Waarom ‘one-size-fits-all’ beleid de mobiliteit vast laat lopen
De verborgen kosten van one-size-fits-all beleid in mobiliteit.
Stel je eens voor: een overheid die iedereen dezelfde schoenmaat voorschrijft. Klinkt absurd, toch? Toch gebeurt precies dát vaak met beleid rond mobiliteit. Eén aanpak voor iedereen lijkt simpel, maar werkt in de praktijk vaak averechts. Benieuwd waarom? Lees dan vooral verder.
Waarom vind ik dit een interessante reis worden
Als mobiliteits-nerd lees ik veel over hoe overheden platforms voor deelmobiliteit en taxi-apps reguleren. Laatst stuitte ik op een wetenschappelijk artikel over hoe standaardbeleid in de taxi- en ride-sourcing wereld juist leidt tot minder sociale welvaart. Dit zette mij aan het denken. Hoe kan beleid dat iedereen gelijk behandelt zulke negatieve effecten hebben? Juist in mobiliteit is diversiteit groot: gebruikers verschillen sterk in wensen, gedrag en behoeften. Daarom schrijf ik dit artikel: om jou uit te dagen na te denken over waarom ‘one-size-fits-all’ in mobiliteit niet past, en hoe dit anders kan.
Waar gaan anderen heen met dit thema
Recent onderzoek bevestigt dat uniform beleid bij mobiliteitsplatforms vaak verkeerd uitpakt. Bijvoorbeeld in het geval van taxi-apps zoals Uber en Lyft. Een studie uit 20251 toont aan dat standaard beleidsmaatregelen, zoals vaste aantallen voertuigen en uniforme belastingen, zorgen voor lange wachttijden, lagere gebruikerstevredenheid en uiteindelijk minder ritten. Het onderzoek benadrukt dat overheden de kostenstructuur van platforms onvoldoende kennen, waardoor ze verkeerde besluiten nemen. Platforms krijgen zo prikkels om hun kosten te verbergen, wat leidt tot inefficiënte regulering en verlies van sociale welvaart.
Internationaal bevestigen studies dit beeld. In Singapore en Finland, voorlopers in Mobility as a Service (MaaS), laten overheden platforms vrijer om flexibel te reageren op lokale vraag. Dit leidt tot minder congestie, betere dienstverlening en hogere tevredenheid.23
Kortom maatwerk in mobiliteitsbeleid is effectiever dan uniforme regels. Door slim gebruik te maken van lokale data en technologie kunnen overheden beleid ontwikkelen dat beter aansluit bij de echte behoeften van gebruikers.
En nu? Hoe gaat dit verder?
Het inzicht dat one-size-fits-all beleid niet werkt, opent veel nieuwe wegen voor innovatie in mobiliteit. Dit betekent kansen voor verdere digitale transformatie en inzet van Mobility as a Service (MaaS). Denk bijvoorbeeld aan geavanceerde platformen die real-time informatie verzamelen en delen, waardoor steden sneller kunnen inspelen op lokale behoeftes.
Ook financiering en governance veranderen door dit besef. Overheden kunnen bijvoorbeeld subsidies koppelen aan data-gedreven prestaties. Als jouw stad minder congestie wil, waarom dan geen slimme contracten met aanbieders afsluiten die op basis van data prestaties belonen?
Daarnaast wint design thinking terrein: eerst luisteren naar gebruikers, daarna pas beleid maken. Zo voorkom je situaties waarin goede bedoelingen toch leiden tot ongewenste uitkomsten.
Ten slotte spelen inclusie en de customer journey een steeds grotere rol. Want juist mobiliteit op maat zorgt ervoor dat ook kwetsbare doelgroepen beter meekomen. De volgende stap is dus duidelijk: weg van standaardoplossingen, en op naar écht passende mobiliteit. Welke weg kies jij?
Wat heeft bijgedragen bij deze reis. De bronnen.
Guo, J., Ma, S., & Ling, S. (2025). Regulating the ride-sourcing platform under asymmetric information: A mechanism design approach. Transport Policy. Advance online publication. https://doi.org/10.1016/j.tranpol.2025.05.033
Vazifeh, M. M., et al. (2018). Mobility as a Service: Challenges and Opportunities. Transportation Research Part C: Emerging Technologies, 94, 194–211.
Ke, J., Yang, H., & Li, X. (2021). Regulatory strategies for ride-hailing platforms considering congestion and emissions. Transportation Research Part C: Emerging Technologies, 124, 102940. https://doi.org/10.1016/j.trc.2021.102940
Baron, D. P., & Myerson, R. B. (1982). Regulating a monopolist with unknown costs. Econometrica, 50(4), 911–930. https://doi.org/10.2307/1912769
Sun, Y., Zhang, Y., & Liu, Z. (2020). Optimal regulation of urban transit with asymmetric cost information. Transportation Research Part E: Logistics and Transportation Review, 141, 102005. https://doi.org/10.1016/j.tre.2020.102005
Li, Z., Hong, Y., & Zhang, Z. (2021). Regulating ride-sourcing services: Policy effectiveness and challenges. Transport Reviews, 41(5), 645–670. https://doi.org/10.1080/01441647.2021.1904102
Ling, S., Ma, S., & Zhang, Y. (2019). Incentive-compatible subsidy schemes in public transportation systems. Transportation Research Part B: Methodological, 126, 136–156. https://doi.org/10.1016/j.trb.2019.06.005
Dit artikel is mede mogelijk gemaakt door mijn virtuele assistent, ChatGPT (versie GPT-4.5). Gelukkig hoef ik niet zijn informatie-asymmetrie te reguleren!