KI in Stadt- & Regionalplanung

Stadt- und Regionalplanung beinhaltet die räumliche, historische sowie strukturelle Gesamtentwicklung einer Stadt oder Region. Sie ist gekennzeichnet durch permanente Veränderung und wachsende Anforderungen. Eine der größten Herausforderungen der nächsten Jahre im Bereich der Stadt- und Regionalplanung ist der Klimawandel, der von Kommunen sowohl eine Adaption, eine Anpassung an seine Folgen, als auch eine Mitigation, ein Entgegenwirken, erfordert. Dieser Planungsauftrag ist mit der sogenannten Klimaschutzklausel (§ 1a Abs. 5 BauGB) seit 2011 im deutschen Bauplanungsrecht verankert.

Die Entwicklungs- wie Entscheidungssystematik bei der Stadt- und Regionalentwicklung ist komplex und wird durch Daten abgebildet. Häufig geht es dabei um Optimierungsprobleme: Welchen Einfluss haben zusätzliche Wohnungen auf das umliegende Quartier? Reicht die vorhandene soziale Infrastruktur? Welche städtebaulichen Anforderungen muss ein neues Quartier erfüllen, um mit den klimatischen Rahmenbedingungen des Gebietes im Einklang zu stehen? Wie sollten Relief und Vegetation gestaltet werden, um bei Starkregenereignissen die Überschwemmungsgefahr zu minimieren?

Dazu kommen wachsende Anforderungen an Beteiligung und Transparenz und breiter Partizipation von Interessengruppen in Planungsprozessen. Ziel jeder Partizipation ist es, so viel wertvolles Feedback wie möglich von den Bürger:innen und anderen Stakeholdern zu bekommen, um dies bei der Planung zu berücksichtigen. Gleichzeitig prägen die Stadt- und Regionalplanung lange Entwicklungshorizonte. Die Folge: Nicht selten hat die Realität die Planung überholt. Diese Anforderungen und Rahmenbedingungen zeigen, dass gerade dieses kommunale Thema besonders für Methoden im Kontext von Künstlicher Intelligenz (KI) geeignet ist.

Dabei können KI-Methoden eine bessere Grundlage für Entscheidungen bieten und für mehr Transparenz sorgen. Durch die automatisierte Verarbeitung von Sprach- und Textdaten (Natural Language Processing (NLP)) kann Feedback der beteiligten Akteur:innen besser ausgewertet und in Entscheidungsprozesse einbezogen werden. Dabei ersetzt KI nicht politische Prozesse durch Technik und Daten, vielmehr werden Technik und Daten genutzt, um politische Ziele wirksamer zu erreichen.

Der Weg zur KI in der Stadt- und Regionalentwicklung

Der Zielbeschreibung von Stadt- und Regionalentwicklung kommt somit eine besondere Bedeutung zu. Eingebettet in den Kontext von Digitalisierung, Daten und KI stellt sich der Weg zur Einführung und Anwendung von KI bei der Stadt- und Regionalplanung wie folgt dar:

Die Potenziale, die mit der Nutzung von KI im Rahmen der Stadtplanung einhergehen, können Kommunen dazu befähigen, mit den genannten Herausforderungen umzugehen und Stadtentwicklung im Sinne ihrer politischen Zielsetzung ökologisch, sozial und ökonomisch zu betreiben.

Im Kern werden drei zentrale Wirkdimensionen angestrebt:

• Erhöhung von (gesellschaftlicher) Teilhabe

• Effizienzsteigerung und Ressourcenentlastung

• Ermöglichung evidenzbasierter Entscheidungen

Vor dem Hintergrund, dass die Relevanz von KI im Zuge der zunehmenden Digitalisierung aller Lebens-, Arbeits- und Wirtschaftsbereiche weiter zunimmt, sollte der praktische Nutzen in diesen drei Wirkdimensionen betrachtet werden.

Erhöhung von (gesellschaftlicher) Teilhabe

Unter dem Themenfeld der gesellschaftlichen Teilhabe werden viele Fragestellungen subsumiert, welche im Rahmen kommunalplanerischer Prozesse an der Schnittstelle zwischen Planungsträger und Bürger:innen auftreten. Hierzu gehören unter anderem Aspekte wie Transparenz, Beteiligung oder gleichberechtigte Inklusion. Da diese Aspekte aber auch zentrale Ziele einer sozialverträglichen Stadtentwicklungspolitik sind, sollte sich eine nachhaltige Stärkung der Teilhabe nicht nur auf den Planungsprozess konzentrieren, sondern vor allem auch auf die gesamtgesellschaftliche Teilhabe.

