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

تهران ۱۴۱۰؛ وقتی یک بحران، بحران دیگری را فعال می‌کند

مدل‌سازی ریسک آبشاری زیرساخت‌های حیاتی و وابستگی‌های پنهان در یک کلان‌شهر پیچیده
مدل‌سازی ریسک آبشاری زیرساخت‌های حیاتی و وابستگی‌های پنهان در یک کلان‌شهر پیچیده

چکیده

در برنامه‌ریزی متعارف شهری، زیرساخت‌های حیاتی تهران غالباً به‌صورت سامانه‌هایی مستقل تحلیل می‌شوند؛ شبکه آب، برق، حمل‌ونقل، ارتباطات، سلامت و مدیریت بحران هرکدام دارای سازمان، داده و شاخص‌های عملکردی خاص خود هستند. مسئله اساسی اما در همین تفکیک نهفته است: بحران‌های بزرگ شهری الزاماً از یک زیرساخت شروع نمی‌شوند و در همان زیرساخت نیز باقی نمی‌مانند.

در یک کلان‌شهر متراکم، اختلال در یک Node حیاتی می‌تواند از طریق وابستگی‌های فیزیکی، انرژی، اطلاعاتی، مکانی و عملیاتی به سایر شبکه‌ها منتقل شود. قطع برق می‌تواند سامانه‌های پمپاژ آب را تحت تأثیر قرار دهد؛ اختلال آب می‌تواند عملکرد بیمارستان‌ها را کاهش دهد؛ اختلال حمل‌ونقل می‌تواند دسترسی به مراکز درمانی و امدادی را محدود کند؛ و اختلال ارتباطات می‌تواند ظرفیت هماهنگی پاسخ اضطراری را کاهش دهد.

بنابراین، مسئله اصلی تهران ۱۴۱۰ دیگر صرفاً Hazard Management نیست؛ بلکه Systemic Urban Risk Management است.

در این مقاله، از دیدگاه من، چارچوبی تحت عنوان Tehran Cascading Infrastructure Risk Model (TCIRM) پیشنهاد می‌شود که در آن شهر نه به‌عنوان مجموعه‌ای از مناطق، بلکه به‌عنوان یک شبکه چندلایه و وابسته از زیرساخت‌های حیاتی مدل می‌شود. در این معماری، Graph Neural Networks، Bayesian Risk Propagation، Physics-Informed Machine Learning، Digital Twin و تحلیل عدم‌قطعیت در یک چارچوب واحد قرار می‌گیرند.

هدف نهایی، پیش‌بینی یک سؤال بسیار مهم است:

اگر یک Node حیاتی تهران از کار بیفتد، شکست آن تا کجا منتشر خواهد شد و کدام مداخله می‌تواند قبل از تبدیل شدن اختلال اولیه به بحران سیستماتیک، زنجیره را متوقف کند؟

۱. مسئله واقعی تهران شاید «بحران» نباشد؛ «وابستگی» باشد

در نگاه کلاسیک، ریسک معمولاً با این رابطه تعریف می‌شود:

Risk = Hazard × Exposure × Vulnerability

این مدل برای بسیاری از تحلیل‌های پایه مفید است، اما برای تهران ۱۴۱۰ کافی نیست.

زیرا در یک شهر پیچیده، یک زیرساخت ممکن است خودش آسیب‌پذیر نباشد، اما به زیرساخت دیگری وابسته باشد.

برای مثال:

Water Infrastructure

ممکن است از نظر سازه‌ای سالم باشد.

اما اگر:

Electricity Supply → Pumping Station

قطع شود، شبکه آب نیز ممکن است دچار افت عملکرد شود.

بنابراین باید یک مؤلفه چهارم به مدل اضافه شود:

Dependency

و در نتیجه:

Systemic Risk = Hazard × Exposure × Vulnerability × Dependency

این تغییر ظاهراً ساده، در واقع یک تغییر پارادایمی است.

۲. تهران را نباید فقط به‌صورت نقشه دید؛ باید آن را به‌صورت شبکه دید

در GIS معمولی، تهران مجموعه‌ای از Polygonها، خطوط و نقاط است.

اما برای تحلیل تاب‌آوری واقعی، تهران باید به یک Multilayer Urban Network تبدیل شود.

