پیش بینی میزان درآمد حاصل از دریافت عوارض شهری شهرداری‌ها با استفاده از مدل شبکه عصبی (مطالعه موردی: شهر زابل)

نوع مقاله : مقاله پژوهشی

نویسندگان

• غلامعلی خمر
• معصومه جوادیان

دانشگاه زابل

چکیده

اداره ﻣﻄﻠﻮب ﺷﻬﺮﻫﺎ و اراﺋﻪ ﺧﺪﻣﺎت ﻣﻨﺎﺳﺐ و ﮐﻨﺘﺮل و ﻫﺪاﯾﺖ ﭘﺮوژه­ﻫﺎی ﻋﻤﺮاﻧﯽ، ﻋﻼوه ﺑﺮ اﻋﻤﺎل ﻣﺪﯾﺮﯾﺖ ﺻﺤﯿﺢ، ﻣﺴﺘﻠﺰم اﻋﺘﺒﺎرات و درآﻣﺪﻫﺎی ﮐﺎﻓﯽ و ﻫﺰﯾﻨﻪ ﺻﺤﯿﺢ آن ﻣﯽ ﺑﺎﺷﺪ عوارض از مهم ترین منابع بهینه شهرداری‌ها در کشورهای پیشرفته جهان است که بابت اداره شهر از درآمدها، اموال، دارایی و مصرف اشخاص حقیقی و حقوقی دریافت می‌گردد و صرف خدمات شهری می‌شود. شهرداری­ها عمده هزینه­های ارائه خدمات خود را از محل دریافت عوارض مختلف از شهروندان تامین می­نمایند، در این راستا شهرداری­ها به دنبال ایجاد منابع درآمدی پایدار هستند. اهمیت عوارض شهری تا بدان حد است که امروزه به عنوان یکی از درآمدهای شهرداری‌ها مورد توجه قرار می­گیرد،که نقش محوری در جهت بالا بردن کیفیت زندگی در محیط­‌های شهری و ارائه خدمات عمومی ایفا می‌کند. از آﻧﺠﺎ ﮐﻪ ﺑﺴﯿﺎری از ﻣﺸﮑﻼت ﺷﻬﺮﻫﺎی ﮐﺸﻮر رﯾﺸﻪ در ﻧﻈﺎم ﻣﺪﯾﺮﯾﺖ درآﻣﺪ و ﻫﺰﯾﻨﻪ آﻧﻬﺎ دارد بر این اساس، هدف از پژوهش حاضر پیش بینی میزان درآمد حاصل از عوارض پرداختی به شهرداری­‌ها است که به صورت موردی شهر زابل مورد بررسی قرار می‌گیرد. روش به کار گرفته شده در این پژوهش مدل شبکه عصبی از نوع پیش خور (MFNN) با الگوریتم پس انتشار خطا (BP) است که داده­ها در این مدل آموزش دیده‌اند تا در جهت پیش بینی میزان درآمد شهرداری زابل مورد استفاده قرار بگیرند. نتایج حاصل از پژوهش نشان می‌دهد که میزان عوارض دریافتی توسط شهرداری زابل روند رو به رشدی را در پی داشته و طبق پیش بینی انجام شده توسط مدل شبکه عصبیANN)) 6945416783میلیارد ریال شهرداری زابل در آذر ماه سال 92 از طریق دریافت عوارض درآمد کسب خواهد کرد.

کلیدواژه‌ها

• درآمد
• شهرداری
• عوارض شهری
• شبکه عصبی
• زابل

20.1001.1.22285229.1394.6.23.2.0

---

عنوان مقاله [English]

Prediction of the amount of the revenue from the complications of the municipality of using model neural network(case study: the city of Zabul)

نویسندگان [English]

• Gh. Khamar
• M. Javadian

Zabol University

چکیده [English]

Desirable urban governance, service delivery, control and navigation projects, as well as good management practices, requires adequate credits and revenues and correct costs.Imposition is one ofmost important sources for municipalityin the development countries, that pay for the administration of the city of revenue, property, assets and consumption of natural and legal persons shall receive and spend to municipal services. The importance of urban effects, as does much that today spot as one of the municipal revenues that have, central role in order to raise the quality of life in urban environments, and provide services to the public.Since many of the cities problem is in the management of income and cost.so aim of the present study is to predictthe amount of income from payments to the municipality of effects of that case will be examined in Zabol. The method employed in this research is multilayered feed forward neural networks(MFNN) with Back  propagation (BP) algorithm.Data in this model have been trained until used in predict of municipality income in city of Zabole. The results of the research show that the amount of the incoming ofZabol's municipality the growth trend, and according to predictions made by the model neural networkZabol's municipality earn income square6945416783billion rialsin December 2013.

کلیدواژه‌ها [English]

• revenue
• municipal
• urban effects
• Neural network
• Zabol

اصل مقاله

پیش بینی میزان درآمد حاصل از دریافت عوارض شهری شهرداری­ها با استفاده از مدل شبکه عصبی (مطالعه موردی: شهر زابل)

 

غلامعلی خمر: معصومه جوادیان:

استادیار جغرافیا و برنامه‌ریزی شهری، دانشگاه زابل، زابل، ایران*  دانشجوی کارشناسی ارشد جغرافیا و برنامه‌ریزی شهری، دانشگاه زابل، زابل، ایران

 

چکیده

اداره ﻣﻄﻠﻮب ﺷﻬﺮﻫﺎ و اراﺋﻪ ﺧﺪﻣﺎت ﻣﻨﺎﺳﺐ و ﮐﻨﺘﺮل و ﻫﺪاﯾﺖ ﭘﺮوژه­ﻫﺎی ﻋﻤﺮاﻧﯽ، ﻋﻼوه ﺑﺮ اﻋﻤﺎل ﻣﺪﯾﺮﯾﺖ ﺻﺤﯿﺢ، ﻣﺴﺘﻠﺰم اﻋﺘﺒﺎرات و درآﻣﺪﻫﺎی ﮐﺎﻓﯽ و ﻫﺰﯾﻨﻪ ﺻﺤﯿﺢ آن ﻣﯽ ﺑﺎﺷﺪ عوارض از مهم ترین منابع بهینه شهرداری‌ها در کشورهای پیشرفته جهان است که بابت اداره شهر از درآمدها، اموال، دارایی و مصرف اشخاص حقیقی و حقوقی دریافت می‌گردد و صرف خدمات شهری می‌شود. شهرداری­ها عمده هزینه­های ارائه خدمات خود را از محل دریافت عوارض مختلف از شهروندان تامین می­نمایند، در این راستا شهرداری­ها به دنبال ایجاد منابع درآمدی پایدار هستند. اهمیت عوارض شهری تا بدان حد است که امروزه به عنوان یکی از درآمدهای شهرداری‌ها مورد توجه قرار می­گیرد،که نقش محوری در جهت بالا بردن کیفیت زندگی در محیط­‌های شهری و ارائه خدمات عمومی ایفا می‌کند. از آﻧﺠﺎ ﮐﻪ ﺑﺴﯿﺎری از ﻣﺸﮑﻼت ﺷﻬﺮﻫﺎی ﮐﺸﻮر رﯾﺸﻪ در ﻧﻈﺎم ﻣﺪﯾﺮﯾﺖ درآﻣﺪ و ﻫﺰﯾﻨﻪ آﻧﻬﺎ دارد بر این اساس، هدف از پژوهش حاضر پیش بینی میزان درآمد حاصل از عوارض پرداختی به شهرداری­‌ها است که به صورت موردی شهر زابل مورد بررسی قرار می‌گیرد. روش به کار گرفته شده در این پژوهش مدل شبکه عصبی از نوع پیش خور (MFNN) با الگوریتم پس انتشار خطا (BP) است که داده­ها در این مدل آموزش دیده‌اند تا در جهت پیش بینی میزان درآمد شهرداری زابل مورد استفاده قرار بگیرند. نتایج حاصل از پژوهش نشان می‌دهد که میزان عوارض دریافتی توسط شهرداری زابل روند رو به رشدی را در پی داشته و طبق پیش بینی انجام شده توسط مدل شبکه عصبیANN)) 6945416783میلیارد ریال شهرداری زابل در آذر ماه سال 92 از طریق دریافت عوارض درآمد کسب خواهد کرد.

