مدیریت منابع انرژی در کشوری مانند ایران، بیش از آنکه یک مسئله ساده مهندسی یا اقتصادی باشد، به یک پازل چندمغناطیسی پیچیده بدل شده است. از یک‌سو با ناترازی شدید تولید و مصرف فرآورده‌های نفتی روبه‌روییم و از سوی دیگر، مکانیزم‌های سنتی توزیع و سهمیه‌بندی بنزین عملاً کارایی خود را در برابر رفتارهای پویا، قاچاق سازمان‌یافته سوخت و الگوهای مصرف شهروندان از دست داده‌اند. در این میان، ورود فناوری‌های نوین و به‌ویژه هوش مصنوعی به حوزه حکمرانی داده‌ها و مکانیسم‌های مدیا، نه یک انتخاب لوکس، بلکه یک ضرورت راهبردی برای نجات اقتصاد ملی است. پرسش بنیادین این است: آیا ماشین‌ها و الگوریتم‌های یادگیری ماشین می‌توانند گره کور سهمیه‌بندی بنزین در ایران را باز کنند یا باز هم در چرخ‌دنده‌های بوروکراسی سنتی گرفتار خواهند شد؟
برای درک چرایی نیاز به مداخله هوش مصنوعی، ابتدا باید وضعیت موجود را بدون تعارف بررسی کنیم. ساختار فعلی توزیع و سهمیه‌بندی سوخت در کشور بر مبنای کارت‌های هوشمند سوخت سنتی و سهمیه‌های ثابتی بنا شده است که سال‌هاست تناسبی با واقعیت‌های میدانی ندارند. این سیستم بر پایه «ثبات و ایستا بودن» طراحی شده، در حالی که دنیای مصرف‌کنندگان و اقتصاد کلان سراسر «پویا و سیال» است.
مشکلات بنیادین سیستم فعلی را می‌توان در سه محور خلاصه کرد:
رفتارهای انحرافی و قاچاق سوخت: قیمت‌گذاری یارانه‌ای بنزین در مقایسه با کشورهای همسایه، انگیزه‌های کلانی برای قاچاق سازمان‌یافته ایجاد کرده است. کارت‌های سوخت اجاره‌ای یا مهاجرت کارت‌ها از کلان‌شهرها به مناطق مرزی، عملاً سهمیه شهروندان عادی را به تاراج می‌برد.
الگوی مصرف نابرابر: اختصاص سهمیه مساوی به خودروهای مختلف بدون در نظر گرفتن میزان نیاز واقعی، نوع خودرو، کاربری آن (شخصی، تاکسی، باربر) و منطقه جغرافیایی، بی‌عدالتی پنهانی را بازتولید می‌کند که منابع ملی را هدر می‌دهد.
نبود پیش‌بینی‌پذیری در زنجیره تامین: وزارت نفت و شرکت ملی پخش فرآورده‌های نفتی همواره در مقام واکنش به بحران‌ها (مانند سفرهای نوروزی، ناترازی‌های زمستانی یا شوک‌های قیمتی) عمل می‌کنند و سیستم فاقد قابلیت پیش‌بینی دقیق تقاضا بر اساس داده‌های کلان است.
در دنیای مدرن، سیاست‌گذاری بر پایه شهود مدیران جای خود را به تصمیم‌گیری مبتنی بر شواهد داده‌ای داده است. مکانیسم‌های مدیا و شبکه‌های ارتباطی هوشمند این امکان را فراهم می‌کنند که تمامی اجزای زنجیره تامین سوخت — از پالایشگاه تا باک خودرو — به یک شبکه عصبی متصل شوند. هوش مصنوعی در این میان به عنوان مغز متفکر عمل می‌کند که قادر است حجم عظیمی از داده‌های ساختاریافته و ناپیوسته را تحلیل کند.
هوش مصنوعی چگونه می‌تواند وارد میدان شود؟ پاسخ در توانایی این فناوری در پردازش هم‌زمان متغیرهای پیچیده نهفته است. الگوریتم‌های پیشرفته می‌توانند الگوهای مصرف روزمره میلیون‌ها شهروند را رصد کنند، بدون آنکه حریم خصوصی آن‌ها را نقض کنند. این سیستم‌ها به جای سهمیه‌های فیکس و غیرقابل انعطاف، به سمت «سهمیه‌بندی پویا و شناور» حرکت می‌کنند؛ مدلی که در آن تخصیص سوخت بر اساس نیاز واقعی، شاخص‌های اقتصادی خانوار، بهره‌وری خودرو و شرایط اقلیمی تغییر می‌کند.
پیاده‌سازی یک سیستم کارآمد هوش مصنوعی برای مدیریت بنزین در ایران مستلزم طراحی یک چارچوب چندلایه است. این سیستم باید اجزای زیر را به یکدیگر پیوند بزند:
با استفاده از یادگیری عمیق (Deep Learning)، می‌توان داده‌های تاریخی مصرف، الگوهای ترافیکی، تقویم تعطیلات، شرایط جوی و حتی اخبار اقتصادی را تحلیل کرد تا میزان تقاضا برای بنزین در هر استان و حتی تک‌تک جایگاه‌های سوخت پیش‌بینی شود. این کار از تشکیل صف‌های طولانی در روزهای خاص جلوگیری می‌کند و ناوگان حمل‌ونقل سوخت را بهینه‌سازی می‌نماید.
