پایگاه خبری تحلیلی برزن نیوز نخستین پایگاه تخصصی مطالعات میان رشته ای (برنامه ریزی شهری – منطقه ای)
کلودیو فورگاسی*[۱]
* گروه شهرسازی، دانشکده معماری و محیط ساخته شده، دانشگاه صنعتی دلفت، دلفت، هلند موسسه AMS آمستردام برای راه‌حل‌های پیشرفته‌یِ کلانشهر، مرکز ۴TU هلند برای مهندسی تاب‌آوری، هلند[۲]
ترجمه سیدهادی حسینی
برزن نیوز: در میان بی‌شمار عوامل تغییر، توسعه شهرها به عنوان سیستم‌های زیستی و فنی-اجتماعیِ پیچیده، عمدتاً تحت تاثیر دو نیروی محرکه قرار دارد: توسعه شتابان فناوری‌های شهر هوشمند که با فراوانی و فراگیری کلان داده‌ها امکان‌پذیر شده و چالش تاب‌آوری در برابر تعداد فزاینده‌یِ شوک‌ها و استرس‌های ناشی از تغییرات آب و هوایی و شهرنشینی. با شناساییِ هم‌افزاییِ بالقوه میان این دو نیروی محرک، این مقاله در جستجوی راه‌هایی است که کلان داده‌ها بتوانند در تبدیل اهداف تاب‌آوری سیستمی به اصول دگرگونی فضایی و در نتیجه به یک مجموعه شواهد بهتر برای تصمیم‌گیری در طراحی و برنامه‌ریزی شهری، ایفای نقش کنند. بدین جهت، این مقاله رابطه بین کلان داده‌ها، طراحی و برنامه‌ریزی، و تاب‌آوری شهری را مورد بحث قرار می‌دهد. این [مقاله] نشان می‌دهد که تاب‌آوری چگونه توسط کلان داده از طریق طراحی مبتنی بر شواهد، تجسم داده‌های مکانی[۳] و طراحی کراس اسکالر[۴] فعال می‌شود. همچنین چالش‌های کلان داده‌ها در راستای [دستیابی به] تاب‌آوری شهری را مرور می‌کند. بحث با طرح این مساله که تاب‌آوری شهری مبتنی بر کلان داده‌ها چگونه می‌تواند رویکردی مکمل به جای جایگزینی شیوه‌های سنتی ارائه کند، به پایان می‌رسد.
مقدمه
شهرها به‌عنوان سیستم‌های زیستی و فنی-اجتماعیِ پیچیده با دو چالش به هم پیوسته مواجه‌اند: فراوانی و فراگیری داده‌ها که با پیشرفت‌های شتابان در فناوری اطلاعات و ارتباطات امکان‌پذیر شده است و چالش تاب‌آوری[۵] در برابر تعداد فزاینده‌ای از شوک‌ها و استرس‌های ناشی از تغییرات آب و هوایی و شهرنشینی. این چالش‌ها در مرکز دو پارادایم توسعه شهری قرار دارد که طراحی و برنامه‌ریزی شهری را به سوی گسست نسبی هدایت می‌کند: شهر هوشمند[۶] و شهر تاب‌آور[۷]. می‌توان اذعان کرد که این دو پارادایم با یکدیگر همپوشانی داشته و کلان داده‌ها[۸] که عمدتاً منبع تغذیه جنبش شهر هوشمند هستند، اطلاعات ارزشمندی را در جهت ایجاد تاب‌آوری شهری ارائه می‌دهند. با درک سیستمیکِ یکپارچه از محیط شهری، هر دو [شهر هوشمند و شهر تاب‌آور]، نیاز به طراحی و برنامه‌ریزی مبتنی بر شواهد[۹] را گوشزد می‌کنند. مقاله‌یِ پیش رو به بررسی این موضوع می‌پردازد که «کلان داده‌ها چگونه می‌توانند به طراحان و برنامهریزان شهری در بهبود تاب‌آوری شهری کمک کنند؟» و بحث می‌کند «کلان داده‌ها تا چه حد علاوه بر دانش و شیوه‌های فعلی، برای ایجاد تاب‌آوری ضروری‌اند؟» بخش‌های زیر مروری است بر تاثیر کلان داده‌ها بر تحولات شهری در زمینه طراحی و برنامه‌ریزی شهری به طور کلی و تاب‌آورسازی به شکل ویژه. این مقاله با بحث در مورد چالش‌ها و فرصت‌های به‌کارگیری کلان داده‌ها در ایجاد تاب‌آوری، از طریق طراحی و برنامه‌ریزی شهری به پایان می‌رسد.
