کاربرد یادگیری ماشین در کشف کم اظهاری و فرار از عوارض ملکی: تجربه ای پیشنهادی برای واحد املاک شهرداری های شهرهای کوچک

بخشی از شکاف میان درآمد بالقوه و درآمد وصولی شهرداری ها از محل عوارض ملکی نه از ارزش گذاری نادرست، بلکه از کم اظهاری عمدی متراژ، کاربری یا تاریخ تکمیل ساختمان توسط برخی مالکان ناشی می شود؛ رفتاری که در نظام های خوداظهاری یا نیمه خوداظهاری شهرداری ها بیشتر دیده می شود. شناسایی این موارد به طور سنتی به بازرسی های میدانی تصادفی یا گزارش همسایگی متکی است؛ رویکردی که هم پوشش محدودی دارد و هم می تواند به قضاوت گزینشی بازرس آلوده باشد. این نوشتار با رویکرد توصیفی-تحلیلی و بر پایه یک مطالعه موردی شبیه سازی شده در واحد املاک یک شهرداری، فرضی اثر بخشی یک مدل ترکیبی یادگیری ماشین نظارت شده و بدون نظارت را در اولویت بندی پرونده های مشکوک به کم اظهاری، در مقایسه با روش بازرسی تصادفی، بر سه شاخص نرخ کشف، بار کاری بازرسان و درآمد بازیافتی بررسی می کند. یافته های حاصل از داده های شبیه سازی شده، که الگوی آنها برگرفته از مطالعات تجربی پیشین در حوزه کشف فرار مالیاتی است، نشان می دهد این رویکرد می تواند نرخ کشف موارد واقعی را به طور محسوس افزایش داده و کارایی تخصیص زمان بازرسان را بهبود بخشد. در پایان ملاحظات اخلاقی و حقوقی لازم برای استفاده مسئولانه از این نوع مدل در بستر شهرداری های کوچک مورد بحث قرار می گیرد.

کلیدواژه ها:

یادگیری ماشین ، فرار از عوارض ملکی ، کشف کم اظهاری ، واحد املاک شهرداری ، شهر کوچک