مقدمه
ترافیک تهران به یکی از بزرگترین بحرانهای زیستمحیطی، اقتصادی و اجتماعی ایران بدل شده است. مطالعات مختلف نشان میدهند که اتلاف زمان ناشی از تراکم ترافیک سالانه میلیاردها تومان هزینه فرصت به اقتصاد ملی تحمیل میکند و کیفیت زندگی شهروندان را کاهش میدهد. از طرفی، اتکا به راهکارهای سنتی مانند توسعه بزرگراهها یا گسترش محدودیتهای تردد، نهتنها نتوانسته به کاهش بحران کمک کند، بلکه در بسیاری از موارد موجب جابجایی مشکل از یک نقطه به نقطه دیگر شده است.
در چنین شرایطی، ایدهی حکمرانی هوشمند ترافیک مبتنی بر معماری شبکه هوش مصنوعی یکپارچه مطرح شده است. این ایده بیش از آنکه یک ارتقاء فناورانه باشد، بازمهندسی پارادایم حکمرانی شهری است. یعنی خروج از مدیریت جزیرهای و ورود به حکمرانی یکپارچه که دادهها را در لایههای ادراک، پیشبینی و تصمیمسازی بهکار میگیرد.
اما پرسش کلیدی این است: تهران چگونه میتواند چنین تحولی را از سطح ایده به سطح اجرا برساند؟ پاسخ این پرسش، در ترکیب سه حوزه نهفته است: ایجاد چارچوب حقوقی و نهادی شفاف، توسعه زیرساختهای فناورانه قابل اتکا، و طراحی مدلهای مالی پایدار با مشارکت عمومی–خصوصی. در این مقاله، علاوه بر واکاوی ابعاد اجرایی، به تجربههای جهانی و نقش اندیشکدهها در تدوین سیاستهای بومی برای تهران پرداخته میشود.
چارچوب حقوقی و حکمرانی
یکی از نخستین پیشنیازهای اجرای سیستمهای هوش مصنوعی در مدیریت ترافیک، ایجاد یک چارچوب حقوقی روشن و کارآمد است. تجربههای بینالمللی نشان دادهاند که بدون قوانین مشخص در حوزه حریم خصوصی دادهها و امنیت سایبری، اعتماد عمومی نسبت به سیستمهای هوشمند کاهش مییابد. بهطور مثال، اتحادیه اروپا با تصویب مقررات GDPR و اخیراً قانون EU AI Act، چارچوبی را فراهم کرده است که در آن حقوق شهروندان در برابر سیستمهای تصمیمگیری خودکار به رسمیت شناخته شده است (Lartey, 2025).
در تهران نیز، نیاز فوری به قانون جامع حکمرانی دادههای شهری وجود دارد. این قانون باید نحوه جمعآوری، ذخیرهسازی، استفاده و اشتراکگذاری دادههای ترافیکی را مشخص کند. همچنین ایجاد یک نهاد ناظر مستقل برای ممیزی الگوریتمها ضروری است تا تضمین شود تصمیمهای سیستمهای هوش مصنوعی قابل اعتماد و عادلانه هستند.
از منظر نهادی، تشکیل یک شورای عالی ترافیک هوشمند که اختیاراتی فراتر از شهرداری و پلیس راهور داشته باشد، گامی کلیدی است. این شورا میتواند هماهنگی میان نهادهای مختلف را تسهیل کند و از جزیرهای بودن تصمیمگیریها جلوگیری نماید. به عبارت دیگر، حکمرانی هوشمند نیازمند حکمرانی فراسازمانی است.
زیرساختهای فناورانه: قلب تپنده حکمرانی هوشمند
در لایهی فنی، تحقق حکمرانی هوشمند ترافیک نیازمند زیرساختهای فناورانه پیشرفته است. معماری پیشنهادی بر سه لایه اصلی بنا شده است: ادراک، پیشبینی و تصمیمسازی.