Auf beiden Ebenen kann KI umfangreiche Hilfestellung bieten. Im Rahmen formeller und informeller Beteiligungsprozesse, wie zum Beispiel bei der Aufstellung eines Bauleitplans, können mit Hilfe von Text Mining die Eingaben und Äußerungen der beteiligten Öffentlichkeit erfasst und strukturiert werden. KI ist in der Lage, eigenständig erste Auswertungen anzufertigen, weil sie selbstständig Themenschwerpunkte und offene Fragestellungen identifizieren kann. Auf diese Weise wird sichergestellt, dass alle gesellschaftlichen Akteure in Planungsprozesse einbezogen werden können.

Effizienzsteigerung und Ressourcenentlastung

Das Beispiel zur automatisierten Auswertung von öffentlichen Eingaben im Rahmen von stadtplanerischen Beteiligungsprozessen kann gleichermaßen auch als Beispiel zur Effizienzsteigerung und Ressourcenschonung herangezogen werden. Große Zeitaufwände fallen z.B. auf die Sichtung dieser Einwände an. KI kann hier schnell einen ersten Überblick verschaffen. Grundsätzlich gilt: Es können immer dann Ressourcen geschont werden, wenn Routine- oder Standardaufgaben anfallen. Im Rahmen der Überprüfung von Bauanträgen könnte KI aus technischer Sicht z.B. alle Schritte von einer teilautomatisierten Vorauswertung über die eigenständige Vollprüfung und Bescheidzustellung übernehmen. Freie Ressourcen könnten dann für Aufgaben genutzt werden, deren hohe Komplexität umfangreiche Abwägungen und Abstimmungen erfordert.

KI spielt aber nicht nur in klassischen Verwaltungsprozessen eine Rolle. Gerade in technischen Bereichen kann sie dazu beitragen, Ressourcen und Aufwände zu reduzieren. Mit Hilfe von Sensorik in Mülleimern können beispielsweise Müllstände oder Störungen erfasst werden. Durch eine darauf aufbauende gezielte Steuerung von Müllfahrzeugen kann neben Personalaufwänden vor allem auch der Verbrauch fossiler Brennstoffe verringert und die Umwelt geschont werden.

Ermöglichung evidenzbasierter Entscheidungen

Das Beispiel der intelligenten Müllentsorgung verdeutlicht: KI kann mit Hilfe von Daten Entscheidungen unterstützen, sei es bei der Versorgung, Stadtplanung oder bei den politischen Entscheidungsträger:innen. So können mögliche Handlungsoptionen aufgezeigt oder ganze Entwicklungsszenarien automatisch berechnet werden. Erste Lösungen dieser Art der digitalen und zum Teil auch KI-gestützten Entscheidungsunterstützung sind schon im Einsatz. So nutzen beispielsweise Tools der Straßenzustandserfassung Bilderkennungsmethoden der Künstlichen Intelligenz, um valide Informationen zum Straßenzustand zu liefern. Sie berechnen automatisiert Entwicklungsszenarien und geben Empfehlungen für Instandhaltungsmaßnahmen.

Somit liefern diese und vergleichbare Werkzeuge Grundlagen für evidenzbasierte Entscheidungen und Handlungsweisen. Das sogenannte Data Driven Government trifft Entscheidungen also nicht allein auf Basis individueller Kenntnisse, fachlichen Einschätzungen und Erfahrungswerten, sondern kann valide Informationen zur Entscheidungsfindung und zum gesellschaftlichen Willensbildungsprozess heranziehen.

Denkanstöße: Beispiele aus Hamburg zum Thema Bauleitplanung

Mit Hilfe von KI-Methoden lassen sich die Auswirkungen unterschiedlicher Planungsalternativen in Kommunen unterschiedlicher Größen simulieren, oder es lässt sich zeigen, wie sich planerische Maßnahmen auf die Stadt als Ganzes auswirken. Welchen Einfluss haben zusätzliche Wohnungen auf das umliegende Quartier? Reicht die vorhandene soziale Infrastruktur? Welches Mietniveau ist sozial verträglich? Sind die Ergebnisse im Hinblick auf die politischen Zielsetzungen optimal? Zur Beantwortung braucht es intelligente, softwarebasierte Planungsverfahren, deren Ergebnisse man vergleichen dann kann. Könnte man die Planung analog zu Spielen wie Go beispielsweise als parametrisiertes Optimierungsproblem formulieren und sie somit mit lernenden, sich selbst optimierenden Systemen unterstützen [3]?

