حمل‌ونقل کشور هنوز به مرحله استفاده از هوش مصنوعی نرسیده است/ ۴۰ درصد کامیون‌ها خالی حرکت می‌کنند

به گزارش خبرگزاری آنا؛ توسعه حمل‌ونقل در شرایطی که افزایش هزینه‌های انرژی، نگهداری ناوگان، نیروی انسانی، سوخت و زمان جابه‌جایی به یکی از چالش‌های اصلی اقتصاد تبدیل شده است، دیگر صرفاً با افزایش تعداد وسایل نقلیه یا توسعه زیرساخت‌های فیزیکی امکان‌پذیر نیست؛ بلکه بهره‌گیری از فناوری‌های نوین، هوش مصنوعی، تحلیل کلان‌داده‌ها و سامانه‌های هوشمند می‌تواند مسیر تازه‌ای برای افزایش بهره‌وری، کاهش هزینه‌ها و ارتقای کیفیت خدمات حمل‌ونقلی ایجاد کند.

حمل‌ونقل یکی از بخش‌های اثرگذار بر رشد اقتصادی است و هرگونه اختلال یا ناکارآمدی در این حوزه می‌تواند هزینه‌های قابل توجهی را به بخش‌های مختلف اقتصاد تحمیل کند. از جابه‌جایی مواد اولیه و کالا در زنجیره تولید گرفته تا انتقال محصولات به بازار مصرف، عملکرد شبکه حمل‌ونقل به صورت مستقیم بر قیمت تمام‌شده کالا، زمان تحویل، میزان مصرف انرژی و رقابت‌پذیری بنگاه‌های اقتصادی اثر می‌گذارد.

بر همین اساس، حرکت از الگوی سنتی مدیریت حمل‌ونقل به سمت حمل‌ونقل هوشمند و داده‌محور می‌تواند یکی از الزامات توسعه زیرساخت‌های اقتصادی کشور باشد؛ رویکردی که در آن تصمیم‌گیری‌ها به جای اتکا به اطلاعات محدود و تجربیات گذشته، بر اساس داده‌های لحظه‌ای و تحلیل‌های پیش‌بینانه انجام می‌شود.

پایان مدیریت سنتی ناوگان با ورود هوش مصنوعی

یکی از مهم‌ترین حوزه‌های کاربرد هوش مصنوعی در صنعت حمل‌ونقل، مدیریت هوشمند ناوگان است. در روش‌های سنتی، برنامه‌ریزی حرکت وسایل نقلیه، انتخاب مسیر، زمان‌بندی تعمیرات و حتی تخصیص ناوگان تا حد زیادی بر اساس تجربه مدیران و اطلاعات محدود انجام می‌شود؛ در حالی که سامانه‌های هوشمند می‌توانند حجم گسترده‌ای از داده‌ها را به صورت همزمان تحلیل و بهترین تصمیم را متناسب با شرایط موجود پیشنهاد کنند.

هوش مصنوعی می‌تواند با بررسی عواملی مانند وضعیت ترافیک، شرایط جوی، ظرفیت ناوگان، میزان بار، وضعیت مسیر، مصرف سوخت و سوابق سفر، مسیر‌های بهینه را شناسایی کند. این موضوع علاوه بر کاهش زمان سفر، می‌تواند مصرف سوخت و استهلاک وسایل نقلیه را نیز کاهش دهد.

در حوزه حمل‌ونقل بار نیز الگوریتم‌های هوشمند قادرند با تحلیل مبدأ و مقصد محموله‌ها، ظرفیت وسایل نقلیه و زمان‌بندی بارگیری و تخلیه، از حرکت‌های بدون بار یا کم‌بار جلوگیری کنند. افزایش ضریب بهره‌برداری از ناوگان به معنای استفاده بیشتر از ظرفیت موجود بدون الزام به سرمایه‌گذاری سنگین برای خرید وسایل نقلیه جدید است.

نگهداری پیش‌بینانه کاهش هزینه تعمیرات و توقف ناوگان

یکی دیگر از کاربرد‌های مهم فناوری در حمل‌ونقل، نگهداری پیش‌بینانه است. در شیوه سنتی، تعمیرات خودرو، قطار یا سایر تجهیزات حمل‌ونقلی معمولاً پس از بروز نقص یا بر اساس برنامه‌های زمانی ثابت انجام می‌شود؛ اما فناوری‌های جدید امکان پایش مستمر وضعیت تجهیزات و شناسایی نشانه‌های اولیه خرابی را فراهم کرده‌اند.

