MARC details
| 000 -LEADER |
|---|
| fixed length control field |
14834namaa22004451i 4500 |
| 003 - CONTROL NUMBER IDENTIFIER |
|---|
| control field |
EG-GICUC |
| 005 - أخر تعامل مع التسجيلة |
|---|
| control field |
20260121131355.0 |
| 008 - FIXED-LENGTH DATA ELEMENTS--GENERAL INFORMATION |
|---|
| fixed length control field |
260118s2025 ua a|||frm||| 000 0 eng d |
| 040 ## - CATALOGING SOURCE |
|---|
| Original cataloguing agency |
EG-GICUC |
| Language of cataloging |
eng |
| Transcribing agency |
EG-GICUC |
| Modifying agency |
EG-GICUC |
| Description conventions |
rda |
| 041 0# - LANGUAGE CODE |
|---|
| Language code of text/sound track or separate title |
eng |
| Language code of summary or abstract |
eng |
| -- |
ara |
| 049 ## - Acquisition Source |
|---|
| Acquisition Source |
Deposit |
| 082 04 - DEWEY DECIMAL CLASSIFICATION NUMBER |
|---|
| Classification number |
658.403 |
| 092 ## - LOCALLY ASSIGNED DEWEY CALL NUMBER (OCLC) |
|---|
| Classification number |
658.403 |
| Edition number |
21 |
| 097 ## - Degree |
|---|
| Degree |
Ph.D |
| 099 ## - LOCAL FREE-TEXT CALL NUMBER (OCLC) |
|---|
| Local Call Number |
Cai01.20.02.Ph.D.2025.Am.I |
| 100 0# - MAIN ENTRY--PERSONAL NAME |
|---|
| Authority record control number or standard number |
Amal Roshdy Saleh Mahmoud, |
| Preparation |
preparation. |
| 245 13 - TITLE STATEMENT |
|---|
| Title |
An intelligent taxation model for real estate / |
| Statement of responsibility, etc. |
by Amal Roshdy Saleh Mahmoud ; Supervision Prof. Dr. Mohamed Mostafa Saleh, Prof. Dr. Hisham Mohamed Abdelsalam, Dr. Moataz Ahmed Elsaban. |
| 246 15 - VARYING FORM OF TITLE |
|---|
| Title proper/short title |
نموذج ذكي للضريبة على العقارات |
| 264 #0 - PRODUCTION, PUBLICATION, DISTRIBUTION, MANUFACTURE, AND COPYRIGHT NOTICE |
|---|
| Date of production, publication, distribution, manufacture, or copyright notice |
2025. |
| 300 ## - PHYSICAL DESCRIPTION |
|---|
| Extent |
133 Leaves : |
| Other physical details |
illustrations ; |
| Dimensions |
30 cm. + |
| Accompanying material |
CD. |
| 336 ## - CONTENT TYPE |
|---|
| Content type term |
text |
| Source |
rda content |
| 337 ## - MEDIA TYPE |
|---|
| Media type term |
Unmediated |
| Source |
rdamedia |
| 338 ## - CARRIER TYPE |
|---|
| Carrier type term |
volume |
| Source |
rdacarrier |
| 502 ## - DISSERTATION NOTE |
|---|
| Dissertation note |
Thesis (Ph.D)-Cairo University, 2025. |
| 504 ## - BIBLIOGRAPHY, ETC. NOTE |
|---|
| Bibliography, etc. note |
Bibliography: pages 119-131. |
| 520 #3 - SUMMARY, ETC. |
|---|
| Summary, etc. |
The taxation of real estate in Egypt presents complex challenges due to dynamic real <br/>estate prices, diverse tax policies, and inconsistent assessment methods. In the Real Estate <br/>Taxation Authority (RETA), the assessment of precise financial real estate prices as a tax <br/>base measure for real estate tax estimation and levying is complex due to data scarcity, data <br/>multi-dimensionality, high costs of domain experts, and the dissatisfaction and resistance of <br/>the taxpayers. <br/>This thesis proposes an intelligent taxation model for real estate that integrates deep <br/>neural network (DNN) architecture and optimization techniques to enhance accuracy, <br/>efficiency, and fairness in real estate tax assessment. <br/>First, the prediction model of real estate tax base price assessment for real-time data <br/>utilizes real-time data on real estate characteristics, market values, and location features to <br/>automate real estate valuation and estimate tax values accordingly by proposed an intelligent <br/>automated model (BOM-DNN) using a deep neural network optimized by the Bayesian <br/>optimization method. The experimental validation using real estate datasets of Melbourne-<br/>Australia, California-USA, Helsinki-Finland, King County-USA, and the Kingdom of Saudi <br/>Arabia demonstrates that the proposed model significantly reduces assessment discrepancies <br/>compared to traditional methods. The findings revealed that, compared to other conventional <br/>methods, the proposed model (BOM-DNN) outperformed the traditional machine learning <br/>and achieved great performance in all real estate pricing datasets in terms of R2 accuracy <br/>measure with 95% versus 93% of Stepwise and SVM method for Melbourne dataset, with <br/>%96 versus 91% of Ensemble Model for California dataset, with %99 versus 95% of <br/>Multilayer Perceptron model for Helsinki dataset, with %98 versus 91% of Catboost <br/>Regression method for King County dataset, and 99% versus 93% of Artificial Neural <br/>Network model for Kingdom Saudi Arabia dataset. The proposed BOM-DNN was validated <br/>by three real estate datasets: Bucharest-Romania, Paris-France, and Elshiekh Zayed-Egypt <br/>datasets, and achieves 97%, 99%, and 91% respectively, in R2 respectively. <br/>Second, the real estate tax assessment and evaluation prediction model uses time-series <br/>data on real estate features and real estate price index values to automate real estate valuation <br/>and tax values' future trends. The proposed hybrid MLP-BiLSTM-AM was utilized to <br/>automatically predict the future trend of the real estate tax by integrating a Multilayer <br/>Perceptron (MLP), Bidirectional Long Short-Term Memory (BiLSTM), and Attention <br/>Mechanism (AM) neural networks. <br/>The experimental validation used time series real estate datasets; Shenzhen-China, <br/>Busan-South Korea, Taiwan, and Beijing-China show that the suggested methodology <br/>greatly generates high prediction accuracy, low error rates, and great performance when <br/>compared to traditional methods. The suggested MLP-BiLSTM-AM model outperformed <br/>the state-of-the-art methods in terms of R2 accuracy measure by 92% versus 75% of genetic <br/>algorithm-long short-term memory method (GA-LSTM) in Shenzhen dataset, by 96% versus <br/>94% in vector auto-regression technique (VAR) in Busan dataset, by 97% versus 94% in <br/>convolutional neural network (CNN) model in Taiwan dataset, and 96% versus 81% in light <br/>gradient boosting method (LGBM) in Beijing dataset. <br/>Accurate real estate tax assessment can contribute to the regional economy, enhancing <br/>public services and boosting the digital transformation in Egypt. The intelligent models <br/>support transparent and data-driven tax administration offices, offering potential benefits for <br/>government revenue optimization and taxpayer equity. This research contributes to the <br/>development of intelligent government solutions in the real estate sector, paving the way for <br/>more responsive and adaptive public financial systems. |
| 520 #3 - SUMMARY, ETC. |
|---|
| Summary, etc. |
