Table of Contents

Was ist Functional Modeling?

Funktionelle Modellierung ist eine Systemtechnik-Disziplin, die ein komplexes System in seine konstituierenden Funktionen, Prozesse und Abläufe aufgliedert. Im Kontext der Smart City-Infrastruktur bietet es eine abstrakte Darstellung, wie Systeme wie Transport, Energieversorgung, Wassermanagement und öffentliche Sicherheit funktionieren und interagieren. Der Ansatz stammt von strukturierten Analyse- und Entwurfsmethoden im Software-Engineering, hat sich aber als ebenso wertvoll für städtische Systeme erwiesen, in denen mehrere Subsysteme nahtlos zusammenarbeiten müssen. Durch die Entkopplung der Beschreibung von der Implementierung ermöglichen funktionale Modelle den Planern, zu überlegen, was ein System tun sollte, bevor sie sich an bestimmte Hardware oder Anbieter binden. Diese Methode ermöglicht die frühzeitige Erkennung von Redundanzen, Lücken und Konflikten, die später im Bereitstellungszyklus zu beheben wären.

Warum funktionale Modellierung für Smart Cities wichtig ist

Smart Cities sind nicht einfach Städte mit zusätzlichen Sensoren, sondern Ökosysteme, in denen Daten und physische Infrastruktur zusammenlaufen, um Lebensqualität, Wirtschaftlichkeit und ökologische Nachhaltigkeit zu verbessern. Funktionelle Modellierung ist das Rückgrat dieser Konvergenz. Sie hilft Planern, das gesamte System von Systemen zu visualisieren, zu identifizieren, wo Daten abteilungsübergreifend wiederverwendet werden können, und die Auswirkungen von Politikänderungen oder technologischen Upgrades zu simulieren.

Verbesserte Interoperabilität

Eine der größten Herausforderungen bei Smart City Projekten ist es, verschiedene Anbieter und Altsysteme miteinander zu kommunizieren. Ein Funktionsmodell definiert klare Schnittstellen und Informationsflüsse. Beispielsweise muss ein Verkehrsmanagementsystem Wetterdaten aus einem separaten Netzwerk verbrauchen. Das Modell zeigt genau, welche Daten benötigt werden, in welchem Format und mit welcher Frequenz, um später die Integrationsreibung zu reduzieren.

Evidenzbasierte Ressourcenzuweisung

Die Stadtbudgets sind begrenzt und Infrastrukturentscheidungen werden oft politisiert. Funktionelle Modellierung liefert quantitative Rechtfertigungen für Investitionen. Durch die Simulation von Nachfrage- und Angebotsdynamik in Echtzeit können Planer die Finanzierung von Komponenten priorisieren, die die höchste Rendite auf Effizienz oder Widerstandsfähigkeit versprechen. Zum Beispiel kann die Modellierung von Energieverbrauchsmustern in öffentlichen Gebäuden die besten Nachrüstkandidaten ermitteln und so Betriebskosten in Millionenhöhe einsparen.

Resilienz und Anpassung

Klimawandel und Bevölkerungswachstum erfordern eine flexible Infrastruktur. Funktionelle Modelle ermöglichen es Stadtbeamten, Szenarien zu erstellen, was wäre, wenn eine Hauptwasserleitung während einer Hitzewelle bricht? Wie verändern sich Verkehrsmuster während einer Evakuierung eines Großereignisses? Die Modelle zeigen Engpässe und Schwächen auf, bevor sie zu Katastrophen werden. Da die Modelle abstrakt sind, können sie aktualisiert werden, wenn neue Daten verfügbar werden, wodurch der Planungsprozess der Stadt anpassungsfähiger als statisch wird.

Primäre Arten von Funktionsmodellen, die in der Stadtplanung verwendet werden

Kein einzelnes Modell erfasst alles. Praktizierende wählen aus mehreren Modellierungsparadigmen, je nachdem, welchen Aspekt des Systems sie analysieren müssen.

Prozessmodelle

Prozessmodelle konzentrieren sich auf die Abfolge von Aktivitäten, die Inputs in Outputs umwandeln. In einem intelligenten Abfallsammelsystem kann der Prozess sensorisch erfasste Füllstände, Routenoptimierungsalgorithmen, Versandanweisungen und Sammelverifizierung umfassen. Mithilfe von Business Process Model and Notation (BPMN) oder Flussdiagrammen helfen diese Modelle, Verzögerungen, unnötige Übergaben und Automatisierungsmöglichkeiten zu identifizieren. Sie sind besonders wertvoll für Workflows, die Abteilungsgrenzen überschreiten, wie die Erteilung einer Baugenehmigung, die Planung, Brandschutz und öffentliche Arbeiten umfasst.

