شرکت آزادراه تهران–پردیس قصد دارد استراتژی کلان خود را در افق ۵ ساله از طریق پروژههای تحقیق و توسعه (R&D) به نتیجه برساند. اهداف استراتژیک کیفی این شرکت شامل افزایش درآمد آزادراه، بهبود میزان وصول عوارض بهصورت الکترونیک و هوشمندسازی آزادراه هستند. به منظور تضمین تحقق این اهداف، لازم است سبدی متوازن و همراستا با استراتژی از پروژههای تحقیقاتی و توسعه فناوری شکل گیرد. تحقیقات نشان میدهد که مهمترین معیار در انتخاب سبد پروژهها همراستایی آن با اهداف راهبردی سازمان است؛ به عبارتی، سبد پروژههای R&D باید بازتابدهنده استراتژی شرکت باشد. در ادامه، فرایند گامبهگام شکلدهی این سبد پروژهها به صورت تحلیلی تشریح شده است.
برای اجرای استراتژی ذکرشده، ابتدا باید اهداف کمی و شاخصهای قابل اندازهگیری از دل اهداف کیفی استخراج شوند. این اهداف کمی نقش معیار موفقیت پروژههای R&D را ایفا میکنند. مهمترین اهداف عددی پیشنهادی عبارتاند از:
افزایش درآمد سالیانه عوارض آزادراه: به میزان مثلاً ۱۰٪ در سال (انباشته حدود ۶۱٪ طی ۵ سال)، از طریق کاهش فرار عوارض و مدیریت بهینه تعرفهها.
بهبود دقت وصول الکترونیکی عوارض: کاهش خطای تشخیص پلاک و خودرو به کمتر از ۱٪ (مثلاً افزایش نرخ دقت از ۹۰٪ فعلی به بیش از ۹۸٪). این به معنای کاهش چشمگیر عدمشناسایی یا اشتباه در تطبیق خودروها است.
افزایش نسبت پرداخت بهموقع عوارض: رساندن درصد کاربرانی که عوارض خود را در مهلت مقرر میپردازند به حداقل ۹۰٪. در حال حاضر تخمین زده میشود تنها حدود ۳۵٪ از خودروهای عبوری عوارض خود را میپردازند؛ بنابراین هدف ۹۰٪ نشاندهنده بهبود قابل توجه فرهنگ پرداخت و کاهش معوقات است.
هوشمندسازی آزادراه و مدیریت ترافیک: پیادهسازی سامانههای ITS در کل مسیر بهنحوی که زمان واکنش به حوادث جادهای را ۵۰٪ کاهش دهد و متوسط سرعت جریان ترافیک در ساعات اوج حداقل ۱۵٪ افزایش یابد. این هدف بیانگر ارتقای قابل ملاحظه در کارایی عملیاتی آزادراه به کمک فناوریهای هوشمند است.
این اهداف عددی، معیارهای روشنی برای ارزیابی موفقیت پروژههای تحقیق و توسعه ارائه میکنند و پایهای برای مرحله بعد (شناسایی نیازهای فناورانه) خواهند بود.
در این مرحله بر اساس اهداف کمی فوق، چالشها، شکافها و نیازهای فناورانهای که مانع دستیابی به اهداف هستند شناسایی میشوند. هر هدف استراتژیک یکسری موانع و ملزومات فنی مخصوص به خود دارد که باید در پروژههای R&D مدنظر قرار گیرند:
افزایش درآمد آزادراه:
چالشها: بخشی از درآمد بالقوه بهدلیل عدم پرداخت عوارض توسط همه کاربران محقق نمیشود (تنها ۳۵٪ پرداخت بهموقع). همچنین تعرفههای ثابت ممکن است در ساعات اوج یا برای خودروهای مختلف بهینه نباشد.
نیازهای فناورانه: برای رفع این مشکل، فناوریهایی جهت کاهش فرار عوارض و بهبود پوشش اخذ عوارض نیاز است. بهعنوان مثال، سامانههای شناسایی خودرو با دقت بالا میتواند اطمینان حاصل کند که تمامی خودروهای عبوری شناسایی و صورتحساب میشوند. همچنین ابزارهای تحلیل داده و قیمتگذاری پویا میتواند ساختار تعرفه را بهینه کرده و درآمد را افزایش دهد.
بهبود وصول عوارض الکترونیک:
چالشها: اکنون سیستم عوارض الکترونیکی با مشکلاتی همچون خطا در تشخیص پلاک خودرو (خصوصاً در سرعت بالا یا شرایط نوری نامناسب) و دشواری درگیری کاربران با فرایند پرداخت مواجه است. خطای تشخیص یا عدم تطابق پلاک میتواند منجر به صدور قبض اشتباه یا عدم صدور قبض برای برخی خودروها شود. از سوی دیگر، فرایند فعلی پرداخت (مثلاً نیاز به ورود به سامانه یا اپلیکیشن توسط کاربر پس از هر سفر) ممکن است برای همه کاربران ساده و مشوق نباشد و مکانیزم مؤثری برای پیگیری متخلفین (عدمپرداختکنندگان) وجود ندارد.
