در این مقاله با رویکردی نوین مبتنی بر هوش مصنوعی (AI) به بررسی راهکارهای بهبود فرآیندهای لجستیکی و مدیریت حمل‌ونقل در شرایط بحرانی پرداخته می‌شود. با مرور تجربیات گذشته همچون زلزله بم (2003) و پاندمی کووید-19، ضعف‌های زیرساختی در توزیع منابع و تأمین کالاها شناسایی و چارچوبی مبتنی بر یادگیری ماشین، تحلیل داده‌های بزرگ (Big Data) و اینترنت اشیاء (IoT) برای بهبود تصمیم‌گیری ارائه گردیده است. نتایج شبیه‌سازی نشان داد که الگوریتم‌های AI می‌توانند میانگین زمان حمل‌ونقل را بیش از 20٪ کاهش دهند. این مطالعه با ارائه یک مدل ترکیبی مفهومی-کاربردی و اعتبارسنجی آن با داده‌های واقعی و شبیه‌سازی‌شده، نسبت به تحقیقات مشابه برتری دارد و راهکارهای عملیاتی مستقیمی برای سیاست‌گذاران و اجراییان ارائه می‌نماید.

کلمات کليدي: مدیریت بحران، لجستیک، هوش مصنوعی، تاب‌آوری زیرساخت‌ها، زنجیره تأمین

1. مقدمه

دنیای امروز با پدیده‌ای به نام “ریسک‌های سیستمی” مواجه است، جایی که یک شوک کوچک در یک نقطه از جهان می‌تواند موجی از اختلالات را در سراسر زنجیره‌های تأمین جهانی ایجاد کند. پاندمی کووید-۱۹ نمونه‌ای بارز از این واقعیت بود که نه تنها سیستم‌های بهداشتی، بلکه کل زیرساخت‌های لجستیکی و تولیدی جهان را به لرزه درآورد [1]. در سطح ملی نیز، بلایای طبیعی مانند زلزله‌های مهلک در ایران (بم ۲۰۰۳، کرمانشاه ۲۰۱۷) همواره نشان داده‌اند که ضعف در مدیریت لجستیکی، بزرگ‌ترین مانع در راه امدادرسانی سریع و مؤثر است.

چالش‌های اصلی که به‌طور مکرر در این بحران‌ها تکرار می‌شوند عبارتند از:

• عدم پیش‌بینی دقیق تقاضا برای کالاهای اساسی و پزشکی.
• انسداد مسیرها و عدم توانایی در یافتن مسیرهای جایگزین بهینه.
• توزیع ناعادلانه و ناکارآمد منابع به دلیل فقدان یک سامانه یکپارچه تصمیم‌یار.
• کمبود ناوگان مناسب و عدم تخصیص پویای آن به مناطق با اولویت بالاتر.
• ضعف در هماهنگی بین‌سازمانی و تبادل اطلاعات بین نهادهای دولتی، خصوصی و بشردوستانه.

ظهور فناوری‌های داده‌محور مانند هوش مصنوعی، اینترنت اشیاء و دیجیتال توئین، فرصتی بی‌نظیر برای غلبه بر این چالش‌ها فراهم کرده است. هوش مصنوعی می‌تواند آینده را پیش‌بینی کند، IoT می‌تواند وضعیت فعلی را به‌صورت بلادرنگ گزارش دهد و دیجیتال توئین می‌تواند یک آزمایشگاه مجازی برای تست استراتژی‌ها فراهم کند.

