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 ۱۰ دقیقه·۳ ماه پیش

تهران ۱۴۱۰؛ قبل از اجرای هر سیاست، آن را روی شهر آزمایش کنیم

چکیده

یکی از مهم‌ترین ضعف‌های حکمرانی شهری در بسیاری از کلان‌شهرها این است که سیاست‌ها معمولاً پس از اجرا ارزیابی می‌شوند.

یک مسیر جدید حمل‌ونقل ساخته می‌شود؛ سپس اثر آن بر ترافیک بررسی می‌شود.

طرح توسعه شهری اجرا می‌شود؛ سپس پیامدهای زیست‌محیطی آن آشکار می‌شود.

یک تصمیم درباره مصرف آب گرفته می‌شود؛ سپس آثار آن بر منابع، هزینه و تاب‌آوری شهر مشخص می‌شود.

این منطق در شهری با پیچیدگی تهران، دیگر کافی نیست.

تهران ۱۴۱۰ به یک تغییر پارادایم نیاز دارد:

Policy → Simulation → Stress Test → Decision → Implementation

یعنی پیش از آنکه یک سیاست شهری در مقیاس واقعی اجرا شود، بتوان پیامدهای احتمالی آن را در یک محیط محاسباتی و داده‌محور آزمایش کرد.

در این مقاله، مفهوم Urban Policy Stress Testing یا «آزمون فشار سیاست شهری» به‌عنوان یکی از اجزای پیشنهادی حکمرانی پیش‌نگر تهران معرفی می‌شود.

در این چارچوب، داده‌های حمل‌ونقل، آلودگی هوا، انرژی، آب، جمعیت، سلامت، کاربری زمین، زیرساخت و شرایط اقلیمی در یک معماری یکپارچه قرار می‌گیرند و با استفاده از Digital Twin، مدل‌های مکانی–زمانی، هوش مصنوعی، مدل‌های فیزیک‌محور، استنباط علّی و تحلیل عدم‌قطعیت، سناریوهای مختلف سیاستی مورد ارزیابی قرار می‌گیرند.

هدف، پیش‌بینی دقیق آینده نیست.

هدف، کاهش تصمیم‌های پرریسک و افزایش کیفیت تصمیم‌گیری شهری است.

۱. مسئله تهران کمبود پروژه نیست؛ کمبود «آزمون تصمیم» است

تهران طی دهه‌های گذشته با مجموعه بزرگی از مسائل پیچیده مواجه بوده است:

آلودگی هوا، ترافیک، کمبود آب، مصرف بالای انرژی، فرسودگی زیرساخت، تغییرات اقلیمی، جزیره حرارتی، کاهش کیفیت زندگی، نابرابری فضایی و آسیب‌پذیری در برابر بحران‌ها.

اما نکته مهم این است که این مسائل مستقل از یکدیگر نیستند.

برای مثال:

ترافیک → انتشار آلاینده → آلودگی هوا → مواجهه انسانی → پیامد سلامت

یا:

افزایش دما → افزایش مصرف برق → فشار بر شبکه انرژی → احتمال اختلال → کاهش تاب‌آوری شهری

یا:

کاهش منابع آب → تغییر الگوی مصرف → فشار اقتصادی → تغییر رفتار جمعیت → پیامدهای اجتماعی و محیط‌زیستی

بنابراین نمی‌توان تهران را با مجموعه‌ای از پروژه‌های منفرد مدیریت کرد.

تهران یک سیستم پیچیده و به‌هم‌پیوسته است.

در چنین سیستمی، یک تصمیم خوب در یک بخش می‌تواند پیامد ناخواسته‌ای در بخش دیگر ایجاد کند.

مسئله اصلی همین‌جاست.

ما پیش از اجرای سیاست‌ها، به اندازه کافی آن‌ها را آزمایش نمی‌کنیم.

۲. از «پیش‌بینی» به «آزمایش سیاست»

در مدیریت سنتی، معمولاً سؤال این است:

اگر این پروژه اجرا شود، چه اتفاقی خواهد افتاد؟

اما در حکمرانی نسل جدید، سؤال باید تغییر کند:

اگر این سیاست با سناریوهای مختلف اجرا شود، چه پیامدهایی ممکن است ایجاد کند؟

این تفاوت کوچک در سؤال، یک تفاوت بزرگ در مدل حکمرانی ایجاد می‌کند.

