حکمرانی راهبردی داده در لحظه صفر بحران

به گزارش سیتنا، ابوالفضل روحانی طی مقاله ای تاکید کرد: در شرایط بحران، دسترسی سریع و دقیق به داده می‌تواند مرز میان تصمیم‌گیری مؤثر و تشدید پیامدهای حادثه باشد. حکمرانی داده با ایجاد چارچوبی برای جمع‌آوری، اعتبارسنجی، یکپارچه‌سازی و به‌اشتراک‌گذاری داده‌ها، به سازمان‌ها کمک می‌کند در «لحظه صفر» بحران، تصویری قابل اتکا از وضعیت داشته باشند و بر مبنای شواهد، تصمیم‌های سریع و هماهنگ اتخاذ کنند.

1. مقدمه:

در مواجهه با حوادث، سوانح و فوریت‌های عملیاتی، سازمان‌ها با «مه آلودگیِ اطلاعاتی» مواجه می‌شوند که تصمیم‌گیری را به شدت دشوار می‌سازد لذاحکمرانی داده (Data Governance) در شرایط بحرانی، نه یک مسئله اداری، بلکه یک «زیرساخت حیاتی» برای مدیریت ریسک است. استانداردسازی داده‌ها و شفافیت فرایندها به مدیران اجازه می‌دهد در لحظات حساس، تصمیمات مبتنی بر شواهد اتخاذ کنند و پیامدهای حوادث را از طریق پایش لحظه‌ای کاهش دهند.در شرایط عادی، خطای داده ممکن است منجر به کاهش سود شود؛ اما در شرایط اضطراری (حوادث طبیعی، وقایع سیاسی، خرابی زیرساخت‌های کلیدی یا بحران‌های صادراتی)، داده‌های غلط یا تأخیر در دریافت اطلاعات می‌تواند به بهای جان انسان‌ها، توقف کامل عملیات و خسارات جبران‌ناپذیر تمام شود. برای یک سازمان صادرات‌محور، مدیریتِ شوک‌های ناگهانی (مانند بسته شدن مرزها یا تحریم‌های ناگهانی) نیازمند سیستمی است که در «لحظه صفر» بحران، وضعیت را به درستی ترسیم کند. حکمرانی داده، سنگ‌بنای مدیریتِ واکنش‌گراست.

2- از داده تا خرد

تبیین فرایند داده تا خرد، با معرفی هرم DIKW

ما در عصری زندگی می‌کنیم که داده‌ها و اطلاعات به نوعی باارزش‌ترین منابع به شمار می‌روند. در جلسات و گفتگوهایی که در حوزه‌های گوناگون برگزار می‌شود و حتی در ارتباطات روزمره، واژه داده و اطلاعات بارها استفاده و شنیده می‌شود، اما با وجود تعاریف متعدد درباره تفاوت این مفاهیم، اغلب در زمان مواجهه با آن‌ها، درک دقیق و روشنی نسبت به آن‌ها وجود ندارد.

تصمیم‌گیری و مدیریت داده‌محور نیازمند آشنایی با زنجیره‌ای است که داده‌ها اساس و پایه شکل‌گیری آن هستند. این زنجیره، گاهی با مفهوم هرم یا سلسله‌مراتب نیز بازنمایی می‌شود. از معروف‌ترین این بازنمایی‌ها، هرمDIKW است که طی آن، داده‌ها به خرد تبدیل می‌شوند. دست‌یابی به اطلاعات، دانش، بینش و خرد که به مدد داده‌ها ایجاد می‌شوند، به طور مستقل امکان‌پذیر نیست و هر کدام وابسته به مرحله قبل هستند. از آنجا که درک این اصطلاحات، نخستین گام برای به‌کارگیری آن‌ها و تصمیم‌گیری‌های مبتنی بر داده به شمار می‌رود، به عنوان یک ضرورت، به تعاریف و تفاوت‌های آن‌ها به طور خلاصه پرداخته خواهد شد.

