Introductie
==== WIP =====
- 1994 SimEurope, VU/GeoDan
- 1996 RIVM Sector 5 -> MNP
- LUMOS consortium
- LGN+BBG -> Lumos landuse kaart
- LUMOS consortium
- 1998 paper Hilferink/Rietvled, 500m -> 100m
- MNP Ruimtescanner 100m
- MNP + (RPD -> RPB) -> PBL
Het model RuimteScanner wordt al ruim 25 jaar toegepast voor het simuleren en evalueren van veranderingen in ruimtegebruik. Recente toepassingen variëren van het in beeld brengen van toekomstscenario’s (Kuiper, Hamers, et al., 2023; Wolters et al., 2018), het extrapoleren van trendmatige ontwikkelingen (Koomen et al., 2018; Kuiper, Rijken, et al., 2023) tot het vooraf (ex ante) evalueren van specifieke beleidsmaatregelen (bijvoorbeeld in het waterbeheer in veenweidegebieden, zie: Claassens et al., 2020; Van den Born et al., 2016). Naast deze beleidsgerelateerde toepassingen wordt het model ook gebruikt in uiteenlopende wetenschappelijke studies die zich bijvoorbeeld richten op de reconstructie van ruimtegebruik in de Romeinse tijd (de Kleijn et al., 2018) of de mogelijke gevolgen van klimaatverandering voor toekomstige stedelijke hitte-eilanden (Koomen & Diogo, 2017) en agrarisch ruimtegebruik (Diogo et al., 2017). De ruimtelijke toewijzingsprincipes van het model worden ook toegepast in andere ruimtelijke allocatiemodellen. Recente voorbeelden zijn het wereldwijde 2UP model dat PBL ontwikkelde om toekomstige veranderingen in bevolkingsspreiding en stedelijk ruimtegebruik te simuleren (Koomen et al., 2023; van Huijstee et al., 2018) en het LUISA-platform dat het Joint Research Centre van de Europese Commissie gebruikt (Lavalle et al., 2020; Perpiñá Castillo et al., 2020).
De veelheid aan toepassingen geeft aan dat het model flexibel is in het soort toepassing (trendextrapolatie, scenario verkenning), de onderzochte thema’s en daaraan gerelateerde ruimtegebruikstypen die worden gesimuleerd, tijdshorizon en studiegebied. Deze flexibiliteit hangt samen met de relatieve eenvoud en de open structuur van het model. In basis kent het slechts twee typen input: een regionale vraag naar ruimte voor verschillende typen gebruik (‘sectoren’) en een lokaal (per gridcel) gedefinieerde geschiktheid voor elke sector (Figuur 1). De ruimtevraag bestaat vaak uit projecties van regionale ontwikkelingen binnen sectoren als wonen, werken, recreatie, landbouw en natuur, zo’n 30 jaar vooruit (maar kortere of langere tijdshorizonten zijn ook uitgewerkt). Deze projecties zijn meestal afkomstig uit regionale modellen maar kunnen ook worden gebaseerd op expert judgement of beleidsdoelen. De lokale geschiktheid wordt op basis van statistische analyse, expert judgement of combinaties daarvan bepaald. De geschiktheid kan op verschillende manieren worden gespecificeerd, van grondprijzen uitgedrukt in euro’s per vierkante meter tot abstracte ‘rapportcijfers’. Belangrijke elementen hierin zijn omgevingsrechtelijke restricties en locatiefactoren die aangeven wat aantrekkelijke locaties voor specifieke ruimtegebruikstypen zijn.
De kern van het model bestaat uit de toewijzing van de regionale ruimtevraag van de verschillende sectoren aan specifieke locaties, op basis van hun geschiktheid. De ruimtevraag van deze verschillende sectoren wordt, afhankelijk van instelbare voorkeuren, gelijktijdig (in onderlinge afweging) of achtereenvolgens (sector na sector) aan locaties toegewezen. In beide benaderingen ontstaat een geïntegreerd beeld van mogelijke of wenselijke ruimtelijke ontwikkelingen. Deze ruimtelijke toewijzing gebeurde oorspronkelijk eenmalig, voor één bepaald eindjaar (de tijdshorizon), maar tegenwoordig ook vaak per tijdstap. Op deze manier kunnen tussenresultaten als startpunt voor verdere ontwikkeling worden genomen, en ontstaat de mogelijkheid om afhankelijkheden in tijd en ruimte dynamisch mee te nemen en padafhankelijke ontwikkelingen te simuleren.
Figuur 1 Globale opzet van het oorspronkelijke model RuimteScanner (versie 1.0).
De toewijzing van ruimtegebruik werd in het oorspronkelijke model met een zogeheten ‘logit-benadering’ uitgevoerd (Hilferink & Rietveld, 1999). Deze benadering om keuzegedrag te beschrijven vindt zijn oorsprong in de discrete keuze theorie (Rietveld & Koomen, 2004) die ook veel in de vervoersmodelering gebruikt wordt (Zondag & Geurs, 2011). Waar vervoersmodellen zich richten op de keuze voor een route of vervoerswijze, modelleert de RuimteScanner welk type ruimtegebruik wordt gekozen op een specifieke locatie. In beide gevallen wordt een keuze gemaakt uit een beperkt aantal alternatieve aanwendingen van beschikbare opties, waarbij die alternatieven tegen elkaar worden afgewogen. Deze theoretische grondslag van het model maakt het mogelijk om toekomstige ontwikkelingen te simuleren op basis van waargenomen (veranderingen in) ruimtegebruik. Meer specifiek kan de lokale geschiktheid voor verschillende vormen van grondgebruik gebaseerd worden op statistische analyses van huidige ruimtegebruikspatronen of recente veranderingen daarin (middels logistische regeressieanalyse, zie bijvoorbeeld: Loonen & Koomen, 2009). Deze statistische benadering sluit direct aan op de ‘logit-benadering’ (ook wel probabilistische allocatie genoemd) waarmee het oorspronkelijke RuimteScanner model ruimtegebruik toewijst (zie voor meer uitleg: Koomen et al., 2015).