در این مدل:

Nodes

می‌توانند شامل موارد زیر باشند:

  • نیروگاه‌ها

  • پست‌های برق

  • مخازن آب

  • ایستگاه‌های پمپاژ

  • بیمارستان‌ها

  • ایستگاه‌های مترو

  • مراکز امدادی

  • مراکز مخابرات

  • پل‌ها

  • شریان‌های حیاتی

  • مراکز سوخت

  • مراکز داده

Edges

نشان‌دهنده وابستگی میان آنها هستند:

  • انرژی

  • آب

  • حمل‌ونقل

  • ارتباطات

  • اطلاعات

  • دسترسی

  • نیروی انسانی

  • زنجیره تأمین

بنابراین تهران یک Graph ساده نیست؛ یک:

Multiplex Interdependent Network

است.

۳. خطرناک‌ترین Node الزاماً بزرگ‌ترین زیرساخت نیست

یکی از نکات مهمی که در سیاست‌گذاری شهری کمتر دیده می‌شود، تفاوت میان:

Physical Importance

و

Systemic Importance

است.

ممکن است یک تأسیسات از نظر اندازه کوچک باشد، اما در شبکه نقش بسیار مهمی داشته باشد.

مثلاً یک Node با:

High Betweenness Centrality

ممکن است مسیر ارتباط چندین زیرشبکه را کنترل کند.

در نتیجه، حذف آن می‌تواند باعث افزایش شدید فاصله شبکه، کاهش connectivity و فعال شدن مسیرهای شکست شود.

پس سؤال مدیریتی نباید فقط این باشد:

کدام زیرساخت مهم‌تر است؟

بلکه باید پرسید:

کدام زیرساخت در صورت شکست، بیشترین شکست ثانویه را ایجاد می‌کند؟

این مفهوم را می‌توان به‌عنوان:

Criticality by Cascade Potential

تعریف کرد.

۴. ریسک آبشاری چگونه در تهران شکل می‌گیرد؟

فرض کنیم یک اختلال اولیه در شبکه انرژی ایجاد شود.

مدل سنتی ممکن است فقط اثر مستقیم آن را محاسبه کند:

Power Failure → Energy Loss

اما مدل پیشنهادی من باید زنجیره را دنبال کند:

Power Failure

↓

Water Pumping Capacity ↓

↓

Water Pressure ↓

↓

Hospital Operational Capacity ↓

↓

Healthcare Service Capacity ↓

↓

Emergency Demand ↑

↓

Transportation Demand ↑

↓

Traffic Congestion ↑

↓

Emergency Response Time ↑

همزمان:

Communication Infrastructure Stress ↑

و در نتیجه:

Coordination Capacity ↓

این دیگر یک بحران انرژی نیست.

این یک:

Cross-Domain Cascading Failure

است.

مطالعات ۲۰۲۶ نیز چارچوب‌های جدیدی را برای پیش‌بینی مسیرهای شکست در شبکه‌های شهری با استفاده از Dynamic Dependency Graph و GNN پیشنهاد کرده‌اند.

۵. مشکل عمیق‌تر: وابستگی‌های پنهان

به نظر من، یکی از مهم‌ترین موضوعات پژوهشی تهران ۱۴۱۰ همین است.

همه وابستگی‌های شهری قابل مشاهده نیستند.

برای مثال:

Hospital → Electricity

واضح است.

اما:

Hospital → Water

نیز وجود دارد.

و:

Hospital → Transportation

و:

Hospital → Telecommunications

و:

Hospital → Medical Supply Chain

و حتی:

Hospital → Workforce Mobility

بنابراین یک بیمارستان فقط یک ساختمان نیست.

یک Node چندوابسته در شبکه شهری است.

اگر یکی از وابستگی‌ها حذف شود، ممکن است عملکرد بیمارستان کاهش یابد؛ حتی اگر ساختمان از نظر سازه‌ای کاملاً سالم باقی مانده باشد.

۶. تهران باید «Dependency Map» داشته باشد

من پیشنهاد می‌کنم یکی از پروژه‌های راهبردی تهران ۱۴۱۰ ایجاد یک:

Tehran Critical Infrastructure Dependency Atlas

باشد.

در این اطلس مشخص شود:

هر بیمارستان به کدام:

  • پست برق

  • منبع آب

  • مسیر دسترسی

  • مرکز مخابرات

  • مرکز سوخت

  • زنجیره تأمین

وابسته است.

همین تحلیل برای:

  • مترو

  • آتش‌نشانی

  • اورژانس

  • مراکز مدیریت بحران

  • مراکز داده

  • مخازن آب

  • پمپ‌ها

انجام شود.

