در سال‌های اخیر، تحولات گسترده‌ای در حوزه حمل‌ونقل شهری رخ داده است. ظهور اپلیکیشن‌های درخواست خودرو، اشتراک‌گذاری دوچرخه و وسایل نقلیه، و گرایش عمومی به سمت خدمات دیجیتال، الگوهای سنتی تملک و استفاده از خودروی شخصی را به چالش کشیده است. بااین‌حال، این خدمات نوین غالباً به‌صورت جزیره‌ای و جدا از یکدیگر فعالیت می‌کنند و هرکدام پلتفرم، قوانین و شیوه‌ی پرداخت مخصوص به خود را دارند. این پراکندگی، مسافران را در تصمیم‌گیری برای انتخاب بهترین گزینه سردرگم کرده و هماهنگی میان حالت‌های مختلف حمل‌ونقل را دشوار می‌سازد. از سوی دیگر، تملک خودروی شخصی همچنان یکی از ارکان اصلی سیستم‌های حمل‌ونقل در بسیاری از کشورها محسوب می‌شود، هزینه‌های اولیه بالا و هزینه‌های نهایی پایین آن، وابستگی شدیدی به خودروی شخصی ایجاد کرده است که تغییر این الگو نیازمند ارائهٔ جایگزین‌های جذاب و یکپارچه می‌باشد.

در پاسخ به این چالش، مفهوم «تحرک به‌عنوان خدمت» (Mobility as a Service یا MaaS) شکل گرفته است. ایدهٔ اصلی MaaS، ایجاد یک پلتفرم یکپارچه است که تمامی خدمات حمل‌ونقل عمومی و خصوصی را در یک اپلیکیشن واحد گرد هم می‌آورد. کاربر می‌تواند با یک حساب کاربری و از طریق یک رابط مشترک، سفر خود را از مبدأ تا مقصد برنامه‌ریزی کند، حالت‌های مختلف را مقایسه نماید، هزینه‌ها را ببیند و در نهایت کل سفر را به‌صورت یکپارچه رزرو و پرداخت نماید. این رویکرد، نه‌تنها تجربهٔ مسافر را ساده‌تر می‌کند، بلکه می‌تواند با ارائهٔ گزینه‌های متنوع و بهینه، وابستگی به خودروی شخصی را کاهش دهد و به کاهش ترافیک و آلودگی کمک کند. یکی از مهم‌ترین مزایای MaaS، امکان ترکیب چندین حالت حمل‌ونقل در یک سفر واحد است؛ برای مثال، کاربر می‌تواند با خودروی اشتراکی به ایستگاه قطار برود، سپس با قطار مسافت طولانی را طی کند و در نهایت با تاکسی به مقصد نهایی برسد، در حالی که تمام این مراحل از طریق یک پلتفرم و با یک پرداخت انجام می‌شود.

با وجود پتانسیل بالای MaaS، هنوز تأثیرات واقعی آن بر الگوهای سفر، انتخاب حالت حمل‌ونقل و ترافیک شهری به‌خوبی شناخته نشده است. اجرای آزمایشی این سیستم‌ها در مقیاس بزرگ، هزینه‌بر و پیچیده است و نتایج حاصل از یک شهر را به‌سادگی نمی‌توان به شهر دیگر تعمیم داد. به همین دلیل، پژوهشگران از شبیه‌سازی‌های رایانه‌ای برای مطالعهٔ رفتار این سامانه‌ها در محیط‌های مجازی و کنترل‌شده استفاده می‌کنند. یکی از پیشرفته‌ترین ابزارهای موجود در این زمینه، شبیه‌ساز SimMobility است که با رویکرد «عامل‌محور»، رفتار تک‌تک افراد (عامل‌ها) را در طول روز شبیه‌سازی کرده و تعامل آنها با شبکهٔ حمل‌ونقل را مدل می‌کند. این شبیه‌ساز شامل سه سطح زمانی مختلف است: کوتاه‌مدت (برای وقایع ثانیه‌ای مانند تغییر خط)، میان‌مدت (برای فعالیت‌های روزانه و الگوهای سفر) و بلندمدت (برای کاربری زمین و فعالیت‌های اقتصادی). از آنجا که MaaS بیشترین تأثیر را بر رفتارهای روزانهٔ مسافران دارد، پیاده‌سازی آن در سطح میان‌مدت این شبیه‌ساز صورت گرفته است.

