المستوى من الدقة ممكناً قبل عقد من الزمن. ولكن الأمر المهم هو أن التحليلات التنبؤية لم تعد حكراً على البنوك المركزية والمؤسسات الضخمة.

ماذا تعني التحليلات التنبؤية فعلياً للتنبؤات المالية؟

تعتمد التحليلات التنبؤية في مجال التمويل على تقنيات تحليل البيانات للتنبؤ بالاتجاهات المالية المستقبلية، مما يُسهم في التنبؤ بالتدفقات النقدية، وإدارة المخاطر، واتخاذ القرارات المستنيرة لفرق التمويل. وتجمع هذه التقنية بين أنماط البيانات التاريخية والمدخلات الآنية لتوليد تنبؤات احتمالية.

ما هو الفرق الجوهري بين التنبؤ التقليدي والتنبؤ التنبؤي؟ تعتمد الأساليب التقليدية على استقراء الأداء السابق باستخدام معادلات بسيطة نسبياً. أما التحليلات التنبؤية فتبني نماذج احتمالية تأخذ في الحسبان العلاقات غير الخطية والصدمات الخارجية والترابطات المعقدة.

تُظهر الأبحاث المستقاة من نماذج التنبؤ بالمحافظ الاستثمارية هذه القدرة. تحقق النماذج التنبؤية غير المتأخرة مقاييس ملاءمة قوية عبر المؤشرات المالية الرئيسية، حيث تمثل معايير الأداء تحسناً كبيراً مقارنةً بأساليب التنبؤ التقليدية.

المكونات الأساسية الثلاثة

يعتمد كل نظام تحليلي تنبؤي للتنبؤ المالي على ثلاثة عناصر أساسية:

• البنية التحتية للبيانات التاريخية. تحتاج النماذج إلى مجموعات بيانات تاريخية دقيقة وشاملة تغطي المتغيرات المراد التنبؤ بها. وقد قام أحد البنوك الأمريكية الكبرى بتمديد فترة التنبؤ من 3 أشهر إلى 12 شهرًا بعد تطبيق أنظمة قوية لجمع البيانات رصدت أنماط المعاملات التفصيلية.
• خوارزميات التعلم الآلي. تحدد هذه الخوارزميات أنماطًا لا يستطيع البشر رصدها يدويًا. فهي تكشف عن الارتباطات بين متغيرات تبدو غير مترابطة، وتُعدّل وفقًا للتغيرات الموسمية، وتُعيد ضبط نفسها مع ورود بيانات جديدة.
• تكامل البيانات في الوقت الفعلي. تتلاشى النماذج الثابتة بسرعة. أما الأنظمة الأكثر فعالية فتقوم باستمرار بجمع بيانات السوق والمؤشرات الاقتصادية ومقاييس سلوك العملاء والإشارات الخارجية للحفاظ على تحديث التوقعات.

تطبيق التحليلات التنبؤية باستخدام الذكاء الاصطناعي المتفوق

متفوقة الذكاء الاصطناعي تقوم هذه الشركات ببناء نماذج تنبؤية باستخدام البيانات المالية والتاريخية لدعم عمليات التنبؤ والتخطيط. وتركز على النماذج التي تتكامل مع الأنظمة القائمة وتوفر مخرجات قابلة للاستخدام في صنع القرار.

هل ترغب في استخدام التحليلات التنبؤية للتنبؤ المالي؟

يمكن أن تساعدك تقنية الذكاء الاصطناعي المتفوقة في:

• تقييم البيانات المالية
• بناء نماذج تنبؤية
• دمج النماذج في الأنظمة القائمة
• تحسين التوقعات بناءً على النتائج

👉 تواصل مع شركة AI Superior لمناقشة مشروعك وبياناتك ونهج التنفيذ

حالات الاستخدام الحاسمة التي تُحدث تحولاً في تمويل الشركات

تتنوع تطبيقات التحليلات التنبؤية في مجال التمويل لتشمل مجالات متعددة، ولكن العديد من حالات الاستخدام تحقق تأثيراً عالياً بشكل خاص على فرق التمويل المؤسسي.

