De verborgen student: Hoe een digitale kaart van het studentenleven onze steden kan veranderen
Elke ochtend rond 8u zie je ze massaal passeren: rijen studenten op de fiets richting campus. In studentensteden zoals Gent en Leuven maken studenten meer dan een kwart van de bevolking uit tijdens de week. Toch hebben steden nauwelijks zicht op waar deze jongvolwassenen wonen, hoe ze zich verplaatsen of welke impact ze hebben op verkeer en huisvesting. Hoe breng je de impact van tienduizenden mensen in kaart, zonder ook maar één specifiek kotadres te kennen? Dat is precies wat ik onderzocht.
Studenten nemen de stad over
In grote (studenten)steden hoor je het wel eens roepen: “De studenten zijn overal!” Dat is een direct gevolg van stijgende studentenaantallen. In slechts 8 jaar tijd is het aantal ingeschreven studenten gestegen van 267 duizend in 2015 tot 320 duizend in 2023. In Gent alleen al verblijven tienduizenden studenten op kot, en nog eens duizenden pendelen dagelijks. Dat voel je overal: van files en fietsstromen tijdens de spits tot stijgende kotprijzen en druk op de huizenmarkt. Misschien merkte je zelf al hoe druk treinen zijn op vrijdagnamiddag en zondagavond wanneer studenten zich van en naar hun kot verplaatsen.
Studentenkoten blijven een groot deel van het studentenleven. Studenten hoeven echter hun kotadres meestal niet te registreren, met als gevolg een blinde vlek voor beleidsmakers. De grotere studentenaantallen zorgen ook voor een grote vraag naar koten. Het lukt steden niet om aan deze vraag te voldoen, wat de kotprijzen en huizenprijzen dan weer de hoogte in duwt.
Hoe verzamelen we informatie over studenten zonder hun privacy te schenden? De oplossing? Twee verrassend eenvoudige stappen. Stap 1: inschatten waar studenten op kot zitten. Stap 2: studenten een virtueel leven geven om mobiliteitsstromen te simuleren.
Een kot is een kot, of toch niet?
Maar waar zitten studenten dan op kot? Studenten hebben wensen op vlak van locatie, prijs en kwaliteit van hun kot. Niet elk kot is hetzelfde. Het is de voorkeur op vlak van locatie die cruciaal is om een inschatting te maken. De gemiddelde student verkiest een locatie dicht bij een studentenbuurt en het stadscentrum, niet te ver van de campus en dicht genoeg bij het station om in het weekend terug huiswaarts te keren voor de was en die lekkere maaltijd van mama.
Elke locatie in de stad krijgt vervolgens een score. Deze score wordt berekend op basis van de afstand. Een hogere score krijgt een hoger aantal studenten toegewezen. We wijzen studenten toe zodanig dat de echte situatie zo goed mogelijk weerspiegeld wordt. Zo komen we tot een hittekaart van studentenkoten. En dat zonder de echte adressen nodig te hebben! Dit helpt steden beslissen waar en hoe ze nieuwe koten ontwikkelen.
Naar de les of thuis “studeren”?
Over het algemeen verkiezen studenten de fiets als vervoersmiddel. Het doel is om ondanks al deze extra fietsers het verkeer zo veilig en vlot mogelijk te laten verlopen. Hiervoor gebeuren gerichte investeringen op basis van het aantal passanten. Voor een stad blijkt het dus belangrijk om te weten hoe, naar waar en wanneer studenten zich verplaatsen.
Elke student wordt virtueel voorgesteld met eigen beslissingen en hun eigen lessenrooster. Ze maken zo bijvoorbeeld de beslissing of ze wel of niet naar de les zouden gaan. Deze virtuele student wordt dagelijks gevolgd en informatie wordt verzameld over de verschillende routes die hij/zij aflegt. Routes vertrekken meestal van thuis uit, voor veel studenten vanuit hun kot. Als we dit herhalen voor alle studenten in een stad, krijgen we een goed zicht op verplaatsingen. Dit bereiken we zonder studenten in detail te moeten ondervragen. Dat is maar goed ook want laten we eerlijk zijn, wie vult er nu wel graag een vragenlijst in?