Sinds de eerste opzet (Hilferink & Rietveld, 1999; Schotten et al., 1997) is het model veelvuldig aangepast voor de toepassingen waarvoor het werd ingezet. Een belangrijke en vrij fundamentele aanpassing betrof de introductie van discrete opname van ruimtegebruik, waarin elke cel aan slechts één type gebruik werd toegewezen. Dit maakt de modelresultaten eenvoudiger te interpreteren, onder andere door de nieuwe mogelijkheid om gesimuleerde ruimtegebruikskaarten één op één te vergelijken met waargenomen grondgebruik in het basisjaar. Deze wijziging vergde een aangepaste allocatieprocedure voor het toewijzen van de ruimtevraag van ruimtegebruikstypen aan geschikte locaties, met een ruimtelijk optimalisatie algoritme dat de totale geschiktheid van het toegewezen ruimtegebruik maximaliseert (zie voor meer details: Koomen et al., 2011). Naar aanleiding van een internationale wetenschappelijke audit op het model (Timmermans et al., 2007) is vervolgens ingezet op de verbetering van de gedragsmatige oriëntatie van het model, via een sterkere link tussen de modellogica en de economische en beleidsmatige logica die ruimtegebruiksveranderingen in de praktijk sturen (Borsboom-van Beurden & Zondag, 2011). Hiermee kunnen de gesimuleerde patronen beter onderbouwd worden, kunnen diverse gedrags- en beleidskeuzen worden verkend, kunnen terugkoppeleffecten explicieter worden gemodelleerd en is het beter mogelijk specifieke effecten (bijvoorbeeld gekoppeld aan bevolkingsdichtheden of verplaatsingen van personen) te bepalen.
De eerste modelverbetering in dit kader betrof het inbrengen van een economische onderbouwing bij de bepaling van de geschiktheid van locaties voor verschillende typen ruimtegebruik (Koomen et al., 2015). Hiermee zijn bijvoorbeeld studies gedaan naar de introductie van nieuwe biomassa¬gewassen (Kuhlman et al., 2013) of andere veranderingen binnen de Nederlandse landbouw (Diogo et al., 2015; Diogo et al., 2017). In deze studies is de keuze voor ontwikkelingen van een locatie gebaseerd op een afweging van lokale kosten en baten. De economische onderbouwing geeft aanknopingspunten voor meer herkenbare, beter vergelijkbare en beter aan specifieke actoren toe te schrijven modelinvoer. Bijvoorbeeld door biedprijzen voor grond als startpunt te gebruiken voor lokale geschiktheid. Met deze monetaire onderbouwing kan ook de modeluitvoer gevoed worden (bijvoorbeeld als geschatte waarde van grond na ontwikkeling, of de verwachte waarde van agrarische productie). Ook ontstaan mogelijkheden om specifieke, financiële beleidsmaatregelen (belastingen, subsidies) in simulatie mee te nemen en zo te internaliseren in de uitkomsten (zoals gedaan is ten behoeve van de studie naar de toekomst van het veenweidegebed, zie: Van den Born et al., 2016). Deze economische logica is ook toegepast in de simulatie van stedelijke ontwikkelingen. Bijvoorbeeld om de financiële haalbaarheid van stedelijke transformatieprocessen en daarmee veranderingen in binnenstedelijk ruimtegebruik te beschrijven (Claassens et al., 2019; Rijken et al., 2017).
De meest recente modelverbetering betreft de uitsplitsing van de eendimensionale ‘ruimtegebruikslaag’ van het originele model naar drie lagen: actoren (bijvoorbeeld werknemers), objecten (woningen, bedrijfsgebouwen) en ruimtegebruik. Dit maakt het model meer realistisch en herkenbaar, en maakt het mogelijk om bijvoorbeeld binnenstedelijke transformaties te evalueren en simuleren, rekening houdend met opbrengsten en kosten door de gehele keten: van vastgoedopbrengsten en verwervingskosten (statistisch geschat op basis van hedonische prijsanalyses) tot bouwkosten, sloopkosten en grondproductiekosten (gebaseerd op kentallen van bijvoorbeeld bouw-kompas.nl). Hiertoe kan de allocatie worden uitgedrukt in termen van beslissingen van virtuele projectontwikkelaars, gebaseerd op afwegingen van de lokale kosten en baten van specifieke woonmilieus (ontwikkelpakketten genaamd in het model die onder meer type woningen en dichtheden beschrijven). Tenslotte is het model uitgebreid met een aantal ontwerpopties, voor meer exploratief gebruik. Deze rapportage beschrijft de nieuwe modelversie waarin de verschillende vernieuwingen zijn gecombineerd: RuimteScanner versie 2.0. Deze modelversie is in 2023 toegepast in de Planmonitor NOVI 2023 (Kuiper, Rijken, et al., 2023) en de Ruimtelijke Verkenning 2023 (Kuiper, Hamers, et al., 2023). Laatstgenoemde toepassing staat centraal in Hoofdstuk 3 van dit rapport, maar eerst beschrijven we de hoofdstructuur van het model in het volgende hoofdstuk.