Document Type : Research/Original/Regular Article
اقیانوس جهانی که نزدیک به ۷۱% از سطح زمین و ۹۷% از آبهای آن را پوشانده و به‌عنوان «مرز نوین اقتصادی» عمل می‌کند، به‌عنوان نقشی محوری در رفاه انسان و توسعه پایدار شناخته شده است (عطری و بوهلر-مولر. 2018، گزارش سازمان همکاری‌های اقتصادی اروپا 2016، ورله و همکاران 2018). فراتر از نقش بنیادین بوم شناختی آن در تنظیم اقلیم و سامانههای آب و هوایی جهانی، اقیانوس خدمات بومسازگانی به ارزش تقریبی ۲۴ تریلیون دلار آمریکا ارائه می‌دهد. این اقیانوس منبعی حیاتی برای غذا، انرژی و مواد معدنی است، ستون فقرات تجارت جهانی را تشکیل می‌دهد (۹۰% از حمل و نقل بین‌المللی از طریق دریا انجام می‌شود) و معیشت صدها میلیون نفر را تأمین می‌کند (گزارش حاکمیت دریا و جنوب آسیا. 2018).
مفهوم «اقتصاد آبی[1]» به‌ویژه از زمان کنفرانس ریو+۲۰ سازمان ملل در سال ۲۰۱۲، به‌عنوان پارادایمی برجسته تکامل یافته است که خود را با پرداختن مشخص به بافتار‌های دریایی و اقیانوسی از اقتصاد سبز متمایز می‌سازد (یوآن و همکاران. 2024). اقتصاد آبی به‌طور کلی به‌عنوان رویکردی یکپارچه و میان‌رشته‌ای درک می‌شود که به دنبال هماهنگ‌سازی رشد اقتصادی با پایداری بلندمدت بومسازگان‌‌های اقیانوسی است (چاوهان و همکاران. 2022).
تحقق اقتصاد آبی بر چارچوبی جامع مبتنی بر «سه خط بنیادین[2]» استوار است که دستیابی همزمان به سه رکن کلیدی را ترویج می‌کند (موآنیوکا و همکاران 2025، عطری و بوهلر-مولر 2018):
۱. رشد اقتصادی پایدار ناشی از بخش‌‌های دریایی مانند شیلات پایدار، آبزی پروری، حمل و نقل دریایی، انرژی تجدیدپذیر (مانند انرژی باد فراساحلی) و طبیعتگردی.
۲. سلامت و تابآوری بومسازگان، تضمین می‌کند که فعالیتهای اقتصادی (مانند اکتشاف معادن اعماق دریا، گردشگری و تولید انرژی) به سرمایه طبیعی آسیب نرسانده و منجر به تخریب محیط‌‌هایی مانند صخره‌‌های مرجانی و مانگروها نشود.
۳. عدالت اجتماعی و عدالت آبی، تضمین می‌کند که منافع به‌طور عادلانه توزیع شود، فقر کاهش یابد و جمعیت‌‌های آسیب‌پذیر ساحلی از جمله ماهی‌گیران سنتی و زنان در بخشهایی مانند آبزی‌پروری در اولویت قرار گیرند. منتقدان هشدار می‌دهند که تمرکز صرف بر «رشد آبی» بدون حفاظت از عدالت می‌تواند به «تصاحب اقیانوس[3]» یا «راه‌حل آبی[4]» منجر شود که معیشت‌‌های محلی را تضعیف کرده و نابرابری‌‌های جهانی را تشدید می‌کند.
علیرغم اجماع بر سر اهداف اقتصاد آبی (هدف ۱۴ از اهداف توسعه پایدار[5])، مسیر تحقق آن با چالشهایی همراه است که عمدتاً ناشی از ظرفیت ناکافی حاکمیتی و فشارهای فزاینده زیست‌محیطی هستند (عطری و بوهلر-مولر 2018). نیاز به مدیریت یکپارچه ساحلی[6] (ICM) و حکمرانی منسجم اقیانوسی در پهنه‌‌های مختلف قضایی (از مناطق ساحلی تا آبهای آزاد) مستلزم هماهنگی پیچید‌‌های است که اغلب فراتر از ساختارهای مدیریتی برخوردار موجود عمل می‌کند (واله‌گا 2002). اقیانوس در معرض تهدیدهای رو به رشدی از جمله آثار تغییر اقلیم (مانند افزایش سطح دریا و گرم شدن دمای سطح دریا)، آلودگی (فلزات سنگین، آلودگی میکروبی و میکرو پلاستیک‌ها) و بهره‌برداری بی‌رویه از منابع زنده دریایی قرار دارد (عطری و بوهلر-مولر 2018).
در پاسخ، تحول دیجیتال به‌طور فزایندهای به‌عنوان تواناسازی حیاتی برای دستیابی به «رشد آبی» و افزایش عملکرد پایداری تلقی می‌شود. فناوریهای دیجیتال شامل هوش مصنوعی (AI)، تحلیل کلان داده‌ها[7] و اینترنت اشیاء (IoT) قادر به ایجاد نوآوری در مدلهای کسب و کار، به‌ویژه در بخش‌‌های منابع بر هستند و ظرفیت تحلیلهای پیشرفته دریایی، پایش زیست‌محیطی و مدیریت پایدار منابع را ارائه می‌دهند (سجودین و همکاران 2023).
با این حال، شکاف آشکاری میان کشورهایی که قادر به بهرهگیری از این فناوری‌ها هستند و کشورهایی که با محدودیتهای ساختاری مواجه‌اند، وجود دارد. در حالی که مناطق توسعه‌یافته از علم و فناوری پیشرفته برای نوآوری دریایی استفاده می‌کنند، بسیاری از کشورهای دریامحور در حال توسعه با چندپارگی نهادی چشمگیر، چارچوب‌های نظارتی ضعیف و محدودیتهای ظرفیتی روبرو هستند که اجرای مؤثر راهبرد‌های دیجیتال را دشوار می‌سازد. افزون بر این، حرکت به‌سوی اقتصاد آبی داده‌محور مستلزم حاکمیت داده[8] قوی – که توسط افراد، فرایندها و ابزارها تعریف می‌شود – برای تضمین اعتمادپذیری، کیفیت، کنترل دسترسی و طبقه‌بندی دادههای حیاتی دریایی است. خدمات عمومی دیجیتال مؤثر (DPS) که بر مؤلفه‌هایی مانند کاربرمحوری، تجربه پذیری کسب و کار و تواناساز‌های کلیدی متکی هستند، با پیامد‌های مثبت بلندمدت اقتصادی و زیست‌محیطی مرتبط هستند.
بنابراین، چالش اصلی در گذار به‌سوی اقتصاد آبی پایدار و عادلانه، به‌ویژه در بافتار‌های در حال توسعه، در رفع این کسری نهادی و فنی نهفته است. این مسئله به پرسش اصلی پژوهش زیر منجر می‌شود. چگونه یک کشور دریامحور در حال توسعه می‌تواند یک مدل حکمرانی داده‌محور قوی طراحی و پیاده سازی کند که رشد اقتصادی پایدار را ممکن سازد، هماهنگی نهادی را تضمین کند، از اصول عدالت آبی پشتیبان نماید و در مواجهه با کاربری‌های رقیب اقیانوس و تخریب زیست‌محیطی، تاب آوری بومسازگان را تقویت نماید؟
مفهوم اقتصاد آبی در اوایل دهه ۲۰۱۰ به‌عنوان پاسخی سیاستی به «صنعتی سازی اقیانوس» ظهور کرد (سیلور و همکاران 2019). این مفهوم به دنبال ادغام اهداف اقتصادی، زیست‌محیطی و اجتماعی درون چارچوبی پایداری است. بانک جهانی (۲۰۱۸) آن را چنین تعریف می‌کند: «استفاده پایدار از منابع اقیانوسی برای رشد اقتصادی، بهبود معیشت و ایجاد اشتغال، در عین حفظ سلامت بومسازگان اقیانوس».
پژوهشگران سه روایت اصلی را شناسایی کرده‌اند:
۱. حفاظت‌گرا[9]: اولویت دهی به حفاظت از بومسازگان (پائولی 2018).
۲. رشد صنعتی[10]: تأکید بر گسترش اقتصادی (کریستیانسن 2020).
۳. یکپارچه یا ترکیبی[11]: توازن میان سودآوری و پایداری (وویر و همکاران 2021).
سیاست‌های دریایی ایران به لحاظ ابلاغی مدل ترکیبی را می‌پذیرند، اما فاقد مکانیسم‌های نهادی برای ایجاد توازن میان این اهداف هستند (بیک محمدلو 2024).
اقتصاد آبی به‌عنوان یکی از پارادایم‌های نوین توسعه، در پی ایجاد تعادل میان رشد اقتصادی، پایداری زیست‌محیطی و عدالت اجتماعی در بهره‌برداری از منابع دریایی است. این مفهوم، که به‌ویژه در دهه اخیر به‌طور چشمگیری در ادبیات علمی و سیاستگذاری بین‌المللی گسترش یافته، اکنون به‌عنوان یکی از ارکان کلیدی تحقق اهداف توسعه پایدار، به‌ویژه هدف چهاردهم (حیات زیر آب)، شناخته می‌شود(Islam et al., 2024; Sarangi, 2023). با این حال، مرور مطالعات نشان می‌دهد که علیرغم ظرفیت اقتصادی قابل‌توجه این حوزه—که تا حدود 3 تریلیون دلار در سال برآورد شده است—چالش‌های عمیق ساختاری و نهادی مانع از تحقق کامل آن شده‌اند(Savrul, 2026).
یکی از مهمترین محورهای ادبیات، بررسی چالش‌های بنیادین اقتصاد آبی است. این چالش‌ها شامل بهره‌برداری بی‌رویه از منابع دریایی، آلودگی، تغییرات اقلیمی، و کاهش تنوع زیستی هستند که در بسیاری از مطالعات به‌عنوان تهدیدهای اصلی پایداری مطرح شده‌اند(Andersen et al., 2023; González-Cancelas et al., 2025). در کنار این موارد، ضعف در زیرساخت‌های فنی، کمبود سرمایه‌گذاری، و محدودیتهای نهادی نیز به‌عنوان موانع کلیدی در کشورهای در حال توسعه شناسایی شده‌اند(Islam et al., 2024). به‌طور خاص، مطالعاتی مانند (Amran et al., 2025) نشان می‌دهند که عدم انسجام در سیاست‌ها، نبود چارچوب‌های حکمرانی یکپارچه، و ضعف در هماهنگی میان ذی‌نفعان، از مهمترین موانع توسعه اقتصاد آبی در سطح جهانی هستند.