بر اساس نگاه فرایندی به هرم DIKW، ابتدا جمع‌آوری داده انجام می‌گیرد(Data)، با ارتباط اجزا در داده‌های خام اطلاعات شکل گرفته(Information) و با انجام عملیات پردازشی روی اطلاعات، محتوای معنادار با نام دانش (Knowledge) و با مفهوم‌سازی و پیوند زدن کلیت‌های معنادار به‌دست‌آمده، خرد حاصل می‌شود (Wisdom).

داده

داده‌ها مقادیری خام و گروهی از نمادها، کلمات، اعداد و... هستند که در ظاهر ممکن است ارتباط معناداری میان آن‌ها وجود نداشته باشد، اما می‌تواند درک ما بر اساس آن‌ها ساخته شود. روی داده‌ها تحلیل انجام نشده است و به طور معمول بدون ساختار و دسته‌بندی هستند.

اطلاعات

داده‌ها زمانی به اطلاعات تبدیل می‌شوند که با پردازش و سازماندهی معنادار می‌شوند. اطلاعات به سؤالاتی مانند «چه کسی»، «چه چیزی»، «چه زمانی»، «کجا» و «چه تعداد» پاسخ داده، ارتباط اجزای مختلف داده را مشخص کرده و کمک می‌کنند تا الگوها، روندها و همبستگی‌ها را درک کنیم.

دانش

دانش بیانگر درک چگونگی استفاده مؤثر از اطلاعات برای دستیابی به اهداف خاص یا حل مسائل است. دانش به سؤال «چگونه» پاسخ می‌دهد و شامل مهارت‌ها، تخصص و تجربیاتی است که ما را قادر می‌سازد در حوزه‌های مختلف حرکت کنیم. مرحله دانش، تا حدی نگاه به آینده دارد و از این طریق است که به پیش‌بینی‌هایی در زمینه وضعیت آتی دست می‌یابیم.

خرد

خرد، نوعی درک عمیق و فهم ارزش‌آفرین است که تصمیمات مبتنی بر آن اتخاذ می‌شود. این مرحله با ارزیابی‌های مستمر و مشارکتی میان ذی‌نفعان صورت می‌گیرد که شامل بصیرت، ملاحظات اخلاقی و نگاهی جامع از پیامدهای گسترده‌تر و بلندمدت تصمیمات است. به بیان دیگر، خرد را می‌توان توانایی تمایز خوب از بد دانست

3-از محتکران تا متفکران داده

به‌کارگیری داده‌ها، مزایایی همچون دقت و سرعت در تصمیم‌گیری را پیش روی سیاستمداران و تصمیم‌گیران قرار می‌دهد. در این میان اما چالش‌هایی مانع از تکمیل فرایند تصمیم‌گیری مبتنی بر داده می‌شود. از شایع‌ترین این چالش‌ها، شکاف میان جمع‌آوری داده و تصمیم‌گیری مؤثر است. علی‌رغم سرمایه‌گذاری‌های فراوان در زمینه ابزارها و فناوری‌های مرتبط با داده، بسیاری از سازمان‌ها، غنی از داده، اما از نظر دست‌یابی به بینش ضعیف هستند. ریشه این مشکل در تصور غلط رایج از مفهوم «سواد داده» است که آن را تنها در تسلط به ابزار یا فناوری تعریف می‌کند؛ مانند یادگیری استفاده از جدیدترین نرم‌افزار مصورسازی داده‌ها با مهارت داشتن در یک زبان برنامه‌نویسی خاص. اگرچه این مهارت‌های فنی دارای اهمیت هستند، اما تنها بخشی از معنای واقعی سواد داده محسوب می‌شوند. درواقع سواد داده بسیار فراتر از کار با داده‌ها یا ایجاد یک نمودار است.