التنبؤ بالتدفقات النقدية وإدارة رأس المال العامل

يُؤدي تقلب التدفق النقدي إلى مخاطر تشغيلية. وتُوفر التحليلات التنبؤية في حسابات القبض رؤىً آنية حول المخاطر والمستحقات التي قد تُقيّد رأس المال العامل.

تحلل الأنظمة الحديثة أنماط الدفع عبر شرائح العملاء المختلفة، وتحدد الحسابات المعرضة للتأخر في السداد، وتتنبأ بالوضع النقدي بدقة أسبوعية أو يومية. وهذا يُمكّن فرق المالية من تحسين تخصيص رأس المال العامل بدلاً من الاحتفاظ باحتياطيات نقدية زائدة.

تكشف التحليلات أيضًا عن الفواتير التي تواجه مخاطر تعثر أعلى، مما يتيح وضع استراتيجيات تحصيل استباقية قبل أن تصبح الحسابات متأخرة عن السداد.

كشف الاحتيال ومنعه

قامت إحدى المؤسسات المالية الأمريكية الكبرى بتطبيق أنظمة كشف الاحتيال ذات القدرات التنبؤية. يراقب النظام أنماط المعاملات في الوقت الفعلي، ويشير إلى الحالات الشاذة التي تنحرف عن خطوط الأساس السلوكية المحددة.

تتعلم نماذج التعلم الآلي باستمرار أنماط المعاملات الطبيعية للحسابات الفردية، وفئات التجار، والمناطق الجغرافية، والفترات الزمنية. وعندما يخرج النشاط عن هذه الأنماط - حتى لو لم يخالف قواعد محددة - يُصدر النظام تنبيهات للمراجعة.

يكشف هذا النهج الاحتمالي عن مخططات الاحتيال التي تفشل الأنظمة القائمة على القواعد في كشفها تمامًا.

إدارة المخاطر وتخطيط السيناريوهات

يُبيّن إطار اختبارات الضغط الذي يتبعه الاحتياطي الفيدرالي كيف تُتيح التحليلات التنبؤية نمذجة سيناريوهات متطورة. وتُحاكي سيناريوهاتهم لعام 2026 ظروف ركود حاد، بما في ذلك انخفاض أسعار المنازل بنسبة 33% وانخفاض أسعار العقارات التجارية بنسبة 30%.

بإمكان فرق التمويل إجراء محاكاة مماثلة مصممة خصيصاً لمخاطرها المحددة. تختبر هذه النماذج كيف ستؤثر سيناريوهات سلبية مختلفة - مثل اضطرابات سلسلة التوريد، وارتفاع أسعار الفائدة، ومخاطر تركز العملاء - على الأداء المالي.

لا يتعلق تخطيط السيناريوهات بالتنبؤ بالمستقبل، بل يتعلق بفهم نطاق الاحتمالات المستقبلية وإعداد خطط طوارئ لكل منها.

دقة الميزانية والتخطيط الاستراتيجي

غالباً ما تُنتج الميزانيات السنوية التقليدية خططاً تختلف عن الواقع في غضون أسابيع. أما التحليلات التنبؤية فتتيح توقعات متجددة يتم تحديثها باستمرار مع تغير الظروف.

قام أحد العملاء بتمديد فترة دقة التنبؤ من 3 أشهر إلى 12 شهرًا بعد تطبيق النماذج التنبؤية، مما أتاح وقت الموظفين للقيام بأنشطة ذات قيمة مضافة ومكنهم من اتخاذ قرارات أكثر دقة بشأن الميزانية.

تحدد الأنظمة بنود الميزانية التي تظهر تباينًا عاليًا، ومحركات التكلفة الأكثر أهمية، والأماكن التي ستحدث فيها التدخلات أكبر الأثر.

