از بحران اندازه گیری تا مالیه چرخه ای: چارچوب نظری مدیریت درآمد پایدار شهری مبتنی بر هوش مصنوعی

پایداری مالی شهرداری ها را نمی توان فقط با نرخ مالیات، تعداد پایه های درآمدی یا میزان وابستگی به انتقالات بین دولتی توضیح داد. بین ظرفیت اقتصادی واقعی یک شهر و درآمدی که در نهایت در نظام مالی شهرداری ثبت و وصول می شود، زنجیره ای از فرآیندهای اطلاعاتی، حقوقی، اجرایی و حسابداری قرار دارد. یکی از حلقه های کمتر دیده شده این زنجیره، توانایی حکومت محلی در شناسایی، مکان یابی، اندازه گیری و ارزش گذاری پایه های درآمدی است. این مقاله با تمرکز روی همین نقطه، چارچوب نظری «اندازه گیری–تصرف–چرخه» (Measurement–Capture–Cycle یا MCC) را پیشنهاد می کند. روش کار نظری–تحلیلی است و بر سنتز شواهد تجربی منتخب از مطالعات بین المللی در زمینه مالیات بر دارایی، ارزش گذاری انبوه، یادگیری ماشین، تحلیل فضایی، تصرف ارزش زمین، تامین مالی زیرساخت و حکمرانی هوش مصنوعی استوار است. در کانانگا الگوریتم یادگیری ماشین روی ۱٬۶۵۴ ملک به R² برابر ۰٫۶۰ رسید اما تنها ۲۲ درصد پیش بینی ها در محدوده ۲۰ درصدی هدف قرار گرفتند. در کامپالا ترکیب داده های ماهواره ای با یادگیری ماشین ۵۱ درصد تغییرپذیری نرخ ارزیابی را توضیح داد. شواهد روآندا نشان می دهد درآمدهای مالیاتی محلی پس از ارتقای راه ها بیش از دو برابر شد اما تنها ۳٫۱ درصد هزینه سرمایه گذاری بازیافت گردید. مطالعه پروژه ۶۰۶ Trail شیکاگو نیز نشان داد افزایش ارزش املاک لزوما به خودتامین مالی منجر نمی شود. بر این اساس استدلال می شود هوش مصنوعی را نباید ابزار خودکار افزایش درآمد دانست. نقش اصلی آن کاهش اصطکاک اطلاعاتی و ارتقای ظرفیت اندازه گیری است. تبدیل ظرفیت اطلاعاتی به درآمد واقعی نیازمند مبنای قانونی، ظرفیت اجرایی، سازوکار وصول و نظام حسابداری مناسب است. چارچوب MCC پیشنهاد می کند اصلاح مالیه شهری از ایجاد زیرساخت داده و اندازه گیری آغاز شود و از طریق ابزارهای قانونی تصرف ارزش و تخصیص هدفمند به چرخه یادگیری و سرمایه گذاری مجدد متصل گردد.

کلیدواژه ها:

درآمد پایدار شهری ، هوش مصنوعی ، مالیات بر دارایی ، تصرف ارزش زمین ، مالیه چرخه ای