این مهارت یک قابلیت چند وجهی شامل سه نوع تفکر تحلیلی، نقادانه و خلاق است که با نادیده گرفتن آن‌ها منجر به شکاف بین جمع‌آوری داده‌ها و تصمیم‌گیری مؤثر می‌شود. تفکر تحلیلی شامل تجزیه اطلاعات پیچیده برای کشف بینش از داده‌ها است. این فرایند در مورد کالبدشکافی، بررسی و تفسیر داده‌ها برای آشکار کردن الگوها، روندها و روابط است که ممکن است بلافاصله آشکار نشوند. تفکر نقادانه شامل ارزیابی، پرسش و اعتبارسنجی بینش است تا اطمینان حاصل شود که مرحله قبل، دقیق، مرتبط و بدون سوگیری بوده است. تفکر خلاق شامل تولید ایده‌ها یا راه‌حل‌های جدید با به‌کارگیری بینش‌های معتبر برای توسعه اقدامات راهبردی و نوآورانه است.

این سه نوع تفکر هرکدام به تنهایی برای کار با داده‌ها کافی نبوده و با هم متصل و مکمل یکدیگرند. تفکر تحلیلی بینش‌ها را استخراج می‌کند، تفکر نقادانه آن‌ها را اعتبارسنجی و اصلاح می‌کند و تفکر خلاق آن‌ها را به رهبردهایی نوآورانه تبدیل می‌کند. لذا باید توجه داشت که با تکیه صرف به مسائل فنی در حوزه داده نمی‌توان به رهبری عملیاتی دقیق و مؤثر دست یافت.

4- تفکر سیستمی و تصمیم‌گیری مبتنی بر داده

امروزه داده‌ها به سنگ بنای تصمیم‌گیری در بخش‌های مختلف تبدیل شده‌اند و از این رو، درک مفاهیم مرتبط با آن‌ها بسیار مهم است. با این حال باید توجه داشت که داده، اطلاعات و حتی دانش، تصویری کامل و قابل اطمینان برای تصمیم‌گیری ارائه نمی‌دهند. با وجود اینکه اعداد، آمار و الگوها بسیار ارزشمند هستند، تکیه صرف بر آن‌ها می‌تواند موجب تصمیم‌گیری‌هایی بدون در نظر گرفتن بافتار و ماهیت درهم‌تنیده دنیای امروز شود که اغلب منجر به راه‌حل‌های کوته‌بینانه و عواقب ناخواسته می‌شود.

برای استفاده واقعی از قدرت داده‌ها و تبدیل آن‌ها به خرد، به چیزی بیش از مهارت‌های تحلیلی نیاز است؛ برخورداری از تفکر سیستمی این نیاز را مرتفع می‌کند. تفکر سیستمی دیدگاهی جامع و به هم پیوسته ارائه می‌دهد که در سطح «بینش» (از سطوح هرم داده) برای تصمیم‌گیری بسیار ضروری است. این رویکرد با ایجاد تصویر بزرگ‌تر و ایجاد درکی روشن‌تر از روابط بین اجزای مختلف، موجب تفسیر داده‌ها در ابعاد کامل‌تری می‌شود و در نتیجه راه‌حل‌های دقیق‌تر و پایدارتر، متناسب با پویایی منحصر به فرد هر موقعیت، به دست می‌آید. بدون برخورداری از دیدگاه سیستمی، داده‌ها در معرض سوءاستفاده قرار گرفته و تصمیم‌گیری مبتنی بر آن‌ها به جای اینکه چالش‌ها را مرتفع کند موجب تشدید آن‌ها می‌شود.تفکر سیستمی یک رویکرد تحلیلی است که جهان و چالش‌های آن را اجزایی به هم پیوسته از سیستم‌ها در نظر می‌گیرد تا عناصری مجزا از هم؛ بنابراین با مشاهده تصویری روشن‌تر از روابط بین بخش‌های مختلف، می‌توان الگوها و ساختارها را درک کرد و به راه‌حل‌های بهتری دست یافت.