کلان داده و تحولات شهری
در اقتصاد داده‌ای که به سرعت در حال توسعه است، کلان داده نقش فزاینده و برجسته‌ای ایفا می‌کند. حجم زیادی از داده‌ها، که عمدتاً از طریق سنجش‌های معمول و جمع‌سپاری[۱۰] جریان می‌یابند، اطلاعات فضایی و زمانی را با جزئیات زیاد جمع‌آوری کرده و به تدریج منجر به تکمیل مجموعه داده‌های سنتی می‌گردند که شکل دهنده تصمیمات اساسی در مورد تحولات شهری است (Sim & Miller, 2019). این نوع زیردانگی[۱۱]داده که بی‌سابقه است، بینش‌هایی درباره پویایی کوتاه‌مدت شهرها ارائه می‌دهد (مانند الگوهای حرکت ساعتی عابران پیاده در شهرها بر اساس GPS و داده‌های حمل‌ونقل در زمان واقعی[۱۲])، به طور بالقوه به طراحان و برنامهریزان شهری کمک می‌کند تا با روشی کمتر موردی[۱۳] و بیشتر مبتنی بر شواهد، محیط شهری را تغییر دهند (Batty, 2013).
کلان داده‌ها همزمان با پیشرفت‌های اینترنت اشیا[۱۴] (IoT)، یادگیری ماشین[۱۵] (ML) و هوش مصنوعی[۱۶] (AI) (Allam & Dhunny, 2019)، و همچنین پیشرفت در ابزارهای محاسباتی (Boeing, 2019)، بسیاری از برنامه‌های شهر هوشمند را در طیف گسترده‌ای از کارکردهای توصیفی، پیش‌بینی کننده، تجویزی و گفتمانی، فعال می‌کنند (Data-Pop Alliance, 2015). [این] کاربردها شامل استفاده از کلان داده‌ها برای طراحی و برنامه‌ریزی یک محیط شهری بوده که مروج سلامتی و رفاه انسانی است (Miller & Tolle, 2016)، ارزیابی درک انسان از فضاهای شهری و پاسخ‌های احساسی به آن از طریق داده‌های فلیکر[۱۷] یا توییتر[۱۸] (Li et al., 2016)، درک و فعال کردن تحولات شهری خودسازماندهی شده[۱۹] (Xu, Yan, & Huang, 2017)، اندازه‌گیری قابلیت پیاده‌مداری خیابان با استفاده از الگوریتم‌های یادگیری ماشین و تصاویر نمای خیابانِ گوگل[۲۰] (Yin & Wang, 2016)، و شبیه‌سازی‌های مبتنی بر عاملِ[۲۱] بهبود یافته توسط کلان داده (Scheutz & Mayer, 2016)، تنها چند مورد [از این کابردهاست]. در این زمینه، حوزه‌های طراحی و برنامه‌ریزی شهری با فرصت‌ها و چالش‌های کلان داده‌ها در تحولات شهری، آشنا می‌شوند. طراحی شهری معمولاً به این صورت تعریف می‌شود: «فرایند ساخت مکان‌های بهتر برای مردم نسبت به آنچه در غیر این صورت تولید می‌شد و اساساً توجه به شکل دادنِ فضای شهری به عنوان وسیله‌ای برای ساختن یا بازسازی مکان‌های «عمومی» که مردم بتوانند از آن استفاده کرده و لذت ببرند(Carmona, Heath, Oc, & Steve, 2010, p. 3) ».
این تعریف فراتر از حدود پارادایم شهر هوشمند است که بیشتر متمرکز بر بهینه‌سازی عملکرد سیستم‌های شهری است تا بعد کیفی و تجربی محیط شهری. طراحان و برنامهریزان شهری با درک محیط شهری که توسط جریان‌های ترکیبی مردم، کالاها و اطلاعات شکل می‌گیرد (Batty, 2013)، به هدایت تحولات مورفولوژیکی[۲۲] (یعنی فضایی، فیزیکی) شهرها در مقیاس‌های چندگانه مکانی و زمانی توجه دارند. همچنین، با توجه به اینکه کیفیت فضاهای شهری بر استفاده از فناوری اثرگذار است و تحت تاثیر آن قرار می‌گیرد (Carmona, 2018)، طراحی و برنامه‌ریزی شهری باید علاوه بر بهبود درک کمی از سیستم‌های شهری توسط کلان داده، حس و ادراک یک مکان را نیز در نظر بگیرد. علی‌رغم علاقه‌ای که به «مورفولوژی شهری مبتنی بر داده[۲۳]» وجود دارد (Erin et al., 2017 and Moudon, 1997 in Boeing, 2019, p. 2)، کلان داده همچنان یک موضوع کمتر مورد توجه در مورفولوژی شهری است (Crooks et al., 2016). بیشتر پیشرفت‌ها در حوزه بین رشته‌ای علم داده‌های شهری، با هدف تبدیل کلان داده‌ها به اطلاعات مرتبط و قابل درک در رشته‌ها و بین رشته‌ها انجام شده است. به عنوان یک کاربرد جغرافیایی خاص از کلان داده‌ها، علم داده‌های شهری متمرکز بر مشکلات مشخص فضایی (Singleton & Arribas-Bel, 2019)، مانند رابطه بین اجاره زمین و شکل شهر است (Wu, Wang, Zhang, Zhang, & Xia, 2019) و به طور گسترده از کلان داده‌های فضایی (یا جغرافیایی)[۲۴] استفاده می‌کند. کلان داده‌های فضایی عمدتاً از طریق داده‌های جغرافیایی بازِ مشارکت شده توسط کاربران مانند OpenStreetMap (OSM) پدید آمده‌اند، که به تدریج اطلاعات زمانی نیز برای آن در دسترس قرار گرفته است (Boeing, 2019).
