Van strategie naar realiteit: Data-gedreven verdichting in steden

Editie: 32 - Inner City Restructuring

Published on: 23 mei 2025

---

Maar waar moeten die woningen komen? In 2022 deed Republiq, in opdracht van WoningbouwersNL, onderzoek naar de beste locaties voor deze woningen. Daarbij werd gekeken naar zowel mogelijkheden in het buitengebied – het bekende “bouwen in de wei” – als naar binnenstedelijke oplossingen. Landelijk ligt de focus op dit moment op het bouwen binnen bestaande stadsgrenzen. Dit sluit aan bij de Nationale Omgevingsvisie (NOVI), die streeft naar “sterke, aantrekkelijke en gezonde steden, binnen de grenzen en ambities van het stedelijk gebied. De open ruimten tussen steden worden behouden om het groene karakter van Nederland te waarborgen.”

Een veelbelovende oplossing voor de woningnood is verdichting, oftewel inbreiding. Daarbij worden woningen toegevoegd binnen bestaande stadskernen, waardoor het omliggende groen zo veel mogelijk behouden blijft. Verdichting is niet alleen duurzaam, maar benut ook de openbare ruimte en mobiliteit op een efficiëntere manier.

Bij Republiq wordt gewerkt aan slimme oplossingen voor verdichting door gebruik te maken van data-analyse en voorspellende modellen. Verdichting wordt benaderd vanuit twee perspectieven: gebiedsniveau en complexniveau. Op gebiedsniveau wordt voorspeld welke wijken geschikt zijn voor verdichting op basis van wijkkenmerken, zoals bebouwingsdichtheid en aanwezigheid van voorzieningen. Op complexniveau ligt de focus op bouwkundige mogelijkheden, zoals het optoppen of splitsen van woningen. In dit artikel komen twee casussen in Eindhoven aan bod waarin deze methoden in de praktijk zijn toegepast.

 

Gebiedsverdichting voorspellen met Machine Learning 

Verdichting is een ontwikkeling over tijd, waarbij woningen worden toegevoegd binnen de bestaande stadsgrenzen zonder het groen aan te tasten. Dit kan alleen succesvol als er voldoende voorzieningen aanwezig zijn, zoals bijvoorbeeld scholen, supermarkten en huisartsen. En als de wijk goed bereikbaar is met het openbaar vervoer en via toegangswegen.

Colette van Happen, nu adviseur bij Republiq, voerde tijdens haar masterthesis in opdracht van Republiq onderzoek uit naar het voorspellen van gebiedsverdichting in Eindhoven met behulp van Machine Learning. Binnen de literatuurstroming van Land Transformation Modeling wordt vaak verwezen naar een combinatie van Machine Learning (ML) en Cellular Automata (CA)-modellen voor het voorspellen van gebiedsverdichting3. Deze modellen voorspellen waar verdichting mogelijk is op basis van historische wijkpatronen. Door de kenmerken van plekken waar verdichting heeft opgetreden te herkennen, kan het een kans of potentie tot toekomstige verdichting berekenen.  

Een dergelijk ML-CA model is toegepast voor het voorspellen van gebiedsverdichting in Eindhoven. Als input zijn historische kenmerken zoals afstand tot voorzieningen (openbaar vervoer, supermarkten, scholen en huisartsen) en de verdichting over de jaren heen gebruikt per 100 bij 100 meter grid.

Vervolgens leert het model verdichtingspatronen te herkennen op basis van de grid-kenmerken en de omliggende verdichting. De kans op verdichting in grid A neemt toe wanneer er in omliggende grids al verdichting heeft plaatsgevonden. Het omliggende gebied werkt als aanjager voor verdichting in de andere gebieden.

Het resultaat is een model dat per grid een kans of potentie tot verdichting berekent. Dit heeft geleid tot de volgende kaart, waarop gebieden met mogelijkheden voor verdichting roze zijn gekleurd. Een aantal van deze gebieden sluiten aan bij de toekomstige ontwikkelingsplannen van de gemeente Eindhoven, zoals de spoorzone nabij het centrum die getransformeerd zal worden tot Knoop XL. Andere uit het model volgende belangrijke ontwikkelingslocaties, zoals Winkelcentrum Woensel, ontbreken echter in de resultaten van het model. Dit model dient dus als strategische leidraad om verdichtingsmogelijkheden in kaart te brengen, maar is niet bindend. Het fungeert als een waardevolle indicator om verder onderzoek te stimuleren en het gesprek op gang te brengen.  

 

Data–gedreven roadmap voor complexverdichting 

Waar gebiedsverdichting zich richt op een strategische visie voor de toekomst, is er ook behoefte aan een meer “hands-on” aanpak voor verdichting. Dit geldt vooral voor woningcorporaties, die vaak beschikken over aaneengesloten bezit en daardoor gemakkelijker grote ontwikkelingen kunnen realiseren. Woningcorporaties worden steeds meer gestimuleerd om verdichting binnen hun eigen vastgoedportefeuille te onderzoeken. Voor hen is de vraag naar een praktische, complexgerichte benadering van verdichting dan ook groter dan de behoefte aan een bredere, strategische gebiedsvisie.  

