دیجیتال‌سازی فرایندهای حمل‌ونقل ریلی در عصر فناوری‌‌های مبتنی بر هوش مصنوعی، مروری با رویکرد کتاب‌‌سنجی

نوع مقاله : مقاله پژوهشی

نویسندگان
عبدالهادی ضرابی 1
محمدتقی تقوی فرد 2
ایمان رئیسی وانانی 3
منوچهر نجمی 4
1 دانشجوی دکتری، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
2 استاد، گروه مدیریت فناوری اطلاعات و عملیات، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
3 دانشیار، گروه مدیریت فناوری اطلاعات و عملیات، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
4 دانشیار، گروه مهندسی صنایع، دانشکدۀ مدیریت و اقتصاد، دانشگاه صنعتی شریف، تهران، ایران
10.22034/aimj.2025.518293.1634
چکیده
تحول دیجیتال در صنعت حمل‌ونقل ریلی، به‌ویژه از طریق بهره‌گیری از فناوری‌های هوش مصنوعی، به یکی از محورهای کلیدی نوآوری در زیرساخت‌های حیاتی تبدیل شده است. هدف این پژوهش، ترسیم نقشه دانشی و شناسایی روندها، فناوری‌ها، چالش‌ها و بازیگران اصلی در حوزه کاربرد هوش مصنوعی در صنعت ریلی با استفاده از روش کتاب‌سنجی است. داده‌های پژوهش از پایگاه اسکوپوس گردآوری شد و پس از پالایش، ۱٬۲۰۲ مقاله منتشرشده بین سال‌های ۲۰۱۰ تا ۲۰۲۵ با بهره‌گیری از نرم‌افزار وس‌ویور تحلیل شدند. نتایج نشان می‌دهد که فناوری‌هایی نظیر یادگیری ماشین، یادگیری عمیق، الگوریتم ژنتیک و دوقلوی دیجیتال، بیشترین حضور را در متون داشته‌اند و تمرکز اصلی کاربردها در زمینه‌هایی چون تعمیرات پیش‌بینانه، پایش سلامت و زمان‌بندی هوشمند بوده است. از منظر ساختار تولید علم، کشور چین و دانشگاه Beijing Jiaotong جایگاه پیشتازی داشته‌اند، در حالی‌که کشورهایی مانند ایران علی‌رغم تولید علمی، از منظر همکاری‌های بین‌المللی پژوهشی ضعیف‌تر عمل کرده‌اند. همچنین تحلیل شکاف‌ها نشان داد که به برخی موضوعات راهبردی مانند تاب‌آوری سایبری، مدیریت تغییر و بهینه‌سازی زنجیره تأمین کمتر  توجه شده است. در پایان، با تلفیق نتایج کتاب‌سنجی و تحلیل‌های خوشه‌ای، چارچوبی مفهومی بر اساس چهار محور غالب، یعنی فناوری‌محور، کاربردمحور، نتیجه‌محور و چالش‌محور ارائه شده و پنج گزاره پژوهشی برای هدایت مطالعات آینده پیشنهاد شده است.

کلیدواژه‌ها

عنوان مقاله English

Digitalization of Railway Processes in the Age of AI technologies, a Bibliometric Review

نویسندگان English

Abdolhadi Zarrabi 1
Mohammad Taghi Taghavifard 2
Iman Raeesi Vanani 3
Manoochehr Najmi 4
1 PhD Candidate, Department of IT Management, Faculty of Management and Accounting, Allameh Tabataba'i University, Tehran, Iran
2 Prof., Department of Information Technology and Operations Management, Faculty of Management and Accounting, Allameh Tabataba'i University, Tehran, Iran
3 Associate Prof., Department of Information Technology and Operations Management, Faculty of Management and Accounting, Allameh Tabataba'i University, Tehran, Iran
4 Associate Prof., Department of Industrial Engineering, Faculty of Management and Economics, Sharif University of Technology, Tehran, Iran
چکیده English

The digital transformation of the railway transportation industry—particularly through the integration of artificial intelligence (AI) technologies—has emerged as a key driver of innovation within critical infrastructure sectors. This study aims to map the knowledge landscape and identify prevailing trends, technologies, challenges, and key stakeholders in the application of AI within the railway domain by employing a bibliometric approach. Research data were collected from the Scopus database, and following a screening process, a total of 1,202 articles published between 2010 and 2025 were analyzed using VOSviewer software. The findings reveal that technologies such as machine learning, deep learning, genetic algorithms, and digital twins are most prominently represented in the literature, with the primary application areas including predictive maintenance, health monitoring, and intelligent scheduling. In terms of scientific output structure, China and Beijing Jiaotong University have demonstrated leading positions, while countries such as Iran, despite contributing to the scientific output, have shown weaker performance in international research collaborations. Furthermore, the gap analysis highlights that several strategic topics—such as cyber-resilience, change management, and supply chain optimization—have received comparatively limited attention. Finally, by synthesizing the bibliometric results and cluster analyses, a conceptual framework is proposed along four dimensions: technology-oriented, application-oriented, outcome-oriented, and challenge-oriented. Based on this framework, five research propositions are offered to guide future investigations in the field.

