Er is een wereldwijde transitie gaande. De digitale revolutie inmiddels inclusief praktisch toepasbare big data en kunstmatige intelligentie en klimaatverandering confronteert beleidsmakers met complexe vraagstukken rondom leefbaarheid, mobiliteit, duurzaamheid en participatie. Die complexiteit wordt voor een belangrijk deel veroorzaakt doordat de vraagstukken zich aan traditionele domeinen, zoals bijvoorbeeld ruimtelijke ordening, sociale zekerheid, milieubeheer en veiligheid onttrekken. Ze vergen een integrale benadering. Veel van de vraagstukken komen concreet tot uiting in de ruimtelijke omgeving en belanden zo op het bordje van gemeenten, provincies en waterschappen, maar ook van bouw-, infra- en geo-bedrijven.
Laten we eerst eens kijken hoe dat beleidsvormingsproces nu gewoonlijk verloopt. Een beleidsmaker formuleert een beleidsvraag. Op basis daarvan verzamelt een informatiemanager of geo-ict-er uit meerdere bronnen data die mogelijk bruikbaar zijn. Om een idee te geven van de omvang van beschikbare gegevens: Nederland kent een kleine vijftienduizend openbare databronnen op lokaal, regionaal en landelijk niveau. De thema’s variëren van de alom bekende gegevens over percelen, bedrijven, demografie en dergelijke tot alleen bij specialisten bekende data zoals bijvoorbeeld over de verspreiding van mestkevers.
Zijn de relevante gegevens voor een beleidsvraag uit al die bronnen bij elkaar gesprokkeld, dan checkt men de dataset vervolgens op actualiteit en koppelbaarheid aan eigen databases en systemen. In de volgende stap analyseert een GIS-medewerker de gevalideerde dataset en legt deze analyse vast in kaarten, tabellen en/of teksten. Mede op basis van zulke rapportages formuleert de beleidsmaker uiteindelijk antwoorden op de gestelde vraag en vertaalt die in beleid. Het sprokkelen van relevante data uit de veelheid aan beschikbare bronnen en het samenstellen van een gevalideerde dataset kost ruwweg de helft van alle tijd en energie in dit proces.
De compartimentering van de beschikbare data in afzonderlijk beheerde databases zien we terug in gespecialiseerde afdelingen, maar ook in aparte organisaties. Elke afdeling of organisatie is verantwoordelijk voor een specifiek domein in de ruimtelijke omgeving. Deze combinatie van digitale en organisatorische compartimentering bemoeilijkt een integrale benadering; het verzamelen van relevante gegevens kost veel tijd en vaak wordt de beschikbare informatie onvoldoende benut. Bovendien hanteren veel organisaties verouderde technologie, waardoor de informatiewaarde van opgeleverde rapportages beperkt blijft. Beleid maken blijft zo voor een belangrijk deel tijdrovend ‘gis-werk’.
Hoe het beter kan: digital twins
De laatste tijd zoemt het begrip digital twin rond in geo-kringen. Een digital twin is een digitale, driedimensionale kopie van bijvoorbeeld een stad, regio of land, waarin alle beschikbare informatie op een locatie- en objectgerichte manier beschikbaar is. Met speciale viewers en dashboards kan al die informatie vraag gestuurd worden opgeroepen, geanalyseerd en gevisualiseerd. Met behulp van een dergelijke slimme, digitale weergave van de werkelijkheid kunnen beleidsmakers veel beter dan voorheen evidence based antwoorden formuleren op relevante beleidsvragen. De digital twin is geen recente innovatie; de technologie bestaat al tien jaar en is inmiddels volwassen. Door de toepassing van slimme algoritmen op grote hoeveelheden historische data, behoren ook serieuze prognoses tot de mogelijkheden.
