مسئله
تعرفه آب کشاورزی برای مناطق مختلف و شرایط متفاوت تأمین آب، ثابت تعیین می‌شد و کمبود واقعی منابع و توان پرداخت کشاورزان را در نظر نمی‌گرفت. در سد جامیشان، که میزان تأمین آب سالانه حداقل ۵۲ درصد نیاز آبی بود، این روش می‌توانست به فشار اقتصادی بر کشاورزان و ناهماهنگی میان قیمت و کمیابی آب منجر شود.
راهکار
وضعیت تعرفه و مصرف آب با روش تطبیقی بردی، مدل‌سازی کمیابی در Vensim و بررسی کشش قیمتی تحلیل شد. دیدگاه ۱۲ خبره و پاسخ ۱۷ کشاورز نیز در مدل وارد شد. سپس بر اساس نوع محصول، توان پرداخت و میزان تأمین آب، سناریوهای قیمتی مختلف طراحی و با شبکه عصبی و داده‌های اقلیمی CMIP6، نسبت تأمین آب برای پنج سال آینده پیش‌بینی شد.
نتیجه
یک چارچوب پویا برای تعیین تعرفه آب شکل گرفت که قیمت را بر اساس منطقه، محصول، میزان تأمین و شرایط اقلیمی تغییر می‌دهد. همچنین نقشه مکانی قیمت آب برای گندم در شبکه مدرن و سال ۱۴۰۵ تهیه شد و امکان تعیین تعرفه بر مبنای پیش‌بینی آینده آب فراهم شد.
از یک عدد روی کاغذ تا قیمتی که کشاورز تحمل می‌کند
یک عدد ساده روی میز کارفرما گذاشته شد:
تعرفه ثابت در یک سال برای همه مناطق یکسان. کمترین میزان تامین آب سالانه 52 درصدی آب برای کشاورزی سد جامیشان در یک سال تامین می‌شد. حالا تصور کنید تعرفه آب‌بها برای این ۵۲ درصد، دقیقاً همان تعرفه‌ای باشد که سال‌ها پیش، وقتی سد پر بود، تعیین شده. مسئله ما همین بود. نه یک الگوریتم بهینه‌سازی جدید. یک قیمت که واقعیت کمیابی آب و واقعیت جیب کشاورز را همزمان ببیند.
چطور وارد ماجرا شدیم
شرکت آب منطقه‌ای کرمانشاه سال ۱۴۰۲ فراخوانی سراسری داد. با این عنوان:
مطالعه تطبیقی تعیین آب‌بهای تمام‌شده در بخش‌های کشاورزی، صنعت و شرب، مبتنی بر اقتصاد آب و اصلاح تعرفه در سدهای استان.
من و دکتر حافظ‌پرست، به همراه دکتر سنجابی و دکتر حاجی‌علیانی، تیمی تشکیل دادیم که هم اقتصاد آب می‌دانست، هم منابع آب، هم روش‌های اجتماعی.
رقبا کم نبودند. اساتید معروف دانشگاه رازی با الگوریتم‌های بهینه‌ساز آمده بودند. جهاد دانشگاهی و دانشگاه آزاد کرمانشاه هم پروپوزال داشتند. از میان چهار طرح برتر که به کمیته راهبردی راه یافتند، تیم ما یکی بود.
نظام تعرفه‌ای که آن زمان اجرا می‌شد، بر پایه قانون تثبیت آب‌بهای زراعی بود. قانونی که از منظر حمایت اجتماعی قابل دفاع است، اما هیچ ردی از وضعیت واقعی مخزن سد، فصل سال یا میزان کمیابی در آن دیده نمی‌شود.
چرا کار سخت بود
مرور پژوهش‌های پیشین یک الگوی مشترک نشان داد:
تقریباً همه از مدل‌های تحلیلی و بهینه‌سازی برای تعیین قیمت آب استفاده کرده بودند. ابعاد اجتماعی — نگرش مصرف‌کننده، عدالت در توزیع هزینه — تقریباً نادیده گرفته شده بود. رقبای ما هم همین مسیر را رفتند. الگوریتم‌های قدرتمند آوردند، اما پاشنه آشیل مشترکی داشتند: پارامتر اجتماعی در تعیین قیمت آب برای محصولات کشاورزی جایی نداشت.
نکته دوم، مکان بود. هر سد، هر منطقه، بودجه آبی خودش را دارد. قیمت یک مترمکعب آب برای یک محصول ثابت نمی‌تواند در همه نقاط استان یکسان باشد.
سوالی که تیم ما مطرح کرد، ساده بود اما قابل تفکر بود:
حتی اگر بهترین مدل ریاضی، بهترین قیمت را در هر نقطه استان محاسبه کند، آیا این قیمت برای کشاورز و برای بازیگران صنعت آب قابل قبول است؟
محدودیت زمانی هم بخشی از واقعیت میدان بود. جمع‌آوری داده کیفی از طریق مصاحبه، به هماهنگی و اعتمادسازی زمان‌بر با ذی‌نفعان نیاز داشت. بخشی از اسناد و مدارک موجود قدیمی یا ناقص بودند.
مسیری که رفتیم
برای مطالعه تطبیقی، الگوی جرج زد. اف. بردی را انتخاب کردیم.
