A CIDADE EM TEMPO REAL?

GRANDES DADOS E URBANISMO INTELIGENTE

Abstrato

'Cidades inteligentes' é um termo que ganhou força na academia, nos negócios e no

governo para descrever cidades que, por um lado, são cada vez mais compostas e monitoradas
por computação difundida e onipresente e, por outro, cuja economia e governança estão
sendo impulsionado pela inovação, criatividade e empreendedorismo, representado por
pessoas inteligentes. Este artigo se concentra no primeiro e, com base em vários exemplos,
detalha como as cidades estão sendo instrumentadas com dispositivos e infraestrutura digitais
que produzem 'big data'. Esses dados, argumentam os defensores das cidades inteligentes,
permitem a análise em tempo real da vida urbana, novos modos de governança urbana e
fornecem a matéria-prima para prever e promulgar cidades mais eficientes, sustentáveis,
competitivas, produtivas, abertas e transparentes. A seção final do artigo fornece uma reflexão
crítica sobre as implicações do big data e do urbanismo inteligente, examinando cinco
preocupações emergentes: a política do big data, governança tecnocrática e desenvolvimento
da cidade, corporativização da governança da cidade e bloqueios tecnológicos, buggy, cidades
quebradiças e hackeadas, e a cidade panóptica.

Palavras-chave Big data Cidades inteligentes Urbanismo Análise em tempo real Análise
de dados Computação ubíqua Governança

Introdução

Nas últimas duas décadas, analistas e teóricos urbanos traçaram a evolução das
cidades durante uma época em que as tecnologias da informação e comunicação (TICs)
exercem uma influência crescente e generalizada na natureza, estrutura e promulgação da
infraestrutura urbana, gestão, economia atividade e vida cotidiana. As cidades que adotaram
as TIC como estratégia de desenvolvimento, sendo pioneiras na incorporação de infra-
estrutura e sistemas digitais em seu tecido urbano e utilizando-as para efeito empreendedor e
regulatório, foram rotuladas de várias formas como 'cidades com fio' (Dutton et al. 1987),
'cyber cidades '(Graham e Marvin 1999),' cidades digitais '(Ishida e Isbister 2000),' cidades
inteligentes '(Komninos 2002),' cidades inteligentes '(Hollands 2008) ou' cidades sencientes
'(Shepard 2011). Embora cada um desses termos seja usado de uma maneira particular para
conceituar a relação entre as TIC e o urbanismo contemporâneo, eles compartilham um foco
nos efeitos das TIC na forma urbana, processos e modos de vida, e, nos últimos anos, foram
amplamente incluídos no rotule 'cidades inteligentes', um termo que ganhou força nos
negócios e no governo, além da academia.

O termo "cidade inteligente" foi definido de várias formas na literatura, mas pode ser
amplamente dividido em dois entendimentos distintos, mas relacionados, sobre o que torna
uma cidade "inteligente". Por um lado, a noção de uma 'cidade inteligente' refere-se à
crescente extensão em que os locais urbanos são compostos de 'tudo' (Greenfield 2006); isto
é, computação difundida e onipresente e dispositivos instrumentados digitalmente
incorporados à própria estrutura dos ambientes urbanos (por exemplo, redes de
telecomunicações fixas e sem fio, serviços públicos controlados digitalmente e infraestrutura
de transporte, redes de sensores e câmeras, sistemas de gerenciamento predial etc.) que são
usados para monitorar, gerenciar e regular os fluxos e processos das cidades, geralmente em
tempo real, e a computação móvel (por exemplo, telefones inteligentes) usada por muitos
cidadãos urbanos para interagir e navegar na cidade, que produzem dados sobre seus usuários
(como localização e atividade). Argumenta-se que conectar, integrar e analisar as informações
produzidas por essas várias formas de everyware fornece uma compreensão mais coesa e
inteligente da cidade, que aprimora a eficiência e a sustentabilidade (Hancke et al. 2013,
Townsend 2013) e fornece costuras ricas de dados que podem ser usados para melhor
descrever, modelar e prever processos urbanos e simular os prováveis resultados do futuro
desenvolvimento urbano (Schaffers et al. 2011; Batty et al. 2012). Todo o software trabalha
para tornar uma cidade conhecível e controlável de maneiras novas, mais refinadas, dinâmicas
e interconectadas que '' melhoram o desempenho e a prestação de serviços públicos, ao
mesmo tempo em que oferecem suporte ao acesso e à participação '' (Allwinkle e Cruickshank
2011: 2 ) Ele também fornece a infraestrutura de apoio à atividade e ao crescimento dos
negócios e estimula novas formas de empreendedorismo, especialmente no que diz respeito à
economia de serviços e conhecimento.

Por outro lado, a noção de 'cidade inteligente' se refere mais amplamente ao

desenvolvimento de uma economia do conhecimento dentro de uma cidade-região (Kourtit et
al. 2012). Nessa perspectiva, uma cidade inteligente é aquela cuja economia e governança
estão sendo impulsionadas pela inovação, criatividade e empreendedorismo, representadas
por pessoas inteligentes. Aqui, as TIC são consideradas de importância central como a
plataforma para mobilizar e concretizar idéias e inovações, especialmente no que diz respeito
aos serviços profissionais. Por si só, no entanto, a incorporação de TIC na infraestrutura urbana
não é vista como uma cidade inteligente (Hollands 2008). Em outras palavras, é como as TIC,
em conjunto com o capital humano e social e a política econômica mais ampla, são usadas
para alavancar o crescimento e gerenciar o desenvolvimento urbano que torna uma cidade
inteligente (Caragliu et al. 2009). Enquanto a primeira visão de uma cidade inteligente se
concentra nas TIC e seu uso na gestão e regulação da cidade de uma perspectiva amplamente
tecnocrática e tecnológica, a segunda abrange políticas relacionadas ao capital humano,
educação, desenvolvimento econômico e governança e como elas podem ser aprimoradas.
TIC. Nesse cenário, as infraestruturas em rede estão possibilitando tecnologias, a plataforma
subjacente à inovação e criatividade, que facilita o desenvolvimento social, ambiental,
econômico e cultural (Allwinkle e Cruickshank 2011).

O que une essas duas visões de uma cidade inteligente é um ethos neoliberal
subjacente que prioriza soluções tecnológicas e lideradas pelo mercado para governança e
desenvolvimento da cidade, e talvez não seja surpresa que alguns dos mais fortes defensores
do desenvolvimento de cidades inteligentes sejam grandes empresas (por exemplo, IBM,
CISCO, Microsoft, Intel, Siemens, Oracle, SAP) que, por um lado, pressionam pela adoção de
suas novas tecnologias e serviços pelas cidades e estados e, por outro, buscam
desregulamentação, privatização e mais abertura economias que permitem uma acumulação
de capital mais eficiente. Para autoridades municipais, governos nacionais e estados
supranacionais como a União Europeia, as cidades inteligentes oferecem o potencial atraente
de progresso socioeconômico - cidades mais habitáveis, seguras, funcionais, competitivas e
sustentáveis, e a renovação de centros urbanos como polos de inovação e inovação. trabalho
(Kourtit et al. 2012; Townsend 2013). Hollands (2008) identifica assim cinco características
principais de uma cidade inteligente, como evidenciado pela literatura da indústria e do
governo: incorporação generalizada de TIC ao tecido urbano; desenvolvimento urbano
liderado por empresas e uma abordagem neoliberal à governança; um foco nas dimensões
sociais e humanas da cidade de uma perspectiva criativa da cidade (também na Flórida, 2004);
a adoção de uma agenda mais inteligente das comunidades com programas voltados para
aprendizagem social, educação e capital social; e um foco na sustentabilidade social e
ambiental. Hollands (2008) sugere que essas cinco características levam a uma tensão
inevitável dentro das cidades inteligentes entre: atendimento ao capital móvel global e
cidadãos comuns estacionários; atrair e reter uma classe criativa de elite e servir outras
classes; e desenvolvimento de cima para baixo, corporatizado, centralizado e abordagens de
baixo para cima, de base, descentralizadas e difusas.