Der größte Engpass sind maschinenlesbare Daten, die nur in Ausnahmefällen digital vorliegen. Dies lässt sich an den Bebauungs- und Flächennutzungsplänen, zentralen Instrumenten der Stadtplanung, veranschaulichen. Nach Expert:inneneinschätzungen gibt es in Deutschland etwa 500T geltende Bebauungspläne, in denen kleinräumig festgelegt wird, wie und mit welchen Zielen Flächen genutzt werden dürfen. Diese Pläne bestehen aus Texten (Verordnungen, Festsetzungen, Begründungen, etc.) und aus Geodaten (beispielsweise Planzeichnungen). Die Bebauungspläne liegen in kommunaler Verantwortung und werden, soweit digital einsehbar, meist im PDF-Format zur Verfügung gestellt. Da viele Pläne bereits vor Jahrzehnten aufgestellt wurden, gleichen die Planungsanlässe häufig einer Chronologie des Zeitgeistes. Viele dieser Zielsetzungen müssten aus planerischer Sicht aktualisiert werden. Das ist für nicht digital vorliegende Pläne ein immenser bis quasi unmöglicher Aufwand.

Digitalisierung und Standards: Bewährtes Wissen zugänglich und nutzbar machen

Um Bebauungspläne für KI-Anwendungen und Simulationen nutzen zu können, müssen sie als vollvektorielle Pläne nach dem Standard XPlanung vorliegen. Soweit bekannt, hat bisher hauptsächlich Hamburg mit der mittlerweile vollständigen Digitalisierung aller geltenden Planwerke nach XPlanung die Voraussetzungen dafür geschaffen, moderne Datenanalysen und KI-Methoden für die Planung zu nutzen. Dort wird weiterhin daran gearbeitet, den gesamten Prozess der Bauleitplanung zu digitalisieren.

In einem ersten Schritt soll durch die geschaffene Datenbasis der Planungs- und Genehmigungsprozess beschleunigt werden. Da alle Pläne gemeinsame Strukturmerkmale aufweisen, es viele sich häufig wiederholende Formulierungen gibt und jeder der knapp 3.000 geltenden Bebauungspläne im Grunde die Lösung eines spezifischen Problems repräsentiert, ist ein logischer Baustein zur Erreichung dieses Ziels der Aufbau einer fachlichen Wissensdatenbank aus den geltenden Bebauungsplänen. Diese kann dann bei der Aufstellung neuer Pläne genutzt und inhaltlich durchsucht werden – schließlich können in älteren Plänen beschriebene Lösungen häufig sinnvoll als Inspiration oder Vorlage für aktuelle Herausforderungen genutzt werden.

Die Erfahrung zeigt, dass die Durchsuchung von Plänen in der Praxis alles andere als trivial ist. Da ähnliche Sachverhalte wurden im Laufe der Zeit immer wieder anders formuliert wurden, hilft eine einfache Stichwortsuche nur bedingt: Sucht man mit herkömmlichen Methoden bspw. nach dem Stichwort “Sickerwasserschacht”, werden eben nur die Dokumente gefunden, die genau dieses Wort in dieser Schreibweise verwendet haben. Ein häufig synonym verwendetes, aber den meisten deutlich ungeläufigeres Wort hierfür ist jedoch “Rigole”. Hier kommt der große und rapide wachsende Forschungsbereich Natural Language Processing (NLP) als Teilbereich der KI ins Spiel.

NLP kombiniert Informatik, Mathematik und Linguistik und bezeichnet die Fähigkeit eines Computerprogramms, natürliche Sprache, wie sie gesprochen und geschrieben wird, zu verarbeiten, zu verstehen und zu generieren. Ein großer Forschungsbereich im NLP sind wiederum word embeddings wie word2vec, GloVe und BERT, die Begriffe im Kontext ihrer Verwendung betrachten und somit in der Lage sind, Synonyme selbstständig zu identifizieren. Mit diesen Methoden konnten bereits ausführliche Synonymlisten generiert werden, die Paare wie Sielleitung-Sieltrasse oder Heckenkirsche-Xylosteum zeigen und somit teils sogar als eine Art Übersetzungshilfe zwischen Stadtplanung und Alltagssprache fungieren.

