De data-gedreven parkeeropgave

We hebben te maken met grote uitdagingen. Er moeten enorme hoeveelheden woningen worden gebouwd om het tekort op te lossen. Tegelijkertijd is er vanuit klimaat en milieu een mobiliteitstransitie nodig, die maakt dat we duurzamer gaan en kunnen blijven reizen. Deze twee uitdagingen staan niet los van elkaar: nieuwe ontwikkelingen zorgen door de komst van nieuwe bewoners namelijk bijna per definitie voor veranderingen in verplaatsingsgedrag en daarnaast is mobiliteit iets dat een beslag legt op schaarse middelen: of dat nou ruimte is (bijvoorbeeld parkeerplaatsen), of geld of het incasseringsvermogen van onze aarde (stikstof, co2, fijnstof).

Onnodig hoge parkeernormen staan woningbouw in de weg en zijn strijdig met de weg die we in willen slaan als het gaat om duurzaam reizen. Om hier verandering in te brengen zullen we naar meer maatwerk toe moeten: beter rekening houden met de mensen voor wie we plannen en hierbij beter gebruik makend van alle data en informatie die voor handen is:

Van aanbod- en norm-gedreven naar mens- en data-gedreven

Het goede nieuws is: dit is goed mogelijk. Waar we vroeger afhankelijk waren van algemene onderzoeken en bandbreedtes qua parkeervraag, hebben we nu de ingrediënten en het keukengerei om veel beter zicht te krijgen op de wensen en behoeften van toekomstige bewoners en gebruikers. Zo kunnen we op een verantwoordelijke en onderbouwde manier komen tot mobiliteitsconcepten op maat, die zowel bijdragen aan de mobiliteitstransitie als aan de woningbouwopgave. Onze aanpak bestaat uit een aantal ingrediënten, dat samen met het keukengerei onze werkwijze vormt om tot een passend mobiliteitsconcept te komen.

Ingrediënten

Het eerste ingrediënt bestaat uit gezamenlijke doelen van zowel gemeenten als ontwikkelaars. De neuzen staan veelal dezelfde kant op: minder parkeerplaatsen bij nieuwe ontwikkelingen zijn gewenst. Tegelijkertijd kan het zo zijn dat de beleidskaders (bijvoorbeeld het gemeentelijk parkeerbeleid) de gewenste ontwikkeling in de weg staan. We kijken daarom naar welk beleid er geldt, welke eventuele uitzonderingen er zijn en welke mogelijkheden er zijn om van beleid af te wijken. Als het huidige beleid geen uitzonderingen op de traditionele parkeernormen toelaat biedt ons dit een basis om in gesprek te gaan met de gemeente als dat nodig blijkt.

Het tweede ingrediënt bestaat uit inzicht in de omgeving. Deze omgeving bestaat zowel uit bestaande infrastructuur en mobiliteit, als uit allerlei andere relevante kenmerken. Denk hierbij aan (nabijheid van) voorzieningen, reisgedrag en autobezit in omliggende wijken, de gemeente of naburige gemeenten. Dankzij allerlei beschikbare data en eigen tools weten we tegenwoordig al veel. Indien gewenst verzamelen we aanvullende data over bijvoorbeeld parkeerdruk.

Het laatste ingrediënt bestaat uit grip op de doelgroep. Met wie krijgen we te maken en wat kunnen we zeggen over hun mobiliteitsbehoeften? Hoe logisch dit ook lijkt, dit gebeurt over het algemeen vrij minimaal. Onze stelling is dat je geen passend mobiliteitsconcept kunt uitwerken zonder je verdiept te hebben in de doelgroep. Deels kan dit met bestaande (open) data, deels op basis van andere beschikbare onderzoeken en ervaringen en daarnaast kunnen wij dit aanvullen met kwantitatief en kwalitatief onderzoek. Door deze bronnen slim te combineren kunnen we met beperkte inspanning een uitstekend beeld krijgen van de mobiliteitsbehoeften van de doelgroep(en) waarmee we te maken hebben.

Keukengerei

Soms vragen nieuwe recepten om nieuwe middelen. Als deze middelen nog niet bestaan zit er niks anders op dan ze zelf te ontwikkelen. Dat doen we dan ook. Zo hebben we afgelopen jaar een regressiemodel ontwikkeld met behulp van machine learning. Met dit model kunnen we het autobezit voorspellen aan de hand van de adressendichtheid, woningtype en leeftijd/type huishoudens .
Het model is uitvoerig getest en wordt al regelmatig toegepast in ons advieswerk.

Daarnaast hebben we een toolbox waarin we onze methoden bundelen om inzicht te krijgen in de toekomstige doelgroep. We komen tot dit inzicht door een combinatie van data van opdrachtgevers, open data en eigen onderzoeken. Hiermee vergaren we kennis over de mate waarin de doelgroep openstaat voor verschillende soorten mobiliteitsaanbod (b.v. deelfietsen, ov etc.), maar ook over de wijze waarop de doelgroep verleid wordt tot het gebruik van dit aanbod.

Dergelijke tools voorzien ons van een cijfermatige onderbouwing op basis van daadwerkelijke data en slimme analyses. In combinatie met aanvullende inzichten over omgeving, beleid, doelen en doelgroep krijgen we onderbouwd inzicht in de te verwachten mobiliteitsbehoefte, parkeerbehoefte en de kansen voor alternatieven voor de auto (b.v. deelmobiliteit, maar ook ov en fiets). Hierbij houden we uiteraard rekening met bestaande normen en werkwijzen, maar kijken we kritisch naar hoe we deze in de specifieke gevallen toe moeten passen (of ervan af moeten wijken). Zo zorgen we met onze kennis en ervaring voor juridisch houdbare plannen.

Door mensgericht te werken, krijgen we niet alleen beter grip op de te verwachten behoeften, maar creëren we ook handvatten voor de uiteindelijke uitwerking van een mobiliteitsconcept. Zo ontwikkelen we mobiliteitsconcepten die passen bij de situatie en de behoeften van de gebruikers en maken we de transitie naar duurzamer reizen en wonen een stukje makkelijker:

Van aanbod- en norm-georiënteerd naar mens- en data-georiënteerd.