با نصب حسگر‌های هوشمند و جمع‌آوری اطلاعات مربوط به دما، لرزش، فشار، عملکرد موتور و سایر اجزای فنی، می‌توان با استفاده از الگوریتم‌های هوش مصنوعی احتمال خرابی یک قطعه را پیش‌بینی کرد و پیش از وقوع نقص جدی برای تعمیر یا تعویض آن اقدام کرد.

این تحول می‌تواند از توقف‌های ناگهانی ناوگان، هزینه‌های تعمیرات اضطراری و خسارت‌های ناشی از خواب وسایل نقلیه جلوگیری کند. در شبکه‌های حمل‌ونقل ریلی نیز استفاده از این فناوری می‌تواند در پایش وضعیت خطوط، لکوموتیوها، واگن‌ها و تجهیزات کنترلی نقش مهمی داشته باشد.

هوشمندسازی راهکاری برای مدیریت مصرف سوخت و انرژی

مصرف انرژی یکی از مهم‌ترین هزینه‌های بخش حمل‌ونقل است و به همین دلیل فناوری می‌تواند نقش قابل توجهی در کاهش هزینه‌های عملیاتی داشته باشد.سامانه‌های هوشمند با تحلیل الگوی حرکت وسایل نقلیه، سرعت، توقف‌ها، بار، مسیر و رفتار راننده می‌توانند الگو‌های مصرف انرژی را شناسایی کنند. بر اساس این اطلاعات، امکان اصلاح برنامه حرکت و کاهش مصرف سوخت فراهم می‌شود.

در حمل‌ونقل ریلی نیز هوش مصنوعی می‌تواند با بهینه‌سازی برنامه حرکت قطارها، مدیریت سرعت و زمان‌بندی حرکت، به کاهش مصرف انرژی و افزایش بهره‌وری شبکه کمک کند.

از سوی دیگر، استفاده از وسایل نقلیه برقی و توسعه زیرساخت‌های شارژ هوشمند، در کنار سامانه‌های مدیریت انرژی، می‌تواند زمینه را برای کاهش وابستگی حمل‌ونقل به سوخت‌های فسیلی و حرکت به سمت حمل‌ونقل کم‌کربن فراهم کند. اما باید توجه داشت که تحقق حمل‌ونقل هوشمند بدون دسترسی به داده‌های دقیق، به‌روز و قابل اعتماد امکان‌پذیر نیست. اطلاعات مربوط به مسیرها، ترافیک، ظرفیت ناوگان، میزان بار، مصرف سوخت، وضعیت فنی وسایل نقلیه و رفتار مسافران، سرمایه اصلی سامانه‌های هوشمند محسوب می‌شود.

در این میان، ایجاد یک زیرساخت یکپارچه داده حمل‌ونقل اهمیت ویژه‌ای دارد. دستگاه‌ها و مجموعه‌های مختلف فعال در حوزه حمل‌ونقل باید بتوانند داده‌های خود را در چارچوب‌های مشخص و استاندارد با یکدیگر به اشتراک بگذارند تا امکان تحلیل جامع شبکه فراهم شود. در صورت نبود ارتباط میان سامانه‌های اطلاعاتی، هر دستگاه تنها بخشی از واقعیت حمل‌ونقل را مشاهده خواهد کرد و ظرفیت هوش مصنوعی برای تصمیم‌گیری جامع و دقیق مورد استفاده قرار نمی‌گیرد.

هوش مصنوعی علاوه بر مدیریت ناوگان، می‌تواند در پیش‌بینی تقاضای سفر و مدیریت ترافیک نیز مورد استفاده قرار گیرد. الگوریتم‌های هوشمند قادرند با تحلیل داده‌های تاریخی و اطلاعات لحظه‌ای، الگو‌های تردد را شناسایی و میزان تقاضا در ساعات و مسیر‌های مختلف را پیش‌بینی کنند. این قابلیت به مدیران حمل‌ونقل اجازه می‌دهد ظرفیت ناوگان را متناسب با تقاضا تخصیص دهند. برای مثال، در ساعات پرتردد می‌توان تعداد وسایل نقلیه بیشتری را در مسیر‌های پرترافیک فعال کرد و در ساعات کم‌تقاضا از ایجاد ظرفیت مازاد و مصرف منابع جلوگیری کرد.