هدف اصلی این مقاله، ارائه یک چارچوب عملیاتی و هوشمند برای بهبود مدیریت حمل‌ونقل در بحران است که نه تنها بر پایه نظریه‌های مدیریت بحران و تاب‌آوری است، بلکه با استفاده از فناوری‌های روز و اعتبارسنجی از طریق شبیه‌سازی، قابلیت پیاده‌سازی در دنیای واقعی را دارد. این پژوهش با تمرکز بر مطالعه موردی زلزله کرمانشاه (۲۰۱۷) و تحلیل داده‌های حمل‌ونقلی، به دنبال پاسخ به این سؤال کلیدی است: چگونه می‌توان از فناوری‌های هوشمند برای ایجاد یک سیستم لجستیکی بحرانی “پیش‌بین، انعطاف‌پذیر و تاب‌آور” استفاده کرد؟

2. پیشینه و ادبیات موضوع

1-2. مرور مطالعات پیشین

مطالعات قبلی نشان داده‌اند که استفاده از روش‌های شبیه‌سازی و مدل‌های AI می‌تواند در شرایط بحرانی موجب بهینه‌سازی مسیرها و کاهش زمان تحویل شود. با این حال، تمرکز بسیاری از تحقیقات بر روی بخش‌های جداگانه زنجیره تأمین بوده و کمتر پژوهشی به ادغام لجستیک، حمل‌ونقل و تاب‌آوری زیرساخت‌ها پرداخته است.

جدول1- مقایسه مطالعات پیشین

همانطور که در جدول1 مشاهده می‌شود، اگرچه مطالعات متعددی به بخش‌های جداگانه مانند مسیریابی یا پیش‌بینی تقاضا پرداخته‌اند، اما شکاف اصلی در ادبیات، عدم وجود یک چارچوب یکپارچه و کاربردی است که تمام اجزای لجستیک بحران (پیش‌بینی، تخصیص، حمل‌ونقل، نظارت) را تحت یک سیستم هوشمند و یکپارچه مدیریت کند.

2-2. تجربه‌های کلیدی بحران‌های گذشته

• زلزله بم (2003): کندی در توزیع اقلام حمایت‌کننده و مشکلات هماهنگی که نشان‌دهنده نیاز به انبارهای منطقه‌ای و سازوکارهای توزیع کنترل‌شده است [3].
• زلزله کرمانشاه (2017): گزارش‌های میدانی نشان‌دهنده انسداد جاده‌ها، کمبود ناوگان مناسب و فقدان سامانه‌ یکپارچه اطلاعاتی برای تخصیص کمک‌ها بود؛ این موارد باعث توزیع نامتقارن کمک‌ها و تأخیر در امدادرسانی شدند [4].
• پاندمی کووید-19 (2020–2021): اختلالات زنجیره تأمین جهانی و لزوم انعطاف‌پذیری در تأمین‌کنندگان، تولید پراکنده و دیجیتالی‌شدن فرایندها را به‌عنوان نیازهای کلیدی برجسته کرد.[5][1]

مطالعات کاربردی اخیر نقش تحلیل داده و AI را در بهبود پاسخ‌های بشردوستانه و لجستیک نشان داده‌اند؛ به‌عنوان مثال الگوریتم‌های پیش‌بینی می‌توانند تقاضا برای اقلام پزشکی را با دقت قابل‌قبولی برآورد کنند و الگوریتم‌های مسیر‌یابی می‌توانند زمان‌های پاسخ را کاهش دهند.[7][6]

3-2. چارچوب‌های نظری مورد استفاده در پژوهش

1. چرخه مدیریت بحران (Crisis Management Cycle): این چرخه شامل چهار مرحله پیشگیری، آمادگی، پاسخ و بازسازی است [8]. چارچوب ما در هر چهار مرحله کاربرد دارد: در مرحله پیشگیری با شبیه‌سازی و پیش‌بینی، در مرحله آمادگی با طراحی سناریوها، در مرحله پاسخ با بهینه‌سازی بلادرنگ و در مرحله بازسازی با تحلیل عملکرد.
2. تاب‌آوری زیرساخت‌ها (Infrastructure Resilience): تاب‌آوری به توانایی یک سیستم برای جذب شوک، بازیابی سریع و سازگاری با شرایط جدید اطلاق می‌شود [9]. شاخص‌های کمی مانند “زمان بازیابی متوسط” (MTTR) و “حداکثر ظرفیت تحمل شوک” در ارزیابی اثربخشی چارچوب ما مورد استفاده قرار می‌گیرند.
3. نظریه لجستیک بشردوستانه: این نظریه بر سه اصل کارایی، سرعت و عدالت توزیع تأکید دارد [10]. مدل‌های بهینه‌سازی ترکیبی ما (مثلاً مدل‌سازی چندهدفه) به‌طور همزمان به دنبال کمینه‌سازی زمان و بیشینه‌سازی عدالت در توزیع هستند.
4. فناوری‌های نوین (AI, IoT, Big Data, Digital Twin): این فناوری‌ها به‌عنوان موتور محرکه چارچوب عمل می‌کنند. دیجیتال توئین به‌عنوان یک نوآوری کلیدی، امکان ایجاد یک کپی دیجیتالی و پویا از سیستم لجستیکی واقعی را فراهم می‌کند تا استراتژی‌ها را قبل از اجرا در دنیای واقعی، تست و بهینه‌سازی کرد [11].
5. چارچوب پژوهش و فرضیات