Outra junção vital entre essas duas visões de uma cidade inteligente é a priorização da
captura e análise de dados como um meio de sustentar o desenvolvimento de políticas
informadas por evidências, adotando novos modos de governança tecnocrática, capacitando
os cidadãos por meio de informações abertas e transparentes e estimulando a inovação e o
crescimento econômico. Os dados são, portanto, vistos como material constituinte essencial
para a realização de uma visão de cidade inteligente. Esses dados são vistos como fornecendo
medidas objetivas e neutras, livres de ideologia política em relação ao que está ocorrendo em
uma cidade, com o peso dos dados que falam uma verdade inerente sobre as relações sociais e
econômicas e, portanto, fornecem evidências empíricas robustas para políticas e práticas
( MayerSchonberger e Cukier 2013). E, no entanto, até o momento, houve pouco foco crítico
nas novas formas de dados que estão sendo produzidas (ou não produzidas), como elas estão
sendo mobilizadas por empresas, governo e cidadãos e nas implicações da análise de dados
em tempo real.

Neste artigo, são examinadas a explosão de dados ocorrida na última década, o papel
das cidades como locais-chave na produção de tais dados e como esses dados estão sendo
usados para repensar e regular a vida urbana. Em particular, a análise concentra-se nos novos
fenômenos do 'big data' e na geração de conjuntos de dados enormes, variados, dinâmicos e
interconectados que mantêm a promessa do que alguns vêem como uma cidade
verdadeiramente inteligente - que pode ser conhecida e gerenciada em em tempo real e é
sensível até certo ponto (Batty et al. 2012; Townsend 2013). Eu detalho uma série de projetos
que visam produzir uma visão geral e análise em tempo real da cidade, além de fornecer uma
reflexão crítica sobre big data e urbanismo inteligente.

Big data e cidades

Há muito tempo produzem conjuntos de dados muito grandes, como censos nacionais,
registros governamentais e pesquisas geomáticas, que fornecem informações sobre as cidades
e seus cidadãos. Da mesma forma, as empresas coletaram quantidades significativas de dados
sobre suas operações, mercados e clientes. No entanto, esses conjuntos de dados geralmente
dependem de amostras, são gerados de forma não contínua, o número de variáveis é muito
pequeno, são agregados a uma escala espacial relativamente grossa e geralmente têm acesso
limitado. Como resultado, esses grandes conjuntos de dados foram complementados pelo que
pode ser chamado de estudos de "dados pequenos" - pesquisas de questionário, estudos de
caso, auditorias de cidades, entrevistas e grupos focais e etnografias - que capturam uma
amostra relativamente limitada de dados que são fortemente focados , tempo e espaço
específicos, com escopo e escala restritos e relativamente caro para gerar e analisar, para
fornecer profundidade e insight adicionais em relação a fenômenos específicos. Muito do que
sabemos sobre cidades até o momento foi recolhido a partir de estudos que são
caracterizados pela escassez de dados (Miller 2010).

A moda e a esperança no big data são uma transformação no conhecimento e na

governança das cidades, através da criação de um dilúvio de dados que busca fornecer um
entendimento e controle em tempo real muito mais sofisticado, de escala mais ampla e de
granulação mais refinada. Não existe uma definição acadêmica ou industrial de big data, mas
uma pesquisa da literatura emergente indica vários recursos importantes. Big data são:

• enorme volume, consistindo em terabytes ou petabytes de dados;

• alta velocidade, sendo criada em ou quase em tempo real;

• Diversas em variedade, sendo estruturadas e não estruturadas por natureza, e

frequentemente referenciadas temporal e espacialmente;

• de âmbito exaustivo, buscando capturar populações ou sistemas inteiros (n = todos),

ou pelo menos amostras muito maiores do que as utilizadas em estudos tradicionais de
pequenos dados;

• resolução refinada, com o objetivo de ser o mais detalhado possível e de

identificação exclusivamente indexada;

• natureza relacional, contendo campos comuns que permitem a junção de diferentes

conjuntos de dados;

• flexível, mantendo os traços de extensionalidade (pode adicionar novos campos

facilmente) e escalabilidade (pode expandir rapidamente em tamanho).

(ver Boyd e Crawford 2012; Dodge e Kitchin 2005; Laney 2001; Marz e Warren 2012;
MayerSchonberger e Cukier 2013; Zikopoulos et al. 2012).

Em outras palavras, o big data consiste em conjuntos de dados massivos, dinâmicos,

variados, detalhados, inter-relacionados e de baixo custo, que podem ser conectados e
utilizados de diversas maneiras, oferecendo a possibilidade de os estudos mudarem de:
escasso em dados para rico em dados; instantâneos estáticos para desdobramentos
dinâmicos; agregação grossa a alta resolução; hipóteses e modelos relativamente simples para
simulações e teorias mais complexas e sofisticadas (Kitchin 2013).

Há poucas dúvidas de que, desde o início dos anos 2000, houve uma transformação no
volume de dados gerados. Zikopoulos et al. (2012) detalham que, em 2000, c.800.000
petabytes (250 bytes) de dados foram armazenados no mundo. Em 2010, o MGI (citado em
Manyika et al. 2011: 3) '' estimou que as empresas armazenavam globalmente mais de 7
exabytes [260 bytes] de novos dados em unidades de disco ... enquanto os consumidores
armazenavam mais de seis exabytes de novos dados em dispositivos como como PCs e
notebooks. ”Eles estimaram ainda que em 2009, quase todos os setores da economia dos EUA
tinham pelo menos uma média de 200 terabytes [240 bytes] de dados armazenados ... por
empresa com mais de 1.000 funcionários. Muitos setores tiveram mais de um petabyte em
dados armazenados médios por empresa. 'Com base na análise do crescimento do volume de
dados, Manyika et al. (2011) projetaram um crescimento de 40% em dados gerados
globalmente por ano. Esse é o crescimento fenomenal na produção de dados, Hal Varian,
economista-chefe do Google (citado em Smolan e Erwitt 2012), estima que mais dados estão
sendo produzidos a cada 2 dias atualmente do que em toda a história anterior a 2003 e
Zikopoulos et al. (2012) espera que os volumes de dados atinjam 35 zetabytes [270 bytes] até
2020. Em 2013, a comissária da UE para a Agenda Digital, Neelie Kroes, afirmou que 1,7 milhão
de bilhões de bytes de dados por minuto estavam sendo gerados globalmente (Rial 2013).

