ویرگول
ورودثبت نام
دکتر امیرحسین حاجی گل
دکتر امیرحسین حاجی گلپژوهشگر پزشکی هسته‌ای، هوش مصنوعی و سلامت شهری | علاقه‌مند به شهرهای هوشمند، مدیریت شهری مبتنی بر داده و توسعه پایدار | تلاش برای تبدیل دانش به راهکارهای عملی برای سلامت جامعه
دکتر امیرحسین حاجی گل
دکتر امیرحسین حاجی گل
خواندن ۹ دقیقه·۳ ماه پیش

تهرانِ تاب‌آور؛ از «مدیریت بحران» تا «پیش‌بینی شکست سیستم‌های شهری»

چرا پایتخت آینده نباید منتظر بحران بماند؟
چرا پایتخت آینده نباید منتظر بحران بماند؟

انتشارات Hajigol Insights

تهران ۱۴۱۰

نویسنده: دکتر امیرحسین حاجی‌گل
پژوهشگر مهندسی هسته‌ای، مهندسی پزشکی و پزشکی هسته‌ای | تحلیلگر فناوری، سلامت و حکمرانی شهری
Hajigol Insights | Science × AI × Health × Urban Governance

مقدمه؛ مسئله تهران فقط بحران نیست، «آمادگی برای بحران» است

تهران را معمولاً با مجموعه‌ای از بحران‌های بالقوه می‌شناسیم: زلزله، فرونشست، آلودگی هوا، موج‌های گرما، اختلال شبکه آب، قطعی انرژی، ترافیک، فرسودگی ساختمان‌ها و فشار روزافزون بر زیرساخت‌های حیاتی.

اما از نگاه من، مسئله اصلی تهران این نیست که بحران وجود دارد؛ مسئله این است که بسیاری از سامانه‌های شهری هنوز عمدتاً زمانی فعال می‌شوند که بحران اتفاق افتاده است.

این مدل باید در تهران ۱۴۱۰ تغییر کند.

شهر آینده نباید صرفاً یک Crisis-Response City باشد؛ بلکه باید به یک Predictive-Resilient City تبدیل شود؛ شهری که بتواند نشانه‌های اولیه شکست سیستم را شناسایی، احتمال وقوع اختلال را تخمین، پیامدهای آن را شبیه‌سازی و قبل از تبدیل‌شدن یک اختلال کوچک به بحران بزرگ، مداخله کند.

این تفاوت، از نظر من، یکی از مهم‌ترین تغییرات پارادایمی موردنیاز برای مدیریت تهران در دهه آینده است.

۱. تهران به «مدیریت بحران» نیاز ندارد؛ به «مهندسی ریسک شهری» نیاز دارد

مدیریت بحران معمولاً از نقطه‌ای آغاز می‌شود که حادثه رخ داده است.

اما مهندسی ریسک از جایی بسیار زودتر شروع می‌شود:

Hazard → Exposure → Vulnerability → Failure → Cascading Impact

یعنی باید بدانیم:

  • چه خطری وجود دارد؟

  • چه جمعیتی در معرض آن قرار دارد؟

  • کدام زیرساخت‌ها آسیب‌پذیرند؟

  • اولین نقطه شکست کجاست؟

  • و مهم‌تر از همه، اگر یک زیرساخت از کار بیفتد، چه سامانه‌های دیگری به دنبال آن دچار اختلال خواهند شد؟

این نگاه برای تهران بسیار مهم است؛ زیرا زیرساخت‌های شهری مستقل از یکدیگر نیستند.

اختلال برق می‌تواند بر پمپاژ آب اثر بگذارد.

اختلال آب می‌تواند بر بیمارستان‌ها اثر بگذارد.

اختلال حمل‌ونقل می‌تواند دسترسی نیروهای امدادی را کاهش دهد.

زلزله می‌تواند هم‌زمان شبکه برق، گاز، آب، ارتباطات، بیمارستان‌ها و مسیرهای امدادی را تحت تأثیر قرار دهد.

بنابراین بحران واقعی تهران ممکن است نه یک خرابی، بلکه زنجیره‌ای از خرابی‌ها باشد.

۲. مفهوم کلیدی تهران ۱۴۱۰: «Cascading Urban Failure»

یکی از موضوعاتی که باید در برنامه‌ریزی آینده تهران جدی گرفته شود، مفهوم Cascading Failure یا «شکست آبشاری سیستم‌های شهری» است.