Über die bereits erprobte Technik auf Basis der word embeddings hinaus ermöglichen es sog. transformative Sprachmodelle, die semantische Ähnlichkeit zweier Sätze auch dann mit hoher Wahrscheinlichkeit zu entdecken, wenn es keinerlei direkte Wortüberschneidungen gibt. Der Einsatz dieser KI-Methoden zur optimierten Nutzung der Wissensdatenbank erlaubt es den Planer:innen somit zukünftig, schnell erprobte Lösungsvorschläge zu aktuellen Fragestellungen aufzufinden.

Darüber hinaus werden in der Wissensdatenbank Mustertexte für Verordnungen oder Begründungen angeboten, sodass identische Formulierungen für gleiche Sachverhalte zu mehr Rechtssicherheit führen. Dies erspart den Planer:innen Zeit und Arbeit, die dadurch besser für inhaltliche und genuin planerische Aufgaben verwendet werden kann.

Bürger:innenbeteiligung: Der direkte Kanal zur planenden Smart City

Die bisher beschriebenen Beispiele für die Anwendung Künstlicher Intelligenz in der Planung klingen zwar recht abstrakt haben aber gemeinsam, dass sie sich unmittelbar auf das Leben der Bürger:innen in der Stadt auswirken. Hier setzt die Idee der formellen und informellen Öffentlichkeitsbeteiligung in der Planung an: Die Bürger:innen sollten mit ihren sozialen und kulturellen Interessen somit nicht nur eine untergeordnete Rolle spielen, sondern im Zentrum stehen und von Anfang neuer Planungsverfahren an im Sinne einer Co-Creation umfassend informiert und als lokale Expert:innen in den Planungsprozess mit einbezogen werden. Beteiligung wird häufig in Form von Vor-Ort-Veranstaltungen, Diskussionen und Workshops umgesetzt, die jedoch häufig nur eine begrenzte Zielgruppe erreichen und somit kaum alle Meinungen und möglichen Verbesserungsvorschläge einfangen können.

Um mehr Bürger:innen die Möglichkeit zu geben, sich jederzeit und von jedem Ort aus direkt in laufende Planungsverfahren einzubringen, wird in vielen Städten vermehrt zusätzlich auf die Digitale Partizipation gesetzt. So gibt es beispielsweise in Hamburg das digitale, integrierte Partizipationssystem DIPAS (https://www.hamburg.de/dipas/). 

Dieses System verbindet eine von überall bedienbare Online-Anwendung zur Einreichung von Textbeiträgen, die auf offenen urbanen Karten- und Fachdaten basiert, mit digitalen Touchtables und Workshopformaten für Vor-Ort-Veranstaltungen [4].

Ziel jedes Partizipationsverfahrens ist natürlich, so viel wertvolles Feedback wie möglich von den Bürger:innen und anderen Stakeholdern zu bekommen. Doch dies führt zu zwei ganz wesentlichen Herausforderungen: wie kann die Eingabe der Beiträge so einfach, zugänglich und effizient wie möglich gestaltet werden, dass wirklich jede:r sich beteiligen kann? Und wie kann weiterhin, wenn dann so viele Beiträge eingegangen sind, auf Seiten der Planer:innen gewährleistet werden, dass jeder einzelne Beitrag seinen berechtigten Platz in der Auswertung findet? Die manuelle Verarbeitung hunderter oder auch tausender komplexer Textbeiträge, die eine sehr systematische und sorgfältige Herangehensweise erfordert, bindet enorme finanzielle und personelle Kapazitäten.

Auch hier können die Möglichkeiten des oben eingeführten Natural Language Processing gewinnbringend eingesetzt werden: So wird hier bereits unter anderem erforscht, wie sich geschriebener Text automatisiert bestimmten Themenbereichen zuordnen lässt (Classification), wie sich erfassen lässt, ob ein Text einem Thema gegenüber eher positiv oder negativ eingestellt ist (Sentiment Analysis), und wie Text automatisiert zusammengefasst werden kann (Summarization).

