وبینار تخصصی «تحلیل سناریوهای مختلف تغییرات اقلیمی بر پایه پویایی شناسی سیستمها با شبیه سازEn-ROADS » در تاریخ 26 شهریور در مرکز مطالعات سیستمهای اقتصادی و اجتماعی دانشگاه صنعتی شریف برگزار شد. 28 دانشجو و محقق ایرانی از دانشگاهها و مراکز تحقیقاتی مختلف در سراسر دنیا در این وبینار شرکت کردند .

En-ROADS یک شبیه‌ساز مدل‌سازی پویایی‌شناسی سیستم‌ها است که توسط   Climate Interactive و Ventana Systems توسعه یافته و به کاربران امکان می‌دهد تا تأثیر صدها سیاست مختلف را بر روی متغیرهای کلیدی مانند دمای جهانی، انتشار کربن، قیمت انرژی و تولید ناخالص داخلی تا سال ۲۱۰۰ مورد بررسی قرار دهند. این ابزار که بر پایه داده‌های علمی معتبر و مدل‌های مرجع بین‌المللی بنا شده، دارای یک کنترل پنل بصری شامل اسلایدرهای متغیر است که کاربر می‌تواند با تغییر پارامتر هایی مانند مالیات بر کربن، یارانه انرژی‌های تجدیدپذیر، بازنشستگی زودهنگام نیروگاه‌های زغال‌سنگ یا بهره‌وری انرژی، نتایج بلندمدت را به‌صورت گرافیکی و فوری مشاهده کند. هدف اصلی En-ROADS، افزایش سواد اقلیمی و ایجاد درک مشترک میان سیاست‌گذاران، کسب‌وکارها، دانشجویان و عموم مردم درباره راه‌حل‌های مؤثر برای محدود کردن گرمایش زمین به زیر ۲ درجه سانتی‌گراد است. این شبیه‌سار به‌صورت رایگان در دسترس بوده و به زبان فارسی نیز ترجمه شده است.

سخنران این وبینار دکتر کاوه دیانتی، متخصص مدل‌سازی پویایی سیستم‌ها بودند. دکتر کاوه دیانتی مدل‌ساز تخصصی در حوزه پویایی‌شناسی سیستم‌ها (System Dynamics) و از اعضای تیم Climate Interactive است که تمرکز اصلی فعالیت‌هایش بر روی مدل‌سازی مسائل پیچیده زیست محیطی و تغییرات اقلیمی قرار دارد. وی به‌عنوان یکی از متخصصان آشنا با شبیه‌ساز پیشرفته En-ROADS، نقش مؤثری در ترویج این ابزار و آموزش آن به جامعه علمی و عملی داشته است. دکتر دیانتی با تسلط بر اصول مدلسازی سیستمی، نه تنها در توسعه و دیباگ مدل‌های در مقیاس بزرگ مشارکت دارد، بلکه به‌عنوان مربی و سخنران، به انتقال دانش و تجربه خود در وبینارها و کنفرانس‌های معتبر بین‌المللی می‌پردازد. علاقه‌مندی‌های پژوهشی او شامل ادغام روش‌های هوش مصنوعی با پویایی‌شناسی سیستم‌ها و تحلیل سناریوهای سیاستی برای مقابله با گرمایش جهانی است.

در ابتدای جلسه، دکتر دیانتی پس از معرفی مختصر خود به معرفی جامع شبیه‌ساز En-ROADS پرداختند. ایشان اشاره کردند که این شبیه‌ساز حاصل کار یک تیم بین‌المللی از توسعه‌دهندگان است و مدل‌های مرجع (Reference Models) معتبری مبنای ساخت آن قرار گرفته‌اند. از ویژگی‌های بارز این شبیه‌ساز، وجود یک کنترل پنل کاربر پسند است که شامل گراف‌ها و نمودارهای مختلف برای نمایش نتایج می‌شود. آشنایی عمیق‌تر با منطق مدل و رفتار گراف‌های مختلف، به درک نقش هر اسلایدر کمک می‌کند. En-ROADS Ambassadors در جذابیت و محبوبیت این شبیه‌ساز در سراسر جهان نقش کلیدی داشته اند. یک نکته مهم که مورد تاکید قرار گرفت، پشتیبانی کامل این شبیه‌ساز از زبان فارسی بود که دسترسی و استفاده برای مخاطبان ایرانی را بسیار تسهیل می‌کند.

