گذار از سنجش کالبدی به سنجش تجربه زیستی

شکست پارادایم موجود: لزوم گذار از سنجش کالبدی به سنجش تجربه زیستی در فضاهای پیاده

ارائه مدل یکپارچه‌سازی داده‌های شهری (UIWDM) برای تحلیل رفتار پیاده با کمک هوش مصنوعی- چارچوبی برای فهم نوین حرکت عابرپیاده در شهر

۱. مقدمه: از پیاده‌رو تا تجربه زیسته

دربرنامه‌ریزی شهری ایران، نگاه به پیاده‌روی همچنان در بند «شاخص‌های کالبدی» باقی مانده است. عرض پیاده‌رو، نوع مصالح، کف‌سازی، شیب و رمپ هرچند ضروری است، اما تنها بخش کوچکی از «واقعیت پیاده» هستند. آنچه غایب است، تجربه زیسته و ادراکی عابرپیاده از جمله احساس امنیت، گسست حواس، آرامش، تعلق، مشارکت اجتماعی و کیفیت حرکت و جابجایی است.

شخصاً در دوره همکاری با شهرداری مشهد به عنوان مشاور شهردار، تجربه‌ای عینی از این ضعف داشتم. بیش از یک میلیون مترمربع پیاده‌رو درشهرمشهد بهسازی و نوسازی شده بود، اما بخش مهمی از این نوسازی‌ها دقیقاً در مسیرهای پرتقاضا نبودند. مسیرهای پیاده در قالب یک شبکه یکپارچه دیده نشده بود و مهم‌تر از آن، رابطه میان طراحی و تجربه زیسته شهروندان سنجیده نشده بود. پروژه‌ها بیش از حد «کالبدگرا» بودند و نیازهای عابران تنها از خلال استانداردهای فنی دیده شده بود. این مقاله با به چالش کشیدن این نگرش تقلیل‌گرا، استدلال می‌کند که «تجربه زیسته» عابر پیاده به عنوان هسته مرکزی ادراک و تعامل با فضا، باید در کانون روش‌های سنجش، طراحی، اجرا و ارزیابی با استفاده از رهیافت‌های بین‌رشته‌ای (شهرسازی، روانشناسی محیطی، پدیدارشناسی) قرار گیرد.

شهرهای پیشرو جهان امروزه وارد یک پارادایم جدید در خصوص جابجایی پیاده شده‌اند که از سنجش کالبدی به سنجش ادراک، رفتار، احساس و کیفیت رسیده اند. این مقاله ناظر به این نگاه، مدل (Urban Integrated Walking Data Model- UIWDM) را معرفی می‌کند. یکی از نخستین مدل مفهومی در زبان فارسی که سنجش چندساحتی پیاده‌روی را با هوش مصنوعی، داده های عظیم (Big Data) با یکپارچه‌سازی داده‌های شهری پیوند می‌زند.

مدل UIWDM یک رویکرد نوین برای فهم رفتارپیاده در شهرهای داده‌محور ارائه می‌کند. داده‌های پراکنده شهری را یکپارچه می‌کند و با یادگیری ماشین، رفتار واقعی پیاده‌ها را تحلیل می‌کند. ابزاری قدرتمند برای سیاست‌گذاری مبتنی بر شواهد فراهم می‌آورد. این مدل می‌تواند رفتار پیادگان را با دقتی بسیار بالا تحلیل و پیش‌بینی کند. شهرهای امروز با تعداد زیادی داده پراکنده مواجه‌اند:

داده حمل‌ونقل (سفرها، زمان‌ها، تراکم‌ها)
داده محیطی (کیفیت فضا، کاربری زمین، کیفیت پیاده‌راه‌ها)
داده رفتاری ( (GPS، ردپای دیجیتال، تحلیل ویدیو
داده هوشمند سنسورها، IoT

اما این داده‌ها معمولاً یکجا نبوده و جدا از یکدیگرشکل گرفته اند، لذا تحلیل رفتار پیاده بدون یکپارچگی داده، تصویر ناقصی ارائه می‌دهد. هدف از این مقاله آن است که به این سؤال پاسخ ‌دهد که چگونه می‌توان ازداده‌های شهری یکپارچه، الگوهای واقعی پیاده‌روی را استخراج کرد؟

۲ دیدگاه نظری: چرا پارادایم قدیمی شکست خورده است؟

۲.۱. پیاده‌روی یک پدیده چندوجهی است.

