Home / Architettura / Data Urbanism: Big Data per nuove Urban Policies
Mappa dei permessi per costruire a Sofia - Open Data Access

Data Urbanism: Big Data per nuove Urban Policies

Mappa dei permessi per costruire a Sofia – Open Data Access

 

Qualche settimana fa, nel raccontare la storia del papà di tutti i grafici William Playfair, ho promesso che avrei parlato in maniera più estesa di Data Urbanism. Si tratta di un tema particolarmente articolato, esteso e complesso, le cui applicazioni sono vaste e differenziate e che pone sfide ancora non del tutto evidenti né risolte.

Cerchiamo di riannodare le fila, partendo da una definizione:

Data Urbanism è una disciplina che, attraverso la lettura dei Big Data, mira alla comprensione e alla modellazione di sistemi urbani per l’elaborazione di strategie per un uso dinamico delle risorse, la lettura di pattern, la stimolazione del civic engagement e l’implementazione di nuovi programmi di sviluppo. Gli approcci di ricerca al Data Urbanism utilizzano sia modelli guidati dalla teoria (theory-driven) che modelli basati sull’utilizzo di dati (data-driven).[1]

Una definizione che, in prima istanza, appare piuttosto generica potrebbe descrivere qualunque approccio all’urbanistico dalla terza generazione in poi. La differenza tra un approccio classico ed un approccio data-driven, sta tutta nella lettura dei Big Data. Si potrebbe tuttavia obiettare: qualunque tipo di approccio urbanistico si basa sui dati, persino l’urbanistica moderna era basata su concetti quantitativi, come quelli di standard. Occorre allora precisare che la differenza tra Big Data e Data, non risiede solo nella dimensione, o meglio, quantità di dati a disposizione. Esistono tre dimensioni che differenziano i Big Data da set di dati tradizionali, note come le 3 V: Volume, Varietà, Velocità. Queste tre caratteristiche, che rendono i nuovi set di dati incredibilmente più voluminosi di quelli tradizionali, spesso non strutturati e di natura eterogenea e che si accumulano in maniera sempre crescente, rendono le tradizionali tecniche di analisi e di elaborazione di dati obsolete. E, se non possiamo utilizzare metodi di analisi tradizionali, perché mai dovremmo utilizzare gli stessi strumenti progettuali?

Una grande parte dei dati che hanno sostenuto gli approcci classici all’urbanistica derivavano da censimenti governativi o da indagini statistiche svolte a livello comunitario, che fornivano un quadro generale dei trend di sviluppo delle città. Il loro limite? Avere una base temporale decennale e una metodologia di raccolta dati su base volontaristica. Se la natura di questi dati li rendeva “pronti all’uso”, l’intervallo di aggiornamento e la quantità di informazioni che forniscono non sono sufficienti per basarvi un modello di sviluppo urbanistico affidabile. Da qui la necessità di utilizzare nuovi set di dati, magari meno strutturati, ma forieri di nuove possibilità.

Certo, anche i Big Data presentano alcune difficoltà: non è semplice infatti capire che tipi di dati usare, dove recuperarli e come implementarli. Molti articoli[2] evidenziano come i tipi di dato utilizzabili si possano dividere in quattro categorie:

  1. Sensor Data

Si tratta principalmente di dati relativi ai sensori legati alle reti infrastrutturali: rete idrica, elettrica, fognaria, la rete viaria su gomma e su ferro. Questo genere di dati può essere pubblico (quando le utenze primarie siano gestite dai comuni o dallo stato) o privato (quando queste utenze siano invece appaltate ad enti esterni). Nel primo caso questi dati sono spesso accessibili, specialmente se l’ente di riferimento, come spesso accade negli ultimi anni, ha implementato politiche di Open Data, che consentono ai cittadini l’accesso gratuito a queste risorse.

  1. User-Generated Data

Questo è certamente il campo che, negli ultimi dieci anni, ha generato la maggiore quantità di dati, certamente la più eterogenea ed interessante. Rientrano in questo campo tutti i dati GPS dei dispositivi che trasportiamo costantemente, il contenuti che postiamo sui social media e, in minor quantità, i dati che gli utenti producono in alcuni progetti sperimentali di progettazione partecipata. Inutile dire che l’acquisizione e l’elaborazione di questi dati presenza anche molte criticità: sempre più frequentemente saltano alle cronache casi legali in cui imprese e società sono accusate di avere acquisito illegalmente dati dai social media, o di averne fatto un uso improprio.