واژه‌های کلیدی: درآمد، شهرداری، عوارض شهری، شبکه عصبی، زابل

 

 

 

 

 

 

 

1- مقدمه

1-1- بیان مسأله

امروزه شهرداری­ها در اکثر کشور­های توسعه یافته به عنوان یکی از انواع دولت­های محلی، در اداره­ی شهر­ها و عرضه­ی کالا­ها و خدمات عمومی محلی، نقش مهم و برجسته­ای بر عهده دارند شهرداری به عنوان نهاد محلی و برخاسته از متن مردم منطقه و متولی اصلی اداره­ی امور خدماتی عمرانی و نوسازی شهری ناچار است در قبال ایفای وظایف قانونی خود، به دلیل عدم وابستگی به دولت و بودجه­ی عمومی، به طرق مختلف و بر پایه­ی قانون، عوایدی را کسب و به مصرف امور مورد نظر برساند.

منابع مالی محلی، مهم­ترین عامل در خودگردانی سازمان­های محلی است که می­تواند هدف­های حیاتی مذکور را محقق سازد. در این راستا عوارض محلی و بهای خدمات شهرداری از اساسی­ترین منابع جهت تامین درآمد­های پایدار شهرداری به عنوان یک نهاد محلی هستند که این امر باید به خوبی و به طور کامل تامین شود (ولیخانی دهاقانی و همکارش،41:1390).

شهرداری­ها عمده هزینه­های ارائه خدمات خود را از محل دریافت عوارض مختلف از شهروندان تامین می­نمایند، در این راستا شهرداری­ها به دنبال ایجاد منابع درآمدی پایدار هستند. یکی از این منابع درآمدی پایدار وصول عوارض و بهره قانونی تعیین شده از شهروندان در قبال خدماتی که از شهرداری دریافت می­کنند، این گونه عوارض عبارتند از: عوارض نوسازی، کسب و پیشه، عوارض سالیانه خودرو و بهای خدمات ناشی از بهره­برداری خدمات عمومی شهری (سعیدی مهرآباد،40:1390).

با توجه به اهمیت موضوع بیشترین مقدار دریافتی عوارض مربوط به مسائل ساخت وساز است که به عنوان یه منبع درآمدی برای شهرداری­هاست؛ بنابراین برای مدیریت بهتر بر شهر و تامین نیاز­های شهروندان نیازمند آگاهی کامل در این زمینه هستند با توجه به مطالب فوق وصول به موقع درآمدهای پیش‌بینی شده، مدیریت شهری را در ارائه خدمات کارآمد ومکفی ونیز تحقق اهداف برطبق برنامه‌های تدوین شده یاری می­نماید. بنابراین، هدف این تحقیق برآورد میزان درآمد حاصل از دریافت عوارض به شهرداری و ارائه مدل مناسبی برای پیش بینی این میزان درآمد در آینده بوده است. بدین منظور با توجه به توان زیاد مدل­های شبکه­های عصبی مصنوعی (ANN)، در بازسازی روابط پیچیده و غیر خطی، از آنها برای پیش بینی درآمد استفاده می­شود. پس ازبررسی بیان مساله، مبانی نظری و پیشینه­ای تحقیق در بخش بعد، شبکه­های عصبی وداده‌ها برای این پژوهش معرفی می­شود. سپس تجزیه و تحلیل مدل و نتایج بدست آمده ارائه می­شوند و در انتها نتیجه گیری و پیشنهاداتی بیان می‌گردد.

با تصویب قانون شهرداری­ها در سال 1309 و واگذاری شهرداری­ها به وزارت کشور، عملا بودجه و منابع مالی شهرداری­ها به دولت وبودجه ملی گره خورد؛ اما همزمان با اتخاذ سیاست­های تعدیل از اواسط دهه­ی 1360 سیاستی با این مضمون در دستور کار دولت قرار گرفت که ادارات دولتی و سازمانهای عمومی باید حتی الامکان به صورت خودبسنده درآمد کسب کنند و به تامین هزینه‌های خود بپردازند (اکبرپور سراسکانرود و میرزاجانی، 55:1389). با توجه با این مطلب کمک­های دولتی به شهرداری­ها کاهش یافت و این سازمان­ها باید خود به صورت خودگردان اقدام به تامین منابع مالی خود می­کردند. بنابراین با توجه به این موضوع در سالهای اخیر یکی از معضلاتی که شهرداری­های کشور با آن مواجه هستند تامین منابع مالی این سازمان­هاست که این منابع درآمدی شهرداری­ها پایدار نیستند. یکی از این منابع دریافت عوارض شهری است که با توجه به اینکه شهر زابل در حال توسعه و گسترش است و جمعیت آن هم رو به افزایش است این سوال مطرح می­شود که آیا مبالغ دریافتی از عوارض شهری توسط شهرداری زابل نیاز­های درآمدی این سازمان و هزینه­های لازم برای ارائه خدمات شهری به شهروندان زابلی را تامین می­کند؟ و آیا این عوارض دریافتی در سالهای آینده روند رو به رشدی خواهد داشت یا نه؟که در پژوهش حاضر سعی بر آن داریم تا با استفاده از مدل شبکه عصبی میزان دریافتی عوارض را پیش بینی و به سوالات مطرح شده پاسخ بدهیم.

1-2- پیشینه پژوهش

در خصوص مباحث مرتبط با موضوع عوارض و درآمد­های شهرداری مطالعاتی در داخل و خارج کشور صورت گرفته است که به آن­ها اشاره می­کنیم. آقای زمانی (2) تحقیقی در پیرامون پیش بینی درآمد شهرداری تهران با استفاده از شبکه عصبی مصنوعی را انجام دادند که با توجه به اهمیت پیش بینی درآمد و هزینه‌های شهرداری در بودجه بندی سالانه از دو روش شبکه عصبی (MLP) و روش(SVM) استفاده کردندکه نتایج به دست آمده از روش شبکه عصبی به واقعیت نزدیک تر بوده است. وحید پورشهابی و همکارانش (1) در پژوهشی با عنوان بررسی منابع درآمدی شهرهای جدید استان سیستان و بلوچستان به بررسی منابع درآمدی شهرداری­های این شهر­ها و بررسی چالش­های پیش روی نظام درآمدی و ارائه راهکارهای رویارویی با آن­ها پرداخته که در نهایت به این نتیجه رسیده­اند که این شهر­ها دارای منابع درآمدی متنوع نهستند. ماشاءاله ولیخانی دهاقانی و همکارانش (13) در پژوهشی به بررسی عوامل موثر بر افزایش تمایل شهروندان به پرداخت عوارض شهرداری پرداختند که در آن به عوامل اقتصادی، اجتماعی و قانونی موثر بر تمایل شهروندان در پرداخت عوارض در شهرداری منطقه 21 تهران توجه شده که در پایان به این نتیجه رسیدن که عوامل اقتصادی و اجتماعی بر تمایل شهروندان موثر بوده است. بیشتر ادبیات پیش بینی توسط محققانی چون ژانک، پاتووو هو و کاربرد­های اخیر توسط سوانسون و وایت، داربلی و اسلمسما، کوی و تکاز صورت گرفته است. در زمینه مسائل اقتصادی و مالی از شبکه­های عصبی چنذ لایه پیش خور با قوانین الگوریتم یادگیری پس از انتشار در دهه­های اخیر استفاده زیادی صورت گرفته است که به نمونه‌های از آن­ها اشاره می­کنیم.