Esse crescimento explosivo de dados se deve a várias tecnologias, infraestruturas,

técnicas e processos diferentes de habilitação e condução, e sua rápida incorporação às
práticas e espaços cotidianos. Isso inclui a disseminação generalizada da Internet fixa e móvel;
o desenvolvimento da computação onipresente e a capacidade de acessar redes e computação
em muitos ambientes e em movimento; a incorporação de software em todos os tipos de
máquinas, transformando-os de "burros" para "inteligentes" e a criação de uma infinidade de
dispositivos puramente digitais; o lançamento de mídias sociais e aplicativos Web 2.0; avanços
no design de bancos de dados e sistemas de gerenciamento de informações; o
armazenamento distribuído de dados a custos acessíveis; e novas formas de análise de dados
projetadas para lidar com a abundância de dados (Dodge e Kitchin 2005; Greenfield 2006;
Kitchin e Dodge 2011). Esses desenvolvimentos não apenas permitem o acesso e o
compartilhamento de dados, mas também são os meios pelos quais muitos grandes dados são
gerados. Por exemplo, dispositivos móveis, como smartphones, permitem que seus usuários
acessem informações ao mesmo tempo em que registram as informações acessadas, quando e
onde foram solicitadas e como foram usadas.

As fontes de big data podem ser amplamente divididas em três categorias:

direcionadas, automatizadas e voluntárias. Os dados direcionados são gerados por formas
tradicionais de vigilância, em que o olhar da tecnologia é focado em uma pessoa ou local por
um operador humano. Tais sistemas incluem controle de passaporte de imigração, onde os
detalhes do passageiro são coletados e verificados em vários bancos de dados em tempo real,
e novos dados são gerados, como CFTV, fotografias, impressões digitais ou digitalizações de
íris; ou vídeo espacial, LiDAR, digitalizações térmicas ou outros tipos de varreduras
eletromagnéticas de ambientes que permitem o mapeamento 2D e 3D móvel e em tempo real.
No caso de dados automatizados, os dados são gerados como uma função inerente e
automática do dispositivo ou sistema. Existem vários meios diferentes pelos quais os dados
automatizados são produzidos, incluindo: sistemas de captura, nos quais os meios para
executar uma tarefa capturam dados sobre essa tarefa (como verificar itens em um check-out
até serem usados para monitorar o plantio direto). desempenho dos operadores, bem como
coleta de informações sobre os itens comprados e quem os comprou); dispositivos digitais,
como telefones celulares, que registram e comunicam o histórico de uso próprio; transações e
interações em redes digitais que não apenas transferem informações, mas geram dados sobre
as próprias transações e interações (como logs de pagamentos indexados, transferências
bancárias ou e-mail); dados do fluxo de cliques que registram como as pessoas navegam em
um site ou aplicativo; dados detectados gerados por uma variedade de sensores e atuadores
incorporados a objetos ou ambientes que comunicam regularmente suas medições; a
digitalização de objetos legíveis por máquina, como passes de viagem, passaportes ou códigos
de barras em pacotes que registram pagamento e movimentação por meio de um sistema; e
interações máquina a máquina através da Internet das coisas (Kitchin e Dodge 2011). Por outro
lado, dados voluntários são oferecidos pelos usuários. Isso inclui: interações nas mídias sociais,
como postagem de comentários, observações e upload de fotos em sites de redes sociais
como Facebook ou Twitter; e o crowdsourcing de dados em que os usuários geram dados e os
contribuem para um sistema comum, como a geração de rastreamentos GPS carregados no
OpenStreetMap para criar um sistema de mapeamento aberto comum (Kitchin e Dodge 2011;
Sui et al. 2012).

Embora os dados direcionados e voluntários possam fornecer informações úteis sobre

os sistemas urbanos e a vida nas cidades, são as formas automatizadas de geração de dados
que mais atraíram a imaginação daqueles preocupados em entender e gerenciar cidades. Em
particular, tem havido interesse em formas automatizadas de vigilância, redes de sensores e
internet das coisas, além do rastreamento e rastreamento de pessoas e objetos. Aqui, a cidade
é vista como "constelações de instrumentos em várias escalas, conectadas através de várias
redes que fornecem dados contínuos sobre os movimentos de pessoas e materiais" e o status
de várias estruturas e sistemas (Batty et al. 2012: 482 ) Como tal, a cidade instrumentada
oferece a promessa de uma análise objetiva e em tempo real da vida e infraestrutura urbanas.

As formas automatizadas de vigilância incluem: bilhetes em papel anônimos sendo

substituídos por "cartões inteligentes" rastreáveis automaticamente; os sistemas de
reconhecimento automático de matrícula (ANPR) que usam câmeras digitais para digitalizar
placas e padrões correspondem aos detalhes com os detalhes do proprietário e podem ser
usados para rastrear veículos enquanto atravessam uma cidade e fornecer entradas para
sistemas de transporte inteligentes (ITS); leitura automática do medidor (AMR) que comunica
o uso da concessionária sem a necessidade de leitura manual e pode fazê-lo continuamente; e
monitoramento automatizado da prestação de serviços públicos, como chips de RFID anexados
a lixeiras para detectar se foram coletados (Dodge e Kitchin 2007a; Hancke et al. 2013). As
redes de sensores consistem em um conjunto de sensores ou atuadores muito pequenos e
baratos, que podem ser incorporados ou colocados em estruturas diferentes para medir saídas
específicas, como níveis de luz, umidade, temperatura, gás, resistividade elétrica, acústica,
pressão do ar, movimento, velocidade , e assim por diante. Os sensores podem ser passivos e
lidos pelos scanners, ou podem estar ativos, transmitindo dados em intervalos regulares em
redes locais ou de área ampla, ou podem ter recursos de comunicação de campo próximo
(NFC) que permitem a comunicação bidirecional (Hancke et al. 2013) . As redes de sensores
podem ser usadas para monitorar o uso e as condições das infra-estruturas públicas, como
pontes, estradas, edifícios e fornecimento de serviços públicos, bem como as condições
ambientais gerais dentro de uma cidade.

Agora, os locais urbanos também estão cheios de objetos e máquinas indexados

exclusivamente, que realizam trabalho automático e fazem parte da Internet das coisas,
comunicando-se sobre seu uso e rastreáveis se forem móveis. Isso inclui portas automáticas,
sistemas de iluminação e aquecimento, alarmes de segurança, caixas de roteadores wifi,
gadgets de entretenimento, gravadores de televisão e assim por diante. Muitos desses
dispositivos transferem dados entre si, levando a novos dados derivados. Dispositivos como
telefones móveis podem ser rastreados no espaço por triangulação entre mastros de telefone
e outros com receptores GPS integrados, como telefones celulares, tablets e satnavs, podem
gravar e transmitir suas próprias trilhas. Os transponders podem ser usados para monitorar a
produtividade em pedágios, medir o fluxo de veículos ao longo de uma estrada ou o número
de espaços vazios em um estacionamento e acompanhar o progresso de ônibus e trens ao
longo de uma rota e bilhetes inteligentes, como o cartão Oyster no metrô de Londres, pode ser
usado para rastrear viagens de passageiros. Todas essas formas de dados estão crescendo
rapidamente (em 2013, mais de dez bilhões de objetos estavam conectados à Internet das
coisas, com esse conjunto chegando a mais de 50 bilhões em 2020; Farber 2013).

