مدل‌سازی پرداخت قبض آب در بخش خانگی شهر قم

پرداخت نامنظم قبوض از سوی مشترکان، شرکت‌های آب و فاضلاب را در ارائه بهتر خدمات با محدودیت‌هایی مواجه می‌کند. در این راستا شناسایی عوامل موثر در پرداخت بهای آب اهمیت به‌سزایی دارد. داده‌های استفاده شده شامل اطلاعات صورت‌حساب مشترکان آب در 5 دوره اول سال‌های 1398 تا 1399 برای 181578 مشترک خانگی شهر قم است. به‌منظور تحلیل داده‌ها از روش‌های رگرسیون لجستیک، درخت تصمیم، ماشین‌بردار پشتیبان و شبکه عصبی استفاده شد. نتایج نشان داد روش‌ها عملکرد مشابهی دارند و دقت مدل‌ها نزدیک یکدیگر و برابر 72 درصد است. بیشترین دقت در پرداخت‌های با تاخیر و به‌موقع به‌ترتیب مربوط به رگرسیون لجستیک 72 درصد و درخت تصمیم 75 درصد است. دو روش ماشین‌بردار پشتیبان و شبکه عصبی نیز عملکرد تقریباً مشابهی داشتند. در رگرسیون لجستیک به‌ترتیب متغیرهای وضعیت پرداخت قبض در سال قبل با ضریب 1.75، مانده بدهی پایان سال قبل با ضریب 0.86، تعداد قبوض علی‌الحساب سال جاری با ضریب 0.70 و میانگین مصرف ماهانه سال جاری با ضریب 0.034 بیشترین تاثیر را بر تعداد قبوض پرداخت شده توسط مشترک در سال جاری دارند. نتایج درخت تصمیم نشان داد 43 درصد مشترکانی که در سال جدید پرداخت به‌موقع نداشتند، کسانی هستند که در سال قبل نیز پرداخت به‌موقع نداشته و 39 درصد مشترکانی که در سال جدید پرداخت به‌موقع دارند، مشترکانی هستند که در سال قبل نیز پرداخت به موقع داشته و در سال جدید قبض علی‌الحسابی نداشته‌اند. با توجه به نقش اثرگذار متغیرهای رفتار پرداختی مشترک در سال قبل، تعداد قبوض علی‌الحساب سال جاری و مانده بدهی پایان سال قبل در پرداخت‌های سال جاری، می‌توان با استفاده از ابزارهای نظارتی مانند نظارت بر مامورین قرائت، استفاده از پیمانکار برای پیمایش مشترکان با قبض علی‌الحساب، ابزار تشویقی مانند پاداش پرداخت به‌موقع و تقسیط مبلغ پرداختی و ابزار بازدارنده مانند اعمال جریمه و در نهایت قطع آب، نسبت به وصول مطالبات اقدام کرد. همچنین با توجه به اعمال بخش‌نامه آب امید در سال 1399 برای معافیت مشترکان خانگی با میانگین مصرف کمتر از 5 مترمکعب در ماه و از طرفی با توجه به پرداخت‌های کم این دسته از مشترکان، این گروه باید رصد و نسبت به دریافت مطالبات قبلی از آنها برنامه‌ریزی لازم انجام شود.

Household Water Bill Payment Modeling in Qom

Overdue water and wastewater bills of clients impedes any effort by utility companies at providing better services. It is thus essential to identify the factors affecting the timely payment of water bills. The data used in this study consists of the information of the first five billing periods of 2019 and 2020 for 181578 household clients in Qom, Iran. The logistic regression and decision tree models are used for the analysis of this data. The results showed that the methods have similar performance and the accuracy of the models is close to each other and equal (72%). The highest accuracy in late and timely payments is related to logistic regression (72%) and decision tree (75%), respectively. The two methods of support vector machine and neural network have similar performance. Logistic regression method indicates that billing payment status in the previous year and the total debt amount at the end of the previous year, as well as the number of unmetered bills and the average consumption of the current year, with regression coefficients of 1.75, 0.86, 0.70 and 0.034 respectively, are the most significant factors affecting the number of timely paid bills. The results of the decision tree model show that 43% of subscribers did not pay on time in the new year, did not pay on time in the previous year. Also, 39% of subscribers who pay on time in the new year, also paid on time in the previous year and in the new year they did not have unmetered bills. Comparing the results of logistic regression and decision tree models has shown that both methods have similar accuracies. The results show that the payment behavior in the previous year, the total amount of debt at the end of the previous year, and the number of unmetered bills in the current year have a significant effect on the number of paid bills in the current year. Therefore, various monitoring, incentive, and preventive measures can be used to improve the prospect of collecting the receivables. Increasing the supervision on meter reading staff, surveying the customers with unmetered bills, providing bonuses for timely payments, installment of previous debts, assigning penalties for delayed payments, and finally, cutting the water supply as a last resort are among these measures. In addition, the Omid utilities executive order, issued in January 2021, indicates that the household customers with monthly consumption of less than 5 m3 are exempt from payment. Therefore, these customers must be monitored, and special measures should be taken to collect their outstanding debts.