Datenflussmodelle

Datenflussmodelle bilden ab, wie sich Informationen durch das digitale Nervensystem der Stadt bewegen. Sie definieren Datenquellen (Sensoren, Datenbanken, APIs), Verarbeitungsknoten (Analyse-Engines, Dashboards) und Ziele (Entscheidungsträger, Aktoren). Ein gutes Datenflussmodell zeigt Datenschutzrisiken auf: Wenn personenbezogene Daten versehentlich durch einen unverschlüsselten Knoten geleitet werden, markiert das Modell die Lücke. Es hilft auch, die Datenqualität zu gewährleisten, indem es zeigt, wo doppelte oder veraltete Daten in das Ökosystem gelangen könnten. Das offene Standard-Datenflussdiagramm (DFD) wird üblicherweise für Smart-City-Bereitstellungen angepasst, oft um Sicherheitsschichten erweitert.

Physikalische Modelle

Geografische Informationssysteme (GIS) und digitale Zwillinge sind die dominierenden physikalischen Modelle. Sie repräsentieren greifbare Werte wie Brücken, Rohre, Strommasten und Bahngleise im räumlichen Detail. In Kombination mit funktionalen Modellen zeigen physische Modelle nicht nur, wo sich die Vermögenswerte befinden, sondern auch, wie sie sich unter Last verhalten. Zum Beispiel erfasst ein digitaler Zwilling eines Fernwärmenetzes sowohl das Rohrlayout als auch die thermodynamischen Eigenschaften des Wassers darin. Diese Modelle erfordern regelmäßige Updates von IoT-Sensoren, um genau zu bleiben, aber sie bieten eine leistungsstarke gemeinsame Darstellung, die Ingenieure, Planer und Bürger verwenden können, um Vorschläge zu untersuchen.

Hybrid- und Multi-Layer-Modelle

Die meisten Smart-City-Projekte profitieren von der Kombination von zwei oder mehr Modellierungsansätzen in einer mehrschichtigen Ansicht. Ein integriertes Modell könnte den Energiebedarf (Prozess), den Datenaustausch mit dem intelligenten Netz (Datenfluss) und seine Lage relativ zu einer Fernwärmeleitung (physisch) zeigen. Dieser mehrschichtige Ansatz ermöglicht eine Ursachenanalyse, die kein einzelnes Modell liefern könnte. Beispielsweise könnte ein plötzlicher Anstieg der Stromlast mit einem öffentlichen Ereignis in der Nähe (Datenfluss) und einer vorübergehenden Konfigurationsänderung der Steuerungslogik des Netzes (Prozess) korreliert werden.

Funktionale Modellierung in wichtigen Smart City-Domains

Jeder Bereich der städtischen Infrastruktur stellt einzigartige Anforderungen an die Modellierung.

Verkehr und Mobilität

Intelligente Verkehrsmanagementsysteme sind stark auf funktionale Modelle angewiesen, um adaptive Verkehrssignale, Echtzeit-Routing und Reaktion auf Vorfälle zu koordinieren. Prozessmodelle erfassen die Sequenz von der Fahrzeugerkennung bis zur Signalanpassung, während Datenflussmodelle zeigen, wie Verkehrsgeschwindigkeitsdaten von vernetzten Autos mit der Cloud-basierten Routenoptimierung interagieren. Führende Städte verwenden diese Modelle, um die Auswirkungen von dedizierten Busspuren oder Staupreisen zu simulieren, bevor sie kostspielige physische Änderungen vornehmen. Ein gut dokumentiertes Beispiel ist Barcelonas Mobilitätsplan für die Stadt, der funktionale Modellierung verwendet, um die durchschnittlichen Pendelzeiten um 11% zu reduzieren und die NO2-Emissionen innerhalb von drei Jahren um 15% zu senken.