Alguns desses dados são gerados por governos locais e agências estaduais, e outros
por empresas privadas, e de modo algum são todos de natureza aberta. No entanto, para os
gestores urbanos, essas formas de instrumentação fornecem dados abundantes, sistemáticos,
dinâmicos, bem definidos, resolutivos e relativamente baratos sobre as atividades e processos
da cidade, possibilitando a possibilidade de análises em tempo real e formas adaptativas de
gerenciamento e governança (Kloeckl et al. 2012).

A cidade em tempo real

Muitos governos municipais agora usam análises em tempo real para gerenciar
aspectos de como uma cidade funciona e é regulada. Talvez o exemplo mais comum esteja
relacionado ao movimento de veículos em torno de uma rede de transporte, onde os dados de
uma rede de câmeras e transponders são enviados de volta a um hub de controle central para
monitorar o fluxo do tráfego e ajustar as seqüências de semáforos e os limites de velocidade e
para automaticamente administrar multas por infrações de trânsito (Dodge e Kitchin 2007a).
Da mesma forma, a polícia pode monitorar um conjunto de câmeras e registros de incidentes
ao vivo para direcionar de maneira eficiente e reativa os recursos apropriados para locais
específicos. Os dados relacionados às condições ambientais podem ser coletados de uma rede
de sensores distribuídos por toda a cidade, por exemplo, medindo a poluição do ar, os níveis
da água ou a atividade sísmica. Muitos governos locais usam sistemas de gerenciamento para
registrar o engajamento público com seus serviços e monitorar se os funcionários lidaram com
algum problema. Em quase todos os casos, esses são sistemas isolados que lidam com um
único problema e são controlados por uma única agência.

Mais recentemente, houve uma tentativa de atrair todos esses tipos de vigilância e
análise em um único hub, complementado por análises mais amplas de dados públicos e
abertos. Por exemplo, o Centro de Operações Prefeitura do Rio1, no Rio de Janeiro, Brasil, uma
parceria entre o governo da cidade e a IBM, criou um sistema instrumentado em toda a cidade
que reúne fluxos de dados de trinta agências, incluindo tráfego e transporte público, municipal
e de serviços públicos. serviços, serviços de emergência, informações meteorológicas e
informações enviadas pelos funcionários e pelo público por telefone, internet e rádio, em um
único centro de análise de dados (veja a Figura 1). Aqui, algoritmos e uma equipe de analistas
processam, visualizam, analisam e monitoram uma grande quantidade de dados de serviço
ativo, juntamente com dados agregados ao longo do tempo e grandes volumes de dados de
administração que são liberados periodicamente, geralmente combinando os conjuntos de
dados para investigar aspectos particulares da vida da cidade e mudanças ao longo do tempo,
e construir modelos preditivos com relação ao desenvolvimento e gerenciamento cotidiano da
cidade e a situações de desastre como inundações. Isso é complementado por uma plataforma
de operações virtuais que permite que as autoridades da cidade efetuem login no campo para
acessar informações em tempo real. Por exemplo, a polícia em um local de acidente pode usar
a plataforma para ver quantas ambulâncias foram despachadas e quando e para fazer upload
de informações adicionais (Singer 2012). O objetivo declarado do prefeito da cidade, Eduardo
Paes, era "derrubar silos ... [entre] departamentos e combinar os dados de cada um para
ajudar toda a empresa" (Singer 2012).

Da mesma forma, o Escritório de Políticas e Planejamento Estratégico da cidade de

Nova York procurou criar um hub analítico de dados para reunir dados de um conjunto
diversificado de agências da cidade, a fim de tentar gerenciar, regular e planejar a cidade com
mais eficiência e efetivamente. Terabytes de dados são transmitidos diariamente pelo
escritório, permitindo aos analistas fazer referência cruzada de dados, identificar padrões e
identificar e resolver problemas da cidade (Feuer 2013). Eles também começaram a
disponibilizar alguns dados de forma aberta, 2 permitindo que os desenvolvedores criem
aplicativos que pegam os dados e retrabalhem e os reembalam para consumo diário dos
moradores da cidade. Da mesma forma, Dublinked, 3 fornece dados operacionais das quatro
autoridades locais de Dublin em um formato aberto, e muitos outros governos municipais ao
redor do mundo começaram a liberar vários tipos de dados administrativos e operacionais
usando vários tipos de modelos de dados abertos (ver Ferro e Osella 2013 para uma visão geral
de oito modelos diferentes). Um exemplo de aplicativo que usa esses dados municipais
abertos é o SmartSantanderRA, um aplicativo de realidade aumentada que fornece
informações sobre cerca de 2.700 lugares na cidade de Santander (praias, parque e jardins,
monumentos, pontos de interesse (POI), escritórios de turismo, lojas, galerias museus,
bibliotecas, ônibus públicos, táxis, bicicletas, lugares de estacionamento etc.), além de acesso
em tempo real a câmeras de trânsito e praias, boletins meteorológicos e previsões,
informações sobre ônibus públicos e serviço de aluguel de bicicletas4 (consulte a Fig. 2) .

Em outras cidades, como Londres, transmissões ao vivo de dados em tempo real estão
sendo comunicadas aos cidadãos por meio do que foi denominado 'painel da cidade'. Por
exemplo, no caso de Londres5 (Fig. 3), desenvolvido pela CASA na UCL, os cidadãos podem
descobrir informações em tempo real sobre clima, poluição do ar, atrasos nos transportes
públicos, disponibilidade de bicicletas públicas, nível de rios, demanda de eletricidade, estoque
mercado, tendências do twitter na cidade, observe os feeds das câmeras de trânsito e até o
nível de felicidade. Esses dados também podem ser mapeados. Isso é complementado pelo
London Dashboard 6, um site de visualização de dados que monitora o desempenho da cidade
em relação a doze áreas principais - empregos e economia, transporte, meio ambiente,
policiamento e crime, incêndio e resgate, comunidades, moradia, saúde e turismo - embora
esses dados sejam de natureza mais administrativa e não em tempo real. Em vez de
simplesmente fornecer os dados brutos, esses sites produzem visualizações que auxiliam na
interpretação e análise, especialmente para usuários não especialistas, e permitem que os
cidadãos monitorem a cidade por si mesmos e para seus próprios fins.

Para aqueles que desenvolvem e usam análises de dados da cidade em tempo real e
integradas, esses centros, aplicativos e painéis fornecem um meio poderoso para entender,
gerenciar e viver na cidade no presente e agora, e para visualizar e prever cenários futuros. Em
vez de basear as decisões em anedotas ou intuição ou em políticas clientelistas ou em
evidências periódicas / parciais, é possível avaliar o que está acontecendo a qualquer
momento e reagir e planejar adequadamente. Além disso, o uso de amostras grandes e a
vinculação de diversas formas de dados fornecem uma análise mais profunda, holística e
robusta. Para os defensores de tais sistemas, torna-se possível desenvolver, administrar,
regular e viver na cidade com base em evidências fortes e lógicas, bastante fracas, evidências
seletivas e ideologia política. Como tal, argumenta-se, o uso desses grandes dados fornece a
base para uma cidade mais eficiente, sustentável, competitiva, produtiva, aberta e
transparente. Mas, assim como o urbanismo inteligente sustentado pelo big data oferece uma
visão aparentemente atraente das cidades futuras, ele também levanta várias preocupações,
cinco das quais serão examinadas em breve.