نیازهای فناورانه: نیاز به یک سامانه جامع شناسایی و اخذ عوارض با دقت بسیار بالا احساس میشود تا نرخ خطای پلاکخوانی را به حداقل برساند. این سامانه میتواند شامل دوربینهای پیشرفته و الگوریتمهای هوش مصنوعی برای تشخیص پلاک و نوع خودرو باشد تا خطای انسانی/فنی را به صفر نزدیک کند. (در یک نمونه پیادهسازی در مجارستان، به کمک دوربینهای هوشمند و تحلیل AI دقت شناسایی وسایل نقلیه به بالای ۹۸٪ رسیده است). همچنین لازم است پلتفرم پرداخت الکترونیکی یکپارچهای توسعه یابد که روشهای متنوع و آسان پرداخت (اپلیکیشن موبایل، کیفپول RFID، پرداخت خودکار بانکی، پیامک یادآوری و غیره) را برای کاربران فراهم کند تا نسبت پرداخت بهموقع افزایش یابد. در کنار آن، یکپارچهسازی سیستم عوارض با سامانههای پلیس/راهور جهت اعمال خودکار جریمه یا جلوگیری از خدمات بعدی برای خودروهای بدهکار میتواند تضمینکننده وصول کامل عوارض باشد.
هوشمندسازی آزادراه (مدیریت ترافیک):
چالشها: عدم وجود دید لحظهای از وضعیت ترافیک و حوادث در کل مسیر آزادراه باعث واکنش کند در برابر تصادفات یا ازدحام میشود. زیرساخت کنونی احتمالاً محدود به دوربینهای نظارتی ساده یا گزارشهای دستی است و سامانه متمرکز مدیریت ترافیک وجود ندارد. علاوه بر این، ارتباط کافی میان دادههای ترافیکی و اخذ عوارض جهت مدیریت تقاضا و اطلاعرسانی به کاربران برقرار نیست.
نیازهای فناورانه: برای هوشمندسازی، شبکهای از حسگرها و دوربینهای IoT در طول آزادراه مورد نیاز است تا اطلاعاتی درباره سرعت جریان، حجم ترافیک، شرایط جوی و وقوع حوادث بهصورت آنی جمعآوری شود. همچنین سامانه کنترل مرکزی و نرمافزار مدیریت ترافیک باید توسعه یابد که این دادهها را پردازش کرده و اقدامات لازم را (مانند تنظیم پیام در تابلوهای متغیر اطلاعرسان، کنترل محدوده سرعت، اعزام تیم امداد) بهصورت خودکار انجام دهد. چنین سامانهای باید با زیرساخت فعلی (مثلاً دوربینهای موجود یا شبکه فیبر/مخابرات) تطابق داشته باشد. نهایتاً برای یکپارچگی، پلتفرم تحلیل دادههای ترافیک و عوارض نیاز است تا تصمیمات راهبردی (مثلاً تعیین تعرفههای پیک ساعت یا برنامه نگهداری پیشگیرانه) بر اساس دادههای واقعی اتخاذ گردد.
خروجی این مرحله، لیستی از نیازهای فناورانه اولویتدار است که مستقیماً از اهداف کسبوکار نشأت گرفتهاند. در مراحل بعد، برای هر نیاز فناورانه گزینههای تکنولوژیکی موجود ارزیابی خواهند شد.
در این بخش برای نیازهای فناورانه کلیدی شناساییشده، گزینههای ممکن فناوری تعیین و مقایسه میشوند. مهمترین تصمیم فناورانه پیشروی شرکت، انتخاب سامانه شناسایی و اخذ عوارض مناسب است، چرا که این سامانه نقش ستون فقرات در تحقق اهداف افزایش درآمد و وصول عوارض ایفا میکند. سه گزینه اصلی فناوری برای این منظور در نظر گرفته شده است:
سامانه مبتنی بر دوربین و هوش مصنوعی (پلاکخوان پیشرفته): استفاده از دوربینهای تشخیص پلاک (ANPR) با کیفیت بالا به همراه نرمافزارهای هوش مصنوعی جهت افزایش دقت خواندن پلاک خودروها و شناسایی خودکار کلاس وسیله نقلیه. این گزینه نیازمند ارتقاء دوربینها و توسعه الگوریتم بومی تشخیص پلاک فارسی با دقت بالا است. مزیت آن عدم نیاز به تجهیز خودروها به ابزار خاص (استفاده از پلاک موجود) و بهرهگیری از زیرساخت دوربین فعلی است. چالش آن، تضمین دقت در شرایط چالشی (نور شدید، سرعت بسیار بالا، پلاک مخدوش) و هزینه توسعه نرمافزار هوشمند است.
سامانه مبتنی بر برچسب RFID (تگهای عوارض): تجهیز خودروها به برچسبهای RFID یا دستگاه OBU و نصب گیتهای خوانش RFID در ورودی/خروجی آزادراه. در این روش هر خودرو یک شناسه منحصربفرد رادیویی دارد و به محض عبور از گیت، عوارض بهطور خودکار از حساب کاربر کسر میشود. مزیت این روش دقت بسیار بالا (ارتباط مستقیم با تگ) و عدم وابستگی به پلاک است؛ همچنین اخذ عوارض در لحظه و بدون تاخیر صورت میگیرد. اما معایب آن عبارتاند از هزینه تامین و توزیع میلیونها تگ بین کاربران، نیاز به نصب تجهیزات RFID در آزادراه، لزوم ترغیب رانندگان به نصب و استفاده از تگ، و مشکلات احتمال تقلب یا جابهجایی تگ بین خودروها. ضمن اینکه برای خودروهای فاقد تگ، باید راهکار جایگزین (مانند پلاکخوانی) در نظر گرفته شود.