چارچوب پژوهش، ترکیبی از تحلیل کیفی (گزارش‌های رسمی، مصاحبه‌های ثانویه) و تحلیل کمّی (شبیه‌سازی‌های مسیر، تحلیل آماری داده‌های نمونه) است. مدل مفهومی تحقیق بر مبنای جریان داده از حسگرها (IoT)  به پایگاه‌های داده، پردازش AI و نهایتاً تصمیم‌سازی برای تخصیص و مسیر‌یابی است.

1-3.فرضیات اصلی:

• به‌کارگیری سیستم‌های مبتنی بر AI در مدیریت لجستیک بحران سرعت پاسخ را به‌طور معناداری افزایش می‌دهد.
• الگوریتم‌های مسیر‌یابی مبتنی بر داده (AI/OR-Tools) میانگین زمان سفر ناوگان امدادی را کاهش می‌دهند.
• یک پلتفرم داده‌محور یکپارچه (Big Data + IoT) منجر به تخصیص منابع عادلانه‌تر و مؤثرتر می‌شود.
• استفاده از دیجیتال توئین برای شبیه‌سازی سناریوهای بحران قبل از وقوع، می‌تواند زمان واکنش سیستم را در بحران واقعی کاهش دهد و تصمیم‌گیری را بهبود بخشد.

4. روش‌ شناسی پژوهش

۴.۱. روش تحقیق

این پژوهش از یک روش ترکیبی (Mixed-Methods) شامل مراحل زیر استفاده می‌کند:

مرحله کیفی (شناسایی نیازها و چالش‌ها):

جمع‌آوری داده‌های ثانویه: بررسی عمیق گزارش‌های رسمی پس از بحران زلزله کرمانشاه، مقالات علمی مرتبط و گزارش‌های سازمان‌های بین‌المللی (مانند سازمان جهانی بهداشت).

تحلیل محتوا: استخراج و طبقه‌بندی نقاط ضعف لجستیکی (هماهنگی، انبارها، ناوگان، سیستم اطلاعاتی) و نیازهای عملیاتی.

مرحله کمی (طراحی، شبیه‌سازی و اعتبارسنجی چارچوب):

طراحی سناریو: ایجاد یک سناریوی بحرانی مبتنی بر داده‌های واقعی زلزله کرمانشاه، شامل نقشه جاده‌ها، موقعیت مراکز جمعیت، نقاط آسیب‌دیده و مراکز توزیع.

شبیه‌سازی پایه: مدل‌سازی سناریو در یک محیط شبیه‌سازی بدون استفاده از الگوریتم‌های پیشرفته AI برای ایجاد خط پایه.

پیاده‌سازی چارچوب هوشمند: اجرای مدل‌های AI (پیش‌بینی، بهینه‌سازی مسیر، تخصیص منابع) بر روی سناریوی شبیه‌سازی‌شده.

شبیه‌سازی دیجیتال توئین (جدید): ایجاد یک کپی دیجیتالی از سناریو و اجرای چندین سناریوی “چه می‌شد اگر” (What-If) برای آموزش سیستم و بهبود الگوریتم‌ها قبل از اجرای واقعی.

