از «دوقلوی دیجیتال شهر» تا «شهر دوقلوی زنده»: بازتعریف حکمرانی شهری در عصر هوش مصنوعی
از «دوقلوی دیجیتال شهر» تا «شهر دوقلوی زنده»: بازتعریف حکمرانی شهری در عصر هوش مصنوعی
چکیده
دوقلوی دیجیتال شهری در سال های اخیر از یک ابزار پیشرفته برای مدل سازی سه بعدی شهر به یکی از مهم ترین فناوری های نوظهور در برنامه ریزی، مدیریت و حکمرانی شهری تبدیل شده است. بااین حال، بخش قابل توجهی از کاربردهای موجود همچنان بر نمایش داده ها، شبیه سازی سناریوها و پایش وضعیت موجود متمرکز است. پژوهش های جدید در سال ۲۰۲۶ نشان می دهند که نسل بعدی دوقلوهای دیجیتال باید از این سطح فراتر رفته و به سیستم هایی پویا تبدیل شوند که میان شهر واقعی، داده های لحظه ای، مدل های پیش بینی، هوش مصنوعی، تصمیم گیران و شهروندان ارتباط دوسویه برقرار می کنند.
در همین راستا، مفهوم جدید Digital Twin Federation برای مدیریت سیستم های پیچیده شهری پیشنهاد شده است؛ چارچوبی که چند دوقلوی دیجیتال را در یک اکوسیستم یکپارچه قرار می دهد و با حفظ Human-in-the-Loop، تصمیم گیری را کاملا به الگوریتم ها واگذار نمی کند. همچنین پژوهش های جدید نشان می دهند که دوقلوهای دیجیتال می توانند در برنامه ریزی اقلیمی، حمل ونقل، کیفیت هوا، انرژی و بازآفرینی شهری به صورت هم زمان عمل کنند.
این مقاله استدلال می کند که آینده دوقلوی دیجیتال نه صرفا Digital Twin of the City، بلکه Living Digital Twin City است؛ شهری که وضعیت خود را به طور مستمر می آموزد، سناریوها را پیش بینی می کند، پیامد سیاست ها را شبیه سازی می کند و از طریق مشارکت انسان ها، چرخه تصمیم گیری را به صورت مستمر اصلاح می کند.
کلیدواژه ها: دوقلوی دیجیتال شهری، هوش مصنوعی، حکمرانی شهری، شهر هوشمند، برنامه ریزی شهری، تصمیم یار، Human-in-the-Loop، داده شهری.
۱. شهر دیگر فقط یک «مکان» نیست؛ یک «سیستم زنده داده ای» است
در برنامه ریزی سنتی، شهر عمدتا از طریق نقشه ها، آمارهای دوره ای و مطالعات میدانی شناخته می شد.
برنامه ریز یک تصویر نسبتا ثابت از شهر تهیه می کرد و سپس بر اساس آن درباره آینده تصمیم می گرفت.
اما شهرهای امروز دائما در حال تغییرند.
ترافیک در طول روز تغییر می کند؛
جمعیت در ساعات مختلف جابه جا می شود؛
کیفیت هوا تغییر می کند؛
مصرف انرژی نوسان دارد؛
دمای محله ها تغییر می کند؛
و حتی رفتار شهروندان در واکنش به سیاست های شهری دگرگون می شود.
بنابراین، مسئله اصلی این است:
چگونه می توان شهری را که دائما در حال تغییر است، با ابزارهایی که عمدتا ثابت هستند مدیریت کرد؟
دوقلوی دیجیتال یکی از پاسخ های مهم به همین پرسش است.
اما دوقلوی دیجیتال نسل جدید دیگر نباید فقط یک مدل سه بعدی زیبا از شهر باشد.
باید بتواند:
شهر را ببیند، بفهمد، پیش بینی کند و از تصمیم گیری درباره آینده آن پشتیبانی کند.
۲. دوقلوی دیجیتال؛ از «مدل شهر» به «مدل تصمیم»
در ساده ترین شکل، Digital Twin یک بازنمایی دیجیتال از یک سیستم واقعی است که با داده های آن سیستم ارتباط دارد.
اما در محیط شهری، موضوع بسیار پیچیده تر است.
شهر مجموعه ای از سیستم های به هم پیوسته است:
حمل ونقل،
مسکن،
انرژی،
محیط زیست،
اقتصاد،
زیرساخت،
کاربری زمین،
و
رفتار شهروندان.
بنابراین اگر هر بخش با یک مدل جداگانه مدیریت شود، بسیاری از روابط میان آنها از دست می رود.
برای مثال، ساخت یک مرکز تجاری جدید فقط مسئله کاربری زمین نیست.
ممکن است هم زمان بر:
ترافیک،
آلودگی هوا،
قیمت زمین،
تقاضای پارکینگ،
مصرف انرژی،
حمل ونقل عمومی
و
الگوی سفر شهروندان
تاثیر بگذارد.
اینجاست که مفهوم Digital Twin Federation اهمیت پیدا می کند؛ یعنی اتصال چند دوقلوی دیجیتال تخصصی در یک سیستم یکپارچه برای فهم تعاملات پیچیده شهری. پژوهش منتشرشده در Transportation Research Part A در سال ۲۰۲۶ این مفهوم را برای ارزیابی پویای سیستم های حمل ونقل شهری مطرح کرده و چهار پایه اصلی شامل تبادل دوسویه فیزیکی–دیجیتال، پایش و برنامه ریزی، ارزیابی نتایج و کنترل انسانی را پیشنهاد می کند.
۳. از «Digital Twin» به «Digital Twin Federation»
می توان این تحول را به شکل زیر تصور کرد:
نسل اول
3D City Model
فقط نمایش شهر.
↓
نسل دوم
Urban Digital Twin
نمایش + داده + شبیه سازی.
↓
نسل سوم
Intelligent Urban Digital Twin
داده + AI + پیش بینی + سناریو.
↓
نسل چهارم
Digital Twin Federation
اتصال دوقلوهای حمل ونقل، انرژی، محیط زیست، ساختمان، اقتصاد و زیرساخت.
↓
نسل پنجم
Living Digital Twin City
سیستمی که به صورت مستمر:
Sense → Learn → Predict → Simulate → Decide → Act → Learn
را تکرار می کند.
این آخرین مرحله است که می تواند واقعا مفهوم شهر دوقلوی زنده را شکل دهد.
۴. شهر دوقلوی زنده چگونه کار می کند؟
فرض کنیم شهرداری قصد دارد یک خیابان پرتردد را بازطراحی کند.
در سیستم سنتی، گزینه های مختلف توسط کارشناسان بررسی می شوند.
اما در یک Living Digital Twin، می توان سناریوهای مختلف را در محیط دیجیتال آزمایش کرد.
برای مثال:
سناریو A
افزایش ظرفیت خودرو.
سناریو B
افزایش حمل ونقل عمومی.
سناریو C
ایجاد مسیر دوچرخه.
سناریو D
کاهش فضای خودرو و توسعه فضای عمومی.
سناریو E
ترکیب حمل ونقل عمومی، فضای سبز و مسیرهای فعال.
سیستم می تواند پیامد هر سناریو را بر:
زمان سفر،
آلودگی،
انتشار کربن،
ایمنی،
اقتصاد محلی،
کیفیت فضای عمومی
و
رضایت شهروندان
شبیه سازی کند.
در نتیجه، برنامه ریزی از:
“What should we build?”
به:
“What happens if we build this?”
تغییر می کند.
این تفاوت، اساس برنامه ریزی سناریومحور آینده است.
۵. هوش مصنوعی؛ مغز دوقلوی دیجیتال
دوقلوی دیجیتال بدون AI می تواند داده های زیادی را نمایش دهد؛ اما AI می تواند از این داده ها الگو و پیش بینی استخراج کند.
برای مثال:
اگر داده های ترافیکی، آب وهوا و کیفیت هوا به صورت لحظه ای وارد سیستم شوند، AI می تواند تشخیص دهد که چه ترکیبی از شرایط احتمال ایجاد یک وضعیت بحرانی را افزایش می دهد.
در پژوهش جدید مربوط به دوقلوی دیجیتال انتشار آلاینده های ترافیکی در شهر، از بینایی عمیق و داده های لحظه ای دوربین ها برای بازسازی انتشار آلاینده ها در مقیاس ساعتی و قطعه خیابانی استفاده شده است.
این یعنی حرکت از:
Annual Data
به:
Real-Time Urban Intelligence
و از:
Monitoring
به:
Prediction
۶. اما یک خطر بزرگ وجود دارد: شهر را نمی توان فقط به الگوریتم سپرد
اینجا یکی از مهم ترین مسائل حکمرانی دیجیتال مطرح می شود.
اگر AI بتواند هزاران سناریو را تحلیل کند، آیا باید خودش تصمیم نهایی را بگیرد؟
پاسخ باید خیر باشد.
زیرا بسیاری از تصمیمات شهری فقط مسئله بهینه سازی نیستند.
برای مثال:
آیا باید خودروها را محدود کنیم؟
آیا باید بخشی از خیابان را به فضای عمومی تبدیل کنیم؟
آیا باید یک محله متراکم تر شود؟
آیا باید زمین یک کاربری خاص به فضای سبز تبدیل شود؟
اینها تصمیمات ارزشی، سیاسی و اجتماعی هستند.
به همین دلیل پژوهش های جدید بر مفهوم:
Human-in-the-Loop
تاکید می کنند.
در معماری Digital Twin Federation، تصمیم گیران و ذی نفعان باید همچنان در طراحی، ارزیابی و اجرای سناریوها نقش فعال داشته باشند.
بنابراین:
AI should inform the decision—not own the decision.
۷. شهروندان؛ «کاربر» دوقلوی دیجیتال یا «هم سازنده» آن؟
یکی از جذاب ترین تحولات پژوهش های جدید این است که دوقلوی دیجیتال دیگر نباید فقط برای مدیران شهری طراحی شود.
پژوهش سال ۲۰۲۶ درباره دوقلوهای دیجیتال اروپایی برای سازگاری اقلیمی نشان می دهد که در کنار شبیه سازی رخدادهای شدید آب وهوایی، مسیر آینده به سمت هم آفرینی راهکارهای سازگاری میان کارکنان شهری و شهروندان حرکت می کند.
این تحول می تواند نقش شهروند را از:
Data Provider
به:
Decision Co-Creator
تغییر دهد.
برای مثال، شهروند می تواند در محیط دیجیتال مشاهده کند:
اگر یک پارکینگ به فضای سبز تبدیل شود چه اتفاقی می افتد؟
اگر یک خیابان پیاده محور شود، ترافیک چگونه تغییر می کند؟
اگر یک ساختمان جدید ساخته شود، سایه اندازی و تراکم چگونه تغییر خواهد کرد؟
این یعنی:
Participation becomes simulation-based.
یا به بیان ساده تر:
شهروند فقط درباره آینده شهر نظر نمی دهد؛ آینده های مختلف شهر را می بیند و درباره آنها تصمیم می گیرد.
۸. دوقلوی دیجیتال؛ آزمایشگاه سیاست شهری
یکی از مهم ترین کاربردهای آینده Digital Twin می تواند ایجاد یک:
Urban Policy Laboratory
باشد.
شهرداری پیش از اجرای سیاست، آن را در محیط دیجیتال آزمایش می کند.
برای مثال:
سیاست
افزایش عوارض ورود خودرو به مرکز شهر.
دوقلوی دیجیتال بررسی می کند:
ترافیک چه تغییری می کند؟
چه تعداد سفر حذف می شود؟
چه گروه هایی بیشتر متاثر می شوند؟
حمل ونقل عمومی چه میزان تقاضای جدید پیدا می کند؟
انتشار آلاینده ها چقدر تغییر می کند؟
اثر اقتصادی آن چیست؟
و سپس سیاست گذار می تواند چند سناریوی جایگزین را مقایسه کند.
بنابراین:
Digital Twin = Urban Policy Sandbox
این تحول می تواند کیفیت تصمیم گیری شهری را به طور اساسی تغییر دهد.
۹. از «شهر هوشمند» به «شهر یادگیرنده»
شهر هوشمند معمولا با مجموعه ای از فناوری ها تعریف می شود:
IoT،
سنسورها،
داده های بزرگ،
AI،
5G/6G،
Digital Twin
و غیره.
اما فناوری به تنهایی شهر را هوشمند نمی کند.
شهر زمانی واقعا هوشمند می شود که بتواند:
از نتایج تصمیم های گذشته یاد بگیرد.
برای مثال، اگر یک سیاست حمل ونقل اجرا شد و نتیجه آن با پیش بینی مدل متفاوت بود، سیستم باید بتواند علت این اختلاف را شناسایی کند.
در اینجا یک چرخه جدید شکل می گیرد:
Policy → Action → Outcome → Learning → New Policy
یعنی شهر از یک سیستم Static Planning به یک سیستم:
Learning Urban Governance
تبدیل می شود.
۱۰. چالش های پنهان: داده، مالکیت، حریم خصوصی و اعتماد
البته شهر دوقلوی زنده بدون چالش نیست.
پژوهش های جدید درباره Urban Digital Twins به مشکلاتی مانند مالکیت داده، یکپارچه سازی داده ها، قابلیت همکاری زیرساخت ها، حریم خصوصی و پیچیدگی های فنی اشاره می کنند.
بنابراین ممکن است یک شهر میلیون ها داده داشته باشد، اما هنوز نتواند آنها را در یک سیستم مشترک استفاده کند.
این موضوع ما را به یک اصل مهم می رساند:
The challenge is no longer data scarcity; it is data governance.
یعنی مسئله آینده صرفا این نیست که:
چه داده ای داریم؟
بلکه:
چه کسی داده را کنترل می کند؟
چه کسی به آن دسترسی دارد؟
چگونه صحت آن تضمین می شود؟
چگونه از آن برای تصمیم گیری استفاده می شود؟
و:
شهروند چگونه می تواند نسبت به تصمیم الگوریتمی اعتراض کند؟
۱۱. چارچوب پیشنهادی «Living Urban Twin Governance»
بر اساس روندهای جدید، می توان یک چارچوب مفهومی برای شهر دوقلوی زنده پیشنهاد کرد:
۱. Sense
دریافت داده های لحظه ای از شهر.
