Verleden jaar heb ik in opdracht van de Gemeente Groningen samen met Geert Jan onderzoek gedaan naar Smart City Fietsstad.
Vandaag zag ik op Twitter de hashtag #bikeindex voorbijkomen. Een lijst van 20 steden die Internationaal Fietsexpert Michael Colville Anderson heeft samengesteld. Tot schrik van een deel van mijn Twitterstream zat Groningen daar niet bij. Geert Jan merkte vervolgens op dat dit ook al niet het geval was in 2013 en 2011. Blijkbaar doen we iets verkeerd.
Aan de Groningse fietsstrategie ligt het in ieder geval niet. Alhoewel, er missen wel wat dingetjes. Zoals bijvoorbeeld een meetplan. Of een plan om ook digitale componenten toe te voegen. Er is in ieder geval geïnvesteerd in een mooi logo, een huisstijl en er is flink wat budget om infrastructurele zaken aan te pakken.
Vooropgesteld: het is absoluut niet mijn doel om in een lijstje terug te komen van een Internationaal fietsexpert. Het is mijn bedoeling om op een duurzame manier bij te dragen aan een stedelijk klimaat waarin fietsen een fijne bezigheid is. Voor ons, maar bijvoorbeeld ook voor ouderen, of mensen met een handicap.
De kwestie ‘wie is de beste fietsstad’ is geen kwestie van een Deens consultancybureau dat de prijzen verdeeld onder klanten. De ‘beste’ fietsstad is een combinatie van een heleboel componenten. Fietsbeleving, faciliteiten, aantal gereden kilometers, infrastructuur en zelfs het klimaat of de geologie van de stad kan hier aan bijdragen.
Als we dan tóch ons best willen doen om Fietssteden met elkaar te vergelijken dan hebben we een set aan criteria nodig die we objectief in verschillende steden kunnen meten. Idealiter op een beetje goedkope manier, zodat ook ‘opkomende’ fietssteden hier in de toekomst iets aan hebben.
De afgelopen weken heb ik eens wat onderzoek gedaan om hier een model voor te ontwikkelen. We kunnen bijvoorbeeld bestaande datapunten van onder andere Strava, Endomodo, Runkeeper en Moves gebruiken om de huidige fietsbewegingen in de stad eens te ‘mappen’ op een interactieve kaart. Zo’n kaart heeft een ‘vertraging’ van een dagje, maar daarmee is wel heel nauwkeurig te zien waar fietsers fietsen, hoe ze zich door de stad bewegen en ook waar ze bijvoorbeeld parkeren. Prachtige Quantified Self / Other data, waar we zelfs een heel instituut voor in de stad hebben.
En in de toekomst kunnen we bijvoorbeeld het prachtige DevhouseSpindle Jetpack hier aan toevoegen om ook onze ‘eigen’ data aan dit model te knopen. Op deze manier weten we nog steeds niet álles, maar krijgen we wel vast inzichtelijk hoeveel- en welke fietsbewegingen er in de stad zijn. Dan is het ook veel eenvoudiger om objectief aan te wijzen waar in de stad we dan verbeteringen moeten uitvoeren. Toch?