پژوهش حاضر، با هدف افزودن قابلیت شبیه‌سازی MaaS به این پلتفرم انجام شده است. برای این کار، یک ماژول جدید به نام «کنترلر MaaS» طراحی و به شبیه‌ساز اضافه شده است. این کنترلر نقش یک واسط هوشمند را ایفا می‌کند: از یک سو با کاربران (عامل‌ها) ارتباط برقرار کرده و درخواست‌های سفر آنها را دریافت می‌کند، و از سوی دیگر با کنترلرهای مربوط به خدمات مختلف مانند تاکسی، اتوبوس، قطار و خودروهای اشتراکی تبادل اطلاعات دارد. به این ترتیب، عامل‌ها می‌توانند به‌جای مراجعه مستقیم به هر سرویس، تمام گزینه‌های ممکن را در قالب یک «منوی سفر» از کنترلر MaaS دریافت کنند. برای ایجاد این ارتباط، کانال‌های ارتباطی جدیدی در شبیه‌ساز تعریف شده است که امکان تبادل پیام بین مسافران و کنترلرها را در هر دو جهت فراهم می‌کند. این پیام‌ها شامل درخواست اطلاعات سفر، ارسال منوی گزینه‌ها، اعلام انتخاب کاربر و گزارش تکمیل سفر هستند که همگی از طریق یک گذرگاه پیام مرکزی مبادله می‌شوند.

یکی از بخش‌های کلیدی این پیاده‌سازی، نحوه‌ی تولید و فیلتر کردن منوی سفر است. وقتی کاربر درخواست سفر می‌دهد، کنترلر MaaS از تمام سرویس‌های فعال، اطلاعات مربوط به زمان سفر، مسافت و هزینه را جمع‌آوری می‌کند. سپس با توجه به اشتراک کاربر (که ممکن است شامل تخفیف‌ها یا سهمیه‌های رایگان برای برخی حالت‌ها باشد)، قیمت نهایی هر گزینه محاسبه می‌شود. در نهایت، یک تابع قابل‌سفارش‌سازی توسط کاربر، گزینه‌های غیربهینه را حذف کرده و منوی نهایی را با مختصرترین و مناسب‌ترین گزینه‌ها به کاربر نمایش می‌دهد. کاربر نیز با استفاده از یک مدل تصمیم‌گیری، گزینهٔ مورد نظر خود را از میان منو انتخاب می‌کند و کنترلر MaaS، رزرو و اجرای سفر را از طریق سرویس‌های مربوطه پیگیری می‌کند. این فرایند به‌گونه‌ای طراحی شده است که با تغییرات لحظه‌ای اطلاعات (مانند ترافیک یا در دسترس بودن وسایل نقلیه) سازگار باشد و کاربر همواره به‌روزترین گزینه‌ها را در اختیار داشته باشد.

برای تخمین ویژگی‌های هر گزینه سفر، از جداول ازپیش‌محاسبه‌شده استفاده می‌شود که عملکرد سیستم را بهبود می‌بخشد. برای حمل‌ونقل عمومی، اطلاعات بر اساس مسیرهای مشخص و ایستگاه‌های ثابت محاسبه می‌شود و هر جفت مبدأ-مقصد ممکن است چندین مسیر مختلف داشته باشد که همگی در منو قابل نمایش هستند. برای سرویس‌های درخواستی مانند تاکسی و خودروهای اشتراکی، جداول بر اساس بازه‌های زمانی مختلف (ساعات اوج صبح، اوج عصر و غیراوج) دسته‌بندی شده‌اند و هزینه‌ها با استفاده از فرمول‌هایی که شامل کرایه پایه، کرایه بر اساس مسافت، کرایه بر اساس زمان و عوارض الکترونیکی هستند، محاسبه می‌شوند. برای سفرهای ترکیبی (چندحالته)، مسیر به بخش‌های جداگانه شکسته شده و هر بخش به‌طور مستقل محاسبه می‌شود و سپس نتایج جمع می‌شوند. تمام این فرمول‌ها و ضرایب توسط کاربر قابل تنظیم هستند تا انعطاف‌پذیری لازم برای شبیه‌سازی سناریوهای مختلف فراهم شود.