در مدل سنتی:

تصمیم → اجرا → مشاهده پیامد → اصلاح

اما در مدل پیشنهادی تهران ۱۴۱۰:

داده → مدل‌سازی → سناریوسازی → آزمون فشار → تصمیم → اجرا → پایش

این همان چیزی است که می‌توان آن را:

Urban Policy Stress Testing

نامید.

۳. Urban Policy Stress Testing چیست؟

آزمون فشار سیاست شهری یعنی یک تصمیم شهری را پیش از اجرای گسترده، تحت مجموعه‌ای از شرایط مختلف قرار دهیم تا نقاط قوت، ضعف و پیامدهای احتمالی آن مشخص شود.

برای مثال فرض کنید شهرداری قصد دارد یک محور پرترافیک را بازطراحی کند.

مدل سنتی فقط سؤال می‌کند:

آیا ترافیک کاهش پیدا می‌کند؟

اما یک سیستم آزمون سیاست باید سؤال‌های بیشتری بپرسد:

  • زمان سفر چه تغییری می‌کند؟

  • آلودگی هوا در چه مناطقی افزایش یا کاهش می‌یابد؟

  • کدام محلات بار ترافیکی جدید دریافت می‌کنند؟

  • دسترسی به خدمات اضطراری چه تغییری خواهد داشت؟

  • مواجهه جمعیت با آلاینده‌ها چه تغییری می‌کند؟

  • مصرف انرژی حمل‌ونقل چه اثری خواهد داشت؟

  • آیا اثر سیاست در مناطق مختلف تهران یکسان است؟

  • اگر تقاضای سفر ۱۰ یا ۲۰ درصد تغییر کند چه اتفاقی می‌افتد؟

  • اگر یک موج گرما هم‌زمان رخ دهد چه می‌شود؟

  • اگر بخشی از سیستم حمل‌ونقل دچار اختلال شود چه اتفاقی می‌افتد؟

اینجا دیگر با یک داشبورد شهری روبه‌رو نیستیم.

ما در حال ساخت یک:

محیط آزمایش سیاست‌های شهری

هستیم.

۴. Digital Twin؛ اما یک قدم جلوتر

Digital Twin در سال‌های اخیر به یکی از مفاهیم مهم مدیریت هوشمند شهری تبدیل شده است.

اما به نظر من، اگر Digital Twin صرفاً برای نمایش سه‌بعدی شهر یا مشاهده وضعیت فعلی استفاده شود، بخش بزرگی از ظرفیت آن نادیده گرفته شده است.

نسخه پیشرفته‌تر باید بتواند بپرسد:

اگر این تصمیم را اجرا کنیم، چه اتفاقی خواهد افتاد؟

یعنی:

Digital Twin → Policy Simulation

و در مرحله بعد:

Policy Simulation → Policy Stress Testing

در این مدل، نسخه دیجیتال تهران فقط تصویری از شهر نیست.

بلکه یک آزمایشگاه محاسباتی برای تصمیم‌گیری شهری است.

۵. تهران به «آزمایشگاه سیاست شهری» نیاز دارد

تصور کنید شورای شهر در سال ۱۴۱۰ قصد دارد یک سیاست جدید حمل‌ونقل را بررسی کند.

به جای آنکه صرفاً بر اساس گزارش کارشناسی و تجربه گذشته تصمیم بگیرد، می‌توان سه یا چهار سناریو ایجاد کرد:

سناریو A

ادامه سیاست فعلی

سناریو B

افزایش ظرفیت حمل‌ونقل عمومی

سناریو C

محدودیت بیشتر خودروهای شخصی

سناریو D

ترکیب حمل‌ونقل عمومی، قیمت‌گذاری هوشمند و توسعه پیاده‌محوری

سپس هر سناریو روی مدل شهری اجرا شود.

خروجی فقط «ترافیک» نباشد.

بلکه یک ماتریس چندبعدی ایجاد شود:

شاخص

سناریو A

سناریو B

سناریو C

سناریو D

زمان سفر

—

—

—

—

آلودگی هوا

—

—

—

—

مصرف انرژی

—

—

—

—

سلامت جمعیت

—

—

—

—

عدالت فضایی

—

—

—

—

هزینه اجرا

—

—

—

—

تاب‌آوری

—

—

—

—

در این صورت، تصمیم شهری از یک بحث صرفاً سیاسی یا مدیریتی به یک مسئله قابل تحلیل و مقایسه تبدیل می‌شود.

