PREDICTIVE RISK ASSESSMENT OF MUNICIPAL ASSETS USING MACHINE LEARNING: MODELING AGE, DEPRECIATION, AND USAGE FOR MAINTENANCE DECISIONS

Аңдатпа

Инфрақұрылымның ескіруі мен бюджет ресурстарының шектеулігі жағдайында муниципалитеттерге активтерді күтіп ұстау және жаңғырту бойынша негізделген шешімдер қабылдау қажет. Бұл зерттеуде машиналық оқыту әдістерін қолдану арқылы муниципалдық мүліктің тәуекелін интеллектуалды бағалау моделі ұсынылады. Негіз ретінде мемлекеттік мекемелердің 620 000-нан астам жеке активтері туралы нақты деректер жиынтығы пайдаланылды, оған сатып алу күні, құны, жіктелуі және IT-секторға қатыстылығы кіреді. Активтердің техникалық жағдайын сипаттайтын белгілер – жасы, тозу деңгейі, пайдалану қарқындылығы және басқалары әзірленді. Активтер салалық стандарттарға сәйкес логикалық ережелер негізінде «жоғары тәуекелді» немесе «төмен тәуекелді» деп жіктелді. Болжау модельдері логистикалық регрессия, Random Forest және XGBoost алгоритмдері негізінде құрылды. XGBoost моделі ең жоғары нәтижені (ROC-AUC: 0.9991) көрсетті және жалған іске қосуларды барынша азайтты. Белгілер маңыздылығын талдау тозу, жас және пайдалану қарқындылығының шешуші рөлін растады. Нәтижелер активтерді басқарудың цифрлық платформаларына интеграцияланып, реактивті қызмет көрсетуден проактивтіге көшуге мүмкіндік береді. Зерттеу машиналық оқытудың қалалық инфрақұрылымды тиімді басқарудағы жоғары әлеуетін дәлелдейді.