Beleid vormgeven
Door deze tools aan te reiken aan steden en gemeenten, kunnen zij geïnformeerde beslissingen nemen. Dit omdat ze scenario’s kunnen evalueren zonder dat fysieke toepassing nodig is. Denk aan het creëren van fietspaden, het ontwikkelen van koten en zelfs het gericht aanpassen van openbaar vervoer. Hogeronderwijsinstellingen kunnen hun lessenroosters beter inplannen zodat minder studenten tegelijkertijd zich verplaatsen. Deze effecten zijn niet alleen voelbaar voor de studentenpopulatie, maar ook voor alle andere inwoners van de stad.
Het is belangrijk dat steden de tijd nemen om hun studenten in kaart te brengen. Zij beïnvloeden de stad en de andere inwoners op ontelbaar veel manieren. Hierbij kunnen wij steden ondersteunen door ze tools aan te bieden die efficiënt en nauwkeurig zijn. Studenten doen meer dan enkel naar de les gaan. Hun virtuele dagelijkse activiteiten moeten nog uitgebreid worden om de echte wereld beter voor te stellen. De resultaten in Gent toonden wel al aan hoe krachtig dit instrument is: voor het eerst kunnen steden studenten écht volgen in plaats van te gokken.
Bibliografie
[1] Timur Abbiasov et al. “The 15-minute city quantified using human mobility data”. In: Nature Human Behaviour 8.3 (2024), pp. 445–455.
[2] Mel Ainscow et al. Developing equitable education systems. Routledge, 2013.
[3] STAFFAN Algers et al. “Stockholm model system (sims): Application”. In: 7th World Conference of Transportation Research. Sydney Australia. 1995, pp. 16–21.
[4] Zaheer Allam et al. “The ‘15-Minute City’concept can shape a net-zero urban future”. In: Humanities and Social Sciences Communications 9.1 (2022), pp. 1–5.
[5] Syed Muhammad Asad et al. “Mobility prediction-based optimisation and encryption of passenger traffic-flows using machine learning”. In: Sensors 20.9 (2020), p. 2629.
[6] Hugo Barbosa et al. “Human mobility: Models and applications”. In: Physics Reports 734 (2018), pp. 1–74. url: https://www.sciencedirect.com/science/article/pii/S037015731830022X.
[7] Tom Bellemans et al. “Implementation Framework and Development Trajectory of FEATHERS Activity-Based Simulation Platform”. In: Transportation Research Record 2175.1 (2010), pp. 111–119. url: https://doi.org/10.3141/2175-13.
[8] Moshe E Ben-Akiva and Steven R Lerman. Discrete choice analysis: theory and application to travel demand. Vol. 9. MIT press, 1985.
[9] Sharminda Bera and K. V. Krishna Rao. Estimation of origin-destination matrix from traffic counts: the state of the art. 2011. url: http://hdl.handle.net/10077/6182.
[10] Leo Van den Berg and Antonio Paolo Russo. “The Student City. Strategic Planning for Student Communities in EU Cities”. eng. In: European Regional Science Association (ERSA), 2003. url: https://hdl.handle.net/10419/116215.
[11] Geoff Boeing. Modeling and Analyzing Urban Networks and Amenities with OSMnx. 2024. url: https://geoffboeing.com/publications/osmnx-paper/.
[12] Eric Bonabeau. “Agent-based modeling: Methods and techniques for simulating human systems”. In: Proceedings of the National Academy of Sciences 99.suppl 3 (2002), pp. 7280–7287. url: https://www.pnas.org/doi/abs/10.1073/pnas.082080899.
[13] Patrick Bonnel, Mariem Fekih, and Zbigniew Smoreda. “Origin-Destination estimation using mobile network probe data”. In: Transportation Research Procedia 32 (2018), pp. 69–81. url: https ://www.sciencedirect.com/science/article/pii/S2352146518301649.
[14] John Lawrence Bowman. “Activity based travel demand model system with daily activity schedules”. PhD thesis. Massachusetts Institute of Technology, 1995.
80
[15] C40 Cities. Why shifting to green and healthy transport modes delivers vast rewards for cities. 2024. url: https://www.c40knowledgehub.org/s/article/Why- shifting- to- green- and-healthy-transport-modes-delivers-vast-rewards-for-cities?language=en_US (visited on
04/28/2025).
[16] Francesco Calabrese et al. “Estimating Origin-Destination flows using opportunistically collected mobile phone location data from one million users in Boston Metropolitan Area”. In: (2011).
[17] Francesco Calabrese et al. “Understanding individual mobility patterns from urban sensing data: A mobile phone trace example”. In: Transportation Research Part C: Emerging Technologies 26 (2013), pp. 301–313. url: https://www.sciencedirect.com/science/article/pii/S0968090X12001192.
[18] Pamela Charbonneau, Laura C. Johnson, and Jean Andrey. “Characteristics of University Student Housing and Implications for Urban Development in Mid-sized Cities”. In: Canadian Journal of Urban Research 15.2 (2006), pp. 278–300. url: http://www.jstor.org/stable/26192464 (visited on 04/07/2025).
[19] Zesheng Cheng et al. “Integrating Household Travel Survey and Social Media Data to Improve the Quality of OD Matrix: A Comparative Case Study”. In: IEEE Transactions on Intelligent Transportation Systems 21.6 (2020), pp. 2628–2636.
[20] Andrew Crooks, Christian Castle, and Michael Batty. “Key challenges in agent-based modelling for geo-spatial simulation”. In: Computers, Environment and Urban Systems 32.6 (2008), pp. 417–430. url: https://www.sciencedirect.com/science/article/pii/S0198971508000628.
[21] Carles Ferrer-Ortiz et al. “Barcelona under the 15-Minute City Lens: Mapping the Accessibility and Proximity Potential Based on Pedestrian Travel Times”. In: Smart Cities 5.1 (2022), pp. 146–161. url: https://www.mdpi.com/2624-6511/5/1/10.
[22] Olle Folke and Johanna Rickne. “Sexual Harassment and Gender Inequality in the Labor Market*”. In: The Quarterly Journal of Economics 137.4 (May 2022), pp. 2163–2212. url: https://doi.org/10.1093/qje/qjac018.
[23] Federica Gaglione et al. “Urban accessibility in a 15-minute city: a measure in the city of Naples, Italy”. In: Transportation Research Procedia 60 (2022), pp. 378–385. url: https://www.sciencedirect.com/science/article/pii/S2352146521009509.
[24] St´ephane Galland et al. “Multi-agent simulation of individual mobility behavior in carpooling”. In: Transportation Research Part C: Emerging Technologies 45 (2014), pp. 83–98. url: https ://www.sciencedirect.com/science/article/pii/S0968090X14000035.
[25] Marta C Gonzalez, Cesar A Hidalgo, and Albert-Laszlo Barabasi. “Understanding individual human mobility patterns”. In: nature 453.7196 (2008), pp. 779–782.
[26] Rares Halbac-Cotoara-Zamfir et al. “Uncovering Demographic Trends and Recent Urban Expansion in Metropolitan Regions: A Paradigmatic Case Study”. In: Sustainability 12.9 (2020). url: https://www.mdpi.com/2071-1050/12/9/3937.
[27] Alison J Heppenstall et al. Agent-based models of geographical systems. Springer Science & Business Media, 2011.
[28] Alan R. Hevner et al. “Design Science in Information Systems Research”. In: MIS Quarterly 28.1 (2004), pp. 75–105. url: http://www.jstor.org/stable/25148625 (visited on 04/01/2025).
[29] Christian Hofer, Georg J¨ager, and Manfred F¨ullsack. “Generating realistic road usage information and origin-destination data for traffic simulations: augmenting agent-based models with network techniques”. In: International Conference on Complex Networks and their Applications. Springer. 2017, pp. 1223–1233.
[30] Kate Hosford, Jeneva Beairsto, and Meghan Winters. “Is the 15-minute city within reach? Evaluating walking and cycling accessibility to grocery stores in Vancouver”. en. In: Transportation Research Interdisciplinary Perspectives 14 (June 2022), p. 100602.
[31] Phil Hubbard. “Geographies of Studentification and Purpose-Built Student Accommodation: Leading Separate Lives?” en. In: Environment and Planning A: Economy and Space 41.8 (Aug. 2009), pp. 1903–1923.
[32] Md. Shahadat Iqbal et al. “Development of origin–destination matrices using mobile phone call data”. In: Transportation Research Part C: Emerging Technologies 40 (2014), pp. 63–74. url: https://www.sciencedirect.com/science/article/pii/S0968090X14000059.
[33] Evelien Vanderlinden Johan Desseyn and Sarah Huysmans. STUDENTENHUISVESTING IN DE GENTSE WOONSTAD meet- en monitoringsystemen: “Op welke adressen wonen studenten?”. 2021.
[34] Amir Reza Khavarian-Garmsir, Ayyoob Sharifi, and Ali Sadeghi. “The 15-minute city: Urban planning and design efforts toward creating sustainable neighborhoods”. In: Cities 132 (2023), p. 104101. url: https://www.sciencedirect.com/science/article/pii/S0264275122005406.
[35] Chloe Kinton et al. “New frontiers of studentification: The commodification of student housing as a driver of urban change”. In: The Geographical Journal 184.3 (2018), pp. 242–254. url: https://rgs-ibg.onlinelibrary.wiley.com/doi/abs/10.1111/geoj.12263.
[36] Kotwest. Koten in Kortrijk. 2025. url: https://www.kotwest.be/nl/koten/kortrijk (visited on 04/07/2025).
[37] Stanislav Kraft et al. “Travel diaries, GPS loggers and Smartphone applications in mapping the daily mobility patterns of students in an urban environment”. In: Moravian Geographical Reports 28.4 (2020), pp. 259–268.
[38] Kevin J Krizek. “Neighborhood services, trip purpose, and tour-based travel”. In: Transportation 30 (2003), pp. 387–410.
[39] Kwan Hui Lim et al. “Personalized tour recommendation based on user interests and points of interest visit durations”. In: Proceedings of the 24th International Conference on Artificial Intelligence. AAAI Press, 2015, pp. 1778–1784.
[40] T.M. Logan et al. “The x-minute city: Measuring the 10, 15, 20-minute city and an evaluation of its use for sustainable urban design”. en. In: Cities 131 (Dec. 2022), p. 103924.
[41] Massimiliano Luca et al. “A Survey on Deep Learning for Human Mobility”. In: ACM Comput. Surv. 55.1 (Nov. 2021). url: https://doi.org/10.1145/3485125.
[42] C.M. Macal and M.J. North. “Tutorial on agent-based modeling and simulation”. In: Proceedings of the Winter Simulation Conference, 2005. 2005, 14 pp.-.
[43] Gabriella Mazzulla. “An activity-based system of models for student mobility simulation”. In: European Transport Research Review 1 (2009), pp. 163–174.
[44] Michael G McNally. “The four-step model”. In: Handbook of transport modelling. Vol. 1. Emerald Group Publishing Limited, 2007, pp. 35–53.
[45] Eric J Miller, Matthew J Roorda, and Juan Antonio Carrasco. “A tour-based model of travel mode choice”. In: Transportation 32 (2005), pp. 399–422.
[46] Rolf Moeckel et al. “Agent-Based Simulation to Improve Policy Sensitivity of Trip-Based Models”. In: Journal of Advanced Transportation 2020.1 (2020), p. 1902162. url: https://onlinelibrary.wiley.com/doi/abs/10.1155/2020/1902162.
[47] Elisabeth Moores, Gurkiran K. Birdi, and Helen E. Higson and. “Determinants of university students’ attendance”. In: Educational Research 61.4 (2019), pp. 371–387. url: https://doi.org/10.1080/00131881.2019.1660587.
