المقال 03: ثمانية عشر بالمائة: ما الذي يمكن وما لا يمكن لخصائص المبنى أن تفسره حول استخدام الطاقة في المكاتب

سلسلة تبحث في أطروحة الدكتوراه "مباني المكاتب في لندن والمملكة المتحدة: التحقيق في استخدام الطاقة وتأثيرات المالك والمستأجر" (أزهري، 2025).

الخلاصة الرئيسية. يفسر الانحدار الخطي (Linear Regression) عبر رصيد المكاتب في لندن الكبرى ما نسبته 18% فقط من التباين في كثافة استخدام الطاقة الكهربائية (EUI)، و 4% من كثافة استخدام الغاز، استناداً إلى الخصائص المادية والإدارية للمبنى وحدها. النسبة المتبقية البالغة 82% هي حيث تكمن الإدارة، وعقود الإيجار، والعمليات التشغيلية، وهناك تتركز معظم وفورات الطاقة التي يمكن التحكم بها.

Chart

Four candidate models, electricity EUI prediction

The most flexible model (Random Forest) and the most interpretable (Linear Regression) tie at the same ceiling. R-squared peaks at 0.18 and RMSE bottoms out at 0.28.

العنوان الذي يجب أن يغير مسار الحديث

خذ مجموعة بيانات تضم 6,038 مكتباً في لندن الكبرى مع بيانات مقاسة لاستهلاك الكهرباء والغاز لعام 2017. أضف إليها 33 متغيراً تفسيرياً مستمداً من نموذج 3DStock، مثل: الحجم، الارتفاع، العمر، حالة الاتصال بالمباني الأخرى (attached status)، الحي، وقود التدفئة الأساسي، فئة الأداء الطاقي (EPC)، وجود تكييف هواء، حالة الإيجار، وغيرها. قم بتشغيل نموذج انحدار خطي (Linear Regression) مقابل كثافة استخدام الكهرباء (EUI). سيفسر النموذج ما نسبته 18% من التباين بين المباني. قم بتشغيل نفس النموذج مقابل كثافة استخدام الغاز: سيفسر 4% فقط.

اقرأ هذه الأرقام مرة أخرى. حتى مع توفر واحدة من أغنى مجموعات البيانات على مستوى الرصيد العقاري لمكاتب المملكة المتحدة، فإن الخصائص المادية والإدارية للمبنى مجتمعة مسؤولة عن أقل من خُمس التباين في مقدار الكهرباء الفعلي الذي يستهلكه المبنى، وتقريباً لا شيء من التباين في مقدار الغاز المستهلك.

الاستنتاج هنا ليس أن النموذج سيئ. الاستنتاج هو أن السؤال الذي يطرحه النموذج (كيف يتنبأ هذا الملف المادي والإداري للمبنى باستهلاك الطاقة؟) هو سؤال خاطئ إذا كان هدفك هو فهم أو تقليل استخدام الطاقة.

المقارنة بين النماذج (Model Bake-off)

قبل استخلاص استنتاجات قوية من نموذج واحد، اختبرت الأطروحة أربعة نماذج. تم إعداد كل منها باستخدام لغة "R" وإطار عمل "Tidymodels"، مع تقسيم للبيانات بنسبة 80/20 (تدريب/اختبار) وعشرين تكراراً للتحقق المتقاطع (V-fold cross-validation) من أجل ضبط النماذج.

النماذج هي: انحدار خطي بسيط (Linear Regression). انحدار مُعاقب بنموذج LASSO لاختيار الأهم من بين المتغيرات الـ 33. مساحات الانحدار التكيفية متعددة المتغيرات (MARS)، والتي يمكنها التقاط العلاقات غير الخطية والتفاعلات بين المتغيرات. وأخيراً، نموذج الغابة العشوائية (Random Forest)، وهو مجموعة من أشجار القرار التي تعتبر عموماً الأكثر مرونة من بين النماذج الأربعة عند التعامل مع البيانات الجدولية.