در این میان، «حکمرانی» به‌عنوان یکی از مؤلفه‌های کلیدی موفقیت اقتصاد آبی، مورد توجه ویژه قرار گرفته است. پژوهش‌ها نشان می‌دهند که حکمرانی مؤثر نیازمند ساختارهای نهادی هماهنگ، مشارکت ذی‌نفعان، شفافیت، و پاسخگویی است(Benzaken et al., 2022; Das et al., 2024). تجربه کشورهایی مانند سیشل نشان می‌دهد که وجود رهبری سیاسی قوی و چارچوب‌های نهادی منسجم می‌تواند به شکل‌گیری یک «معماری حکمرانی اقتصاد آبی» منجر شود؛ با این حال، حتی در این موارد نیز چالشهایی مانند حفظ مشارکت ذی‌نفعان و هماهنگی نهادی همچنان پابرجاست(Benzaken et al., 2022). همچنین، در مناطق خشک ساحلی، مانند سواحل عربستان سعودی، مطالعات نشان داده‌اند که شکاف‌های نهادی، ضعف در اجرای مقررات، و تخریب محیط‌زیست از موانع اصلی حکمرانی مؤثر هستند(Alhowaish, 2026).
در سطح منطقهای و بین‌المللی نیز، چالش‌های حکمرانی به‌وضوح قابل مشاهده است. به‌عنوان مثال، بررسی سیاست‌های اتحادیه اروپا نشان می‌دهد که در برخی موارد، اهداف توسعه اقتصادی در اقتصاد آبی با اهداف زیست‌محیطی در تعارض قرار می‌گیرند که این امر نشان‌دهنده ضعف در یکپارچگی سیاست‌ها و نظام‌های تصمیمگیری است(Andersen et al., 2023). همچنین، تحلیل ابتکارات منطقهای مانند APEC نشان می‌دهد که نبود چارچوب‌های الزام‌آور حقوقی و ضعف در اجرای سیاست‌ها می‌تواند مانع تحقق اهداف اقتصاد آبی شود(Chen, 2022).
در سال‌های اخیر، نقش داده و فناوریهای دیجیتال به‌عنوان یکی از عوامل تحول‌آفرین در اقتصاد آبی مورد توجه قرار گرفته است. فناوری‌هایی نظیر هوش مصنوعی، اینترنت اشیاء، سنجش از دور، و کلان‌داده‌ها، امکان جمع‌آوری، پردازش و تحلیل دادههای دریایی را در مقیاس‌های زمانی و مکانی گسترده فراهم کرده‌اند (Singh & Singh, 2026; Suresh Babu et al., 2026). این فناوری‌ها میتوانند به بهبود دقت پیش‌بینی‌ها، افزایش سرعت تصمیمگیری، و ارتقای کارایی مدیریت منابع دریایی کمک کنند. به‌عنوان مثال، استفاده از دادههای اقلیمی مانند ENSO در تحلیلهای پیش‌بینی می‌تواند به بهینهسازی فعالیتهای شیلات و افزایش تابآوری در برابر تغییرات اقلیمی منجر شود(Singh & Singh, 2026).
با این حال، بهره‌برداری مؤثر از این فناوری‌ها مستلزم وجود زیرساخت‌های دادهای مناسب و چارچوب‌های حکمرانی داده است. مطالعات نشان می‌دهند که یکی از مهمترین چالش‌ها در این حوزه، شکاف دادهای، عدم استانداردسازی، و پراکندگی منابع اطلاعاتی است(Suresh Babu et al., 2026). علاوه بر این، مسائل مربوط به امنیت داده، حریم خصوصی، و ملاحظات اخلاقی نیز از جمله چالش‌های مهم در پیادهسازی سیستم‌های داده‌محور در اقتصاد آبی هستند.
در همین راستا، مفهوم «اقتصاد آبی داده‌محور» به‌عنوان یک رویکرد نوین در حال شکل‌گیری است. در این رویکرد، داده به‌عنوان یک دارایی استراتژیک در نظر گرفته می‌شود که می‌تواند از طریق تحلیل و به‌کارگیری مناسب، ارزش افزوده اقتصادی و زیست‌محیطی ایجاد کند. مطالعات نشان می‌دهند که همگرایی میان تولید دانش علمی و تخصیص منابع مالی در حوزه اقتصاد آبی، به‌شدت تحت تأثیر داده و تحلیلهای داده‌محور قرار دارد. با این حال، عدم تطابق میان حوزه‌های تحقیقاتی و اولویت‌های سرمایه‌گذاری، نشان‌دهنده نیاز به نظام‌های حکمرانی دادهای کارآمدتر است (Sardianos et al., 2026).
در سطح کاربردی، فناوری‌هایی مانند بلاکچین نیز به‌عنوان ابزارهایی برای ارتقای شفافیت و رهگیری در زنجیره‌های ارزش دریایی معرفی شده‌اند. این فناوری‌ها میتوانند به‌ویژه در بخشهایی مانند شیلات، که با مشکلاتی مانند صید غیرقانونی مواجه هستند، نقش مهمی ایفا کنند(Alfarisy & Muhamad, 2024). همچنین، دیجیتالی‌سازی زیرساخت‌های بندری و توسعه «بنادر هوشمند» به‌عنوان یکی از مسیرهای کلیدی برای تحقق اقتصاد آبی پایدار مطرح شده است(Kurniawan et al., 2026).
از منظر بخشی، مطالعات نشان می‌دهند که صنایع مختلف اقتصاد آبی—از جمله شیلات، گردشگری دریایی، انرژی‌های تجدیدپذیر، و زیست‌فناوری دریایی—دارای ظرفیت‌های متفاوتی برای ایجاد ارزش هستند. با این حال، این بخش‌ها نیز با چالش‌های خاص خود مواجه‌اند. به‌عنوان مثال، بخش شیلات، علیرغم اهمیت اقتصادی بالا، با مشکلاتی مانند کاهش ذخایر، فشارهای زیست‌محیطی، و نیاز به نوسازی فناوری مواجه است(González-Cancelas et al., 2025). در همین حال، توسعه گردشگری ساحلی در مناطق کمتر توسعه‌یافته نیز با چالش‌های حکمرانی و اجرای سیاست‌ها مواجه است.
علاوه بر این، نقش جوامع محلی و عدالت اجتماعی در ادبیات اقتصاد آبی به‌طور فزایندهای مورد توجه قرار گرفته است. مطالعات نشان می‌دهند که عدم توجه به مشارکت جوامع محلی می‌تواند منجر به نابرابری و حتی شکست سیاست‌های توسعه‌ای شود(Evans et al., 2023). در همین راستا، مفهوم «عدالت آبی» به‌عنوان یکی از اصول کلیدی در حکمرانی اقتصاد آبی مطرح شده است که بر توزیع عادلانه منافع و مشارکت فراگیر تأکید دارد(Das et al., 2024).
در نهایت، ادبیات موجود بر اهمیت سرمایه انسانی و توسعه مهارت‌ها نیز تأکید دارد. با توجه به پیچیدگی‌های فزاینده اقتصاد آبی و ظهور فناوریهای نوین، نیاز به نیروی انسانی متخصص و آموزش‌دیده بیش از پیش احساس می‌شود(Goswami et al., 2026). این امر به‌ویژه در حوزه‌هایی مانند انرژی‌های دریایی و عملیات دیجیتال اهمیت دارد.
در مجموع، مرور ادبیات نشان می‌دهد که اقتصاد آبی در حال گذار از یک رویکرد سنتی مبتنی بر بهره‌برداری از منابع، به یک رویکرد نوین مبتنی بر داده، فناوری و حکمرانی هوشمند است. با این حال، شکاف‌های موجود در زیرساخت‌های دادهای، چارچوب‌های نهادی، و هماهنگی میان ذی‌نفعان، مانع از تحقق کامل این گذار شده‌اند. در این میان، توسعه یک «چارچوب حاکمیت داده آبی» که بتواند به‌طور همزمان مسائل مربوط به تولید، اشتراک‌گذاری، استانداردسازی و استفاده از دادههای دریایی را پوشش دهد، می‌تواند نقش کلیدی در ارتقای کارایی، شفافیت و پایداری اقتصاد آبی ایفا کند. این موضوع، به‌ویژه در کشورهایی مانند ایران که دارای ظرفیت‌های قابل‌توجه دریایی هستند اما با چالش‌های نهادی و دادهای مواجه‌اند، از اهمیت دوچندان برخوردار است.
در حالی که «رشد آبی[12]» عمدتاً بر گسترش اقتصادی بخشی متمرکز است، پیشرفت دریامحور[13] بیانگر چشم‌اندازی کلی‌تر است – که بر تابآوری، دانش و شمولیت تأکید می‌ورزد. اقیانوس را نه صرفاً به‌عنوان فضای تولید، بلکه به‌مثابه یک بومسازگان یادگیرنده تلقی می‌کند (فولکه و همکاران 2005).
|
بُعد |
رشد آبی |
پیشرفت دریامحور |
|
جهت گیری |
بیشینه سازی ستانده |
تاب آوری سیستمی |
|
مقیاس زمانی |
چرخه‌های کوتاه‌مدت |
انطباق پذیری بلندمدت |
|
منطق سیاستی |
کارایی اقتصادی |
یادگیری بوم شناختی-اجتماعی |
|
کارکرد داده |
پایش |
بازخور پیوسته |
|
شیوه حاکمیت |
متمرکز |
تطبیقی و مشارکتی |
بنابراین، پیشرفت دریامحور توسعه را به‌عنوان فرایندی تکرارشونده بازتعریف می‌کند که توسط دادههای بلادرنگ هدایت می‌شود و با اصول حاکمیت تطبیقی[14] همسو میگردد (آرمیتاژ و همکاران 2020).