النماذج التنبؤية المستخدمة في التنبؤ المالي

يعتمد اختيار النموذج التنبؤي على هدف التنبؤ، وخصائص البيانات، ومستويات الدقة المطلوبة. وعادةً ما تستخدم المؤسسات المالية أنواعًا متعددة من النماذج في آن واحد.

نماذج السلاسل الزمنية

لا يزال تحليل السلاسل الزمنية أساسياً للتنبؤ المالي. وتحدد هذه النماذج الاتجاهات والأنماط الموسمية والمكونات الدورية في البيانات التاريخية للتنبؤ بالقيم المستقبلية.

تُعدّ نماذج ARIMA (المتوسط المتحرك المتكامل التلقائي) فعّالة في التنبؤ أحادي المتغير، أي التنبؤ بمتغير واحد بناءً على تاريخه فقط. وتُستخدم هذه النماذج عادةً في التنبؤ بالإيرادات، وتخطيط المخزون، والتنبؤ بالطلب.

لكن نماذج السلاسل الزمنية تواجه صعوبة في التعامل مع الصدمات الخارجية والانقطاعات الهيكلية. فهي تفترض أن المستقبل سيشبه الماضي، وهو افتراض صحيح إلى أن يتغير الوضع.

نماذج الانحدار

يستكشف تحليل الانحدار العلاقات بين المتغيرات التابعة (ما يتم التنبؤ به) والمتغيرات المستقلة (العوامل المؤثرة). ويمكن لنماذج الانحدار المتعدد أن تتضمن عشرات العوامل التفسيرية في آن واحد.

لأغراض التنبؤ بالإيرادات، قد تتضمن نماذج الانحدار متغيرات مثل الإنفاق التسويقي، والمؤشرات الاقتصادية، وأسعار المنافسين، ومقاييس اكتساب العملاء، والعوامل الموسمية. ويحدد النموذج مدى تأثير كل عامل من هذه العوامل على النتيجة.

تحقق نماذج التنبؤ بالمحافظ الاستثمارية القائمة على الانحدار مقاييس ملاءمة قوية عبر المؤشرات المالية الرئيسية باستخدام مواصفات غير متأخرة.

خوارزميات التعلم الآلي

يتجاوز التعلم الآلي الأساليب الإحصائية التقليدية من خلال اكتشاف الأنماط غير الخطية والتفاعلات المعقدة تلقائيًا.

تقوم الغابات العشوائية ببناء مئات من أشجار القرار، يتم تدريب كل منها على مجموعات فرعية مختلفة من البيانات، ثم تجمع تنبؤاتها. يقلل هذا النهج التجميعي من فرط التخصيص ويتعامل مع البيانات المفقودة بسلاسة.

تتفوق الشبكات العصبية في استخلاص الأنماط المعقدة من مجموعات البيانات الضخمة. ويمكن لبنى التعلم العميق معالجة مصادر البيانات البديلة - مثل تحليل المشاعر على وسائل التواصل الاجتماعي، وصور الأقمار الصناعية، وأنماط حركة مرور الإنترنت - إلى جانب المقاييس المالية التقليدية.

تقوم آلات تعزيز التدرج ببناء نماذج بشكل متكرر لتصحيح أخطاء النماذج السابقة، وغالبًا ما تحقق دقة فائقة للبيانات الجدولية المنظمة الشائعة في مجال التمويل.

أساليب التجميع

يُبرز نهج الإدارة النشطة الجماعية (EAM) قوة الجمع بين نماذج متعددة. وتشير الأبحاث في هذا المجال إلى أن التنبؤ بالمحافظ الاستثمارية باستخدام منهجيات متعددة يمكن أن يحقق مؤشرات أداء قوية.

