مدل سازی پیش بینی ریسک درآمد شهرداری رشت با استفاده از یادگیری ماشین تفسیرپذیر: طراحی یک سامانه هوشمند برای جلوگیری از کمبود نقدینگی و شناسایی زودهنگام ناهنجاری های مالی

شهرداری های ایرانی، از جمله شهرداری رشت، با نوسانات شدید در درآمدهای مالیاتی، تاخیر در وصول درآمدها و عدم پیش بینی پذیری جریان نقدی ماهانه مواجه هستند. این ناپایداری ها نه تنها باعث کمبود نقدینگی در اجرای پروژه های اساسی می شوند، بلکه زمینه ساز فساد، کلاهبرداری و کاهش اعتماد شهروندان به نهادهای شهری هستند. این مقاله با هدف طراحی یک سامانه پیش بینی ریسک درآمدی مبتنی بر هوش مصنوعی تفسیرپذیر، از ترکیب داده های مالی، اقلیمی، اقتصادی و شهری برای پیش بینی جریان های نقدی ماهانه شهرداری رشت استفاده می کند. با جمع آوری داده های بودجه عملیاتی، سوابق وصول مالیات، آمار آب وهوایی و شاخص های اقتصادی محلی در بازه زمانی ۱۳۹۷–۱۴۰۳، یک مدل XGBoost با ۲۴ متغیر وابسته توسعه یافت که دقت پیش بینی را تا ۹۱٫۴٪ افزایش داد. برای عبور از محدودیت «جعبه سیاه» هوش مصنوعی در محیط های دولتی، از روش SHAP (SHapley Additive exPlanations) برای تفسیرپذیری کامل مدل استفاده شد به گونه ای که هر پیش بینی همراه با دلیل های شفاف و قابل ارائه به متصدیان اداری باشد. نتایج نشان داد که بارش های شدید در ماه های زمستانی، کاهش فعالیت تجاری در بازارهای محلی، و تاخیر در صدور پروانه های ساختمانی سه عامل پیش بینی کننده اصلی کاهش درآمد شهرداری رشت هستند. مدل پیشنهادی، به عنوان یک سامانه تصمیم یار هوشمند (Intelligent Fiscal Dashboard)، قادر است هر ماه یک هشدار «ریسک کمبود نقدینگی» را تولید کند و راهکارهای هدفمندی (مانند ارائه ۱۰٪ تخفیف برای وصول زودهنگام مالیات یا فعال سازی صندوق پایداری مالی) را پیشنهاد دهد. همچنین، با تحلیل باقی مانده ها (residuals)، سیستم قادر به شناسایی ناهنجاری های مالی (مانند عدم وصول عمدی یا کلاهبرداری داخلی) در سطح ناحیه های شهری است. این سامانه نخستین مدل ترکیبی «پیش بینی + تفسیر + نظارت» برای یک شهر ایرانی است که همزمان با الزامات نظارتی داخلی و استانداردهای بین المللی شفافیت مالی (مانند IMF Fiscal Transparency Code) سازگار است. اجرای این مدل می تواند خطای پیش بینی بودجه شهرداری را تا ۷۰٪ کاهش دهد، کمبود نقدینگی ماهانه را پیش بینی کند، و به عنوان یک لایه هوشمند برای جلوگیری از فساد مالی عمل نماید. این مقاله نه تنها یک ابزار تحلیلی، بلکه یک چارچوب نظارتی هوشمند برای حکمرانی مالی شهری در ایران ارائه می دهد.

کلیدواژه ها:

شهرداری رشت ، یادگیری ماشین ، XGBoost ، SHAP ، پیش بینی درآمد شهری ، ریسک مالی ، شفافیت مالی ، کاهش کلاهبرداری مالی ، سامانه تصمیم یار مالی ، داده های شهری ، هوش مصنوعی تفسیرپذیر