Cinco preocupações sobre uma cidade em tempo real

A política do big data urbano

Os dados nas iniciativas de cidades inteligentes são retratados como benignos e sem
ideologia política. Dados são simplesmente dados: elementos naturais e essenciais que são
abstraídos do mundo de maneira neutra e objetiva, sujeitos a restrições técnicas. Sensores e
câmeras não têm política ou agenda. Eles simplesmente medem a luz, o calor ou a umidade, e
assim por diante - produzindo leituras e imagens que refletem a verdade sobre o mundo. Os
dados podem ser obtidos pelo valor nominal; eles são pré-analíticos e retóricos (Rosenberg
2013). Da mesma forma, os algoritmos usados para processar esses dados são neutros e não
ideológicos em sua formulação e operação, baseados em objetividade científica (Kitchin e
Dodge 2011). Esse enquadramento de dados e algoritmos permite que os projetos de cidades
inteligentes apresentem uma imagem de serem politicamente benignos e de bom senso; que o
urbanismo de big data é inerentemente uma coisa boa, buscando tornar uma cidade mais
segura, mais segura, eficiente, produtiva, sustentável e assim por diante, empregando práticas
técnicas rigorosas que capturam, processam e analisam grandes quantidades de dados
objetivos, transparentes, neutros e transparentes. Os dados, no entanto, são mais complicados
do que isso. Os dados não existem independentemente das idéias, técnicas, tecnologias,
pessoas e contextos que os concebem, produzem, processam, gerenciam, analisam e
armazenam (Bowker e Star 1999; Lauriault 2012; Ribes e Jackson 2013). Como Gitelman e
Jackson (2013: 2, seguindo Bowker), "os dados brutos são um oxímoro"; "Os dados já estão
sempre" cozidos "e nunca totalmente" crus "." Como tal, nenhum dado é pré-analítico ou é
objetivo, sem valor e benigno. Quais dados são gerados são o produto de escolhas e restrições,
moldadas por um sistema de pensamento, conhecimento técnico, opinião pública e política,
considerações éticas, ambiente regulatório, financiamento e recursos. Os dados são então
situados, contingentes, relacionais e estruturados e usados contextualmente para tentar
alcançar determinados objetivos e metas.

Não é diferente com o big data usado para apoiar o urbanismo inteligente. Embora o
big data possa parecer abrangente, exaustivo e politicamente benigno, como todos os dados,
eles são uma amostra seletiva e são enquadrados em um sistema de pensamento. Quais dados
são capturados são modelados por: o campo de visão / quadro de amostragem (onde os
dispositivos de captura de dados são implantados, quais são suas configurações / parâmetros,
quem usa um espaço ou mídia); a tecnologia e a plataforma usada (diferentes pesquisas,
sensores, lentes, prompts de texto, layout etc., todos produzem variações e desvios nos dados
gerados); o contexto em que os dados são gerados (eventos desdobráveis significam que os
dados estão sempre situados e contextualizados em relação às circunstâncias); a ontologia de
dados empregada (como os dados são calibrados e classificados); e o ambiente regulatório em
relação à privacidade, proteção e segurança de dados (Kitchin 2013). O big data geralmente
captura o que é fácil de capturar - dados que são expressos abertamente (o que é digitado,
varrido, varrido, detectado; ações e comportamentos das pessoas; o movimento das coisas) -
bem como dados que são o 'escape', -produto, da tarefa / saída principal. Ele leva esses dados
pelo valor nominal, apesar de não terem sido projetados para responder perguntas específicas
e os dados produzidos podem ser confusos, sujos, cheios de oclusões e preconceitos. É menos
adequado para contextualizar esses dados ou revelar os complexos mundos da vida interior
contingente e relacional de pessoas e lugares. Além disso, os dados são gerados dentro de
sistemas projetados para decretar uma visão política e política específica. O resultado são
dados que são flexionados por privilégios e valores sociais, especialmente em domínios que
funcionam como sistemas disciplinares (como policiais) (Johnson 2013). Não há dúvida de que
as iniciativas de big data produzem dados úteis para entender e gerenciar cidades, mas as
políticas e limitações desses dados e os métodos usados para produzi-los e analisá-los
precisam ser separados e examinados quanto aos valores e agendas. sustentá-los e a cujos
interesses eles servem.

Governança tecnocrática e desenvolvimento da cidade

O esforço para gerenciar e regular a cidade por meio de sistemas de informação e

análise promove um modo tecnocrático de governança urbana, que pressupõe que todos os
aspectos de uma cidade possam ser medidos, monitorados e tratados como problemas
técnicos que podem ser resolvidos por meio de soluções técnicas; exibindo o que Mattern
(2013) chama de 'racionalidade instrumental' e Morozov (2013) chama de 'solucionismo', em
que situações sociais complexas podem ser desmontadas em problemas bem definidos que
podem ser resolvidos ou otimizados por meio da computação. Aqui, há uma reificação do big
data; eles podem fornecer a resposta para todos os problemas (Mattern 2013). Ao capturar
um fenômeno como dados em tempo real, parece possível modelar, entender, gerenciar e
corrigir uma situação à medida que ela se desenrola. Como Hill (2013) coloca: “[pensamento
inteligente da cidade] trai uma visão tecnocrática de que a cidade é algo que poderíamos
entender em detalhes, se tivéssemos dados suficientes - como um motor ou uma usina nuclear
- e, assim, dominá-la Através da ciência e engenharia da força bruta. ”De fato, Mattern (2013)
sugere que o urbanismo de big data sofre de '' informação de dados, a presunção de que todos
os fluxos e atividades significativos podem ser sentidos e medidos. '' Dentro desse
pensamento, existe '' uma suposição frequentemente explícita de que o universo é formado
com parâmetros conhecíveis e definíveis [que] nos garante que, se pudéssemos medir todos
eles, poderíamos prever e responder com perfeição de acordo '' (Haque 2012). Empregar uma
abordagem processada algorítmica e baseada em evidências para a governança da cidade
aparentemente garante decisões racionais, lógicas e imparciais. Além disso, fornece aos
gerentes da cidade uma defesa contra decisões que levantam preocupações éticas e de
responsabilidade, permitindo que eles digam: 'Não sou eu, são os dados!' (Haque 2012).