سامانه ترکیبی (دوربین + RFID): بهرهگیری همزمان از هر دو روش فوق به صورت مکمل؛ بدین ترتیب که خودروهای مجهز به تگ RFID به صورت آنی شناسایی و شارژ شوند و برای سایر خودروها یا در صورت خطا، سامانه پلاکخوان مبتنی بر AI عمل کند. این گزینه بالاترین نرخ پوشش و دقت را فراهم میکند و ریسک از دست رفتن عوارض را به حداقل میرساند. با این حال، اجرای آن پیچیدهتر و پرهزینهتر است زیرا باید هر دو زیرساخت دوربین پیشرفته و RFID به موازات هم پیادهسازی و نگهداری شوند. همچنین نیازمند توان عملیاتی و فنی بالاتری در سازمان (برای مدیریت دو سیستم) است.
برای مقایسه تحلیلی این گزینهها، معیارهای کلیدی شامل ظرفیت سازمانی (توان فنی و مدیریتی شرکت برای اجرای پروژه)، هزینه (شامل سرمایهگذاری اولیه و عملیاتی)، ریسک (احتمال شکست فنی یا عدم پذیرش کاربران)، تطابق با زیرساخت فعلی و زمان رسیدن به نتیجه ارزیابی شدهاند. جدول زیر مقایسه نسبی گزینههای فوق را بر اساس امتیازدهی ۱ (ضعیفترین) تا ۵ (قویترین) نشان میدهد:
گزینه فناوریظرفیت سازمانیهزینهریسک اجرای پروژهتطابق زیرساختیزمان اجراامتیاز کلدوربین پیشرفته + AI (پلاکخوان)۴۴۴۵۵۲۲تگهای RFID (سامانه برچسبگذاری)۳۲۳۳۳۱۴ترکیبی RFID + پلاکخوان۲۲۳۳۲۱۲
جدول بالا نشان میدهد گزینه مبتنی بر دوربین/هوش مصنوعی بالاترین امتیاز را از نظر مجموع معیارها کسب کرده است. این گزینه با وجود نیاز به توسعه فناوری نرمافزاری، از نظر تطابق با زیرساخت (وجود دوربین در آزادراه)، سرعت اجرا و ظرفیت موجود (توان شرکت یا پیمانکاران داخلی در توسعه سامانههای بینایی ماشین) نسبت به سایر گزینهها برتری دارد. گزینه RFID خالص امتیاز کمتری کسب میکند که عمدتاً به دلیل هزینه بالا و زمانبر بودن توزیع تگها است، هرچند از لحاظ دقت ذاتی مطلوب است. گزینه ترکیبی نیز به دلیل پیچیدگی و هزینه مضاعف، در شرایط فعلی توجیه کمتری دارد. بنابراین فناوری منتخب برای سیستم اخذ عوارض، ارتقای سامانه پلاکخوان الکترونیک با بهرهگیری از دوربینهای هوشمند و هوش مصنوعی خواهد بود. این انتخاب همراستا با توان داخلی و روندهای جهانی است؛ چنانکه در نمونهای موفق، ارتقای سیستم پلاکخوانی با AI توانسته دقت شناسایی را به بیش از ۹۸٪ برساند و انتظار میرود که با افزایش دقت پایش عوارض، تمایل به پرداخت و در نتیجه درآمد عوارض نیز افزایش یابد.
علاوه بر سامانه اخذ عوارض، برای سایر نیازهای فناورانه نیز راهکارهای مناسب تعیین شده است: برای پرداخت الکترونیکی بهترین رویکرد توسعه یک پلتفرم یکپارچه (شامل اپلیکیشن موبایل، وبسرویس و اتصال به درگاههای بانکی) است تا تمامی روشهای پرداخت در یک سامانه تجمیع شود. در زمینه مدیریت هوشمند ترافیک نیز راهکار برگزیده، پیادهسازی یک سامانه ITS یکپارچه شامل شبکه حسگرهای جادهای، دوربینهای نظارتی پیشرفته، تابلوهای پیام متغیر و مرکز کنترل ترافیک میباشد. برای بهینهسازی تعرفه عوارض (تعرفهگذاری پویا) نیز استفاده از الگوریتمهای تحلیل داده و شبیهسازی سناریوهای ترافیکی/درآمدی مدنظر قرار گرفت. در مجموع، خروجی این مرحله فهرستی از فناوریهای اولویتدار است که باید در قالب پروژههای تحقیق و توسعه اجرایی شوند: (۱) سامانه پلاکخوان هوشمند، (۲) پلتفرم پرداخت الکترونیک عوارض، (۳) سامانه مدیریت هوشمند آزادراه، (۴) سیستم تحلیل داده و تعرفهگذاری پویا.
