مدیریت نقدینگی و پیش بینی جریان های نقدی در شهرداری ها با استفاده از روش های آماری و یادگیری ماشین

مدیریت موثر نقدینگی در شهرداری ها، به عنوان یکی از ارکان حیاتی پایداری مالی و ارائه خدمات عمومی، نیازمند توانایی پیش بینی دقیق جریان های نقدی ورودی و خروجی در بازه های زمانی کوتاه مدت و میان مدت است. عدم دستیابی به پیش بینی قابل اعتماد، می تواند منجر به کسری نقدینگی، اختلال در پرداخت های جاری، و تاخیر در اجرای پروژه های عمرانی و خدماتی گردد. این پژوهش با رویکردی نوین، توسعه و ارزیابی یک چارچوب پیش بینی جریان نقدی شهرداری ها را با تلفیق روش های آماری کلاسیک و الگوریتم های یادگیری ماشین (ML) دنبال می کند، به منظور ارتقاء دقت، کاهش خطاهای پیش بینی و بهینه سازی تخصیص منابع نقدی.در مرحله نخست، داده های مالی واقعی یک شهرداری طی پنج سال اخیر شامل درآمدهای ناشی از عوارض ساختمانی، عوارض نوسازی، درآمدهای خدماتی، و سایر منابع غیرمالیاتی گردآوری شد. داده های هزینه ای نیز شامل هزینه های جاری همچون حقوق و مزایا، خدمات عمومی، نگهداری زیرساخت ها، و مخارج پروژه های عمرانی استخراج گردید. پس از پاکسازی داده ها و نرمال سازی مقادیر، دو دسته مدل پیش بینی طراحی شد: دسته اول مبتنی بر روش های آماری سنتی نظیر رگرسیون خطی چندگانه، مدل های سری زمانی ARIMA، و مدل هموارسازی نمایی؛ دسته دوم مبتنی بر الگوریتم های یادگیری ماشین شامل جنگل تصادفی (Random Forest)، ماشین بردار پشتیبان (SVR)، شبکه های عصبی چندلایه (MLP)، و گرادیان بوستینگ (XGBoost).در بخش آموزش مدل ها، داده ها به نسبت ۷۰٪ آموزش و ۳۰٪ آزمون تفکیک شدند. شاخص های ارزیابی شامل میانگین خطای مطلق (MAE)، ریشه میانگین مربعات خطا (RMSE)، و ضریب تعیین (R²) در هر مدل محاسبه شد. نتایج نشان داد که الگوریتم های ML به طور میانگین دقت بالاتری نسبت به مدل های آماری داشتند؛ به ویژه، مدل XGBoost با MAE پایین تر و R² حدود ۰٫۹۲ توانست الگوهای پیچیده تر بین متغیرها را کشف و پیش بینی های بهتری ارائه دهد. با این حال، مدل های سری زمانی ARIMA در مواردی که داده ها دارای روند و فصلیت مشخصی بودند، عملکرد مناسبی داشتند و به عنوان روشی قابل اعتماد برای پیش بینی کوتاه مدت مطرح شدند.تحلیل مقایسه ای نشان داد که تلفیق نتایج مدل های آماری و ML (مدل ترکیبی یا Ensemble) در برخی شاخص ها، نسبت به استفاده منفرد از هر روش، توانست خطا را ۸ تا ۱۲ درصد کاهش دهد. این نتایج بیانگر اهمیت رویکرد ترکیبی در محیط های مالی پیچیده شهرداری ها است که تحت تاثیر عوامل متنوع اقتصادی، اجتماعی و حتی سیاسی قرار دارند.از منظر کاربردی، توانایی پیش بینی دقیق درآمدها و هزینه ها امکان برنامه ریزی بهینه سرمایه در گردش را فراهم می آورد؛ بدین معنا که می توان تخصیص نقدینگی را به گونه ای مدیریت کرد که پرداخت های ضروری (حقوق، خدمات عمومی) بدون تاخیر انجام شوند و منابع مازاد برای پروژه های توسعه ای یا سرمایه گذاری مورد استفاده قرار گیرند. به علاوه، پیش بینی به موقع کاهش احتمالی درآمدها، به مدیریت شهری فرصت می دهد تا با استفاده از ابزارهایی مانند انتشار اوراق مشارکت، استفاده از تسهیلات بانکی یا تعدیل مخارج، از بروز کسری نقدینگی جلوگیری کند.از دیدگاه راهبردی، این چارچوب پیشنهادی می تواند پایه ای برای استقرار سامانه های هوشمند مدیریت مالی در شهرداری ها باشد که در آن داده های لحظه ای ورودی و خروجی به طور خودکار تحلیل و پیش بینی می شوند. ترکیب مدل های آماری برای ثبات و توضیح پذیری، با الگوریتم های ML برای کشف روابط غیرخطی و پویا، مزیتی دوگانه ایجاد می کند که هم از نظر دقت و هم از نظر قابلیت اعتماد برای مدیران مالی شهرداری ها ارزشمند است.در نهایت، این تحقیق با توجه به نتایج تجربی، پیشنهاد می کند شهرداری ها در کنار استفاده از روش های سنتی قابل توضیح، سرمایه گذاری مناسبی در حوزه زیرساخت های داده و الگوریتم های پیشرفته یادگیری ماشین انجام دهند. همچنین، مراکز آموزش تخصصی و کارگاه های داخلی برای توانمندسازی کارکنان بخش مالی در کار با ابزارهای تحلیلی جدید، به عنوان مکمل این تحول فناورانه در نظر گرفته شود. بدین ترتیب، مدیریت نقدینگی شهرداری ها نه تنها از وضعیت واکنشی به شرایط بازار و درآمد، بلکه به حالتی پیش کنشی، مبتنی بر داده و الگوریتم، تغییر می یابد که می تواند اثرات مثبت پایدار بر کارایی مالی و رضایت مندی عمومی داشته باشد.

کلیدواژه ها:

مدیریت نقدینگی ، پیش بینی جریان نقدی ، شهرداری ها ، روش های آماری ، یادگیری ماشین ، رگرسیون خطی ، سری زمانی ARIMA ، XGBoost ، برنامه ریزی سرمایه در گردش