1 مقدمة موسّعة

في هذا التقرير، نقدّم قراءة معمّقة لقطاع أنشطة السوق العقارية في المملكة العربية السعودية، اعتمادًا على مؤشرات منشورة عبر منصة DataSaudi. ندمج بين الوصف الإحصائي والرسوم البيانية، وبين الأساليب المتقدمة مثل:

الهدف هو استخراج شرائح قابلة للتنفيذ (Actionable Segments) تُعين صانع القرار ومنشآت القطاع على توجيه التمويل، والرقمنة، وبرامج رفع الكفاءة والتوطين.

2 أسئلة البحث

  1. ما اتجاهات الاستثمار والتمويل والتشغيل في السوق العقارية؟
  2. هل توجد مجموعات تشابه بين الأنشطة الفرعية يمكن استهدافها؟
  3. كيف يمكن تمثيل البعد التشابهي بين الأنشطة بصريًا (MDS)؟
  4. كيف ينعكس الهيكل (حجم المنشآت/التعويضات) على الربحية والرقمنة؟

3 الملخص الرقمي الأساسي (ثوابت)

metrics <- list(
  fdi_stock_2024 = 21.9,
  fdi_inflows_2024 = 0.6863,
  fdi_outflows_2024 = 0.4351,
  fdi_net_2024 = 0.2513,
  fdi_inflows_yoy_drop = -73.7,
  fdi_outflows_yoy = 337.0,
  employment_share_q1_2025 = 0.7,
  ssi_total_q1_2025 = 56703,
  ssi_male_pct = 83.7, ssi_female_pct = 16.3,
  priv_emp_2022_saudi_m = 14332,
  priv_emp_2022_nonsaudi_m = 32336,
  priv_emp_2022_saudi_f = 8412,
  priv_emp_2022_nonsaudi_f = 620,
  credit_jul_2025 = 377.6,
  credit_mom = -1.6, credit_yoy = 31.5,
  est_2018_total = 34709,
  est_lt5_pct = 92.4, est_5_19_pct = 6.5, est_20p_pct = 1.0,
  op_rev_2023 = 38.0, op_exp_2023 = 16.6, op_sur_2023 = 12.9,
  comp_micro_2023 = 0.6449, comp_small_2023 = 0.7043, comp_med_2023 = 1.6,
  digital_inet_2022 = 51.9, digital_social_2022 = 48.7,
  foreign_licenses_q4_2023 = 15
)

4 1) الاستثمار الأجنبي المباشر — اتجاهات 2023–2024

fdi_trend <- tibble(
  السنة = c(2023, 2024),
  التدفقات_الداخلة = c(2.6, metrics$fdi_inflows_2024),
  التدفقات_الخارجة = c(0.1, metrics$fdi_outflows_2024),
  صافي = c(2.5, metrics$fdi_net_2024)
)

fdi_trend %>%
  pivot_longer(-السنة, names_to="البند", values_to="القيمة") %>%
  ggplot(aes(x = factor(السنة), y = القيمة, fill = البند)) +
  geom_col(position="dodge") +
  geom_text(aes(label = round(القيمة,2)), position=position_dodge(0.9), vjust=-0.3) +
  scale_fill_manual(values = argami_pal[1:3]) +
  labs(title="اتجاهات الاستثمار الأجنبي المباشر 2023–2024", y="مليار ريال", x="السنة")

تحليل أرقامي: هبوط التدفقات الداخلة مقابل ارتفاع الخارجة أدى لانكماش الصافي — إشارة إلى تغير شهية المستثمر أو عوامل تنظيمية/تمويلية مؤقتة.

5 2) الائتمان المصرفي — نمو سنوي

credit_trend <- tibble(
  الشهر = c("يوليو 2024", "يوليو 2025"),
  القيمة = c(287.0, metrics$credit_jul_2025)
)

credit_trend %>% ggplot(aes(x=الشهر, y=القيمة, group=1)) +
  geom_line(color=argami_pal[1], size=1.2) +
  geom_point(size=3, color=argami_pal[2]) +
  geom_text(aes(label=paste0(round(القيمة,1)," مليار")), vjust=-0.7) +
  labs(title="نمو الائتمان المصرفي للقطاع", y="مليار ريال", x=NULL)

قراءة أرقامي: ارتفاع سنوي ~31.5% يعكس ثقة تمويلية، رغم التراجع الشهري البسيط.

6 3) التوظيف — حسب الجنس والجنسية (2022)

emp_dist <- tribble(
  ~الفئة, ~العدد,
  "سعوديون (ذكور)", metrics$priv_emp_2022_saudi_m,
  "سعوديات", metrics$priv_emp_2022_saudi_f,
  "غير سعوديين (ذكور)", metrics$priv_emp_2022_nonsaudi_m,
  "غير سعوديات", metrics$priv_emp_2022_nonsaudi_f
)

emp_dist %>% ggplot(aes(x=factor(الفئة), y=العدد, fill=الفئة)) +
  geom_col() + coord_flip() +
  geom_text(aes(label=format(العدد, big.mark=',')), hjust=-0.1) +
  scale_fill_manual(values = argami_pal[3:6]) +
  labs(title="توزيع العاملين حسب الجنسية والجنس — 2022", y="عدد العاملين", x=NULL)

قراءة أرقامي: هيمنة الذكور غير السعوديين؛ فرصة لبرامج استقطاب وتوطين موجهة.