در این حالت، شهر برای نخستین بار می‌تواند وابستگی واقعی زیرساخت‌های خود را ببیند.

۷. چرا مدل‌های معمول AI کافی نیستند؟

اگر صرفاً داده‌های تاریخی را به یک مدل Deep Learning بدهیم، مدل ممکن است رابطه‌های آماری را یاد بگیرد.

اما بحران‌های بزرگ معمولاً:

Out-of-Distribution

هستند.

یعنی شرایطی رخ می‌دهد که دقیقاً در داده‌های آموزشی وجود نداشته است.

برای مثال:

  • دمای بسیار غیرعادی

  • قطعی هم‌زمان چند شبکه

  • خرابی چند Node

  • ترکیب بحران طبیعی و زیرساختی

در این شرایط مدل Black Box ممکن است عملکرد خود را از دست بدهد.

اینجاست که Physics-Informed AI اهمیت پیدا می‌کند.

پژوهش‌های ۲۰۲۶ در شبکه آب نشان داده‌اند که وارد کردن قوانین بقای جرم، انرژی و دینامیک فشار به GNN می‌تواند سازگاری فیزیکی و پایداری مدل را افزایش دهد.

بنابراین برای تهران باید:

Data-driven AI

با:

Physics-informed AI

ترکیب شود.

۸. یک مدل عمیق‌تر: Bayesian Cascade Propagation

همه شکست‌ها قطعی نیستند.

فرض کنید:

Node A fails

احتمال اینکه:

Node B fails

برابر ۱۰۰٪ نیست.

بلکه:

P(B failure | A failure)

داریم.

و سپس:

P(C failure | A,B failure)

بنابراین می‌توان کل شهر را به یک مدل احتمالاتی تبدیل کرد.

مثلاً:

P(Cascade | Initial Failure)

و سپس:

Expected System Loss

محاسبه شود.

این رویکرد اجازه می‌دهد مدیر شهری فقط با یک سناریوی قطعی مواجه نباشد؛ بلکه توزیع احتمال سناریوها را ببیند.

چارچوب‌های Bayesian Network برای تحلیل ریسک آبشاری چندحوزه‌ای نیز در پژوهش‌های اخیر توسعه یافته‌اند و حوزه‌هایی مانند آب، انرژی، سلامت، زیرساخت و آب‌وهوا را به‌صورت وابسته مدل می‌کنند.

۹. از «بدترین سناریو» به Tail Risk

یکی از ضعف‌های رایج برنامه‌ریزی شهری، تمرکز بر میانگین است.

اما در بحران‌های سیستماتیک، میانگین اهمیت کمتری از Tail Risk دارد.

ممکن است احتمال یک زنجیره شکست بسیار شدید پایین باشد.

اما اگر رخ دهد:

Loss بسیار بزرگ خواهد بود.

بنابراین تهران باید به‌جای صرفاً:

Expected Risk

به:

95th / 99th Percentile Systemic Loss

نیز توجه کند.

یعنی:

اگر بدترین ۵ درصد سناریوهای محتمل رخ دهند، تهران چه میزان ظرفیت عملکردی خود را از دست می‌دهد؟

این سؤال برای طراحی زیرساخت بسیار مهم‌تر از میانگین عملکرد سالانه است.

۱۰. معیار جدیدی که پیشنهاد می‌کنم: Urban Functional Loss

مقاومت ساختمان به‌تنهایی کافی نیست.

ممکن است یک ساختمان سالم بماند اما:

  • برق نداشته باشد؛

  • آب نداشته باشد؛

  • کارکنان نتوانند به آن برسند؛

  • ارتباطات قطع باشد؛

  • مسیر امدادی مسدود باشد.

پس باید یک مفهوم جدید را جدی بگیریم:

Urban Functional Resilience

یعنی:

چه درصدی از عملکرد واقعی شهر پس از اختلال باقی می‌ماند؟

می‌توان آن را به شکل یک تابع زمانی تعریف کرد:

F(t) = Functional Capacity of City at time t

و سپس:

Resilience = ∫ F(t) dt

در این نگاه، تاب‌آوری فقط «آیا زیرساخت خراب شد؟» نیست.