کلیدواژه‌ها English

Artificial intelligence
Railway transportation industry
Bibliometric analysis
Machine learning
Conceptual framework
Bak, S., Bogomolov, S., Duggirala, P. S., Gerlach, A. R. & Potomkin, K. (2021). Reachability of black-box nonlinear systems after koopman operator linearization. IFAC-PapersOnLine, 54(5), 253-258.
Berman, G., Chubb, J. & Williams, K. (2023). The Use of Artificial Intelligence in Science,Technology, Engineering, and Medicine, s.l.: The Royal Society.
Bešinović, N., De Donato, L., Flammini, F., Goverde, R. M., Lin, Z., Liu, R., ... & Vittorini, V. (2021). Artificial intelligence in railway transport: Taxonomy, regulations, and applications. IEEE Transactions on Intelligent Transportation Systems, 23(9), 14011-14024.
Bharadiya, J. P. (2023). The Impact of Artificial Intelligence on Business Processes. European Journal of Technology, 7(2), 15-25.
Bianchi, G., Freddi, F., Giuliani, F. & La Placa, A. (2025). Implementation of an AI‑based predictive structural health monitoring strategy for bonded insulated rail joints using digital twins under varied bolt conditions. Railway Engineering Science, 1-18.
Bumann, J. & Peter, M. K. (2019). Action Fields of Digital Transformation - A Review and Comparative Analysis of Digital Transformation Maturity Models and Frameworks. In: Digitalisierung und andere Innovationsformen im Management. s.l.:edition gesowip, pp. 13-40.
Chapuis, R., Melnikov, L. & Sandri, N. (2024). The journey toward AI-enabled railway companies, Milan: McKinsey & Company.
De Donato, L., Dirnfeld, R., Somma, A., De Benedictis, A., Flammini, F., Marrone, S., ... & Vittorini, V. (2023). Towards AI-assisted digital twins for smart railways: preliminary guideline and reference architecture. Journal of Reliable Intelligent Environments, 9(3), 303-317.
Djordjević, B., Krmac, E., Lin, C. Y., Fröidh, O. & Kordnejad, B. (2024). An optimisation-based digital twin for automated operation of rail level crossings. Expert Systems with Applications, 239, 122422.
Donthu, N., Kumar, S., Mukherjee, D., Pandey, N. & Lim, W. M. (2021). How to conduct a bibliometric analysis: An overview and guidelines. Journal of business research, 133, 285-296.
Galushko, O., Kovalenko-Marchenkova, Y., Chernova, N., Kasadzhyk, A. & Gechbaia, B. (2024). Impact of railway infrastructure on sustainable development of regions. In E3S Web of Conferences (Vol. 558, p. 01035). EDP Sciences.
Giunta, M. (2023). Trends and Challenges in Railway Sustainability: The State of the Art regarding Measures, Strategies, and Assessment Tools. Sustainability , 15(24). 16632.
Lakomaa, E. (2018). Digitalization, Collective Intelligence, and Entrepreneurship in the Care Sector. In: Managing Digital Transformation. (1 ed.), Stockholm School of Economics Institute for Research (SIR), p. 265.
Li, P., Xue, R., Shao, S., Zhu, Y. & Liu, Y. (2023). Current state and predicted technological trends in global railway intelligent digital transformation. Railway Sciences, 2(4), 397-412.
Öztürk, O., Kocaman, R. & Kanbach, D. K. (2024). How to design bibliometric research: an overview and a framework proposal. Review of Managerial Science, 18, 3333-3361.
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... & Moher, D. (2021). The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, 372.
Palkina, E. (2022). Transformation of business models of logistics and transportation companies in digital economy. Transportation Research Procedia, 63, 2130–2137.
Păvăloaia, V. D. & Necula, S. C. (2023). Artificial Intelligence as a Disruptive Technology - A Systematic Literature Review. electronics, 12, 1102.
Potomkin, K. et al., 2021. Reachability of Black-Box Nonlinear Systems after Koopman Operator Linearization. s.l., scince direct.
Sarp, S., Kuzlu, M., Jovanovic, V., Polat, Z., & Guler, O. (2024). Digitalization of railway transportation through AI-powered services: digital twin trains. European Transport Research Review, 16(1), 58.
Sestino, A. & De Mauro, A. (2022). Leveraging artificial intelligence in business: Implications, applications and methods. Technology Analysis & Strategic Management, 34(1), 16-29.
van Eck, N. J. & Waltman, L. (2010). Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics, 84(2), 523-538.
Zhang, J. & Zhang, J. (2023). Artificial Intelligence Applied on Traffic Planning and Management for Rail Transport: A Review and Perspective. Discrete Dynamics in Nature and Society, 2023(1), 1832501.

  • تاریخ دریافت 02 اردیبهشت 1404
  • تاریخ بازنگری 14 خرداد 1404
  • تاریخ پذیرش 21 خرداد 1404