حاکمیت داده به ساختارها و فرایند‌هایی اطلاق می‌شود که کیفیت، قابلیت دسترسی و پاسخگویی داده را تضمین می‌کنند (خاطری و برآون 2010). در بافتار دریایی، حاکمیت داده مؤثر زیربنای ایمنی، پایداری و شفافیت است (یانسن و همکاران 2020). چارچوب‌های بین‌المللی مانند (شبکه اروپایی مشاهده و داده های دریایی[15] اتحادیه اروپا) و سامانه پایش یکپارچه اقیانوس ( NOAAایالات متحده) اصول منصفانه، دست یافتنی، دسترسی پذیر، قابل همکاری و قابل استفاده مجدد – را عملیاتی میسازند (گزارش سازمان همکاری های اقتصادی اروپا، 2023). با این حال، بیشتر کشورهای در حال توسعه – از جمله ایران – فاقد الزامات قانونی برای قابلیت همکاری داده‌ها یا سیاست‌های دسترسی آزاد هستند (گزارش صندوق توسعه سازمان ملل متحد 2022). این امر تبادل دانش و همکاری فرامرزی در حوزه خلیج فارس و حوضه خزر را مهار می‌کند.
ادبیات اخیر بر نقش تحول آفرین هوش مصنوعی و کلان‌داده‌ها در حاکمیت اقیانوس تأکید دارد. کاربردها عبارتند از:
ادغام این قابلیت‌ها نیازمند زیرساخت دیجیتال و چارچوب‌های فراداده استاندارد است – که در حال حاضر در ایران وجود ندارد. پژوهشگرانی همچون (فریتز و همکاران 2021) استدلال می‌کنند که «اقتصاد داده آبی» رقابت‌پذیری، دهه ۲۰۳۰ را تعیین خواهد کرد، همانطور که تجارت الکترونیک دهه ۲۰۰۰ را تعریف کرد.
ترتیبات نهادی در تعیین نحوه مدیریت و به اشتراک گذاری دادههای دریایی نقشی تعیین کننده دارند. مطالعات تطبیقی (چوی و پارک 2022، وانگ و لیو 2022) نشان می‌دهند که حاکمیت چندمرکزی[16] که در آن چندین نهاد از طریق قابلیت همکاری داده‌ها اختیار را به اشتراک میگذارند – نتایجی انطباق پذیرتر و تاب‌آورتر نسبت به نظام‌های سلسله مراتبی به بار می‌آورد. حاکمیت ایران همچنان متمرکز و بخشی باقی مانده و انگیزه اندکی برای شفافیت میان نهادی وجود دارد (مرکز پژوهش‌های مجلس، ۲۰۲۲). نبود «قانون حاکمیت دادههای دریایی» منجر به عدم قطعیت حقوقی پیرامون مالکیت و پاسخگویی داده‌ها می‌شود.
مرور ادبیات چندین شکاف نظری و تجربی را شناسایی می‌کند. اولین مورد کسری یکپارچگی[17] است. مطالعات موجود اقتصاد آبی و حاکمیت داده را جداگانه بررسی می‌کنند. مرور ادبیات نشان دهنده یک شکاف بافتاری[18] است به گونه ای که تحلیلهای اندکی به بافتار خاورمیانه‌ای یا ایران می‌پردازند. همچنین شکاف عملیاتی[19] در مطالعاتی که بررسی شد وجود دارد به نحوی که مکانیسم‌های بازخور تطبیقی هنوز به اندازه کافی توسعه نیافته‌اند. در نهایت یک شکاف اندازه‌گیری[20] نیز در ادبیات پژوهش مشاهده شد به قسمی که فقدان نمایه‌های کمی که کیفیت داده را به عملکرد حاکمیتی پیوند دهند وجود دارد. پرداختن به این شکاف‌ها، انگیزه توسعه «چارچوب حاکمیت داده آبی برای پیشرفت دریامحور BDGF-MP» مدلی که معماری دیجیتال، هماهنگی نهادی و یادگیری تطبیقی را در راستای حاکمیت دریایی پایدار پیوند می‌دهد – را شکل می‌دهد. بررسی نظام‌مند پیشینه پژوهش نشان می‌دهد که اگرچه مطالعات متعددی به موضوعاتی نظیر اقتصاد آبی، حکمرانی داده، تحول دیجیتال، هوش مصنوعی و مدیریت دادههای دریایی پرداخته‌اند، اما تاکنون چارچوبی یکپارچه که بتواند حاکمیت داده را با حکمرانی تطبیقی اقتصاد آبی در قالب یک مدل منسجم و متناسب با شرایط نهادی کشورهای در حال توسعه، به‌ویژه ایران، تلفیق کند، ارائه نشده است. خلأ اصلی ادبیات، نبود مدلی است که به‌طور همزمان ابعاد نهادی، فناورانه، حکمرانی، مشارکت ذی‌نفعان و سازوکارهای تطبیقی را در توسعه اقتصاد آبی داده‌محور پوشش دهد. پژوهش حاضر با ارائه چارچوب حاکمیت داده آبی (MP-BDGF)، طراحی معماری نهادی چندسطحی و معرفی شاخص پیشرفت دریامحور (MPI)، درصدد پر کردن این خلأ بوده و مبنایی برای توسعه سیاستگذاری داده‌محور در اقتصاد دریامحور ایران فراهم می‌آورد.
چارچوب حاکمیت داده آبی برای پیشرفت دریامحور (BDGF-MP) تلفیقی از سه پارادایم نظری را پیشنهاد می‌کند که به‌طور جمعی تبیین می‌کنند چگونه داده می‌تواند توسعه پایدار اقیانوسی را هدایت کند.
1. نظریه اقتصاد آبی اقیانوس‌ها را به‌عنوان نظام‌هایی همزمان بوم شناختی و اقتصادی مفهوم سازی می‌کند و بر رشد فراگیر و کارایی منابع تأکید دارد (وویر و همکاران 2021).
2. نظریه حاکمیت داده منطق مدیریتی برای سازماندهی، استانداردسازی و ارزش آفرینی از داده به مثابه یک دارایی راهبردی فراهم می‌آورد (خطری و برآون 2010، یانسن و همکاران 2020).
3. نظریه حاکمیت تطبیقی (فولکه و همکاران 2005) بر یادگیری تکرار شونده، بازخور و همکاری ذی‌نفعان در مدیریت نظام‌های پیچیده بوم شناختی-اجتماعی تمرکز دارد.
با ترکیب این سنت‌های نظری، BDGF-MP داده را به‌عنوان بافت همبندی[21] ترسیم می‌کند که یکپارچگی میان علم، سیاست و عمل را ممکن می‌سازد – و حکمرانی دریایی را از واکنشی به پیش‌بینانه تبدیل می‌کند.
چارچوب از چهار لایه صعودی تشکیل شده است که نردبان دیجیتال-نهادی پیشرفت را نشان می‌دهند:
|
لایه |
کارکرد |
مکانیسم‌های کلیدی |
بروندادها |
|
۱. زیرساخت داده |
گردآوری و ذخیرهسازی دادههای گوناگون دریایی |
بویه‌های اینترنت اشیاء، سنجش از دور ماهوارهای، شناور‌های خودران |
دریاچه داده یکپارچه دریایی |
|
۲. تحلیل و هوش مصنوعی |
تبدیل داده خام به بینش |
یادگیری ماشین، مدلسازی پیش‌بینانه، تشخیص ناهنجاری |
سامانههای هشدار زودهنگام، الگوریتم‌های بهینهسازی |
|
۳. سامانههای پشتیبان تصمیم |
ترجمه بینش به سیاست |
داشبورد‌های تعاملی، شبیهسازیها، دوقلو‌های دیجیتال |
تصمیمگیری مبتنی بر شواهد |
|
۴. نظام حاکمیتی |
هماهنگی نهادی و پاسخگویی |
چارچوب‌های قانونی، شورای میاننهادی، هیئت‌های اخلاق داده |
شفافیت، انطباق، اعتماد |
جریان اطلاعات رو به بالا (داده ← بینش ← تصمیم) و بازخور رو به پایین جریان می‌یابد و چرخه یادگیری تطبیقی را تکمیل می‌کند (یونسکو 2024).
علاوه بر الزامات امنیت اطلاعات، زیرساخت داده در چارچوب پیشنهادی باید از ویژگی تابآوری سایبری[22] نیز برخوردار باشد. بدین معنا که سامانههای داده دریایی و بندری، علاوه بر پیشگیری از نفوذ و حملات سایبری، توانایی شناسایی، تداوم ارائه خدمات، بازیابی سریع و حفظ یکپارچگی داده‌ها در شرایط وقوع حملات یا اختلالات سایبری را نیز داشته باشند. با توجه به ماهیت راهبردی دادههای اقتصاد دریامحور، تقویت تابآوری سایبری یکی از الزامات اساسی برای پایداری نظام حاکمیت داده آبی محسوب می‌شود.
برای عملیاتیسازی «پیشرفت»، این پژوهش «شاخص پیشرفت دریامحور[23]» که یک شاخص ترکیبی است که پیشرفت چندبعدی را اندازه‌گیری می‌کند را پیشنهاد می‌دهد:
وزنها ( ) به صورت سیاستی تعیین میشوند. شاخص MPI امکان ارزیابی تطبیقی سالانه عملکرد ملی دریایی را فراهم می‌سازد. این مدل مکمل نمایه‌های جهانی موجود مانند شاخص سلامت اقیانوس (هالپرن و همکاران 2020) و شاخص توسعه اقتصاد آبی (بانک جهانی، ۲۰۲۴) است.
تعیین وزن ابعاد شاخص پیشرفت دریامحور (MPI). از آنجا که هدف این پژوهش، توسعه یک چارچوب مفهومی برای حاکمیت داده آبی و ارائه شاخصی اولیه جهت عملیاتیسازی مفهوم «پیشرفت دریامحور» است، وزن‌های ابعاد سه‌گانه شاخص (اقتصادی، اجتماعی و بومشناختی) در این مرحله به‌صورت قطعی تعیین نشده‌اند. تعیین وزن‌های نهایی نیازمند مشارکت ذی‌نفعان و خبرگان حوزه‌های سیاستگذاری دریایی، اقتصاد، محیط‌زیست و مدیریت داده است و در فاز بعدی توسعه چارچوب انجام خواهد شد. بدین منظور، استفاده از روش‌های تصمیمگیری چندمعیاره نظیر فرآیند تحلیل سلسله‌مراتبی (AHP)، فرآیند تحلیل شبکه‌ای (ANP) یا پانل دلفی خبرگان می‌تواند برای استخراج وزن‌های اجماعی متناسب با اولویت‌های ملی و شرایط نهادی کشور به‌کار گرفته شود. در این رویکرد، وزن شاخص‌ها نه به‌صورت ثابت و جهانی، بلکه متناسب با اهداف سیاستی، سطح توسعه اقتصاد آبی و الزامات حکمرانی هر کشور تعیین خواهد شد؛ ازاین‌رو، چارچوب پیشنهادی از انعطاف‌پذیری لازم برای انطباق با شرایط کشورهای مختلف، به‌ویژه کشورهای در حال توسعه، برخوردار است.