بلکه:

چه مدت طول کشید تا عملکرد شهر بازگردد؟

۱۱. شاخص پیشنهادی من: Tehran Systemic Resilience Index

برای تهران ۱۴۱۰ می‌توان یک شاخص چندبعدی ایجاد کرد:

TSRI

Tehran Systemic Resilience Index

با مؤلفه‌های:

CRI — Criticality Risk

DI — Dependency Intensity

CP — Cascade Propagation

FR — Functional Resilience

TR — Time to Recovery

ER — Equity Risk

UR — Uncertainty/Robustness

این شاخص به‌جای اینکه صرفاً بگوید:

«این منطقه آسیب‌پذیر است»

می‌گوید:

اگر این منطقه یا زیرساخت دچار اختلال شود، چه میزان عملکرد از کل سیستم شهری از دست خواهد رفت؟

این تفاوت بسیار مهم است.

۱۲. مسئله عدالت فضایی در اینجا پیچیده‌تر می‌شود

عدالت فضایی نباید فقط با تعداد پارک یا سرانه خدمات اندازه‌گیری شود.

ممکن است دو منطقه:

Exposure مشابه

داشته باشند.

اما یکی از آنها:

Dependency بیشتری

به یک زیرساخت آسیب‌پذیر داشته باشد.

در این صورت ریسک واقعی آنها برابر نیست.

بنابراین باید:

Spatial Equity

با:

Network Dependency

ترکیب شود.

یعنی:

کدام جمعیت‌ها نه‌تنها در معرض خطرند، بلکه در شبکه‌ای قرار دارند که در صورت شکست یک Node، کمترین گزینه جایگزین را دارند؟

این مفهوم می‌تواند به یک حوزه بسیار جدی پژوهشی تبدیل شود:

Network-Based Vulnerability Inequality

۱۳. تهران ۱۴۱۰ باید «Redundancy» را مهندسی کند

اگر یک Node حیاتی فقط یک مسیر جایگزین داشته باشد، سیستم شکننده است.

اما اگر:

Alternative Paths

وجود داشته باشد، تاب‌آوری افزایش می‌یابد.

بنابراین باید برای هر زیرساخت محاسبه شود:

N = Number of Independent Alternative Paths

و:

R = Redundancy Index

اما redundancy صرفاً تعداد مسیرها نیست.

مسیر جایگزین باید:

  • ظرفیت کافی داشته باشد؛

  • از همان خطر اولیه مستقل باشد؛

  • وابستگی مشترک نداشته باشد.

این نکته بسیار مهم است.

دو بیمارستان ممکن است دو منبع برق داشته باشند، اما اگر هر دو به یک پست بالادست وابسته باشند، در واقع Redundancy کاذب دارند.

۱۴. خطرناک‌ترین سناریو: Common-Cause Failure

این موضوع از نظر من باید یکی از محورهای اصلی تهران ۱۴۱۰ باشد.

ممکن است چند سیستم ظاهراً مستقل باشند، اما یک عامل مشترک همه را تحت تأثیر قرار دهد.

مثلاً:

Extreme Heat

می‌تواند همزمان:

  • برق

  • آب

  • سلامت

  • حمل‌ونقل

  • کیفیت هوا

را تحت تأثیر قرار دهد.

پس استقلال ظاهری شبکه‌ها به معنای استقلال واقعی نیست.

این همان جایی است که تحلیل:

Common-Cause Failure

ضروری می‌شود.

۱۵. Digital Twin در اینجا فقط یک نمایشگر نیست

Digital Twin پیشنهادی من برای تهران باید سه سطح داشته باشد:

Level 1 — Descriptive

What is happening?

Level 2 — Predictive

What will happen?

Level 3 — Prescriptive

What should we do?

اما یک سطح چهارم نیز پیشنهاد می‌کنم:

Level 4 — Counterfactual

What would have happened if we had done something else?

این سطح برای ارزیابی سیاست شهری فوق‌العاده مهم است.

مثلاً:

اگر پنج سال قبل ظرفیت یک شبکه خاص افزایش داده می‌شد، آیا بحران امروز رخ می‌داد؟

این یعنی Digital Twin تبدیل به ابزار Policy Evaluation می‌شود.

