Stedelijke Vernieuwing 3.0 | Integraal en bottom up zoeken naar oplossingen

In de vorige blog lichtten we toe hoe Springco met een look-a-like-analyse maatwerk mogelijk maakt door de buurtspecifieke opgave te bepalen. In deze blog gaan we in op de maatschappelijke kosten- en batenanalyse (MKBA). Een belangrijk instrument bij het optimaliseren en verantwoorden van overheidsinvesteringen.

Deze maand staat de Springco’s Spotlight in het teken van de derde golf. De derde golf van Stedelijke Vernieuwing, welteverstaan. Hoe zijn we op dit punt terecht gekomen en wat kunnen we leren van de geschiedenis?

Toen het Forum voor Stedelijke Vernieuwing in 2019 rapporteerde over de eerste twee golven Stedelijke Vernieuwing, benoemde het twee belangrijke tekortkomingen: (1) het ontbreken van een integrale aanpak, door verkokering tussen ministeries en gemeentelijke diensten werd onvoldoende resultaat geboekt, en (2) onvoldoende maatwerk. Door het van hogerhand bepalen waar en hoe wordt geïnvesteerd, blijkt politieke kleur belangrijker dan de aard van de problematiek. Het Forum redeneerde dat een praktische methode van onderaf, met oog voor de werkelijke problemen in de wijk, een derde golf kan ont-ideologiseren.

MKBA en de rationalisatie van Stedelijke Vernieuwing

Een financiële kosten-baten analyse ondersteunt de besluitvorming over een investering. Het is een eerste stap om integraler en rationeler te kijken naar de opgave. Het kijkt echter alleen naar directe geldstromen voor de investerende partij. De verantwoordelijkheid van de overheid reikt natuurlijk veel verder. Ook niet-financiële effecten als woongenot, veiligheid en CO2-uitstoot zijn onderdeel van haar afwegingskader.

De MKBA kijkt daarom vanuit het perspectief van de hele samenleving en neemt ook die niet-financiële baten mee. Nadat de effecten in kaart zijn gebracht, kan worden beoordeeld of het project vanuit maatschappelijk oogpunt aantrekkelijk is en wie in welke mate baat hebben bij het project. Een goede MKBA neemt politieke besluitvorming niet over, maar zorgt voor betere besluiten door het (politieke) gesprek te objectiveren.

Springco’s partner Rebel voerde al meer dan 100 Maatschappelijke Kosten Baten Analyses uit en kan dus met recht MKBA-expert worden genoemd. De data en analyses van Springco vergroten de kwaliteit van de MKBA’s van Rebel. In de volgende alinea’s lichtten we kor toe hoe een MKBA werkt en hoe data science van meerwaarde kan zijn voor een MKBA.

Wat is het maatschappelijke effect van extra lestijd voor jongeren in stedelijke vernieuwingswijken?

De MKBA in een notendop

In een MKBA vergelijken we de situatie waarin we voorgestelde maatregelen wel uitvoeren (projectalternatief) met de situatie waarin we ze níet uitvoeren (referentiealternatief). Eerst kwalitatief, maar daarna ook kwantitatief. Springco weet niet alleen wat de positieve maatschappelijke effecten van meer groen of betere OV-verbindingen zijn, maar ook hoe groot die effecten zijn, wat de waarde van die effecten in euro’s is (zodat je het kan vergelijken met de kosten en opbrengsten van andere effecten) en bij wie die waarde precies terecht komt. Dat laatste is weer handig als je overweegt om baathebbenden mee te laten betalen om het project financieel haalbaar te maken.

Schematische illustratie van de MKBA van Rebel en Springco Urban Analytics

De grote meerwaarde van data science

Nu in een notendop duidelijk is geworden hoe onze MKBA werkt, willen wij met een simpel gedachte-experiment illustreren wat de potentie van data science is voor stedelijke vernieuwing. Stel, we willen deze derde golf écht integraal aanpakken moeten we naast onderwijs, werkgelegenheid, veiligheid en wonen ook kijken naar bijvoorbeeld bereikbaarheid, leefomgeving, gezondheid en sociale participatie. Dit zijn zo al acht verschillende beleidsterreinen, die stuk voor stuk tientallen of honderden beleidsinterventies voorstaan. Er zijn dus zo duizenden combinaties te maken, die elk voor een andere beleidsmix  staan.

Tegelijkertijd kunnen we  ‘baten’ van maatschappelijke ingrepen, uiteraard bepaald door de politiek, ook vertalen in tientallen of honderden indicatoren. Hoe houden we bij wat de impact van duizenden verschillende scenario’s (specifieke beleidsmixen) op honderden verschillende prestatie-indicatoren zal zijn? Dat is natuurlijk niet te doen in een simpele spreadsheet. Dus als we de derde golf van stedelijke vernieuwing echt integraal en van onderaf willen vormgeven, zullen we gebruik moeten maken van alle computerkracht die voorhanden is.

En dit is nog niet alles, data science heeft de potentie om deze berekeningen steeds beter te maken. Door continue de verschillende interventies en uitkomsten te monitoren kunnen we de precieze impact steeds beter becijferen. Hierdoor hoeven we minder te werken met aannames. Onze Automated Valuation Model, waarmee we wekelijks alle woningwaarden taxeren op basis van bijvoorbeeld de nabijheid van winkels, cafés en groen, wordt steeds beter omdat we het model trainen met daadwerkelijke transacties. Zo berusten onze inschattingen in toenemende mate op de werkelijkheid. Wij geloven dat dit ook mogelijk is met Stedelijke Vernieuwing, en staan hier tijdens onze kennissessie van 26 mei (meld je snel aan!) uitgebreid bij stil.