۲. Integrate
اتصال داده ها و دوقلوهای تخصصی.
۳. Understand
تحلیل الگوهای شهری با AI.
۴. Predict
پیش بینی پیامدهای احتمالی.
۵. Simulate
آزمایش سناریوهای مختلف.
۶. Deliberate
مشارکت شهروندان، کارشناسان و ذی نفعان.
۷. Decide
تصمیم گیری انسانی و نهادی.
۸. Act
اجرای سیاست.
۹. Learn
ارزیابی نتیجه و بازگشت داده به سیستم.
بنابراین چرخه نهایی چنین است:
Sense → Integrate → Understand → Predict → Simulate → Deliberate → Decide → Act → Learn
این چرخه می تواند پایه یک مدل جدید برای:
Living Urban Digital Governance
باشد.
۱۲. آینده برنامه ریزی شهری: «قبل از ساختن، شبیه سازی کن»
شاید مهم ترین پیام این تحول همین باشد.
در گذشته، بسیاری از سیاست ها ابتدا اجرا می شدند و سپس پیامدهای آنها ارزیابی می شد.
در آینده:
Simulate First, Build Later
می تواند به یکی از اصول اصلی برنامه ریزی شهری تبدیل شود.
پیش از ساخت یک خیابان، محله، پل، مرکز حمل ونقل یا پروژه بازآفرینی، می توان اثرات آن را در دوقلوی دیجیتال بررسی کرد.
این رویکرد نه تنها می تواند هزینه خطا را کاهش دهد، بلکه امکان مقایسه سناریوهای متعدد را قبل از تصمیم نهایی فراهم می کند.
نتیجه گیری
دوقلوی دیجیتال شهری در حال عبور از مرحله ای است که در آن صرفا به عنوان یک مدل سه بعدی یا ابزار نمایش داده ها استفاده می شد.
پژوهش های ۲۰۲۶ نشان می دهند که مسیر آینده به سمت دوقلوهایی حرکت می کند که چند سیستم شهری را به یکدیگر متصل می کنند، داده های لحظه ای را دریافت می کنند، سناریوها را شبیه سازی می کنند، از AI برای پیش بینی استفاده می کنند و در عین حال کنترل انسانی و مشارکت ذی نفعان را حفظ می کنند.
از این منظر، آینده شهر هوشمند را می توان نه صرفا:
Smart City
بلکه:
Living Digital Twin City
تعریف کرد.
شهری که:
داده دریافت می کند،
یاد می گیرد،
پیش بینی می کند،
سناریوها را آزمایش می کند،
با شهروندان گفت وگو می کند،
تصمیم می گیرد،
و سپس از نتایج تصمیم خود دوباره یاد می گیرد.
در چنین الگویی، دوقلوی دیجیتال دیگر یک «تصویر دیجیتال از شهر» نیست؛ بلکه به زیرساخت جدید حکمرانی شهری تبدیل می شود.
و شاید مهم ترین اصل برنامه ریزی شهری آینده این باشد:
شهر آینده را نباید فقط روی زمین ساخت؛ باید ابتدا آن را در یک محیط دیجیتال آزمود، درباره آن گفت وگو کرد و سپس بهترین سناریو را به واقعیت تبدیل کرد.
منابع
- Van der Jeugt, L. (2026). Exploring European urban digital twins for climate adaptation. Urban Transformations, 8, 15.
- Ricciardi, G., Callegari, G., & Leone, M. F. (2026). Guidelines for creating a urban digital twin module for urban regeneration scenarios assessment that include climate change mitigation and adaptation. Cities, 174, 107020.
- Digital twin federation for urban mobility assessment: Definition, pillars, and a human-in-the-loop functional architecture. (2026). Transportation Research Part A: Policy and Practice, 211, 105086.
- Vicente-Martínez, P., Soria-Olivas, E., Chust-Ros, A., et al. (2026). Generative AI-Driven Digital Twin Architecture for Urban Mobility Simulation and Decision Support. Smart Cities, 9(7), 109.
- Trabert, T., Brockfeld, E., Sohr, A., et al. (2026). Urban digital twin for environmentally sensitive mobility planning: Conceptual framework and application in pilot region Leipzig. International Journal of Applied Earth Observation and Geoinformation, 152, 105477.
- Wang, T., Bakare, B., Fu, J. S., et al. (2026). Digital twin for city traffic emissions using deep vision and real time monitoring. npj Sustainable Mobility and Transport.
- From data to impact: Lifecycle-oriented digital twins for urban heat island mitigation and climate resilience. (2026). Sustainable Cities and Society, 146, 107511.