در چنین شرایطی، هوشمندسازی صرفاً به معنای استفاده از یک نرم‌افزار یا سامانه جدید نیست؛ بلکه به معنای تغییر مدل مدیریت حمل‌ونقل از واکنشی به پیش‌بینانه است.

دانشگاه و شرکت‌های دانش‌بنیان در خط مقدم تحول حمل‌ونقل

توسعه فناوری‌های مورد نیاز حمل‌ونقل هوشمند، نیازمند ارتباط جدی میان صنعت، دانشگاه و شرکت‌های دانش‌بنیان است. بسیاری از فناوری‌های مورد نیاز این بخش از جمله الگوریتم‌های هوش مصنوعی، اینترنت اشیا، پردازش داده، سامانه‌های موقعیت‌یابی، پردازش تصویر، رباتیک و سیستم‌های تصمیم‌یار می‌توانند در دانشگاه‌ها توسعه پیدا کنند و سپس با همکاری شرکت‌های دانش‌بنیان به محصولات و خدمات قابل استفاده در صنعت تبدیل شوند.

دانشگاه‌ها می‌توانند علاوه بر تربیت نیروی انسانی متخصص، آزمایشگاه‌های تخصصی برای شبیه‌سازی شبکه‌های حمل‌ونقل ایجاد کنند و راهکار‌های مختلف را پیش از اجرای گسترده در محیط واقعی مورد ارزیابی قرار دهند. از سوی دیگر، دستگاه‌های متولی حمل‌ونقل باید مسائل واقعی و نیاز‌های فناورانه خود را به صورت مشخص در اختیار دانشگاه‌ها و شرکت‌های دانش‌بنیان قرار دهند. در این صورت، پژوهش دانشگاهی از حالت نظری خارج شده و به سمت حل مسائل واقعی صنعت حرکت خواهد کرد.

ضرورت تدوین نقشه راه هوشمندسازی حمل‌ونقل

یکی از الزامات مهم در مسیر تحول دیجیتال حمل‌ونقل، تدوین نقشه راه مشخص برای هوشمندسازی است. اجرای پروژه‌های پراکنده و جزیره‌ای، بدون ایجاد ارتباط میان سامانه‌ها، نه‌تنها موجب افزایش بهره‌وری نمی‌شود بلکه می‌تواند هزینه‌های جدیدی نیز به دستگاه‌ها تحمیل کند.

بر این اساس، لازم است ابتدا مهم‌ترین گلوگاه‌های شبکه حمل‌ونقل شناسایی و سپس فناوری متناسب با هر مسئله انتخاب شود. در این فرآیند باید شاخص‌هایی مانند کاهش مصرف سوخت، کاهش زمان سفر، کاهش توقف ناوگان، افزایش ظرفیت حمل بار، کاهش تصادفات و کاهش هزینه تعمیر و نگهداری به عنوان معیار‌های ارزیابی پروژه‌های هوشمندسازی مورد توجه قرار گیرد.

حرکت از توسعه فیزیکی به توسعه هوشمند

توسعه حمل‌ونقل در آینده صرفاً با ساخت جاده، خرید اتوبوس، افزایش تعداد قطار یا توسعه پایانه‌ها سنجیده نخواهد شد؛ بلکه میزان بهره‌برداری مؤثر از ظرفیت‌های موجود نیز به یکی از شاخص‌های اصلی توسعه تبدیل می‌شود. در شرایطی که منابع مالی برای توسعه زیرساخت‌های جدید محدود است، هوشمندسازی می‌تواند امکان استفاده حداکثری از ظرفیت‌های موجود را فراهم کند. به بیان دیگر، فناوری می‌تواند بخشی از نیاز به سرمایه‌گذاری فیزیکی را از طریق افزایش بهره‌وری جبران کند.

از این منظر، هوش مصنوعی باید به عنوان یکی از زیرساخت‌های جدید حمل‌ونقل کشور مورد توجه قرار گیرد؛ زیرساختی که در کنار جاده، ریل، ناوگان و پایانه‌ها، وظیفه مدیریت و بهینه‌سازی عملکرد کل شبکه را بر عهده خواهد داشت.