استقرت النتائج ضمن نطاق ضيق. بالنسبة لكثافة استخدام الكهرباء (EUI)، حقق نموذج Random Forest جذر متوسط مربع الخطأ (RMSE) قدره 0.28 ومعامل التحديد (R-squared) قدره 0.18. حقق الانحدار الخطي نفس النتيجة: RMSE 0.28 و R-squared 0.18. جاء نموذج MARS مسجلاً RMSE 0.29 و R-squared 0.16. ونموذج LASSO سجل RMSE 0.31 و R-squared 0.12. أما بالنسبة لكثافة استخدام الغاز، فقد تركزت النماذج الأربعة جميعها حول R-squared يتراوح بين 0.03 إلى 0.04.

عندما ينتهي النموذج الأكثر مرونة والنموذج الأكثر قابلية للتفسير في تعادل إحصائي تام، فإن الاختيار بينهما يعتمد على "قابلية التفسير" بدلاً من الأداء المعقد. اختارت الأطروحة الانحدار الخطي (Linear Regression) للتحليل المُبَلغ عنه، انطلاقاً من مبدأ أن النموذج الذي يمكن قراءة معاملاته ومناقشتها مفيد أكثر في قرارات السياسة العامة والإنفاق الرأسمالي مقارنة بـ "صندوق أسود" لا يمكن استجواب تنبؤاته. يتناول "المقال 13" هذا القرار بتفصيل تقني أعمق. لأغراض هذا المقال، يبدو الاختيار شكلياً: أياً كان النموذج الذي تختاره، فأنت عالق عند نفس الحد الأقصى.

أين تذهب النسبة المفقودة (82%)؟

إذا كانت السمات الثابتة والإدارية للمبنى تفسر فقط 18% من كثافة استخدام الكهرباء فيه، فما الذي يفسر الباقي؟ تجمع الأطروحة التباين غير المفسر في ثلاث فئات رئيسية.

الأولى هي العوامل الديناميكية (Dynamic Factors): أشياء تتغير بمرور الوقت مثل كثافة الإشغال، ساعات الاستخدام، نقاط ضبط المعدات، أنظمة التدفئة والتبريد، المزيج الموسمي للطلب على الكهرباء مقابل الغاز. نموذج 3DStock لا يرى أياً من هذه العوامل. فهي موجودة في سجلات أنظمة إدارة المباني (BMS)، ولوحات قياس أنظمة إدارة الطاقة (EMS)، وبيانات العدادات النصف ساعة، والتي لا تشكل جزءاً من قوائم التصنيف أو شهادات EPC.

الفئة الثانية هي العوامل العشوائية (Random Factors): انقطاع غير مُخطط لمبرد، توسع لمرة واحدة في غرفة خوادم الحاسوب، سنة إعادة تجديد للمبنى تؤدي إلى تضخيم أو تقليل قراءات العدادات لسنة واحدة بشكل مصطنع، شتاء بارد طويل أو صيف حار. بعض هذه العوامل مجرد "ضوضاء إحصائية" (Noise). والبعض الآخر عبارة عن "إشارة" (Signal) تتطلب بيانات لأكثر من عام واحد لفك تشابكها.

الفئة الثالثة، والأكثر أهمية، هي العوامل الإدارية والتنظيمية: مَن يدفع الفاتورة، مَن يقوم بصيانة المعدات، ما إذا كان عقد الإيجار يحفز الكفاءة، ما إذا كان المالك لديه القدرة على الاستثمار، وما إذا كان يتم قراءة بيانات نظام إدارة المبنى (BMS) بالفعل. يُبنى فصل المقابلات في الأطروحة على فرضية أن هذه العوامل تقوم بالكثير من المهام الثقيلة التي تعجز السمات المادية الثابتة للمبنى عن القيام بها. وتتسق التقارير عن تخفيضات في طاقة المحافظ العقارية بنسبة 38% و42% و73% على مدى عقد من الزمن لدى كبار المُلّاك في المملكة المتحدة (أسماء مخفية، انظر المقال 8) مع هذه الفرضية. وقد لخص أحد المُلاك الذين تمت مقابلتهم هذه النقطة باختصار شديد:

"استهلاك المستأجرين للطاقة يشكل تقريباً نصف إجمالي استخدامنا للطاقة، لذلك يجب علينا العمل معهم لتحسين الأنظمة وتحقيق أهدافنا."

