تحلیل فضایی-زمانی تخلفات ساختمانی شهرداری با تلفیق GIS و یادگیری ماشین: رهیافتی برای عدالت فضایی در بازرسی شهری

تخلفات ساختمانی به عنوان یکی از چالش های پایدار در مدیریت شهری ایران، سالانه هزینه های اقتصادی، اجتماعی و زیست محیطی قابل توجهی را به شهرداری ها تحمیل می کند. رویکردهای سنتی بازرسی، غالبا واکنشی، موردی و مبتنی بر گزارش های مردمی هستند و از تحلیل الگوهای مکانی-زمانی تخلفات غافل می مانند. این مقاله چارچوبی نوین برای تحلیل فضایی-زمانی تخلفات ساختمانی با تلفیق سیستم اطلاعات جغرافیایی (GIS) و الگوریتم های یادگیری ماشین ارائه می دهد تا واحد بازرسی شهرداری بتواند به جای واکنش به تخلفات، به پیش بینی و پیشگیری از آن ها بپردازد. در این چارچوب، ابتدا داده های تاریخی تخلفات ساختمانی از پایگاه داده کمیسیون ماده ۱۰۰ استخراج و پالایش می شود. سپس با استفاده از تحلیل های فضایی نظیر برآورد تراکم کرنل، آماره گتیس-ارد و شاخص موران، الگوهای خوشه ای تخلفات شناسایی می گردد. در ادامه، الگوریتم های یادگیری ماشین برای پیش بینی مناطق پرخطر و اولویت بندی بازرسی ها به کار گرفته می شود. نتایج مطالعه پیشگام در اردبیل که ۲۳,۸۹۷ مورد تخلف ساختمانی را تحلیل کرده است، نشان می دهد که تخلفات به صورت خوشه ای توزیع شده اند و مناطق مرکزی و حاشیه ای الگوهای متفاوتی دارند (مقابلی و همکاران، ۱۴۰۴). تحلیل آماره موران مقدار ۰/۳۸ را نشان داد که در سطح اطمینان ۹۹ درصد معنادار است و حاکی از خودهمبستگی فضایی مثبت تخلفات است. مدل جنگل تصادفی با دقت ۸۲ درصد توانست مناطق پرخطر را پیش بینی کند. از منظر عدالت فضایی، یافته ها نشان داد که توزیع منابع نظارتی شهرداری عادلانه نیست و مناطق حاشیه ای از نظارت کافی برخوردار نمی شوند. چارچوب پیشنهادی به شهرداری ها امکان می دهد تا با تخصیص بهینه منابع محدود بازرسی، عدالت فضایی را در نظارت شهری برقرار سازند و از تخلفات پیش از وقوع جلوگیری کنند.

کلیدواژه ها:

تخلفات ساختمانی ، تحلیل فضایی ، GIS ، یادگیری ماشین ، کمیسیون ماده ۱۰۰ ، عدالت فضایی ، بازرسی شهری ، آماره گتیس-ارد ، جنگل تصادفی