BDGF-MP یک معماری داده سه سطحی را تجویز می‌کند:
۱. مرکز ملی داده دریایی[24]: واحد هماهنگی مرکزی که قابلیت همکاری و یکپارچه‌سازی مبتنی بر ابر را تضمین می‌کند.
۲. قطب‌های منطقهای[25]: مستقر در بوشهر، هرمزگان و سیستان و بلوچستان برای تجمیع داده غیرمتمرکز.
۳. شبکه‌های محلی[26]: شامل تعاونی‌های صیادی، شهرداری‌های ساحلی و بسترهای شهروند-دانشمند.
این مدل معماری شبکه اروپایی مشاهده و دادههای دریایی اتحادیه اروپا را با نظام نیمه متمرکز ایران تطبیق می‌دهد (کمیسیون اروپا، ۲۰۲۳).
علاوه بر نهادهای حاکمیتی، مشارکت ساختاریافته بخش خصوصی و بازیگران غیردولتی یکی از ارکان موفقیت نظام حاکمیت داده آبی محسوب می‌شود. ازاین‌رو، در چارچوب پیشنهادی، شرکت‌های فناوری، استارتاپ‌های فعال در حوزه اقتصاد دیجیتال دریا، اپراتورهای بندری، شرکت‌های لجستیکی، شرکت‌های سنجش از دور، ارائه‌دهندگان خدمات داده و سایر فعالان بخش خصوصی، به‌عنوان تولیدکنندگان، پردازشگران و مصرف‌کنندگان اصلی دادههای دریایی، دارای نقش رسمی در نظام حکمرانی داده خواهند بود. این مشارکت می‌تواند از طریق حضور نمایندگان بخش خصوصی در شورای راهبری مرکز ملی داده دریایی (NMDC)، عضویت در کارگروه‌های تخصصی، مشارکت در تدوین استانداردهای داده، توسعه خدمات نوآورانه مبتنی بر داده و اجرای پروژه‌های مشارکتی دولت و بخش خصوصی تحقق یابد. چنین ساختاری ضمن افزایش نوآوری، بهره‌وری و سرعت تحول دیجیتال، موجب ارتقای کیفیت داده‌ها، افزایش اعتماد میان ذی‌نفعان و توسعه اکوسیستم اقتصاد آبی داده‌محور خواهد شد.
این پژوهش بر معرفت شناسی ساختارگرایانه[28] استوار بوده و از طرح کیفی اکتشافی و چند موردی استفاده کرده است (کرسول و پوث 2018، یین 2018). ساختارگرایی فرض می‌کند که دانش از طریق تفسیر و تعامل مشترکاً ساخته می‌شود، نه به عنوان حقیقتی عینی کشف میگردد. با توجه به پیچیدگی حکمرانی دریایی – یک نظام اجتماعی-فنی و بوم شناختی – یک طرح اثبات گرای صرف قادر به ثبت ظرافت‌های نهادی، فرهنگ سیاستگذاری و ادراکات ذی‌نفعان نخواهد بود. از این رو، این پژوهش از منطق استنتاج پیروی می‌کند (دابیوس و گاده 2002) و میان نظریه و داده در نوسان است تا «چارچوب حاکمیت داده آبی برای پیشرفت دریامحور» (BDGF-MP) را توسعه دهد. طرح به دلیل آنکه پژوهش به دنبال توسعه یک چارچوب نظری است تا آزمون یک مدل از پیش تعیین شده، اکتشافی محسوب می‌شود. این انتخاب روش شناختی با فراخوان‌های مجلاتی مانند Marine Policy و Ocean & Coastal Management برای رویکرد‌های حساس به بافتار و مبتنی بر نظام در حکمرانی اقیانوس همسو است (وویر و همکاران 2021، آرمیتاژ و همکاران 2020).
ایران به سه دلیل به‌عنوان «مورد بحرانی» انتخاب شد. اول اینکه دارای یکی از طولانی ترین و از نظر ژئوپلیتیکی راهبردی ترین خطوط ساحلی در خاورمیانه است. همچنین، کشور ایران پارادوکسی از ظرفیت علمی بالا اما یکپارچگی نهادی پایین را نشان می‌دهد – که آن را به بستر ایده‌آلی برای مطالعه ناکارآمدی‌های حاکمیت داده تبدیل می‌کند. در نهایت، الگویی منطقهای برای دیگر کشورهای دریامحور در حال توسعه که به سوی حکمرانی دیجیتال اقیانوسی گذار می‌کنند، محسوب می‌شود. لذا، مقایسه‌های تطبیقی (اتحادیه اروپا، سنگاپور، اندونزی، نروژ) برای بافتارسازی وضعیت ایران در طیف جهانی بلوغ حکمرانی آبی گنجانده شد.
پژوهش از یک راهبرد داده کیفی چندمنبعی بهره برد که سه جریان داده مکمل را مثلث سازی کرد:
(الف) تحلیل اسنادی و سیاستی
بیش از ۶۰ سند سیاستی، برنامه راهبردی و گزارش فنی (۲۰۱۷–۲۰۲۵) بررسی شد. منابع کلیدی عبارت بودند از:
(ب) مصاحبه‌های نیمه ساختاریافته تخصصی
بین ژانویه تا آوریل ۲۰۲۵، پانزده مصاحبه تخصصی با نمونه گیری هدفمند از دسته‌های کلیدی ذی‌نفعان انجام شد:
|
گروه ذینفع |
تعداد |
وابستگی نهادی |
حوزه تمرکز |
|
سیاستگذاران |
۵ |
سازمان بنادر، سازمان محیط زیست، سازمان شیلات |
سیاست داده دریایی |
|
کارشناسان فنی |
۴ |
واحد‌های فناوری اطلاعات، مرکز هیدروگرافی |
سامانههای داده |
|
دانشگاهیان |
۳ |
دانشگاه تهران، دانشگاه علم و صنعت |
پژوهش اقتصاد آبی |
|
کنشگران صنعتی |
۳ |
شرکت‌های لجستیک بندری |
کاربرد‌های دیجیتال |
مدت هر مصاحبه ۶۰ تا ۹۰ دقیقه بود و با کسب رضایت ضبط و پیاده سازی شد. پرسش‌های راهنما به هماهنگی نهادی، دسترسی به داده‌ها، آمادگی هوش مصنوعی و بازخور سیاستی می‌پرداخت.
(ج) مقایسه تطبیقی[29]
برای مثلث سازی یافته‌های ملی، پژوهش چهار مورد بین‌المللی را تحلیل کرد که در آنها حاکمیت داده، مدیریت دریایی را به طور معناداری متحول ساخته است:
۱. شبکه اروپایی مشاهده و دادههای دریایی اتحادیه اروپا و فضای داده آبی (کمیسیون اروپا، ۲۰۲۳)
۲. سنگاپور – چشم‌انداز بندر هوشمند MPA2030
۳. اندونزی – مرکز داده دریایی 2021 (وانگ و لیو 2022)
۴. نروژ – طرح مدیریت یکپارچه اقیانوس 2023 (گزارش دهه اقیانوس سازمان ملل 2023)
این مقایسه‌ها بینش‌هایی را درباره شرایط تواناساز، مدلهای حاکمیتی و چالش‌های پیاده سازی مرتبط با ایران فراهم کردند.
تمام دادههای کیفی (اسناد و رونوشت‌ها) در نرم افزار NVivo 14 با پیروی از چارچوب تحلیل مضامین شش مرحله‌ای (برآون و کلارک 2006) پردازش شدند:
۱. آشنایی: خواندن و بازخوانی اسناد/مصاحبهها برای شناسایی معانی برآمده.
۲. کدگذاری: تولید ۱۸۷ کد اولیه که ایده‌های مرتبط با رویه‌های داده، هماهنگی و حاکمیت را در بر می‌گرفت.
۳. تولید مضمون: ادغام کدها در ۵ فرا مضمون: چندپارگی، کاستی تحلیلی، شکاف‌های نهادی، کسری بازخور، و آمادگی.
۴. بازبینی مضامین: اعتباریابی متقابل با سازه‌های نظری BDGF-MP.
۵. تعریف مضامین: تبیین چگونگی همسویی هر مضمون با گزاره‌های P1 تا P4.
۶. گزارش دهی: ترکیب الگوها در روایت‌های تحلیلی پشتیبانی شده با نقل قول‌ها و شواهد سیاستی.
برای نمونه، جملات مصاحبه مانند «ما داده جمع میکنیم اما نمی‌توانیم به مجموعه دادههای یکدیگر دسترسی پیدا کنیم» در زیر مضمون «چندپارگی داده» کدگذاری و به گزاره P1 (یکپارچگی و انسجام) پیوند داده شد. بخشهایی از اسناد که تلاش‌های دیجیتالی سازی را بدون هماهنگی توصیف می‌کردند، در زیر مضمون «شکاف حاکمیتی» کدگذاری شدند. این پیوند متقابل تضمین کرد که مضامین تجربی مستقیماً به توسعه نظریه کمک می‌کنند.
برای تضمین روایی سازه[30]، پژوهش از تکنیک تطبیق نظریه-داده استفاده کرد: هر کد تجربی به عنصر مفهومی متناظری در BDGF-MP نگاشته شد. یک پرس و جوی کدگذاری ماتریسی در NVivo فراوانی هم اتفاقی را تأیید کرد که همسویی در سراسر منابع داده را نشان می‌داد. پایایی با توافق بین دو کدگذار ارزیابی شد: دو پژوهشگر مستقل زیرمجموعه‌ای از رونوشت‌ها را کدگذاری کردند که ضریب کاپای کوهن معادل ۰.۸۱ به دست آمد، حاکی از همسانی قوی. روایی بیرونی از طریق منطق تکرارپذیری تطبیقی (ایزنهاردت و گرابنر 2007)– مقایسه یافته‌های ایران با موارد معیار برای شناسایی الگو‌های همگرا (مانند رابطه میان دادههای باز و پیامد‌های نوآوری) – برقرار شد.