به عنوان مثال، تراکم ترافیک در یک شهر را در نظر بگیرید. رویکرد سنتی ممکن است فقط بر جریان وسایل نقلیه تمرکز کند و ساخت جاده‌ها یا خطوط بیشتری را برای کاهش ازدحام پیشنهاد دهد، اما متفکر سیستمی به سیستم حمل‌ونقل با وسعت دید بیشتری نگاه کرده و درمی‌یابد که چگونه جاده‌ها، حمل‌ونقل عمومی، خطوط دوچرخه‌سواری، پیاده‌روها و عابران پیاده، فاصله مسافران تا ایستگاه‌های مترو و وسایل نقلیه عمومی، مکان‌های مسکونی، مکان‌های تجاری و کاربری زمین، همگی با هم تعامل دارند و الگوهای ترافیکی را شکل می‌دهند. با درک این عناصر به هم پیوسته، می‌توان راه‌حل‌های جامع و دقیق‌تری پیشنهاد داد؛ مانند بهبود دسترسی به حمل‌ونقل عمومی، تنظیم سیاست‌های منطقه‌بندی، ایجاد انگیزه برای دورکاری، یا دریافت هزینه‌های تراکم. دیدگاه سیستمی به جای علائم سطحی، درک عمیق‌تری در مورد علل ریشه‌ای مشکل ترافیک ارائه می‌دهد.

لازم به ذکر است که به‌کارگیری تفکر سیستمی در تصمیم‌گیری مبتنی بر داده‌ها به معنای نادیده گرفتن شهود انسانی نیست. شهود انسانی که برگرفته از تجربیات زیستی و دانش ضمنی است، نقشی مهم در تصمیم‌گیری ایفا می‌کند. با این حال، هنگامی که با بینش‌های مبتنی بر داده ترکیب می‌شود، به طور تصاعدی حائز ارزش می‌شود.

به عنوان مثال، شهود شما ممکن است به شما بگوید که روحیه کارکنان پایین آمده است و داده‌ها می‌توانند این مسئله را از طریق معیارهایی مانند کاهش بهره‌وری، افزایش روزهای بیماری کارکنان یا بازخورد از نظرسنجی‌ها تأیید یا رد کنند.

5-حکمرانی داده

حکمرانی داده (Data Governance) مجموعه‌ای جامع از اصول، سیاست‌ها، استانداردها، فرایندها، نقش‌ها و سنجه‌ها است که تضمین می‌کند داده‌های یک سازمان در طول چرخه حیات خود، به‌صورت امن، باکیفیت، سازگار، قابل اتکا و منطبق بر قوانین مدیریت و استفاده شوند.بهبیان ساده‌ترمدیریت داده (Data Management) به اجرای فنی و نگهداری داده‌ها (چگونه داده‌ها ذخیره، یکپارچه و بازیابی شوند) می‌پردازد، اما حکمرانی داده (Data Governance) تعیین می‌کند که چه کسی حق تصمیم‌گیری درباره داده‌ها را دارد، چه قوانینی باید رعایت شود، کیفیت داده چگونه سنجیده شود و مسئولیت هر بخش از داده با کیست.

تعاریف از دیدگاه مراجع معتبر بین‌المللی

«حکمرانی داده، اعمال اختیارات، کنترل و تصمیم‌گیری مشترک (برنامه‌ریزی، نظارت و اجرا) بر مدیریت دارایی‌های داده‌ای است.»

«حکمرانی داده عبارت است از تعیین حقوق تصمیم‌گیری و چارچوب پاسخ‌گویی برای تضمین رفتار مناسب در ارزش‌آفرینی، ایجاد، مصرف و کنترل داده‌ها و تحلیل‌ها.»

«یک سیستم تصمیم‌گیری و پاسخ‌گویی برای فرایندهای مرتبط با اطلاعات که طبق مدل‌های مورد توافق اجرا می‌شود؛ مدلی که توصیف می‌کند چه اقداماتی، با چه اطلاعاتی، توسط چه کسانی، در چه زمانی و تحت چه شرایطی می‌تواند انجام شود.»