Energiesysteme

Der Übergang zu dezentralen erneuerbaren Energiequellen macht die funktionale Modellierung für die Netzstabilität unverzichtbar. Modelle simulieren das Zusammenspiel zwischen Solarenergie, Batteriespeicherung, Demand Response und dem Hauptnetz. Datenflussmodelle gewährleisten, dass Echtzeit-Preissignale intelligente Haushaltszähler ohne Latenz erreichen. Prozessmodelle helfen Versorgungsunternehmen, das Verfahren für den Wechsel in den Inselmodus während eines Stromausfalls zu standardisieren. Kopenhagen, das bis 2025 CO2-neutral werden will, verwendet Funktionsmodelle, um sein Fernwärmenetz mit der zunehmenden Akzeptanz von Wärmepumpen und der Variabilität der Windenergie auszugleichen.

Die Modelle ermöglichen es der Stadt, überschüssigen Strom in Wärme umzuwandeln und ihn in isolierten Wassertanks zu speichern, bis er benötigt wird.

Wasserwirtschaft

Wasserversorgungsmanager verwenden funktionale Modelle, um den gesamten Zyklus zu überwachen und zu steuern: Versorgung, Behandlung, Verteilung, Verbrauch und Abwasserrecycling. Prozessmodelle definieren die Abfolge der Behandlungsschritte auf der Grundlage der erkannten Schadstoffkonzentrationen; Datenflussmodelle stellen sicher, dass die Sensorwerte von Verteilungsrohren mit historischen Bedarfsdatenbanken integriert werden. Eine besonders wichtige Anwendung ist die Leckageerkennung. Durch die Modellierung des erwarteten Drucks und des Flusses durch das Netzwerk können Algorithmen anomale Tropfen lokalisieren, die auf ein geplatztes Rohr hinweisen, oft bevor Oberflächenschäden auftreten. Singapurs PUB (National Water Agency) verwendet funktionale Modellierung innerhalb seiner Initiative Virtual Singapore, ein dynamischer 3D-Digitaler Zwilling, der Wasser-, Energie- und Abfalldaten für die Echtzeit-Ressourcenoptimierung integriert.

Kommunikationsnetze

5G- und Glasfasernetze sind das digitale Nervensystem einer Smart City. Funktionelle Modelle helfen Planern zu entscheiden, wo sie Mobilfunkmasten und kleine Zellen für maximale Abdeckung und Kapazität platzieren. Datenflussmodelle bilden das Routing der IoT-Telemetrie von Straßenlaternen, Parkuhren und Umweltsensoren zurück zu zentralen Analyseplattformen ab. Ohne diese Modelle können Netzwerk-Upgrades überprovisioniert und teuer oder unterprovisioniert sein und können die Nachfrage bei Spitzenereignissen nicht bewältigen. Da Gemeinden private 5G-Netze erkunden, wird die funktionale Modellierung eine Voraussetzung für die Einrichtung von Netzwerk-Slicing - indem Bandbreitenscheiben für kritische Dienste wie Notfallkommunikation verwendet werden, während der Verbraucherverkehr getrennt bleibt.

Aufbau eines funktionalen Modells: Praktische Schritte

Der Übergang vom Konzept zum funktionierenden Funktionsmodell erfordert einen strukturierten Ansatz. Die folgenden Schritte werden von Best Practices für das Systems Engineering und von realen Smart City-Implementierungen angepasst.

Schritt 1: Definieren Sie die Systemgrenze und die wichtigsten Stakeholder

Kein Modell deckt eine ganze Stadt ab. Der erste Schritt ist, klar zu definieren, was das Modell darstellen wird. Ist es eine einzige Schnittstelle? Ein Energienetz auf Bezirksebene? Ein stadtweites Notfallreaktionssystem?

Alle Beteiligten – Stadtplaner, Versorgungsunternehmen, Bürgervertreter, Technologieanbieter – dazu zu bringen, sich auf die Ziele und Erfolgskennzahlen zu einigen. Annahmen frühzeitig zu dokumentieren verhindert später Streitigkeiten.

Schritt 2: Inventarfunktionen und Schnittstellen

Liste aller Funktionen, die das System ausführen muss, von übergeordneten Zielen (z. B. „gerechten Wasserzugang sicherstellen“) bis hin zu Operationen auf niedriger Ebene (z. B. „Backuppumpe aktivieren, wenn der Druck unter den Schwellenwert fällt“). Notieren Sie für jede Funktion die Ein-, Aus-, Auslöser und erforderlichen Daten. Identifizieren Sie externe Systeme oder Akteure, die mit dem Modell interagieren, wie Zahlungsgateways, Wetterdienste oder benachbarte kommunale Systeme.