۱۶. معماری نهایی پیشنهادی برای تهران

از دیدگاه من، معماری علمی پروژه باید چیزی نزدیک به این باشد:

Physical Infrastructure

↓

IoT / Satellite / GIS / BIM / SCADA / Mobility Data

↓

Data Fusion

↓

Urban Knowledge Graph

↓

Multilayer Dependency Graph

↓

Physics-Informed GNN

↓

Bayesian Cascade Engine

↓

Digital Twin

↓

Monte Carlo / Scenario Engine

↓

Tail-Risk Analysis

↓

Counterfactual Simulation

↓

Decision Optimization

↓

Municipal Resilience Command

این دیگر یک «داشبورد هوشمند شهری» نیست.

این یک:

Urban Systemic Risk Intelligence Platform

است.

۱۷. پیشنهاد اجرایی من برای مدیریت تهران

اگر قرار باشد این مدل واقعاً اجرا شود، من توصیه نمی‌کنم از «کل تهران» شروع شود.

باید ابتدا یک Critical Infrastructure Pilot Zone انتخاب شود.

در آن منطقه:

  1. تمام Nodes حیاتی شناسایی شوند.

  2. Dependency Graph ساخته شود.

  3. Failure Scenarios تولید شوند.

  4. مدل Bayesian و GNN آموزش داده شود.

  5. مدل فیزیک‌محور برای زیرشبکه‌های آب و انرژی ساخته شود.

  6. Digital Twin ایجاد شود.

  7. سناریوهای چندبحرانی شبیه‌سازی شوند.

  8. Interventionها مقایسه شوند.

  9. Tail Risk محاسبه شود.

  10. سپس مدل به مقیاس کل تهران توسعه پیدا کند.

۱۸. معیار موفقیت پروژه نباید تعداد سنسورها باشد

یک اشتباه رایج در پروژه‌های Smart City این است که موفقیت با تعداد:

  • سنسورها

  • دوربین‌ها

  • داده‌ها

  • داشبوردها

اندازه‌گیری شود.

من معیار دیگری پیشنهاد می‌کنم:

آیا سیستم توانسته است زمان تشخیص، زمان تصمیم و زمان بازگشت عملکرد را کاهش دهد؟

سه شاخص کلیدی:

TTD — Time to Detect

TTDcs — Time to Decision

TTR — Time to Recovery

اگر Digital Twin هزاران داده دریافت کند ولی این سه شاخص را کاهش ندهد، از نظر مدیریتی ارزش محدودی دارد.

۱۹. نتیجه اصلی من

به اعتقاد من، بزرگ‌ترین ضعف رویکرد سنتی تهران این است که شهر را به مجموعه‌ای از پروژه‌ها نگاه می‌کند.

آب یک پروژه است.

برق یک پروژه.

حمل‌ونقل یک پروژه.

سلامت یک پروژه.

فضای سبز یک پروژه.

تاب‌آوری یک پروژه.

در حالی که واقعیت شهر چنین نیست.

شهر یک سیستم است.

و در یک سیستم پیچیده، شکست‌ها از مرزهای سازمانی عبور می‌کنند.

بنابراین تهران ۱۴۱۰ نیازمند تغییر از:

Project-Based Urban Management

به:

System-Based Urban Governance

است.

۲۰. جمع‌بندی Hajigol Insights

اگر بخواهم مسئله تهران را در یک جمله خلاصه کنم:

بحران آینده تهران الزاماً از جایی شروع نمی‌شود که بیشترین آسیب‌پذیری را دارد؛ ممکن است از جایی شروع شود که بیشترین وابستگی شبکه‌ای را دارد.

و این تفاوت بسیار مهم است.

در تهران ۱۴۱۰، دیگر کافی نیست بدانیم:

کجا زلزله می‌آید؟

یا:

کجا آلودگی بیشتر است؟

یا:

کجا کمبود آب داریم؟

باید بدانیم:

کدام شکست می‌تواند شکست بعدی را ایجاد کند؟

و سپس:

کدام مداخله می‌تواند این زنجیره را قبل از رسیدن به نقطه بحرانی قطع کند؟

این، از نگاه من، تعریف جدید تاب‌آوری شهری است.

تاب‌آوری واقعی یعنی توانایی سیستم برای جلوگیری از تبدیل یک اختلال محلی به شکست سیستماتیک.

تهران ۱۴۱۰ اگر بخواهد واقعاً تاب‌آور باشد، باید قبل از آنکه بحران را تجربه کند، مکانیزم انتشار بحران را در یک مدل محاسباتی تجربه کرده باشد.

Dr. Amirhossein Hajigol

Hajigol Insights

Urban Systems • Resilience • AI • Public Health • Infrastructure Intelligence

شورای شهرتهران
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