پیاده‌روی به اعتقاد میدلتون (۲۰۲۲)، تنها یک جابجایی فیزیکی نیست، بلکه تجربه‌ای عاطفی-ادراکی است. کیفیت فضا به عقیده وایت (۱۹۸۰)، از سطح تعامل اجتماعی قابل اندازه‌گیری است و شهرهای موفق از نظر گهل (۲۰۱۰) ، شهرهایی هستند که برای «انسان» و تجربه چندحسی او طراحی شده‌اند.

۲.۲. نقش عواطف در تجربه شهری

احساسات و عواطف بر رفتار و تصمیم سازی فرد در فضای شهری تاثیر می گذارد، از این رو شهروندان به عنوان جزء اصلی فضای شهری ازطریق احساسشان نقش اساسی درفرآیند مطالعات و تجربه شهری دارند. پیادگان فقط به دلیل داشتن یک پیاده‌رو خوب راه نمی‌روند، بلکه به دلیل داشتن یک تجربه خوب راه می‌روند. به اعتقاد دماسيو (1994) احساسات موتور پردازش شناختی‌اند و رفتار را هدایت می‌کنند. همچنانکه جین جیکوبز (1961) امنیت ادراک‌شده را پیش‌نیاز حضور پیاده در شهرمی داند.

۳.۲. شکاف موجود در مدل‌های رایج سنجش پیاده‌روی

نقاط قوت و ضعف 4 مدل رایج سنجش پیاده روی و تفاوت آن با مدل پیشنهادی در جدول زیر آمده است.

مدل	نقطه قوت	محدودیت	تفاوت با IWEMS
Walk Score	سنجش دسترسی	بی‌توجهی به تجربه	Iداده ذهنی دارد
Place Pulse (MIT)	ادراک بصری	فقط تصویر	I داده واقعی و عاطفی دارد
Jan Gehl Metrics	مشاهده رفتارها	عدم سنجش احساسات	احساسات را وارد مدل می‌کند
Happy City Indicators	رفاه ذهنی	نبود لایه کالبدی دقیق	ترکیب دو لایه عینی/ذهنی

۴. مدل پیشنهادی یکپارچه‌سازی داده‌های شهری (Urban Integrated Walking Data Model – UIWDM)

درمطالعات پیاده مداری (Active Mobility)، داده‌های فضایی (Spatial Data) پایه‌ی همه تحلیل‌ها هستند. این داده ها شامل نقشه‌برداری از کیفیت پیاده‌روها، تشخیص الگوهای حرکت عابران، تحلیل ایمنی نقاط حادثه‌خیز، تلفیق GPS، داده‌های محیطی، داده‌های IoT و سنسورها و مدل‌سازی رفتارحرکتی درشهر می باشند. درمدل ارایه شده ( UIWDM )، لایه اول (Urban Multi-Source Data) دقیقاً بر مبنای داده‌های فضایی است.

۴- ۱. ساختار مدل:

مدل UIWDM حول یک هسته مرکزی به نام «لایه تحلیلی یکپارچه» طراحی شده است که دوجریان داده اصلی را دریافت و تلفیق می‌کند. این مدل در ۵ لایه تحلیلی یکپارچه شامل: لایه عینی (Objective Layer) ، لایه ذهنی (Subjective Layer)، لایه تحلیلی یکپارچه هسته مدل UIWDM)) و سیستم پیشنهاد بهینه‌سازی می باشد که در کنار هم رفتارپیادگان را تحلیل و الگوها را کشف می‌کند.

۴- ۲. لایه عینی (Objective Layer)

شامل تمام داده‌های قابل‌مشاهده و‌اندازه‌گیری می باشد. جمع‌آوری داده های شهری (Urban Multi-Source Data Layer) شامل موارد زیر می باشد:

عرض و کیفیت پیاده‌رو
سایه، دما، باد (Microclimate)
مکان‌یابی خدمات شهری
تراکم جمعیت
GPS، مسیرهای واقعی پیاده
داده‌های بینایی کامپیوتر
داده‌های IoT و سنسورها

۴–۳. لایه ذهنی (Subjective Layer)

آنچه شهروند احساس، ادراک و تجربه می‌کند:

سنجش احساس چهره
نقشه احساسی مسیر
درک امنیت
حس تعلق
کیفیت تعاملات اجتماعی
رضایت از مسیر

۴.۳. لایه ادغام داده (Fusion Layer)

تمام داده‌های بالا استانداردسازی، پاک سازی وهم‌تراز می‌شوند:

هم‌وزن‌سازی داده‌های فضایی / زمانی
Cross-domain fusion
تبدیل داده غیرهمگن به داده قابل مدل‌سازی

۵.۳. لایه تحلیلی (Machine Learning Analysis Layer)

لایه تحلیلی یکپارچه هسته مدل UIWDM)) یا تحلیل هوشمند (Machine Learning Analytics Layer)می باشند. مدیریت شهری برای اینکه بداند، چرا یک فضا باعث افزایش یا کاهش پیاده‌روی می‌شود به سه گروه الگوریتم شامل الگوریتم های تشخیص الگو، پیش‌بینی رفتار برای داده‌های زمانی پیاده‌روی و الگوریتم‌های تفسیری نیاز دارد. این تحلیل با ادغام موارد زیر بدست می آید:

الف) الگوریتم‌های تشخیص الگو(Pattern Detection)

خوشه‌بندی مسیرها
تشخیص نقاط گلوگاهی
تحلیل ازدحام

ب) الگوریتم‌های پیش‌بینی رفتار ( (Prediction) Behavior

سری‌های زمانی
پیش‌بینی تعداد عابر درساعت
پیش‌بینی نقاط استرس

د) هوش مصنوعی قابل‌تفسیر (Explainable AI – SHAP)

برای اینکه شهرداری بداند چرا یک فضا خوب یا بد عمل می‌کند.

ج. لایه سیاست‌گذاری و طراحی (Policy & Design Layer)

این لایه شامل تحلیل مسیرهای با ارزش بالا، پیش‌بینی نقاط پرخطر و ناپایداری پیاده‌روی و طراحی مداخلات شهری براساس شواهد واقعی می شود. بنابراین اولویت‌بندی پروژه‌ها براساس تاثیرگذاری بر تجربه زیستی و نه صرفاً معیارهای فنی است. ارائه پیشنهادهای مشخص برای بهبود براساس تحلیل یکپارچه طراحی از مداخلات هدفمند صورت می پذیرد و ارزیابی اثرگذاری با اندازه‌گیری موفقیت پروژه‌های اجراشده با معیارهای ترکیبی عینی-ذهنی صورت می گیرد.

طراحی مداخلات بر اساس شواهد
اولویت‌بندی پروژه‌های پیاده‌ (مسیرپیاده- پیاده راه)
طراحی سناریوهای آینده
ارزیابی پس از اجرا (Post-Occupancy Evaluation)

۵. نمونه‌های اجرا شده جهانی (Case Studies):

سنگارپورمجازی(Virtual Singapore) و لس‌آنجلس (LA GeoHub):

برای درک این مدل به دو نمونه موردی از تجربه شهرهای جهان اشاره می شود:

پلتفرم مجازی سنگاپور « Virtual Singapore » یک نمونه از به کارگیری این مدل است. این پلتفرم سه‌بعدی دیجیتال، شامل داده‌های پیاده‌روی از جمله جریان‌های جمعیتی پیاده، شرایط محیطی (سایه، باد، دما) برای دسترسی به ایستگاه‌های حمل‌ونقل عمومی که در طراحی مسیرهای پیاده‌روی سایه‌دار و خنک استفاده می‌شود را باهم به کار گرفته و تلفیق می کند.

یکی دیگر از نمونه کامل اجرای مدل UIWDM ، پروژه لس‌آنجلس (LA GeoHub) است. این شهر دارای ۴۰ نوع داده شهری، ۱۲ منبع داده حرکتی و تحلیل هوش مصنوعی برای پیش‌بینی نقاط تصادف و پیاده‌روی می باشد که از ترکیب آنها میزان عبور پیاده را درخیابان‌ها تا ۱۲٪ افزایش یافته است. همچنین نقاط خطر را تا ۲۸٪ کاهش داده و باعث شده تا طراحی پیاده‌رو‌های جدید سریع‌تر و دقیق‌تر انجام پذیرد. اینها نمونه بارز سیاست‌گذاری مبتنی بر داده های مدل است.

این مدل‌ها گرچه هنوز بعضا به صورت پروژه‌های پژوهشی یا محدود استفاده می‌شوند، اما به تدریج در شهرهای پیشرو در حال تبدیل به ابزارهای عملیاتی برنامه‌ریزی هستند. ادغام با داده‌های سلامت (مانند شمارش قدم‌ها از اپلیکیشن‌ها) ، استفاده از بینایی کامپیوتر برای تحلیل رفتارعابران و مدل‌سازی پیش‌بینی کننده براساس یادگیری ماشین از روندهای آینده رو به توسعه در بسیاری از شهرهای جهان است.