Argaleo is onderdeel van een netwerk waarin ook bijvoorbeeld Logistics Community Brabant (LCB) en de Jheronimus Academy of Data Sciences (JADS) participeren. Omgevingsserver biedt een solide basis voor digitale twins in 3D en op alle gewenste aggregatieniveaus in Nederland: van individuele objecten (huis, perceel, parkeerplaats etc.) via straat, wijk, stad, waterschap, veiligheidsrayon tot op provinciaal en landelijk niveau. Daarnaast bevat Omgevingsserver een omvangrijke database met gegevens uit onder andere het stelsel van basisregistraties (BAG, Handelsregister, (grootschalige) topografie en dergelijke) en uit andere, betrouwbare open overheidsbronnen, zoals het Landelijk Register Kinderopvang, demografische data van het CBS, de Risicokaart, het Register Rijksmonumenten, Ruimtelijke plannen, Energielabel.nl, het Antenne-register. De betrouwbaarheid van Omgevingsserver wordt gewaarborgd door continue validatie en actualisatie van gegevens, terwijl het systeem compatibel is met gangbare viewers en GIS-systemen. Tenslotte is Omgevingsserver gebaseerd op het DAAS-concept: web based, betrouwbaar en zonder bijkomende extra kosten voor databeheer, hard- en software.
Cloud-gebaseerde datadiensten als Omgevingsserver combineren gegevens uit meerdere ruimtelijke open databronnen in Nederland, actualiseren deze continu en bouwen de hierbinnen beschikbare data gestaag verder uit. Ze vormen daardoor een uitstekende basis voor digital twins. Het moeizaam zelf sprokkelen van relevante gegevens uit al die verspreid beschikbare datasets behoort daarmee tot het verleden.
Twee voorbeelden van twinnen
De grote potentie van deze datadiensten ligt voor beleidsmakers dus in het ontwikkelen van specifieke digital twins waarmee bepaalde beleidsvraagstukken integraal kunnen worden geanalyseerd als basis voor evidence based beleid. Dit slim benutten van datadiensten als Omgevingsserver noemen we twinnen. Hieronder twee voorbeelden.
Een eerste voorbeeld: wat als we voor het plaatsen van bushalten in een gemeente een digital twin benutten die behalve met de geografische spreiding ook rekening houdt met sociaaleconomische factoren en de gemiddelde looptijd van huis naar bushalte? Op die manier kunnen we bushaltes daar plannen waar mensen er het meest van afhankelijk zijn. Zo’n digital twin helpt mobiliteitsarmoede te bestrijden.
Een tweede voorbeeld: Hoe zou een digital twin voor het thema ‘fietsbereikbaarheid’ eruit kunnen zien? Daarin zouden we de beschikbare data over het wegennet en gebruiksfuncties van gebouwen bijvoorbeeld kunnen combineren met slim rekenwerk (algoritmen) aan bewegingen van rijwielen en andere vervoersmiddelen, met informatie over fijnstof en de aard van het wegdek (lekker glad asfalt of kinderkopjes?). Op die manier verschaft twinnen beleidsmakers nieuwe, evidence based inzichten en dus ook betere beleidsopties.
Kortom: datadiensten als Omgevingsserver vormen een solide en betrouwbare basis voor het analyseren en beantwoorden van specifieke beleidsvraagstukken met behulp van digital twins. Op termijn zullen de datadiensten ook steeds meer real time informatie gaan leveren, zoals verkeerstromen, sensordata, onderhoudsactiviteiten aan infrastructuur enzovoort. Erg handig voor bijvoorbeeld organisatoren van grootscheepse evenementen waar de verantwoordelijken voor veiligheid via een real time digital twin continu inzicht in de actuele situatie hebben. Kortom een solide basis voor beleidsbeslissingen.
De impact van twinnen
Twinnen vormt een krachtige tool voor integrale en evidence based beleidsontwikkeling ten behoeve van complexe maatschappelijke vraagstukken. Daarnaast zal twinnen ook een impact op de organisatie van het beleidsvormingsproces hebben. Zo zullen verschillende afdelingen en organisaties intensiever gaan samenwerken, misschien wel integreren. Maar ook functies zullen veranderen. Neem de rol van GIS-medewerkers bijvoorbeeld. Die evalueert van dataverzameling en ‑analyse ten behoeve van afdelingen naar het faciliteren van integrale beleidsteams bij het optimaal benutten van digital twins, door het ontsluiten en koppelen van informatie uit eigen databronnen en het helpen ontwikkelen van dashboards op specifieke maatschappelijke of bedrijfseconomische thema’s.
Moraal van het verhaal: wie beleidsmatig greep wil krijgen op de transitie waar we middenin zitten, houdt op met gissen en gaat vandaag nog twinnen.