7 4) هيكل المنشآت مقابل التعويضات

structure <- tribble(
  ~الحجم, ~النسبة,
  "< 5 موظفين", metrics$est_lt5_pct,
  "5–19 موظف", metrics$est_5_19_pct,
  ">= 20 موظف", metrics$est_20p_pct
)

comp <- tribble(
  ~الحجم, ~التعويضات,
  "متناهية الصغر", metrics$comp_micro_2023,
  "صغيرة", metrics$comp_small_2023,
  "متوسطة", metrics$comp_med_2023
)

p1 <- structure %>% ggplot(aes(x=الحجم, y=النسبة, fill=الحجم)) +
  geom_col() + geom_text(aes(label=paste0(النسبة, "%")), vjust=-0.3) +
  scale_fill_manual(values = argami_pal[1:3]) +
  labs(title="توزيع المنشآت حسب الحجم — 2018", y="%", x=NULL)

p2 <- comp %>% ggplot(aes(x=الحجم, y=التعويضات, fill=الحجم)) +
  geom_col() + geom_text(aes(label=paste0(round(التعويضات,3), " مليار")), vjust=-0.3) +
  scale_fill_manual(values = argami_pal[4:6]) +
  labs(title="تعويضات العاملين حسب الحجم — 2023", y="مليار ريال", x=NULL)

p1; p2

قراءة أرقامي: سيطرة عددية للصغرى جدًا، لكن “القيمة” تميل للمتوسطة — ما يوحي بفاعلية تشغيلية أعلى للمنشآت المتوسطة.

8 5) الأداء التشغيلي — نسبة الفائض إلى الإيرادات (2023)

op_ratio <- metrics$op_sur_2023 / metrics$op_rev_2023

op_df <- tibble(البند = c("إيرادات", "فائض"), القيمة = c(metrics$op_rev_2023, metrics$op_sur_2023))

op_df %>% ggplot(aes(x=البند, y=القيمة, fill=البند)) +
  geom_col() + geom_text(aes(label=paste0(القيمة, " مليار")), vjust=-0.3) +
  scale_fill_manual(values = argami_pal[1:2]) +
  labs(title=glue("الفائض يمثل {percent(op_ratio)} من الإيرادات"), y="مليار ريال", x=NULL)

قراءة أرقامي: هامش تشغيلي قوي (~34%) مع ضرورة ضبط نمو النفقات.

9 6) الاقتصاد الرقمي — مقارنة المؤشرات (2022)

digital <- tribble(
  ~المؤشر, ~النسبة,
  "استخدام الإنترنت", metrics$digital_inet_2022,
  "حسابات سوشال ميديا", metrics$digital_social_2022
)

digital %>% ggplot(aes(x=المؤشر, y=النسبة, fill=المؤشر)) +
  geom_col() + geom_text(aes(label=paste0(النسبة, "%")), vjust=-0.3) +
  scale_fill_manual(values = argami_pal[5:6]) +
  labs(title="تبني مؤشرات الاقتصاد الرقمي — 2022", y="%", x=NULL)

قراءة أرقامي: تبنٍ رقمي متوسط (~50%)؛ فرصة واضحة لحلول PropTech.

10 7) أساليب متقدمة: عنقدة هرمية، K-means، وMDS (بيانات مركّبة للتجريب)

10.1 7.1 إعداد بيانات الميزات

subsec <- tibble(
  النشاط = c("تطوير عقاري","وساطة عقارية","إدارة أملاك","إيجار سكني","إيجار تجاري","استشارات عقارية","إدارة مرافق"),
  كثافة_الائتمان = c(0.85,0.40,0.55,0.50,0.70,0.35,0.60),      # 0-1
  تبني_رقمي = c(0.65,0.80,0.55,0.50,0.60,0.85,0.58),            # 0-1
  ربحية_تشغيلية = c(0.35,0.25,0.22,0.18,0.28,0.24,0.20),        # فائض/إيراد (تقريب)
  متوسط_تعويض = c(18,10,12,8,14,11,9)                           # ألف ريال/موظف (تقريب)
)

# تقييس الميزات وحساب المسافة الإقليدية
X <- subsec %>% select(-النشاط) %>% scale() %>% as.matrix()
d <- dist(X, method = "euclidean")

شرح أرقامي: هذه مصفوفة ميزات تعليمية تُحاكي واقع القطاع: التطوير/الإيجار التجاري أكثر كثافة ائتمانية وربحية، والوساطة/الاستشارات أعلى تبنيًا رقميًا.

10.2 7.2 العنقدة الهرمية (Ward.D2)

hc <- hclust(d, method = "ward.D2")
plot(hc, hang = -1, main = "شجرة التجميع الهرمي للأنشطة الفرعية")
rect.hclust(hc, k = 3, border = argami_pal[1:3])

قراءة أرقامي: تظهر ثلاثة عناقيد رئيسية: (أ) تمويل/تطوير/تجاري كثيف الائتمان، (ب) خدمات وسيطة/استشارية عالية الرقمنة، (ج) إدارة/تشغيل بربحية متوسطة.