إذا كان المستأجرون يتحكمون بنصف إجمالي استخدام الطاقة، فلا يمكن لأي نموذج مبني فقط على الخصائص المادية المرئية للمالك أن يتنبأ بها.

استجابة عبر النمذجة: فكرة 4DStock

اقترح جاندا وزملاؤه (2022) توسيع نموذج 3DStock ببعد رابع: البُعد التنظيمي (The Organisational Layer). الفكرة البديهية واضحة ومباشرة. فالإصدار ثلاثي الأبعاد 3D يلتقط الهندسة الجغرافية والمكانية والخصائص المادية. بينما يضيف الإصدار رباعي الأبعاد 4D شبكة من علاقات الملكية، والإيجار، والإدارة، والتي تحدد كيفية تشغيل المبنى فعلياً.

من الناحية العملية، قد يعني هذا ربط كل وحدة مكتبية مستقلة (SCU) بهوية مالكها، ونوع عقد الإيجار الساري، وعدد المستأجرين، ووجود وتفاصيل العدادات الفرعية، ومدى نضج نظام إدارة المبنى (BMS)، ووجود أو غياب الشروط الخضراء في عقد الإيجار، وسياسة إدارة الطاقة الخاصة بالمنظمة المشغلة. لا يوجد أي من هذه البيانات في قائمة التصنيف. بل الكثير منها موجود فقط في عقول مديري المرافق، ومستشاري الطاقة، وفرق إدارة الأصول. وبالتالي، فإن جمع هذه البيانات على مستوى المخزون العقاري بالكامل يمثل تحدياً بحثياً وهندسياً للبيانات لم يتم حله بعد على نطاق واسع.

فكرة 4DStock ليست هي الاستجابة الوحيدة المقترحة. تتخذ أنظمة التصنيف التشغيلي مثل NABERS (التي يغطيها المقال 9) نهجاً مختلفاً. فبدلاً من محاولة "نمذجة" ما يحرك استخدام الطاقة، تقوم بـ "قياسه" مباشرة وترك الباقي لآليات السوق. النهجان يعتبران مكملين لبعضهما البعض وليسا متنافسين. سيساعد نموذج 4DStock الباحثين وصناع السياسات في شرح أسباب التباين في استخدام الطاقة، بينما يساعد نظام NABERS المُلاك والمستأجرين على إظهاره بوضوح.

أين توجد أداة التأثير الحقيقية (The Real Lever)

بالنسبة للممارسين الذين يقرأون نسبة الـ 18%، لا ينبغي أن يكون الاستنتاج محبطاً. بل يجب أن يكون نقطة تركيز. إذا كانت 18% فقط من التباين تأتي من الأشياء التي يصعب تغييرها بعد بناء المبنى (مثل الحجم، الارتفاع، العمر، الهيكل)، فإن النسبة المتبقية البالغة 82% والتي "يمكن" تغييرها (العمليات التشغيلية، أنماط الإشغال، ضبط المعدات، تصميم عقود الإيجار، العدادات الفرعية، وتوافق أصحاب المصلحة) هي التي يجب أن تُوجّه إليها الميزانية والاستثمارات.

هذا بالضبط ما تؤكده الأدلة النوعية في الأطروحة. أفاد كبار المُلاك في المملكة المتحدة الذين تمت مقابلتهم أن أكبر تخفيضات في الطاقة خلال العقد الماضي لم تأتِ من ترقية الهياكل الإنشائية (Fabric upgrades)، بل من تحسين استخدام المعدات الحالية، واستبدال المعدات في نهاية عمرها الافتراضي بنسخ أكثر كفاءة، وتركيب عدادات فرعية وتحليلات ذكية (BMS analytics)، والتفاعل البناء مع المستأجرين. وتتناول المقالات 6 و 7 و 8 كلاً من هذه التحركات بالتفصيل.