الگوریتم‌های یادگیری ماشین (Machine Learning) به سادگی می‌توانند تراکنش‌های غیرعادی کارت‌های سوخت را شناسایی کنند. اگر کارتی در تهران سهمیه خود را دریافت کند و سه ساعت بعد در جایگاهی در استان مرزی تراکنش داشته باشد، سیستم به صورت خودکار آن را پرچم‌گذاری و مسدود می‌کند. این نظارت لحظه‌ای، دست سوداگران را از سوخت یارانه‌ای کوتاه می‌کند.
سهمیه ثابت ماهانه منسوخ است. یک الگوریتم هوشمند می‌تواند سهمیه هر شهروند را بر اساس متغیرهایی چون میزان پیمایش خودرو (تثبیت‌شده از طریق سامانه‌های معاینه فنی یا جی‌پی‌اس‌های مجاز)، نوع خودرو، دسترسی به حمل‌ونقل عمومی و سطح درآمدی خانوار تنظیم کند. به این ترتیب، فردی که خودروی پرمصرف قدیمی دارد و سفرهای غیرضروری انجام می‌دهد، هزینه واقعی‌تری پرداخت می‌کند، در حالی که خانواده‌های کم‌برخوردار یا خودروهای کاربری از سهمیه حمایتی بهینه‌تری بهره‌مند می‌شوند.
با وجود مزیت‌های غیرقابل انکار، حرکت به سمت مدیریت هوشمند بنزین با موانع جدی ساختاری، تکنولوژیک و اجتماعی روبه‌روست که نباید آن‌ها را دست‌کم گرفت:
مقاومت در برابر شفافیت: هر سیستمی که رانت‌های پنهان، کارت‌های اجاره‌ای و قاچاق سوخت را مختل کند، با مقاومت شدید ذی‌نفعان سنتی و باندهای دلالی مواجه خواهد شد. هوش مصنوعی شفافیت می‌آورد و شفافیت دشمن رانت است.
زیرساخت‌های داده‌ای جزیره‌ای: در حال حاضر، پایگاه‌های داده‌ای وزارت نفت، پلیس راهور، وزارت صمت و بانک مرکزی به صورت یکپارچه با هم صحبت نمی‌کنند. ایجاد یکپارچگی داده‌ای (Data Integration) پیش‌نیاز اصلی ورود هوش مصنوعی است.
پذیرش اجتماعی و مسئله اعتماد عمومی: جامعه ایران نسبت به تصمیمات کلان اقتصادی بدگمان است. هرگونه تغییر در سیستم سهمیه‌بندی اگر با پیوست رسانه‌ای دقیق، شفاف‌سازی مزایا و جلب اعتماد عمومی همراه نباشد، می‌تواند به تنش‌های اجتماعی دامن بزند.
اگر تصمیم‌گیرندگان کشور از پذیرش راه حل‌های مبتنی بر هوش مصنوعی سر باز زنند، سناریوی پیش‌رو روشن اما دردناک است: تداوم ناترازی فزاینده، نیاز مبرم به واردات پرهزینه بنزین با ارز آزاد، فرسودگی بیشتر زیرساخت‌ها و در نهایت تحمیل شوک‌های قیمتی ناگهانی و تورم‌زا به جامعه.
در مقابل، سناریوی مبتنی بر فناوری نویدبخش یک گذار کنترل‌شده است. در این سناریو، سهمیه‌بندی بنزین به مرور از یک ابزار تنبیهی و سلبی، به یک «سیستم مدیریت لجستیک هوشمند» تبدیل می‌شود که در آن منابع ملی صیانت شده و شهروندان بر اساس رفتار بهینه‌تر، پاداش دریافت می‌کنند.
مدیریت سهمیه‌بندی بنزین در ایران با روش‌های دهه‌های گذشته به بن‌بست رسیده است. هوش مصنوعی جادو نمی‌کند، اما ابزاری قدرتمند برای دیدن زوایای پنهان اقتصاد، پیش‌بینی بحران‌ها و برقراری عدالتی مبتنی بر شواهد است. اگر حاکمیت اراده سیاسی لازم را برای یکپارچه‌سازی داده‌ها و عبور از سنت‌های ناکارآمد داشته باشد، الگوریتم‌ها می‌توانند کلاف سردرگم مصرف سوخت را باز کنند. سوال اصلی دیگر این نیست که «آیا تکنولوژی توانایی این کار را دارد؟»، بلکه این است که «آیا اراده‌ای برای استفاده از این هوشمندی در مدیریت کلان کشور شکل خواهد گرفت؟»
محسن سروش؛ پژوهشگر و استراتژیست رسانه و فناوری‌های نوین. تمرکز اصلی فعالیت‌های او بر تحلیل مکانیسم‌های مدیا، حکمرانی داده‌محور و بررسی تأثیر هوش مصنوعی بر ساختارهای اقتصادی و اجتماعی است.
برای دریافت تحلیل‌های عمیق‌تر و مطالب تخصصی در این حوزه، می‌توانید پیج اینستاگرام مدیا مود را دنبال کنید:
@mediamoodofficial