همانطور که در بخش قبل از طریق ماتریس امتیازدهی چندمعیاره نشان داده شد، سامانه پلاکخوان هوشمند مبتنی بر AI بهعنوان فناوری منتخب برای ارتقای اخذ عوارض برگزیده شد. این تصمیم بر پایه امتیاز بالاتر آن در معیارهایی چون تطابق با زیرساخت و زمان تحقق نتایج اتخاذ گردید. با انتخاب این فناوری، اهداف افزایش دقت وصول عوارض و کاهش فرار عوارض به بهترین نحو پشتیبانی میشوند.
در حوزههای دیگر نیز با رویکرد مشابه تصمیمگیری شد: توسعه پلتفرم پرداخت یکپارچه به دلیل اهمیت و تاثیر مستقیم آن بر وصول درآمد، بهعنوان یک ضرورت بدیهی بدون گزینه جایگزین مطرح شد (گزینه عدم انجام یا ادامه وضعیت فعلی قابل قبول نبود). برای هوشمندسازی آزادراه، راهکار جامع ITS انتخاب شد؛ هرچند میتوانست رویکردهای محدودتری (مثلاً نصب تعدادی دوربین بدون سیستم هوش مصنوعی) مدنظر باشد، اما با توجه به هدف استراتژیک صریح شرکت در هوشمندسازی کامل، پیادهسازی جامع ITS در اولویت قرار گرفت. جهت افزایش درآمد نیز اجرای طرح تعرفهگذاری پویا بهعنوان یک پروژه تحقیقاتی انتخاب شد، چرا که تحلیلها نشان داد این رویکرد میتواند بدون نیاز به توسعه فیزیکی زیرساخت، از طریق مدیریت تقاضا و قیمت، درآمد را در ساعات پرتردد افزایش دهد. بدینترتیب چهار حوزه فناورانه نهایی جهت اجرای پروژههای R&D تعیین شدند. در گام بعد، باید پروژههای مشخصی برای توسعه/بومیسازی این فناوریها تعریف شوند.
بر اساس فناوریهای اولویتدار انتخابشده، اکنون پروژههای تحقیق و توسعهای تعریف میشوند که هر کدام دارای مأموریت مشخص، خروجیهای مورد انتظار، زمانبندی، سطح آمادگی فناوری (TRL) و برآورد هزینه هستند. در ادامه، فهرست پروژههای پیشنهادی R&D به همراه مشخصات کلیدیشان آورده شده است:
پروژه A – سامانه هوشمند تشخیص و اخذ عوارض (پلاکخوان AI):
هدف: ارتقای سیستم فعلی اخذ عوارض الکترونیکی از طریق بهبود دقت تشخیص پلاک و شناسایی خودروها، بهطوریکه خطای خواندن پلاک به کمتر از ۱٪ برسد و امکان دستهبندی خودکار نوع وسیله نقلیه (سواری، کامیون،… ) فراهم شود. این هدف مستقیماً در خدمت افزایش وصول عوارض و کاهش تخلفات عدم پرداخت است.
خروجی: نرمافزار بومی تشخیص پلاک مبتنی بر یادگیری عمیق (قابل نصب روی دوربینهای نظارتی یا سرور مرکزی) به همراه دوربینهای ارتقایافته یا واحدهای پردازشی لازم. خروجی نهایی شامل یک ماژول یکپارچه با سامانه عوارض خواهد بود که در لحظه عبور خودرو، شماره پلاک و کلاس آن را با دقت >۹۸٪ تشخیص داده و رکورد عوارض را ایجاد میکند.
مدت زمان: حدود ۱۸ ماه (۶ ماه تحقیق و توسعه الگوریتم AI شامل جمعآوری داده و آموزش مدل، ۶ ماه پیادهسازی آزمایشی در یک بخش آزادراه، ۶ ماه بهبود و rollout در کل مسیر).
TRL (سطح آمادگی فناوری): در آغاز پروژه TRL ~5 (نمونه آزمایشگاهی الگوریتم) برآورد میشود و در پایان باید به TRL 8 (سیستم کامل تستشده در مقیاس واقعی) برسد.
هزینه تقریبی: در حدود متوسط (شامل خرید یا ارتقای تعداد محدودی دوربین HD، سرورهای پردازش و هزینه تحقیقاتی توسعه الگوریتم AI). برای برآورد میتوان رقم ~۲۰۰ میلیارد ریال را در نظر گرفت (بسته به تعداد گیتهای پوشش دادهشده).
پروژه B – پلتفرم جامع پرداخت و وصول عوارض الکترونیکی:
هدف: افزایش نرخ پرداخت بهموقع عوارض به ۹۰٪+ از طریق فراهم کردن یک سیستم پرداخت سهلاستفاده، سریع و متصل که تمام فرآیند از صدور قبض تا وصول مبلغ را بهصورت خودکار مدیریت کند. این پروژه از جنبه درآمدی بسیار حائز اهمیت است و مکمل پروژه A میباشد.
خروجی: یک سامانه نرمافزاری یکپارچه پرداخت عوارض شامل: اپلیکیشن موبایل و وبسایت برای مشاهده و پرداخت صورتحساب عوارض توسط کاربران، درگاههای متصل به بانکها و کیفپولهای اعتباری، زیرسیستم ارسال اعلان (SMS/پیامرسان) برای یادآوری پرداخت، و داشبورد مدیریتی جهت پیگیری وضعیت وصول. همچنین خروجی میتواند شامل API اتصال به سامانه پلیس باشد تا اطلاعات خودروهای بدهکار برای اعمال جریمه دیرکرد بهطور خودکار تبادل شود.
