Plinten maken de stad - en data maakt goede plinten

‘Een trendbreuk!’, concludeerden de Nederlandse kranten onlangs. De winkelleegstand in grote steden bleek toegenomen, terwijl deze in de centra van kleine en middelgrote plaatsen juist afnam. Zou het over en uit zijn met de ‘triomf van de stad’ - nog zo bejubeld door bijvoorbeeld Harvard-hoogleraar Edward Glaeser in 2011 - of is hier meer aan de hand?

De ontwikkeling laat in elk geval zien dat een gebrek aan passende voorzieningen niet alleen in gemeentehuizen buiten de Randstad tot kopzorgen leidt. Waar de invulling van de plint op microniveau het gezicht van de straat bepaalt, heeft het op macroniveau invloed op de totale voorzieningenstructuur van stad of dorp.

Data science

Mede door de coronacrisis kampen veel winkelgebieden met leegstand, wat geleid heeft tot de Impulsaanpak Winkelgebieden vanuit het ministerie van Economische Zaken en Klimaat. Daarnaast hebben de grotere steden door de verdichtingsopgave moeite om het voorzieningenniveau op peil te houden, zeker nu hoge woningprijzen ervoor zorgen dat de zogeheten ‘stadsverzorgende economie’ op het eerste gezicht minder rendabel lijkt. Tegelijkertijd leidt het verdwijnen van voorzieningen in de regio tot groot ‘maatschappelijk onbehagen’, blijkt uit een recente studie van Rijksuniversiteit Groningen-onderzoekers.

Een ingewikkelde puzzel voor een gemeente die omwille van de leefbaarheid wil dat er voldoende voorzieningen zijn, voor een placemaker die levendige plinten wil ontwikkelen, en voor een belegger die op zoek is naar een goede, stabiele belegging. Dit hoofdstuk biedt concrete handvatten die hen helpen die puzzel op te lossen. De invulling van de plint en het op grotere schaal bouwen aan de voorzieningenstructuur kan namelijk veel beter en effectiever als je slim gebruikmaakt van data en data science.

Veranderende voorkeuren en belangen

Nederland een rijke planologische traditie, en dat is goed nieuws voor de inzet van data. Ongeveer een eeuw geleden enquêteerde Th.K. van Lohuizen al bewoners om vat te krijgen op de gemiddelde woonwensen. Dit soort systematische analyses kwamen later in het ‘bruine boekje’ en het aanvullende ‘blauwe boekje’ terecht. Die boekjes waren tot diep in de jaren zeventig en tachtig veelgebruikt. Tot in detail werd hiermee het aantal vierkante meters sportveld of verzorgingstehuis voorgeschreven dat moest worden gerealiseerd per toegevoegde woning.

Maar tegenwoordig is de opgave complexer. Bijvoorbeeld omdat we tegenwoordig steeds meer binnenstedelijk bouwen, in plaats van op uitleggebieden. Het volbouwen van een weiland is een stuk overzichtelijker dan wanneer de woningdichtheid in bestaand stedelijk gebied continu aan verandering onderhevig is. Daarnaast bemoeilijkt de moderne pluriforme samenleving standaardisatie. Natuurlijk, ook vroeger hadden bewoners verschillende wensen, maar de afgelopen decennia is de diversiteit van de inwoners sterk toegenomen. Bovendien veranderen de trends steeds sneller.

Op maat gemaakt

Wat het afgelopen decennium ook is veranderd, is de perceptie van de ideale plint. Waar de belegger vroeger vooral een voorkeur had voor supermarkten (vanwege het korte-termijnrendement) en de projectontwikkelaar voor sportscholen (als extra service naar potentiële bewoners), vertelde de placemaker dat het ook anders kon. Onderzoek na onderzoek liet namelijk zien hoe belangrijk de invulling van de plint is voor de levendigheid en leefbaarheid van gebieden. Dit betekent natuurlijk niet dat alle vacante ruimten gevuld hoeven te worden met publiekstrekkers, maar wel dat de voorzieningen in balans moeten zijn met de wensen van bewoners en bezoekers. Dat helpt de huurders hun kop boven water te houden en scheelt de vastgoedeigenaar een berg transactiekosten, omdat hij of zij niet om de haverklap op zoek hoeft naar nieuwe huurders. En als bewoners, ondernemers en beleggers gelukkig zijn, dan is de gemeente dat vaak ook.