In der digitalen Bürgerbeteiligung können diese Ansätze für beide Fragestellungen eingesetzt werden. Um den Bürger:innen die Erstellung eines strukturierten Beitrags in der Beteiligung zu vereinfachen, wird beispielsweise in Hamburg bereits ein im Rahmen des Forschungsprojektes Civitas Digitalis entwickelter Chatbot eingesetzt, der durch einen einfach formulierten Dialog führt und somit das bisher hierfür genutzte Formular ersetzen kann. Dieser Chatbot stieß in ersten Nutzerstudien auf sehr positive Resonanz – der natürlichsprachige Dialog als intuitive Kommunikationsmethode schlägt in der User Experience natürlich jedes Formular. 

Aktuell folgt der Chatbot noch einem vordefinierten Frageschema, zukünftige Entwicklungen könnten aber auch automatisierte Antworten auf Fragen zu Planungsverfahren und Ablauf der Beteiligung enthalten. Wie in jedem Bereich der Verwaltung würde ein Chatbot hier eine sowohl bedarfsgerechte, niedrigschwellige, bürgernahe und gleichzeitig barrierearme Möglichkeit der Kommunikation zwischen Stadt und Bürger ermöglichen; so betreiben beispielsweise Wien, Berlin und Hamburg (https://www.hamburg.de/fragdenmichel/) bereits seit längerer Zeit Chatbots als Anlaufstelle für Fragen aller Art, von Verwaltungsdienstleistungen über aktuelle Baustellen in der Stadt bis hin zu Öffnungszeiten öffentlicher Einrichtungen. Darüber hinaus könnte ein Chatbot im Bereich der digitalen Partizipation auch dabei helfen, die Qualität der Beiträge und der Diskussion allgemein zu erhöhen: so könnte er beispielsweise rückmelden, ob ein Beitrag noch zu kurz ist oder zu lang wird; vorschlagen, den Beitrag aufzuteilen, wenn erkannt wird, dass er zu viele verschiedene Themenbereiche berührt; ähnliche, bereits existierende Beiträge aufzeigen, sodass Ideen gemeinsam mit anderen Bürger:innen weiterentwickelt werden können.

Zusätzlich wird aktuell ein weiterer Ansatz entwickelt und evaluiert: hierbei sollen die für eine Verarbeitung eines Beitrags erforderlichen Informationen, wie eine Überschrift, eine thematische Kategorie, oder die Information, ob es sich eher um positives Feedback oder Kritik handelt, automatisiert direkt aus dem Beitragstext abgeleitet werden. So können bereits heute Überschriften, Zusammenfassungen und passende Schlagworte auf Basis von Word Embeddings generiert werden. 

In der Forschung wird hierbei unterschieden zwischen extraktiver Summarization, die vollständige Sätze oder Satzteile eines Textes als relevant identifiziert und in die Zusammenfassung übernimmt, und abstraktiver Summarization, die auf Basis neuronaler Netze versucht, ein semantisches Verständnis des Textes aufzubauen und daraus eine Zusammenfassung zu generieren. Erste Prototypen haben gezeigt, dass sich bereits mit sehr einfachen Mitteln, die in der Forschung seit Jahrzehnten bekannt sind, sehr vielversprechende Ergebnisse erzielen lassen. Gleichzeitig zeigen erste Versuche mit der automatischen Verschlagwortung von Beiträgen, dass auch diese die Erstellung für die Nutzer deutlich vereinfachen. Sowohl die Summarization als auch die Verschlagwortung können auch auf Seiten der Planer:innen für die Auswertung der Beiträge eingesetzt werden. So sind beispielsweise Szenarien denkbar und werden teilweise bereits entwickelt, in denen – noch bevor die sorgfältige manuelle Auswertung beginnt – automatisiert Berichte vorgeneriert werden, die die am häufigsten genannten und am kontroversesten diskutierten Argumente aufzählen, die vorherrschende Stimmung in den Beiträgen aufschlüsseln, die Beiträge nach Themen aufteilen und die am häufigsten genannten Orte auf einer Karte visualisieren.

[3] Lührs, Rehkop 2019: Künstliche Intelligenz in der Planung. PLANERIN, Heft 1, S. XYZs

[4] Lieven, C., Lüders, B., Kulus, D., & Thoneick, R. Enabling Digital Co-creation in Urban Planning and Development. In Human Centred Intelligent Systems (pp. 415-430). Springer, Singapore.