در فاصله سال‌های 95-1988 جمعا 213 فعالیت عمدتا در زمینه شبکه‌های عصبی در حوزه بازرگانی صورت گرفت که از این تعداد 54 فعالیت در حوزه مالی بوده و 2 فعالیت در زمینه پیش بینی و تجزیه و تحیل سری‌های زمانی انجام شده است (19). چیانک و دیگران[1] (14) از یک شبکه پس از انتشار خطا برای پیش بینی خالص قیمت دارایی شرکت‌های سرمایه گذاری استفاده کردند. آن­ها داده‌های شبکه و نتایج کارشان را با نتایج به دست آمده از تکنیک‌های سنتی اقتصاد سنجی مقایسه کردند و دریافتند که شبکه‌های عصبی زمانی که داده‌ها کم باشند به طور معنی داری از روش‌های رگرسیونی بهتر عمل می­کنند. گارلیاسکاس[2](15) به پیش بینی سری زمانی بازار سهام با استفاده از الگوریتم محاسباتی شبکه عصبی مرتبط با تابع کرنل و روش پیش بینی بازگشت خطا اقدام کرد، او نتیجه گفت که پیش بینی سری‌های زمانی مالی به وسیله شبکه بهتر از مدل‌های آماری کلاسیک انجام می­شود. در خصوص مسائل مالی پزوهش‌های زیادی صورت گرفته است اما در رابطه با موضوع این پژوهش که مبتنی بر پیش بینی میزان درآمد حاصل از عوارض پرداختی به شهرداری با استفاده از مدل شبکه عصبی است تا به حال در محدوده مورد مطالعه، مطالعاتی صورت نگرفته است.

1-3- مواد و روش

شبکه عصبی مصنوعی (ANN)[3] یک ساختار شبکه ای از تعداد عناصر مرتبط به هم به نام نرون که هر نرون دارای ورودی­ها و خروجی­های است و یک عمل نسبتا ساده و محلی را انجام می­دهد. شبکه­های عصبی عموما عملکرد خود را طی یک پروسه یادگیری فرا می­گیرند (نیازی، 1390: 12).

یک شبکه عصبی مصنوعی از تعداد زیادی گره و پاره خط­های جهت دار که گره­ها را به هم ارتباط می­دهند تشکیل شده است. گره­های که در لایه ورودی هستند گره­های حسی[4]و گره­های لایه خروجی، گره­های پاسخ دهنده[5]نامیده می­شوند. بین نرون­های ورودی و خروجی نیز نرون­های پنهان[6]قرار دارند.

یک ANN می­تواند چندین لایه پنهان داشته باشد. ولی پژوهش­های تئوریک انجام گرفته دراین زمینه نشان داده­اند که با داشتن یک لایه پنهان برای این گونه مدل­ها می­توان هر تابع پیچیده و غیر خطی را تقریب زد (کارتالویس، 1381: 22).

اطلاعات از طریق گره­های ورودی به شبکه وارد می‌شود، سپس از طزیق اتصالات به لایه­های پنهان متصل، در نهایت خروجی شبکه از گره­های لایه خروجی به دست می­آیند. این مراحل مشابه شبکه عصبی بیولوژیکی انسان است (منهاج، 1377: 34).

انواع مختلفی از شبکه­های عصبی مصنوعی با توجه به اهداف تحقیق می­توانند استفاده شوند که در این تحقیق از شبکه عصبی چند لایه پیش خور[7](MFNN) استفاده شده است. شبکه عصبی چند لایه پیش خور، مثالی از شبکه عصبی آموزش داده شده با استفاده از ناظر است. مدل­های آموزشی با داده­های آموزشی شامل اطلاعات کامل درباره خصوصیات داده­ها و نتایج قابل مشاهده است. مدل­ها می­توانندارتباط­های بین ورودی‌ها و نتایج را آموزش دهند. MFNN به صورت تکراری این دادها را تا زمانی که یاد بگیرند چگونه این ارتباط­ها را به صورت صحیح نشان دهند، آموزش می­دهد شکل زیر شبکه عصبی چند لایه پیش خور (MFNN) با قوانین الگوریتم یادگیری پس انتشار خطا [8](BP) را نشان می‌دهد.

 

شکل (1) ساختار شبکه عصبی پیش خور سه لایه

 

1-3-1- شبکه عصبی چند لایه پیش خور (MFNN)

در شبکه­های عصبی پیش خور گره­ها در لایه­های متوالی قرار گرفته­اند و ارتباط آن­ها یک طرفه است و زمانی که یک الگوی ورودی به شبکه اعمال می­شود، اولین لایه مقادیر خروجی­اش را محاسبه کرده و در اختیار لایه بعدی قرار می­دهد. لایه بعدی این مقادیر را به عنوان ورودی دریافت کرده و مقادیر خروجی­اش را به لایه بعدی منتقل می­کند. هر گره به گره­های لایه بعدی سیگنال منتقل می­کند. شبکه پرسپترون چند لایه[9]جز این نوع شبکه­ها هستند.

تحقیقات روی شبکه­های عصبی چند لایه پیش خور به کارهای اولیه فرانک روزنبلات روی شبکه
 عصبی پرسپترون تک لایه و کار­های اولیه برناردیدرو و ماریان هوف[10]برمی­گردد (wong&Bodnovich,1977:71).

شبکه­های تک لایه از این مشکل اساسی برخوردارند که تنها توانائی حل آن دسته از مسائل طبقه بندی را دارند که به طور خطی از هم مستقل اند. هم روزنبلات و هم ویدرو از این امر آگاه بودند از این رو آنان شبکه­های چند لایه را پیشنهاد کرده بودند، با این وجود به علت عدم ارائه قانون یادگیری که بتوان جهت تنظیم پارامترهای شبکه به کار برد، توپولوژی شبکه MLP ناقص بود. هر چند استفاده از عبارت ((پس انتشار)) عملا از سال 1985 متداول شد، اما نخستین توصیف الگوریتم پس انتشار (BP) توسط پاول وربز[11]در سال 1974 در رساله دکترایش مطرح شده بود.

توسعه الگوریتم BP با فراهم آوردن متدی از نظر محاسباتی کارا، رنسانسی در شبکه­های عصبی ایجاد کرد (کارتالوپس، 1381). الگوریتم BP شامل محاسباتی است که طی آن خطای ناشی از اختلاف بین خروجی شبکه و مقدار واقعی به شبکه برگشت داده می­شود و پارامتر­های شبکه چنان تنطیم می­شود که با الگوی­های ورودی مشابه بعدی، خروجی صحیح­تری ارائه دهد و مقدار خطا کم­تر باشد (منهاج،1377: 71).

به طور کلی شبکه‌های عصبی پیش خور دارای مشخصات زیر هستند:

1. این شبکه­ها دارای سه لایه به نام­های لایه ورودیف لایه­های میانی (پنهان) و لایه خروجی هستند. تعداد لایه­های پنهان محدودیتی ندارد.

2. در این شبکه­ها نرون­های هر لایه به نرون­های لایه بعد خود سیکنال می­فرستند. گره­ها توسط اتصالاتی به یکدیگر متصل بوده و هر اتصال دارای وزن قابل تغییر مخصوص به خود است. گره­ها در لایه­های موازی چیده می­شوند و گره­های هر لایه فقط به گره­های دو طرف خود وصل می­شوند نخستین لایه را لایه ورودی و آخرین لایه را لایه خروجی می­نامند. به لایه­های میانی لایه پنهان گفته می­شود.

3. هر نرون یا گره مانند پردازشگر عمل می­کند یعنی از راه اتصالات اطلاعات را از لایه قبل از خود دریافت می­دارد و بر روی آن پردازش انجام می­دهد و نتیجه را از راه اتصالات خروجی به لایه بعد از خود می­فرستد، اما از آنجائی که همه این گره_ها می­توانند هم زمان عمل کنند پس یک سیستم پردازش موازی تشکیل می­دهند.