De ouderwetse normbepaling voor voorzieningen is dus vrij top-down: belegger, projectontwikkelaar of de gemeente bepalen wat waar komt, hoogstens op basis van een generieke enquête. Soms werkt dat goed, bijvoorbeeld als er visie en verbeelding nodig is om te bedenken hoe een plek eruit moet komen te zien en met welke voorzieningen dat gestuurd kan worden. Vaker blijkt echter dat top-down denken achterhaald is. Dat geldt niet alleen voor stedelijke ontwikkeling, maar ook voor andere hoeken van de samenleving. Denk aan hoe de lineaire programmering op de Nederlandse televisie en radio het verliest van on demand beschikbaarheid, zoals geleverd door streamingsdiensten als Spotify en Netflix, waar gebruikers hun eigen, individuele programmering bepalen.

De sleutel hierin is data. Hoe weet zo’n app als die van Spotify waar jij het liefste naar luistert? Door de data die je met je luistergedrag achterlaat. Spotify gebruikt deze data om jou een gepersonaliseerd product te geven op een manier die bij lineaire programmering ondenkbaar is. Data science helpt om die data om te zetten naar concrete beslissingen. Bijvoorbeeld over wat diensten jou aanraden om te kijken of te luisteren. Zo krijgt ieder individu een op maat gemaakt aanbod.

Gebruik van data

Dat vertrekpunt bij de gebruiker is niet nieuw. Veel placemakers passen zo’n bottom-up aanpak al toe in hun werk. Als hij (of zij) de vraag krijgt wat voor programma de plint van een woontoren moet krijgen, pakt de placemaker meteen z’n fiets en kijkt rond. Wat voor gebied is het? Wat voor mensen wonen er? Wat voor sfeer hangt er? Wat voor horeca, retail en andere voorzieningen zitten er? Werken deze voorzieningen een beetje? Leven ze? Is het er druk? Lijken de mensen die de voorzieningen gebruiken tevreden? De placemaker koppelt de antwoorden op deze vragen aan andere trends en ontwikkelingen die hij om zich heen ziet en de plannen van zijn opdrachtgever. Dit geeft hem een uitgangspunt om uiteindelijk te bepalen welke concepten het beste passen in deze plint.

Alle indrukken die de placemaker krijgt, zijn eigenlijk datapuntjes. Dat ziet er op het eerste gezicht misschien niet zo uit, maar het zijn allemaal waarnemingen. Dingen die hij ziet, ervaart en voelt, al die indrukken zijn te vertalen naar data. Wil hij vervolgens grip krijgen op de eigenschappen van de bewoners van een gebied? Dan kan hij bijvoorbeeld bij het CBS kijken hoe het met gemiddelde inkomens, opleidingsniveaus en leeftijden gesteld is in de buurt. Wil hij nog wat dieper graven? Dan zijn er diverse partijen die op een laag schaalniveau consumentendata aanbieden. Bijvoorbeeld over persoonlijkheid en leefstijlen. Met al deze data ga je een niveau dieper en kom je nog meer te weten over de voorkeuren van mensen. De placemaker beperkt zich bovendien niet tot klassieke socio-economische statistiekjes. Hij gebruikt bijvoorbeeld Google Maps om een overzicht van de dienstverleners in een buurt te krijgen. Hij analyseert reviews op sociale media om te kijken wat mensen ervan vinden. Op die manier krijgt hij een beter beeld van wat er zit en hoe mensen daar mee om gaan.

Bottom-up plintinvulling

Maar hoe bepaal je dan een plintprogrammering op een bottom-up en datagedreven manier? Om dat duidelijk te maken, gebruiken we een voorbeeld: de komst van een nieuwe sportschool.

Stel dat je voor een sportschoolketen een nieuwe vestiging mag openen. Je moet alleen nog bepalen waar die komt. Je zet dan de volgende stappen:

1. Bepaal je doelgroep. Hier ligt je databron voor de hand: mensen die lid zijn van een sportschool óf mensen die dat in potentie zouden willen, maar nog niet de juiste sportschool in de buurt hebben.
2. Onderzoek de overeenkomsten en verschillen tussen deze mensen. Bepaal welke klantsegmenten je kunt onderscheiden en wat de eigenschappen zijn van de mensen die bij die segmenten horen. Je hoeft hier niet per se geavanceerde software voor te gebruiken. Soms voldoet Excel ook prima. Je kunt in Excel namelijk heel eenvoudig de eigenschappen van een groep visualiseren en op die manier verschillen en overeenkomsten ontdekken. Als je je opdracht doet in opdracht van een sportschoolketen, kun je waarschijnlijk wel gebruikmaken van hun klantenbestand. Zo niet, dan kun je in onderzoeken van het CBS en het RIVM verrassend veel informatie vinden over het sportgedrag van Nederlanders.
3. Bepaal het verzorgingsgebied van je sportschool. Dat doe je door te kijken waar de klanten van bestaande sportscholen wonen en wat de afstand is tot de sportschool. Waarschijnlijk ontdek je dat de meeste leden binnen een straal van 15 minuten reistijd wonen. De grootte van het verzorgingsgebied verschilt per voorziening: voor een sportschool ben je waarschijnlijk minder snel bereid om naar een andere stad te gaan dan voor een museum.
4. Kijk naar het huidige voorzieningenniveau in het gebied. Je haalt bijvoorbeeld data van Google Maps op om te kijken welke sportscholen er nog meer zitten binnen het gebied waar je naar kijkt. Hiermee kun je ook zien in welk segment ze zitten: zijn er veel yogastudios, personal trainers, bootcamp-klasjes of budget-sportscholen aanwezig? Hoe zit het met de openingstijden en de faciliteiten ervan? Laten de bezoekers positieve reviews achter? Wat zijn de eigenschappen van de sportschool waar ze positief of negatief over zijn? Deze datapunten zijn allemaal openbaar beschikbaar. Dit kan een heel goed startpunt zijn om het huidige voorzieningenniveau in het gebied te analyseren.
5. Trek cirkeltjes ter grootte van het verzorgingsgebied om de huidige voorzieningen heen. Daarmee kun je zien welke gebieden er nu al bediend worden door de huidige voorzieningen. Misschien wil je corrigeren voor de grootte van een sportschool. Ook dat kan op basis van beschikbare data. Op die manier kan je onderscheid maken tussen een personal trainer en een massale sportschool. De massale sportschool zal waarschijnlijk meer mensen in de buurt kunnen bedienen.
6. Op basis van de data heb je inmiddels een indicatie van vraag en aanbod naar sportscholen. Je kunt dit heel makkelijk visualiseren op een kaart.
7. Nu is het een kwestie van deze twee kaarten over elkaar heen leggen om te bepalen waar de mismatch tussen vraag en aanbod zit. De plekken buiten de cirkels of op de randen van de cirkels mét hoge concentraties van de doelgroep zijn de meeste kansrijke plekken.

Dit lijkt niet al te ingewikkeld. En de meeste van deze analyses kun je doen op basis van openbaar beschikbare data.

Schaalbare methode

De placemaker uit ons voorbeeld heeft echter een ander uitgangspunt. Hij bekijkt de vraag niet vanuit het perspectief van de sportschool, maar vanuit het perspectief van de plint en de rol van de plint in het gebied. Hoe zou hij dat dan kunnen doen op basis van data?

Eigenlijk doet hij dan hetzelfde, maar niet alleen voor de sportscholen. De placemaker doet het voor alle verschillende type winkels, horeca, huisartsen, apotheken, bibliotheken en fietsenmakers. Door de kaarten naast elkaar te leggen, ziet hij naar welke voorzieningen rond zijn plint de meeste behoefte is.

Dit vraagt echter van onze placemaker dat hij z’n data op een schaalbare manier verzamelt. Google Maps afstruinen werkt prima als je het voor één type voorziening in één gebied doet. Maar die aanpak werkt niet meer als je het voor honderd voorzieningentypes voor heel Nederland wil doen. Dat vereist dat je de data op een schaalbare manier verzamelt, verwerkt en analyseert.

Nu leent data zich bij uitstek voor schaalbaarheid. Zo biedt bijvoorbeeld Google Maps een API aan waarmee je makkelijk op grote schaal data verzamelt over een gebied. Google is daar niet de enige in. Steeds meer partijen stellen API’s beschikbaar om data te delen met de rest van de wereld. Ook geografische data is steeds meer op grote schaal beschikbaar, zeker als het om Nederland gaat. Een simpele zoektocht op het Nationaal Georegister of PDOK (Publiek Domein op Kaart) doet je versteld staan van de databronnen die voor het oprapen liggen.