مدت زمان: حدود ۱۲ ماه برای توسعه و استقرار اولیه. (۶ ماه توسعه MVP نرمافزار و آزمون امنیت، ۳ ماه یکپارچهسازی با بانکها/اپراتورها، ۳ ماه اجرای آزمایشی و رفع اشکال). این زمانبندی نسبتاً کوتاه انتخاب شده تا اثر پروژه سریع ظاهر شود.
TRL: فناوری موردنیاز غالباً موجود (استفاده از درگاههای پرداخت مرسوم و سرورهای ابری)، لذا TRL در شروع ~7 و در پایان ~9 (عملیاتی کامل) خواهد بود.
هزینه تقریبی: پایین تا متوسط – عمدتاً هزینه توسعه نرمافزار و زیرساخت IT. با استفاده از تیم داخلی/پیمانکار نرمافزاری، بودجهای در حدود ۵۰ تا ۱۰۰ میلیارد ریال کافی به نظر میرسد. این هزینه در مقایسه با پروژههای سختافزاری بسیار کمتر است اما بازگشت سرمایه بالایی با جلوگیری از عدموصول عوارض خواهد داشت.
پروژه C – سامانه نظارت و مدیریت هوشمند آزادراه (ITS):
هدف: پیادهسازی یک سیستم مدیریت ترافیک هوشمند در آزادراه تهران–پردیس جهت بهبود ایمنی و جریان ترافیک. اهداف کمی شامل کاهش ۵۰٪ زمان واکنش به حوادث و کاهش تأخیرهای ناشی از ترافیک میباشد. این پروژه جنبه استراتژیک «هوشمندسازی آزادراه» را محقق میکند و میتواند بهطور غیرمستقیم رضایت کاربران و حتی درآمد (با جذب تردد بیشتر) را افزایش دهد.
خروجی: اجزای اصلی یک سامانه ITS جامع از قبیل: شبکه حسگرهای ترافیکی (دوربینهای ترافیک شمار، حلقههای هوشمند یا رادارهای سرعت) در فواصل مشخص از مسیر، دوربینهای نظارتی گردان (PTZ) و ثابت برای پوشش تصویری کامل آزادراه، تابلوهای پیام متغیر (VMS) در چند نقطه کلیدی جهت اطلاعرسانی به رانندگان، مرکز کنترل ترافیک مجهز به مانیتورینگ زنده و نرمافزار تحلیلگر (نمایش وضعیت لحظهای ترافیک، تشخیص خودکار حادثه یا ترافیک غیرعادی، پیشنهاد اقدام کنترلی)، و بستر ارتباطی (فیبر نوری یا شبکه بیسیم اختصاصی) برای تبادل داده بین اجزا. خروجی نهایی، عملیاتی شدن مرکز مدیریت هوشمند با پوشش ۱۰۰٪ مسیر آزادراه و قابلیت هماهنگی با سایر سامانهها (مثلاً انتقال داده ترافیک به اپلیکیشنهای مسیریابی) است.
مدت زمان: حدود ۳ سال به صورت فازبندیشده. (سال اول: طراحی و نصب پایلوت در ۲۰٪ مسیر، سال دوم: تکمیل نصب تجهیزات در باقیمانده مسیر، سال سوم: بهینهسازی الگوریتمهای تشخیص و یکپارچهسازی کامل سامانه). با این زمانبندی، تا پایان سال پنجم افق استراتژی، سیستم بهطور کامل عملیاتی خواهد بود.
TRL: بسیاری از فناوریهای مورد استفاده موجود و اثباتشدهاند (TRL 8-9 برای تجهیزات مانند دوربین یا VMS). چالش در یکپارچهسازی آنهاست که ممکن است TRL کلی سامانه را در شروع ~6 (آزمایش در محیط مشابه) قرار دهد. انتظار میرود با اجرای پایلوت و رفع اشکالات، در پایان پروژه TRL=9 (آماده بهرهبرداری گسترده) حاصل شود.
هزینه تقریبی: بالا – این بزرگترین پروژه از نظر مالی است چرا که شامل تهیه تجهیزات فیزیکی، نصب آنها در مسیر ۳۰ کیلومتری، ایجاد مرکز کنترل و نگهداری سامانه است. برآورد اولیه میتواند رقمی در حدود چند صد میلیارد تومان (مثلاً ۵۰۰ تا ۷۰۰ میلیارد تومان) باشد. البته اجرای فازبندیشده امکان تخصیص بودجه در چند سال را فراهم میکند. با توجه به سرمایهبر بودن این پروژه، احتمال مشارکت شرکتهای سرمایهگذار یا استفاده از وامهای دولتی/بینالمللی برای ITS نیز میتواند بررسی شود.