 In samenwerking met woningcorporatie Wooninc. uit Eindhoven hebben we een data-gedreven roadmap ontwikkeld om kansen voor complexverdichting in kaart te brengen. Het systeem maakt gebruik van data-analyse om verdichtingsmogelijkheden binnen de portefeuille van een woningcorporatie te identificeren. De roadmap richt zich op zes verdichtingsmethoden en selecteert de best passende complexen. De zes verdichtingsmethoden zijn 1) sloop- en nieuwbouw, 2) optoppen van bestaande complexen, 3) splitsen van woningen, 4) toevoegen van gebouw(delen) op vrije ruimte van een perceel bij een bestaand gebouw, 5) transformatie van bedrijfsmatig of maatschappelijk onroerend goed naar wooneenheden en 6) friends wonen.  

 Daarvoor hanteren we een stappenplan dat bestaat uit vier onderdelen, ondersteund door data-analyse, om tot de verdichtingslocaties voor de woningcorporatie te komen: 

 

 

 

 

 

 

 

 

 

 

 

 

 

1.Vaststellen criteria 

Uit de zes verdichtingsmogelijkheden zoals hierboven omschreven selecteren we de opties die van toepassing zijn op het werkgebied van de woningcorporatie. Vervolgens definiëren we voor iedere verdichtingsmogelijkheid de selectiecriteria en geschiktheidscriteria die bij dit type verdichting horen. Met de selectiecriteria sluiten we bepaalde complexen uit. Aan de hand van de geschiktheidscriteria beoordelen we in welke mate een complex geschikt is voor een bepaalde verdichtingscategorie. 

 

2. Inventariseren potentiële locaties 

De selectiecriteria worden toegepast op het bezit van de woningcorporatie. Hieruit volgt per verdichtingscategorie een lijst van complexen die potentieel geschikt zijn voor dit type verdichting. 

 

3. Kwantificeren potentie 

Voor de locaties die volgen uit stap 2 is met behulp van rekenregels de verdichtingspotentie berekend. Per verdichtingscategorie zijn een aantal rekenregels opgesteld om de verdichtingspotentie te kunnen berekenen. Dit leidt tot een inschatting van het aantal (extra) woningen dat met dit type verdichting gerealiseerd kan worden.  

 

4. Prioriteren kansrijke locaties  

In de laatste stap zijn de kansrijke complexen met behulp van geschiktheidscriteria geordend. De meest kansrijke complexen komen bovenaan de lijst te staan. Kansrijke complexen zijn complexen die een groot aantal woningen opleveren, binnen een nieuwe gebiedsvisie van de gemeente vallen, of projecten die gecombineerd kunnen worden en in een integrale aanpak resulteren. 

 

Deze aanpak heeft bij Wooninc. geleid tot een succesvolle implementatie. Het resultaat is een duidelijk overzicht van de verdichtingspotentie per gemeente, wijk en complex. Volgens assetmanager Gijs Heeren: “Het onderzoek van Republiq biedt niet alleen inzicht in de verdichtingspotentie. Het brengt ook een duidelijke prioritering aan. Dat helpt ons met het maken en toetsen van investeringsbeslissingen en geeft richting aan strategische beleidskeuzes.” 

 

Conclusie 

De verdichtingsopgave waar we voor staan, is complex, maar van groot belang. De woningnood dwingt ons tot het bouwen van nieuwe woningen, terwijl uitbreiding van steden vaak onmogelijk is door ruimtegebrek of beperkende wet- en regelgeving. Verdichting is daarom onvermijdelijk. Hoewel de mogelijkheden voor verdichting niet altijd direct zichtbaar zijn, biedt data een krachtig hulpmiddel om deze kansen inzichtelijk te maken. Zowel voor strategische als meer praktische modellen.  

 

Over de auteur: Colette (C.G.J.) van Happen MSc.

Colette is werkzaam als adviseur bij Republiq. Ze heeft een achtergrond in Technische Bedrijfskunde (BSc.) en een master in Data Science & Entrepreneurship. Samen tot creatieve, innovatieve en datagedreven oplossingen komen is de kern van haar werk en plezier.

 

Referenties
https://www.rijksoverheid.nl/onderwerpen/volkshuisvesting/nieuwe-woningen

Ruimte zat in de stad, KoöperatieveArchitektenWerkplaats, 2020

Yeh, A. G. O., X. Li, and C. Xia. 2021. Cellular Automata Modeling for Urban and Regional Planning. Springer Singapore, Singapore.

Broitman, Dani and Eric Koomen. 2015. Residential density change: Densification and urban expansion. Computers, Environment and Urban Systems, 54:32–46

Eggimann, S., M.Wagner, Y.N. Ho, M. Züger, U. Schneider, and K. Orehounig. 2021. Geospatial simulation of urban neighbourhood densification potentials. Sustainable Cities and Society, 72(June):103068.

Liu, Yan and Jin He. 2009. Developing a web-based cellular automata model for urban growth simulation. Proceedings of SPIE – The International Society for Optical Engineering, 7492.

Mail the editors