در گام بعدی، دکتر دیانتی با هدف ایجاد فضای تعاملی و درک دیدگاه حاضرین، دو سوال کلیدی را از طریق یک پلتفرم آنلاین مطرح نمود:

۱.  بحث تغییرات اقلیمی چه احساسی در شما ایجاد می‌کند؟

۲.  به نظر شما مهم‌ترین سیاست‌های لازم برای مبارزه با تغییر اقلیم کدام‌ها هستند؟

پاسخ‌های شرکت‌کنندگان به این سؤالات، مبنای اصلی بخش عملی و شبیه‌سازی سناریوها در ادامه وبینار قرار گرفت. بیشتر شرکت کنندگان در پاسخ به پرسش اول، در مقابل مسئله تغییر اقلیم ابراز نگرانی کرده بودند. سه الویت اول شرکت‌کنندگان از نظر مهمترین سیاست‌های لازم برای مبارزه با تغییر اقلیم نیز شامل این سه مورد بود (به ترتیب اولویت): 

۱.  افزایش سهم انرژی‌های تجدیدپذیر در سبد تولید انرژی جهانی.

۲.  اعمال مالیات بر کربن برای کاهش انتشار گازهای گلخانه‌ای.

۳.  افزایش بهره‌وری و بهینه‌سازی مصرف انرژی در ساختمان‌ها.

این سیاست‌های پیشنهادی در شبیه‌ساز En-ROADS اعمال شد و تأثیر آن‌ها بر روند افزایش دمای جهانی مورد مشاهده و بررسی قرار گرفت. چالش اصلی این بود که ترکیبی از سیاست‌ها اعمال شود تا میانگین دمای کره زمین تا پایان قرن حاضر، از مرز ۲ درجه سانتیگراد فراتر نرود؛ هدفی که در توافقنامه پاریس نیز بر آن تاکید شده است. دکتر دیانتی به‌صورت زنده هر یک از این سیاست‌ها را به‌تنهایی و در ترکیب با یکدیگر در کنترل پنل شبیه‌ساز اعمال کردند و نتایج بر روی گراف‌ها تفسیر نمودند. 

در شبیه‌ساز En-ROADS، افزایش سهم انرژی‌های تجدیدپذیر (مانند انرژی خورشیدی و بادی) در سبد تولید انرژی جهانی، تأثیر مستقیم اما غیرخطی بر کاهش افزایش دمای زمین دارد. وقتی سهم این منابع را به شدت افزایش می‌دهید (مثلاً به بیش از ۸۰-۹۰٪ تا سال ۲۰۵۰)، مدل نشان می‌دهد که این سیاست به‌تنهایی معمولاً نمی‌تواند گرمایش جهانی را به زیر ۲ درجه سانتیگراد محدود کند. دلیل این امر پدیده “بازگشت انرژی” (Energy Rebound Effect) است؛ با ارزان‌تر و در دسترس‌تر شدن انرژی پاک، تقاضا برای انرژی کل ممکن است افزایش یابد و بخشی از صرفه‌جویی‌های حاصل از جایگزینی سوخت‌های فسیلی را جبران کند. بنابراین، اگرچه گسترش تجدیدپذیرها یک شرط لازم و حیاتی است، اما یک راه‌حل کافی نیست. مدل به وضوح نشان می‌دهد که برای دستیابی به اهداف اقلیمی، این سیاست باید با ابزارهای دیگری مانند اعمال قیمت‌گذاری قوی بر کربن (برای کاهش سودآوری سوخت‌های فسیلی) و افزایش بهره‌وری انرژی (برای کاهش کل تقاضا) ترکیب شود تا اثرات سینرژیستی قدرتمندی ایجاد کند. به عبارت ساده‌تر، در En-ROADS می‌بینیم که تجدیدپذیرها مشکل “عرضه” انرژی پاک را حل می‌کنند، اما برای مدیریت “تقاضا” و حذف تدریجی سوخت‌های فسیلی به سیاست‌های مکمل نیاز داریم.