به هر جهت توسعه فناوری‌های نوین و استفاده از ظرفیت‌های هوش مصنوعی طی سال‌های اخیر به یکی از مهم‌ترین موضوعات مورد توجه در بخش حمل‌ونقل تبدیل شده است؛ حوزه‌ای که به دلیل گستردگی شبکه، حجم بالای داده‌های تولیدشده، تعدد بازیگران و ضرورت مدیریت همزمان جریان مسافر و کالا، ظرفیت قابل توجهی برای بهره‌گیری از فناوری‌های هوشمند دارد.

با این حال، استفاده از هوش مصنوعی در حمل‌ونقل صرفاً به معنای در اختیار داشتن الگوریتم‌ها و فناوری‌های پردازشی نیست و پیش از آن باید زیرساخت‌های داده‌ای مورد نیاز فراهم شود. در واقع، زمانی می‌توان از هوش مصنوعی برای پیش‌بینی، بهینه‌سازی، مدیریت ترافیک، کاهش مصرف سوخت، افزایش بهره‌وری ناوگان و تصمیم‌گیری هوشمند استفاده کرد که داده‌های کافی و قابل اتکا در دسترس باشد.

علی ضیائی، مدیر اندیشکده حمل‌ونقل ایران، در گفت‌و‌گو با خبرنگار اقتصادی آنا با اشاره به همین مسئله اظهار کرد: پاسخ بسیاری از پرسش‌هایی که درباره آینده حمل‌ونقل مطرح می‌شود، در نهایت به موضوع هوش مصنوعی بازمی‌گردد، اما باید توجه داشت که برای رسیدن به مرحله هوش مصنوعی، ابتدا باید مسائل پایه‌ای‌تر را حل کنیم. هوش مصنوعی در اصل وظیفه پردازش هوشمندانه داده‌ها را برعهده دارد؛ بنابراین اگر داده مناسب وجود نداشته باشد، اساساً امکان بهره‌گیری مؤثر از هوش مصنوعی نیز فراهم نخواهد بود. متأسفانه ما در کشور هنوز در زمینه داده و جمع‌آوری آن با چالش جدی مواجه هستیم.

کشور هنوز در مرحله ماقبل هوش مصنوعی قرار دارد

مدیر اندیشکده حمل‌ونقل ایران با بیان اینکه داده‌های حمل‌ونقلی در دستگاه‌ها و سازمان‌های مختلف به شکل پراکنده تولید و جمع‌آوری می‌شود، گفت: در حال حاضر داده به شکل گسترده در کشور تولید و جمع‌آوری می‌شود، اما مشکل این است که این داده‌ها در سازمان‌های مختلف پراکنده هستند و به صورت یکپارچه در اختیار یکدیگر قرار نمی‌گیرند.

ضیائی ادامه داد: هر یک از سازمان‌ها و دستگاه‌های مرتبط با حمل‌ونقل، بخشی از داده‌های مورد نیاز را در اختیار دارند، اما این اطلاعات به شکل منسجم و یکپارچه تجمیع نمی‌شود. وقتی داده‌های حمل‌ونقلی موجود در سازمان‌های مختلف با یکدیگر مجتمع و یکپارچه نشوند، عملاً نمی‌توان وارد مرحله پردازش شد و زمانی که پردازش مناسبی صورت نگیرد، استفاده از هوش مصنوعی نیز موضوعیت خود را از دست می‌دهد.

وی تأکید کرد: بنابراین پاسخ ما به بسیاری از مسائل حمل‌ونقل هنوز به مرحله هوش مصنوعی نمی‌رسد و کشور در واقع در بسیاری از حوزه‌ها در مرحله‌ای ماقبل هوش مصنوعی قرار دارد.

 کارشناس تاکید کرد: این مسئله به معنای آن نیست که هوش مصنوعی در حمل‌ونقل اهمیت ندارد، بلکه نشان‌دهنده آن است که پیش از استفاده از این فناوری باید پیش‌نیاز‌های آن فراهم شود.