۶. نقطه کلیدی: «تحلیل علّی» نه صرفاً همبستگی

یکی از خطرهای استفاده از هوش مصنوعی در مدیریت شهری این است که مدل ممکن است ارتباط آماری را با رابطه علت و معلولی اشتباه بگیرد.

برای تهران ۱۴۱۰ این مسئله بسیار مهم است.

مثلاً اگر مشاهده شود مناطقی که فضای سبز بیشتری دارند، آلودگی کمتری دارند، نمی‌توان بلافاصله نتیجه گرفت که افزایش فضای سبز به‌تنهایی علت کاهش آلودگی است.

متغیرهای دیگری نیز ممکن است دخیل باشند:

تراکم، باد، ارتفاع، نوع کاربری زمین، شدت ترافیک، ساختار شهری و وضعیت اقتصادی–اجتماعی.

بنابراین نسل جدید حکمرانی شهری باید از:

Correlation

به سمت:

Causal Inference

حرکت کند.

سؤال دیگر فقط این نیست:

چه چیزی با چه چیزی ارتباط دارد؟

بلکه:

اگر این متغیر را تغییر دهیم، چه چیزی واقعاً تغییر خواهد کرد؟

این تفاوت برای سیاست‌گذاری حیاتی است.

۷. هوش مصنوعی نباید جایگزین تصمیم‌گیر شود

در تهران ۱۴۱۰ نباید هدف این باشد که:

AI تصمیم بگیرد.

هدف باید این باشد که:

AI کیفیت تصمیم انسان را افزایش دهد.

مدیر شهری باید بتواند ببیند:

  • مدل چه چیزی را پیش‌بینی می‌کند؟

  • بر اساس چه داده‌ای؟

  • عدم‌قطعیت چقدر است؟

  • چه سناریوهایی بررسی شده‌اند؟

  • کدام گروه‌های جمعیتی بیشتر تحت تأثیر قرار می‌گیرند؟

  • اگر مدل اشتباه کند، هزینه خطا چقدر است؟

بنابراین یک سیستم حرفه‌ای باید علاوه بر Prediction، مفهوم:

Uncertainty Quantification

را نیز وارد تصمیم‌گیری کند.

چون پیش‌بینی بدون بیان میزان عدم‌قطعیت، می‌تواند به تصمیمی با اعتماد کاذب منجر شود.

۸. شاخص جدید تهران ۱۴۱۰: Decision Quality

یکی از پیشنهادهای من برای حکمرانی شهری آینده این است که عملکرد مدیریت شهری فقط با تعداد پروژه‌های اجراشده سنجیده نشود.

بلکه یک شاخص جدید تعریف شود:

Urban Decision Quality Index — UDQI

این شاخص می‌تواند کیفیت تصمیم‌های شهری را بر اساس چند مؤلفه ارزیابی کند:

داده‌محوری

شواهد علمی

تحلیل سناریو

ارزیابی ریسک

عدالت فضایی

پیامد سلامت

هزینه چرخه عمر

تاب‌آوری

میزان عدم‌قطعیت

قابلیت پایش پس از اجرا

در چنین مدلی، موفقیت مدیر شهری فقط این نیست که:

«چند پروژه اجرا شد؟»

بلکه این است:

چند تصمیم باکیفیت، قابل‌دفاع، قابل‌اندازه‌گیری و کم‌ریسک گرفته شد؟

این تغییر بسیار مهم است.

۹. از بودجه‌ریزی پروژه‌ای به «بودجه‌ریزی مبتنی بر ریسک»

یکی دیگر از پیامدهای این رویکرد، تغییر نگاه به بودجه شهری است.

امروز ممکن است یک پروژه به دلیل جذابیت ظاهری یا فشار اجتماعی، در اولویت قرار گیرد.

اما در تهران ۱۴۱۰ می‌توان پروژه‌ها را بر اساس یک تابع تصمیم چندمعیاره رتبه‌بندی کرد:

Impact × Probability × Population Exposure × Cost × Resilience

یعنی پروژه‌ای که:

  • جمعیت بیشتری را تحت تأثیر قرار می‌دهد،

  • ریسک بالاتری را کاهش می‌دهد،

  • اثر سلامت بیشتری دارد،

  • تاب‌آوری بیشتری ایجاد می‌کند،

  • و هزینه منطقی‌تری دارد،

اولویت بالاتری دریافت کند.

این یعنی:

بودجه باید به سمت «کاهش ریسک و افزایش کیفیت زندگی» حرکت کند، نه صرفاً افزایش تعداد پروژه‌ها.