حکمرانی داده در سوانح طبیعی: ایجاد «زبان مشترک» میان جزایر داده‌ای در سوانح طبیعی، ارگان‌های متعددی دخیل هستند (سازمان هواشناسی، هلال احمر، وزارت نیرو، مدیریت بحران، شهرداری‌ها، نیروهای امدادی و انتظامی). چالش بزرگ این است که هر سازمان داده‌های خود را با فرمت، دقت و سطح دسترسی متفاوتی نگهداری می‌کند.حال نقش حکمرانی داده در اینجا چیست؟

شکستن سیلوی داده‌ها (Data Silos) : الزام قانونی و ایجاد پروتکل‌های استاندارد برای به اشتراک‌گذاری داده‌های ژئورفرنس، هواشناسی و جمعیتی بین تمام دستگاه‌ها

استانداردسازی و کیفیت داده: تعیین دقت مکانی و زمانی داده‌ها (مثلاً استاندارد کدگذاری مناطق آسیب‌دیده و مسیرهای دسترسی)

تعیین سطوح دسترسی و محرمانگی: تعیین اینکه چه سطحی از داده‌های مکانی یا نقدهای آسیب‌پذیری زیرساختی باید عمومی (برای هشدار به شهروندان) و چه سطحی ویژه تیم‌های عملیاتی باشد

به طورخلاصه حکمرانی داده تضمین می‌کند که داده‌های ورودی به سیستم معتبر، یکپارچه، به‌روز و در لحظه وقوع حادثه در دسترس باشند.

نقش‌های اصلی حکمرانی داده:

این تفکیک باعث می‌شود مسئولیت تولید داده، تحلیل آن، تصمیم‌گیری و پایش نتایج با یکدیگر اشتباه نشوند. 

6- پایش داده (Data Monitoring) چیست؟

پایش داده به معنی رصد، جمع‌آوری، پالایش و سنجش مستمر شاخص‌ها و جریان‌های داده‌ای (درون‌سازمانی و برون‌سازمانی) در طول زمان است. پایش داده صرفاً جمع‌آوری آمار نیست، بلکه بررسی مداوم تغییرات، انحرافات از اهداف (Variances)، و روندهای جدید (Trends) است.پایش داده شامل سه سطح اصلی است:

پایش عملیاتی (Operational): رصد روزمره فعالیت‌ها (مثلاً حجم ثبت سفارش‌ها، وضعیت لوله‌های انتقال داده).

پایش تاکتیکی (Tactical): رصد عملکرد دوره‌ای پروژه‌ها و واحدها (مثلاً میزان تحقق شاخص‌های KPI در ماه گذشته)

. پایش راهبردی (Strategic): رصد تغییرات محیطی، قوانین، سنجه‌های کلیدی کلان و رفتار رقبا یا بازار هدف.

7- تصمیم گیری و تصمیم سازی پرسشی داده‌محور

بحث تصمیم‌گیری (Decision Making) و تصمیم‌سازی (Decision Support/Making Process) دو مفهوم مرتبط اما متمایز هستند که در مدیریت راهبردی و سازمانی نقشی حیاتی دارند. با توجه به حوزه کاری شما (اداره راهبرد و پژوهش)، درک تفاوت این دو بسیار اهمیت دارد.

۱. تصمیم‌گیری (Decision Making)

تصمیم‌گیری به فرایند انتخاب یک گزینه از میان چندین گزینه موجود برای حل یک مسئله یا دستیابی به یک هدف مشخص گفته می‌شود. این یک عمل نهایی است که توسط فرد یا گروهی که “صاحب اختیار” هستند (مانند مدیرعامل، هیئت مدیره یا مدیر ارشد) انجام می‌گیرد.

۲. تصمیم‌سازی (Decision Support / Making Process)

تصمیم‌سازی (یا همان فرایند آماده‌سازی برای تصمیم) شامل تمامی فعالیت‌های پیش از اتخاذ تصمیم نهایی است. این فرایند شامل جمع‌آوریاطلاعات، تحلیل داده‌ها، شناسایی گزینه‌ها، ارزیابی پیامدها، و ارائه پیشنهادهای کارشناسی است.

در واقع، تصمیم‌سازان (مانند کارشناسان اداره راهبرد) بستری را فراهم می‌کنند که تصمیم‌گیرندگان بتوانند با کمترین ابهام و ریسک، انتخاب درست را انجام دهند.

برای تبیین نقش حکمرانی داده (Data Governance) در «تصمیم‌سازی» و «پایشِ تصمیمات مدیریتی»، باید پیوند میان کیفیت و کنترل داده را با چرخه تصمیم‌گیری راهبردی بررسی کنیم.

در ادبیات مدیریت راهبردی، حکمرانی داده نقش «ستون فقرات اطمینان‌بخش» (Underlying Trust Anchor) را بازی می‌کند. نقش آن را می‌توان در دو بعد مجزا اما مکمل تشریح کرد:

بخش اول: نقش حکمرانی داده در «تصمیم‌سازی» (Decision-Making Support)

تصمیم‌سازی شامل مراحل تحلیل، غربالگری گزینه‌ها، سناریوسازی و ارائه پیشنهادات سیاستی به مدیران ارشد است. حکمرانی داده کیفیت این فرایند را به روش‌های زیر تضمین می‌کند:

بخش دوم: نقش حکمرانی داده در «پایش تصمیمات مدیریتی» (Decision Monitoring & Auditing)

تصمیم‌گیری پایان کار نیست؛ مرحله حیاتی بعدی، پایش مستمر پیامدها و ارزیابی تحقق اهداف تصمیم است. حکمرانی داده در این مرحله ۴ نقش کلیدی دارد:

حکمرانی داده تضمین می‌کند که فرایند تصمیم‌سازی بر شواهد باکیفیت استوار شود و در فاز پس از اجرا، امکان پایش بدون سوگیری و پاسخ‌گو برای سنجش اثربخشی تصمیمات مدیریتی فراهم گردد.

8- تعریف ریسک در سطح کلیدی: خطر، قرارگیری، آسیب‌پذیری

تعریف رسمی و پذیرفته‌شده‌ی بین‌المللی از سوی سازمان ملل متحد(UNDRR - دفتر کاهش خطر بلایا) به عنوان مرجع استاندارد جهانی ارائه شده است:

ریسک (Risk) ترکیب احتمال (یا فراوانی) وقوع یک خطر در یک بازه زمانی معین و پیامدهای منفی (خسارات) ناشی از برخورد آن خطر با عناصر در معرض خطر است.

Risk = f(Hazard, Exposure, Vulnerability)

یعنی ریسک صرفاً «احتمال وقوع زلزله» نیست؛ بلکه حاصل تعامل سه عامل است:

حضور افراد، ساختمان‌ها، دارایی‌ها و زیرساخت‌ها در منطقه‌ای که در معرض خطر قرار دارد.

نکته کلیدی: اگر در یک بیابان خالی سیل بیاید، «خطر» رخ داده ولی «ریسک» بسیار پایین است، چون هیچ «قرارگیری در معرض» (Exposure) و «آسیب‌پذیری» وجود ندارد. ریسک همیشه نتیجه‌ی تعامل هر سه مؤلفه است.

9- نقش فناوری‌های نوین در مدیریت ریسک

در پژوهش‌های حوزه مدیریت راهبردی ، فناوری نه تنها یک ابزار پشتیبانی، بلکه به عنوان تسهیل‌گر و توانمندساز اصلی (Enabler) در مدیریت ریسک عمل می‌کند. در واقع، در دنیای پیچیده امروز، ریسک‌ها با سرعت بالایی تغییر می‌کنند و مدیریت سنتی دیگر پاسخگو نیست.