فرض کنیم یک حادثه در نقطه‌ای از شهر رخ دهد.

در مدل سنتی، سؤال این است:

چه میزان خسارت مستقیم ایجاد می‌شود؟

اما در مدل پیشرفته‌تر سؤال باید این باشد:

این حادثه چگونه می‌تواند سایر شبکه‌های شهری را نیز مختل کند؟

برای مثال:

زلزله → اختلال شبکه برق → اختلال پمپاژ آب → کاهش فشار شبکه آتش‌نشانی → افزایش زمان اطفای حریق → افزایش خسارت ساختمان‌ها → انسداد معابر → کاهش دسترسی اورژانس

در چنین شرایطی، خسارت نهایی الزاماً برابر مجموع خسارت‌های مستقیم نیست.

بلکه می‌تواند حاصل اثر متقابل شبکه‌ها باشد.

به همین دلیل، تهران ۱۴۱۰ باید از «نقشه خطر» به سمت نقشه وابستگی زیرساخت‌ها حرکت کند.

۳. پیشنهاد Hajigol Insights: «Urban Resilience Graph»

پیشنهاد تحلیلی من برای تهران، ایجاد یک Urban Resilience Graph – URG است.

در این مدل، شهر به‌صورت یک شبکه چندلایه دیده می‌شود.

هر گره می‌تواند نماینده یک دارایی حیاتی باشد:

  • بیمارستان

  • ایستگاه آتش‌نشانی

  • ایستگاه مترو

  • پست برق

  • مخزن آب

  • مرکز مخابرات

  • پل

  • بزرگراه

  • مرکز امدادی

  • مرکز فرماندهی شهری

و هر اتصال، یک وابستگی عملکردی را نشان می‌دهد.

در نتیجه شهرداری دیگر فقط نمی‌پرسد:

«کدام ساختمان آسیب‌پذیر است؟»

بلکه می‌پرسد:

«کدام نقطه از شبکه، بیشترین ظرفیت ایجاد اختلال آبشاری را دارد؟»

این تغییر سؤال، تغییر بزرگی در سیاست‌گذاری شهری ایجاد می‌کند.

۴. از نگهداری سنتی به «Predictive Infrastructure Maintenance»

یکی از ضعف‌های ساختاری مدیریت زیرساختی، نگهداری پس از خرابی یا نگهداری دوره‌ای ثابت است.

اما فناوری‌های جدید امکان حرکت به سمت Predictive Maintenance را فراهم کرده‌اند.

در این رویکرد، وضعیت زیرساخت به‌صورت پیوسته پایش می‌شود و الگوریتم‌ها تلاش می‌کنند احتمال خرابی آینده را تخمین بزنند.

برای مثال:

P(Failure | Current State, Historical Data, Environmental Conditions, Load)

یعنی احتمال خرابی یک دارایی شهری می‌تواند براساس وضعیت فعلی، سابقه خرابی، شرایط محیطی و بار واردشده تخمین زده شود.

پژوهش‌های جدید در حوزه AI-based Remaining Useful Life نیز دقیقاً به همین سمت حرکت کرده‌اند: پیش‌بینی عمر باقی‌مانده زیرساخت و تبدیل نگهداری از یک فعالیت واکنشی به تصمیم‌گیری پیش‌بینانه.

برای تهران این رویکرد می‌تواند در مواردی مانند:

  • پل‌ها

  • تونل‌ها

  • خطوط انتقال آب

  • تجهیزات مترو

  • شبکه برق

  • ساختمان‌های عمومی

  • بیمارستان‌ها

  • تجهیزات امدادی

به‌کار گرفته شود.

۵. تهران باید «شاخص سلامت زیرساخت» داشته باشد

پیشنهاد دیگر من ایجاد یک شاخص قابل‌اندازه‌گیری برای وضعیت زیرساخت‌های حیاتی شهر است:

Urban Infrastructure Health Index — UIHI

این شاخص می‌تواند ترکیبی از متغیرهایی مانند:

Structural Condition + Functional Performance + Failure Probability + Criticality + Recovery Time + Interdependency

باشد.

در این مدل، یک پل صرفاً براساس ترک یا فرسودگی فیزیکی ارزیابی نمی‌شود.