کلان داده‌های فضایی-زمانی[۲۵] همراه با ابزارهایی برای پرس و جو، تجزیه و تحلیل و تفسیر، پایه‌یِ امیدوارکننده‌ای برای کار در زمینه مورفولوژی شهری فراهم می‌کند؛ اقداماتی مانند مقایسه‌های بین شهری و مقطعی برای درک بهتر شباهت‌ها و تغییرات بین محیط‌های شهری در مقیاس جهانی که با داده‌های جغرافیاییِ سنتی امکان‌پذیر نبودند را میسر کرده است. ابزارهایی برای تجزیه و تحلیل شهری که می‌تواند درک شبکه‌ای و چند مقیاسی از رفتار سیستم‌های شهری را فراهم کند، با کمک کلان داده‌های فضایی-زمانی، به سرعت در حال توسعه هستند (Batty, 2013; Boeing, 2019). مثال‌ها شامل کاربردهای نظریه‌یِ چیدمان فضایی[۲۶] (Aschwanden, 2016) و ابزارهایی مانند OSMnx (Boeing, 2019) است که برای کمک به طراحان و برنامهریزان برای درک پیکربندی‌های فضایی شهریِ[۲۷] پیچیده با استفاده از تحلیل‌های شبکه خیابانی و تجسم داده‌ها[۲۸] طراحی شده است. تجسم داده‌ها جزء مهمی از علم داده است، زیرا برای معنابخشی به کلان داده‌ها ضروری است. به این ترتیب، علم داده به خوبی با فرهنگ دیداری طراحی و برنامه‌ریزی شهری(Boeing, 2019) به هماهنگی رسیده که وظیفه آن نمایش پویایی پیچیده شهری به روش دیداری و قابل درک است. واقعیت افزوده با داده‌های چندمنبعی، چند مقیاسی و چند زمانه ترکیب شده در داشبوردهای دیداری توسط کلان داده فعال می‌شود و طراحی و برنامه‌ریزی شهریِ مطلوب را امکان‌پذیر می‌سازد (Tunçer, 2020). چنین تجسم‌هایی می‌توانند به ادغام دیدگاه‌های کیفی (تفسیری یا روایتی) و کمی (داده محور) در مورفولوژی شهری (Boeing, 2019) که برای تصمیم‌گیری‌های طراحی و برنامه‌ریزی شهری ضروری است، منجر شوند.