در شبیه‌ساز En-ROADS، اعمال مالیات بر کربن یکی از موثرترین و کارآمدترین سیاست‌های تک‌عاملی برای کاهش افزایش دمای زمین است. مالیات بر کربن، هزینه تولید انرژی از زغال‌سنگ، نفت و گاز را به طور قابل توجهی افزایش می‌دهد. با گران‌تر شدن سوخت‌های فسیلی، منابع انرژی تجدیدپذیر مانند خورشید و باد به طور نسبی بسیار ارزان‌تر و جذاب‌تر می‌شوند. این امر سرمایه‌گذاری و گسترش سریع آن‌ها را به دنبال دارد. افزایش قیمت انرژی، هم صنایع و هم مصرف‌کنندگان را به سمت استفاده بهینه از انرژی و سرمایه‌گذاری در تکنولوژیهای بهره‌وری سوق می‌دهد. یک مالیات بر کربن قوی، فوری و به طور جهانی هماهنگ‌شده می‌تواند به تنهایی گرمایش جهانی را به طور قابل توجهی کاهش دهد. این سیاست به طور مستقیم به قلب مشکل یعنی قیمت‌گذاری نادرست سوخت‌های فسیلی (که هزینه‌های واقعی آلودگی را شامل نمی‌شود) حمله می‌کند و یک سیگنال قیمتی قدرتمند در کل اقتصاد ایجاد می‌نماید. در نتیجه، En-ROADS به وضوح نشان می‌دهد که مالیات بر کربن یک اهرم بسیار قوی است زیرا به صورت سیستماتیک و همزمان، هم بر عرضه (سوخت‌های فسیلی) و هم بر تقاضا (مصرف انرژی) فشار وارد می‌کند و اقتصاد را به سمت کربن زدایی هدایت می‌کند.

در شبیه‌ساز En-ROADS، افزایش بهره‌وری و بهینه‌سازی مصرف انرژی در ساختمان‌ها نیز، یکی از موثرترین و قدرتمندترین اهرم‌های تک‌عاملی برای محدود کردن گرمایش جهانی است. وقتی اسلایدر مربوط به این سیاست را افزایش می‌دهید، مدل اثرات زیر را نشان می‌دهد: کاهش مستقیم و فوری تقاضای انرژی، کاهش وابستگی به سوخت‌های فسیلی با کاهش نیاز به انرژی، کاهش فشار برای ساخت نیروگاه‌های جدید (اعم از فسیلی یا پاک) وبازنشستگی سریع‌تر نیروگاه‌های قدیمی و آلاینده. اعمال سیاست‌های تهاجمی بهره‌وری انرژی در ساختمان‌ها (مانند عایق‌بندی پیشرفته و استفاده از پنجره‌های دو جداره) به تنهایی می‌تواند تاثیر بسیار چشمگیری در منحنی دمای جهانی داشته باشد و آن را به میزان قابل توجهی به زیر ۲ درجه سانتی‌گراد نزدیک کند. دلیل این اثربخشی بالا، حمله مستقیم این سیاست به “تقاضای” انرژی است. برخلاف راه‌حل‌های عرضه‌محور (مانند ساخت نیروگاه‌های تجدیدپذیر جدید)، بهره‌وری انرژی بلافاصله بار سیستم انرژی را کم می‌کند. در مقایسه با سایر سیاست‌ها، بهره‌وری انرژی در ساختمان‌ها اغلب کم‌هزینه‌تر، سریع‌الاجراتر و با موانع فناوری کمتری روبرو است. در En-ROADS می‌بینیم که این سیاست، همراه با بهره‌وری در صنعت و حمل‌ونقل، پایه و اساس ضروری برای موفقیت دیگر سیاست‌ها (مانند گسترش تجدیدپذیرها) محسوب می‌شود؛ زیرا دستیابی به یک سیستم انرژی کاملاً پاک را بسیار قابل‌دسترس‌تر می‌کند.