دیجیتال‌سازی و داده‌محوری راهکار‌هایی که هنوز به‌طور کامل اجرا نشده‌اند

مدیر اندیشکده حمل‌ونقل ایران با اشاره به ظرفیت‌های موجود در حوزه دیجیتال‌سازی و داده‌محوری تصریح کرد: بخشی از بهبود‌هایی که امروز می‌توان در حمل‌ونقل ایجاد کرد، اساساً پیش از هوش مصنوعی قرار دارند و برای تحقق آنها نیازی به فناوری‌های بسیار پیشرفته نداریم.

وی افزود: اگر بتوانیم داده‌های موجود را به شکل مناسب جمع‌آوری، سازماندهی و در اختیار سیاست‌گذاران قرار دهیم، حتی با راهکار‌های نسبتاً ساده می‌توان تغییرات و بهبود‌های بسیار قابل توجهی در بهره‌وری ایجاد کرد.

ضیائی ادامه داد: افزایش بهره‌وری از طریق دیجیتال‌سازی و داده‌محوری الزاماً به فناوری پیچیده‌ای نیاز ندارد. در بسیاری از موارد، مسئله اصلی این نیست که فناوری مورد نیاز در کشور وجود ندارد؛ بلکه داده‌های موجود به شکل مناسبی در کنار یکدیگر قرار نگرفته‌اند و امکان استفاده از آنها برای تصمیم‌گیری و سیاست‌گذاری فراهم نشده است.

وی با بیان اینکه این ظرفیت در تمام بخش‌های حمل‌ونقل وجود دارد، گفت: چه در حمل‌ونقل ریلی، چه در جاده و چه در بنادر، می‌توان از داده‌محوری و دیجیتال‌سازی برای افزایش بهره‌وری استفاده کرد و بخش قابل توجهی از مشکلات را حتی پیش از ورود به مرحله هوش مصنوعی برطرف کرد.

لزوم ایجاد سازوکار نهادی برای اشتراک‌گذاری داده‌ها

مدیر اندیشکده حمل‌ونقل ایران یکی از مهم‌ترین الزامات برای عبور از وضعیت موجود را ایجاد یک سازوکار نهادی مشخص برای جمع‌آوری و تبادل داده‌ها دانست و گفت: اگر با یک سازوکار نهادی و سیاسی بتوان سازمان‌های مختلف را ملزم کرد که داده‌های خود را به شکل سازمان‌یافته در اختیار سیاست‌گذاری کشور قرار دهند، بسیاری از مشکلات موجود قابل حل خواهد بود.

ضیائی افزود: در شرایط فعلی، سازمان‌ها داده‌های خود را در اختیار یکدیگر قرار نمی‌دهند و این موضوع باعث شده است اطلاعات مورد نیاز برای سیاست‌گذاری یکپارچه حمل‌ونقل در دسترس نباشد.

وی تصریح کرد: اگر سازمان‌ها ملزم شوند داده‌های خود را در یک چارچوب مشخص و استاندارد در اختیار نظام سیاست‌گذاری قرار دهند، حتی بدون استفاده از هوش مصنوعی می‌توان از همین داده‌ها برای بهبود عملکرد شبکه حمل‌ونقل استفاده کرد.

این کارشناس حمل‌ونقل خاطرنشان کرد: در چنین شرایطی، هوش مصنوعی می‌تواند در مراحل بعدی به عنوان یک ابزار قدرتمند برای پردازش حجم بالای داده‌ها، پیش‌بینی روند‌ها و ارائه راهکار‌های بهینه وارد میدان شود؛ اما پیش از آن باید مسئله دسترسی به داده حل شود.

۴۰ درصد کامیون‌ها خالی حرکت می‌کنند

ضیائی در ادامه با اشاره به یکی از مصادیق اتلاف منابع در حمل‌ونقل جاده‌ای اظهار کرد: حدود ۴۰ درصد کامیون‌های کشور به صورت خالی سیر می‌کنند؛ یعنی بخش قابل توجهی از ناوگان جاده‌ای بدون حمل بار در شبکه تردد دارد. این موضوع به معنای اتلاف حجم قابل توجهی از سوخت و منابع کشور است و در مقیاس کلان، هزینه‌های بسیار سنگینی به اقتصاد تحمیل می‌کند. به عبارت دیگر، میلیارد‌ها دلار سوخت در شرایطی مصرف می‌شود که بخشی از ناوگان اساساً بدون حمل بار در حال تردد است.