پروژه D – سامانه تحلیل داده و تعرفهگذاری پویای عوارض:
هدف: افزایش درآمد و مدیریت هوشمند ترافیک از طریق پیادهسازی سازوکار تعرفه عوارض متغیر بر اساس زمان سفر، میزان ترافیک یا نوع وسیله نقلیه. این پروژه با استفاده از تحلیل داده بهینهترین نرخ عوارض را تعیین میکند تا ضمن کنترل ازدحام در ساعات پیک، درآمد کل آزادراه حداکثر شود. هدف عددی آن افزایش مثلاً ۲۰٪ درآمد در ساعات اوج بدون کاهش شدید تردد است.
خروجی: یک الگوریتم و نرمافزار شبیهسازی/بهینهسازی تعرفه که ورودی آن دادههای تاریخی ترافیک و کشش تقاضای کاربران است و خروجی آن نرخهای پیشنهادی عوارض در بازههای زمانی (یا برای گروههای کاربری) مختلف میباشد. همچنین این پروژه خروجیهای جانبی نظیر داشبورد تحلیلی برای مدیران فراهم میکند تا تاثیر سناریوهای مختلف قیمتگذاری بر حجم ترافیک و درآمد را ببینند. پس از تکمیل تحقیق و شبیهسازی، یک دوره اجرای آزمایشی تعرفهگذاری پویا (برای مثلاً ساعات غیرپیک با تخفیف و ساعات پیک با افزایش تعرفه) نیز به عنوان خروجی منظور میشود.
مدت زمان: حدود ۲ سال (سال اول: جمعآوری داده و ساخت مدلهای پیشبینی ترافیک/درآمد، سال دوم: تدوین الگوریتم بهینهسازی و آزمایش شبیهسازی، سپس اجرای آزمایشی مثلاً به مدت ۶ ماه).
TRL: در آغاز سطح مفهومی (TRL ~3 تا 4) قرار دارد چون در ایران تاکنون اجرای عملی نداشته، ولی از نظر تئوری در کشورهای دیگر آزموده شده است. بعد از شبیهسازی و پایلوت میتواند به TRL 7 برسد (آزمایششده در شرایط واقعی محدود). اجرای کامل تعرفهگذاری پویا شاید نیازمند مصوبات قانونی و پذیرش اجتماعی باشد که خارج از محدوده فنی TRL اما موثر بر پیشرفت پروژه است.
هزینه تقریبی: پایین – این پروژه عمدتاً تحقیقاتی/نرمافزاری است و هزینه اصلی آن مربوط به تحلیل داده و مشاوره تخصصی اقتصاد حملونقل است. برآورد هزینه شاید در حدود ۳۰ تا ۵۰ میلیارد ریال باشد. ارزش این پروژه در خروجی آن (تصمیمهای بهینه تعرفه) است که میتواند منجر به درآمد اضافی چند ده میلیارد ریالی در سال گردد.
چهار پروژه فوق، اجزای اصلی سبد R&D پیشنهادی را تشکیل میدهند. هر پروژه دارای نقش مخصوص به خود در تحقق اهداف استراتژیک شرکت است: پروژه A و B مستقیماً تضمینکننده افزایش وصول و درآمد هستند، پروژه C زیرساخت هوشمند لازم برای مدیریت کارای آزادراه را ایجاد میکند، و پروژه D با بهرهگیری از دادههای تولیدشده توسط سایر پروژهها درآمد و ترافیک را بهینه میکند. در بخش بعدی، نحوه تجمیع این پروژهها در قالب یک سبد پروژه متوازن و برنامهریزی منابع و زمانبندی آن تبیین میشود.
در این مرحله پروژههای تعریفشده به عنوان اجزای یک سبد واحد در نظر گرفته شده و بهینهسازی میشوند. نکته کلیدی در مدیریت سبد، تخصیص مناسب منابع (بودجه، نیروی انسانی) به هر پروژه، تعیین اولویت و توالی زمانی اجرای پروژهها، و همچنین ارزیابی ریسک و بازده هر پروژه در کنار یکدیگر است. جدول زیر مرور کلی هر پروژه از منظر زمانبندی، اولویت تخصیص منابع، سطح ریسک و بازده مورد انتظار را نشان میدهد:
عنوان پروژه (کد)بازه زمانی اجرااولویت/منابع تخصیصیسطح ریسکبازده/اثر مورد انتظارسامانه پلاکخوان هوشمند (A)کوتاهمدت (شروع فوری، اتمام ~۱٫۵ سال)متوسط (نیاز به سرمایهگذاری R&D و تجهیزات محدود)متوسط (ریسک فنی قابل مدیریت)بالا: کاهش فرار عوارض و افزایش وصول مستقیم درآمدپلتفرم پرداخت عوارض (B)کوتاهمدت (شروع فوری، اتمام ~۱ سال)متوسط/کم (عمدتاً نیروی نرمافزاری)پایین (فنّاوری شناختهشده)بالا: افزایش چشمگیر نرخ پرداخت بهموقع و تحقق سریع درآمدمدیریت هوشمند آزادراه (C)بلندمدت (فازبندی طی ~۳-۴ سال)بسیار بالا (بزرگترین بخش بودجه و سرمایه)نسبتاً بالا (پیچیدگی اجرایی، چندجانبه)متوسط: اثر غیرمستقیم بر درآمد، بهبود ایمنی و کیفیت خدمات آزادراهتحلیل داده و تعرفهگذاری پویا (D)میانمدت (تحقیق و پیادهسازی ~۲ سال)کم (تیم کوچک تحقیقاتی، دادهمحور)متوسط (عدم قطعیت در نتایج مدنظر و پذیرش کاربران)متوسط: افزایش درآمد در ساعات اوج، بهبود مدیریت ترافیک در بلندمدت
همانطور که در جدول مشاهده میشود، پروژههای A و B به عنوان پروژههای کوتاهمدت با اولویت بالا در سال اول کلید میخورند تا سریعاً اثر مالی مثبت خود را نشان دهند. این دو پروژه نسبت به سایرین ریسک کمتر و بازده مستقیم بیشتری دارند، لذا بخش مهمی از منابع در ابتدا به آنها تخصیص مییابد. پروژه C یک سرمایهگذاری راهبردی بلندمدت است که به منابع قابل توجه (حدود نیمی از کل بودجه سبد) نیاز دارد و ریسکهای اجرایی خاص خود را دارد، اما برای تحقق چشمانداز هوشمندسازی ضروری است. پروژه D نیز به موازات اتمام پروژههای A و B در میانمدت انجام میشود و با استفاده از دادههای تولیدشده توسط آنها، بهرهوری آزادراه را بیشتر خواهد کرد.