چهار مرحله: توصیف، تفسیر، همجواری، مقایسه. در مرحله توصیف، اطلاعات مصرف آب و وضعیت تعرفه موجود در بخش کشاورزی و صنعت سدهای استان را جمع کردیم. در تفسیر، نقاط قوت، ضعف، فرصت و تهدید هر تعرفه را واکاوی کردیم. در همجواری، راهکارها را بر اساس همین یافته‌ها طبقه‌بندی کردیم. در مقایسه، راهکارهای اجرایی را کنار هم گذاشتیم تا تعرفه جدید شکل بگیرد.
اما نقطه اتصال واقعی جای دیگری اتفاق افتاد. مفهوم کمیابی آب در پویایی سیستم، با مفهوم کشش قیمت در اقتصاد، و با نخ نامرئی الگوی بردی در پارامترهای اجتماعی، به هم گره خورد. برای محاسبه ضریب کمیابی، نسبت تامین نیاز آبی کشاورزی به نیاز واقعی را در محیط Vensim مدل‌سازی کردیم.
موازی با آن، برای سنجش تاب‌آوری کشاورزان، رویکرد ترکیبی با محوریت روش دلفی اجرا شد. ۱۲ خبره از حوزه مدیریت منابع آب، جهاد کشاورزی، استانداری شناسایی شدند. مصاحبه عمیق با آن‌ها ضبط شد. طی دو دور رفت‌وبرگشت، پرسشنامه اولیه اصلاح و روایی محتوایی‌اش تایید شد. نسخه نهایی برای ۴۰ نفر از اعضای تعاونی‌های کشاورزی ارسال شد. ۱۷ نفر پاسخ دادند.
از دل این پاسخ‌ها، دو عدد بیرون آمد که کل مدل حول آن‌ها شکل گرفت. کشاورزان به‌طور میانگین تا ۲۸.۳ درصد کاهش آب را تحمل می‌کنند، پیش از آنکه ناچار به توقف فعالیت یا تغییر شغل شوند. و سقف قیمتی قابل پرداخت، بین گروه‌های محصول به شدت متفاوت بود. گوجه‌کاران با آبیاری مدرن تا ۴,۱۰۰ تومان به ازای هر مترمکعب را تحمل می‌کردند. باغداران سنتی با عبور از ۹۵۵ تومان دچار زیان می‌شدند.
روی این داده‌ها، سه سناریو تعریف کردیم.
خوش‌بینانه، برای وقتی دولت درآمد را حداکثر می‌کند بدون نگرانی از فقر کشاورز — تعرفه ۴,۱۰۰ تومان.
محافظه‌کارانه، برای حفظ ضعیف‌ترین قشر — قیمت بین ۹۵۵ تا ۱,۳۹۰ تومان.
میانه، حدود ۲,۵۰۰ تومان، که اکثر بهره‌برداران مدرن را راضی نگه می‌داشت و فقط بخشی از سنتی‌ها را تحت فشار می‌گذاشت.
برای اینکه این اعداد در برابر تورم سال‌های بعد بی‌معنا نشوند، آن‌ها را به «ضریب تمایل به پرداخت» تبدیل کردیم. تا ۶.۳ برابر برای سیستم‌های مدرن، حدود ۳ برابر برای محصولات باغی.
نمونه محاسباتی روی سد جامیشان این‌طور درآمد. کمترین نسبت تامین سالانه، حدود ۵۲ درصد، ضریب اصلاح تعرفه در سناریوی بحرانی را به ۲.۸۴ می‌رساند. اما در مقیاس ماهانه، جایی که تامین آب گاهی تا ۳۰ درصد افت می‌کند، همان ضریب در سناریوی بحرانی به ۶.۴ می‌رسید و در حالت نرمال حدود ۴.
فاز آخر پروژه، پیشنهاد خودمان بود، نه خواسته اولیه کارفرما. آن‌قدر قانع‌کننده بود که ۲۵ درصد به حجم قرارداد اضافه شد. با شبکه عصبی پرسپترون چندلایه، سری‌های زمانی ماهانه نسبت تامین آب سد جامیشان را کنار داده‌های اقلیمی ۲۹ مدل CMIP6 — دوره تاریخی و سناریوی SSP2-4.5 — از طریق کتابخانه intake-ESM و APIهای پایتون از منابع ESGF و CDS گرفتیم. خروجی، پیش‌بینی نسبت تامین آب برای پنج سال آینده بود، با ضریب اصلاح قیمتی λ برابر ۱.۲ در سناریوی نرمال برای حداقل نسبت تامین اراضی. یعنی مدیران سد از این پس می‌توانند اول حجم آب قابل دسترس آینده را ببینند، بعد قیمت‌گذاری کنند. نه برعکس.
نتایج و دستاورد‌ها
خروجی نهایی، یک عدد تنها نبود. یک چارچوب زنده بود. تعرفه‌ای که با ماه عوض می‌شود، با محل سد عوض می‌شود، و می‌تواند در برابر پنج سال آینده اقلیم هم واکنش نشان دهد. نقشه مکانی قیمت آب برای گندم در شبکه مدرن، برای سال ۱۴۰۵، محصول ملموس همین کار بود. به بیان دیگر برای اولین بار قیمت آتی آب برای هر محصول در هر منطقه بر اساس روش مذکور و تاثیر شرایط اقلیمی تعیین شد.
برای اولین بار، تعرفه فقط یک عدد ابلاغی از بالا نبود.
چیزی بود که از مصاحبه با ۱۲ خبره و پاسخ ۱۷ کشاورز واقعی، از مدل‌سازی Vensim، و از یک شبکه عصبی که به داده اقلیمی جهانی وصل بود، بیرون آمده بود.