تعمل أساليب التجميع على تقليل المخاطر الخاصة بالنموذج من خلال التنويع عبر منهجيات مختلفة، حيث تلتقط كل منها جوانب مختلفة من البيانات.

التعامل مع الأسواق المتقلبة باستخدام التحليلات التنبؤية

يكشف تقلب السوق عن قصور التوقعات الثابتة. وتُجسد سيناريوهات الضغط التي وضعها الاحتياطي الفيدرالي لعام 2026 هذه الظروف تحديداً، مع انخفاضات كبيرة في أسعار الأسهم ومستويات عالية من تقلبات السوق المالية.

تتعامل أنظمة التحليلات التنبؤية مع التقلبات من خلال إعادة المعايرة المستمرة والمخرجات الاحتمالية. وبدلاً من توليد تنبؤات أحادية النقطة، فإنها تنتج توزيعات احتمالية توضح نطاق النتائج المحتملة.

يدعم هذا الإطار الاحتمالي اتخاذ قرارات أفضل. إذ يمكن للفرق المالية تقييم الاستراتيجيات عبر سيناريوهات متعددة، وفهم ليس فقط النتيجة الأكثر ترجيحاً، بل أيضاً المخاطر النادرة وفرص النمو المحتملة.

إمكانيات التعديل في الوقت الفعلي

لا تستطيع دورات التنبؤ التقليدية - الميزانيات السنوية التي يتم تحديثها ربع سنويًا - الاستجابة للتغيرات السريعة في السوق. أما أنظمة التنبؤ فتعالج البيانات الجديدة باستمرار، وتعدل التوقعات وفقًا لتطور الظروف.

عندما يواجه عميل رئيسي ضائقة مالية، تعيد النماذج حساب توقعات التدفق النقدي واحتمالية السداد على الفور. وعندما ترتفع أسعار السلع الأساسية، يتم تحديث توقعات الميزانية تلقائيًا لتعكس هيكل التكاليف الجديد.

يمنع هذا التعديل الديناميكي مشكلة التنبؤات القديمة التي تعاني منها عمليات التخطيط التقليدية.

اختبار الإجهاد وتحليل السيناريوهات

يوفر إطار اختبارات الضغط التابع للاحتياطي الفيدرالي نموذجًا للتطبيقات المؤسسية. وتشمل سيناريوهاتهم لعام 2026 انخفاض أسعار المنازل بنسبة 33% وانخفاض أسعار العقارات التجارية بنسبة 30%، وهي عتبات مُعايرة تختبر القدرة على الصمود في ظل الظروف القاسية.

بإمكان فرق التمويل المؤسسي بناء أطر عمل مماثلة لاختبار المخاطر الخاصة بكل شركة. ماذا يحدث في حال تعثر أكبر عميل عن السداد؟ كيف سيؤثر تقلب سعر صرف العملة في عام 2013 على هوامش الربح؟ هل تستطيع الميزانية العمومية تحمل انقطاع الإيرادات لمدة ستة أشهر؟

تقوم النماذج التنبؤية بتحديد هذه السيناريوهات كمياً، مما يكشف عن نقاط الضعف قبل أن تتحول إلى خسائر فعلية.

تحديات التنفيذ والإرشادات العملية

إن تطبيق التحليلات التنبؤية للتنبؤ المالي يطرح العديد من التحديات التشغيلية والتقنية التي يجب على المؤسسات معالجتها بشكل منهجي.

جودة البيانات وحوكمتها

لا تكون النماذج التنبؤية فعالة إلا بقدر جودة البيانات التي تغذيها. فالسجلات غير المكتملة، والتنسيقات غير المتناسقة، والإدخالات المكررة، والقيم المفقودة، كلها عوامل تؤدي إلى تدهور أداء النموذج.

يستغرق إنشاء أطر حوكمة البيانات وقتاً، ولكنه يؤتي ثماره. ويشمل ذلك توحيد عمليات جمع البيانات، وتطبيق قواعد التحقق عند نقاط الإدخال، والحفاظ على سجلات التدقيق، وإنشاء أنظمة إدارة البيانات الرئيسية.