برای نمایش تصویری برنامه زمانی پروژهها، نمودار گانت سادهای ارائه شده است. در نمودار زیر، محور افقی زمان را به فصلهای سال (۵ سال = ۲۰ فصل) نشان میدهد و هر نوار نشاندهنده طول مدت هر پروژه است. پروژهها با کدهای A, B, C, D مطابق تعاریف بالا مشخص شدهاند
:
برنامه زمانی پیشنهادی برای پروژههای R&D (پروژه A: پلاکخوان هوشمند، B: پلتفرم پرداخت، C: ITS آزادراه، D: تعرفهگذاری پویا).
همانگونه که مشاهده میشود، پروژههای A و B در آغاز برنامه اجرا میشوند و طی سال اول به بهرهبرداری میرسند. پروژه D از ابتدای سال دوم شروع شده و تا پایان سال سوم تکمیل میشود تا همزمان با بهرهبرداری پروژههای کوتاهمدت، بتوان از دادههای آنها در پروژه D بهره گرفت. پروژه C از اواسط سال دوم آغاز شده و به صورت فازبندی تا سال چهارم و پنجم ادامه مییابد تا تمامی اجزای هوشمندسازی مستقر شوند. بدین ترتیب توازن میان دستاوردهای کوتاهمدت و بلندمدت حفظ گردیده و منابع بر اساس اولویتهای استراتژیک زمانبندی شدهاند.
از منظر مدیریت ریسک/بازده پرتفو، سبد متشکل از ترکیبی از پروژههای کمریسک/بازده-بالا (A,B) و پروژههای راهبردی پُرریسک/بازده-آتی (C,D) است. این ترکیب تضمین میکند که ضمن دستیابی به برخی نتایج سریع (quick wins) برای سازمان، سرمایهگذاریهای بلندمدت نیز برای آینده انجام میشود و تعادل پرتفو از نظر زمانی و سطح ریسک برقرار است. همچنین بودجه کل سبد و منابع انسانی طوری توزیع شده که پروژههای اولویتدار دچار کمبود منابع نشوند و در عین حال ظرفیت کافی برای پروژههای تحقیقاتی نوآورانهتر حفظ شود.
تدوین سبد پروژه پایان کار نیست؛ برای موفقیت بلندمدت، مدیریت پویای پرتفو ضروری است. محیط فناوری و شرایط کسبوکار دائماً در حال تغییرند و سبد R&D باید بتواند خود را با این تغییرات وفق دهد. شرکت آزادراه تهران–پردیس برای پویاسازی مدیریت سبد R&D اقدامات زیر را در نظر خواهد گرفت:
برگزاری بازبینیهای دورهای پرتفو: هر فصل (یا هر نیمسال) یک کمیته راهبری R&D تشکیل میشود تا پیشرفت پروژههای جاری را نسبت به اهداف بررسی کند، اولویت پروژهها را بازنگری نماید و تصمیمهای ضروری را اتخاذ کند. در این جلسات، کل سبد به صورت یکجا دیده میشود و عملکرد پروژهها در مقایسه با یکدیگر و با اهداف کسبوکاری سنجیده میشود. ارتباط پروژهها با استراتژی کلان در این بازبینیها مجدداً ارزیابی خواهد شد تا همراستایی پرتفو با استراتژی حفظ گردد.
استفاده از نقاط کنترل مرحلهای (Stage-Gate): برای هر پروژه R&D، مرحلههای کلیدی و نقاط تصمیمگیری تعریف میشود (مانند پایان فاز امکانسنجی، پایان توسعه نمونه اولیه، پایان فاز آزمایشی). در این نقاط، یک ارزیابی Go/Kill انجام میشود؛ بدین صورت که اگر پروژه در دستیابی به معیارهای فاز جاری ناموفق باشد یا فرضیات بازار/فناوری آن تغییر کرده باشد، ممکن است متوقف (kill) یا بازتعریف شود و منابع آن به پروژههای دیگر تخصیص یابد. این سازوکار stage-gate تضمین میکند که منابع سازمان صرف پروژههای بنبست نشود و تمرکز روی گزینههای موفق باقی بماند.