بلکه باید پرسید:

اگر این پل از مدار خارج شود:

  • چند نفر تحت تأثیر قرار می‌گیرند؟

  • چند مسیر جایگزین وجود دارد؟

  • چه میزان زمان سفر افزایش می‌یابد؟

  • دسترسی اورژانس چقدر کاهش پیدا می‌کند؟

  • چه زیرساخت‌های دیگری وابسته به آن هستند؟

بنابراین یک زیرساخت ممکن است از نظر فیزیکی متوسط باشد، اما از نظر Criticality بسیار مهم باشد.

این همان نقطه‌ای است که مدیریت شهری باید از نگاه «دارایی‌محور» به نگاه سیستم‌محور عبور کند.

۶. گرمای تهران؛ نمونه‌ای از ضرورت پیش‌بینی قبل از بحران

تهران همین امروز نیز نمونه مناسبی برای این تغییر پارادایم است.

یک مطالعه منتشرشده در سال ۲۰۲۶ در Scientific Reports با استفاده از روش‌های یادگیری ماشین و یادگیری عمیق، بر پیش‌بینی تشدید جزیره حرارتی سطحی شبانه تهران تمرکز کرده است و این پدیده را یک ریسک جدی اقلیمی و پایداری برای کلان‌شهر تهران معرفی می‌کند.

از نگاه من، اهمیت این مطالعات فقط در «پیش‌بینی دما» نیست.

اهمیت واقعی زمانی ایجاد می‌شود که پیش‌بینی اقلیمی به تصمیم شهری متصل شود.

یعنی:

Prediction → Risk Map → Vulnerable Population → Critical Infrastructure → Intervention

برای مثال اگر مدل پیش‌بینی کند که یک منطقه در یک بازه زمانی با افزایش شدید تنش حرارتی مواجه خواهد شد، سیستم مدیریت شهری باید بتواند پیشاپیش:

  • مراکز درمانی حساس را آماده کند؛

  • مصرف انرژی را پیش‌بینی کند؛

  • نقاط آسیب‌پذیر جمعیتی را مشخص کند؛

  • مسیرهای امدادی را بررسی کند؛

  • ظرفیت آب و برق را ارزیابی کند؛

  • و برنامه مداخله را فعال کند.

در اینجا AI دیگر یک ابزار نمایشی نیست.

AI تبدیل به بخشی از زنجیره تصمیم‌گیری شهری می‌شود.

۷. پیوند تاب‌آوری شهری با سلامت عمومی

این بخش برای من اهمیت ویژه‌ای دارد.

تاب‌آوری شهری نباید صرفاً با تعداد ساختمان‌های مقاوم یا کیلومتر شبکه‌های زیرساختی سنجیده شود.

در نهایت، سؤال اصلی این است:

یک شهر در زمان اختلال تا چه اندازه می‌تواند از سلامت و زندگی مردم محافظت کند؟

بنابراین باید میان:

Urban Resilience

و

Urban Health

یک اتصال واقعی برقرار شود.

برای مثال در موج گرما، آلودگی شدید هوا یا زلزله، جمعیت‌های مختلف آسیب یکسانی نمی‌بینند.

سالمندان، کودکان، بیماران، افراد دارای محدودیت حرکتی و جمعیت‌های کم‌برخوردار ممکن است آسیب‌پذیری بیشتری داشته باشند.

بنابراین نقشه ریسک تهران باید از یک Hazard Map به یک:

Dynamic Health Vulnerability Map

تبدیل شود.

یعنی نقشه‌ای که هم‌زمان خطر محیطی، وضعیت زیرساخت و آسیب‌پذیری جمعیتی را در خود ترکیب کند.

پژوهش‌های ۲۰۲۶ نیز بر ضرورت اتصال مدل‌های اقلیمی شهری، ویژگی‌های جمعیتی، آسیب‌پذیری درون‌شهری و ارزیابی پیامدهای سلامت تأکید کرده‌اند.

۸. زلزله تهران؛ از «سناریوی فاجعه» به «سناریوی تصمیم»

مطالعات جدید در سال ۲۰۲۶ نیز به سمت ارزیابی احتمالاتی ریسک لرزه‌ای تهران حرکت کرده‌اند.

برای نمونه، یک مطالعه در Scientific Reports چارچوب ارزیابی ریسک لرزه‌ای در مقیاس بزرگ را برای منطقه ۲ تهران با استفاده از رویکرد FEMA P-58 و Bayesian Network توسعه داده است.