  1. Dai Amministrativi

Rientrano in questa categoria tutti i dati legati alle amministrazioni locali e nazionali: censimenti, dati sull’impiego, la salute e l’educazione, dati sulle tasse e sui guadagni della popolazione.

  1. Dai dal settore privato

Proprio come le amministrazioni molte compagnie registrano le transazioni e le abitudini dei propri clienti. Dati, questi, che possono fornire una serie di informazioni sul comportamento e sull’evoluzione della popolazione. Tra i dati più utilizzati in questo settore troviamo certamente quelli delle compagnie telefoniche, quelli delle banche e delle grandi catene.

Le modalità di elaborazione dati che generalmente vengono adottate nel Data Urbanism sono riconducibili a due grandi filoni: il primo è quello dell’elaborazione di modelli e simulazioni complesse a partire da questi dati (quindi con un approccio progettuale ancora top-down, sebbene con istanze emerse dal basso) ed il secondo, incentrato invece su un modello sensio-centrico, che a partire dai dati prodotti dall’utente si concentra sulla ricerca di pattern e la formulazione di teorie empiriche per azioni specifiche.

Al primo filone sono ascrivibili due operazioni piuttosto comuni: la riconsiderazione di problemi classici dell’urbanistica con il nuovo approccio e l’analisi di sistemi complessi. Nel primo caso abbiamo la ricomputazione secondo canoni contemporanei di situazioni generiche e ricorrenti: analisi matematiche della distribuzione della popolazione, degli spostamenti, modelli di sviluppo urbano, sistemi di trasporti, collocazione dei servizi e di unità residenziali. Il vantaggio che ci offrono i Big Data, rispetto a tradizionali tecniche di progettazione, è quello di poter sviluppare strategie che non sono dipendenti da analisi tipo post-evaluation, ma che possono adattarsi progressivamente grazie ad un monitoraggio costante. Nel secondo caso si tratta invece di analisi basate su sistemi ABM (Agent-Based Modelling) e sono spesso orientate alla risoluzione di conflitti sociali o legate ai sistemi infrastrutturali dei trasporti. Abbiamo affrontato il problema della complessità in passato, ma su questo ritorneremo certamente nei prossimi articoli.

Al secondo filone appartengono invece due approcci legati al mondo delle cosiddette Smart Cities: la progettazione di sistemi infrastrutturali normati da sensori e adattabili e la progettazione dinamica della città con strategie di mappatura individuale e di gamification. Mentre il primo caso è fortemente basato su attività di monitoraggio con sensori statici, il secondo è un approccio fortemente dinamico ed ancora in fase di definizione. Le strategie progettuali legate alla mappatura individuale sono molte e vanno dallo sviluppo di applicazioni che raccolgono opinioni e proposte dei cittadini a operazioni per aumentare la coscienza dei problemi legate alla città.

Come è naturale ognuna di queste strategie porta con sé, al pari degli approcci tradizionali, limiti e problematiche che non possono essere eluse. Dota, tuttavia, pianificatori e cittadini di strumenti che aprono a nuovi e diversi scenari per la città del futuro. Scenari che, con una così rapida panoramica, non sono del tutto esplorabili né comprensibili, ma che certamente approfondiremo prossimamente, analizzando casi studio e rilevando problematiche e criticità del Data Urbanism.

[1] Trad. da: Thakuriah, P., N. Tilahun and M. Zellner (2015). Big Data and Urban Informatics: Innovations and Challenges to Urban Planning and Knowledge Discovery. In Proc. of NSF Workshop on Big Data and Urban Informatics, pp. 4-32.

[2] Pan Y,., Tian, Y., Liu, X., Gu, D. and Huam G. (2016) Urban Big Data and the Development of City Intelligence, in Engineering, Science Direct, Volume 2, Issue 2, pp. 171-178

About Matteo Baldissara

Sono un giovane architetto, laureato presso l'Università degli studi di Roma - Sapienza nel Luglio del 2014. Attualmente frequento, presso lo stesso ateneo, il XXX ciclo del dottorato in composizione Teoria e Progetto. Dal 2014 collaboro con lo studio di progettazione WAR (Warehouse of Architecture and Research). Appassionato di letteratura ed arte, strizzo l'occhio al mondo della tecnologia, dalla programmazione alla grafica, e a quello del marketing.

Check Also

Big-data: tutto iniziò con i grafici a torta

Viviamo nell’era dell’interconnessione, l’era dell’ubicom (ubiquitous computing), in una costante produzione di dati e meta-dati ...