مکانیزم خروج/جایگزینی پروژهها: در مدیریت پرتفو باید امکان حذف، تعلیق یا اضافهکردن پروژهها بر اساس شرایط جدید وجود داشته باشد. برای مثال، اگر در میانه راه مشخص شود فناوری RFID مثلاً به دلیل یک تغییر قانون اجباری خواهد شد، ممکن است نیاز باشد پروژه جدیدی برای آن تعریف و وارد پرتفو شود. یا اگر پروژهای (مثلاً تعرفهگذاری پویا) پس از مطالعه اولیه نشان داد بازدهی کافی ندارد، میتوان آن را خاتمه داد و بودجه را به ابتکار دیگری (مثلاً پروژه نصب دروازههای مدیریت سرعت یا پروژه خدمات جانبی درآمدزا در آزادراه) تغییر مسیر داد. در همین راستا، پایش مداوم ریسکها انجام و در صورت افزایش ریسک پروژهای به سطح غیرقابل قبول، تصمیم مقتضی (کاهش دامنه پروژه، تغییر تیم، یا توقف) اتخاذ میشود.
همسوسازی با استراتژی و یادگیری سازمانی: سازوکار مدیریت سبد تضمین میکند که همواره ارتباط پروژههای R&D با اهداف کلان سازمان برقرار بماند. هرگونه تغییر در استراتژی شرکت (مثلاً اولویت یافتن یک هدف جدید یا تغییر در چشمانداز درآمدی) به سرعت در ترکیب پرتفو بازتاب خواهد یافت. همچنین درسآموختههای حاصل از هر پروژه (دلایل موفقیت یا شکست، دادههای فنی بهدستآمده) در سازمان ثبت و میان سایر پروژهها به اشتراک گذاشته میشود تا همافزایی بین پروژهها تقویت گردد.
با اجرای مکانیزمهای فوق، سبد پروژههای تحقیق و توسعه به صورت یک سیستم زنده و پویا مدیریت خواهد شد نه یک برنامه ایستا. در واقع، سبد پروژه تجلی استراتژی سازمان در حوزه فناوری است و باید بتواند متناسب با تغییر شرایط بهترین ترکیب پروژهای را ارائه دهد. این پویایی باعث افزایش شانس موفقیت کل سبد و بهرهوری سرمایهگذاریهای R&D در بلندمدت میشود.
در این گزارش، فرآیند منطقی و تحلیلی شکلدهی سبد پروژههای تحقیق و توسعه برای شرکت آزادراه تهران–پردیس تشریح شد. ابتدا اهداف استراتژیک کیفی شرکت به اهداف کمی قابل سنجش تبدیل گردید. سپس چالشهای اصلی بر سر راه این اهداف شناسایی و نیازهای فناورانه متناظر احصا شد. با مقایسه گزینههای فناوری بر اساس معیارهای چندگانه، فناوریهای مناسب انتخاب و در قالب پروژههای مشخص R&D تعریف گردید. در نهایت، با در نظر گرفتن محدودیت منابع و افق ۵ ساله، ترکیب بهینهای از پروژهها به همراه زمانبندی اجرا و مکانیزمهای مدیریت پورتفولیو ارائه شد. تمامی تصمیمات کلیدی در هر گام دارای دلایل شفاف و تحلیلی بودند؛ از انتخاب فناوری پلاکخوان هوشمند به دلیل تطابق بیشتر با ظرفیت سازمان گرفته تا تخصیص اولویت به پروژههای کوتاهمدت برای تأمین سریع منافع مالی. ارتباط میان پروژههای R&D و استراتژی کلان سازمان نیز در همه مراحل مدنظر بود و بهصورت کمی (از طریق اهداف سنجشپذیر) و کیفی (از طریق ارزیابی همسویی در کمیتههای تصمیمگیری) تضمین شد.
سبد پروژههای تحقیق و توسعه پیشنهادی نهتنها دستیابی به اهداف ۵ ساله شرکت را قابل دفاع میکند، بلکه با بهرهگیری از مدیریت پویا قابلیت تطبیق با آینده نامعلوم را دارد. با اجرای موفق این سبد، شرکت آزادراه تهران–پردیس میتواند ضمن افزایش درآمد و کارایی عملیاتی، به یکی از پیشگامان بکارگیری فناوریهای نوین در مدیریت آزادراهها تبدیل شود و الگویی برای سایر زیرساختهای حملونقل کشور ارائه نماید.
منابع و مراجع:
Cooper, R. G., Edgett, S. J. Portfolio Management: Fundamental for New Product Success.
سید مجتبی هاشمی و مسعود کسایی. ارائه یک روش جدید برای ارزیابی و انتخاب سبد پروژههای توسعه محصول جدید. مطالعات مدیریت صنعتی، ۱۳۹۶.
خبرگزاری ایسنا – هر ماه تنها ۳۵ درصد عوارض الکترونیکی آزادراهی دریافت میشود, ۱۴۰۴.
Axis Communications – Intelligent Tolling System in Hungary, 2025.