وبالنسبة لصنّاع السياسات، الاستنتاج أكثر حدة. إذا كانت المتغيرات الـ 33 المرئية في 3DStock غير قادرة على التنبؤ باستخدام الطاقة التشغيلية، فإن أدوات السياسة المرتبطة بهذه المتغيرات وحدها (أبرزها شهادات الأداء الطاقي EPCs، والتي يغطيها المقال 2) لا يمكنها دفع عجلة الوفورات التشغيلية بمفردها. فهي بحاجة إلى أن يتم إقرانها بالتصنيفات التشغيلية، واشتراطات العدادات الفرعية، ومعايير عقود الإيجار، وهيكل إنفاذ يعالج الجانب الإداري والتنظيمي.

ما الذي لا تراه البيانات

ينطبق عدد من التحذيرات على نسبة الـ 18%. جميع النماذج الأربعة المرشحة مقيدة بالمتغيرات التفسيرية الـ 33 المتاحة. فهي لا يمكنها رؤية ساعات التشغيل، وكفاءة المعدات، والأحمال الداخلية، وكثافة الإشغال، وقيم الانتقال الحراري للهيكل الإنشائي (U-values)، أو نقاط ضبط (BMS)؛ مع ميزات أغنى ستكون النسبة المستهدفة أعلى بالتأكيد. بيانات الطاقة المستخدمة عبارة عن مقطع عرضي لعام 2017 فقط (Single-year cross-section)، وليس بيانات تتبعية على مدى سنوات (Panel)، لذا لا يمكن للنماذج فصل التشويش العابر عن التباين الهيكلي المستقر. يفترض الانحدار الخطي وجود علاقة خطية بعد استخدام التحويل اللوغاريتمي ذو الأساس 10 للمتغيرات الرقمية المنحرفة (Skewed numeric variables)؛ وبذلك فإن أي ديناميكيات غير خطية داخل الفئات سيتم امتصاصها ضمن "القيمة المتبقية" (Residual). وأخيراً، فإن تعميم هذه النتائج على المكاتب خارج لندن يحده نفس قيود البيانات وليس فقط قيود العينات الجغرافية. يختبر "المقال 11" إلى أي مدى يمكن تعميم نتائج لندن الكبرى على بقية إنجلترا وويلز.

ينتقل المقال التالي من التركيز على النماذج إلى العودة داخل المبنى نفسه. إذا كان هناك عدد قليل فقط من الخصائص المادية التي تؤثر بشكل فعلي على مؤشر كثافة استخدام الطاقة (EUI)، فما هي هذه الخصائص؟ وبأي مقدار تؤثر؟ الإجابة تحمل تفاصيل دقيقة أكثر مما يوحي به "الحد الأقصى للانحدار" (Regression ceiling).

القيود

تقتصر النماذج المرشحة الأربعة جميعها على المتغيرات التفسيرية الـ 33 المتاحة. فلا يمكنها رؤية ساعات التشغيل، كفاءة المعدات، الأحمال الداخلية، كثافة الإشغال، قيم معامل الانتقال الحراري (U-values)، أو إعدادات أنظمة (BMS). تعتمد بيانات الطاقة على مقطع زمني لسنة واحدة فقط (2017)، وبالتالي، لا يمكن للنماذج أن تفصل التأثيرات المزعجة أو العشوائية الخاصة بالمنشأة عن التباين الهيكلي الجذري. يفترض الانحدار الخطي علاقة خطية بعد التحويل اللوغاريتمي (log10). يتم امتصاص الديناميكيات غير الخطية داخل الفئات كجزء من المتبقيات الإحصائية (Residual). تعتبر قيمة معامل التحديد R-squared البالغة 0.18 هي أفضل نتيجة من بين النماذج الأربعة التي تم اختبارها، ولكنها ليست بالضرورة أقصى حد مطلق يمكن بلوغه في هذا المجال؛ فقد تؤدي مجموعة ميزات أكثر ثراءً إلى رفع هذه النسبة. التعميم على المكاتب غير الموجودة في لندن محكوم بنفس قيود البيانات، وليس فقط بسبب طبيعة أخذ العينات الجغرافية.

