Parkeren op eigen terrein in de G4: een modelmatige aanpak

Welke woningen beschikken over een eigen parkeerplek? Het klinkt als een simpele vraag, maar voor bijvoorbeeld gemeenten die betaald parkeren willen uitbreiden is het antwoord op adresniveau cruciaal. Hiermee kunnen vergunningenplafonds worden bepaald, of het aantal uit te geven vergunningen per adres. Voor Amsterdam, Rotterdam, Den Haag en Utrecht hebben is een model ontwikkeld om op buurtniveau uitspraken te kunnen doen.

De afgelopen jaren is er een duidelijke stijging in uitvragen voor parkeren op eigen terrein (POET)-onderzoek. Vaak gaat dit om gemeenten die betaald parkeren invoeren of uitbreiden. Zij willen op adresniveau weten hoeveel parkeerplaatsen op eigen terrein beschikbaar zijn. Die informatie bepaalt hoeveel vergunningen worden uitgegeven en aan welke adressen. Normaal brengen een bureau dit soort gebieden op hoog detailniveau in kaart en ontvangt de gemeente een adressenlijst met precies hoeveel POET-plekken er per adres zijn, en vaak ook welke soort (oprit, carport en dergelijke). Maar vanuit de G4 (Amsterdam, Rotterdam, Den Haag en Utrecht) kreeg onderzoeksbureau Trajan een bijzondere opdracht: breng voor alle gebouwen met een woonfunctie in het volledige grondgebied van Amsterdam, Rotterdam, Den Haag en Utrecht in kaart hoeveel woningen beschikken over POET. Het doel hiervan was om de toekomstige druk op laadinfrastructuur in te schatten, met een betrouwbaarheid van minimaal 80 procent per buurt.

Hoe werkt het POET-model?

Ze kozen voor een GIS-modelmatige aanpak vanwege de grootte van het gebied (circa 1,2 miljoen panden in totaal), gevoed door datasets zoals de BAG, BAG-plus, NWB, BGT en WOZ. Per woning geeft het model één van twee uitkomsten: wel POET of geen POET. De eerste slag wordt gemaakt op basis van woningtype. Vrijstaande woningen en twee-onder-één-kapwoningen van na 1960 krijgen direct POET toegewezen. Rijtjeshuizen en hoekwoningen van voor 1960 vallen automatisch in de categorie geen POET. Voor de tussenliggende categorieën voert het model verfijndere analyses uit: is er een parkeerstrook aanwezig tussen het pand en de weg? Is de voortuin te klein? Is het pand bereikbaar met de auto? Elk van deze factoren telt mee in de uiteindelijke classificatie. Slechts 8,4 procent van de panden kon het model niet zelfstandig classificeren — deze werden aanvullend beoordeeld via deskresearch.

De resultaten

Voor bijna 40.000 panden waarvan zij door eerder onderzoek ook al data hadden is getest hoe deze uit het model rolden. Hieruit bleek, exclusief de panden die door het model werden aangegeven als ‘deskresearch nodig’, een betrouwbaarheid van 82,9 procent. Wanneer die panden wel worden meegenomen was de betrouwbaarheid 92 procent. Om het resultaat richting de 100 procent te kunnen krijgen, bieden ze eventueel opties om op locatie specifieke (twijfel)gevallen te beoordelen.

De toekomst

Deze opdracht dwingt om POET vanuit een nieuw perspectief te bekijken. Niet langer alleen op adresniveau, maar ook op wijkniveau: hoe beïnvloedt de bouwperiode of stedenbouwkundige opzet van een wijk het aantal te verwachten POET-plekken? Het model maakt het bovendien mogelijk om meerdere gemeenten tegelijk te bedienen. Toekomstige doorontwikkeling richt zich op het uitbreiden naar bedrijventerreinen en andere functies, mogelijk ondersteund door AI-analyse op basis van satellietbeelden. Een koppeling met kadasterdata staat ook op de wensenlijst: bij twijfelgevallen zou het model dan automatisch het kadaster kunnen raadplegen.

Bron: mobiliteit.nl