تمهيد
تحتل ضرائب العقارات مكانة مهمة في التخطيط الاقتصادي وتوليد الإيرادات العامة، فتقديراتها الدقيقة تؤثر في قرارات ملاك العقارات والجهات الحكومية على حد سواء، غير أن التنبؤ بها بدقة عالية مهمة صعبة، إذ تعاني مناهج التعلم العميق التقليدية المستخدمة فيها من مشكلتين متكررتين: صعوبة اختيار الخصائص الأكثر صلة من بين عدد كبير من الخصائص المرشحة، وحساسية شديدة لضبط المعلمات الفائقة التي تحكم تدريب النماذج، فأي اختلال في إحداهما ينعكس مباشرة في دقة التنبؤ ومدى الاعتماد عليه عمليًا
ولمعالجة هاتين المشكلتين تقدم هذه الدراسة نموذجًا تنبؤيًا متطورًا لضرائب العقارات يدمج تقنية تعلم معزز محسنة لاختيار الخصائص مع خوارزمية تطور تفاضلي متقدمة لضبط المعلمات الفائقة، ثم تختبره على بيانات عقارية متنوعة جغرافيًا تشمل السعودية
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى بناء نموذج تنبؤي لضرائب العقارات يتغلب على مشكلتي اختيار الخصائص والحساسية للمعلمات الفائقة في مناهج التعلم العميق التقليدية، واعتمد الباحثون مكوّنين رئيسين: الأول تقنية تعلم معزز محسنة سموها تحسين السياسة القريبة خارج السياسة، وتقوم باختيار الخصائص وتحدّث اختيارها باستمرار استنادًا إلى تفاعلاتها مع البيانات، بما يشحذ تركيزها على الخصائص الحاسمة ويمنع فرط التخصيص، والثاني خوارزمية تطور تفاضلي متقدمة لضبط المعلمات الفائقة ضبطًا أمثل، وقد عُززت باستراتيجية طفرة جديدة تستخدم التجميع بطريقة المتوسطات لتحديد العناقيد الرئيسة في فضاء الحلول، واختُبر النموذج على مجموعات بيانات عقارية متنوعة من منصة كاغل تغطي مواقع متعددة هي بوخارست وكاليفورنيا وهلسنكي ومقاطعة كينغ والمملكة العربية السعودية، وقورن أداؤه بأدوات التسعير التقليدية باستخدام متوسط الخطأ المطلق النسبي
ثانيًا: أبرز النتائج
أظهرت الاختبارات تفوق النموذج المقترح تفوقًا واضحًا، ويمكن إجمال أبرز النتائج في الآتي: (1) فاق النموذج أدوات التسعير التقليدية بفارق كبير في دقة التنبؤ بضرائب العقارات عبر مجموعات البيانات جميعها، (2) تراوح متوسط الخطأ المطلق النسبي للنموذج بين 0.202 و1.362 عبر المجموعات المختلفة، وهي قيم منخفضة تدل على دقة عالية في بيئات عقارية متباينة الخصائص والأسواق، (3) أثبت مكوّن التعلم المعزز قدرته على الاستمرار في تحسين اختيار الخصائص أثناء التفاعل مع البيانات والتركيز على الخصائص الحاسمة مع الحد من فرط التخصيص، بينما منحت استراتيجية الطفرة المعززة بالتجميع خوارزمية التطور التفاضلي قدرة أفضل على الوصول إلى ضبط أمثل للمعلمات الفائقة، (4) دل اتساق الأداء عبر خمسة مواقع جغرافية متباينة، منها السوق السعودية، على قابلية تطبيق واسعة للنموذج عبر الأسواق
ثالثًا: دلالات الدراسة وتطبيقاتها
تدل هذه النتائج على أن الجمع بين التعلم المعزز لاختيار الخصائص والتطور التفاضلي لضبط المعلمات يقدم وصفة عملية لرفع دقة النماذج التنبؤية في المجالات المالية والعقارية، إذ يعالج في وقت واحد عنقَي زجاجة لطالما حدّا من الاعتماد على التعلم العميق التطبيقي، ويفيد النموذج الجهات الحكومية في تقدير الإيرادات الضريبية العقارية وتخطيطها بثقة أعلى، ويفيد ملاك العقارات والمحللين الماليين في التخطيط الاستراتيجي واتخاذ قرارات التسعير والاستثمار على أساس تنبؤات أدق، كما أن نجاحه عبر أسواق متباينة يجعله مرشحًا للنقل إلى مهام تنبؤ مالي أخرى تعاني مشكلتي اختيار الخصائص وضبط المعلمات نفسيهما
وتتضح قيمة الدمج بين المكونين عند النظر في كيفية عمل كل منهما، فمكون التعلم المعزز لا يختار الخصائص مرة واحدة في بداية التدريب ثم يجمد اختياره، بل يواصل تحديثه كلما تفاعل مع البيانات بصورة أعمق، فيحتفظ بالخصائص التي تثبت جدواها ويستبعد ما يضعف التنبؤ، وهو سلوك تكيفي يحد من فرط التخصيص الذي يصيب النماذج حين تحفظ ضجيج بيانات التدريب بدل أنماطها الحقيقية، أما استراتيجية الطفرة المعززة بالتجميع في خوارزمية التطور التفاضلي فتعالج مشكلة الوقوع في حلول محلية دون المثلى، إذ تحدد العناقيد الرئيسة في فضاء المعلمات وتوجه البحث نحو المناطق الواعدة منه، وباجتماع الأمرين يحصل النموذج على مدخلات أنقى وضبط أدق في آن واحد، وهو ما يفسر اتساع فجوة أدائه عن أدوات التسعير التقليدية عبر أسواق شديدة التباين في خصائصها العقارية ومستويات أسعارها وممارساتها الضريبية، من الأسواق الأوروبية والأمريكية إلى السوق السعودية الصاعدة
وخلاصة القول إن الدراسة تقدم نموذجًا تنبؤيًا لضرائب العقارات يجمع التعلم المعزز المحسن لاختيار الخصائص والتطور التفاضلي المعزز لضبط المعلمات، محققًا دقة متفوقة على الأدوات التقليدية عبر أسواق متعددة منها السعودية