5.نتایج

5-1. نتایج تحلیل کیفی (مطالعه موردی کرمانشاه)

• انسداد و آسیب به شبکه راه‌ها: گزارش‌ها نشان می‌دهد که برخی راه‌های فرعی آسیب دیدند و مسیرها لازم بود تغییر کنند؛ این موضوع زمان دسترسی را افزایش داد [4].
• عدم وجود سامانه یکپارچه داده: داده‌های پراکنده میان نهادها باعث تصمیم‌گیری ناکافی شد.
• محدودیت ناوگان: توزیع ناهمگون ناوگان و نبود گزینه‌های جایگزین باعث ایجاد نقاط کور در پوشش مناطق روستایی شد.

5-2. نتایج شبیه‌سازی کمی

مطابق با جدول2، نمودار شبیه‌سازی شکل1 نشان می‌دهد که میانگین زمان سفر در سناریوی پایه 115.3دقیقه و پس از بهینه‌سازی مبتنی بر AI  در شبیه‌سازی 91.3 دقیقه محاسبه شد.کاهش میانگین 24دقیقه حدود (20.8%). این کاهش نمادی از پتانسیل الگوریتم‌های مسیر‌یابی و تصمیم‌یار مبتنی بر داده در شرایط بحران است.

جدول2- شاخص عملکرد قبل و بعد از AI

تفسیر نتایج: کاهش %20.8 در میانگین زمان تحویل، نشان‌دهنده اثربخشی الگوریتم‌های مسیریابی هوشمند است. کاهش چشمگیر %37.8 در شاخص نابرابری جینی و کاهش %75 در تعداد مراکز محروم، به‌طور مستقیم از عملکرد موفق ماژول “تخصیص منابع چندهدفه” نشأت می‌گیرد که عدالت توزیع را به‌عنوان یک هدف کلیدی در نظر می‌گیرد.

شکل1 – نمودار مقایسه‌ای شاخص‌های عملکرد

برنامه شبیه‌ساز لجستیک بحران یک شبیه‌ساز ساده از یک سناریوی بحرانی (مثلاً زلزله) را اجرا می‌کند. در جدول3 نتایج شبیه‌سازی ارائه شده و در شکل2 یک شبکه حمل‌ونقل (گراف) ایجاد می‌کند، سپس تقاضا را در نقاط مختلف شبیه‌سازی کرده و در نهایت از یک الگوریتم بهینه‌سازی (الگوریتم کوتاه‌ترین مسیر دایجسترا) برای یافتن بهترین مسیرها استفاده می‌کند.

جدول3: نتایج شبیه‌سازی دیجیتال توئین (جدید)

تفسیر نتایج: شبیه‌سازی سناریوهای مختلف در محیط دیجیتال توئین، به سیستم اجازه می‌دهد تا برای شرایط اضطراری “آماده” باشد. نتایج نشان می‌دهد که زمان واکنش سیستم در مواجهه با حوادث غیرمترقبه، به‌طور میانگین ۴۰٪ سریع‌تر است، زیرا سیستم قبلاً استراتژی‌های مقابله با این سناریوها را آزمایش و بهینه‌سازی کرده است.

شکل2 – نمودار گراف شبکه حمل و نقل

6. بحث و بررسی

یافته‌های این پژوهش نشان می‌دهد که چارچوب هوشمند-تاب‌آور پیشنهادی نه تنها از نظر نظری معتبر است، بلکه از نظر عملیاتی نیز بسیار مؤثر و قابل اجرا می‌باشد. نکات کلیدی بحث‌برانگیز عبارتند از:

• قدرت یکپارچه‌سازی داده: یکپارچه‌سازی داده‌های ناهمگون IoT، گزارش‌های میدانی، داده‌های جمعیتی در یک پلتفرم مرکزی، اساس تمام تصمیمات هوشمند است. این امر از “جزیره‌های اطلاعاتی” جلوگیری کرده و تصمیم‌گیری را بر اساس یک تصویر جامع و بلادرنگ از وضعیت تسهیل می‌کند.[6][5]
• پیش‌بینی به‌عنوان پیش‌نیاز مدیریت: الگوریتم‌های پیش‌بینی تقاضا، امکان تدارکات پیش‌فعال (Proactive Stockpiling) را فراهم می‌کنند. به‌جای واکنش به کمبودها، سیستم می‌تواند منابع را قبل از بروز بحران به مناطق پرخطر منتقل کند [7].
• بهینه‌سازی پویا و بلادرنگ: الگوریتم‌های ترکیبی مسیریابی قادرند در کسری از ثانیه، هزاران مسیر ممکن را ارزیابی کرده و بهترین گزینه را با در نظر گرفتن شرایط متغیر (ترافیک، آسیب جاده‌ها) ارائه دهند. این قابلیت در شرایط بحران که هر دقیقه حیاتی است، ارزشمند است.
• دیجیتال توئین: آزمایشگاه امن برای بحران، استفاده از دیجیتال توئین یک پارادایم جدید در مدیریت بحران است. این فناوری امکان اجرای “مانورهای دیجیتالی” را فراهم می‌کند و از هزینه‌های بالای مانورهای فیزیکی جلوگیری می‌کند. همچنین، با شبیه‌سازی سناریوهای فاجعه‌بار، می‌توان نقاط ضعف سیستم را قبل از وقوع بحران واقعی شناسایی و رفع کرد.

۶.۱. چالش‌ها و محدودیت‌ها

با وجود تمام مزایا، پیاده‌سازی این چارچوب با چالش‌هایی مواجه است:

• چالش‌های فنی: نیاز به زیرساخت‌های ارتباطی پرسرعت و پایدار در مناطق بحرانی که ممکن است از اولین زیرساخت‌های آسیب‌دیده باشند.
• چالش‌های سازمانی: نیاز به همکاری و اشتراک‌گذاری داده بین نهادهای مختلف که ممکن است دارای فرهنگ سازمانی متفاوت و رقابتی باشند.
• چالش‌های اخلاقی و حقوقی: مسائل مربوط به حریم خصوصی در جمع‌آوری داده‌های موقعیت مکانی و نیاز به تدوین چارچوب‌های قانونی شفاف برای حاکمیت داده.
• چالش‌های انسانی: نیاز به آموزش نیروی انسانی برای کار با این سیستم‌های پیچیده و جلوگیری از وابستگی کامل به فناوری و نادیده گرفتن قضاوت انسانی.

7. نتیجه‌گیری و پیشنهادها

این پژوهش با ارائه یک چارچوب هوشمند-تاب‌آور یکپارچه، نشان داد که ادغام هوش مصنوعی، اینترنت اشیاء و دیجیتال توئین می‌تواند انقلابی در مدیریت لجستیک بحران ایجاد کند. نتایج شبیه‌سازی تأیید می‌کند که این چارچوب قادر است کارایی عملیاتی (کاهش زمان تحویل) و عدالت توزیعی (کاهش نابرابری) را به‌طور همزمان بهبود بخشد.

۷.۱. پیشنهادات کاربردی و عملیاتی

برای تبدیل این چارچوب نظری به یک سیستم عملیاتی، پیشنهادات زیر ارائه می‌شود:

1. ایجاد مراکز لجستیکی منطقه‌ای دیجیتال: تأسیس مراکز توزیع استراتژیک در مناطق پرخطر که مجهز به سیستم‌های ردیابی بلادرنگ (IoT) و ارتباط با پلتفرم مرکزی هستند.
2. راه‌اندازی پلتفرم اطلاعاتی ملی امداد (NEDIP): ایجاد یک پلتفرم ابری امن و یکپارچه برای تبادل داده‌های لجستیکی بین تمام نهادهای دولتی، خصوصی و بشردوستانه. این پلتفرم باید دارای استانداردهای داده یکسان و مکانیزم‌های احراز هویت قوی باشد.
3. پیاده‌سازی سیستم دیجیتال توئین برای آموزش و آمادگی: استفاده از فناوری دیجیتال توئین برای ایجاد یک “آزمایشگاه مجازی بحران”. این سیستم باید برای اجرای مانورهای دیجیتالی دوره‌ای و آموزش نیروهای امدادی استفاده شود.
4. برگزاری مانورهای ترکیبی (فیزیکی-دیجیتال): ترکیب مانورهای فیزیکی سنتی با شبیه‌سازی‌های دیجیتالی برای آزمایش یکپارچگی سیستم و شناسایی نقاط ضعف در شرایط نزدیک به واقعیت.
5. تدوین چارچوب‌های اخلاقی و قانونی: تدوین و تصویب قوانین شفاف درباره مالکیت داده‌ها، حریم خصوصی شهروندان و مسئولیت‌پذیری در تصمیم‌گیری‌های خودکار توسط سیستم‌های AI.
6. سرمایه‌گذاری در نیروی انسانی: ایجاد دوره‌های آموزشی تخصصی برای نیروهای امدادی و مدیران بحران در زمینه کار با سیستم‌های هوشمند و تفسیر خروجی‌های الگوریتم‌های. AI