No entanto, as formas tecnocráticas de governança são de escopo altamente estreito e

de abordagem reducionista e funcionalista, com base em um conjunto limitado de tipos
particulares de dados e sem levar em consideração os efeitos mais amplos da cultura, política,
política, governança e capital que moldam a cidade. vida e como se desenrola. As soluções
tecnológicas, por si só, não resolverão os problemas estruturais profundamente enraizados
nas cidades, pois não tratam de suas causas profundas. Em vez disso, apenas permitem o
gerenciamento mais eficiente das manifestações desses problemas. Dessa forma, embora as
tecnologias das cidades inteligentes, como a análise em tempo real, sejam promovidas como
panacéia para lidar com questões de governança urbana, elas cobrem mais as brechas do que
corrigi-las, a menos que estejam associadas a uma série de outras políticas. Além disso, os
sistemas de controle e comando centralizam o poder e a tomada de decisões em um conjunto
seleto de escritórios, ao mesmo tempo em que disponibilizam publicamente elementos dos
dados. Há claramente um equilíbrio delicado a ser mantido à medida que novas formas de
monitoramento e gerenciamento com raízes tecnológicas são implementadas. Por um lado,
essas tecnologias permitem que aspectos da cidade sejam gerenciados de maneira mais
eficiente e eficaz em uma base dinâmica, enraizada em uma forte base de evidências. Por
outro lado, esses dados e tecnologias precisam ser complementados com uma série de outros
instrumentos, políticas e práticas sensíveis às diversas maneiras pelas quais as cidades são
estruturadas e funcionam.

A corporação da governança da cidade e um bloqueio tecnológico

Juntamente com a crítica de que a governança de cidade inteligente é de natureza

tecnocrática demais, há uma preocupação de que ela esteja sendo capturada e moldada
abertamente pelos interesses corporativos para seu próprio ganho (Greenfield 2013;
Townsend 2013). A agenda das cidades inteligentes e as tecnologias associadas estão sendo
fortemente promovidas por várias das maiores empresas de software e hardware do mundo,
que vêem a governança da cidade como um grande mercado potencial de longo prazo para
seus produtos. Por serem parceiros importantes na construção de cidades desde o início (por
exemplo, Songdo ou Masdar City) ou em parceria com cidades estabelecidas para modernizar
sua infraestrutura com tecnologia digital e soluções de dados, essas empresas têm procurado
tornar seus produtos essenciais, indispensáveis parte de como vários aspectos da vida na
cidade são monitorados e regulamentados. Como tal, como Schaffers et al. (2011: 437)
observam que "as soluções de cidades inteligentes são atualmente mais incentivadas pelos
fornecedores do que baseadas no governo", com empresas trabalhando para construir
relacionamentos de trabalho, estabelecer condições favoráveis de mercado, desviar fluxos de
financiamento e criar parcerias público-privadas.

A preocupação em torno dessa mudança é tripla. Primeiro, que promove ativamente

uma economia política neoliberal e a comercialização de serviços públicos em que as funções
da cidade são administradas com fins privados (Hollands 2008). Segundo, que ele cria um
aprisionamento tecnológico que leva as cidades a plataformas e fornecedores tecnológicos
específicos por um longo período, criando posições de monopólio (Hill 2013). O perigo aqui é a
criação de uma dependência do caminho corporativo que não pode ser facilmente desfeita ou
desviada (Bates 2012). Como detalha Hill (2013), a estratégia adotada pelas empresas de TI
espelha a dos fabricantes de automóveis dos EUA em meados do século XX, criando uma
forma de urbanismo liderado pela tecnologia, centrado no transporte de automóveis. Aqui, as
redes de transporte público foram fechadas para serem substituídas por um vasto programa
de construção de estradas que moldou os padrões de desenvolvimento urbano nas décadas
seguintes. Haque (2012), assim, se pergunta "o que os equivalentes de cidade inteligente
podem ser das auto-estradas emaranhadas, congestionadas e poluídas de Robert Moses ou as
falhas do conjunto habitacional Pruitt Igoe". Terceiro, isso leva a "tamanho único para todas as
cidades inteligentes" soluções in a box que levam pouco em conta a singularidade de lugares,
povos e culturas e jaquetas da cidade em um modo tecnocrático de governança com visão
restrita (Townsend et al. nd). De fato, a IBM agora está vendendo um produto chamado 'IBM
Intelligent Operations Center', que combina vários sistemas projetados para o Rio em um
único produto que pode ser aplicado a qualquer cidade (Singer 2012). Dadas essas
preocupações, Hill (2013) adverte, assim, que “[l] literalmente instalar serviços urbanos em um
dispositivo específico, um sistema operacional específico, é uma receita para desastre, não
para eficiência ... Simplificando, o tecido da cidade muda lentamente, mas a tecnologia muda
rapidamente … Existe uma preocupante falta de pensamento sobre adaptação nesse desejo de
instalar a camada de tecnologia do consumidor como se fosse um serviço de construção
central. ”Isso não significa que um bloqueio corporativo como esse seja inevitável, mas está
claro que é o desejo de um número de players corporativos muito grandes.

Cidades de buggy, quebradiças e invadíveis

A incorporação e o uso da computação onipresente e difundida nos ambientes da

cidade estão criando serviços e espaços da cidade que dependem do software para funcionar.
Dodge e Kitchin (2004) denominam esses ambientes de código / espaços, em que o software e
a espacialidade da vida cotidiana se tornam mutuamente constituídos, de modo que, se o
software falhar, um espaço não será produzido conforme o antigo sistema analógico e o
conhecimento tácito associado. substituído. Por exemplo, se o software usado para controlar
um sistema de metrô falha, os trens não circulam (como aconteceu em muitas cidades nos
últimos anos; ver Townsend 2013); ou se o checkout de um supermercado cair, os
compradores não poderão fazer compras, pois as mercadorias não poderão ser digitalizadas
ou os pagamentos efetuados, com a loja efetivamente se tornando um armazém. Dessa forma,
embora potencialmente resolva um conjunto diversificado de problemas urbanos, a criação de
códigos / espaços por meio de projetos de cidades inteligentes deixa as cidades vulneráveis a
outros problemas. Em particular, ele tem o potencial de criar serviços e espaços de buggy,
quebradiços e expostos, propensos a vírus, falhas, falhas e hacks de segurança que podem
causar estragos (Kitchin e Dodge 2011; Townsend 2013). Como detalham Kitchin e Dodge
(2011), o software é um produto incomum porque é vendido com pleno conhecimento de que
é inerentemente parcial, provisório, poroso e aberto a falhas. As tecnologias ativadas por
software, especialmente aquelas que estão em rede e distribuídas, rotineiramente precisam
ser corrigidas e atualizadas para lidar com novas contingências. E à medida que os sistemas se
tornam cada vez mais complicados, interconectados e dependentes de software, o desafio de
produzir dispositivos e infra-estruturas estáveis, robustas e seguras aumenta (Townsend
2013).