کلان داده‌ها و تاب‌آوری شهری
شهرها به‌عنوان سیستم‌های زیستی و فنی-اجتماعی پیچیده، با عدم قطعیت‌های فراوانی مواجه بوده و با توجه به تغییرات آب و هوایی و شهرنشینی شتاب‌زده در سراسر جهان، در معرض اختلالاتی با فراوانی، بزرگی و تنوع فزاینده قرار دارند. از این‌رو، پایداری شهری به تاب‌آوری شهری، یعنی توانایی شهرها برای حفظ، بهبود و نوآوری عملکردهای کلیدی -از طریق جذب، واکنش، بازیابی، سازگاری با یا سازمان‌دهی مجدد- در پاسخ به استرس‌های مزمن، شوک‌های ناگهانی و اختلالات (۴TU Centre for Resilience Engineering, 2020)، بستگی دارد. در این زمینه، طراحی و برنامه‌ریزی شهری باید به تاب‌آوری در شکل‌دهی به محیط‌های شهریِ آینده توجه کنند. با این‌حال، تبدیل اهداف تاب‌آوری سیستمیک به تحولات فضایی دشوار است. تجزیه و تحلیل‌های پیشرفته‌یِ شهری به‌وسیله‌ی کلان داده‌های شهری، می‌تواند با آشکارسازی الگوهایی در پویایی سیستم‌های شهری، نقش مهمی در دستیابی به آن تبدیل ایفا نماید که در غیر این صورت درک آن‌ها دشوار می‌گردید (مثلاً سطح و مکان ظرفیت فضایی اضافی مورد نیاز در شبکه‌ای از فضاهای عمومی برای پاسخگویی به اختلالات خاص، مانند سیل، همه‌گیری‌ها یا خرابی در خدمات حمل و نقل). این [اقدام] منجر به آشکار شدن الگوها در حجم زیادی از داده‌ها گشته و ظرفیت پیش‌بینی را افزایش می‌دهد، بنابراین می‌تواند شواهد بهتری در خصوص شوک‌های حاد و تنش‌های مزمنی که در محیط‌های شهری رخ می‌دهند با «سه V»I – حجم[۲۹]، تنوع[۳۰] و سرعت[۳۱] – ارائه کند (Batty, 2016). کلان داده می‌تواند نقش مهمی در ایجاد تاب‌آوری شهری ایفا نماید. اول، با درک بهتری از پویایی پیچیده‌یِ شهری و شواهد ارائه شده توسط کلان داده‌ها، طراحی و برنامه‌ریزی شهری یکپارچه و راهبردی می‌گردد. با ادغام حجم زیادی از داده‌ها، برنامهریزان می‌توانند درک جامعی از محیط شهری مورد نظر به دست آورده و سپس فضاهای آسیب‌پذیرِ کلیدی را که نیاز به مداخله‌یِ راهبردی دارند، شناسایی کنند. به عنوان مثال، درک بهینه از فرآیندهای نوظهور و خودسازمان‌ده در رابطه با تاب‌آوری در شهرها می‌تواند تصمیم‌گیری در مورد مکان، اینکه آیا، چه مقدار و چه نوع اقداماتی باید انجام شود، از جمله عدم اقدام، حذف [برخی اقدامات][۳۲] یا اقداماتی که در صورت اعمال میزان کمی فشار، اثر مطلوبی خواهند داشت (نگاه کنید به رویکرد فضایی-هرمتیک[۳۳] توسط Forgaci & van Timmeren, 2014a). دوم، کلان داده‌ها علاوه بر مزایای کمی، به طراحان و برنامهریزان، بینش کیفی وسیعی از مورد رفتار، نیازها و خواسته‌های شهروندان در مورد فضای شهری ارائه می‌دهند. نرم‌افزاهای [مبتنی بر] علم شهروندی[۳۴] می‌تواند منجر به واکنش بهتر به بلایا گشته و سطح مشارکت شهروندان را در فرآیند تاب‌آوری افزایش دهد. و سوم، اگر تاب‌آوری در درازمدت به روش آزمون و خطا به‌وجود آمده باشد، پیشرفت در کلان داده‌ها و تحلیل‌های شهری، بینشی در مورد تاب‌آوری در بازه‌های زمانی بسیار کوتاه‌تر ارائه می‌کنند (برنامه‌های تلفن همراه که در آن شهروندان و مسئولان برای کاهش تاثیر یک اختلال، شوک یا استرس مزمن تعامل دارند). کیفیت مدل‌ها، شبیه‌سازی‌ها و سناریوهای فضایی، افزایش آمادگی در برابر شوک‌های حاد و بهبود ظرفیت برای تشخیص تنش‌های مزمن را می‌توان از طریق کلان داده‌ها بهبود بخشید. تاب‌آوری باید به صورت مکان‌محور و عمومی درک شود. از یک‌سو، تاب‌آوری نیازمند [دستیابی به] ادراک مطلوبی از تهدیدات مکانی خاص برای تاب‌آوری و آسیب‌پذیری‌های جمعیت و سیستم محلی است. از سوی دیگر، می‌توان برخی از خواص را [به شکل] عمومی و قابل انتقال از یک محیط شهری به محیط دیگر دانست. افزونگی، تنوع، مدولار بودن و خودسازماندهی، برخی از ویژگی‌هایی هستند که به طور کلی ویژگی‌های عمومی سیستم‌های تاب‌آور در نظر گرفته می‌شوند (Carpenter et al., 2012) و می‌توانند به ویژگی‌های تاب‌آوری عمومی شهری مرتبط با طراحی و برنامه‌ریزی شهری تبدیل شوند (Forgaci & van Timmeren, 2014b). عملیاتی کردن ویژگی‌های تاب‌آوری عمومی در شهرها نیازمند [دسترسی به] داده‌ها و ابزارهایی با کیفیت و اندازه مناسب است. مقایسه‌های بین شهری پیکربندی‌های فضایی فعال شده توسط کلان داده‌های مکانی-زمانی، مانند OSM، می‌تواند ویژگی‌های مورفو-دینامیکی[۳۵] را نشان دهد که بر تاب‌آوری عمومی در شهری تاثیر می‌گذارد و از این‌رو می‌توان اصول طراحی شهری و برنامه‌ریزی قابل انتقال را که تاب‌آوری را هدف قرار می‌دهد، مشخص کرد. در مجموع، نیاز روزافزونی به سیستم‌های پشتیبانی برنامه‌ریزی در جهت تاب‌آوری شهری وجود دارد که بسیار حساس می‌باشند (Deal, Pan, Pallathucheril, & Fulton, 2017). اصول تثبیت‌شده تاب‌آوری را می‌توان با فرصت‌های نوظهور شهر دیجیتال[۳۶] (یا هوشمند) همسو کرد، اما همین [مساله] منجر به [ظهور] طیف گسترده‌ای از چالش‌ها می‌گردد (Colding, Colding, & Barthel, 2020).