-
لایه ادراک شامل شبکهای از حسگرهای IoT، دوربینهای هوشمند، و دستگاههای ثبت جریان ترافیک است که دادههای لحظهای را گردآوری میکنند. این دادهها نهتنها شامل سرعت و حجم تردد خودروها هستند، بلکه اطلاعاتی درباره شرایط آبوهوا، آلودگی هوا و وضعیت حملونقل عمومی نیز جمعآوری میکنند (Goenawan, 2024).
-
لایه پیشبینی با استفاده از الگوریتمهای یادگیری عمیق مانند LSTM و CNN، توانایی پیشبینی تراکم ترافیک و نقاط بحرانی را تا ۲۰ دقیقه قبل از وقوع فراهم میآورد. مطالعهای در تهران نشان داده است که این مدلها توانستهاند میزان توقف در تقاطعها را تا ۴۰٪ کاهش دهند (Bahamazava, 2025).
-
لایه تصمیمسازی قلب سیستم است. در این لایه، زمانبندی چراغها، هدایت مسیرها و توزیع جریان ترافیک بر اساس مدلهای بهینهسازی شبکهای طراحی میشوند. تفاوت مهم با سیستمهای فعلی این است که بهجای مدیریت تقاطعمحور، مدیریت مسیرمحور اعمال میشود.
تهران برای اجرای این معماری نیازمند توسعه مراکز داده محلی ایمن و شبکه فیبر نوری است تا دادهها بهصورت real-time پردازش شوند. بدون این زیرساختها، حتی پیشرفتهترین الگوریتمها هم کارایی عملی نخواهند داشت.
مدلهای تأمین مالی و اقتصادی
یکی از موانع اصلی توسعه سیستمهای هوش مصنوعی در مدیریت شهری، مسئله تأمین مالی پایدار است. تجربههای جهانی نشان میدهند که اتکا صرف به بودجههای دولتی کافی نیست. به همین دلیل، مدلهای ترکیبی شامل مشارکت عمومی–خصوصی و ارزشگذاری دادهها پیشنهاد شدهاند.
برای مثال، شهرهای اروپایی بخشی از هزینههای هوشمندسازی را از طریق Data Monetization تأمین میکنند؛ به این معنا که دادههای بینام و ناشناس ترافیکی به شرکتهای حملونقل، بیمه یا خدمات نقشهبرداری فروخته میشوند. این مدل، علاوه بر تأمین مالی، موجب تقویت اکوسیستم نوآوری شهری میشود (Mohsen, 2024).
در تهران، پیشنهاد میشود یک صندوق نوآوری ترافیک تأسیس شود که منابع آن از ترکیب سرمایه دولتی، مشارکت بخش خصوصی و سرمایهگذاری خطرپذیر در استارتاپهای هوش مصنوعی تأمین گردد. همچنین میتوان از مدل BOT برای نصب و بهرهبرداری تجهیزات استفاده کرد؛ بدین معنا که بخش خصوصی زیرساخت را ایجاد کرده و در مدت مشخصی از محل درآمدهای جانبی بهرهبرداری کند.
تجربههای جهانی و درسهایی برای تهران
در چین، سیستم City Brain با ادغام دادههای ترافیکی، توانسته سرعت حرکت خودروها را در هانگژو تا ۱۵٪ افزایش دهد. در آمریکا، پروژه SURTRAC در پیتزبورگ با استفاده از الگوریتمهای پیشبینی ترافیک، زمان انتظار در تقاطعها را تا ۴۰٪ کاهش داده است. در اروپا نیز، مفهوم Digital Twin در نیویورک و آمستردام توسعه یافته است تا امکان شبیهسازی کل شبکه پیش از اجرای تصمیم فراهم شود (Xuan et al., 2024).