برای ارزیابی عملکرد این سیستم، آزمایش‌هایی با سطوح مختلف نفوذ MaaS (از صفر تا صد درصد سفرها) بر روی یک شهر مجازی انجام شده است. در این آزمایش‌ها، ۴۶۳,۰۰۰ سفر و ۲۲۴,۹۱۱ نفر شبیه‌سازی شده‌اند و تمام حالت‌های حمل‌ونقل پشتیبانی می‌شوند. نتایج نشان می‌دهد که با افزایش سهم MaaS، نرخ تکمیل سفرها (رسیدن مسافر به مقصد) نه‌تنها کاهش نمی‌یابد، بلکه روندی افزایشی دارد و در حالت صددرصدی به حدود ۹۹.۹۹٪ می‌رسد، در حالی که در حالت بدون MaaS این نرخ ۹۸.۵۷٪ بوده است. این موضوع نشان‌دهندهٔ صحت عملکرد پروتکل ارتباطی و تصمیم‌گیری در زمان واقعی است، همچنین حذف گزینه‌های غیرعملی توسط کنترلر MaaS باعث افزایش کارایی سفرها می‌شود. از سوی دیگر، افزودن این قابلیت جدید، زمان اجرای شبیه‌سازی را افزایش می‌دهد (حدود ۵۵٪ در حالت صددرصدی نسبت به حالت پایه)، که با توجه به پیچیدگی بیشتر فرایندها (ارسال پیام‌های متعدد، تولید منو، محاسبات هزینه و تصمیم‌گیری) قابل‌انتظار و قابل‌قبول است. این افزایش زمان اجرا برای شبیه‌سازی‌هایی که معمولاً چندین بار تکرار می‌شوند، هزینه‌ای قابل‌مدیریت محسوب می‌شود.

در مجموع، این پژوهش گام مهمی در جهت ایجاد بستری استاندارد و قابل‌توسعه برای مطالعهٔ MaaS در شهرهای مختلف برداشته است. با استفاده از این پیاده‌سازی، پژوهشگران می‌توانند سناریوهای گوناگونی را از نظر نوع سرویس‌های تحت پوشش، مدل‌های قیمت‌گذاری و اشتراک، و رفتار کاربران آزمایش کنند. همچنین، امکان اعمال این شبیه‌سازی بر روی مدل‌های شهری متنوع (شهرهای نمونه با مشخصات جمعیتی، شبکه حمل‌ونقل و زیرساخت‌های متفاوت) به تعمیم‌پذیری یافته‌ها کمک می‌کند و زمینه را برای طراحی سیاست‌های کارآمدتر در جهت حمل‌ونقل پایدار و هوشمند فراهم می‌آورد. از جمله کاربردهای عملی این پژوهش، می‌توان به ارزیابی تأثیر طرح‌های تشویقی برای کاهش استفاده از خودروی شخصی، بررسی اثرات مدل‌های مختلف اشتراک بر انتخاب حالت سفر، و تحلیل حساسیت سیستم نسبت به تغییرات قیمت سوخت یا عوارض شهری اشاره کرد. با توجه به رشد روزافزون شهرنشینی و چالش‌های زیست‌محیطی، ابزارهایی از این دست می‌توانند نقش کلیدی در تصمیم‌گیری‌های کلان شهری و بهبود کیفیت زندگی شهروندان ایفا کنند.

آیا «تحرک به‌عنوان خدمت» (MaaS) آینده حمل‌ونقل شهری را متحول خواهد کرد؟

تصور کنید یک اپلیکیشن ساده روی گوشی همراهتان، تمام نیازهای جابه‌جایی شما را از صبح تا شب پوشش می‌دهد. بدون نیاز به چندین اپلیکیشن جداگانه برای تاکسی، قطار، اتوبوس یا اشتراک خودرو، و بدون دغدغه‌ی پرداخت‌های جداگانه. این دقیقاً همان چیزی است که مفهوم «تحرک به‌عنوان خدمت» یا MaaS وعده می‌دهد. اما آیا این ایدهٔ جذاب، واقعاً می‌تواند وابستگی ما به خودروی شخصی را کاهش دهد و شهرها را از ترافیک و آلودگی نجات دهد؟ در این مقاله، نگاهی عمیق به یکی از پژوهشی‌ترین شبیه‌سازی‌های انجام‌شده در این حوزه می‌اندازیم.

چرا هنوز به شبیه‌سازی نیاز داریم؟

سیستم‌های حمل‌ونقل شهری، پیچیده‌ترین شبکه‌های تعاملی را دارند. تصمیم‌گیری یک نفر، بر ترافیک، آلودگی و حتی قیمت‌ها تأثیر می‌گذارد. به همین دلیل، نمی‌توان به‌سادگی یک سامانهٔ جدید مثل MaaS را در شهر اجرا کرد و منتظر ماند تا ببینیم چه می‌شود. پژوهشگران برای پیش‌بینی این تأثیرات، از شبیه‌سازهای عامل‌محور استفاده می‌کنند که رفتار تک‌تک افراد را مدل می‌کنند. یکی از قدرتمندترین این ابزارها، شبیه‌ساز SimMobility است که در دانشگاه MIT توسعه یافته و در این پژوهش، قابلیت شبیه‌سازی MaaS به آن اضافه شده است.