تمامی رویه‌ها از دستورالعمل‌های اخلاقی کمیته اخلاق در پژوهش دانشگاه تهران (۲۰۲۴) پیروی کرده و با استانداردهای بین‌المللی مانند منشور اخلاق حاکمیت داده (UNDP 2021) همسو بودند. شرکت کنندگان فرم‌های رضایت آگاهانه شامل توضیح اهداف، محرمانگی و حق انصراف را دریافت کردند. هویت‌ها با استفاده از کد‌های مستعار ناشناس شد (مانند P-05/PMO، E-03/DOE). مطالب حساس (مانند دادههای ژئواستراتژیک بندرها) برای جلوگیری از پیامد‌های امنیتی حذف شدند. به منظور حفظ شفافیت، کتاب کدگذاری ناشناس و خلاصه پروتکل‌ها در مخزن نهادی نویسنده بایگانی شده.
پژوهش چندین محدودیت روش شناختی را تصدیق می‌کند:
۱. محدودیت دسترسی به داده‌ها: بسیاری از مجموعه دادههای رسمی در دسترس عموم نبودند. برای کاهش این مشکل، پژوهشگر از طریق خلاصه‌های سیاستی و جانشین‌های بین‌المللی (مانند شبکه اروپایی مشاهده و دادههای دریایی)، شاخص‌های آبی بانک جهانی) مثلث سازی انجام داد.
۲. حجم نمونه: پانزده مصاحبه نمی‌تواند نماینده همه ذی‌نفعان باشد، با این حال عمق و مثلث سازی، فقدان وسعت را جبران می‌کند.
۳. حساسیت نهادی: ملاحظات سیاسی، بحث صریح درباره پاسخگویی را محدود کرد. پژوهشگر با تمرکز بر جنبه‌های فنی و روی‌های حکمرانی به جای نقد شخصی، از این دشواری عبور کرد.
۴. محدودیت زمانی: کار میدانی ژانویه تا آوریل ۲۰۲۵ را در بر گرفت که تحلیل طولی را محدود می‌کند. با این حال، مقایسه مقطعی با معیارها، چشم‌اندازی زمانی فراهم کرد.
علیرغم این محدودیتها، طرح مثلثی روش شناسی، پایه‌ای مستحکم برای هم تعمیم نظری و هم کاربرد سیاستی – یعنی اهداف دوگانۀ این پژوهش – فراهم می‌کند.
بازاندیشی، موقعیت پژوهشگر را به‌عنوان هم یک دانشگاهی و هم یک کنشگر در سیاست دریایی تصدیق می‌کند. این هویت دوگانه دسترسی به شبکه‌های تخصصی را تسهیل کرد، اما هوشیاری برای به حداقل رساندن سوگیری تأییدی را نیز ضروری ساخت. یادداشت‌های تحلیلی پس از هر مصاحبه برای ثبت پیش فرض‌ها و تفاسیر در حال تکامل نگهداری شد. این رویۀ بازاندیشی، اعتبار را افزایش داده و با موضع واقعگرایانه انتقادی[32] که دانش هم موقعیت مند و هم موقتی است همسو میگردد (بهاسکار 2016).
|
بُعد |
رویکرد |
توجیه |
|
معرفتشناسی |
ساختارگرا / واقعگرای انتقادی |
ثبت پیچیدگی اجتماعی و نهادی |
|
منطق استنتاج |
ابداکتیو |
توسعه تکراری نظریه-داده |
|
طرح پژوهش |
کیفی چندموردی |
عمق بافتاری و مقایسه |
|
منابع داده |
اسناد، مصاحبهها، معیارها |
مثلثسازی دیدگاهها |
|
تحلیل |
مضامین (NVivo 14) |
تشخیص ساختاریافته الگوها |
|
اعتباریابی |
توافق بین کدگذاران و مثلثسازی |
تضمین دقت و پایایی |
|
اخلاق |
رهنمود‌های دانشگاه تهران و UNDP |
تضمین حمایت از مشارکتکنندگان |
این روش شناسی جامع تضمین می‌کند که چارچوب حاصل – BDGF-MP – هم از نظر تجربی بنیادمند و هم از نظر تحلیلی منسجم است و اهداف دوگانۀ مشارکت علمی و کاربردپذیری سیاستی را برآورده می‌سازد.
کار میدانی واقعیتی چندلایه از بومسازگان دادههای دریایی ایران را آشکار ساخت – واقعیتی که با سرمایۀ انسانی و پتانسیل دیجیتال قابل توجهی همراه است، اما به شدت توسط اینرسی نهادی و حاکمیت چندپاره محدود می‌شود. در همه منابع داده، روایتی منسجم ظهور کرد: وفور داده بدون یکپارچگی. یافته‌ها در قالب پنج فرامضمون سازماندهی شده‌اند که با لایه‌های مفهومی BDGF-MP همسو هستند:
۱. زیرساخت چندپاره
۲. تحلیل و بهره گیری ضعیف از هوش مصنوعی
۳. کسری هماهنگی و حاکمیتی
۴. نبود بازخور تطبیقی
۵. آمادگی دیجیتال نوظهور
در اینجا هر مضمون در رابطه با گزاره‌های نظری چارچوب (P1 تا P4) تحلیل می‌شود.
مضمون ۱: زیرساخت داده چندپاره
همه پاسخ دهندگان – از سیاستگذاران تا فناوران – اذعان داشتند که چشم‌انداز دادههای دریایی ایران برخوردار و ناهماهنگ است. هر نهاد (سازمان بنادر، سازمان محیط زیست، شیلات، وزارت نیرو) سامانه خود را با قالب‌های پرونده و ساختارهای فراداده ناسازگار حفظ می‌کند.
یک تحلیلگر سازمان محیط زیست وضعیت را چنین توصیف کرد: «ما جزایری از داده داریم که در اقیانوسی از بروکراسی شناورند.» برای نمونه، دادههای پایش آلودگی سازمان محیط زیست (عمدتاً مبتنی بر Excel) با سوابق انتشار شناورها در سازمان بنادر (که در پایگاه‌های داده رابط‌های SQL ذخیره میشوند) قابل ادغام نیستند. این چندپارگی مانع از ارزیابی‌های یکپارچه زیست‌محیطی و هماهنگی سیاستی می‌شود.
از منظر حاکمیتی، چنین چندپارگی اصل قابلیت همکاری (interoperability) – که سنگ بنای حاکمیت داده است –(یانسن و همکاران 2020) را تضعیف می‌کند. معیار‌های تطبیقی نشان می‌دهند که هم سنگاپور و هم اتحادیه اروپا با وضع قوانین استانداردهای داده بر چالش‌های مشابه غلبه کردند – به عنوان مثال، دستورالعمل چارچوب استراتژی دریایی اتحادیه اروپا قالب‌های یکسان را در میان نهادها الزامی می‌سازد (کمیسیون اروپا، ۲۰۲۳). ایران فاقد چنین لنگر قانونی است. بدون «قانون حاکمیت دادههای دریایی»، نهادها با داده همچون سرمایه‌ای اختصاصی[33] رفتار می‌کنند نه زیرساختی عمومی. این امر گزاره P1 را تأیید می‌کند: مجموعه دادههای یکپارچه، انسجام و بهنگامی سیاست را افزایش می‌دهند.
نقل قول یکی از مصاحبه شوندگان به شرح زیر است: «در حال حاضر هر سازمان دادههای خود را به‌صورت مستقل تولید و نگهداری می‌کند و سازوکار مؤثری برای تبادل یا اشتراک‌گذاری آنها وجود ندارد. این پراکندگی باعث شده است که تصمیم‌گیری‌ها بر پایه تصویری ناقص از وضعیت اقتصاد دریامحور انجام شود».
مضمون ۲: بهره گیری ضعیف از تحلیل و هوش مصنوعی
اگرچه ایران دارای تخصص فنی قابل توجهی است، اما استفاده نهادی از تحلیل حداقلی باقی مانده است. مصاحبه شوندگان به طور پیوسته به فقدان ابزار‌های پیش‌بینی بلادرنگ در مدیریت دریایی اشاره کردند. برای نمونه، عملیات بندری متکی به زمانبندی دستی و هماهنگی تلفنی است نه الگوریتم‌های پیش‌بینانه. مدیریت شیلات به دادههای صید تاریخی متکی است نه مدل سازی پویای مهاجرت ذخایر ماهیان. این کاستیها هم از موانع فنی (فقدان داده پاک و برچسب خورده) و هم از موانع فرهنگی (ترس از شفافیت) ناشی میشوند.
تحلیل تطبیقی نشان می‌دهد که «چشم‌انداز بندر هوشمند ۲۰۳۰» سنگاپور از یادگیری ماشین برای پیش‌بینی ترافیک شناورها و کاهش تأخیر استفاده می‌کند (MPA 2022). به‌طور مشابه، «مرکز داده دریایی اندونزی» (۲۰۲۱) تشخیص ناهنجاری[34] را برای ردیابی صید غیرقانونی به کار می‌برد (وانگ و لیو 2022).
نهادهای ایران همچنان در فاز «انباشت داده» باقی مانده‌اند و به فاز «استفاده از داده» پیشرفت نکرده‌اند. یک گفتوگو با یک مسئول دیجیتالی سازی سازمان بنادر به‌طور خلاصه آن را چنین بیان کرد: «ما هر هفته میلیون‌ها نقطه داده جمع‌آوری میکنیم – اما هنوز نمی‌دانیم چطور به آنها گوش دهیم.» این مشاهده از گزاره P2 پشتیبانی می‌کند: تحلیلهای مبتنی بر هوش مصنوعی، ظرفیت پیش‌بینی و پیشگیری را تقویت می‌کنند.
