طبقه بندی خودکار و اولویت بندی زمانی شکایات زیرساختی شهروندان با رویکرد فراوانی محور و تحلیل شبکه های اجتماعی مکانی برای مدیریت بهینه نگهداری تاسیسات شهری

پژوهش حاضر با هدف ارائه الگویی برای طبقه بندی خودکار و اولویت بندی زمانی شکایات زیرساختی شهروندان با تلفیق رویکرد فراوانی محور، تحلیل شبکه های اجتماعی مکانی و الگوریتم های یادگیری ماشین به منظور مدیریت بهینه نگهداری تاسیسات شهری انجام شده است. این پژوهش از نظر هدف کاربردی-توسعه ای و از حیث ماهیت، توصیفی-تحلیلی با رویکردی آمیخته (ترکیبی) از نوع اکتشافی متوالی است. پژوهش در سه فاز اصلی طراحی شده است: فاز نخست، طبقه بندی خودکار شکایات زیرساختی با استفاده از الگوریتم های یادگیری ماشین شامل شبکه عصبی عمیق (DNN)، جنگل تصادفی، ماشین بردار پشتیبان، نایو بیز و مدل زبانی ParsBERT بر روی ۱۰,۰۰۰ شکایت ثبت شده در سامانه ۱۳۷ شهرداری تبریز انجام شد. فاز دوم، به تحلیل فراوانی و شبکه های اجتماعی مکانی شکایات با استفاده از نرم افزارهای ArcGIS و Gephi پرداخته و شاخص های مرکزیت، تراکم و خوشه بندی را محاسبه نمود. فاز سوم، با تلفیق سه معیار فراوانی (Frequency)، شدت و فوریت (Severity) و موقعیت مکانی (Location) و با استفاده از روش های AHP و TOPSIS، الگوریتم اولویت بندی زمانی را طراحی نمود. اعتبارسنجی الگوی پیشنهادی از طریق مصاحبه با ۲۰ تا ۲۵ نفر از خبرگان شهرداری و نظرسنجی از ۱۰۰ نفر از کارشناسان انجام شد. نتایج پژوهش نشان داد که مدل شبکه عصبی عمیق با دقت ۹۲.۴ درصد و مدل ParsBERT با دقت ۹۰.۵ درصد، بالاترین عملکرد را در طبقه بندی خودکار شکایات و تحلیل احساسات داشته اند. تحلیل شبکه های اجتماعی مکانی نشان داد که ۱۲ گره کلیدی (۰.۳۴ درصد از کل گره ها) مسئول بیش از ۴۵ درصد از کل شکایات هستند و شکایات حوزه آسفالت و آب های سطحی بیشترین هم رخدادی مکانی را دارند (ضریب همبستگی ۰.۶۸). الگوی پیشنهادی در مقایسه با روش سنتی، منجر به کاهش ۵۸ درصدی زمان پاسخگویی (از ۱۴.۳ روز به ۶.۰ روز)، کاهش ۴۲ درصدی هزینه های تعمیرات اضطراری و افزایش ۶۵ درصدی رضایت شهروندان گردیده است. همچنین، چهار مولفه کلیدی فراوانی (وزن ۰.۳۵)، شدت و فوریت (وزن ۰.۴۰)، موقعیت مکانی (وزن ۰.۲۵) و الگوی شبکه ای (وزن ۰.۱۸) به عنوان مولفه های موثر بر اولویت بندی زمانی شناسایی شدند. تلفیق رویکرد فراوانی محور، تحلیل شبکه های اجتماعی مکانی و الگوریتم های یادگیری ماشین، الگویی کارآمد برای طبقه بندی خودکار و اولویت بندی زمانی شکایات زیرساختی ارائه می دهد که به مدیریت بهینه نگهداری تاسیسات شهری می انجامد. استقرار این الگو در شهرداری ها، ضمن کاهش زمان و هزینه های رسیدگی، زمینه ساز تخصیص بهینه منابع، افزایش عمر مفید زیرساخت ها و ارتقای رضایت شهروندان خواهد شد.