ENMet het klimaatakkoord zijn er ook de gemeentelijke klimaatdoelstellingen waarin zero-emissiezones een belangrijke rol spelen. Zones waar geen plek meer is voor vrachtwagens en bepaalde bestelauto’s. Niet altijd een even leuke realiteit. Het schrijven van een verkeersbesluit voor de zero-emissiezones kan een lastige onderneming zijn. Het druist in tegen bestaande verkeersbesluiten en vanwege het nieuwe onderwerp is er soms niet genoeg expertise binnen de organisatie. Jaap Tjebbes legt uit hoe hij gemeentes helpt met zijn aanpak, waarbij op een innovatieve manier AI wordt gecombineerd met menselijke inzichten.
Verkeersbesluiten an sich zijn niet bepaald nieuw, ze vormen al lang een belangrijk onderdeel van de gemeentelijke besluitvorming. Voor nieuwe soorten saneringen als het zero-emissiebesluit verschijnen er echter al snel nieuwe drempels. Jaap Tjebbes wist deze twee gegevens te combineren om het proces in de besluitvorming te versnellen en kwalitatief te verdiepen. “Ik kwam tot de conclusie dat er veel standaarden zijn in verkeersbesluiten. Zo ben ik gaan verkennen of er met de geschiedenis van de reeds openbare besluiten (en toegevoegde data) via slim gebruik van AI snel een basisbesluit kon worden opgesteld voor de zero-emissiezones. Uiteraard hebben verschillende gemeenten ook hun eigen templates, maar met slim gebruik van de technologie kan ik in enkele dagen een goede basis voor het verkeersbesluit schrijven.
(lees verder onder de foto)
Meer tijd om de zero-emissiezones goed in te richten
Dat mag misschien wat makkelijk en weinig specifiek klinken, het doel heiligt hier juist de middelen, zo blijkt. “Er hangt soms het stigma alsof je met AI alles laat doen, maar ik ben eigenlijk alleen maar te raden gegaan in een gigantische bibliotheek met verkeersbesluiten. Zo kon ik sneller dan normaal tot een basisbesluit komen, wat weer als als goede onderlegger kon worden gebruikt om verder te verrijken. Het grote voordeel hiervan is namelijk dat ik door tijdwinst meer aandacht kan besteden aan complexere vraagstukken binnen het besluit.” Een complexiteit die dan weer voorbij gaat aan artificial intelligence.
“Nadat het eerste verkeersbesluit er lag, kon ik snel schakelen met andere belanghebbenden en zo kwamen fricties met bestaande saneringen snel boven tafel. Naast de zero-emissiezone is er ook de logistieke zone, de milieuzone, het autoluwe gebied. Met het basisbesluit als onderlegger kon ik samen met de verschillende departementen integrale oplossingen zoeken.” En dat blijkt om grote ingrepen tot details te gaan, waar kennis uit het veld voor vereist is. “Door de blauwdruk van dit besluit over de anderen te leggen zie je gelijk de knelpunten en voorkom je dat er in de uitvoering nog allerlei problemen bij komen. Denk aan borden die elkaar tegenspreken, zones die overlappen of juist niet en hoe de argumentatie samenvalt om deze ingrepen in de stad te verantwoorden. Zaken die AI juist niet kan oplossen.”
Waarmee de kern van de aanpak wordt aangestipt: “Met de juiste inzet van AI zorgen we ervoor dat de mensenkennis (uit de praktijk) gericht en zo kwalitatief mogelijk kan worden ingezet op de complexe vraagstukken van het parkeerbesluit. We prioriteren de essentiële zaken en doen dit ook nog eens op een efficiënte manier.” Op deze manier wist The Future Mobility Network Delft terzijde te staan in het soepel laten verlopen van het proces rondom het verkeersbesluit voor de zero-emissiezones. Je kan hier meer lezen over hoe de gemeente Delft dat zelf bevallen is. Jaap staat te popelen om ook ergens anders zijn werkwijze en inzichten in te zetten. Ook interesse in een friendly co-pilot die je als gemeente helpt om snel tot een gedegen verkeersbesluit te komen? Reageer dan hieronder!