برای پر کردن این شکاف، ایران نیاز به یک خط لوله ملی داده دارد که زیرساخت (جمع آوری) را به هوشمندی (تحلیل) پیوند دهد. مرکز ملی داده دریایی[35] (NMDC) پیشنهادی می‌تواند این پیوند را نهادی کرده و استقرار الگوریتم‌های هوش مصنوعی را در میان نهادها تسهیل کند.
نظر یکی از مصاحبه شوندگان به شرح زیر است: «ما حجم زیادی داده تولید میکنیم، اما بیشتر این داده‌ها فقط بایگانی میشوند و از آنها استفاده نمی‌شود. هنوز از ظرفیت هوش مصنوعی برای پیش‌بینی، تحلیل و پشتیبانی از تصمیمگیری استفاده مؤثری نشده است».
مضمون ۳: ضعف هماهنگی و حاکمیتی
هماهنگی نهادی به‌عنوان مانع اصلی ساختاری ظاهر شد. شورای عالی امور دریایی[36] (SCMA) که در سال ۲۰۱۲ تأسیس شد، فاقد اقتدار اجرایی و منابع است. جلسات آن نامنظم بوده و اختیارات آن با شورا‌های دیگر (مانند شورای عالی محیط زیست) همپوشانی دارد.
اسناد سیاستی بیانگر دوباره کاری[37] هستند: هم سازمان بنادر و هم سازمان محیط زیست سامانههای پایش آلودگی جداگانه‌ای را حفظ می‌کنند که هر یک از بودجه ملی تأمین می‌شود. این دوباره کاری منابع را هدر داده و نتایج ناسازگار تولید می‌کند.
یک سیاست گذار ارشد اعتراف کرد: «همه بر سر یکپارچگی توافق دارند – اما هیچکس نمیخواهد کنترل خود را رها کند.» این رفتار با مفهوم «حاکمیت داده بوروکراتیک (بویین و همکاران 2021) همسو است، جایی که نهادها با اطلاعات همچون منبع قدرت رفتار می‌کنند. به‌طور تطبیقی، شبکه اروپایی مشاهده و دادههای دریایی اتحادیه اروپا و IOOS ایالات متحده از طریق شورا‌های حاکمیت مشترک و هیئت‌های اخلاق داده که مدیریت داده را از کنترل سیاسی جدا می‌کنند، بر مسائل مشابه غلبه کرده‌اند (گزارش سازمان همکاری های اقتصادی اروپا 2023).
در مورد ایران، یک «شورای حاکمیت داده دریایی[38]» (MDGC) اختصاصی زیر نظر NMDC می‌تواند پاسخگویی را تضمین کرده و در عین حال استقلال نهادی را حفظ کند. این نوآوری نهادی مستقیماً به گزاره P3 می‌پردازد: حاکمیت باز و پاسخگو، اعتماد و همکاری را می‌سازد.
نظر یکی از مصاحبه شوندگان به این شرح بود: «مسئله اصلی کمبود داده نیست؛ مسئله این است که هر دستگاه مالک دادههای خود است و چارچوب مشخصی برای اشتراک‌گذاری و حکمرانی مشترک داده‌ها میان سازمان‌ها وجود ندارد».
مضمون ۴: نبود حلقه‌های بازخور تطبیقی
حکمرانی تطبیقی مستلزم پایش بلادرنگ و تنظیم مستمر سیاست است (فولکه و همکاران 2005، آرمیتاژ و همکاران 2020). با این حال، چرخه‌های سیاستی ایران خطی و ایستا باقی مانده‌اند. برنامه‌های پنجساله توسعه، اهداف و شاخص‌ها را تعیین می‌کنند، اما مکانیسم‌های بازخور یا وجود ندارند یا غیرعملیاتی‌اند. برای نمونه، «راهبرد ملی دریایی ۲۰۲۵» اهداف پایداری را تعریف می‌کند اما آنها را به هیچ داشبورد داده یا ساختار بازخور قابل اندازه‌گیری پیوند نمی‌دهد.
ارزیابی عملکرد تنها در پایان هر برنامه انجام می‌شود و جایی برای اصلاحات میان‌مدت باقی نمی‌گذارد. در مقابل، «طرح مدیریت یکپارچه اقیانوس نروژ» (۲۰۲۳) از یک داشبورد داده پویا استفاده می‌کند که پیوسته شاخص‌های بوم شناختی و اقتصادی را به روزرسانی کرده و مداخلات سریع را ممکن می‌سازد (گزارش سازمان ملل از دهه اقیانوس 2023).
«شاخص پیشرفت دریامحور» (MPI) پیشنهادی این خلأ را با پیوند دادن دادههای چندبعدی (اقتصادی، اجتماعی، بوم شناختی) به یک سامانه بازخور تطبیقی پر خواهد کرد. با به روزرسانی سالانه، MPI یک حلقه یادگیری ایجاد می‌کند – پیشرفت را کمّی کرده و آن را به تصمیمگیری بازمی‌گرداند. این امر گزاره P4 را معتبر می‌سازد: حلقه‌های بازخور از طریق MPI، یادگیری تطبیقی و کارایی حاکمیت را تسریع می‌کنند.
مضمون ۵: آمادگی دیجیتال نوظهور
علیرغم چالش‌های ساختاری، پژوهش نشانه‌های اولیه تحول دیجیتال را شناسایی کرد. سه طرح پیشگام برجسته هستند:
۱. پروژه بندر هوشمند بوشهر سازمان بنادر 2024: پیادهسازی ردیابی شناور مبتنی بر اینترنت اشیاء و زمانبندی خودکار که تراکم بندر را ۶٪ کاهش داد.
۲. شبکه پایش بلادرنگ آلودگی دریایی سازمان محیط زیست 2023: راهاندازی ۲۰ ایستگاه حسگر ساحلی که هر ساعت شوری، کدورت و سطح آلاینده‌ها را گزارش می‌دهند.
۳. آزمایشگاه دادههای دریایی دانشگاه تهران 2023: ادغام تصاویر ماهوارهای و دادههای اقتصادی-اجتماعی در داشبورد‌های باز برای استفاده تحقیقاتی و سیاستی.
این طرحها نشان می‌دهند که ایران امکان پذیری فنی و آگاهی نهادی را دارد، اما فاقد مکانیسم‌های یکپارچه‌سازی و مقیاس پذیری است. وقتی از دریچه چارچوب BDGF-MP نگریسته شوند، اینها گره‌های نوآوری منزوی درون یک سیستم ناهمبسته را نمایان میسازند. NMDC پیشنهادی می‌تواند به‌عنوان یکپارچه ساز عمل کند – و این طرحها را زیر یک معماری ملی پیوند دهد. این بازتابگر یک فاز گذار از آزمایش به هماهنگی است و نشان می‌دهد که ایران در حال ورود به مرحله «حکمرانی نوظهور» بلوغ اقیانوس دیجیتال است (سازمان همکاری های اقتصادی اروپا 2024).
بینش‌های تطبیقی فراموردی
مقایسه با اتحادیه اروپا، سنگاپور، اندونزی و نروژ نشان می‌دهد که شکاف بلوغ حاکمیتی وجود دارد، نه شکاف فناورانه.
|
بُعد |
موارد با عملکرد بالا |
ایران (۲۰۲۵) |
شکاف نسبی |
اهرم راهبردی |
|
چارچوب قانونی |
قوانین داده آبی (EU 2022, IDN 2021) |
هیچ |
شدید |
تدوین قانون داده دریایی |
|
زیرساخت |
سامانههای ابری فدرال |
سرور‌های چندپاره |
زیاد |
تأسیس NMDC |
|
تحلیل |
داشبورد‌های یکپارچه هوش مصنوعی |
فقط پروژه‌های پایلوت |
متوسط |
ایجاد کارگروه هوش مصنوعی |
|
اعتماد نهادی |
رسمیشده از طریق شوراها |
همکاری غیررسمی |
شدید |
منشور حاکمیت داده |
|
فرهنگ |
«باز به‌طور پیشفرض» |
«بسته به‌طور عادت» |
شدید |
شفافیت مبتنی بر انگیزه |
این یافته‌ها تأیید می‌کنند که چالش ایران نهادی است، نه صرفاً فناورانه. بنابراین موفقیت BDGF-MP به اصلاح حاکمیت – جاسازی مشوق‌های اشتراک داده، پاسخگویی روشن، و چارچوب قانونی یکپارچه – بستگی دارد.
اعتباریابی از طریق مثلث سازی
یافته‌های تجربی در سراسر همه منابع داده مثلث سازی شدند. الگو‌های مشاهده شده در مصاحبهها (کیفی) توسط تحلیل اسناد (سیاستی) و معیار‌های تطبیقی (بین‌المللی) تأیید شدند. برای نمونه:
این همگرایی، روایی درونی را تقویت می‌کند (مایلز و هابرمن 2019). افزون بر این، ارزیابی تطبیقی، تعمیم پذیری تحلیلی را افزایش می‌دهد – و نشان می‌دهد که مسیرهای مشابه (اندونزی ۲۰۱۸–۲۰۲۱) در عرض سه سال پس از اجرای اصلاحات حاکمیت داده، بهبود‌های قابل اندازه گیری به بار آورده‌اند.
اعتباریابی مدل تلفیقی
نگاشت یافته‌های تجربی بر روی چهار لایه BDGF-MP، همسویی منسجمی را به دست داد:
|
مضمون تجربی |
لایه BDGF-MP |
پیامد سیاستی |
|
زیرساخت چندپاره |
زیرساخت داده |
نیاز به سامانه ابری یکپارچه |
|
بهرهگیری ضعیف از هوش مصنوعی |
تحلیل و هوش مصنوعی |
ایجاد خط لوله ملی داده |
|
کسری هماهنگی |
نظام حاکمیتی |
ایجاد NMDC و شورای داده |
|
بازخور مفقود |
پشتیبانی تصمیم |
پیاده سازی داشبورد MPI |
|
آمادگی نوظهور |
فرامرزی |
مقیاس سازی پایلوت‌ها از طریق مشوق‌ها |
این همسویی هم انسجام نظری و هم کاربرد عملی را نشان می‌دهد و تأیید می‌کند که BDGF-MP چارچوبی معتبر هم برای تبیین و هم برای تجویز در گذار حاکمیت دریایی ایران است.