نقش فناوری در مدیریت ریسک را می‌توان در ۵ محور اصلی خلاصه کرد

۱. شناسایی و پیش‌بینی زودهنگام (Early Warning Systems)

فناوری‌های مبتنی بر هوش مصنوعی (AI) و تحلیل داده‌های کلان (Big Data) به سازمان‌ها اجازه می‌دهد تا الگوها را پیش از وقوع بحران شناسایی کنند.

۲. خودکارسازی پایش انطباق (Automated Compliance Monitoring)

بسیاری از ریسک‌های صادراتی از نوع قانونی (Legal Gaps - RV)هستند (مانند عدم رعایت استانداردهای کشور مقصد).

۳. یکپارچگی و شفافیت در زنجیره تأمین (Real-time Visibility)

مدیریت ریسک در شراکت‌های راهبردی (SP) نیازمند شفافیت است. فناوری‌های بلاک‌چین (Blockchain) و اینترنت اشیاء (IoT) به سازمان‌ها کمک می‌کنند تا داده‌ها را به‌صورت غیرقابل دستکاری و شفاف بین شرکا به اشتراک بگذارند.

۴. شبیه‌سازی و تحلیل سناریو (Scenario Modeling)

مدیریت ریسک مدرن بر پایه “اگر… چه می‌شود؟” (What-if Analysis) استوار است.

۵. تسریع پاسخ‌دهی (Agile Response)

وقتی ریسکی به وقوع می‌پیوندد، سرعت عمل تعیین‌کننده است. فناوری‌هایابری (Cloud Computing) و پلتفرم‌های یکپارچه مدیریت (ERP/CRM) اجازه می‌دهند تا داده‌های مربوط به ریسک به سرعت به دست مدیران برسد.

«فناوری به عنوان متغیر تعدیل‌گر (Moderator) یا تسهیل‌گر عمل می‌کند.بدین معنا که فناوری:

۱. شکاف‌های شناختی (CV) را از طریق تحلیل داده کاهش می‌دهد.

۲. چابکی بازار (MA) را از طریق افزایش سرعت پاسخگویی افزایش می‌دهد.

۳. ریسک‌های قانونی (RV) را از طریق نظارت خودکار کنترل می‌کند.

10- مراحل 4 گانه حوادث و رخداد

در مرحله پیش‌بینی و پیشگیری، فناوری‌های نوین برای حرکت از مدیریت واکنشی به سمت پیش‌آگاهی و اقدام زودهنگام استفاده می‌شوند.

هوش مصنوعی و یادگیری ماشین (AI/ML):

همچنین از IoT، سنسورها، سنجش از دور و ماهواره‌ها برای پایش سطح آب، ارتعاشات، رطوبت خاک، تغییرات آب‌وهوایی و فرونشست استفاده می‌شود.

هدف اصلی این مرحله، ایجاد هشدار زودهنگام و افزایش «پنجره طلایی اقدام» پیش از تبدیل خطر به سانحه گسترده است.

در مرحله آمادگی:

در مرحله پاسخ، فناوری برای افزایش سرعت عملیات و آگاهی وضعیتیبه کار می‌رود.

پهپادها و ربات‌های امدادی:

هشدارهای برجسته / Cell Broadcast:

برای ارسال هشدارهای فوری، دقیق و مکانی به تلفن همراه شهروندان حاضر در منطقه خطر استفاده می‌شوند.

همچنین GIS بلادرنگ برای شناسایی مسیرهای مسدود، نقاط آسیب‌دیده و مدیریت ترافیک امدادی مطرح شده است.

در مرحله بازتوانی و بازسازی، هدف اصلی افزایش تاب‌آوری و یادگیری از سانحه است.

Blockchain:

Digital Twin:

برای شبیه‌سازی وضعیت پس از سانحه و کمک به اولویت‌بندی بازسازی زیرساخت‌ها مطرح شده است.

Machine Learning بازخورد:

با مقایسه پیش‌بینی‌های قبلی با خسارت واقعی، مدل‌ها اصلاح و برای سوانح آینده بهبود داده می‌شوند.

انتهای پیام