10.3 7.3 اختيار عدد العناقيد — الكوع وSilhouette

set.seed(123)

# تأمين نطاق k صالح حتى في حالة صفوف متطابقة
n <- nrow(X)
n_unique <- nrow(unique(as.data.frame(X)))
Kmax <- max(2, min(6, n_unique - 1))  # لا نتجاوز عدد الصفوف المميزة-1

# الكوع (WSS)
ks <- 1:Kmax
wss <- sapply(ks, function(k) kmeans(X, centers = k, nstart = 50)$tot.withinss)
elbow <- tibble(k = ks, wss = wss)

# السيلويت
ks2 <- 2:Kmax
sil <- sapply(ks2, function(k){
  km <- kmeans(X, centers = k, nstart = 50)
  ss <- cluster::silhouette(km$cluster, d)
  mean(ss[,3])
})
sil_df <- tibble(k = ks2, sil_width = sil)

# اختيار k المرشّح
k_sel <- if (length(sil_df$sil_width) > 0 && all(is.finite(sil_df$sil_width))) {
  sil_df$k[which.max(sil_df$sil_width)]
} else {
  pmax(2, floor(median(ks)))
}

p_elbow <- ggplot(elbow, aes(k, wss)) +
  geom_line(color = argami_pal[1]) + geom_point(color = argami_pal[2]) +
  labs(title = "طريقة الكوع — مجموع التباينات داخل العناقيد", x = "k", y = "WSS")

p_sil <- ggplot(sil_df, aes(k, sil_width)) +
  geom_line(color = argami_pal[3]) + geom_point(color = argami_pal[4]) +
  labs(title = "متوسط عرض السيلويت حسب k", x = "k", y = "Silhouette")

p_elbow; p_sil

استدلال أرقامي: غالبًا ما يكون k = 3 اختيارًا متوازنًا (انثناء بالكوع وارتفاع نسبي للسيلويت).

10.4 7.4 K-means (k = 3)

set.seed(123)
km <- kmeans(X, centers = k_sel, nstart = 50)
subsec$عنقود <- factor(km$cluster)

# إسقاط PCA للعرض
pca <- prcomp(X)
pca_df <- as_tibble(pca$x[,1:2]) %>% setNames(c("PC1","PC2")) %>% bind_cols(subsec)

ggplot(pca_df, aes(PC1, PC2, color = عنقود, label = النشاط)) +
  geom_point(size = 3) +
  geom_text(vjust = -1) +
  scale_color_manual(values = argami_pal[1:3]) +
  labs(title = paste0("K-means (k=", k_sel, ") — إسقاط PCA للمجموعات"), color = "العنقود")

قراءة أرقامي: العناقيد الثلاثة تُظهر فواصل واضحة بين أنشطة كثيفة الائتمان، وأنشطة عالية الرقمنة، وأنشطة تشغيلية متوسطة الربحية.

10.5 7.5 التمثيل متعدّد الأبعاد (MDS)

mds <- cmdscale(d, k = 2)
mds_df <- as_tibble(mds) %>% setNames(c("البعد1","البعد2")) %>% bind_cols(subsec)

ggplot(mds_df, aes(البعد1, البعد2, color = عنقود, label = النشاط)) +
  geom_point(size = 3) +
  geom_text(vjust = -1) +
  scale_color_manual(values = argami_pal[1:3]) +
  labs(title = "MDS — تمثيل المسافات بين الأنشطة في بعدين", color = "العنقود")

قراءة أرقامي: قرب النقاط يعني تشابهًا بنيويًا (ائتمان/رقمنة/ربحية/تعويض) — ما يعين على تصميم عروض/سياسات مخصصة لكل مجموعة.

10.6 7.6 ملخص وصفي حسب العنقود

cluster_summary <- subsec %>%
  group_by(عنقود) %>%
  summarise(
    n = n(),
    كثافة_الائتمان = mean(كثافة_الائتمان),
    تبني_رقمي = mean(تبني_رقمي),
    ربحية_تشغيلية = mean(ربحية_تشغيلية),
    متوسط_تعويض = mean(متوسط_تعويض)
  )
cluster_summary

تفسير أرقامي: - عنقود 1 (غالبًا تطوير/تجاري): كثافة ائتمان وربحية أعلى — يستحق آليات تمويل مرنة مع رقابة تكاليف.
- عنقود 2 (وساطة/استشارات): تبنٍ رقمي مرتفع — فرصة لمنتجات PropTech وخدمات منصات.
- عنقود 3 (إدارة/تشغيل): ربحية متوسطة وتعويضات أقل — برامج كفاءة وتشغيل ذكي.

11 توصيات أرقامي

📝 المصدر: منصة البيانات السعودية — أنشطة السوق العقارية: https://datasaudi.sa/ar/sector/real-estate-activities — وتحليلات عنقودية/تمثيل بصري مبنية على ميزات مركّبة للتجريب المنهجي.