متاسفانه در حال حاضردرایران داده‌های پیاده‌روی، حسگرهای شهری، داده حمل‌ونقل، احساسات و ادراک، ویدیو و بینایی کامپیوتر، داده‌های جمعیتی، داده‌های کیفیت فضا هرکدام در یک جزیره جداافتاده‌اند و هیچ‌جا به‌طور هم‌زمان تحلیل نمی‌شوند. بنابراین استفاده از این مدل پیشنهادی (UIWDM) تنها با پرکردن این شکاف امکان پذیر می باشد.

۶. نتیجه‌گیری

پارادایم حاکم بر برنامه‌ریزی شهری ایران، با توقف در مرحله بعضا سنتی و تمرکز انحصاری بر شاخص‌های کالبدی، از سنجش «تجربه زیسته» عابرپیاده غافل مانده است. این مقاله با نگاهی انتقادی به این شکاف، «سامانه یکپارچه سنجش تجربه پیاده‌روی (UIWEM)» را به عنوان مدلی نوآورانه معرفی می‌کند.

مدل UIWDM یک رویکرد نوین برای فهم رفتارپیاده در شهرهای داده‌محور ارائه می‌کند. این مدل داده‌های پراکنده شهری را یکپارچه می‌کند که با یادگیری ماشین، رفتار واقعی پیاده‌ها را تحلیل می‌کندد وابزاری قدرتمند برای سیاست‌گذاری مبتنی بر شواهد را فراهم می‌آورد. در نتیجه تصمیم‌گیری دراین گونه شهرها ، نه براساس حدس، بلکه براساس الگوی واقعی حرکت انسان پیاده ساخته می‌شود. اما بدون شک گذار به پارادایم سنجش تجربه زیسته، تنها یک تغییر روش‌شناختی نیست، بلکه یک تحول فلسفی در نگرش به شهر و شهروند است. این گذار مستلزم آن است که:

طراحان و برنامه‌ریزان، خود را درجایگاه «مستخدم فضا» بگذارند و به جای مردم تنها تصمیم نگیرند؛
معیارهای موفقیت یک فضای پیاده، از «تطابق با استانداردهای فنی» به «توانایی خلق تجربه‌های غنی و به‌یادماندنی» تغییر یابد؛
فرآیند طراحی، مشارکتی و مردم‌محور شود.

مدل IWEMS با ارائه چارچوبی یکپارچه برای سنجش تجربه پیاده‌روی، می‌تواند شکاف بین برنامه‌ریزی کالبدی و تجربه زیسته را پر کند و داده‌های مورد نیاز برای تصمیم‌گیری اثربخش و انسان‌محور را فراهم آورد. همانطور که میدلتون (۲۰۲۲) تأکید می‌کند، «پیاده‌روی فقط حرکت از نقطه A به B نیست، بلکه روشی برای بودن در شهر است». مدل IWEMS، ابزاری برای درک، سنجش و بهینه‌سازی این «بودن» را فراهم می‌کند.

مدل ارایه شده در 5 لایه تحلیلی یکپارچه شامل لایه عینی، لایه ذهنی ، لایه تحلیلی یکپارچه هسته مدل و سیستم پیشنهاد بهینه‌سازی می باشد که در کنار هم رفتار پیادگان را تحلیل و الگوها را کشف می‌کند و چارچوبی عملیاتی برای گذار از سنجش فیزیکی به سنجش تجربه زیسته را فراهم می‌سازد. خروجی این مدل، داده‌های یکپارچه و خردمندانه‌ای است که مدیریت شهری را در حرکت به سوی تحقق شهر هوشمند با احساس‌آگاه یاری می‌رساند.

در مجموع، مدل UIWDM پاسخی است به یک نیاز اساسی است که «پیاده‌روی فقط حرکت نیست، بلکه تجربه است». بنابراین برنامه‌ریزی شهری باید از «طراحی فضا» به «طراحی تجربه» تغییر کند. معیاراصلی موفقیت یک مسیر پیاده، «مصالح بهتر» نیست، بلکه «تجربه بهتر» است. شهرهوشمند بدون «احساس‌آگاه بودن» ناقص است. لذا، داده‌ها باید تجمیع شوند تا تصویر واقعی از حرکت پیاده ساخته شود. مدلUIWDM این گذار را ممکن می‌کند و یک چارچوب آینده‌گرا برای فهم رفتارعابرپیاده در شهرهای پیچیده امروز ارائه می‌دهد.

منابع: