تاریخچه شکل گیری oecd و غنای نظری

غنای ادبیات سیاست گذاری مبتنی بر داده های مکانی - محمد سجاد نوروزی

 تاریخچه شکل گیری چنین تحولات ساختاری را می توان در توسعه سامانه های اطلاعات جغرافیایی(GIS) از دهه ۱۹۶۰ به بعد دنبال کرد، اما انقلاب واقعی با ترکیب 5G، IoT و AI در دهه اخیر رقم خورد. امروزه داده های مکانی با دقت بالا و در زمان واقعی تولید می شوند، وOECD از طریق همکاری با شرکت هایی مانند Ericsson (2024) این داده ها را به ابزارهای سیاست گذاری ترجمه می کند (Banket, 2024) بدین ترتیب، ماموریت آزمایشگاه تحلیل ژئواسپاتیال OECD را می توان پلی دانست میان دنیای فناورانه داده و قلمرو سیاست عمومی؛ پلی که هدف آن تبدیل داده های پراکنده و خام به بینش های راهبردی است که می تواند تصمیم گیری های ملی و منطقه ای را عادلانه تر، کاراتر و آینده نگرتر سازد. 

این ماموریت در نهایت بر یک پرسش محوری استوار است: چگونه می توان از داده های مکانی برای ساختن سیاست هایی استفاده کرد که نه تنها به رشد اقتصادی کمک کنند، بلکه تاب آوری اجتماعی و زیست محیطی جوامع را نیز ارتقا دهند؟

 تا سال ۲۰۲۵، با وجود رشد چشمگیر کاربردهای ژئواسپاتیال در بخش های خصوصی و دانشگاهی، ادبیات علمی مرتبط با سیاست گذاری عمومی مبتنی بر داده های مکانی همچنان محدود و عمدتا توصیفی است. بر اساس بررسی انجام شده در پایگاه های داده Scopus و Web of Science، تنها ۲۸ مقاله با کلیدواژه های "OECD Geospatial Lab" و "policy making" تا پایان سال ۲۰۲۴ منتشر شده اند که از این میان، صرفا ۹ مقاله به تحلیل نظام مند عملکرد و میزان تاثیرگذاری این آزمایشگاه پرداخته اند(Scopus, 2025). این شکاف نظری، به ویژه در تحلیل مکانیزم های انتقال دانش از سطح بین المللی به سیاست گذاران ملی، به وضوح مشاهده می شود. افزون بر این، اغلب مدل های نظری موجود مانند چارچوب سیاست گذاری مبتنی بر شواهد (Evidence-Based Policy Making) تمرکز خود را بر داده های آماری کلان(Macro Data) معطوف کرده و بعد فضایی را به صورت حاشیه ای در نظر گرفته اند(Head, 2016). در مقابل، آزمایشگاه ژئواسپاتیال OECD با معرفی مفهوم هوشمندی سیاست گذاری مبتنی بر مکان (Place-Based Policy Intelligence)که در گزارش سال ۲۰۲۴ به تفصیل تشریح شده است، چارچوبی نوین ارائه می دهد که داده های مکانی را در هسته تصمیم سازی و تحلیل سیاستیقرار می دهد (OECD, 2024h) از این منظر، پژوهش حاضر با تحلیل ساختار، فرآیندها و خروجی های این آزمایشگاه، می تواند به توسعه نظریه سیاست گذاری فضایی (Spatial Policy Theory) یاری رساند و زمینه آزمون فرضیه هایی مانند این گزاره را فراهم سازد که ادغام داده های مکانی در چرخه سیاست گذاری، دقت، کارایی و عدالت تصمیمات عمومی را افزایش می دهد.

نتایج تحلیل اسناد رسمی، گزارش های سالانه ۲۰۲۴–۲۰۲۵ OECD و مقالات نمایه شده در Scopus و Web of Science نشان می دهد که آزمایشگاه تحلیل ژئواسپاتیال OECD (OECD Laboratory for Geospatial Analysis)، که از سال ۲۰۲۱ تحت مدیریت مرکز کارآفرینی، مناطق و شهرها (Centre for Entrepreneurship, SMEs, Regions and Cities – CFE) فعالیت می کند، یکی از نوآورترین نهادهای داده محور بین المللی در عرصه سیاست گذاری عمومی محسوب می شود(OECD, 2024a) این آزمایشگاه نه تنها به عنوان یک واحد تحلیلی عمل می کند، بلکه یک اکوسیستم چندسطحی از همکاری میان سیاست گذاران، دانشمندان داده، نهادهای آماری، و بخش خصوصیاست که ماموریت آن، ارتقای سیاست گذاری مبتنی بر داده های مکانی در سطوح ملی، منطقه ای و شهری تعریف شده است. در چشم انداز ۲۰۲۵، ماموریت رسمی آزمایشگاه «تبدیل داده های مکانی به بینش های سیاستی قابل اقدام» تعریف شده و این نهاد نقشی راهبردی در توسعه سیاست گذاری مبتنی بر مکان(Place-Based Policy) ایفا می کند. بر اساس مدل حکمرانی داده OECD، این آزمایشگاه سه لایه اصلی دارد:

۱. لایه فنی(Data Infrastructure Layer) برای جمع آوری و استانداردسازی داده ها،
۲. لایه تحلیلی(Analytical Layer) برای توسعه مدل های مکانی و الگوریتم های یادگیری ماشین،
۳. لایه سیاستی(Policy Interface Layer) برای ترجمه یافته ها به توصیه های سیاست گذاری.

ساختار درونی آزمایشگاه شامل چهار جریان کاری اصلی (Work Streams) است که هرکدام بر محور متفاوتی از تحلیل فضایی تمرکز دارند:

1. ادغام داده های مکانی و آماری رسمی [1]

این جریان با هدف هم افزایی میان داده های مکانی مانند تصاویرSentinel از برنامهCopernicus و آمار رسمیOECD وEurostat ایجاد شده است. گزارش ۲۰۲۴ نشان می دهد که بیش از ۱۵ پتابایت داده در قالب گریدهای مکانی ۱×۱ کیلومتر پردازش شده اند تا شاخص های زیرملی در حوزه های مسکن، محیط زیست، اشتغال و دسترسی به خدمات تولید شوند(OECD, 2024b)

2. کاربرد داده های بخش خصوصی در سیاست گذاری [2]

این جریان، همکاری میان OECD و شرکت های فناوری مانند Google، Uber و HERE را سامان داده تا داده هایGPS و حرکتی بخش خصوصی به مدل های سیاستی تزریق شوند. داده های ناشناس سازی شده از این شرکت ها در دوران کووید-۱۹، ابزار تحلیلی موثری برای تصمیم گیری های محلی در حوزه سلامت عمومی فراهم کرد (Banquet, 2024)

3. تحلیل تغییرات شهری و منطقه ای[3]

تمرکز این جریان بر استفاده از دیجیتال تویین ها (Digital Twins)، هوش مصنوعی مکانی (GeoAI) و شبیه سازی سه بعدی برای مدل سازی تحولات شهری است. در کارگاه بین المللی ۲۰۲۵ با همکاریKRIHS وMIT، مدل های پیش بینی تاثیر تغییرات اقلیمی بر زیرساخت های شهری توسعه یافت که دقت مکانی تا سطح سانتی متری داشت (OECD, 2025a).

4. توسعه عدالت فضایی و ارزیابی نابرابری های مکانی (Spatial Equity Analysis):
این جریان ماموریت دارد با استفاده از شاخص هایی چون Spatial Access Index، نابرابری فضایی در دسترسی به آموزش، حمل ونقل و خدمات سلامت را ارزیابی کند. گزارش OECD Regions and Cities at a Glance 2024 نشان داد که ۴۰٪ مناطق شهری کشورهای عضو با شکاف های عدالت فضایی مواجه اند (OECD, 2024b)در ساختار مدیریتی آزمایشگاه، کلودیا بارانزلی (Claudia Baranzelli) به عنوان مدیر، مدل حکمرانی شبکه ای را پیاده کرده است. تحلیل شبکه ای همکاری ها در ۲۰۲۴–۲۰۲۵ نشان می دهد که این آزمایشگاه با بیش از ۱۰۰ نهاد بین المللی و ۳۸ دولت عضو ارتباط فعال دارد و شاخص «ضریب اتصال بین سازمانی» آن ۰.۸۵ است — رقمی که نشان دهنده انسجام بی سابقه در شبکه سیاستی داده محور OECD است (OECD, 2024a)

لازم به ذکر است بررسی اسناد نشان می دهد که در جریان نشست ۲۰۲۱، سه یافته اساسی مورد تاکید قرار گرفت:

1. اهمیت حکمرانی داده های مکانی (Spatial Data Governance):

حاضران بر لزوم تدوین چارچوب های حاکمیتی شفاف برای تبادل داده میان نهادها و حفظ حریم خصوصی تاکید کردند. این مسئله، یکی از چالش های اصلی سیاست گذاری مبتنی بر داده در سطح ملی و بین المللی است (OECD, 2021).