۱۰. چرا این موضوع برای تهران حیاتی است؟

مطالعات جدید درباره تاب‌آوری مدیریت شهری تهران نشان می‌دهند که چالش‌هایی مانند حکمرانی پراکنده، ضعف نظام‌های پایش و مقررات قدیمی می‌توانند ظرفیت سازگاری شهر را محدود کنند.

همچنین پژوهش‌های جدید درباره حکمرانی هوشمند تهران بر مشکلات هماهنگی سازمانی، شفافیت، مشارکت و کارآمدی تأکید کرده‌اند.

بنابراین مسئله تهران صرفاً «هوشمند کردن» شهر نیست.

مسئله عمیق‌تر است:

چگونه می‌توان ساختار تصمیم‌گیری شهر را هوشمند کرد؟

این دو مفهوم یکسان نیستند.

ممکن است شهری هزاران حسگر داشته باشد اما تصمیم‌های ضعیف بگیرد.

ممکن است شهری داده‌های فراوان داشته باشد اما نتواند آن‌ها را به سیاست تبدیل کند.

و ممکن است شهری از هوش مصنوعی استفاده کند اما همچنان با همان منطق مدیریتی گذشته تصمیم بگیرد.

هوشمندی واقعی زمانی اتفاق می‌افتد که فناوری، کیفیت تصمیم را تغییر دهد.

۱۱. معماری پیشنهادی «Tehran Policy Intelligence Platform»

برای تهران ۱۴۱۰ می‌توان یک معماری پنج‌لایه پیشنهاد کرد:

Layer 1 — Urban Data

داده‌های:

حمل‌ونقل، انرژی، آب، هوا، محیط‌زیست، جمعیت، سلامت، زیرساخت، GIS و سنجش‌ازدور.

Layer 2 — Urban Intelligence

مدل‌های:

Machine Learning، Deep Learning، مدل‌های مکانی–زمانی و مدل‌های فیزیک‌محور.

Layer 3 — Causal & Scenario Engine

برای بررسی:

سناریوها، روابط علّی، مداخلات و پیامدهای احتمالی.

Layer 4 — Policy Stress Testing

اجرای سیاست‌های مختلف تحت شرایط عادی و بحرانی.

Layer 5 — Decision Support

ارائه نتیجه به مدیر و شورای شهر با:

ریسک، هزینه، اثر، عدم‌قطعیت و پیامدهای سلامت.

این معماری می‌تواند به یک زنجیره تبدیل شود:

Data → Intelligence → Causality → Simulation → Stress Test → Decision

و این، به نظر من، یکی از مسیرهای واقعی تهران ۱۴۱۰ است.

۱۲. تهران آینده نباید فقط «واکنش‌گرا» باشد

مدیریت واکنشی می‌پرسد:

چه اتفاقی افتاد؟

مدیریت پیش‌بین می‌پرسد:

چه اتفاقی احتمالاً خواهد افتاد؟

اما حکمرانی پیش‌نگر یک سؤال مهم‌تر دارد:

اگر این تصمیم را امروز بگیریم، تهران در آینده چه شکلی خواهد شد؟

این همان نقطه‌ای است که تهران باید از:

Reactive Governance

به:

Predictive Governance

و سپس به:

Anticipatory Governance

حرکت کند.

۱۳. یک مثال ساده اما مهم

فرض کنیم قرار است یک سیاست جدید برای کاهش ترافیک اجرا شود.

اگر فقط کاهش ترافیک معیار موفقیت باشد، ممکن است سیاست موفق به نظر برسد.

اما اگر هم‌زمان:

  • آلودگی در محله دیگری افزایش پیدا کند،

  • زمان سفر گروهی از شهروندان بیشتر شود،

  • دسترسی افراد کم‌توان کاهش پیدا کند،

  • مصرف انرژی افزایش یابد،

  • یا فشار اقتصادی بر گروه‌های کم‌درآمد ایجاد شود،

آیا هنوز می‌توان آن سیاست را موفق دانست؟

پاسخ من:

خیر.

زیرا سیاست شهری باید با نگاه سیستمی ارزیابی شود.

۱۴. تهران ۱۴۱۰؛ شهرِ بهینه نیست، شهرِ قابل‌آزمون است

هدف غیرواقع‌بینانه این نیست که یک مدل بسازیم که آینده تهران را با قطعیت پیش‌بینی کند.