4. زمانی که بردار ورودی عرضه می­شود گره­های لایه ورودی آن را دریافت کرده و آن را بدون هیچ پردازشی به گره­های اولین لایه پنهان می­فرستند. این گره­ها بر روی اطلاعات رسیده پردازش انجام داده نتیجه را به گره­های لایه بعدی می­فرستد تا این که سرانجام نتیجه از گره­های لایه خروجی به عنوان یک بردار خروجی منظم به خارج فرستاده می­شود. به همین دلیل این نوع شبکه را شبکه پیش خور می­نامند.

پرکاربردی ترین نوع شبکه­های عصبی مصنوعی، شبکه­های عصبی پیش خور هستند، چرا که این نوع شبکه با یک لایه پنهان، تابع فعال سازی مناسب در لایه پنهان و تعداد نرون­های کافی در لایه پنهان، قادرند هر تابعی را با دقت دلخواه تقریب بزنند. چنین ساختار شبکه ساده­ای دارای قابلیت بسیار بالایی در نگاشت میان ورودی و خروجی بوده و قادر به تخمین هر تابع پیوسته غیر خطی با دقت مطلوب استفاده از نرون­های کافی در لایه پنهان است (Harnik,1991:74). خروجی چنین شبکه ای را می­توان به صورت تابع (1) نشان داد:

 

 

در تابع فوقt  بردار متغییرهای ورودی در زمان و متغییر هدف،  ضریب وزن دهی به نرون پنهان ام لایه آخر، بایاس لایه خارجی،  بایاس لایه ورودی،  ضرایب وزن دهی میان نرون ام لایه پنهان و ورودی ام و نیز تابع فعال سازی غیر خطی نرون  ام لایه پنهان است. تابع هدف برای آموزش چنین شبکه­ای به صورت رابطه(2) قابل تعریف است:

  (2)

²

در رابطه فوق که نشان دهنده میانگین مجذور خطاهای پیش بینی است،  تعداد مشاهدات در زمان­های مختلف،  خروجی حقیقی برای هر ورودی در زمان و  نیز نشان دهنده خروجی شبکه به منظور پیش بینی مقدار خروجی حقیقی در زمان  است. معمولا هدف الگوریتم بهینه یابی در چنین مسائلی، یافتن ضرایبی است که منجر به کمینه شدن رابطه فوق می­گردد. الگوریتم پس انتشار خطا(BP) مهمترین و پرکاربرد ترین تکنیک بهینه یابی در آموزش شبکه­های عصبی محسوب می­شود (منهاج،1384: 50). نام پس انتشار خطای یادگیری با توجه به خطای محاسبه شده از لایه خروجی به لایه میانی و نهایتا به لایه ورودی بازگشت داده می­شود، انتخاب شده است. پس از آموزش شبکه عصبی از داده­های آزمون(تصدیق)[12]؛ به منظور بررسی میزان جامعیت شبکه و انتخاب بهترین شبکه آموزش دیده؛ استفاده شده است.(منهاج،206:1389).لازم به یادآوری است الگوریتم پس انتشار خطا تعمیم یافته قانون دلتا است.

با توجه به مطالب گفته شده شبکه‌های عصبی چند لایه پیش خور، تابع سه جزء عمده هستند:

1. تعداد لایه­ها و تعداد نرون­ها در هر لایه؛

2. تابع انتقال یا تابع محرکه مورد استفاده؛

3. وزن­های شبکه عصبی مصنوعی.(منهاج،1377: 73).

1-3-2- قابلیت­های شبکه عصبی مصنوعی

1) محاسبه یک تابع معلوم     3) شناسائی الگو    5) یادگیری

2) تقریب یک تابع ناشناخته    4) پردازش سیگنال(zhang&Patuwo,1998:49).

1-4- داده‌های تحقیق

1-4-1- ورودی‌ها( متغییرهای مستقل)

با توجه به اینکه یکی از منابع درآمدی شهرداری­ها در ایران دریافت عوارض شهری است و از آن جایی که بیشترین مقدار این عوارض دریافتی مربوط به بخش ساخت وساز و نوسازی شهری است بنابراین بر میزان دریافت این عوارض شهری می­تواند عوامل مختلفی دخیل باشند.با توجه به این موضوع شناسایی این عوامل کاری بس دشوار است اما تعیین این عوامل تاثیر گذار ما را برای رسیدن به یک پیش بینی نزدیک به واقعیت کمک می­کند.

داده­های که در مرحله آموزش شبکه به عنوان متغییرهای مستقل استفاده شده­اند در زیر به آنها اشاره شده است:

1-4-1-1-جمعیت شهر(POP)

1-4-1-2- متوسط هزینه خانوار شهری(EXP)

1-4-1-3- متوسط درآمد خانوار شهری(INC)

1-4-1-4- تولید ناخالص داخلی(GDP)

1-4-1-5- تورم

یکی از داده­های ورودی به شبکه شاخص جمعیت است که اثر آن بر پرداخت کل عوارض شهری کاملا محسوس است. داده­های جمعیت از مرکز آمار ایران استخراج شده و برای تبدیل به داده­های هفتگی از درونیابی خطی استفاده شده است.

متوسط هزینه و درآمدهای خانوار شهری یکی دیگر از شاخص­های است که در نظر گرفته شده­اند که با تغییر خود میل به پرداخت عوارض را افزایش یا کاهش می­دهند.که یکی از دلایل استفاده از این دو شاخص تاثیر آنها در پرداخت میزان عوارض است.

GDP (تولید ناخالص داخلی) بیانگر میزان ثروت موجود در یک کشور بوده و بالا رفتن آن یکی از علایم گسترش سطح رفاه در جامعه و رونق اقتصادی می-باشد و در نتیجه اثر زیادی در پرداخت عوارض شهری بین مردم خواهد داشت. داده­های مربوط به تولید ناخالص داخلی از طریق وب سایت بانک مرکزی ایران استخراج شده و برای تطبیق با داده­های مورد نیاز هفتگی از درونیابی خطی استفاده شده است.

1-4-2- متغییر وابسته

 عوارض پرداخت شده به شهرداری زابل در بازه زمانی 5/1/1389 تا29/8/1392 را شامل می­شودکه بیشترین مقدار عوارض دریافتی مربوط به مسائل ساخت وساز و نوسازی در شهر است. شکل (2) روند واقعی درآمد حاصل از عوارض شهرداری زابل در بازه زمانی مشخص را نشان می­دهد.

 

شکل(2)- روند واقعی درآمد حاصل از عوارض شهرداری(1392- 1389)

 

 

با توجه به شکل بالا میزان درآمد شهرداری زابل حاصل از دریافت عوارض از سال 89 تا سال 90 به صورت نرمال در حال افزایش بوده است اما در سال 90 به یکباره در یک هفته رشد صعودی داشته و دوباره روند کاهشی به خود گرفته تا سال 92 که دوباره میزان درآمد نیز افزایش یافته و روند صعودی را در پی دارد علت این افت وخیز را می­توان در انگیزه افراد برای پرداخت عوارض به شهرداری و همچنین پرداخت الکترونیکی برخی از عوارض اشاره کرد.

1-5- محدوده مورد مطالعه

شهر زابل مرکزشهرستان سیستان است که طبق سرشماری سال 90 حدود 137722 هزار نفر جمعیت دارد و مساحت این شهر برابر 2084 هکتار است که 13 درصد از وسعت شهرستان را در بر می­گیرد. این شهر در موقعیت جغرافیایی 31 درجه و 2 دقیقه عرض شمالی و 61 درجه و 39 دقیقه طول شرقی قرار گرفته است این شهر در ضلع شمال شرقی استان سیستان و بلوچستان و فاصله آن تا مرکز استان 207 کیلومتر است.