[48] Carlos Moreno et al. “Introducing the “15-Minute City”: Sustainability, Resilience and Place Identity in Future Post-Pandemic Cities”. In: Smart Cities 4.1 (2021), pp. 93–111. url: https://www.mdpi.com/2624-6511/4/1/6.
[49] Takashi Nakazawa. “Expanding the scope of studentification studies”. In: Geography Compass 11.1 (2017), e12300. url: https://compass.onlinelibrary.wiley.com/doi/abs/10.1111/gec3. 12300.
[50] Sean Nash and Raktim Mitra. “University students’ transportation patterns, and the role of neighbourhood types and attitudes”. In: Journal of Transport Geography 76 (2019), pp. 200–211. url: https://www.sciencedirect.com/science/article/pii/S0966692318304691.
[51] Tijs Neutens et al. “Equity of Urban Service Delivery: A Comparison of Different Accessibility Measures”. In: Environment and Planning A 42.7 (2010), pp. 1613–1635. url: https://doi.org/10.1068/a4230.
[52] Jinwoo Park and Daniel W. Goldberg. “A Review of Recent Spatial Accessibility Studies That Benefitted from Advanced Geospatial Information: Multimodal Transportation and Spatiotemporal Disaggregation”. In: ISPRS International Journal of Geo-Information 10.8 (2021). url: https://www.mdpi.com/2220-9964/10/8/532.
[53] Ram M. Pendyala et al. “Florida Activity Mobility Simulator: Overview and Preliminary Validation Results”. In: Transportation Research Record 1921.1 (2005), pp. 123–130. url: https://doi.org/10.1177/0361198105192100114.
[54] Curtale R et al. Outlook and demographic perspectives for EU’s rural regions. A modelling-based exercise. 2025.
[55] Bryan Raney and Kai Nagel. “An improved framework for large-scale multi-agent simulations of travel behaviour”. In: Towards Better Performing Transport Networks. Routledge, 2006, pp. 305–347.
[56] Soora Rasouli and Harry Timmermans. “Effects of travel time delay on multi-faceted activity scheduling under space-time constraints: A simulation study”. In: Travel Behaviour and Society 1.1 (2014), pp. 31–35. url: https : / / www . sciencedirect . com / science / article / pii /
S2214367X13000033.
[57] Injong Rhee et al. “On the Levy-Walk Nature of Human Mobility”. In: IEEE/ACM Transactions on Networking 19.3 (2011), pp. 630–643.
[58] Mojtaba Rostami Nasab and Yousef Shafahi. “Estimation of origin–destination matrices using link counts and partial path data”. In: Transportation 47.6 (2020), pp. 2923–2950.
[59] Joanna Sage, Darren Smith, and Phil Hubbard. “The Rapidity of Studentification and Population Change: There Goes the (Student)hood”. In: Population, Space and Place 18.5 (2012), pp. 597–613. url: https://onlinelibrary.wiley.com/doi/abs/10.1002/psp.690.
[60] Li Shen and Peter R. Stopher and. “Review of GPS Travel Survey and GPS Data-Processing Methods”. In: Transport Reviews 34.3 (2014), pp. 316–334. url: https://doi.org/10.1080/01441647.2014.903530.
[61] Filippo Simini et al. “A deep gravity model for mobility flows generation”. In: Nature communications 12.1 (2021), p. 6576.
[62] Darren P Smith. “‘Studentification ication’: the gentrification factory?” In: Gentrification in a global context. Routledge, 2004, pp. 73–90.
[63] Stad Gent. Gentse kotstudenten: resultaten van de bevraging studentenhuisvesting bij 7500 studenten in 2024. Nov. 2024. url: https : / / stad . gent / sites / default / files / media / documents / 20250121_rapport%20bevraging%20studentenhuisvesting_2024.pdf.
[64] Stad Gent. How to get to Ghent? 2025. url: https://stad.gent/en/international-students/living/transport-travel/how… (visited on 03/18/2025).
[65] Stad Gent. List of Large Student Housing in Gent. 2025.
[66] Stad Gent. Omgevingsanalyse. 2018. url: https://stad.gent/sites/default/files/page/documents/Omgevingsanalyse20….