Kat-en-muis-spel

Waar dit allemaal niet voor handen is, is informatie van het internet scrapen ook een optie. Scrapen is een geautomatiseerd proces, waarbij een programma informatie van een webpagina afleest en in een databestand opslaat. Wat wij met onze ogen zouden doen, doet zo’n scraper automatisch én een stuk sneller. Scrapen is nooit de meest wenselijk optie. Het bouwen van een scraper kan veel tijd kosten en een scraper is foutgevoelig. Daarnaast verbieden sommige websites het expliciet en maken de bouwers het voor scrapers lastig om hun werk te doen. Tóch komen er ook steeds meer kant-en-klare scrapers beschikbaar, zeker voor grote websites. Het zal voorlopig nog even een kat-en-muis-spel blijven tussen scraper-bouwers en websites, maar voor de creatievelingen is deze data goed bereikbaar.

Niet alleen is de hoeveelheid beschikbare data de laatste decennia enorm toegenomen, dat geldt ook voor de mogelijkheden om data op grote schaal te verwerken. Waar de programmeertaal Python vijf jaar geleden iets voor programmeurs was, maakt het nu onderdeel uit van bijna ieder universitair curriculum. Daarmee worden geavanceerde analysetechnieken ook een stuk toegankelijker, waardoor je op een nieuwe manier naar de voorzieningen in een gebied kunt kijken. Je kunt bijvoorbeeld via text mining op grote schaal reviews analyseren. Zo kun je data gebruiken om de stem van individuele mensen op grote schaal te vertalen naar inzichten.

Data als pijler van ontwerp, niet als smeerolie voor besluitvorming

Inmiddels zijn de meeste betrokken partijen het eens over het belang van een toekomstbestendige plint. Er bestaat alleen minder eensgezindheid over wat een goede plint inhoudt en hoe we deze kunnen realiseren. Dit komt deels doordat partijen verschillende belangen nastreven, maar zeker ook doordat onvoldoende gekeken wordt naar de wensen van bewoners. Data-analyse heeft de potentie om deze verschillende opvattingen te overbruggen door gebruik te maken van de inzichten over bewoners zelf en zo objectiviteit toe te voegen aan het gesprek over de plint.

Toch gebeurt dit nog veel te weinig in gebiedsontwikkeling. In de uiteindelijke besluitvorming is de rol van data-analyse vaak beperkt tot onderbouwing van eerder gekozen plintprogrammering. Het dient als smeerolie voor besluitvorming in plaats van als basis voor ontwerp. Dit is spijtig omdat hiermee de korte termijn prevaleert, terwijl de toekomstbestendige plint juist wordt ondermijnd. Het zorgt ervoor dat bijvoorbeeld supermarkten en sportscholen, die snel veel rendement opleveren, de voorkeur krijgen boven plintinvullingen die meer opstarttijd nodig hebben. En als deze top-down benadering maar vaak genoeg wordt toegepast, eindigen we met eenzijdige en inwisselbare gebieden die niet per se aansluiten bij de wensen van bewoners.

Toch worden die top-down businesscases vaak genoeg onderbouwd met de uitkomsten van data-analyse. Numerieke uitkomsten lijken objectief, maar zijn dat lang niet altijd. Met een beetje creativiteit kan een cijfermatige onderbouwing worden gevonden voor zowat elke subjectieve stelling. Maar voor het ontwikkelen van een gebied is het juist van essentieel belang dat zonder vooringenomenheid wordt beschouwd wat het beste werkt (en voor tien jaar zal blijven werken) in een bepaalde context. In het ene gebied is dat een hippe koffiezaak, terwijl de andere omgeving juist schreeuwt om een fietsenmaker.

Gebiedsontwikkeling kan enorm profiteren van een integraal gebruik van data, maar dan moet er wel met een open blik naar de uitkomsten worden gekeken. Als we data-analyse in een eerder stadium inzetten (dus niet als bevestiging van eerder gemaakte keuzes maar als instrument om keuzes op te baseren), wordt het gesprek naar een hoger niveau getild in plaats van dat het de discussie doodslaat. In die beginfase kan het een ontwikkelaar en alle andere stakeholders informeren en inspireren aan de hand van de wensen van de bewoners en gebruikers van een gebied - met toekomstbestendige plinten, winkelstraten zonder leegstand en een mooiere stad als resultaat.