 

2- مبانی نظری

بهﻣﻨﻈﻮرﺗﻬﻴﻪ ﭼﺎرﭼﻮب ﻧﻈﺮی ﻣﻨﺎﺳﺐ برای ﺑﺮرﺳﻲ ﻣﻮﺿﻮع مورد ﻣﻄﺎﻟﻌﻪ و رسیدن ﺑﻪ هدف ﺗﺤﻘﻴﻖ، ﻻزم دﻳـﺪه ﺷـﺪ ﻣﻔـﺎﻫﻴﻢ اﺻﻠﻲ ﻣﻮرد اﺳﺘﻔﺎده و روابط ﺑﻴﻦ آن­ها وهم­چنین روش ﺑﻪ ﻛﺎر رﻓﺘﻪ، ﺑﻪ ﺗﺮﺗﻴﺒﻲﻛﻪ در ﭘﻲ ﻣﻲ­آﻳﻨﺪ، در این ﺗﺤﻘﻴﻖ ﺑﻪ اﺧﺘﺼﺎر ﻣﻮرد ﺑﺤﺚ ﻗﺮار ﮔﻴﺮﻧﺪ.

2-1- منابع مالی شهرداری­های جهان

- مالیات­های محلی

- بهای خدمات و عوارض

- نقل و انتقال­های دولتی

- استقراض از بانک­ها و دولت

عوارض از مهم­ترین منابع بهینه شهرداری­ها در کشور­های پیشرفته جهان است که بابت اداره شهراز درآمدها، اموال، دارایی و مصرف اشخاص حقیقی و حقوقی دریافت می­گردد و صرف خدمات شهری می­شود که نقش محوری در جهت بالا بردن کیفیت زندگی در محیط­های شهری و ارائه خدمات عمومی ایفا می­کند (کلانی و شاه سیاه،1388: 88).

 

 

2-2- چهارچوب نظام درآمدی شهرداری‌های ایران

نظام درآمدی شهرداری­ها در ایران در سه بخش اصلی خلاصه می­شود:

الف- روابط مالی دولت و شهرداری: کمک­های اعطایی و روابط مالی دولت و شهرداری­ها را در قالب چند سر فصل اصلی میتوان جمع کرد:

- کمک­ها از محل دوازده در هزار گمرکی

- سهم شهرداری از وجوه تمرکز

- کمک به شهرداری در قالب ردیف­های اضافی یا ردیف­های بودجه­ای برای اجرای طرح­های عمرانی

- کمک به سامانه ترابری همگانی

ب- وضع دریافت عوارض محلی به دست شوراها: شوراهای اسلامی شهر­ها با وجود تهدید اختیارات قانونی شان همچنان تصمیم­گیر اصلی در خصوص وضع و وصول عوارض محلی برابر تبصره یک ماده پنج موسوم به تجمیع عوارض شمرده می­شود.

پ- امکان گرفتن بهای خدمات شهری از استفاده­کنندگان: از اختیارات نهاد مدیریت شهری وضع و دریافت عوارض محلی و هم­چنین امکان قیمت گذاری بهای خدمات شهری است. قانون موسوم به ((تجمیع)) که در قانون مالیات بر ارزش افزوده تنفیذ شده است، موید این مطالب است (عباس زاده و همکارانش، 45:1390).

درآمد از نظر آیین­نامه مالی شهرداری­ها مصوب 12/4/1346، به شش طبقه به شرح ذیل تقسیم می­شود:

1-درآمد­های ناشی از عوارض عمومی (درآمد­های مستمر)

2-درآمد­های ناشی از عوارض اقتصادی

3-بهاء خدمات درآمد­های موئسسات انتفاعی شهرداری

4-درآمد حاصل از وجوه شهرداری

5-کمک­های اعطائی دولت و سازمان­های دولتی

6-اعانات و کمک­های شخصی و سازمان­های خصوصی و اموال و دارائی­هایی که به طور اتفاقی ویا به موجب قانون به شهرداری تعلق می­گیرد (منصور،1380: 12).

3- تحلیل یافته‌ها

3-1- مدل سازی و ارزیابی مدل

با توجه به این نکته که عوارض پرداختی به شهرداری­ها در شهرها در میزان درآمدی این شهرداری­ها تاثیر دارند و اهمیتی که پیش بینی درآمد شهرداری­ها در بودجه بندی سالیانه دارد. لذا استفاده از الگوهای هوشمند غیر خطی در مدل سازی عوارض پرداختی اجتناب ناپذیر است.از روش­های خطی برای پیش بینی مسائل اقتصادی استفاده می­شود اما امروزه با توجه به دقت بالای که روش­های غیرخطی نسبت به روش­های خطی دارند استفاده از این روش­ها رواج و گسترش پیدا کرده است.

شبکه عصبی مصنوعی از تکنیک­های محاسباتی جدید در مدل سازی فرآیندهای غیر خطی است که در سال‌های اخیر از جایگاه پر اهمیتی برخوردار گشته و در علوم مختلف پیشرفت­های را به دنبال داشته است. یکی از پرکاربرد ترین نوع شبکه عصبی مصنوعی شبکه­های عصبی پیش خور است که قادرند هر تابعی را به دلخواه تقریب بزنند (Kuan&white, 1994:99).

به طور متداول، از برخی معیارهای عملکرد برای نشان دادن چگونگی یادگیری ارتباط­های داده­ها در شبکه عصبی استفاده می­شود. برای مسائل پیش بینی، این معیارها اغلب مربوط به خطای بین خروجی­های پیش بینی شده و خروجی مطلوب واقعی است. جدول (1) برخی از معیارهای عملکرد متداول برای مسائل پیش بینی را نشان می­دهد. دو مورد اول از خانواده محاسبات میانگین خطای استاندارد هستند: مربع میانگین خطای استاندارد(MAD)، مربع مجذور میانگین خطا(RMSE) و مقدار ضریب تعیین است که بین صفر تا یک است و مقدار یک نشان دهنده تطابق کامل داده­هاست، در حالی که مقدار صفر نشان دهنده عملکردی است که می­توان از استفاده میانگین مقدار خروجی واقعی به عنوان مبنای پیش بینی­ها انتظار داشت. از آنجا که هر یک از معیارهای ارزیابی عملکرد، جنبه خاصی را ارزیابی می­کند، برای ارزیابی عملکرد شبکه از سه معیار گفته شده استفاده شده است. نتایج معیارهای ارزیابی عملکرد برای داده‌های آزمایش، با استفاده از شبکه عصبی،در جدول(1) ذکر شده است.

 

جدول1) مقادیر معیارهای ارزیابی عملکرد برای روش شبکه عصبی مصنوعی

روش پیش بینی	RMSE		MAD
شبکه عصبی مصنوعی الگوریتم پیش خور پس انتشار	آموزش	آزمون	آموزش	آزمون	آموزش	آزمون
	0210/0	0780/0	0206/0	0677/0	98264/0	98825/0

ماخذ: یافته‌های تحقیق

 

 

با توجه به معیارهای عملکردی به کار رفته در مدل براین اساس در مطالعه حاضر از شبکه عصبی پیش خور با الگوریتم پس انتشار خطا استفاده شده است و به منظور انجام پیش بینی و در واقع گرفتن خروجی از شبکه، برای آموزش و هم گرایی سریع تر و دقت بالاتر شبکه ابتدا ورودی‌های آن(داده‌ها) با استفاده از فرمول  به داده‌های نرمال شده در بازه{1،0}تبدیل می­شوند.

 

 (3)                               

 

در رابطه(3) به ترتیب نشان دهنده مقادیر واقعی، نرمال شده، حداکثر و حداقل داده‌های مورد بررسی هستند. مقادیر حداکثر و حداقل مربوط به متغییرهای تحت بررسی(در سالهای 91،90،89 وهشت ماهه نخست سال 92)در جدول (2) نشان داده شده است.