يمثل فرض الضرائب على العقارات تحديات معقدة بسبب ديناميكية أسعار العقارات و السياسات الضريبية المتنوعة وأساليب التقييم غير المتسقة. في مصلحة الضرائب العقارية المصرية (RETA)، يعد تقييم أسعار العقارات كمقياس للقاعدة الضريبية لتقدير الضرائب العقارية وفرضها أمرًا معقدًا بسبب ندرة البيانات وتعدد أبعاد البيانات والتكاليف المرتفعة لخبراء المجال وعدم رضاء دافعي الضرائب ومقاومتهم لدفع الضريبة العقارية.<br/>أصبح الذكاء الاصطناعي والتقنيات ذات الصلة مثل التعلم الآلي وتحديدا الشبكات العصبية للتعلم العميق (DNN) موضوعا بحثيا ساخنا في المجال المالي والإقتصادي. تم إنشاء معماريات شبكة عصبية مميزة للتعلم العميق (DNN) لمواجهة التحديات المالية في الوقت الفعلي والسلاسل الزمنية. يمكن أن تساهم أسعار الأصول المالية مثل تقييم أسعار العقارات في تقدير الضرائب العقارية وفرضها والتي بدورها تساهم في الاقتصاد الإقليمي وتعزز التحول الرقمي لأي دولة. في هذه الأطروحة. تم تقديم فحص شامل للشبكات العصبية للتعلم العميق للتعامل بشكل أفضل مع التنبؤ بضريبة العقارات المالية. فيما يلي ملخص للمساهمتين الرئيسيتين اللتين تحققتا في هذه الأطروحة.<br/>-1 اقتراح نموذج ضريبي ذكي لدعم متخذي القرار فى تفدير قيمة الضرائب العقارية تعد أنظمة تقييم وتقدير القاعدة الضريبية العقارية في الوقت الفعلي ضرورية لتمويل الخدمات العامة وتحويل الاقتصاد الرقمي. لأتمتة وتوحيد التقدير الضريبي المعقد ، هناك حاجة إلى نموذج ضريبي ذكي لدعم صانعي القرار في الوقت الفعلي كانت نماذج الشبكة العصبية للتعلم العميق (DNN) محدودة للبيانات صغيرة الحجم ومتعددة الأبعاد ، وتنشئ نموذجا آليا باستخدام الشبكة العصبية للتعلم الألي الأمثل بواسطة طريقة تحسين Optimization Bayesian (DNN-BOM) لبنية الشبكة العصبية وتحسين المعلمات الفائقة ، والتي توفر التفوق وقابلية التفسير والموثوقية. أجريت تجارب لتحديد كفاءة الطريقة المقترحة. يوفر النموذج المقترح مستويات خطأ أقل ودقة عالية.<br/>سيعمل نموذج الضرائب الآلي الذكي على تحسين كفاءة مكاتب التفتيش الضريبي العقاري من خلال تمكين التقييمات والتقييمات الدقيقة للقاعدة الضريبية. قد تعزز تقنيات الشبكة العصبية للتعلم العميق توقعات أسعار العقارات ، مما يؤدي إلى تقييمات أكثر دقة للضرائب. تكشف النتائج أنه بالمقارنة مع طرق التنبؤ بأسعار العقارات المعيارية الأخرى ، تفوق النموذج المقترح DNN-) (BOM على التعلم الآلي التقليدي الآخر وحقق أداء أكبر من حيث معامل التحديد R2 بنسبة 95٪ و 96٪ و 99٪ و 98٪ و 99٪ على التوالي ، على الطرق التقليدية مثل نموذج SVM) & (Stepwise ، نموذج Model) (Ensemble ، نموذج مستقبل متعدد الطبقات Perceptron) (Multilayer , نموذجRegression) (Catboost ، ونموذج الشبكة العصبية الاصطناعية Network) Neural (Artificial التي تحتوي على قيم R2 ؛ ٪93 و٪91 و٪95 و٪91 و٪93 على التوالي.<br/>كما تم اجراء العديد من التجارب لتحديد مدى كفاءة وفاعلية طرق التحسين والامثلية الأتية: SGD, RMSProp, Adam,و Adadelta والتى تستخدم فى مرحلة تدريب نموذج التنبؤ فى مجال التنبؤ بأسعار العقارات والتى بدورها تستخدم فى تقدير الضريبة المفروضة على العقارات, ووفقا للنتائج التى تم الحصول عليها كان متوسط الارتباط بين القيمة الحقيقية والقيمة التنبؤية لطرق التحسين المختلفة هى ,%96.3 96% , %89.5 , و %85.7 على التوالى, هذه النتائج تظهر تفوق Adam و RMSProp<br/> <br/>واحراز دقة تنبؤ ممتازة عن باقى طرق التحسين المختلفة لعدد ثمانى من البيانات الحقيقية التى تختلف فى خصائصها و حجم البيانات بها . تقترح هذه الدراسة البحثية استراتيجية ثورية تستخدم الشبكة العصبية للتعلم العميق DNN وتتحدى الأساليب التقليدية لميكنة تقييم قاعدة بيانات الضرائب العقارية والتحول الرقمي وتطبيقاته فى مجال الاقتصاد .