Schritt 3: Wählen Sie die richtige Modellierungsnotation

Wählen Sie eine Modellierungssprache, die der Komplexität des Projekts und der erwarteten Zielgruppe entspricht. Für prozessorientierte Teams funktionieren BPMN- oder UML-Aktivitätsdiagramme gut. Wenn Datenarchitektur das Hauptanliegen ist, sind ER-Diagramme oder DFDs geeignet. Für die Multi-Domain-Integration sollten Sie SysML oder ArchiMate in Betracht ziehen, die Verbindungen zwischen Prozessen, Daten und physischen Assets ermöglichen. Der Schlüssel ist, Ausdruckskraft und Einfachheit in Einklang zu bringen - zu detaillierte Modelle verwirren Entscheidungsträger, während zu abstrakte Modelle wenig umsetzbare Erkenntnisse liefern.

Schritt 4: Erstellen, Validieren und Simulieren

Beginnen Sie mit einem Basismodell, das aktuelle Operationen darstellt. Validieren Sie es durch Vergleich simulierter Outputs mit realen historischen Daten. Nach der Baseline ändern Sie das Modell, um vorgeschlagene Änderungen widerzuspiegeln – Hinzufügen eines neuen Sensors, Erhöhung der Busfrequenz oder Einführung eines Demand-Response-Programms. Führen Sie Simulationen durch, um Ergebnisse zu vergleichen. Verwenden Sie statistische Konfidenzintervalle, um Ergebnisse zu melden, nicht nur Punktschätzungen.

Schritt 5: Etablieren von Governance und Versionskontrolle

Funktionale Modelle entwickeln sich, wenn sich die Stadt verändert. Weisen Sie einen Modellverwalter zu, der für die Konsistenz bei allen Versionsupdates verantwortlich ist. Verwenden Sie Versionskontroll-Repositories (wie Git), um Änderungen zu verfolgen. Binden Sie Modellaktualisierungen der offiziellen Datenpipeline der Stadt, so dass das Funktionsmodell automatisch zur Überarbeitung markiert wird, wenn ein neuer Verkehrsschleifendetektor zum physischen Netzwerk hinzugefügt wird. Ohne Governance werden die Modelle schnell veraltet und verlieren an Glaubwürdigkeit.

Reale Welt: Einsatz von funktionaler Modellierung in Smart Cities

Mehrere wegweisende Städte haben die funktionale Modellierung als zentrale Planungspraxis institutionalisiert. Ihre Erfahrungen bieten wertvolle Lektionen für andere.

Singapur: Virtuelles Singapur und der Digitale Zwilling

Singapurs Virtual Singapore ist eine der ambitioniertesten Smart City Modeling Initiativen weltweit. Es integriert Echtzeit-Sensordaten, 3D-Geographische Modelle und funktionale Prozessmodelle von Energie-, Wasser-, Verkehrs- und Abfallsystemen in einer einzigen kollaborativen Plattform. Stadtplaner können die Auswirkungen neuer Gebäudehöhen auf den Windfluss testen, Evakuierungsrouten für große Menschenmengen simulieren und Abfallsammelrouten optimieren – alles in derselben digitalen Umgebung. Die funktionalen Modelle sind für Regierungsbehörden, Forschungsinstitute und private Unternehmen zugänglich, um ein gemeinsames Verständnis der Stadt als System zu fördern.

Barcelona: Integrierte Sensornetzwerke und Prozessmodellierung

Die Entwicklung der Smart City in Barcelona begann mit isolierten Sensorprojekten für intelligentes Parken, Abfall und Beleuchtung. Die Stadt nahm dann eine urbane Plattform an, die auf funktionaler Modellierung basiert, um diese Inseln zu verbinden. Prozessmodelle definieren die Abfolge der Aktionen, die durch Sensorereignisse ausgelöst werden: Ein Parksensor, der nacheinander eine Zahlungsaufforderung erkennt, eine Parkerzwingungswarnung, wenn unbezahlt, und eine Aktualisierung der Echtzeit-Parkverfügbarkeitsschilder. Datenflussmodelle stellen sicher, dass anonymisierte Daten von Parksensoren auch in die Verkehrsstauanalyse einfließen können, ohne die Privatsphäre zu verletzen. Die Ergebnisse: 30% Reduzierung des Parksuchverkehrs und eine gemessene Verbesserung der Logistiklieferzeiten.

Barcelonas Erfolg war eine Vorlage für das Smart Cities and Communities-Programm der Europäischen Union.

Herausforderungen bei der funktionalen Modellierung für Smart Cities

Trotz ihrer Vorteile steht die funktionale Modellierung in urbanen Großstädten vor anhaltenden Hürden, deren Anerkennung für einen erfolgreichen Einsatz entscheidend ist.

Komplexität der Datenintegration

Städte beherbergen Daten in Dutzenden von Legacy-Formaten und Systemen, von Tabellenkalkulationen in Beschaffungsabteilungen bis hin zu SCADA-Systemen in Wasseraufbereitungsanlagen. Der Aufbau eines einheitlichen Funktionsmodells erfordert die Reinigung, Abbildung und Abstimmung dieser heterogenen Daten. Der Aufwand kann so zeitaufwendig sein, dass einige Teams die Modellierung zugunsten einer Ad-hoc-Integration aufgeben. Zu den Lösungen gehören die Investition in gemeinsame Datenplattformen mit standardisierten APIs und die Übernahme der Smart-City-Standards von FIWARE, die eine Referenzarchitektur für den Datenaustausch zwischen funktionalen Komponenten bieten.

Modell-Skalierbarkeit und -Performance

Ein funktionales Modell, das für eine einzelne Kreuzung funktioniert, kann aufgrund kombinatorischer Explosionen möglicherweise keine Interaktionen über einen ganzen Bezirk simulieren. Die Echtzeitsimulation des gesamten Stadtverkehrsnetzes erfordert beispielsweise enorme Rechenkapazität und effiziente Modellierungsalgorithmen. Viele Städte greifen auf hierarchische Modellierung zurück: Ein High-Level-Modell erfasst den Gesamtfluss, während detaillierte Submodelle nur bei Bedarf (z. B. für einen bestimmten Vorfall) aufgerufen werden. Die Gewährleistung einer einheitlichen Hierarchie auf allen Ebenen ist eine erhebliche Herausforderung bei der Modellierung.

Modelle aktuell halten

Städtische Infrastruktur entwickelt sich kontinuierlich weiter – Straßen werden gepflastert, Sensoren werden ausgetauscht, Software wird modernisiert. Wenn das Funktionsmodell nicht im Gleichschritt aktualisiert wird, verliert es an Genauigkeit. Städten fehlt es oft an Personal oder Governance-Prozessen, um Modelle zu pflegen. Eine sich abzeichnende Best Practice ist es, das Funktionsmodell als „lebendes Dokument zu behandeln, das automatisch Feeds von Asset Management Systemen und Änderungsprotokollen erhält. Selbst bei der Automatisierung ist eine menschliche Überprüfung erforderlich, um zu validieren, dass Veränderungen in der physischen Welt korrekt reflektiert werden.

Balancieren von Details mit Verständlichkeit

Funktionelle Modelle für Ingenieure sind für Stadträte oder die Öffentlichkeit möglicherweise zu detailliert. Zu komplexe Modelle werden ignoriert; zu einfache irreführen. Die Lösung besteht darin, mehrere Ansichten desselben zugrunde liegenden Modells zu erstellen – eine einfache Zusammenfassung für Entscheidungsträger und eine vollständig kommentierte technische Ansicht für Betreiber. Dies erfordert Modellierungswerkzeuge, die die blickspezifische Filterung und Abstraktion unterstützen, eine Funktion, die in kommerziellen Plattformen noch immer ausgereift ist.

Zukunftstrends: KI, Echtzeitdaten und kontinuierliche Modellierung

Da Smart-City-Projekte ausgereift sind, wird die funktionale Modellierung durch neue Technologien verbessert, die aktuelle Mängel beheben und neue Fähigkeiten freisetzen sollen.

KI und Machine Learning Integration

Anstatt sich ausschließlich auf manuell definierte Regeln zu verlassen, können funktionale Modelle maschinelle Lernmodelle integrieren, die das normale Systemverhalten aus historischen Daten lernen. So könnte ein Prozessmodell für die vorausschauende Wartung von Fahrtreppen ein neuronales Netzwerk enthalten, das die Ausfallwahrscheinlichkeit basierend auf Vibrations- und Temperaturprotokollen prognostiziert. KI hilft auch dabei, die Erkennung von Funktionen zu automatisieren: Unüberwachtes Lernen kann Sensorströme analysieren und automatisch Prozessschritte vorschlagen, die der Mensch möglicherweise verpasst hat. Die Herausforderung besteht darin, dass KI-gesteuerte Modelle interpretierbar und überprüfbar bleiben, insbesondere wenn sie öffentliche Ausgaben oder Sicherheit beeinflussen.

Echtzeit-Datenassimilation

Künftige Funktionsmodelle werden im kontinuierlichen Simulationsmodus arbeiten und Echtzeit-Datenströme assimilieren, um Vorhersagen im laufenden Betrieb zu aktualisieren. Dies stellt einen „digitalen Zwilling dar, der den aktuellen Zustand der Stadt mit Sekunden-Latenz widerspiegelt. Echtzeit-Modelle ermöglichen eine adaptive Steuerung: Ein Energiemodell, das eine plötzliche Wolkendecke erkennt, kann beispielsweise Gebäude-HVAC-Zeitpläne proaktiv anpassen, bevor die Innentemperaturen driften. Die technischen Anforderungen – Datenpipelines mit niedriger Latenz, Hochleistungsrechnen und robuste Fehlertoleranz – sind steil, aber zunehmend mit Edge Computing machbar.

Edge Computing und Distributed Modeling

Zentralisierte Modellarchitekturen schaffen einen Single Point of Failure und Latenz. Zukünftige Systeme verteilen die funktionale Modellausführung auf Edge-Geräte: Ein lokaler Verkehrscontroller führt eine vereinfachte Version des Verkehrsflussmodells aus und sendet nur aggregierte Ergebnisse an die Cloud. Dies verbessert die Widerstandsfähigkeit und reduziert die Bandbreitenkosten. Darüber hinaus ermöglicht es die ] Datenschutz-Präservierung Modellierung, bei der sensible Daten niemals den lokalen Edge-Knoten verlassen, sondern durch sichere Aggregationsprotokolle zur stadtweiten Optimierung beitragen.

Standardisierung und offene Modelle

Um eine Herstellerbindung zu vermeiden und die Zusammenarbeit zwischen den Städten zu fördern, bewegt sich die Branche auf offene Standards für funktionale Modelle zu. Organisationen wie das Open Digital Twin Forum und die FIWARE Foundation entwickeln Referenzarchitekturen, die definieren, wie funktionale Komponenten beschrieben, entdeckt und verbunden werden sollen. In den kommenden Jahren können Städte gemeinsame Modellrepositorien abonnieren - ähnlich wie Open-Source-Softwarebibliotheken -, die vorvalidierte Funktionsmodule für gemeinsame Muster wie Smart Parking oder Demand-Response-Management bereitstellen.

Fazit: Funktionale Modellierung operativ machen

Funktionale Modellierung ist keine theoretische Übung, sondern ein praktisches Werkzeug für die Gestaltung, Bewertung und Verwaltung der komplexen soziotechnischen Systeme, die Smart Cities zugrunde liegen. Durch die Abstraktion von Implementierungsdetails und die Konzentration auf das, was ein System leisten muss, können Planer bessere Investitionsentscheidungen treffen, die Zusammenarbeit zwischen Regierungssilos verbessern und eine Infrastruktur aufbauen, die sowohl technischen Fehlern als auch sich ändernden sozialen Bedürfnissen standhält. Die Beispiele aus Singapur, Barcelona und Kopenhagen zeigen, dass funktionale Modelle, wenn sie in Governance-Prozesse eingebettet und durch kontinuierliche Datenintegration am Leben erhalten werden, zu messbaren Verbesserungen bei Effizienz, Gerechtigkeit und Nachhaltigkeit führen. Da KI, Edge Computing und offene Standards die Eintrittsbarrieren senken, wird die nächste Generation funktionaler Modelle nicht nur die Stadt beschreiben, sondern sich aktiv an ihre Rhythmen anpassen - von passiver Repräsentation zu aktiver Orchestrierung. Städte, die jetzt in den Aufbau von Modellierungsmöglichkeiten investieren, werden am besten positioniert sein, um die Unsicherheiten des 21.

Jahrhunderts zu bewältigen.