جدول2) مقادیر حداکثر و حداقل متغییرهای مورد بررسی(در بازه زمانی5/1/89 تا29/8/92)

متغییر		(سال89)		(سال91)
جمعیت		136355		156179
متوسط درآمد(ریال)		106150000		122670619
متوسط هزینه(ریال)		113670000		111976412
تولید ناخالص داخلی(میلیارد ریال)		0000/416700		0000/553602
تورم	4/12		5/34

ماخذ: مرکز آمار ایران و بانک مرکزی ایران

 

 

 

پس از نرمال سازی، تصادفی نمودن (Randomizing) داده­ها انجام می­شود. نتیجه این مرحله داشتن مجموعه ای از ورودی‌ها و خروجی‌هاست که درآن، دسته‌های ورودی و خروجی دارای نظام خاصی نیستند. بعد این مرحله میزان اطلاعاتی که باید در فرایند آموزش شبکه استفاده شود مشخص می­شود (فرجام نیا،1368: 165).

بر این اساس، بخشی از داده‌ها برای آموزشtrain) (و بخشی برای آزمون(test) شبکه در نظر گرفته می­شود. اکثر محققان، نمونه‌های آموزش وتصدیق را به ترتیب با یکی از قاعده‌های 90 درصد در مقابل10 درصد، 80 درصد در برابر 20 درصد و یا 70 درصد در برابر 30 درصد انتخاب می­نمایند البته انتخاب این قاعده‌ها بستگی به تعداد داده‌ها و نوع مسأله مورد نظر دارد. با توجه به این مطالب هرچه تعداد نمونه‌های آموزشی افزایش یابد، عملکرد شبکه در زمینه پیش بینی، بهبود می­یابد.

در این پژوهش نیز با توجه به محدودیت داده‌ها از 70 درصد مشاهدات برای آموزش و 20 درصد آن برای تصدیق استفاده شده است. بدین ترتیب، با استفاده از تابع(4) تعداد نرون‌ها در لایه پنهان مشخص می­شود.

 (4)

 

در تابع(4)  به ترتیب برابر با تعداد نرون‌ها در لایه پنهان، ورودی، خروجی و تعداد مشاهدات است. پس از تعیین ساختار شبکه و مجموعه ورودی‌ها شبکه برای آموزش آماده می­شود.

به منظور بررسی کارایی این مدل در پیش بینی سری‌های زمانی مورد نظر برای افق زمانی 4 هفته آینده، از وقفه 4 داده‌های نرمال استفاده شد. هم چنین برای افق زمانی، ساختار شبکه انتشار برگشتی پیش خور، با 100 تکرار و نرخ آموزش 1% طراحی گردید. نهایتا برای بررسی کارایی مدل، با استفاده از معیار‌های ازیابی مدل، داده‌های خروجی هر شبکه با داده‌های واقعی مقایسه شد شکل (4) نشان دهنده مقایسه نتایج پیش بینی بر مبنای شبکه عصبی (ANN) با مقادیر واقعی است. با توجه به شکل زیر مقادیر پیش بینی شده با شبکه عصبی تقریبا منطبق با مقادیر واقعی هستند.

 

شکل (4) مقایسه نتایج پیش بینی بر مبنای شبکه عصبی(ANN) با مقادیر واقعی

 

با توجه به این که شبکه عصبی مصنوعی نسبت به سایر روشهای خطی در زمینه پیش بینی مسائل مختلف عملکرد بهتری دارد. از این روش برای پیش بینی میزان درآمد حاصل ازعوارض پرداختی به شهرداری برای ماه آینده(4 هفته آتی) استفاده شده است. مقادیر پیش بینی شده برای این مدت در جدول(3) نشان داده شده است.

جدول 3)- پیش بینی میزان عوارض پرداختی به شهرداری برای ماه آتی بر مبنای شبکه عصبی مصنوعی(ANN)

هفته	تعداد	میزان عوارض پرداختی(ریال)
1	350	1636676717
2	310	3833971933
3	280	677969590
4	370	796798543

ماخذ: یافته‌های تحقیق

4- نتیجه گیری

ﺷﻬﺮداری ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻧﻬﺎد ﻋﻤﻮﻣﻲ ﻛـﻪ ﻣﺴـﺆﻟﻴﺖ ﻣﺪﻳﺮﻳﺖ و اداره ی ﺷﻬﺮﻫﺎ را ﺑﺮ ﻋﻬـﺪه دارد در ﺟﻬـﺖ ﺗﺄﻣﻴﻦ ﻣﻨﺎﺑﻊ ﻣﺎﻟﻲ ﺧﻮد ﺑﺎﻳﺪ ﺳﻌﻲ در ﻛﻢ ﻛـﺮدن اﺗﻜـﺎی ﺧﻮد ﺑﻪ درآﻣﺪﻫﺎی ﻧﺎﭘﺎﻳﺪار ﻧﻤﻮده و از ﻃﺮﻳـﻖ اﻓـﺰاﻳﺶ ﺳﻬﻢ درآﻣﺪﻫﺎی ﭘﺎﻳﺪار در ﻣﻨﺎﺑﻊ درآﻣﺪی ﺧﻮد ﺑﻪ ارائه ی ﻛﺎﻻﻫﺎ و ﺧـﺪﻣﺎت ﻣـﻮرد ﻧﻴـﺎز ﺷـﻬﺮوﻧﺪان ﻣﺒـﺎدرت ورزد. بنابراین در این پژوهش سعی برآن شده تا یکی از این منابع درآمدی شهرداری مورد بررسی قرار گیرد بدین منظور از شبکه عصبی مصنوعی نوع پیش خور(MFNN) با الگوریتم پس از انتشار (BP) برای پیش بینی میزان درآمد شهرداری زابل حاصل عوارض دریافتی استفاده شده است. بدین صورت شهرداری‌ها از میزان درآمد حاصل از عوارض آگاه شده و می‌توانند متناسب با آن برای عمران شهر مورد نظر برنامه ریزی کنند. هدف تحقیق حاضر هم پیش بینی میزان درآمد شهرداری بوده است و با توجه به معیارهاری عملکردی به کار رفته در پژوهش از جمله(RMSE)،(MAD)،(R²)، می‌توان به این نتیجه رسید که میزان دریافت عوارض شهری در شهر زابل در یک ماه آینده (4هفته) روند رو به رشدی را در پی خواهند داشت که میزان درآمد بدست آمده از عوارض برای شهرداری زابل در آذر ماه سال جاری6945416783 میلیارد ریال بوده است. بنابراین می­توان گفت با توجه به روش‌های خطی که در زمینه پیش بینی مسائل اقتصادی استفاده می­شود روش غیر خطی شبکه عصبی مصنوعی عملکردی بهتری را نشان داده است.

5- پیشنهادها

با توجه به این موضوع پیشنهاداتی در زمینه افزایش انگیزه شهروندان به پرداخت عوارض به شهرداری و همچنین راهکارهای جهت بدست آوردن درآمدهای پایدار برای شهرداری در زیر ارائه می‌شود:

- ﺗﻮﺳﻌﻪ و ﮔﺴﺘﺮش ﻧﻈﺎم ﺗﺎﻛﺴﻴﺮاﻧﻲ در ﺳﻄﺢ ﺷﻬﺮ ﻛﻪ ﺳﺒﺐ اﻳﺠﺎد درآﻣﺪﻫﺎﻳﻲ ﭼـﻮن ﻋـﻮارض ﭘﺮواﻧﻪ­ی ﺗﺎﻛﺴﻴﺮاﻧﻲ ﺑــﺮای ﺷﻬﺮداری و ﺧﺪﻣﺎت رﺳﺎﻧﻲ ﺑﻪ ﺷﻬﺮوﻧﺪان ﺧﻮاﻫﺪ ﺷﺪ؛

- ﮔﺴﺘﺮش و ﺗﻮﺳﻌﻪ ﻓﻀﺎﻫﺎی ورزﺷﻲ و ﺗﻔﺮﻳﺤﻲ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻓﻀﺎﻫﺎی ﺧﺎﻟﻲ ﻣﻮﺟﻮد و ﺑﻼاﺳﺘﻔﺎده در ﺷﻬﺮ ﺟﻬﺖ ﺑﺎﻻ ﺑﺮدن ﺳﺮاﻧﻪ ﺷﻬﺮی؛

