A Novel Reinforcement Learning-Based Feature Selection with Scope Loss and Evolutionary Optimization for Accurate Real Estate Tax Forecasting

تمهيد

يعد التنبؤ الدقيق بالضرائب العقارية ضرورة لملاك العقارات والجهات الحكومية على حد سواء، إذ يؤثر في الاستراتيجيات المالية وتوليد الإيرادات العامة، غير أن مناهج التعلم العميق التقليدية في هذا المجال كثيرًا ما تعاني صعوبة في اختيار الخصائص المناسبة وحساسية عالية تجاه تغير المعاملات الفائقة، ما يجعل أداءها متقلبًا بين مجموعة بيانات وأخرى وسوق وآخر

ولمعالجة هذين التحديين تقترح هذه الدراسة نموذجًا للضريبة العقارية يوظف التعلم المعزز مرشدًا لعملية اختيار الخصائص، مدعومًا بخوارزمية من خوارزميات ذكاء الأسراب لتحسين المعاملات الفائقة، في محاولة لبناء نموذج يجمع بين الدقة العالية وقابلية التعميم عبر أسواق عقارية متباينة الخصائص والحجوم

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى بناء نموذج تنبؤ بالضرائب العقارية يتجاوز قصور النماذج التقليدية، ويقوم تصميمه على مكوّن تعلم معزز يحدّث باستمرار اختيار الخصائص المهمة استنادًا إلى تفاعله مع البيانات، بما يركز النموذج على الخصائص الأكثر صلة ويمنع فرط التخصيص، ويضم نموذج التعلم المعزز دالة خسارة نطاقية توازن بين التعلم من البيانات الحالية واستكشاف أنماط جديدة بما يحفظ دقة النموذج وقابليته للتعميم، كما تعزز خوارزمية مستعمرة النحل الاصطناعية مرونة النموذج وكفاءته بتحسين إعدادات معاملاته الفائقة، وقُوّم النموذج على مجموعات بيانات عقارية متعددة من منصة كاغل تغطي بوخارست وكاليفورنيا وهلسنكي ومقاطعة كينغ والمملكة العربية السعودية، وأُتيح كود النموذج علنًا للباحثين الراغبين في التحقق منه وتطويره

وتستند فكرة توجيه اختيار الخصائص بالتعلم المعزز إلى أن أهمية الخصائص في البيانات العقارية ليست ثابتة، فهي تتغير بتغير السوق والزمن، ومن ثم فإن وكيلًا يتعلم من تفاعله مع البيانات ويحدّث اختياراته باستمرار أقدر على ملاحقة الخصائص المؤثرة فعلًا من قائمة جامدة تُختار مرة واحدة، وتأتي دالة خسارة النطاق لتحرس هذا التعلم من طرفيه، فلا ينغلق على البيانات الحالية فيفقد الأنماط الجديدة، ولا يشتت في الاستكشاف فيفقد الدقة، أما خوارزمية مستعمرة النحل الاصطناعية فتتولى البحث التطوري عن أفضل إعدادات للمعاملات الفائقة، وهي نقطة ضعف معروفة في نماذج التعلم العميق الحساسة لهذه الإعدادات

ثانيًا: أبرز النتائج

أظهرت النتائج أن النموذج المقترح يتفوق على أدوات التنبؤ التقليدية عبر جميع مجموعات البيانات المستخدمة، إذ تراوحت قيم متوسط الخطأ المطلق النسبي في تنبؤاته بين 0.216 و1.081، وهي قيم متدنية تشهد بقوة أدائه واتساقه من سوق إلى آخر رغم اختلاف خصائص البيانات العقارية بين رومانيا والولايات المتحدة وفنلندا والمملكة العربية السعودية، ويعزى هذا الأداء القوي إلى التكامل بين اختيار الخصائص الموجه بالتعلم المعزز الذي يبقي النموذج مركزًا على المؤثرات الحقيقية، ودالة خسارة النطاق التي تحميه من الجمود على أنماط قديمة، وتحسين معاملاته بخوارزمية مستعمرة النحل الذي يضبط إعداداته بكفاءة ومرونة

ثالثًا: دلالات الدراسة وتطبيقاتها

يفتح هذا الأداء عبر أسواق متنوعة بابًا لاستخدام النموذج في تحسين التقييمات الاقتصادية والتخطيط المالي والضريبي لدى الجهات الحكومية وملاك العقارات والمؤسسات المالية، كما أن إتاحة الكود علنًا تمنح النتائج قابلية للتحقق وإعادة الاستخدام والتطوير من باحثين آخرين، ويظل اختبار النموذج على بيانات آنية متدفقة وعلى أسواق إضافية خطوة لازمة لتأكيد متانته في ظروف السوق المتغيرة ومتقلبات القطاع العقاري

وعلى المستوى التطبيقي، تهم دقة التنبؤ الضريبي العقاري جهتين متقابلتين، فملاك العقارات يبنون عليها استراتيجياتهم المالية وقراراتهم الاستثمارية، والجهات الحكومية تبني عليها تقديرات الإيرادات العامة والتخطيط المالي، فكل خفض في خطأ التنبؤ ينعكس قرارات أصوب لدى الطرفين، ويعزز اتساق أداء النموذج عبر أسواق متباينة كالسعودية ورومانيا وفنلندا والولايات المتحدة فرص اعتماده إطارًا عامًا قابلًا للتكييف المحلي بدل بناء نموذج منفصل لكل سوق، كما تشجع إتاحة الكود علنًا مجتمع البحث على إعادة الإنتاج والتدقيق، وهي ممارسة ترفع مصداقية النتائج وتسرّع تراكم التحسينات عليها

وتعزز هذه النتائج ثقة الباحثين في توجيه أجزاء جوهرية من بنية النموذج ذاتها بآليات تعلم تفاعلية بدل ضبطها يدويًا أو تركها ثابتة عبر جميع مراحل بناء النموذج وتقويمه وتشغيله

وخلاصة القول إن دمج التعلم المعزز في اختيار الخصائص مع دالة خسارة نطاقية وتحسين تطوري للمعاملات يقدم نموذجًا دقيقًا وقابلًا للتعميم للتنبؤ بالضرائب العقارية، يتفوق على الأدوات التقليدية ويصلح أساسًا لتطبيقات تقييم وتخطيط أوسع