درس کلیدی این پروژهها آن است که موفقیت صرفاً به فناوری وابسته نیست، بلکه ترکیب فناوری با حکمرانی شفاف، تأمین مالی پایدار و پذیرش اجتماعی است که نتیجهبخش خواهد بود. برای تهران، الگوبرداری از این تجارب باید همراه با بومیسازی متناسب با فرهنگ رانندگی و شرایط اقتصادی کشور باشد.
نقش اندیشکدهها در بومیسازی و سیاستگذاری
اندیشکدهها میتوانند نقش حیاتی در ترجمه فناوری به سیاستگذاری ایفا کنند. وظیفه این نهادها تنها مشاوره نیست، بلکه طراحی مدلهای شبیهسازی و تحلیل رفتار اجتماعی نیز هست. بهویژه در تهران، اندیشکدهها میتوانند الگوریتمها را با ویژگیهای فرهنگی رانندگان ایرانی تطبیق دهند؛ چرا که رفتار رانندگی در ایران با کشورهای غربی تفاوت اساسی دارد.
علاوه بر این، اندیشکدهها میتوانند نقش ناظر اجتماعی را ایفا کنند؛ به این معنا که در کنار نهادهای دولتی، از منظر عمومی نیز بر عملکرد سیستمهای هوش مصنوعی نظارت داشته باشند. این امر موجب افزایش اعتماد عمومی و کاهش نگرانیهای شهروندان نسبت به عدالت و شفافیت در تصمیمگیریها میشود (Sepehr, 2024).
نتیجهگیری
تحول حکمرانی ترافیک تهران یک ضرورت اجتنابناپذیر است. اما این تحول تنها زمانی موفق خواهد بود که سه شرط اصلی محقق شوند:
۱. ایجاد چارچوب حقوقی و نهادی شفاف.
۲. توسعه زیرساختهای فناورانه پیشرفته.
۳. طراحی مدلهای مالی پایدار و مشارکت عمومی–خصوصی.
همچنین تجربههای جهانی نشان میدهند که موفقیت در گروی ترکیب فناوری با حکمرانی هوشمند، مشارکت اجتماعی و سیاستگذاری دادهمحور است. در این میان، نقش اندیشکدهها بهعنوان پل میان دانش علمی و سیاستگذاری عمومی حیاتی است.
تهران با اجرای این رویکرد میتواند نهتنها بحران ترافیک خود را کاهش دهد، بلکه به الگویی پیشرو در حکمرانی هوشمند شهری در منطقه تبدیل شود.
منابع (APA 7)
-
Bahamazava, K. (2025). AI-driven scenarios for urban mobility: Quantifying the role of artificial intelligence in Tehran’s traffic optimization. ScienceDirect. Retrieved from https://www.sciencedirect.com/science/article/pii/S2949899625000036
-
Goenawan, C. R. (2024, October). ASTM: Autonomous Smart Traffic Management System Using Artificial Intelligence CNN and LSTM. arXiv. Retrieved from https://arxiv.org/abs/2410.10929
-
Lartey, D. (2025). Artificial intelligence adoption in urban planning governance. ScienceDirect. Retrieved from https://www.sciencedirect.com/science/article/abs/pii/S0169204625000441
-
Mohsen, B. M. (2024). AI-Driven Optimization of Urban Logistics in Smart Cities: Integrating Autonomous Vehicles and IoT for Efficient Delivery Systems. Sustainability, 16(24), 11265. https://doi.org/10.3390/su162411265
-
Sepehr, P. (2024). Mundane Urban Governance and AI Oversight. Taylor & Francis. Retrieved from https://www.tandfonline.com/doi/full/10.1080/10630732.2024.23022 80
-
Xuan, D., Fu, Y., Turkcan, M. K., Ghasemi, M., Mo, Z., Zang, C., ... & Zussman, G. (2024, December). AI-Powered Urban Transportation Digital Twin: Methods and Applications. arXiv. Retrieved from https://arxiv.org/abs/2501.10396