چالش‌ها
دیدگاه ارائه‌شده در این مقاله نشانگر تاثیرگذاری و فراگیری کلان داده‌ها است و بر شناسایی فرصت‌ها در نقاط همگرایی بین پارادایم‌های شهر هوشمند و شهر تاب‌آور تاکید دارد. علاوه بر این، تصدیق می‌کند که کلان داده‌ها چالش‌های فنی، روش‌شناختی و اخلاقی را ارائه می‌دهد که باید در طراحی و برنامه‌ریزی شهری در نظر گرفته شوند. چالش‌های فنی و روش‌شناختی بیشتر حول یکپارچه‌سازی کلان داده‌ها از منابع، بخش‌ها و مقیاس‌های زمانی- مکانی متعدد و همچنین حصول اطمینان از ظرفیت محاسباتی برای ذخیره، تحلیل و تفسیر کلان داده‌ها می‌چرخند. ادغام کلان داده از منابع مختلف و با مجموعه داده‌های سنتی [همچنان] یک چالش باقی مانده است. اگر دسترسی به داده‌ها تا همین اواخر یک نگرانی عمده بود، این نگرانی به تدریج با افزایش دسترسی به داده‌های باز (مانند داده‌های OSM) و چالش بزرگ‌ترِ ترکیب و ایجاد معنا از کلان داده‌های در حال رشد و متنوع، کاهش می‌یابد. ادغام مجموعه‌های گوناگونی از داده به طور بالقوه برای درک وابستگی‌های متقابل بین سیستم‌های مختلف (Deal et al., 2017) و پاسخ به اختلالات کوتاه مدت (Batty, 2013) مفید است. نکته قابل توجه اینکه، یکپارچه‌سازی جنبه‌های کیفی محیط شهری و اطلاعات کمی که از کلان داده‌ها منتج می‌شود، چالش بزرگی است که نیازمند رویکردهای گسترده‌یِ بین‌رشته‌ای و دانش فنیِ پیشرفته است. ساده‌سازی چنین رویکردهایی و قابل دسترس کردن آن‌ها برای دست‌اندرکاران طراحی و برنامه‌ریزی شهری هنوز محقق نشده است. فرهنگ دیداری طراحی و برنامه‌ریزی شهری که با تجسم (کلان) داده‌های پیشرفته تقویت شده است، راه بالقوه‌ای را برای ادغام دیدگاه‌های کمی و کیفیِ ترکیبی در طراحی و برنامه‌ریزی شهری ارائه می‌کند. در مجموع، طراحی و برنامه‌ریزی شهری مستلزم ادغام بهتر با حوزه‌یِ علم داده است؛ چه از طریق رویکردهای بین رشته‌ای شامل دانشمندان داده یا از طریق افزایش آگاهی از مجموعه مهارت‌های گسترده در عمل طراحی و برنامه‌ریزی شهری که شامل تجزیه و تحلیل کلان داده‌های فضایی است. اینکه چقدر دانش، مهارت و آگاهی در عمل قابل دستیابی بوده و می‌توان به آن دست یافت، نیازمند بینش گسترده‌تری است. از دیدگاه تاب‌آوری، نگرانی‌هایی در رابطه با استفاده از کلان داده‌ها وجود دارد. از آنجایی که تاب‌آوری یک ویژگی سیستمیِ پیچیده است، نحوه‌یِ ایجاد تاب‌آوری همچنان یک سوال باز است. بسیاری از شیوه‌ها و فناوری‌های تاب‌آوری «سطح نازلی» دارند، زیرا از طریق یک تکامل آهسته، بر اساس دانش به‌دست‌آمده از طریق فرآیندهای طولانی‌مدت آزمون و خطا و انطباق توسعه یافته‌اند (به عنوان مثال، بحث تاب‌آوری اجتماعی در موردی از پیاده‌راه‌های مرتفع “acqua alta” ونیز در Forgaci & van Timmeren, 2014a را ببینید).