[67] Stad Gent. Tendensen. https : / / hoeveelin . stad . gent / tendensen/. 2024. url: https : / /hoeveelin.stad.gent/tendensen/ (visited on 04/28/2025).
[68] Luca Staricco. “15-, 10- or 5-minute city? A focus on accessibility to services in Turin, Italy”. en. In: Journal of Urban Mobility 2 (Dec. 2022), p. 100030.
[69] Peter R. Stopher and Stephen P. Greaves. “Household travel surveys: Where are we going?” In: Transportation Research Part A: Policy and Practice 41.5 (2007), pp. 367–381. url: https://www.sciencedirect.com/science/article/pii/S0965856406001182.
[70] Sustainable Urban Mobility in the EU: No substantial improvement is possible without Member States’ commitment. Special Report 06/2020. European Court of Auditors, 2020. url: https ://op.europa.eu/webpub/eca/special-reports/urban-mobility-6-2020/en/.
[71] Jo˜ao Filipe Teixeira et al. “Classifying 15-minute Cities: A review of worldwide practices”. In: Transportation Research Part A: Policy and Practice 189 (2024), p. 104234. url: https://www.
sciencedirect.com/science/article/pii/S0965856424002829.
[72] Judith Thomsen and Terje Andreas Eikemo. “Aspects of student housing satisfaction: a quantitative study”. In: Journal of Housing and the Built Environment 25 (2010), pp. 273–293.
[73] Rafael Tornero, Javier Mart´ınez, and Joaqu´ın Castell´o. “A multi-agent system for obtaining dynamic origin/destination matrices on intelligent road networks”. In: Proceedings of the 6th Euro American Conference on Telematics and Information Systems. Association for Computing Machinery, 2012, pp. 157–164. url: https://doi.org/10.1145/2261605.2261629.
[74] Kenneth E Train. Discrete choice methods with simulation. Cambridge university press, 2009.
[75] United Nations. The 17 Sustainable Development Goals. https://sdgs.un.org/goals. 2015. url: https://sdgs.un.org/goals (visited on 04/28/2025).
[76] Universiteit Gent. Over de Universiteit Gent. 2025. url: https://www.ugent.be/nl/univgent (visited on 03/18/2025).
[77] Ann Verhetsel et al. “Housing preferences among students: collective housing versus individual accommodations? A stated preference study in Antwerp (Belgium)”. In: Journal of Housing and the Built Environment 32 (2017), pp. 449–470.
[78] Kay W Axhausen, Andreas Horni, and Kai Nagel. The multi-agent transport simulation MATSim. Ubiquity Press, 2016.
[79] Siying Wang et al. “Incorporation of intra-city human mobility into urban growth simulation: A
case study in Beijing”. In: Journal of Geographical Sciences 32.5 (2022), pp. 892–912.
[80] Elias Willberg, Christoph Fink, and Tuuli Toivonen. “The 15-minute city for all? – Measuring individual and temporal variations in walking accessibility”. In: Journal of Transport Geography 106 (2023), p. 103521. url: https : / / www . sciencedirect . com / science / article / pii / S0966692322002447.
[81] Peng Xie et al. “Urban flow prediction from spatiotemporal data using machine learning: A survey”. In: Information Fusion 59 (2020), pp. 1–12. url: https://www.sciencedirect.com/science/article/pii/S1566253519303094.
[82] Hai Yang and Jing Zhou. “Optimal traffic counting locations for origin–destination matrix estimation”. In: Transportation Research Part B: Methodological 32.2 (1998), pp. 109–126. url: https://www.sciencedirect.com/science/article/pii/S0191261597000167.
[83] Xinyuan Zhang and Nan Li. “An activity space-based gravity model for intracity human mobility flows”. In: Sustainable Cities and Society 101 (2024), p. 105073. url: https : / / www .sciencedirect.com/science/article/pii/S2210670723006832.
[84] Jiangping Zhou. “From better understandings to proactive actions: Housing location and commuting mode choices among university students”. en. In: Transport Policy 33 (May 2014), pp. 166–175.