پس از بخش شبیه‌سازی، فرصتی برای پرسش و پاسخ ایجاد شد. با توجه به تنوع زمینه‌های تحصیلی و تخصصی شرکت‌کنندگان، سوالات طیف گسترده‌ای را در بر می‌گرفت. یک سوال جالب توجه به کاربرد هوش مصنوعی و یادگیری ماشین در پژوهش‌های پویایی‌شناسی سیستم‌ها مربوط می‌شد. دکتر دیانتی در پاسخ تأکید کردند که این موضوع از حوزه‌های بسیار مورد توجه در جامعه پویایی شناسی سیستمها است و به عنوان مثال به سمینارها و مقالات برنامه‌ریزی‌شده برای کنفرانس بین‌المللی سیستم داینامیک در سال ۲۰۲۵ اشاره نمودند. کاربرد هوش مصنوعی (AI) و یادگیری ماشین (ML) در پژوهش‌های پویایی‌شناسی سیستم‌ها (System Dynamics)، به عنوان یک حوزه بین‌رشته ای پیشرو، در حال دگرگون کردن روش‌های سنتی مدل‌سازی است. از AI/ML می‌توان برای بهینه‌سازی و کالیبره‌کردن مدل‌های پیچیده استفاده کرد، به طوری که الگوریتم‌ها می‌توانند پارامترهای مدل را با دقت بالا و بر اساس داده‌های تاریخی واقعی تنظیم کنند تا رفتار مدل به واقعیت نزدیک‌تر شود. همچنین، تکنیک‌هایی مانند شبکه‌های عصبی قادرند روابط غیرخطی پنهان بین متغیرهای سیستم را کشف کرده و ساختارهای بازخوردی جدیدی را پیشنهاد دهند که ممکن است از دید مدل‌سازان پنهان مانده باشد. در مرحله اعتبارسنجی، هوش مصنوعی می‌تواند با تجزیه و تحلیل انبوهی از داده‌ها، صحت شبیه‌سازی‌ها را ارزیابی کند. علاوه بر این، از یادگیری تقویتی (Reinforcement Learning) برای آزمودن سناریوهای سیاستی در محیط‌های شبیه‌سازی‌شده پویا استفاده می‌شود تا مقاوم‌ترین راهبردها در برابر عدم قطعیت‌ها شناسایی شوند. این ادغام، پویایی‌شناسی سیستم‌ها را از یک ابزار تحلیلی عمدتاً کیفی به سمت یک علم پیش‌بینیکننده کمّی و داده‌محور سوق داده و توانایی آن را برای حل مسائل پیچیده اجتماعی-اقتصادی و زیست‌محیطی به شدت افزایش می‌دهد.

به طور خلاصه، وبینار «تحلیل سناریوهای تغییرات اقلیمی با شبیه‌ساز En-ROADS» با موفقیت دو هدف اصلی را محقق ساخت:

۱.  آشنایی عملی با توانمندی‌های یک ابزار مدل‌سازی پیشرفته در حوزه سیاست‌گذاری اقلیمی.

۲.  درگیر کردن مستقیم شرکت‌کنندگان در فرآیند آزمایش سیاست‌ها و مشاهده نتایج بلندمدت آن‌ها.

این رویکرد تعاملی نه‌تنها بر پیچیدگی‌های مساله تغییر اقلیم، بلکه بر ارتباط مستقیم انتخاب‌های امروز با آینده پیش‌رو تأکید داشت. یافته کلیدی نشست نیز بر اهمیت فوق‌العاده سیاست‌های بهینه‌سازی مصرف انرژی در کنار توسعه انرژی‌های پاک و مکانیسم‌های مالیاتی تأکید کرد. در نهایت، این وبینار نشان داد که چگونه ابزارهای شبیه‌سازی می‌توانند پلی بین علم پیچیده مدل‌سازی و تصمیم‌سازی برای عموم علاقه‌مندان و سیاست‌گذاران ایجاد کنند.