مفهوم نوظهور: سامانه یادگیری دریایی داده‌محور
فراتر از اعتباریابی گزاره‌ها، داده‌ها یک مفهوم نوظهور بدیع را آشکار ساختند – «سامانه یادگیری دریایی[39]» این اصطلاح به ترتیبی نهادی اشاره دارد که در آن داده به‌طور پیوسته میان مشاهده، تحلیل و پاسخ سیاستی جریان می‌یابد و یک حلقه ملی هوشمندی اقیانوسی ایجاد می‌کند. در عمل، MLS، NMDC (لایه داده)، تحلیل هوش مصنوعی (لایه بینش) و MPI (لایه بازخور) را در یک معماری چرخ‌های ادغام خواهد کرد. چنین سامان‌های ایران را قادر می‌سازد تا از حاکمیت وابسته به داده به حاکمیت داده‌محور تکامل یابد و گذار از کنترل به یادگیری را به‌عنوان منطق مرکزی پیشرفت دریامحور تجسم بخشد.
یافته‌های این پژوهش، چارچوب حاکمیت داده آبی برای پیشرفت دریامحور (BDGF-MP) را هم به‌عنوان یک عدسی تحلیلی و هم به‌عنوان یک راهنمای عملی برای تحول دیجیتال اقیانوس معتبر می‌سازد. ادغام نظریه‌های اقتصاد آبی، حاکمیت داده و حاکمیت تطبیقی نشان می‌دهد که پیشرفت دریامحور اساساً یک فرایند یادگیری است که توسط داده توانمند می‌شود.
شواهد تجربی نشان می‌دهد که نظام حاکمیت دریایی ایران از چندپارگی داده به سمت آگاهی از داده در حال گذار است. با این حال، آگاهی باید به «نهادیشدگی داده» تکامل یابد. این تغییر مستلزم هم اصلاحات ساختاری (قوانین، هماهنگی) و هم اصلاحات شناختی (ذهنیت، اعتماد) است. با عملیاتیسازی حلقه‌های یادگیری از طریق شاخص پیشرفت دریامحور (MPI)، BDGF-MP سیاست اقیانوسی را به یک سامانه خوداصلاحگر تبدیل می‌کند. این نهادی شدن یادگیری است که «پیشرفت» را از صرف «رشد» متمایز می‌سازد.
از منظر نظری، این پژوهش به سه حوزه کمک می‌کند:
۱. بسط نظریه اقتصاد آبی
گفتمان سنتی اقتصاد آبی بر کارایی منابع و معیار‌های پایداری متمرکز است. BDGF-MP این پارادایم را با جایگذاری تحول دیجیتال به‌عنوان بعد چهارم پایداری – پایداری اطلاعاتی – گسترش می‌دهد. یک اقتصاد اقیانوسی پایدار نه تنها از نظر بوم شناختی تاب‌آور است، بلکه از نظر اطلاعاتی منسجم نیز هست.
۲. بسط نظریه حاکمیت داده
مدلهای موجود (یانسن و همکاران 2020، سازمان همکاری های اقتصادی اروپا 2023) عمدتاً با حاکمیت داده به‌عنوان کارکردی سازمانی رفتار می‌کنند. این پژوهش آن را به‌عنوان یک پارادایم حاکمیتی بازتعریف می‌کند – پارادایمی که قدرت، پاسخگویی و هوش جمعی را درون نظام‌های بوم شناختی-اجتماعی ساختار می‌دهد.
۳. عملیاتی سازی حاکمیت تطبیقی
حاکمیت تطبیقی اغلب مفهومی باقی میماند (فولکه و همکاران 2005). MPI آن را به صورت کمّی عملیاتی می‌سازد و چرخه‌های بازخور را با ابزار‌های سیاستی پیوند می‌دهد. بدین ترتیب، حاکمیت تطبیقی قابل اندازه‌گیری، نهادی و تکرارپذیر می‌شود. این پیشرفت‌های نظری حاکی از آن است که آینده حکمرانی دریایی در ظرفیت آن نهفته است که سریعتر از نرخ تغییرات زیست‌محیطی یاد بگیرد.
۱.۳.۶. اصلاح نهادی
تأسیس «مرکز ملی داده دریایی (NMDC)» برای اجرا محوری است. این مرکز به‌عنوان یک سکوی مرکزی عمل خواهد کرد و تبادل داده میان نهادی را ضمن حفظ امنیت و حریم خصوصی ممکن می‌سازد. اعضای آن باید به گونه‌ای معرفی شوند که بخش خصوصی و بازیگران غیر دولتی به عنوان یکی از مهمترین فعالان حوزه اقتصاد دریامحور، در تصمیم‌گیری‌ها و چارچوب شکلی سازمانی این نهاد به صورت موثر و فعالی حضور داشته باشند. نهادهایی مانند انجمن مهندسی دریایی ایران به عنوان مثال برای این عضویت پیشنهاد می‌شود. مدل حاکمیتی آن باید شامل موارد زیر باشد:
۲.۳.۶. تدوین قانونی
باید «قانون حاکمیت دادههای دریایی» تصویب شود تا مالکیت داده، حقوق اشتراک گذاری و تعهدات دسترسی تعریف گردد. این قانون اصول منصفانه (دست یافتنی، دسترسی پذیر، قابل همکاری، قابل استفاده مجدد) را نهادی کرده و ایران را با استانداردهای جهانی اخلاق داده همسو می‌سازد (UNESCO-IOC, 2024).
۳.۳.۶. ظرفیت سازی و فرهنگ
ظرفیت سازی نهادی باید مکمل زیرساخت باشد. برنامه‌های آموزشی در علوم داده دریایی، تحلیل سیاست با هوش مصنوعی و اخلاق دیجیتال باید در دانشگاه‌های ملی معرفی شوند. علاوه بر این، تغییر فرهنگی مستلزم بازآرایی مشوق‌هاست – نهادها باید برای شفافیت پاداش بگیرند، نه برای کنترل.
۴.۳.۶. همکاری منطقهای و جهانی
موقعیت راهبردی ایران، رهبری در «کریدور داده اقیانوس هند شمالی» را ممکن می‌سازد و تبادل دادهای منطقهای در زمینه شیلات، آلودگی و تاب آوری اقلیمی را تسهیل می‌کند. مشارکت در ابتکارات چندجانبه مانند «دهه اقیانوس سازمان ملل» (۲۰۲۱–۲۰۳۰) و «دستور کار دیپلماسی آبی» کمیسیون اقیانوس هند (۲۰۲۴) اعتبار بین‌المللی و مشارکت‌های علمی ایران را افزایش خواهد داد.
یک مضمون نوظهور از این پژوهش، «حاکمیت دیجیتال در حکمرانی اقیانوسی» است – یعنی ظرفیت یک دولت برای کنترل، استفاده و اشتراک گذاری راهبردی دادههای دریایی خود. در حالی که دادههای باز نوآوری را تسریع می‌کند، آسیب پذیری‌هایی را در بافتار‌های ژئوپلیتیکی نیز آشکار می‌سازد. دادههای دریایی ایران، به‌ویژه در خلیج فارس، از حساسیت راهبردی برخوردارند (مسیرهای کشتیرانی، مسیرهای انرژی). بنابراین، NMDC باید بازبودن را با امنیت متوازن کند. این تعادل می‌تواند از طریق پروتکل‌های دسترسی چندسطحی حاصل شود:
در سطح بین‌المللی، «دیپلماسی داده دریایی» می‌تواند تبادل داده را از یک حوزه رقابتی به یک حوزه همکارانه تبدیل کند. با ایجاد موافقتنامه‌های اشتراک داده با عمان، هند و پاکستان، ایران می‌تواند هم بر حاکمیت خود تأکید کند و هم اعتمادسازی نماید – و بدین ترتیب صلح آفرینی اقیانوسی منطقهای را پیش ببرد. این بُعد، BDGF-MP را نه صرفاً به‌عنوان چارچوب حاکمیتی، بلکه به‌عنوان ابزاری برای سیاست خارجی در جهت دیپلماسی پایدار جایگذاری می‌کند.
پژوهش یک نقشه راه سه فازی برای گذار ایران به سوی حکمرانی دریایی داده‌محور پیشنهاد می‌کند:
|
فاز |
بازه زمانی |
اقدامات اولویتدار |
|
۱. بنیاد |
۲۰۲۵–۲۰۲۶ |
تأسیس NMDC، تدوین پیشنویس قانون حاکمیت داده دریایی، ایجاد کارگروه فنی |
|
۲. یکپارچه‌سازی |
۲۰۲۶–۲۰۲۸ |
اتصال مجموعه دادههای نهادی، راهاندازی پایلوت MPI، آموزش تحلیلگران هوش مصنوعی |
|
۳. نوآوری |
۲۰۲۸–۲۰۳۰ |
پیادهسازی داشبورد‌های پیش‌بینانه، مقیاسسازی پورتال‌های داده باز، همکاری منطقهای |
هر فاز باید شامل نقاط عطف قابل اندازه‌گیری مرتبط با معیار‌های MPI باشد. چنین نقشه راه ساختاریافته‌ای، تداوم را در میان چرخه‌های سیاسی تضمین کرده و تعهد بوروکراتیک را پرورش می‌دهد.
اگرچه این پژوهش بنیانی مفهومی و تجربی جامع فراهم می‌کند، محدودیت‌هایی باقی می‌مانند. نخست، دسترسی محدود به مجموعه دادههای محرمانه، اعتباریابی کمّی MPI را محدود کرد. دوم، دامنه کیفی پژوهش، تعمیم پذیری را محدود می‌کند. سوم، فناوریهای دیجیتال به سرعت در حال تحول (مانند ردیابی زنجیر‌های اقیانوس با بلاکچین) نیاز به بازنگری پیوسته چارچوب دارند. از دیگر محدودیتهای این پژوهش، محدود بودن دامنه مشارکتکنندگان به گروهی از خبرگان و ذی‌نفعانی بود که امکان حضور در فرآیند مصاحبه را داشتند. با توجه به ماهیت حساس حکمرانی داده در حوزه دریایی، برخی نهادها و سازمان‌های دارای محدودیتهای قانونی یا ملاحظات امنیتی در زمینه اشتراک‌گذاری داده، در فرآیند مصاحبه مشارکت نداشتند. ازاین‌رو، دیدگاه‌های ارائه‌شده در این پژوهش لزوماً بازتاب‌دهنده تمامی ذی‌نفعان اکوسیستم حکمرانی داده آبی نیست. پیشنهاد می‌شود در پژوهش‌های آتی، با فراهم شدن بسترهای نهادی و حقوقی مناسب، مشارکت طیف گسترده‌تری از بازیگران، به‌ویژه نهادهای دارای نقش راهبردی در مدیریت دادههای دریایی، مورد توجه قرار گیرد تا اعتبار بیرونی و جامعیت چارچوب پیشنهادی بیش از پیش تقویت شود.