۷.۲. جهت‌های پژوهشی آینده

• توسعه الگوریتم‌های AI که بتوانند با داده‌های ناقص یا نویزی (در بحران رایج است) به‌خوبی کار کنند.
• مطالعه تأثیر فناوری‌های نوظهور مانند بلاکچین برای افزایش شفافیت و اعتماد در زنجیره تأمین امدادی.
• طراحی مدل‌های همکاری-رقابتی بین نهادهای دولتی و خصوصی در یک پلتفرم یکپارچه.

این چارچوب نه‌تنها یک پیشنهاد نظری، بلکه یک راهکار عملی و ضروری برای ساختن جوامعی تاب‌آورتر در برابر بلایای آینده است. با سرمایه‌گذاری هوشمندانه در این فناوری‌ها، می‌توانیم از درس‌های تلخ گذشته عبرت گرفته و آینده‌ای امن‌تر بسازیم.

کرامت احمدی نیا*¹ ، مجتبی مرهونی²

1-کرامت احمدی نیا، دانشجوی دکتری رشته مدیریت صنعتی-تولید و عملیات-دانشگاه آزاد تهران جنوب، ahmadinia65@gmail.com

2–مجتبی مرهونی، کارشناسی ارشد رشته ریاضی کاربردی-آنالیز عددی-دانشگاه علم و صنعت تهران، mojtaba.marhooni@yahoo.com

8. 8. مراجع

[1] D. Ivanov, “Supply chain resilience and digitalization in times of crisis,” Int. J. Prod. Res., vol. 58, no. 10, pp. 2904–2917, 2020.

[2] M. Chowdhury et al., “AI-based logistics management in disaster response,” Computers & Industrial Engineering, vol. 153, 2021.

[3] J. Smith, “Reinforcement learning for emergency transport networks,” IEEE Trans. Intell. Transp. Syst., vol. 23, no. 5, pp. 4000–4012, 2022.

[4] گزارش نهایی ستاد بحران استان کرمانشاه، “ارزیابی عملکرد سیستم لجستیکی در زلزله ۱۳۹۶”، ۱۳۹۷.

[5] A. Kumar et al., “AI in supply chain management under disruptions,” Int. J. Prod. Econ., 2019.

[6] L. Zhao et al., “Simulation of transport network resilience,” Transportation Research Part E, 2020.

[7] H. Lee et al., “Disaster logistics and supply chain resilience,” J. Oper. Res. Soc., 2018.

[8] F. Boin, A. Boin, “The politics of crisis management,” Cambridge University Press, 2021.

[9] S. Hosseini, K. Barker, “Modeling infrastructure resilience using Bayesian networks,” Reliability Engineering & System Safety, 2016.

[10] T. Altay, W. Green, “OR/MS research in disaster operations management,” European Journal of Operational Research, 2006.

[11] E. Armendáriz, “Digital Twin: A Driver for Innovation and Resilience in Crisis Management,” Journal of Emergency Management, 2023.

[12] Microsoft, “Azure Digital Twins Documentation,” [Online]. Available: https://learn.microsoft.com/en-us/azure/digital-twins/