این مسیر پژوهشی یک پیام مهم برای مدیریت شهری دارد:

ما نباید تنها بگوییم:

«اگر زلزله بیاید چه می‌شود؟»

بلکه باید بتوانیم هزاران سناریو را بررسی کنیم و بپرسیم:

«کدام سرمایه‌گذاری امروز، بیشترین کاهش ریسک فردا را ایجاد می‌کند؟»

این یعنی تغییر از:

Risk Description

به:

Risk-informed Investment

۹. شهرداری آینده باید بودجه را براساس «ریسک کاهش‌یافته» تخصیص دهد

یکی از ایده‌های مهم من برای تهران ۱۴۱۰ همین است.

بودجه شهری نباید صرفاً براساس فشار اجتماعی، سابقه بودجه، اولویت سیاسی یا فرسودگی ظاهری تخصیص پیدا کند.

هر پروژه باید بتواند به یک سؤال پاسخ دهد:

این پروژه چه میزان ریسک شهری را کاهش می‌دهد؟

می‌توان یک شاخص تعریف کرد:

Risk Reduction per Unit Cost — RRUC

یعنی:

کاهش ریسک ایجادشده / هزینه مداخله

در این صورت می‌توان پروژه‌ها را مقایسه کرد.

ممکن است یک پروژه بسیار بزرگ و پرهزینه باشد، اما کاهش ریسک محدودی ایجاد کند.

در مقابل، یک مداخله کوچک در یک نقطه بحرانی شبکه ممکن است اثر بسیار بیشتری داشته باشد.

این نگاه می‌تواند تصمیم‌گیری شهری را از Project-Based Management به سمت Risk-Based Portfolio Management ببرد.

۱۰. مدل پیشنهادی من برای تهران ۱۴۱۰

من برای تهران ۱۴۱۰ یک معماری پنج‌لایه پیشنهاد می‌کنم:

Layer 1 — Sense

جمع‌آوری داده از حسگرها، زیرساخت، حمل‌ونقل، محیط‌زیست، هواشناسی و سیستم‌های شهری.

Layer 2 — Understand

ترکیب GIS، داده‌های تاریخی، مدل‌های فیزیکی و داده‌های جمعیتی برای شناخت وضعیت واقعی شهر.

Layer 3 — Predict

استفاده از AI، Machine Learning و مدل‌های احتمالاتی برای پیش‌بینی خرابی و بحران.

Layer 4 — Simulate

اجرای سناریوهای مختلف و بررسی پیامدهای احتمالی تصمیم‌ها.

Layer 5 — Act

تبدیل خروجی تحلیلی به اقدام اجرایی، تخصیص بودجه و مداخله شهری.

این ساختار یک تفاوت اساسی با «شهر هوشمند» کلاسیک دارد.

در شهر هوشمند، داده جمع‌آوری می‌شود.

در Predictive-Resilient City، داده باید به تصمیم قابل اجرا تبدیل شود.

۱۱. KPI جدید برای تهران: زمان تا شکست، زمان تا تشخیص، زمان تا بازیابی

من معتقدم سه شاخص باید در ارزیابی تاب‌آوری تهران وارد شوند:

TTF — Time to Failure

مدت زمانی که یک زیرساخت می‌تواند پیش از شکست عملکردی تحمل کند.

TTD — Time to Detection

مدت زمانی که سیستم برای شناسایی اختلال نیاز دارد.

TTR — Time to Recovery

مدت زمانی که برای بازگرداندن عملکرد سیستم نیاز است.

در نتیجه هدف تهران ۱۴۱۰ نباید فقط «کاهش احتمال خرابی» باشد.

بلکه باید:

TTF ↑

TTD ↓

TTR ↓

باشد.

این سه شاخص می‌توانند به یک زبان مشترک میان مهندسی، مدیریت شهری، مدیریت بحران، سلامت و اقتصاد تبدیل شوند.

۱۲. اما یک خطر جدی وجود دارد: «هوشمندسازی بدون تاب‌آوری»

نباید تصور کنیم که افزودن AI به شهر، خودبه‌خود شهر را مقاوم می‌کند.

اتفاقاً وابستگی بیش از حد به سیستم‌های دیجیتال می‌تواند یک آسیب‌پذیری جدید ایجاد کند.

اگر سیستم مدیریت شهری کاملاً وابسته به:

  • Cloud

  • ارتباطات

  • سنسورها

  • GPS

  • شبکه برق

  • داده‌های بلادرنگ

  • الگوریتم‌ها

باشد، خود این زیرساخت دیجیتال تبدیل به بخشی از سطح حمله و آسیب‌پذیری شهر می‌شود.