اگرچه پیشرفت‌های پارادایم شهر هوشمند، که توسط کلان داده‌ها تقویت شده، نویدبخش ارائه شواهدی برای ایجاد تاب‌آوری در بازه‌های زمانی بسیار کوتاه‌تر است، اما طراحان و برنامهریزان شهری باید شیوه‌های مختلف دانش را ادغام کنند. ظهور ابزارهای محاسباتی، عصر جدیدی را برای طراحی و برنامه‌ریزی شهری مبتنی بر شواهد رقم می‌زند. با این حال، هم‌افزایی، مکمل‌ها و انتقال بین شیوه‌های سنتی و مبتنی بر کلان داده‌ها – با فناوری پایین و یا فناوری پیشرفته – بخش مهمی از تاب‌آوری باقی مانده است. از آنجایی که نگرانی‌های اخلاقی متعددی در مورد پیامدهای حفظ حریم خصوصی در خصوص شیوه‌های مبتنی بر کلان داده‌ها وجود دارد، تلاش‌های قابل‌توجهی در راستای تغییر نگرشی که در آن شهروندان به جای حس‌شونده، حس‌گر بوده (Doctorow, 2020)، به خوبی آگاه باشند، و آزادی تصمیم‌گیری در مورد اینکه آیا و چه داده‌هایی را به اشتراک بگذارند، انجام شده است. یکی دیگر از نگرانی‌های مرتبط با تاب‌آوری، وابستگی به کلان داده‌ها است (Walloth, 2016). اگرچه کلان داده‌ها می‌توانند منجر به تصمیم‌گیری بهتر در تصمیمات فضایی در خصوص تاب‌آوری شوند، در عین حال وابستگی بیش از حد به کلان داده‌ها در آینده ممکن است منجر به کاهش تاب‌آوری در صورت اختلال در جریان داده شود. بنابراین، طراحی و برنامه‌ریزی شهری باید از کلان داده‌ها نه فقط برای بهینه‌سازی و کارایی سیستم‌ها، بلکه برای افزایش تاب‌آوری در برابر اختلالات جریان داده نیز استفاده کند. علاوه بر این، از منظر تاب‌آوری اجتماعی، تعهد مستمر، مشارکت و امکان ایجاد آگاهی پایدار و مشترک میان شهروندان، نوعی از دانش و نوآوری را فراهم می‌کند که به در دسترس بودن داده‌ها بستگی ندارد. دانش جمعی و قدرت تصمیم‌گیری از پایین به بالای شهروندان که با کلان داده‌ها افزایش می‌یابد، می‌تواند به فرآیندهای ایجاد تاب‌آوری با اطلاعات بهتر، در مکان خاص و به موقع کمک کند.
نتیجه‌گیری
این مقاله ظرفیت کلان داده را در زمینه طراحی و برنامه‌ریزی شهری به طور کلی و کاربست آن در حوزه تاب‌آوری شهری را به طور خاص مورد بررسی قرار می‌دهد. از آنجایی که تاب‌آوری شهری یک ویژگی سیستمی است – شهر به عنوان یک سیستم زیست‌محیطی و فنی-اجتماعیِ پیچیده، باید توسط طراحان و برنامهریزان شهری به تحولات فضایی مبتنی بر تاب‌آوری تبدیل شود. این مقاله بیان می‌کند که کلان داده‌ها می‌توانند به چنین تلاش‌هایی برای «تبدیل» کمک کنند، زیرا ظرفیتِ پایگاهی از شواهد بی‌سابقه را برای دگرگونی‌های پیچیده‌یِ شهری فراهم می‌کنند. پیشرفت‌های بالقوه در زمینه‌یِ مورفولوژی شهری که توسط کلان داده‌های فضایی-زمانی تقویت شده و به علاوه تجسم داده‌ها به عنوان افزودنی‌های بالقوه به مجموعه ابزار طراحان و برنامهریزان ارائه گردید. تاب‌آوری با کمک کلان داده‌ها از شواهد فضایی-زمانی بیشتری بهره می‌برد، امکان مدل‌سازی، پیش‌بینی و آزمایش آسان‌تر را در زمان کوتاه فراهم آورده، و می‌تواند به شیوه‌ای راهبردی در مقیاس‌های چندگانه (مثلاً با پشتوانه تصمیم‌گیری در مورد مکان مداخلات راهبردی در یک شهر، منطقه کلان‌شهری یا منطقه) انجام شود. بخش آخر برخی چالش‌هایِ استفاده از کلان داده‌ها را برجسته می‌کند. بیشتر چالش‌ها درخصوص یکپارچگی هستند: بین منابع داده‌های مختلف، بخش‌ها و مقیاس‌های زمانی- فضایی، بین دیدگاه‌های کمی و کیفی. این مقاله از میان گام‌های بعدیِ پرداختن به این چالش‌ها، به دنبال مکمل‌ها، هم‌افزایی، و همچنین انتقال درک بهتر بین شیوه‌های سنتی و مبتنی بر کلان داده‌ها، یکپارچگی بهتر بین علوم داده‌های شهری و زمینه‌های طراحی و برنامه‌ریزی شهری را توصیه می‌کند.
