پیش بینی دقیق درآمدهای شهرداری و بهینه سازی تخصیص بودجه با استفاده از الگوریتم های هوش مصنوعی (یادگیری ماشین)

برنامه ریزی مالی و بودجه ریزی عملیاتی، به عنوان قلب تپنده مدیریت شهری، نقشی حیاتی در تحقق اهداف توسعه پایدار و ارائه خدمات باکیفیت به شهروندان ایفا می کند. در شهرداری های ایران، به ویژه در شهرداری ماهدشت، فرآیند پیش بینی درآمدها و تخصیص بودجه اغلب مبتنی بر روش های سنتی، تحلیلی و تجربی است که با چالش های جدی از جمله خطای انسانی، عدم تطابق با نوسانات اقتصادی، و عدم شفافیت مواجه هستند. روش های خطی و سنتی قادر به مدل سازی روابط پیچیده و غیرخطی بین متغیرهای موثر بر درآمد (مانند نرخ ساخت وساز، تورم، نرخ ارز، و شرایط اقتصادی کلان) نیستند. این پژوهش با هدف طراحی و پیاده سازی یک مدل هوشمند مبتنی بر هوش مصنوعی و الگوریتم های یادگیری ماشین (Machine Learning) برای پیش بینی دقیق درآمدهای شهرداری و بهینه سازی تخصیص بودجه تدوین شده است. روش تحقیق در این مطالعه، ترکیبی (Mixed-Method) از رویکردهای کمی و کیفی به همراه روش تجربی و مقایسه ای است. در بخش کمی، داده های مالی شهرداری ماهدشت در بازه زمانی ۱۰ سال گذشته (۱۳۹۳ تا ۱۴۰۲) جمع آوری و پیش پردازش شد. متغیرهای مستقل شامل حجم صدور پروانه ساختمانی، نرخ تورم، درآمد سرانه خانوار، و شاخص های اقتصادی کلان بودند. سه الگوریتم یادگیری ماشین شامل «شبکه عصبی مصنوعی» (ANN)، «پشت پراکندگی پشتیبان» (SVM)، و «جنگل تصادفی» (Random Forest) برای پیش بینی درآمدهای جاری و عمرانی آموزش داده شدند. عملکرد این مدل ها با روش های سنتی پیش بینی (مانند میانگین متحرک و رگرسیون خطی) مقایسه شد. در بخش کیفی، با استفاده از مصاحبه های نیمه ساختاریافته با مدیران ارشد، کارشناسان برنامه و بودجه و متخصصان مالی، الزامات مدل بهینه سازی بودجه و موانع اجرایی شناسایی گردید. همچنین، برای غنی سازی تحلیل، نتایج به دست آمده با استانداردهای بودجه ریزی عملکردی مقایسه شد. یافته های پژوهش نشان می دهد که الگوریتم «جنگل تصادفی» (Random Forest) با داشتن کمترین خطای میانگین مربعات (MSE) و بالاترین ضریب تعیین (R۲)، بهترین عملکرد را در پیش بینی درآمدهای شهرداری داشته است. این مدل توانسته است خطای پیش بینی را نسبت به روش های سنتی تا ۴۰ درصد کاهش دهد. نتایج بهینه سازی تخصیص بودجه نشان داد که با استفاده از خروجی های مدل هوشمند، می توان کسری بودجه را تا ۲۵ درصد کاهش داد و تخصیص منابع به پروژه های اولویت دار را تا ۳۰ درصد بهبود بخشید. در بخش کیفی، چالش هایی نظیر کمبود داده های باکیفیت، مقاومت سازمانی در برابر تغییر سیستم های سنتی، و نیاز به زیرساخت های محاسباتی شناسایی شدند. راهکارهای پیشنهادی شامل ایجاد «واحد تحلیل داده های مالی شهرداری»، آموزش پرسنل در حوزه علم داده، و پیاده سازی تدریجی سیستم های هوشمند در چرخه بودجه ریزی است. این پژوهش می تواند به عنوان مرجعی برای مدیران شهری جهت ارتقای دقت در برنامه ریزی مالی و افزایش شفافیت بودجه مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری ماشین ، پیش بینی درآمد ، تخصیص بودجه ، شهرداری ماهدشت ، هوش مصنوعی