Quais são as implicações da criação de sistemas urbanos extensos que dependem do

software para funcionar? De pegar dois sistemas altamente complexos, contingentes e abertos
- cidades e sistemas de informação - e entrelaçá-los? Ou como Townsend (2013) coloca: 'E se
as próprias sementes das cidades inteligentes já estiverem destruídas em seu DNA? E se as
cidades inteligentes do futuro forem de buggy e quebradiças? Em que estamos nos metendo?
'' Ele sugere que, à medida que mais e mais sistemas são colocados sobre as redes de TIC, cada
um em um estado relativamente frágil, os riscos de falhas críticas e 'acidentes normais' (falhas
diárias) se agravam. Ao mesmo tempo, as alternativas analógicas estão desaparecendo. Além
disso, cada vez mais sistemas estão se tornando abertos a formas maliciosas de ataque. Por
exemplo, o governo israelense reconhece que seus serviços essenciais, como água,
eletricidade, bancos, infraestrutura ferroviária e rodoviária, são alvo de inúmeros ataques
cibernéticos, com a Israel Electric Corp relatando que recebe 6.000 tentativas de hackers a
cada segundo (Paganini 2013). E em outubro de 2012, o sistema de gerenciamento de tráfego
de uma grande artéria em Haifa foi invadido, causando caos no trânsito por horas (Paganini
2013). E além dos sistemas críticos, Mims (2013) relata que smartphones, tablets e os vários
dispositivos que compõem a Internet das coisas são altamente vulneráveis a ataques diretos
que forçam os objetos a exceder seus parâmetros de design ou operam de maneiras perigosas,
desorientando através de leituras distorcidas. levando a erros e danos ao usuário e roubo de
informações. Embora a implantação incipiente de tecnologias de cidades inteligentes tenha
tido alguns problemas iniciais, contra as preocupações expressas acima, elas foram
relativamente robustas, apesar de suas vulnerabilidades. No entanto, à medida que mais
sistemas são implantados, Townsend conclui: "As únicas perguntas serão quando as cidades
inteligentes falharem e quanto dano elas causam ao travar".

A cidade panóptica?

Nas últimas duas décadas, com o desenvolvimento de várias formas de tecnologias

digitais direcionadas, automatizadas e em rede, tem havido preocupações crescentes com o
crescente nível de vigilância nas sociedades, reconhecendo explicitamente a política de dados.
Agora é possível rastrear e rastrear indivíduos e suas ações, interações e transações em
detalhes minuciosos em vários domínios (trabalho, viagem, consumo, etc.). Esse nível de
monitoramento foi impulsionado por uma crescente "cultura de controle" que deseja
"segurança, ordem, gerenciamento de riscos e doma do acaso" (Garland 2001, citado em Lyon
2007: 12). No entanto, apesar de os sistemas se tornarem mais difundidos, refinados e
sofisticados, eles operaram amplamente como sistemas independentes e a noção de um
panóptico (um ponto de vista que tudo vê) permaneceu aberta à vertical (dentro de uma
atividade) e horizontal (entre atividades) ) fragmentação devido a agências se comunicarem de
maneira imperfeita ou serem incapazes ou não desejarem trocar ou comparar informações
(Hannah 1997). A governança consistiu, portanto, em um conjunto de oligópticos - pontos de
vista parciais de posições fixas com galpões limitados de vista (Amin e Thrift 2002).

Os grandes centros de dados e controle de dados, como o Centro de Operações da

Prefeitura do Rio, que integram e ligam fluxos de dados, trabalham para mover os vários
sistemas oligópticos em um único ponto de vista panóptico e elevam o espectro de uma
sociedade Big Brother com base em uma combinação de vigilância (olhando para o mundo) e
vigilância de dados (vasculhando e interconectando conjuntos de dados) e um mundo em que
todos os aspectos da vida de um cidadão são capturados e potencialmente nunca esquecidos
(Dodge e Kitchin 2007b). Existe uma tensão inerente na criação de sistemas que buscam
permitir modos mais eficazes de governança, que também ameaçam sufocar os direitos à
privacidade, confidencialidade e liberdade de expressão. À medida que mais e mais aspectos
da vida urbana são capturados como dados de maneiras dinâmicas em resoluções mais
refinadas, essa tensão aumenta e será importante equilibrar os benefícios da análise de dados
com os direitos individuais e sociais, a fim de manter a democracia e a confiança nas pessoas.
governo, especialmente quando muitos dados serão processados por sistemas corporativos.
Sem supervisão e aplicação regulamentadas de abusos de dados, é provável que haja uma
resistência significativa e uma reação contra a análise em tempo real por parte dos cidadãos.

Conclusão

A noção de cidades inteligentes ganhou muita força nos últimos anos como uma visão
para estimular e apoiar a inovação e o crescimento econômico, além de proporcionar
gerenciamento e desenvolvimento urbano sustentável e eficiente. Um aspecto significativo do
conceito de cidades inteligentes é a produção de análises sofisticadas de dados para entender,
monitorar, regular e planejar a cidade. À medida que as cidades se tornam cada vez mais
incorporadas a todos os tipos de infraestrutura e redes digitais, dispositivos, sensores e
atuadores, o volume de dados produzidos sobre elas cresce exponencialmente, fornecendo
ricos fluxos de informações sobre as cidades e seus cidadãos. Esses big data são variados,
refinados, indexados, dinâmicos e relacionais, permitindo a análise em tempo real de
diferentes sistemas e interconectando dados entre sistemas para fornecer visualizações
detalhadas dos relacionamentos entre os dados. Para os cidadãos, esses dados e suas análises
oferecem insights sobre a vida na cidade, ajudam a vida cotidiana e a tomada de decisões e
fortalecem visões alternativas para o desenvolvimento da cidade. Para os governos, o big data
e os centros integrados de análise e controle oferecem gerenciamento e regulamentação da
cidade mais eficientes e eficazes. Para as empresas, a análise de big data oferece novas
oportunidades de negócios a longo prazo como atores-chave na governança da cidade.
 Na próxima década, é provável que a cidade em tempo real se torne realidade em
muitas cidades, à medida que as administrações urbanas buscam capitalizar em novos fluxos
de dados e novos produtos comerciais são comprados no mercado que ajudam governos e
cidadãos a entender a cidade. Embora essas análises de big data ofereçam várias
oportunidades, elas também levantam uma série de preocupações com relação à política de
tais dados, governança tecnocrática, corporativização e neoliberalização da administração da
cidade, as possibilidades de um aprisionamento tecnológico, vulnerabilidades do sistema ,
questões éticas com relação à vigilância, vigilância e controle de dados, além de outras
preocupações relacionadas à qualidade, fidelidade, segurança dos dados, validade das análises
que utilizam técnicas de dragagem de dados e como os dados são interpretados e agidos. Dado
o papel que esses sistemas provavelmente desempenharão na formação da governança
urbana, há uma necessidade premente de interrogar a natureza e a produção de big data
urbano, a composição e o funcionamento dos centros de análise e controle urbanos e as
implicações de tempo tecnocrático, corporativo e em tempo real. formas de governança. Este
artigo forneceu alguns pontos de entrada iniciais, mas visões gerais sinópticas mais amplas e
estudos empíricos aprofundados são necessários para examinar o urbanismo inteligente
existente e potencial. Como argumentam Greenfield (2013) e Townsend (2013), sem esses
interrogatórios críticos, as cidades inteligentes do futuro provavelmente refletirão visões
corporativas e estaduais estreitas, e não os desejos da sociedade em geral.