این کار بخشی از برنامه DeSIRE (طراحی سیستم‌ها برای مهندسی تاب‌آوری آگاهانه[۳۷]) مرکز مهندسی تاب‌آوری ۴TU (4TU.RE) است. DeSIRE توسط ۴TU-programme High Tech for a Sustainable Future (HTSF) تامین می‌شود. ۴TU فدراسیون چهار دانشگاه فنی در هلند است (دانشگاه فناوری دلفت[۳۸]، DUT؛ دانشگاه فناوری آیندهوون[۳۹]، TU/e؛ دانشگاه توئنته[۴۰]، UT و دانشگاه و تحقیقات واگنینگن[۴۱]، WUR).
پی‌نوشت
- چهارمین “V” از کلان داده، یعنی صحت[۴۲]، در این توصیف از کلان داده‌ها نیامده است، با این وجود برای تعیین کیفیت و صحت داده‌ها ضروری است (Ospina, 2018).
منابع
- ۴TU Centre for Resilience Engineering 2020, DeSIRE mission statement, Retrieved July 21, 2020, from https://www.4tu.nl/resilience/research/desire-mission- statement/
- Allam Z. & Dhunny Z. A. 2019, On big data, artificial intelligence and smart cities, «Cities», ۸۹, ۸۰–۹۱. https:// doi.org/10.1016/j.cities.2019.01.032
- Aschwanden G. 2016, Big Data for Urban Design: The impact of centrality measures on business success, in Proceedings of the 34th Education and Research in Computer Aided Architectural Design in Europe Conference, 2, 457–۴۶۲.
- Batty M. 2013, Big data, smart cities and city planning, «Dialogues in Human Geography», ۳(۳), ۲۷۴–۲۷۹. https://doi.org/10.1177/2043820613513390
- Batty M. 2016, Big data and the city, «Built Environment », ۴۲(۳), ۳۲۱–۳۳۷. https://doi.org/10.2148/ benv.42.3.321
- Boeing G. 2017, OSMnx: New methods for acquiring, constructing, analyzing, and visualizing complex street networks, https://doi.org/10.1016/j.compenvurbsys. 2017.05.004
- Boeing G. 2019, Spatial information and the legibility of urban form: big data in urban morphology, «International Journal of Information Management», https://doi. org/10.1016/j.ijinfomgt.2019.09.009
- Carmona M. (2018), Place value: place quality and its impact on health, social, economic and environmental outcomes, «Journal of Urban Design» https://doi.org/1 0.1080/13574809.2018.1472523
- Carmona M., Heath T., Oc T., Steve T. 2010, Public Places Urban Spaces (2nd edition), Architectural Press, London Carpenter S. R., Arrow K. J., Barrett S., Biggs R., Brock W. A., Crépin A. S., de Zeeuw A. 2012, General resilience to cope with extreme events, «Sustainability», ۴(۱۲), ۳۲۴۸–۳۲۵۹. https://doi.org/10.3390/su4123248
- Colding J., Colding M., Barthel S. 2020, Applying seven resilience principles on the Vision of the Digital City, «Cities», ۱۰۳, ۱۰۲۷۶۱, https://doi.org/10.1016/j. cities.2020.102761
- Crooks A. T., Croitoru A., Jenkins A., Mahabir R., Agouris,P., Stefanidis A. 2016, User-generated big data and urban morphology, «Built Environment», ۴۲(۳), ۳۹۶–۴۱۴. https://doi.org/10.2148/benv.42.3.396
- Data-Pop Alliance 2015, Big Data for Resilience: Realizing the Benefits for Developing Countries, Retrieved from http://www.datapopalliance.org/projects
- Deal B., Pan H., Pallathucheril V., Fulton G. 2017, Urban Resilience and Planning Support Systems: The Need for Sentience, «Journal of Urban Technology», ۲۴(۱), ۲۹–۴۵. https://doi.org/10.1080/10630732.2017.1285018
- Doctorow C. 2020, The case for … cities that aren’t dystopian surveillance states, Retrieved July 21, 2020, from https://www.theguardian.com/cities/2020/ jan/17/the-case-for-cities-where-your-the-sensor not- the-thing-being-sensed
- Forgaci C., van Timmeren A. 2014a, A Spatial-Hormetic Approach to Urban Resilience, in Urban Regions under Change: Towards Social-Ecological Resilience, HafenCity University, Hamburg.
