توسعه چارچوب توضیح پذیر هوش مصنوعی برای پیش بینی ریسک مالی شهرداری ها در شرایط شوک های اقتصادی و ژئوپلیتیکی: طراحی نظام هشدار زودهنگام برای کلان شهرهای ایران

پایداری مالی شهرداری ها یکی از الزامات اساسی برای استمرار ارائه خدمات عمومی، اجرای طرح های توسعه شهری و حفظ ظرفیت مالی مدیریت شهری است. با این حال، شهرداری ها علاوه بر چالش های درون سازمانی و ساختاری، در معرض مجموعه ای از شوک های اقتصادی و ژئوپلیتیکی قرار دارند که می توانند به طور مستقیم یا غیرمستقیم بر درآمدها، هزینه ها، نقدینگی، بدهی و ظرفیت سرمایه گذاری آنها اثر بگذارند. افزایش تورم، رکود فعالیت های اقتصادی و ساختمانی، نوسانات نرخ ارز، محدودیت های تجاری و مالی، تحریم ها و وقوع تنش ها و درگیری های ژئوپلیتیکی می توانند عدم اطمینان مالی شهرداری ها را افزایش داده و احتمال بروز یا تشدید ریسک مالی را بالا ببرند. در چنین شرایطی، اتکا به روش های سنتی و عمدتا گذشته نگر ارزیابی سلامت مالی، ممکن است برای شناسایی به موقع آسیب پذیری های مالی کافی نباشد.پژوهش حاضر با هدف توسعه چارچوب توضیح پذیر هوش مصنوعی برای پیش بینی ریسک مالی شهرداری ها در شرایط شوک های اقتصادی و ژئوپلیتیکی و طراحی یک نظام هشدار زودهنگام قابل استفاده در کلان شهرهای ایران انجام می شود. در چارچوب پیشنهادی، مجموعه ای از شاخص های مالی شامل نقدینگی، توان ایفای تعهدات، وضعیت درآمد و هزینه، کسری یا مازاد مالی، بدهی، مطالبات، ظرفیت درآمدزایی و سایر شاخص های سلامت مالی، در کنار متغیرهای نشان دهنده شوک های اقتصادی و ژئوپلیتیکی مورد استفاده قرار می گیرند. برای توسعه و ارزیابی تجربی مدل، از داده های واقعی و عمومی شهرداری های آفریقای جنوبی استفاده خواهد شد. مطالعات اخیر نشان داده اند که داده های مالی شهرداری های این کشور می توانند برای پیش بینی یک سال جلوتر درماندگی مالی و شناسایی عوامل اصلی ریسک مورد استفاده قرار گیرند. پژوهش سال ۲۰۲۶ در این زمینه، با استفاده از داده های پنلی سال های ۲۰۱۸/۱۹ تا ۲۰۲۲/۲۳ و ۱۳ شاخص سلامت مالی، مدل های رگرسیون لجستیک، جنگل تصادفی و XGBoost را مقایسه کرده و نقش شاخص هایی همچون نقدینگی، توان پرداخت بدهی و پوشش نقدی را در پیش بینی درماندگی مالی برجسته کرده است.در مرحله مدل سازی، الگوریتم های منتخب یادگیری ماشین شامل رگرسیون لجستیک، Random Forest، XGBoost و در صورت کفایت داده ها LightGBM برای پیش بینی ریسک مالی مورد مقایسه قرار خواهند گرفت. به منظور افزایش قابلیت تفسیر مدل، از روش های هوش مصنوعی توضیح پذیر، به ویژه SHAP، برای شناسایی اهمیت نسبی و جهت اثرگذاری متغیرهای مالی، اقتصادی و ژئوپلیتیکی استفاده خواهد شد. همچنین، با مقایسه عملکرد مدل پایه مبتنی بر شاخص های مالی با مدل توسعه یافته شامل شاخص های مالی و شوک های اقتصادی و ژئوپلیتیکی، بررسی خواهد شد که آیا لحاظ کردن این شوک ها موجب بهبود توان پیش بینی ریسک مالی می شود یا خیر.در نهایت، خروجی احتمالی مدل به سطوح مختلف هشدار مالی تبدیل شده و چارچوبی برای نظام هشدار زودهنگام ارائه خواهد شد که بتواند شهرداری های در معرض ریسک را پیش از تشدید مشکلات مالی شناسایی و امکان اولویت بندی اقدامات پیشگیرانه را فراهم کند. نوآوری اصلی پژوهش در تلفیق سه حوزه پیش بینی ریسک مالی، هوش مصنوعی توضیح پذیر و تحلیل شوک های اقتصادی و ژئوپلیتیکی و تبدیل نتایج مدل به یک چارچوب تصمیم یار برای مدیریت مالی شهرداری است. داده های آفریقای جنوبی در این پژوهش صرفا به عنوان بستر تجربی توسعه و ارزیابی چارچوب مورد استفاده قرار می گیرند و نتایج آنها به عنوان وضعیت مالی کلان شهرهای ایران تفسیر نخواهد شد؛ بلکه یافته ها و روابط شناسایی شده، مبنایی برای طراحی و بومی سازی چارچوب پیشنهادی متناسب با شرایط نهادی و مالی کلان شهرهای ایران فراهم می کنند.

کلیدواژه ها:

ریسک مالی شهرداری ، هوش مصنوعی توضیح پذیر ، یادگیری ماشین ، شوک اقتصادی ، شوک ژئوپلیتیکی ، نظام هشدار زودهنگام ، سلامت مالی ، مدیریت مالی شهری ، کلان شهرهای ایران.