- ﺑﺮﻧﺎﻣﻪرﻳﺰی ﺑﻠﻨﺪ ﻣﺪت و ﻣﻴﺎن ﻣﺪت ﺟﻬﺖ ﺗﻮﺳﻌﻪ ﺷﻬﺮ ﺑﻪ ﻣﻮازات ﺗﻘﺎﺿﺎی ﻣﺆﺛﺮ ﺑـﺮای ﻣﺴﻜﻦ در ﺷﻬﺮ ﻛﻪ ﻋﻮارض ﭘﺮواﻧﻪﻫﺎی ﺳﺎﺧﺘﻤﺎﻧﻲ و ﻋـﻮارض ﻧﻮﺳﺎزی را ﺑﺮای ﺷﻬﺮداری ﻓﺮاﻫﻢ ﻣﻲﻛﻨﺪ و ﺳﺒﺐ ﺑـﺎﻻ رﻓﺘﻦ درآﻣﺪﻫﺎی ﭘﺎﻳﺪار ﺷﻬﺮداری ﻣﻲﺷﻮد؛

- ﺣﺮﻛﺖ در ﺟﻬﺖ اﻳﺠﺎد درآﻣﺪ ﭘﺎﻳـﺪار ﺑﻴﺸﺘﺮ ﺑـﺎ اﺳﺘﻔﺎده از اﻋﺘﺒﺎرات ﻋﻤﺮاﻧﻲ و ﺗﻌﺮﻳﻒ ﻃﺮح ﻫﺎی درآﻣﺪزا؛

ﺗﺒﯿﯿﻦ ﺿﻮاﺑﻂ و ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﻨﺎﺑﻊ ﻣﺎﻟﯽ ﺗﻮﺳﻂ دوﻟﺖ ﺟﻬﺖ اﯾﺠﺎد زﻣﯿﻨﻪ ﻻزم ﺑﻤﻨﻈﻮر ﻓﺮﻫﻨﮓ ﺳﺎزی ﻣﺸﺎرﮐﺖ ﺷﻬﺮوﻧﺪان در اداره اﻣﻮر ﺷﻬﺮﻫﺎ؛

- ﺗﺴﺮﯾﻊ در ﺗﻬﯿﻪ و ﺗﺼﻮﯾﺐ ﻣﺤﺪوده ﺷﻬﺮی و ﻃﺮح ﻫﺎی ﺟﺎﻣﻊ و ﺗﻔﺼﯿﻠﯽ ﺑﻪ ﻣﻨﻈﻮر اﺳﺘﻔﺎده ﺷﻬﺮداریﻫـﺎ از درآﻣﺪﻫﺎی ﻧﺎﺷﯽ از ﻗﺎﻧﻮن ﻧﻮﺳﺎزی و ﻋﻤﺮان ﺷﻬﺮی؛

- ﺷﻬﺮداری ﻫﺎ ﺑﺎﯾﺪ ﺑﺎ ﻫﻤﮑﺎری ﺷﻮراﻫﺎی اﺳﻼﻣﯽ ﺷﻬﺮﻫﺎ ﻧﺴﺒﺖ ﺑﻪ اﯾﺠـﺎد ﺗﺴـﻬﯿﻼت ﻻزم به منظور ﺟﺬب ﺳﺮﻣﺎﯾﻪ اﻗـﺪام ﻧﻤﺎﯾﻨﺪ. ﺑﺎﯾﺪ ﻃﺮح ﻫﺎی ﺷﻬﺮی ﻫﻤﺮاه ﺑﺎ ﻣﻨﺎﻓﻊ و ﻓﻮاﯾﺪ آﻧﻬﺎ ﺑﺮای ﻋﻤﻮم ﺗﺸﺮﯾﺢ و ﻧﺤﻮه ﺳﺮﻣﺎﯾﻪ ﮔﺬاری و ﺑﺎزﮔﺸﺖ ﻣﻄﻤﺌﻦ ﺳﺮﻣﺎﯾﻪ ﻫﻤﺮاه ﺑﺎ ﺳﻮد ﻣﻮرد اﻧﺘﻈﺎر ﺑﻪﺻﻮرت ﺷﻔﺎف ﺑﯿﺎن ﺷﻮد؛

- ﻣﺪﯾﺮﯾﺖ ﻫﺰﯾﻨﻪ. ﻣﺘﺄﺳﻔﺎﻧﻪ ﻫﺰﯾﻨﻪ ﻫﺎی زﯾﺎدی ﺑﺮ اﺛﺮ ﺗﺼﻤﯿﻢ ﮔﯿﺮ یﻫﺎی ﻏﻠـﻂ بر ﺷـﻬﺮوﻧﺪان ﺗﺤﻤﯿﻞ میﺷـﻮد. اﻧﺠـﺎم دوﺑﺎرهﮐﺎریﻫﺎ، ﮐﺎرﻫﺎی ﮐﺎرﺷﻨﺎﺳﯽ ﻧﺸﺪه، ﺑﺪون ﺑﺮﻧﺎﻣﻪ ﻣﺪون ﺣﺮﮐﺖ ﮐﺮدن، ﺳﻠﯿﻘﻪ ای ﺗﺼﻤﯿﻢ ﮔﺮﻓﺘﻦ، ﺑﺨﺸﯽ ﺗﺼﻤﯿﻢﮔﺮﻓﺘﻦ ﻋﺪول از ﺗﺼﻤﯿﻤﺎت ﮔﺬﺷﺘﻪ و... ﺑﺎﻋﺚ ﻣﯽﺷﻮد ﮐﻪ ﺑﺨﺶ زﯾﺎدی از ﻣﻨﺎﺑﻊ اﺗﻼف ﮔﺮدد؛

- ﻓﺮوش ﺧﺪﻣﺎت ﻣﻨﺎﺳﺐ. ﺷﻬﺮداری ﻫﺎ ﺧﺪﻣﺎت ﮔﻮﻧﺎﮔﻮﻧﯽ ﺑﻪ ﺷﻬﺮوﻧﺪان ارائه ﻣﯽﮐﻨﻨﺪ ﮐﻪ ﺑﻬﺒﻮد ﺷﯿﻮهﻫﺎی ﺧﺪﻣﺎت رﺳﺎﻧﯽ و اراﺋﻪ ﺧﺪﻣﺎت ﺑﻪ ﻣﻮﻗﻊ و ﻣﻨﺎﺳﺐ ﻣﯽ ﺗﻮاﻧﺪ اﻣﮑﺎن اﻓﺰاﯾﺶ درآﻣﺪ ﺣﺎﺻﻞ از ﺧﺪﻣﺎت را ﻓﺮاﻫﻢ ﻧﻤﺎﯾﺪ؛

- در نظر گرفتن خواسته‌ها و نظرات شهروندان درپرداخت عوارﺽ؛

- تناسب میزان عوارﺽ دریافتی از شهروندان، بادرآمدها و خدمات ارائه شده به شهروندان؛

- تلاش در جهت تسهیل پرداخت عوارﺽ شهروندان از طریق کاهش پیچیدگی­های اداری؛

- اعطای تسهیلات ویژه مانند تخفیف به شهروندان در خصوﺹ پرداخت عوارﺽ؛

- اطلاع رسانی صحیح و آموزش در زمینه کاربرد عوارﺽ در بهبود خدمات رسانی به شهروندان؛

- انتخاب مخاطبان تأثیرگذار و طراحی شیوه ی گفت وگو و تعامل گرایی بین شهروندان و شهرداری؛

 

منابع

 پورشهابی، وحید. سارانی، سعید رضا. دهمرده­زاده، شمسی.(1390): بررسی منابع درآمدی شهرهای جدید استان سیستان و بلوچستان، دانشگاه آزاد اسلامی واحد زاهدان.

زمانی، رضا.(1391): پیش بینی درآمدهای شهرداری تهران با استفاده از شبکه‌های عصبی مصنوعی(روش MLP)، رساله دکتری، مالیه مدیریت شهری.

سعیدی مهرآباد، محمد. منصوری منش، سید جعفر. (1389): ضرورتی به نام ایجاد درآمد­های پایدار برای شهرداری­ها، معماری نیوز.

عباس زاده،ع. وخانی،ا. صمیمی،م.(1390): آشنایی با درآمد و روش­های افزایش آن در شهرداری­ها. تهران، سازمان شهرداری­ها و دهیاری­های کشور، چاپ اول.

فرجام نیا، ایمان. ناصری، محسن. احمدی، سید محمد مهدی.(1368): پیش بینی قیمت نفت با دو روش ARIMA و شبکه­های عصبی مصنوعی. فصل نامه پژوهش­های اقتصادی ایران،32، 161تا182.

کارتالویس، اس، وی.(1381): منطق فازی و شبکه­های عصبی(مفاهیم و کاربردها)، ترجمه محمود جورابیان و رحمت ا... هوشمند، اهواز، دانشگاه شهید چمران.

کلانی،ه. شاه سیاه، ز.(1388):سامانه سهول؛ راهکاری برای برون سپاری فرایند وصول عوارض خودرو و افزایش درآمد پایدار شهری.مجموعه مقالات سومین همایش مالیه شهرداری، مشکلات و راهکارها، تهران.

منصور، ج.(1380): مجموعه قوانین و مقررات شهر و شهرداری، نشر دوران، چاپ اول.

منهاج، محمد باقر.(1377): مبانی شبکه‌های عصبی مصنوعی، مرکز نشر پروفشور حسابی.

منهاج، محمد باقر.(1384): مبانی شبکه‌های عصبی مصنوعی و منطق فازی،دانشگاه صنعتی امیر کبیر تهران.

منهاج، محمد باقر.کاظمی، عالیه. شکوری گنجوی، حامد. مهرگان، محمد رضا و تقی زاده، محمد. (1389): پیش بینی تقاضای انرژی بخش حمل ونقل با استفاده از شبکه عصبی:مطالعه موردی: درایران پژوهش‌های مدیریت ایران 203تا220.

نیازی، سهراب. (1390): شبکه‌های عصبی.3.

ولیخانی دهاقانی، ماشاالله. طباطبایی، سید عباس.(1390): بررسی عوامل موثر بر تمایل شهروندان به پرداخت عوارض شهرداری، زمستان، شماره 12.

Chin, W.G.,Urban. T.L.and Baldridge.G.W.(1996).''Aneural Net work approach to mutual fund net asset value fore casting.'' Dmega,Int.J.mgmtscl.24(2)pp.205-215

Garliuskas,A.(1999).''Neural Net work chaos and Computational algonitms of finance'',proceeding if the IEEE SMC Con ference manand cyberenticcs 2, pp.638-643.

Harnik,K,(1991);''Approximation Capabilities of multilayer feed forward Net works'' Nerual Net works, 4: 251-257.

Kuan, G.M., and H. white(1994);''Artificial neural Net works:An econometric perspective''; Fconometric Reviews ,13:1-91

Wei,M., Bai,B.,Sung, A.H,.Liu,Q.,Wang.J.,&Cather,M.E(2007). Predicting injection profiles using ANFIS. infor Mation sciences,177.4445-4461.

Wong,Bok. Bodnovich., thomus A, Seivi, yakup(1977).''Neural Net work Applications in Business Areveiw and analysis of the literature(1988-1995).Decison Supporr systems.pp.230-320.

Zhang,G.Patuwo,B.E.,&Hu,M,Y.(1998),''forecasting with artificial neural Net works: the state of theavt ",international journal of forecasting,14:25-62.

 

 

---

[1]Chianig et all

[2] Garliaus kas

[3]Neural networks

[4]Sensory

[5]Responding

[6]Hidden

[7] Multilayered feed forward neural network

[8] Back propagation(BP)

[9]Multi-layer perceptron(MLP)

[10]Marin Hoff

[11]Paul Werbos

[12] Test set

مراجع

پورشهابی، وحید. سارانی، سعید رضا. دهمرده­زاده، شمسی.(1390): بررسی منابع درآمدی شهرهای جدید استان سیستان و بلوچستان، دانشگاه آزاد اسلامی واحد زاهدان.

زمانی، رضا.(1391): پیش بینی درآمدهای شهرداری تهران با استفاده از شبکه‌های عصبی مصنوعی(روش MLP)، رساله دکتری، مالیه مدیریت شهری.

سعیدی مهرآباد، محمد. منصوری منش، سید جعفر. (1389): ضرورتی به نام ایجاد درآمد­های پایدار برای شهرداری­ها، معماری نیوز.

عباس زاده،ع. وخانی،ا. صمیمی،م.(1390): آشنایی با درآمد و روش­های افزایش آن در شهرداری­ها. تهران، سازمان شهرداری­ها و دهیاری­های کشور، چاپ اول.

فرجام نیا، ایمان. ناصری، محسن. احمدی، سید محمد مهدی.(1368): پیش بینی قیمت نفت با دو روش ARIMA و شبکه­های عصبی مصنوعی. فصل نامه پژوهش­های اقتصادی ایران،32، 161تا182.

کارتالویس، اس، وی.(1381): منطق فازی و شبکه­های عصبی(مفاهیم و کاربردها)، ترجمه محمود جورابیان و رحمت ا... هوشمند، اهواز، دانشگاه شهید چمران.

کلانی،ه. شاه سیاه، ز.(1388):سامانه سهول؛ راهکاری برای برون سپاری فرایند وصول عوارض خودرو و افزایش درآمد پایدار شهری.مجموعه مقالات سومین همایش مالیه شهرداری، مشکلات و راهکارها، تهران.

منصور، ج.(1380): مجموعه قوانین و مقررات شهر و شهرداری، نشر دوران، چاپ اول.

منهاج، محمد باقر.(1377): مبانی شبکه‌های عصبی مصنوعی، مرکز نشر پروفشور حسابی.

منهاج، محمد باقر.(1384): مبانی شبکه‌های عصبی مصنوعی و منطق فازی،دانشگاه صنعتی امیر کبیر تهران.

منهاج، محمد باقر.کاظمی، عالیه. شکوری گنجوی، حامد. مهرگان، محمد رضا و تقی زاده، محمد. (1389): پیش بینی تقاضای انرژی بخش حمل ونقل با استفاده از شبکه عصبی:مطالعه موردی: درایران پژوهش‌های مدیریت ایران 203تا220.

نیازی، سهراب. (1390): شبکه‌های عصبی.3.

ولیخانی دهاقانی، ماشاالله. طباطبایی، سید عباس.(1390): بررسی عوامل موثر بر تمایل شهروندان به پرداخت عوارض شهرداری، زمستان، شماره 12.

Chin, W.G.,Urban. T.L.and Baldridge.G.W.(1996).''Aneural Net work approach to mutual fund net asset value fore casting.'' Dmega,Int.J.mgmtscl.24(2)pp.205-215

Garliuskas,A.(1999).''Neural Net work chaos and Computational algonitms of finance'',proceeding if the IEEE SMC Con ference manand cyberenticcs 2, pp.638-643.

Harnik,K,(1991);''Approximation Capabilities of multilayer feed forward Net works'' Nerual Net works, 4: 251-257.

Kuan, G.M., and H. white(1994);''Artificial neural Net works:An econometric perspective''; Fconometric Reviews ,13:1-91

Wei,M., Bai,B.,Sung, A.H,.Liu,Q.,Wang.J.,&Cather,M.E(2007). Predicting injection profiles using ANFIS. infor Mation sciences,177.4445-4461.

Wong,Bok. Bodnovich., thomus A, Seivi, yakup(1977).''Neural Net work Applications in Business Areveiw and analysis of the literature(1988-1995).Decison Supporr systems.pp.230-320.

Zhang,G.Patuwo,B.E.,&Hu,M,Y.(1998),''forecasting with artificial neural Net works: the state of theavt ",international journal of forecasting,14:25-62.