عوارض شهری

اداره ﻣﻄﻠﻮب ﺷﻬﺮﻫﺎ و اراﺋﻪ ﺧﺪﻣﺎت ﻣﻨﺎﺳﺐ و ﮐﻨﺘﺮل و ﻫﺪاﯾﺖ ﭘﺮوژه ﻫﺎی ﻋﻤﺮاﻧﯽ، ﻋﻼوه ﺑﺮ اﻋﻤﺎل ﻣﺪﯾﺮﯾﺖ ﺻﺤﯿﺢ، ﻣﺴﺘﻠﺰم اﻋﺘﺒﺎرات و درآﻣﺪﻫﺎی ﮐﺎﻓﯽ و ﻫﺰﯾﻨﻪ ﺻﺤﯿﺢ آن ﻣﯽ ﺑﺎﺷﺪ عوارض از مهم ترین منابع بهینه شهرداری ها در کشورهای پیشرفته جهان است که بابت اداره شهر از درآمدها، اموال، دارایی و مصرف اشخاص حقیقی و حقوقی دریافت می گردد و صرف خدمات شهری می شود. شهرداری ها عمده هزینه های ارائه خدمات خود را از محل دریافت عوارض مختلف از شهروندان تامین می نمایند، در این راستا شهرداری ها به دنبال ایجاد منابع درآمدی پایدار هستند. اهمیت عوارض شهری تا بدان حد است که امروزه به عنوان یکی از درآمدهای شهرداری ها مورد توجه قرار می گیرد،که نقش محوری در جهت بالا بردن کیفیت زندگی در محیط های شهری و ارائه خدمات عمومی ایفا می کند. 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 شهرداری ها است که به صورت موردی شهر زابل مورد بررسی قرار می گیرد. روش به کار گرفته شده در این پژوهش مدل شبکه عصبی از نوع پیش خور (MFNN) با الگوریتم پس انتشار خطا (BP) است که داده ها در این مدل آموزش دیده اند تا در جهت پیش بینی میزان درآمد شهرداری زابل مورد استفاده قرار بگیرند. نتایج حاصل از پژوهش نشان می دهد 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.

امروزه در زمینة مدیریت شهری، رباتیک، تولید بازی های رایانه ای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سه بعدی سازی استفادة گسترده ای می شود. خوشه بندی و طبقه بندی نقاط ابری لیدار یکی از گام های اصلی برای رسیدن به مدلی سه بعدی به شمار می رود؛ بنابراین، یکی از اهداف این تحقیق را می توان ارزیابی کارآیی روش های طبقه بندی K اٌمین همسایگی نزدیک (KNN)، درخت تصمیم (DT)، بیز ساده (Naïve Bayes)، شبکة عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و میدان تصادفی مارکوف (MRF) در طبقه بندی مجموعه دادة لیدار و تصاویر هوایی در محیط پیچیده شهری برشمرد. بدین منظور، داده هایی که ISPRS از شهر فایهینگن کشور آلمان فراهم آورده، به کار رفته است. سپس همة ویژگی های هندسی، مقادیر شدت ثبت شده از سوی لیدار، تصاویر هوایی و نیز ویژگی های استخراج شدة مبتنی بر مقادیر ویژه را استخراج و به منظور تشخیص پنج کلاس اشیای شهری شامل سطوح نفوذناپذیر، ساختمان، گیاهان کم ارتفاع، درخت و اتومبیل به کار برده است. برای محاسبة مقادیر ویژه به کمک توزیع محلی نقاط، در این مقاله، یک ساختار مکعبی جدید معرفی شده است که در تحقیقات گذشته دیده نشده بود. نتایج نهایی تکنیک های طبقه بندی به کاررفته در این تحقیق با استفاده از نقشه های رفرنس ISPRS ارزیابی شدند. نتایج ارزیابی این تحقیق نشان می دهد که مدل MRF با دقت کلی 88.08% و ضریب کاپای 0.83 کارآتر از دیگر طبقه بندی هاست. همچنین، ساختار مکعبی پیشنهادی را می توان، به خوبی ساختارهای کروی و استوانه ای، در استخراج ویژگی های مبتنی بر مقادیر ویژه به کار برد.

منابع وصولی توسط شهرداری های مناطق شهری تهران، حدود نیمی از کل منابع وصولی این نهاد را تشکیل می دهد. در این مطالعه، به شناسایی و تعیین عوامل مؤثر بر منابع وصولی شهرداری های مناطق 22گانه تهران، طراحی مدل و تخمین ضرایب اثرگذاری با استفاده از روش اقتصادسنجی حداقل مربعات تعمیم یافته امکان پذیر و تصحیح خطای استاندارد داده های تابلویی برای داده های فصلی در دوره زمانی 1399-1395 پرداخته شده است. براساس یافته های این مطالعه، منابع وصولی شهرداری های مناطق، عمدتاً وابسته به رونق بخش ساختمان (تعداد معاملات مسکن، تعداد پروانه های ساختمانی صادره و قیمت زمین) با شدت قابل توجه و وضعیت جمعیت ساکن در منطقه (تراکم جمعیت) است؛ بنابراین، با توجه به اینکه سهم هزینه صدور پروانه ساختمانی در مناطق شمالی از کل هزینه های تولید مسکن در مقایسه با همین سهم در مناطق جنوبی، بسیار کوچک است (به علت اختلاف قابل توجه قیمت زمین در مناطق شمالی و جنوبی شهر) و همچنین، وجود انحراف معنی دار در قیمت منطقه ای املاک (دفترچه مرجع تعیین قیمت عوارض) از شاخص متناظر مبتنی بر قیمت بازار، پیشنهاد می شود به سیاست افزایش قیمت پروانه های ساختمانی، به ویژه در دوره های رونق با هدف افزایش درآمدهای شهرداری تهران و همچنین، باز توزیع ثروت و سرمایه گذاری در بخش مسکن میان مناطق مختلف شهری توجه شود.