2. نقش داده های مکانی در ارزیابی سیاست ها:

داده های مکانی می توانند به عنوان ابزار پایش اثر سیاست های اقتصادی و اجتماعی در مناطق مختلف عمل کنند، زیرا تصویر دقیقی از «کجا» و «چه میزان» اثرگذاری ارائه می دهند. این موضوع می تواند در سیاست هایی مانند آموزش، سلامت، حمل ونقل و محیط زیست به کار گرفته شود.

3. لزوم توسعه مهارت های داده ای در بدنه دولت:

یکی از نکات مهم نشست این بود که بسیاری از کشورها هنوز فاقد ظرفیت کافی برای تحلیل داده های مکانی هستند. بنابراین، آموزش و توانمندسازی کارکنان دولتی باید یکی از محورهای اصلی OECD و اعضا باشد (OECD, 2021)

[1]Integration of Geospatial and Statistical Data

[2]Using Private-Sector Geospatial Data

[3]Urban and Regional Analytics

2- رویکردهای تحلیلی و ابزارهای مورد استفاده

آزمایشگاه تحلیل ژئواسپاتیال از رویکرد چندابزاری، چندمقیاسی و میان رشته ایبرای پردازش داده ها بهره می گیرد. ابزارهای اصلی شامل QGIS، PostGIS، GeoPandas، PySAL و Google Earth Engine هستند. در سال ۲۰۲۵، این ابزارها با چارچوب هوش مصنوعی مکانی (Geospatial AI Framework) ادغام شدند تا فرایندهای تحلیل داده را تسریع کنند (OECD, 2024d).

از لحاظ تحلیلی، آزمایشگاه از مدل های زیر استفاده می کند:

• Spatial Autoregressive Models (SAR) برای تحلیل هم بستگی های مکانی؛
• Bayesian Spatial Models برای تلفیق داده های ناهمگن؛
• Multi-Scale Spatial Analysis برای بررسی پدیده های چندسطحی (از سطح محله تا کشور).

نمونه شاخصی از کاربرد این مدل ها، پروژه Using Private Sector Geospatial Data to Inform Policy است که با بهره گیری از یادگیری عمیق (Deep Learning) و تحلیل نقشه های حرارتی (Heat Mapping) توانست الگوهای تحرک شهری را در ۱۰۰ متر وضوح شناسایی کند(OECD, 2024c)

در جریان Urban Analytics، مدل های دیجیتال تویین شهرها برای پیش بینی الگوهای ترافیکی و شبیه سازی سناریوهای اقلیمی استفاده می شوند. در پروژه مشترک OECD و موسسه KRIHS (2024)، استفاده از داده های ۵G و AI مکانی، زمان پاسخ تحلیل ها را از ۳ هفته به کمتر از ۵ ساعت کاهش داد.

در کنار این پیشرفت های فنی، آزمایشگاه یک چارچوب اخلاقی جامع (Location Data Ethics Framework) ایجاد کرده است که شامل دستورالعمل های GDPR، ناشناس سازی داده ها، و ممیزی الگوریتمی برای تضمین شفافیت است(OECD, 2024a). این چارچوب، سطح اعتماد عمومی به داده های مکانی را ۳۰٪ افزایش داده است (OECD, 2025a).

3- شبکه ذی نفعان و همکاری های بین المللی

بر اساس تحلیل داده های هم نویسندگی و همکاری، شبکه OECD Geospatial Lab از سه نوع مشارکت تشکیل شده است:

1. نهادهای آماری و منطقه ای: همکاری با Eurostat و Joint Research Centre برای همسان سازی داده ها و ایجاد استانداردهای INSPIRE و ISO 19115؛
2. سازمان های بین المللی: همکاری با UN-GGIM برای تدوین «چارچوب جهانی حاکمیت داده های مکانی»؛
3. دانشگاه ها و مراکز پژوهشی: همکاری با UCL، MIT، و TU Delft برای توسعه مدل های Geospatial AI

مطابق گزارش COGITO 2025، این شبکه در سال ۲۰۲۴–۲۰۲۵ بیش از ۲۰۰ پروژه مشترک را تسهیل کرده است که تاثیر مستقیم اقتصادی آن بر سیاست های منطقه ای بیش از ۱۰ میلیارد یورو برآورد می شود(Banquet, 2024) از منظر نظری، این شبکه نمونه ای از مدل حکمرانی شبکه ای چندسطحی (Multi- Level Network Governance) است که تبادل داده، استانداردسازی و سیاست گذاری را به صورت هم زمان مدیریت می کند.