المراجع

• Azhari, R. (2025) London and UK Office Buildings Investigating energy use and landlord/tenant influences. Doctoral thesis (Ph.D), UCL (University College London). URL: https://discovery.ucl.ac.uk/id/eprint/10204821/

• Steadman, P., Evans, S., Liddiard, R., Godoy-Shimizu, D., Ruyssevelt, P., and Humphrey, D. (2020). Building stock energy modelling in the UK: the 3DStock method and the London Building Stock Model. Buildings and Cities. Available at: https://doi.org/10.5334/bc.52

• Janda, K. B., Killip, G., and colleagues (2022). Extending stock models with an organisational dimension (4DStock).

• Kuhn, M., and Silge, J. (2022). Tidy Modeling with R. O Reilly. Available at: https://www.tmwr.org/

• Friedman, J. H. (1991). Multivariate Adaptive Regression Splines. Annals of Statistics, 19(1), 1-67. Available at: https://doi.org/10.1214/aos/1176347963

• Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. Available at: https://doi.org/10.1023/A:1010933404324

• Bordass, B., Cohen, R., and Field, J. (2004). Energy performance of non-domestic buildings: closing the credibility gap.

اقرأ التالى

• المقال 13: لماذا استخدمت الانحدار الخطي بدلاً من الغابة العشوائية في تحليل 6000 مبنى (الرفيق التقني لهذا المقال).

• المقال 6: مشكلة الحوافز المنقسمة (حيث تبدأ النسبة المفقودة 82% في التفسير والظهور).

حول هذه السلسلة

هذا المقال هو جزء من سلسلة مكونة من خمسة عشر جزءاً تقوم بتكييف أطروحة الدكتوراه لعام 2025 "مباني المكاتب في لندن والمملكة المتحدة: التحقيق في استخدام الطاقة وتأثيرات المالك-المستأجر" (أزهري، 2025) لتناسب القراء من الأوساط الأكاديمية والصناعية معاً. تعتمد النتائج التجريبية على نموذج 3DStock لـ 6,038 وحدة مكتبية مستقلة (SCUs) في لندن الكبرى مع بيانات طاقة مقاسة لعام 2017، مقدمة من BEIS بموجب اتفاقية مشاركة البيانات، جنباً إلى جنب مع المعيار البيئي للعقارات لشراكة المباني الأفضل. بينما تعتمد النتائج النوعية على مقابلات شبه منظمة مع سبع منظمات عقارية كبرى في المملكة المتحدة، أُجريت أثناء إغلاق عام 2021. تم إخفاء هوية الأشخاص الذين تمت مقابلتهم ومنظماتهم حسب دورهم ونوع المنظمة. يرجى الاستشهاد بالأطروحة الأصلية للاستخدام الأكاديمي.

المؤلف. أكمل ريان أزهري درجة الدكتوراه في معهد بارتليت للبيئة والطاقة والموارد بكلية لندن الجامعية (UCL) في عام 2025، تحت إشراف البروفيسور بول رويزفيلت، والدكتورة كاثرين جاندا. وحظي البحث بدعم من مركز (EPSRC) للتدريب الدكتوراه في الطلب على الطاقة (LoLo)، ومؤسسة الأبحاث والابتكار البريطانية (UKRI) من خلال مركز الأبحاث في حلول الطلب على الطاقة (CREDS).

مقالات أخرى في السلسلة. المقال 1: مشكلة 30/85/89؛ المقال 2: لماذا لا تخبرك شهادات EPC بحجم الطاقة التي يستهلكها المبنى؛ المقال 3: ثمانية عشر بالمائة؛ المقال 4: رسم خريطة المخزون العقاري؛ المقال 5: الارتفاع والعمر ومشكلة الوقود؛ المقال 6: مشكلة الحوافز المنقسمة؛ المقال 7: عقود الإيجار الخضراء ورسوم الخدمات؛ المقال 8: من 38 إلى 73 في المائة وفورات في الطاقة؛ المقال 9: NABERS لبريطانيا؟؛ المقال 10: حان الوقت لإحالة ECG-19 للتقاعد؛ المقال 11: هل يمكن للندن أن تتحدث نيابة عن إنجلترا وويلز؟؛ المقال 12: بصمة العمل الهجين؛ المقال 13: لماذا استخدمت الانحدار الخطي بدلاً من الغابة العشوائية؛ المقال 14: الرموز البريدية العمودية؛ المقال 15: ما هو المبنى؟.