<br/>-2 اقتراح نموذج ضريبي ذكي لدعم متخذي القرار في تقدير قيمة الضريبة العقارية فى السلاسل الزمنية تعد أنظمة تقييم وتقويم القاعدة الضريبية العقارية المستقبلية مهمة حاسمة وصعبة للتنبؤ بدقة بقيم الاتجاه العقاري لتقييم الضرائب العقارية بدقة وتوقع قيم العقارات المستقبلية في مصلحة الضرائب العقارية قد يكون صعبا بسبب بعض الجوانب مثل البيانات غير الثابتة والطبيعة غير الدقيقة والذاتية للمساحين الميدانيين في مكاتب التفتيش العقاري التابعة لمصلحة الضرائب العقارية. يتم استخدام شبكة عصبية جديدة هجينة للتعلم العميق للتنبؤ تلقائيا بالاتجاه المستقبلي لتدابير تقييم قاعدة ضريبة أسعار العقارات. لذلك ، كان الهدف الأساسي هو تقديم شبكة عصبية هجينة آلية للتعلم العميق من خلال دمج مستقبل متعدد الطبقات Perceptron) (Multilayer ، وشبكة عصبية ثنائية الاتجاه للذاكرة طويلة المدى Memory) Term Short Long (Bidirectional ، وآلية الانتباه ) Attention (Mechanism لإنتاج نموذج (MLP-BiLSTM-AM) ، النموذج المقترح لديه معدلات خطأ منخفضة وأداء رائع. يتفوق نموذج MLP-BiLSTM-AM المقترح على متنبئات أسعار العقارات القياسية الأخرى من حيث مقياس أداء R2 بنسبة 92.4٪ و 96.4٪ و 97.8٪ و 96٪ على التوالي ، وتفوق على النماذج الحديثة الأخرى مثل الخوارزمية الجينية - الذاكرة قصيرة المدى الطويلة (GA-LSTM) ، الانحدار التلقائي المتجه (VAR) ، الشبكة العصبية التلافيفية (CNN) ، ونموذج تعزيز التدرج البسيط (LGBM) ، ، ونموذج تعزيز التدرج الضوئي (LGBM) ، يحتوي على قيم R2 ؛٪75 و ٪94 و 95٪ و 81٪ على التوالي ، عبر العديد من مجموعات البيانات العقارية.<br/>هذا النهج مفيد للتنبؤ الآلي بأسعار العقارات والذى يمكن استغلاله فى التطبيقات المرتبطة بتقييم العقارات مثل شركات التطوير<br/>العقاري ,تطبيقات الضرائب العقارية , الممولين , المستثمرين و تطبيقات التحول الرقمي و الخدمات الالكترونية . تقترح هذه الدراسة البحثية استراتيجية ثورية تستخدم شبكة عصبية هجينة للتعلم العميق DNN وتتحدى الأساليب التقليدية لتقييم الاتجاهات المستقبلية لتقييم قاعدة الضرائب العقارية. |
| 530 ## - ADDITIONAL PHYSICAL FORM AVAILABLE NOTE |
|---|
| Issues CD |
صدر أيضًا كقرص مدمج. |
| 546 ## - LANGUAGE NOTE |
|---|
| Text Language |
Text in English and abstract in Arabic & English. |
| 650 #0 - SUBJECT ADDED ENTRY--TOPICAL TERM |
|---|
| Topical term or geographic name entry element |
Operations research |
| 650 #0 - SUBJECT ADDED ENTRY--TOPICAL TERM |
|---|
| Topical term or geographic name entry element |
بحوث العمليات |
| 653 #1 - INDEX TERM--UNCONTROLLED |
|---|
| Uncontrolled term |
Real estate tax assessment |
| -- |
Real estate price prediction |
| -- |
Artificial Intelligence |
| -- |
Deep neural network |
| -- |
Bayesian optimization |
| -- |
time series analysis Attention mechanism |
| -- |
Bidirectional long short-term |
| -- |
hybrid deep learning |
| -- |
تقييم الضريبة العقارية |
| -- |
التنبؤ بفيم العقارات |
| 700 0# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Mohamed Mostafa Saleh |
| Relator term |
thesis advisor. |
| 700 0# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Hisham Mohamed Abdelsalam |
| Relator term |
thesis advisor. |
| 700 0# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Moataz Ahmed Elsaban |
| Relator term |
thesis advisor. |
| 900 ## - Thesis Information |
|---|
| Grant date |
01-01-2025 |
| Supervisory body |
Mohamed Mostafa Saleh |
| -- |
Hisham Mohamed Abdelsalam |
| -- |
Moataz Ahmed Elsaban |
| Universities |
Cairo University |
| Faculties |
Faculty of Computers and Artificial Intelligence |
| Department |
Department of Operations Research and Decision Support |
| 905 ## - Cataloger and Reviser Names |
|---|
| Cataloger Name |
Shimaa |
| Reviser Names |
Eman Ghareb |
| 942 ## - ADDED ENTRY ELEMENTS (KOHA) |
|---|
| Source of classification or shelving scheme |
Dewey Decimal Classification |
| Koha item type |
Thesis |
| Edition |
21 |
| Suppress in OPAC |
No |