مدیر اندیشکده حمل‌ونقل ایران تأکید کرد: مسئله تردد خالی کامیون‌ها نمونه‌ای است که نشان می‌دهد برای افزایش بهره‌وری حمل‌ونقل، همیشه به هوش مصنوعی نیاز نداریم. اگر داده‌های مربوط به مبدأ و مقصد بار، ظرفیت ناوگان، زمان حرکت، مسیر‌ها و نیاز‌های حمل‌ونقلی به شکل منسجم در دسترس باشد، می‌توان با استفاده از روش‌های داده‌محور، بخش قابل توجهی از این مشکل را مدیریت کرد.

وی ادامه داد: با ایجاد سازوکار مناسب برای تطبیق عرضه و تقاضای حمل بار و استفاده از اطلاعات موجود، می‌توان از حرکت‌های خالی جلوگیری کرد و تعداد سفر‌های بدون بار را کاهش داد؛ در نتیجه مصرف سوخت، استهلاک ناوگان، هزینه‌های حمل‌ونقل و انتشار آلاینده‌ها نیز کاهش پیدا خواهد کرد.

مشکل اصلی، نبود اراده برای به‌اشتراک‌گذاری داده‌هاست

ضیائی با بیان اینکه بسیاری از موانع موجود در مسیر داده‌محوری، ماهیت فناورانه ندارند، گفت: این مشکلات در بسیاری از موارد به فناوری مربوط نمی‌شوند، بلکه به مسائل نهادی، مدیریتی و حتی تعارض منافع بازمی‌گردند.

وی تصریح کرد: در برخی نقاط و سازمان‌ها تعارض منافع وجود دارد و همین مسئله اجازه نمی‌دهد بهره‌وری واقعی در حمل‌ونقل افزایش پیدا کند. اگر قرار باشد با یک تصمیم و سازوکار مشخص، داده‌ها در اختیار سیاست‌گذاری قرار بگیرند، در برخی موارد ممکن است منافع موجود تحت تأثیر قرار گیرد و همین موضوع مانع شکل‌گیری یک نظام یکپارچه داده‌ای شود.

مدیر اندیشکده حمل‌ونقل ایران افزود: بنابراین بسیاری از مشکلاتی که امروز در حوزه حمل‌ونقل با آن مواجه هستیم، ناشی از نبود فناوری نیست. فناوری‌های لازم برای بسیاری از این اقدامات وجود دارد و حتی برخی راهکار‌ها بسیار ساده هستند، اما اراده لازم برای اجرای آنها و ایجاد سازوکار‌های نهادی مورد نیاز وجود ندارد.

راه‌آهن نیز با چالش داده مواجه است

وی با اشاره به وضعیت داده در بخش ریلی گفت: در راه‌آهن نیز مسئله تا حد زیادی مشابه است و در بسیاری از موارد اجازه داده نمی‌شود داده‌های مورد نیاز به شکل مناسب جمع‌آوری و تجمیع شوند.  در بخش ریلی نیز مشکل صرفاً فناوری نیست. در بسیاری از موارد، دلایل غیر فناورانه باعث می‌شوند داده به شکل کامل جمع‌آوری نشود یا در اختیار بخش‌هایی که برای سیاست‌گذاری و افزایش بهره‌وری به آن نیاز دارند قرار نگیرد.

وی افزود: وقتی داده‌های مربوط به شبکه ریلی، ظرفیت‌ها، واگن‌ها، بار، مسیرها، زمان‌بندی‌ها و سایر اطلاعات مرتبط به شکل یکپارچه در دسترس نباشد، امکان مدیریت هوشمند شبکه نیز محدود می‌شود.

مدیر اندیشکده حمل‌ونقل ایران با تأکید بر اینکه همین مسئله در بخش‌های دیگر حمل‌ونقل نیز وجود دارد، گفت: در بخش‌های مختلف حمل‌ونقل، از جاده و ریل گرفته تا بنادر، ابتدا باید زیرساخت داده و سازوکار تبادل اطلاعات ایجاد شود و سپس می‌توان از فناوری‌های پیشرفته‌تری مانند هوش مصنوعی برای ارتقای عملکرد استفاده کرد.