استثمر البنك الذي مدد فترات التنبؤ من 3 إلى 12 شهراً بكثافة في البنية التحتية للبيانات قبل نشر النماذج التنبؤية. وقد مكّنت هذه البنية التحتية من توفير القدرات التحليلية.

اختيار النموذج والتحقق من صحته

لا يوجد نموذج واحد يعمل على النحو الأمثل لكل مهمة تنبؤ. تحتاج الفرق إلى أطر عمل لتقييم الأساليب التي تناسب حالات الاستخدام المحددة.

ينبغي أن تختبر عمليات التحقق النماذج على بيانات خارج نطاق العينة - أي معلومات لم يرها النموذج أثناء التدريب. وهذا يكشف ما إذا كان النموذج قد تعلم أنماطًا تنبؤية حقيقية أم أنه ببساطة حفظ البيانات التاريخية.

يُظهر اختبار النموذج على فترات تاريخية سابقة كيف كان سيتصرف في ظروف الماضي. لكن احذر من المبالغة في ملاءمة النموذج لسيناريوهات تاريخية قد لا تتكرر.

التكامل مع الأنظمة الحالية

لا يمكن للتحليلات التنبؤية أن تعمل بمعزل عن غيرها. تحتاج الأنظمة إلى اتصالات مع دفاتر الأستاذ العامة، ومنصات تخطيط موارد المؤسسات، وقواعد بيانات إدارة علاقات العملاء، ومصادر بيانات السوق، وأدوات إعداد التقارير.

تُمكّن عمليات التكامل القائمة على واجهات برمجة التطبيقات من تبادل البيانات في الوقت الفعلي. وتُبسّط المنصات السحابية إدارة البنية التحتية مقارنةً بعمليات النشر المحلية. ولكن لا ينبغي الاستهانة بتعقيد التكامل، فهو غالبًا ما يستغرق وقتًا أطول في المشروع من تطوير النموذج نفسه.

الاعتبارات التنظيمية واعتبارات الامتثال

اقترحت هيئة الأوراق المالية والبورصات الأمريكية متطلبات جديدة في يوليو 2023 لمعالجة مخاطر تضارب المصالح التي قد يتعرض لها المستثمرون نتيجة استخدام شركات الوساطة المالية ومستشاري الاستثمار لتحليلات البيانات التنبؤية. ويتعين على الشركات اتخاذ خطوات محددة لمعالجة تضارب المصالح المرتبط بهذه التقنيات.

تحتاج المؤسسات المالية التي تستخدم التحليلات التنبؤية إلى توثيق منهجيات النماذج، والحفاظ على قوائم جرد النماذج، وإجراء مراجعات التحقق المنتظمة، وإثبات أن النماذج لا تُدخل تحيزًا أو ممارسات غير عادلة.

ينبغي أن تتوافق أطر إدارة مخاطر النماذج مع التوقعات التنظيمية المتعلقة بحوكمة النماذج واختبارها ومراقبتها المستمرة.

الفوائد التي تدفع إلى تبنيها في جميع فرق المالية

تشير التقارير إلى أن المنظمات التي تطبق التحليلات التنبؤية للتنبؤ المالي تحقق تحسينات قابلة للقياس عبر أبعاد متعددة.

تحسين دقة التنبؤ

تؤدي التوقعات الأفضل مباشرةً إلى قرارات أفضل. وقد وثّقت إحدى حالات التطبيق تحسينات في دقة التنبؤات لشركة 25%، مما مكّن من إدارة المخزون بشكل أكثر دقة، وتحسين الوضع النقدي، وتخصيص رأس المال بكفاءة أكبر.

