کاربرد فناوری بلاک چین در شفافیت و کاهش تخلفات مالی ثبت و نقل و انتقال املاک شهرداری های شهرهای کوچک

محاسبه عوارض نوسازی و سایر عوارض وابسته به ارزش ملک یکی از منابع اصلی درآمد پایدار شهرداری هاست، اما در بسیاری از شهرداری های شهرهای کوچک هنوز بر پایه ارزش منطقه ای ثابت و به روز رسانی نشده صورت می گیرد؛ رویه ای که هم عدالت مالیاتی را مخدوش می کند و هم درآمد شهرداری را نسبت به ارزش واقعی بازار عقب نگه می دارد. مدل های ارزش گذاری خودکار مبتنی بر یادگیری ماشین (AVM) با تحلیل همزمان ویژگی های فیزیکی، موقعیت مکانی و روند معاملات امکان برآورد نزدیک تر به ارزش بازار را برای هر پلاک به طور مجزا فراهم می آورند. این نوشتار با رویکرد توصیفی-تحلیلی و بر پایه یک مطالعه موردی شبیه سازی شده در واحد املاک یک شهرداری فرضی با جمعیت پنجاه هزار نفر دقت و کاربردپذیری یک مدل جنگل تصادفی را در برآورد ارزش نزدیک به هفت هزار پلاک مسکونی در قیاس با روش سنتی ارزش منطقه ای می سنجد. داده های شبیه سازی شده که الگوی آنها از یافته های تجربی گزارش شده در پژوهش های پیشین اقتباس شده نشان می دهد مدل یادگیری ماشین می تواند نسبت خطای ارزش گذاری را به طور محسوس کاهش داده و شکاف درآمدی ناشی از ارزش گذاری کمتر از واقع را جبران کند. در پایان چارچوبی مرحله ای برای پیاده سازی این مدل در واحد املاک شهرداری های کوچک با توجه به محدودیت داده و نیروی متخصص پیشنهاد شده است.

کلیدواژه ها:

ارزش گذاری خودکار ، املاک ، یادگیری ماشین ، عوارض نوسازی ، واحد املاک شهرداری ، شهر کوچک