Wat Montréal ons leert over het meten van inclusiviteit op straat

Bij Springco geloven we dat wat mensen in een stad voelen net zo belangrijk is als wat je er kunt meten. Dat de beleving van een straat — of die nou uitnodigend is, veilig aanvoelt, of juist afstotend werkt — veel meer zegt over een buurt als verkeerstelcijfers of m²-prijzen. Precies daarom sloeg een recent wetenschappelijk artikel over Montréal zo aan bij ons: het geeft een nieuwe manier om het subjectieve systematisch te meten.

Bewoners als databron

In het onderzoek namen 28 Montréalse bewoners deel aan een bijzonder proces: ze beoordeelden straatbeelden en gaven aan hoe inclusief die ruimtes op hen overkwamen. Dat klinkt eenvoudig. Maar de kracht zit in de precisie van de vraagstelling en de combinatie met wat er daarna gebeurt. De deelnemers kwamen uit verschillende demografische groepen: mensen met een mobiliteitsbeperking, ouderen, nieuwkomers in de stad, religieuze minderheden. Elk van hen keek naar dezelfde straat en gaf een oordeel. Die oordelen verschilden soms sterk en dat raakt de kern van dit onderzoek. Niet iedereen ervaart dezelfde stoep op dezelfde manier. Een rolstoelgebruiker ziet een stoeprand waar een jongeman een fietspad ziet. Een vrouw die ‘s avonds over straat loopt, let op andere dingen dan een toerist die overdag door dezelfde buurt wandelt.

45.000 straatbeelden als spiegel

Tegelijk met de bewonersinterviews werd een tweede laag opgebouwd: een analyse van ongeveer 45.000 straatbeelden uit Montréal, afkomstig van het open platform Mapillary. Op al die beelden detecteerde een machine learning-model de aanwezigheid van elementen zoals stoepen, groen, straatmeubilair, gevels en bewegwijzering. Vervolgens werd de slimme stap gezet: de beoordelingen van bewoners werden gekoppeld aan de elementen die het model in die beelden had herkend. Het antwoord dat naar voren kwam verraste enigszins: stoepen en gebouwgevels bleken meer invloed te hebben op de inclusiviteitsbeleving dan groen. Het was hier juist de kwaliteit van de looproute zelf – staat van de stoep, breedte van de loopzone en de gevels die de route omlijsten –  die doorslaggevend was; zeker voor mensen die afhankelijk zijn van een rolstoel of rollator.

Uit de analyse bleek ook dat het AI-model aanvankelijk meer gewicht toekende aan esthetische kenmerken, terwijl bewoners inclusiviteit sterker associeerden met toegankelijkheid. Dat verschil is informatief: het laat zien dat mensen en data niet altijd hetzelfde zien.

Belevingskaarten per doelgroep

Op de kaart van Montréal zie je dan hoe de stad er uitziet door de ogen van een bewoner met een beperking en hoe dat verschilt van het perspectief van een oudere of een nieuwkomer. Centrale wijken scoren beter; de periferie scoort slechter. Maar het interessante zit in de nuances: sommige straten scoren laag voor de ene groep maar gemiddeld voor de andere. Dat zijn precies de plekken waar interventies gericht effect kunnen hebben

Waarom dit zo relevant is voor Nederlandse steden

In Nederland werken gemeenten, gebiedsmanagers en corporaties hard aan inclusieve openbare ruimte. Maar de tools om te meten of die inspanningen ook zo worden ervaren, zijn vaak beperkt. Bewonersonderzoek is schaars, duur of levert te algemene uitkomsten op. Objectieve data over de fysieke kwaliteit van de openbare ruimte zijn er soms wel, maar zeggen niets over beleving.

De kracht van de methode die in Montréal werd toegepast, is dat door beelden te koppelen aan bewonersoordelen, je niet alleen hoe bewoners ergens tegenaan kijken, maar ook welk perspectief ze vertegenwoordigen. En welke fysieke kenmerken daarbij een rol spelen. Dat maakt gerichte sturing mogelijk. Je hoeft niet de hele wijk op de schop te nemen; je weet precies welke stoep, welke gevel of welk stukje straatmeubilair het verschil maakt voor welke groep.

Wat Springco hierin ziet

Wij zetten ons al meer dan tien jaar in om de leefomgeving meetbaar te maken. Via data grip krijgen op hoe mensen een plek beleven. Wat ons in dit onderzoek zo aanspreekt, is niet zozeer de technologie op zichzelf, maar de logica erachter. Door beelden te laten beoordelen door bewoners, en die oordelen vervolgens te koppelen aan wat een model in diezelfde beelden herkent, ontstaat iets waardevols: je weet welke perspectieven er zijn, je weet welke fysieke elementen daarmee samenhangen, en je kunt dat vertalen naar concrete inzichten. Die zijn is bruikbaar voor iedereen die beslissingen neemt over de openbare ruimte.

De methode is bovendien herhaalbaar. Niet eenmalig voor één stad of één onderzoeksproject, maar structureel inzetbaar als monitoringstool. Hoe verandert de beleving als een straat wordt heringericht? Wordt die stoep na renovatie ook als inclusiever ervaren door de mensen die haar dagelijks gebruiken? Daarnaast kan de methode ook stedenbouwkundige renders beoordelen en dus ook van waarde zijn in de ontwerpfase.

Dat zijn de vragen die ertoe doen. En dit soort onderzoek laat zien dat we de tools hebben om ze te beantwoorden.

We zetten ons bij Springco graag in voor oplossingen op het gebied van leefbaarheid en duurzame groei. Wil je meer weten over onze studies op dit gebied? Mail ons: info@springco.ai