- Forgaci C., van Timmeren A. 2014b, Urban Form and Fitness: A Space-Morphological Approach to General Urban Resilience, in Proceedings of the 20th International Sustainable Development Research Conference (pp. 213–۲۲۳), Norwegian University of Science and Technology, Trondheim.
- Miller H. J., Tolle K. 2016, Big data for healthy cities: Using location-aware technologies, open data and 3D urban models to design healthier built environments, «Built Environment», ۴۲(۳), ۴۴۱–۴۵۶. https://doi. org/10.2148/benv.42.3.441
- Ospina A. V. 2018, Big Data for Resilience Storybook: Experiences Integrating Big Data into Resilience Programming, Winnipeg: International Institute for Sustainable Development. Retrieved from www.iisd. org
- Scheutz M., Mayer T. 2016, Combining Agent-Based Modeling with Big Data Methods to Support Architectural and Urban Design, https://doi. org/10.1007/978-3-319-30178-5_2
- Sim J., Miller P. 2019, Understanding an urban park through big data, «International Journal of Environmental Research and Public Health», ۱۶(۲۰), ۳۸۱۶. https://doi.org/10.3390/ijerph16203816
- Singleton A., Arribas-Bel D. 2019, Geographic Data Science, «Geographical Analysis», ۱–۱۵. https://doi. org/10.1111/gean.12194
- Tunçer B. 2020, Augmenting Reality: (Big-)Data-informed Urban Design and Planning, «Architectural Design », ۹۰(۳), ۵۲–۵۹. https://doi.org/10.1002/ad.2568
- Walloth C. 2016, Big Data or No Data: Supporting Urban Decision-Making with a Nested System Model, pp. 65–۷۸), Springer, Cham. https://doi.org/10.1007/978- 3-319-30178-5_5
- Wu J., Wang, S. Zhang, Y. Zhang A., Xia C. 2019, Urban landscape as a spatial representation of land rent: A quantitative analysis, «Computers, Environment and Urban Systems», ۷۴, ۶۲–۷۳. https://doi.org/10.1016/j. compenvurbsys.2018.12.004
- Xu L., Yan Y., Huang S. (2017), Social Restoration and Digital Relocalization – A Big Data Strategy for Spatial Self-organization, «Landscape Architecture Frontiers», ۵(۳), ۶۰. https://doi.org/10.15302/j-laf-20170307
- Yin L., Wang Z. 2016, Measuring visual enclosure for street walkability: Using machine learning algorithms and Google Street View imagery, «Applied Geography», ۷۶, ۱۴۷–۱۵۳. https://doi.org/10.1016/j. apgeog.2016.09.024
[۱] Claudiu Forgaci
[۲] Department of Urbanism, Faculty of Architecture and the Built Environment, Delft University of Technology, Delft, The Netherlands AMS Amsterdam Institute for Advanced Metropolitan Solutions, The Netherlands 4TU Centre for Resilience Engineering, The Netherlands
[۳] Spatial Data Visualization
[۴] Cross-scalar Design
[۵] Resilience
[۶] Smart City
[۷] Resilient City
[۸] Big Data
[۹] Evidence-based
[۱۰] Crowdsourcing
[۱۱] Granular Data
[۱۲] Real-time
[۱۳] Ad-hoc
[۱۴] Internet of Things
[۱۵] Machine Learning
[۱۶] Artificial Intelligence
[۱۷] Flickr
[۱۸] Twitter
[۱۹] Selforganised
[۲۰] Google Street View
[۲۱] Agent-based
[۲۲] Morphology
[۲۳] Data-driven Urban Morphology
[۲۴] Spatial (or Geographic) Big Data
[۲۵] Spatial-temporal
[۲۶] Space Syntax Theory
[۲۷] Urban Spatial Configurations
[۲۸] Data Visualization
[۲۹] Volume
[۳۰] Variety
[۳۱] Velocity
[۳۲] Subtraction
[۳۳] Spatial-hermetic Approach
[۳۴] Citizen Science
[۳۵] Morpho-dynamic
[۳۶] Digital City
[۳۷] Designing Systems for Informed Resilience Engineering
[۳۸] Delft University of Technology, DUT
[۳۹] Eindhoven University of Technology
[۴۰] University of Twente
[۴۱] Wageningen University and Research
[۴۲] Veracity