هیچ مدل پیچیده‌ای نمی‌تواند تمام رفتار یک کلان‌شهر را با قطعیت پیش‌بینی کند.

هدف باید واقع‌بینانه‌تر باشد:

کاهش عدم‌قطعیت تصمیم‌گیری.

ما نمی‌توانیم آینده را حذف کنیم.

اما می‌توانیم قبل از ورود به آینده، تعداد بیشتری از سناریوهای آن را بررسی کنیم.

این تفاوت میان:

Prediction

و

Decision Intelligence

است.

۱۵. پیشنهاد من برای شورای شهر تهران

اگر تهران ۱۴۱۰ قرار است یک برنامه متفاوت باشد، پیشنهاد می‌کنم یکی از پروژه‌های راهبردی آن:

«مرکز هوش تصمیم‌گیری و آزمون سیاست‌های شهری تهران»

باشد.

مرکزی که وظیفه آن ساختن اپلیکیشن جدید یا داشبورد جدید نباشد.

بلکه وظیفه اصلی آن:

آزمون تصمیم‌های بزرگ شهری پیش از اجرا

باشد.

برای نمونه:

  • سیاست‌های ترافیکی

  • توسعه حمل‌ونقل عمومی

  • طرح‌های کاهش آلودگی

  • توسعه فضای سبز

  • مدیریت آب

  • مدیریت انرژی

  • برنامه‌های مقابله با گرما

  • توسعه شهری

  • مدیریت پسماند

  • سیاست‌های مرتبط با سلامت شهری

پیش از اجرای گسترده، در محیط شبیه‌سازی بررسی شوند.

۱۶. نتیجه‌گیری؛ تهران باید قبل از آینده، آینده را آزمایش کند

به نظر من یکی از تفاوت‌های واقعی تهران ۱۴۱۰ با برنامه‌های سنتی این نیست که شهر چقدر «هوشمندتر» می‌شود.

سؤال مهم‌تر این است:

آیا تهران می‌تواند قبل از اجرای تصمیم‌های بزرگ، پیامدهای آن‌ها را آزمایش کند؟

اگر پاسخ مثبت باشد، مفهوم مدیریت شهری تغییر خواهد کرد.

در این مدل:

داده فقط برای گزارش‌گیری نیست.

هوش مصنوعی فقط برای اتوماسیون نیست.

Digital Twin فقط برای نمایش شهر نیست.

و شورای شهر فقط ناظر پروژه‌ها نیست.

بلکه همه این اجزا در یک زنجیره جدید قرار می‌گیرند:

Evidence → Intelligence → Simulation → Stress Test → Decision → Outcome

این همان نقطه‌ای است که می‌توان میان علم، مهندسی، هوش مصنوعی، سلامت، محیط‌زیست و حکمرانی شهری یک اتصال واقعی ایجاد کرد.

تهران ۱۴۱۰ نباید شهری باشد که بعد از وقوع بحران، به دنبال پاسخ بگردد.

تهران ۱۴۱۰ باید شهری باشد که پیش از اجرای تصمیم، ریسک آن را می‌سنجد؛ پیش از بحران، سناریوها را آزمایش می‌کند؛ و پیش از هزینه‌کرد منابع، اثر واقعی سیاست را ارزیابی می‌کند.

در نهایت، شاید تعریف جدیدی از شهر هوشمند لازم باشد:

شهر هوشمند، شهری نیست که بیشتر داده تولید می‌کند؛ شهری است که با داده، تصمیم‌های کم‌خطاتر می‌گیرد.

و شاید تعریف تهران ۱۴۱۰ حتی دقیق‌تر باشد:

تهران ۱۴۱۰؛ شهری که آینده را فقط پیش‌بینی نمی‌کند، بلکه پیش از ساختن آن، سناریوهایش را آزمایش می‌کند.

چارچوب پیشنهادی Hajigol Insights

این مقاله بخشی از مجموعه:

Tehran 1410 | Strategic Urban Intelligence Series

است.

در این مجموعه، پیشنهاد می‌شود آینده تهران از منظر یک سیستم یکپارچه بررسی شود:

Science × AI × Health × Environment × Infrastructure × Governance

هدف این مجموعه، انتقال دانش از:

Research → Insight → Decision

است.

Hajigol Insights
Scientific Insight for Better Decisions

دکتر امیرحسین حاجی‌گل

هوش مصنوعیتهرانشورای شهرشهر هوشمند
۲
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