با این حال، پژوهش‌های آینده باید:
1. مطالعه بتواند MPI را با استفاده از مجموعه دادههای ملی به صورت کمّی عملیاتی کند.
2. مدلسازی پویایی سیستم (system dynamics) را برای شبیه سازی حلقه‌های بازخور به کار گیرد.
3. مشارکت علم شهروندی در حاکمیت داده دریایی را بررسی کند.
4. دیپلماسی داده را در منطقه خلیج فارس مقایسه نماید.
چنین مطالعاتی میتوانند BDGF-MP را از یک چارچوب مفهومی به یک بومسازگان عملیاتی تبدیل کنند.
این پژوهش با هدف پاسخ به این پرسش انجام شد که چگونه ایران می‌تواند از حکمرانی دریایی چندپاره و آنالوگ به یک سامانه داده‌محور از پیشرفت دریامحور گذار کند. با ادغام پارادایم‌های اقتصاد آبی، حاکمیت داده و حاکمیت تطبیقی، مطالعه «چارچوب حاکمیت داده آبی برای پیشرفت دریامحور(BDGF-MP)» را توسعه داد – مدلی جامع که فناوری، نهادها و پایداری را پیوند می‌دهد. شواهد تجربی تأیید می‌کنند که نهادهای دریایی ایران با چندپارگی شدیدی مواجهند، اما ظرفیت نهفته قابل توجهی برای اصلاح دیجیتال دارند.
چارچوب BDGF-MP نشان می‌دهد که یکپارچگی داده، تحلیل مبتنی بر هوش مصنوعی، حاکمیت باز و بازخور تطبیقی میتوانند به‌طور مشترک سیاست ملی دریایی را به یک سامانه یادگیرنده تبدیل کنند. در هسته خود، این پژوهش پیشرفت دریامحور را به‌عنوان فرایندی از هوش جمعی بازتعریف می‌کند – توانایی نهادهای یک ملت برای یادگیری پیوسته از اقیانوس‌های خود. برای ایران، پذیرش این مدل نه تنها کارایی ملی و تابآوری زیست‌محیطی را افزایش می‌دهد، بلکه نقش منطقهای آن را در دیپلماسی آبی نیز ارتقا میبخشد. در جهانی که به سرعت در حال گرم شدن است، کسانی که بر دادههای خود حکمرانی می‌کنند، بر دریا‌های خود حکمرانی خواهند کرد – و در نهایت، بر آینده پایدار خود.
[1]. Blue Economy
[2]. Triple Bottom Line
[3]. Ocean Grabbing
[4]. Blue Fix
[5]. Sustainable Development Goals- SDGs
[6]. Integrated Coastal Management
[7]. Big Data
[8] . Data Governance
[9]. Conservationist
[10] . Industrial-growth
[11]. Integrated/Hybrid
[12] . Blue Growth
[13]. Maritime Progress
[14] . Adaptive Governance
[15] . European Marine Observation and Data Network (EMODent)
[16]. polycentric governance
[17] . Integration Deficit
[18] . Contextual Gap
[19] . Operational Gap
[20]. Measurement Gap
[21]. Connective Tissue
[22]. Cyber Resilience
[23]. Maritime Progress Index - MPI
[24]. NMDC
[25]. Regional Hubs
[26]. Local Networks
[27] . open-data governance
[28] . constructivist
[29] . Benchmarking
[30] . construct validity
[31]. Reflexivity
[32]. Critical Realist
[33] . proprietary
[34] . anomaly detection
[35] . National Marine Data Center
[36] . Supreme Council for Marine Affairs
[37]. Duplication
[38]. Marine Data Governance Council
[39]. Maritime Learning System, MLS
Extended Abstract
Introduction
The blue economy has emerged as a transformative paradigm that seeks to reconcile economic growth with environmental sustainability and social equity through the sustainable use of ocean resources. Globally, the ocean economy is projected to exceed trillions of dollars in value, positioning maritime sectors as critical drivers of development. However, despite its significant potential, the realization of a sustainable blue economy is constrained by fragmented governance systems, insufficient data infrastructures, and weak integration of digital technologies.
In recent years, the concept of data governance has gained prominence as a foundational element for enabling digital transformation across sectors. In the maritime domain, data-driven approaches—leveraging artificial intelligence (AI), big data analytics, Internet of Things (IoT), and blockchain—are increasingly recognized as essential for enhancing decision-making, improving transparency, and ensuring sustainability. Nevertheless, the integration of data governance within blue economy frameworks remains underdeveloped, particularly in developing countries.
Iran, with its extensive coastline along the Persian Gulf and the Caspian Sea, possesses substantial maritime potential. Yet, its ocean governance system is characterized by institutional fragmentation, analog processes, and limited interoperability among data systems. This has hindered effective policy-making, resource management, and sustainable development in maritime sectors.
This study addresses a critical research gap by proposing a comprehensive “Blue Data Governance Framework” (BDGF) tailored to Iran’s context. By integrating concepts from blue economy, data governance, and adaptive governance, the research aims to provide a structured pathway for transitioning toward a data-driven maritime development model.
Methods
This research adopts a qualitative, multi-method approach combining systematic literature review, bibliometric analysis, and conceptual framework development.
First, a systematic literature review was conducted using the PRISMA protocol to identify relevant studies on blue economy, ocean governance, and digital transformation. Major academic databases, particularly Scopus-indexed publications, were used to extract high-quality peer-reviewed articles published between 2011 and 2026. The selected literature encompasses key themes such as governance challenges, stakeholder engagement, sustainability frameworks, and digital technologies in marine sectors.
Second, a thematic analysis was applied to categorize the literature into core domains, including governance structures, technological enablers, environmental challenges, and socio-economic implications. This analysis enabled the identification of recurring patterns, gaps, and emerging trends in the field.
Third, insights from data governance theory—particularly frameworks emphasizing data quality, interoperability, accountability, and value creation—were integrated with blue economy principles. Additionally, concepts from adaptive governance and socio-ecological systems were incorporated to address the dynamic and complex nature of maritime environments.
Finally, a conceptual model—the Blue Data Governance Framework (BDGF)—was developed. This framework synthesizes institutional, technological, and policy dimensions to guide the transition toward a data-driven blue economy in Iran.
Discussion and Results
The findings reveal that while the blue economy holds significant promise for sustainable development, its implementation faces multiple interconnected challenges.
1. Governance Fragmentation and Institutional Gaps
A recurring issue across the literature is the fragmentation of governance structures. Studies highlight weak coordination among governmental agencies, limited stakeholder participation, and insufficient regulatory enforcement as major barriers. In regions such as Saudi Arabia and Bangladesh, institutional fragmentation and lack of integrated policies significantly hinder effective blue economy governance. Similarly, Iran’s maritime governance system exhibits parallel challenges, with overlapping responsibilities and limited data-sharing mechanisms.
2. Environmental and Sustainability Challenges
Environmental pressures—including overfishing, marine pollution, biodiversity loss, and climate change—pose significant risks to the sustainability of blue economy sectors. Research indicates that without robust governance frameworks, economic activities in marine sectors may exacerbate ecological degradation. The tension between economic growth and environmental protection is particularly evident in European contexts, where policy conflicts have been observed between blue growth initiatives and environmental directives.
3. Role of Digital Technologies in Ocean Governance
A key finding is the transformative potential of digital technologies in addressing governance challenges. AI, IoT, remote sensing, and blockchain technologies enable real-time monitoring, predictive analytics, and enhanced transparency. For instance, blockchain-based systems have been developed to secure fisheries data and prevent illegal activities, while AI-driven models support marine spatial planning and resource optimization.
However, the adoption of these technologies remains limited due to infrastructural constraints, data silos, and regulatory uncertainties. The lack of standardized data governance frameworks further exacerbates these issues, preventing effective integration of digital tools into decision-making processes.
4. Data Governance as a Missing Link
The study identifies data governance as a critical missing component in existing blue economy frameworks. Effective data governance ensures data quality, accessibility, interoperability, and security, enabling informed decision-making and policy coherence. Without such frameworks, the potential of digital technologies cannot be fully realized.
The proposed BDGF addresses this gap by introducing key dimensions, including:
5. Toward a Data-Driven Blue Economy in Iran
Applying the BDGF to Iran’s context highlights several strategic priorities. These include developing integrated maritime data platforms, enhancing inter-agency coordination, investing in digital infrastructure, and fostering public-private partnerships. Additionally, building human capital and promoting digital literacy are essential for supporting the transition.
The framework also emphasizes the importance of adaptive governance, allowing policies and institutions to evolve in response to environmental and technological changes. By aligning national strategies with global sustainability goals—particularly SDG 14—the BDGF provides a pathway for achieving sustainable and inclusive maritime development.
Conclusion
This study contributes to the growing body of literature on the blue economy by introducing a novel Blue Data Governance Framework tailored to the context of developing maritime economies, with a specific focus on Iran.
The findings underscore that the transition toward a sustainable blue economy is not merely a technological challenge but fundamentally a governance issue. Fragmented institutions, weak regulatory frameworks, and inadequate data infrastructures remain key barriers. At the same time, digital technologies offer unprecedented opportunities to enhance efficiency, transparency, and sustainability in marine resource management.
By integrating data governance principles with blue economy strategies, the proposed framework provides a holistic approach to addressing these challenges. It highlights the central role of data as a strategic asset in enabling evidence-based decision-making and fostering innovation.
For policymakers, the study offers actionable insights into designing integrated governance systems that leverage digital technologies while ensuring environmental sustainability and social equity. For researchers, it opens new avenues for exploring the intersection of data governance and ocean governance.
Ultimately, the successful implementation of a data-driven blue economy in Iran requires coordinated efforts across institutional, technological, and societal dimensions. Future research should focus on empirical validation of the framework, development of pilot projects, and comparative analyses across regions to further refine and operationalize the proposed model.