تُظهر أبحاث التنبؤ بالمحافظ الاستثمارية هذا الأمر كمياً من خلال قيم R² القوية عبر المؤشرات المالية الرئيسية، مما يمثل ملاءمة نموذجية ممتازة لهذه المتغيرات المالية المعقدة.

مكاسب كفاءة استخدام الموارد

يُساهم أتمتة عمليات التنبؤ في توفير المزيد من الوقت لفريق المالية. كما أن المنظمة التي مددت فترات التنبؤ من 3 إلى 12 شهرًا وفرت أيضًا وقتًا للموظفين للقيام بأنشطة ذات قيمة مضافة تتجاوز تجميع البيانات ومطابقتها يدويًا.

يقضي المتخصصون في الشؤون المالية وقتاً أقل في إنشاء جداول البيانات ووقتاً أطول في تفسير النتائج، ووضع الاستراتيجيات، وتقديم المشورة لقادة الأعمال.

تعزيز وضوح المخاطر

تكشف النماذج التنبؤية عن المخاطر التي قد تبقى خفية لولاها حتى تظهر. وتتيح مؤشرات الإنذار المبكر بشأن تعثر العملاء، أو قيود السيولة، أو انخفاض الهامش، اتخاذ إجراءات استباقية للتخفيف من هذه المخاطر.

يُظهر اختبار الضغط الذي يجريه الاحتياطي الفيدرالي هذا المبدأ على نطاق واسع - تحديد نقاط الضعف قبل حدوث الظروف المعاكسة الفعلية.

دورات اتخاذ القرار الأسرع

تدعم التوقعات الآنية اتخاذ القرارات السريعة. فبدلاً من انتظار إغلاق نهاية الشهر والمراجعات الفصلية، يمكن لفرق القيادة الوصول إلى التوقعات الحالية كلما ظهرت أسئلة استراتيجية.

يثبت هذا التسارع قيمته بشكل خاص في البيئات المتقلبة حيث تتغير الظروف بسرعة.

الاتجاهات المستقبلية التي تعيد تشكيل التنبؤات المالية

تستمر قدرات التحليلات التنبؤية في التطور مع توسع مصادر البيانات وتقدم الخوارزميات.

تكامل البيانات البديل

تتضمن التوقعات المالية بشكل متزايد مصادر بيانات غير تقليدية. فحجم معاملات بطاقات الائتمان، وأنماط حركة المرور على الإنترنت، وصور الأقمار الصناعية لمواقف السيارات في متاجر التجزئة، وتوجهات وسائل التواصل الاجتماعي، وإشارات سلسلة التوريد، كلها توفر مؤشرات رائدة.

تتفوق نماذج التعلم الآلي في استخراج الإشارات التنبؤية من مصادر البيانات غير المهيكلة هذه التي لا تستطيع الطرق التقليدية معالجتها.

الذكاء الاصطناعي القابل للتفسير وشفافية النموذج

مع ازدياد التدقيق التنظيمي، يتزايد الطلب على النماذج القابلة للتفسير. تعمل تقنيات مثل SHAP (قيم SHapley Additive exPlanations) على تحليل التنبؤات لتوضيح مساهمة كل متغير في كل تنبؤ.

تساعد هذه الشفافية فرق التمويل على فهم سلوك النموذج، وتبني ثقة أصحاب المصلحة، وتلبي المتطلبات التنظيمية لتوثيق النموذج.

إدارة النماذج الآلية

تعمل منصات عمليات التعلم الآلي (MLOps) على أتمتة نشر النماذج ومراقبتها وإعادة تدريبها. وتكتشف هذه الأنظمة تدهور الأداء، وتُفعّل عمليات إعادة التدريب، وتُدير إصدارات النماذج - وهي قدرات بالغة الأهمية مع توسع المؤسسات من عدد قليل من النماذج إلى المئات.

تعمل خطوط الأنابيب الآلية على تقليل العبء التشغيلي لصيانة أنظمة التنبؤ بالإنتاج.

الأسئلة الشائعة