MaaS چگونه کار می‌کند؟

در این شبیه‌سازی، یک «کنترلر MaaS» به‌عنوان مغز متفکر سامانه عمل می‌کند. وقتی کاربر درخواست سفر می‌دهد، این کنترلر از تمام سرویس‌های موجود (تاکسی، اتوبوس، قطار، خودروهای اشتراکی و…) اطلاعات لحظه‌ای را جمع‌آوری می‌کند. سپس با در نظر گرفتن اشتراک و تخفیف‌های کاربر، یک «منوی سفر» شخصی‌سازی‌شده تولید می‌کند که شامل گزینه‌های مختلف با هزینه و زمان دقیق است. کاربر گزینهٔ مورد نظر را انتخاب می‌کند و کنترلر، هماهنگی‌های لازم را با سرویس‌دهنده‌ها انجام می‌دهد.

نتایج چشمگیر شبیه‌سازی

در آزمایش‌های انجام‌شده بر روی یک شهر مجازی با بیش از ۴۶۰,۰۰۰ سفر و ۲۲۴,۰۰۰ نفر، نتایج بسیار امیدوارکننده بود. وقتی سهم سفرهای MaaS به ۱۰۰٪ رسید، نرخ تکمیل سفرها (رسیدن مسافر به مقصد) به ۹۹.۹۹٪ افزایش یافت، در حالی که در حالت بدون MaaS این نرخ ۹۸.۵۷٪ بود. این یعنی سیستم نه‌تنها کارایی را کاهش نمی‌دهد، بلکه با حذف گزینه‌های غیرعملی، موفقیت سفرها را افزایش می‌دهد.

هرچند زمان اجرای شبیه‌سازی حدود ۵۵٪ بیشتر شد، اما این افزایش برای چنین پیچیدگی‌ای کاملاً قابل‌قبول است. به عبارت دیگر، MaaS با وجود ارتباطات بیشتر و محاسبات پیچیده‌تر، همچنان عملکردی قابل‌اعتماد دارد.

چرا این پژوهش مهم است؟

این اولین باری نیست که کسی به فکر یکپارچه‌سازی حمل‌ونقل افتاده، اما این پژوهش یک گام اساسی برداشته: شبیه‌سازی استاندارد و قابل‌توسعه. با این ابزار، پژوهشگران می‌توانند سناریوهای مختلف قیمت‌گذاری، سیاست‌های تشویقی، یا حتی تأثیر خودروهای خودران را در شهرهای متفاوت بدون اجرای آزمایشی پرخرج، بررسی کنند. به قول یکی از پژوهشگران این پروژه: «این رویکرد، امکان تعمیم‌پذیری یافته‌ها را به شهرهای مختلف فراهم می‌کند.»

نکتهٔ کلیدی دیگر، انعطاف‌پذیری بالای این شبیه‌ساز است. کاربران می‌توانند فرمول‌های محاسبهٔ هزینه، نوع تخفیف‌ها، و حتی منطق تصمیم‌گیری مسافران را تغییر دهند. این یعنی MaaS دیگر یک جعبه‌سیاه نیست، بلکه ابزاری است که می‌توان آن را برای هر شهر و هر شرایطی تنظیم کرد.

آینده از آنِ یکپارچگی است؟

اگر به روند شهرنشینی و افزایش چالش‌های زیست‌محیطی نگاه کنیم، روشن است که سیستم‌های منفصل دیگر پاسخگو نیستند. MaaS نه فقط یک اپلیکیشن، بلکه یک فلسفهٔ جدید در حمل‌ونقل است. شبیه‌سازی‌ها نشان می‌دهند که این رویکرد، علاوه بر کاهش وابستگی به خودروی شخصی، می‌تواند بهره‌وری شبکه را نیز افزایش دهد. اما مسیر رسیدن به آن، نیازمند سیاست‌گذاری هوشمندانه و پذیرش عمومی است. ابزارهایی مثل شبیه‌ساز SimMobility، این مسیر را هموارتر می‌کنند و به مدیران شهری امکان می‌دهند قبل از هر اقدام عملی، نتایج را ببینند. شاید روزی نه‌چندان دور، برنامه‌ریزی سفرهای روزانه، به سادگی انتخاب یک گزینه از یک منوی دیجیتال باشد.

[/box]