بنابراین باید یک اصل مهم وارد طراحی تهران ۱۴۱۰ شود:

«Digital Resilience»

یعنی سیستم شهری حتی در شرایطی که بخشی از زیرساخت دیجیتال آن از کار افتاده است، باید بتواند حداقل عملکردهای حیاتی خود را حفظ کند.

۱۳. جمع‌بندی Hajigol Insights؛ تهران ۱۴۱۰ نباید فقط هوشمند باشد

به باور من، مرحله بعدی توسعه تهران دیگر صرفاً ساختن اپلیکیشن، نصب سنسور، ایجاد داشبورد یا استفاده از AI نیست.

مسئله عمیق‌تر است.

ما باید معماری تصمیم‌گیری شهر را تغییر دهیم.

تهران آینده باید بتواند:

ببیند → بفهمد → پیش‌بینی کند → شبیه‌سازی کند → تصمیم بگیرد → مداخله کند → یاد بگیرد.

این چرخه باید برای زلزله، گرما، آلودگی هوا، آب، انرژی، حمل‌ونقل، سلامت و زیرساخت‌های حیاتی قابل اجرا باشد.

از نگاه من، شهر تاب‌آور آینده شهری نیست که هرگز دچار بحران نمی‌شود؛ شهری است که بحران را زودتر می‌بیند، اثر آن را قبل از وقوع تخمین می‌زند و سریع‌تر از آن بازیابی می‌شود.

و شاید مهم‌ترین تغییر تهران ۱۴۱۰ همین باشد:

تهران نباید منتظر بحران بماند تا مدیریت شود؛ باید قبل از بحران، برای آن تصمیم گرفته باشد.

نقشه راه پیشنهادی Hajigol Insights برای تهران ۱۴۱۰

۱۴۰۶–۱۴۰۷ | شناخت

ایجاد بانک دارایی‌های حیاتی، نقشه وابستگی زیرساخت‌ها و پایگاه داده ریسک شهری.

۱۴۰۷–۱۴۰۸ | پایش

توسعه شبکه پایش بلادرنگ برای زیرساخت‌ها، محیط‌زیست و شاخص‌های سلامت شهری.

۱۴۰۸–۱۴۰۹ | پیش‌بینی

استقرار مدل‌های Predictive AI برای خرابی، گرما، اختلال شبکه و ریسک‌های چندگانه.

۱۴۰۹–۱۴۱۰ | تصمیم‌سازی

ایجاد Urban Resilience Intelligence Platform برای شبیه‌سازی سناریوها و پشتیبانی از تخصیص بودجه.

۱۴۱۰ به بعد | حکمرانی تطبیقی

حرکت از مدیریت پروژه‌های منفرد به مدیریت یکپارچه ریسک، زیرساخت، سلامت و تاب‌آوری شهری.

موضع Hajigol Insights

تهران ۱۴۱۰ را نباید فقط با تعداد پروژه‌های ساخته‌شده ارزیابی کرد؛ باید با میزان ریسکی که از زندگی مردم، زیرساخت‌ها و اقتصاد شهر حذف کرده است سنجید.

این تفاوت میان «شهر توسعه‌یافته» و «شهر واقعاً تاب‌آور» است.

Dr. Amirhossein Hajigol
Hajigol Insights
Science • Strategic Intelligence • Future
From Science to Strategic Urban Intelligence

تهران ۱۴۱۰؛ آینده شهر را پیش‌بینی نکنیم، آن را مهندسی کنیم.

تهرانآلودگی هواشورای شهرشهردار
۱
۰
دکتر امیرحسین حاجی گل
دکتر امیرحسین حاجی گل
پژوهشگر پزشکی هسته‌ای، هوش مصنوعی و سلامت شهری | علاقه‌مند به شهرهای هوشمند، مدیریت شهری مبتنی بر داده و توسعه پایدار | تلاش برای تبدیل دانش به راهکارهای عملی برای سلامت جامعه
Hajigol Insights
Hajigol Insights
رسانه تخصصی دکتر امیرحسین حاجی‌گل برای انتشار مقالات، تحلیل‌ها و دیدگاه‌های مبتنی بر شواهد در حوزه هوش مصنوعی، پزشکی هسته‌ای، فناوری سلامت، شهر هوشمند، مدیریت شهری، نوآوری، توسعه پایدار و آینده‌پژوهی.
شاید از این پست‌ها خوشتان بیاید