THE REAL-TIME CITY? BIG DATA AND SMART URBANISM

Abstract

‘Smart cities’ is a term that has gained traction in academia, business and government
to describe cities that, on the one hand, are increasingly composed of and monitored by
pervasive and ubiquitous computing and, on the other, whose economy and governance is
being driven by innovation, creativity and entrepreneurship, enacted by smart people. This
paper focuses on the former and, drawing on a number of examples, details how cities are
being instrumented with digital devices and infrastructure that produce ‘big data’. Such data,
smart city advocates argue enables real-time analysis of city life, new modes of urban
governance, and provides the raw material for envisioning and enacting more efficient,
sustainable, competitive, productive, open and transparent cities. The final section of the
paper provides a critical reflection on the implications of big data and smart urbanism,
examining five emerging concerns: the politics of big urban data, technocratic governance and
city development, corporatisation of city governance and technological lock-ins, buggy, brittle
and hackable cities, and the panoptic city.

Keywords Big data Smart cities Urbanism Real-time analysis Data analytics
Ubiquitous computing Governance
 Introduction

For the past two decades, urban analysts and theorists have been charting the
evolution of cities during an era where information and communication technologies (ICTs)
have been exerting a growing and pervasive influence on the nature, structure and enactment
of urban infrastructure, management, economic activity and everyday life. Cities which have
embraced ICT as a development strategy, being pioneers in embedding digital infrastructure
and systems into their urban fabric and utilising them for entrepreneurial and regulatory
effect, have been variously labelled as ‘wired cities’ (Dutton et al. 1987), ‘cyber cities’ (Graham
and Marvin 1999), ‘digital cities’ (Ishida and Isbister 2000), ‘intelligent cities’ (Komninos 2002),
‘smart cities’ (Hollands 2008) or ‘sentient cities’ (Shepard 2011). Whilst each of these terms is
used in a particular way to conceptualise the relationship between ICT and contemporary
urbanism, they share a focus on the effects of ICT on urban form, processes and modes of
living, and in recent years have been largely subsumed within the label ‘smart cities’, a term
which has gained traction in business and government, as well as academia.

The term ‘smart city’ has been variously defined within the literature, but can broadly
be divided into two distinct but related understandings as to what makes a city ‘smart’. On the
one hand, the notion of a ‘smart city’ refers to the increasing extent to which urban places are
composed of ‘everyware’ (Greenfield 2006); that is, pervasive and ubiquitous computing and
digitally instrumented devices built into the very fabric of urban environments (e.g., fixed and
wireless telecom networks, digitally controlled utility services and transport infrastructure,
sensor and camera networks, building management systems, and so on) that are used to
monitor, manage and regulate city flows and processes, often in real-time, and mobile
computing (e.g., smart phones) used by many urban citizens to engage with and navigate the
city which themselves produce data about their users (such as location and activity).
Connecting up, integrating and analysing the information produced by these various forms of
everyware, it is argued, provides a more cohesive and smart understanding of the city that
enhances efficiency and sustainability (Hancke et al. 2013, Townsend 2013) and provides rich
seams of data that can used to better depict, model and predict urban processes and simulate
the likely outcomes of future urban development (Schaffers et al. 2011; Batty et al. 2012).
Everyware thus works to make a city knowable and controllable in new, more fine-grained,
dynamic and interconnected ways that ‘‘improve[s] the performance and delivery of public
services while supporting access and participation’’ (Allwinkle and Cruickshank 2011: 2). It also
provides the supporting infrastructure for business activity and growth and stimulates new
forms of entrepreneurship, especially with respect to the service and knowledge economy.

On the other hand, the notion of a ‘smart city’ is seen to refer more broadly to the
development of a knowledge economy within a city-region (Kourtit et al. 2012). From this
perspective, a smart city is one whose economy and governance is being driven by innovation,
creativity and entrepreneurship, enacted by smart people. Here, ICT is seen as being of central
importance as the platform for mobilising and realising ideas and innovations, especially with
respect to professional services. In and of itself, however, the embedding of ICT in urban
infrastructure is not seen to make a city smart (Hollands 2008). In other words, it is how ICT, in
conjunction with human and social capital and wider economic policy, is used to leverage
growth and manage urban development that makes a city smart (Caragliu et al. 2009).
Whereas the first vision of a smart city focuses on ICT and its use in managing and regulating
the city from a largely technocratic and technological perspective, the second encompasses
policies related to human capital, education, economic development and governance and how
they can be enhanced by ICT. In this scenario, networked infrastructures are enabling
technologies, the undergirding platform for innovation and creativity, that facilitates social,
environmental, economic, and cultural development (Allwinkle and Cruickshank 2011).

What unites these two visions of a smart city is an underlying neoliberal ethos that
prioritises market-led and technological solutions to city governance and development, and it
is perhaps no surprise that some of the strongest advocates for smart city development are big
business (e.g., IBM, CISCO, Microsoft, Intel, Siemens, Oracle, SAP) that, on the one hand, are
pushing for the adoption of their new technologies and services by cities and states and, on
the other, are seeking deregulation, privatisation and more open economies that enable more
efficient capital accumulation. For city officials, national governments and supra-national
states such as the European Union, smart cities offer the enticing potential of socioeconomic
progress—more liveable, secure, functional, competitive and sustainable cities, and the
renewal of urban centres as hubs of innovation and work (Kourtit et al. 2012; Townsend 2013).
Hollands (2008) thus identifies five main characteristics of a smart city as evidenced by
industry and government literature: widespread embedding of ICT into the urban fabric;
business-led urban development and a neoliberal approach to governance; a focus on social
and human dimensions of the city from a creative city perspective (alia Florida 2004); the
adoption of a smarter communities agenda with programmes aimed at social learning,
education and social capital; and a focus on social and environmental sustainability. These five
characteristics, Hollands (2008) suggests, leads to an inevitable tension within smart cities
between: serving global, mobile capital and stationary ordinary citizens; attracting and
retaining an elite creative class and serving other classes; and top-down, corporatized,
centralized development and bottom-up, grassroots, decentralised and diffuse approaches.

Another vital conjoin between these two visions of a smart city is the prioritisation of
data capture and analysis as a means for underpinning evidenceinformed policy development,
enacting new modes of technocratic governance, empowering citizens through open,
transparent information, and stimulating economic innovation and growth. Data are thus
viewed as essential constituent material to realising a smart city vision. Such data are seen as
providing objective, neutral measures that are free of political ideology as to what is occurring
in a city, with the weight of data speaking an inherent truth about social and economic
relations and thus providing robust empirical evidence for policy and practice
(MayerSchonberger and Cukier 2013). And yet, there has been to date been little critical focus
on the new forms of data being produced (or not produced), how they are being mobilised by
business, government and citizens, and the implications of real-time data analytics.

In this paper, the data explosion that has occurred over the past decade, the role of
cities as key sites in the production of such data, and how these data are being used to re-
imagine and regulate the urban life are examined. In particular, the analysis concentrates on
the new phenomena of ‘big data’ and the generation of enormous, varied, dynamic, and
interconnected datasets that hold the promise of what some see as a truly smart city—one
that can be known and managed in real-time and is sentient to some degree (Batty et al. 2012;
Townsend 2013). I detail a number of projects that aim to produce a real-time overview and
analysis of the city, and provide a critical reflection on big data and smart urbanism.

Big data and cities

There has long been the production of very large datasets, such as national censuses,
government records and geomatic surveys, that provide information about cities and their
citizens. Likewise, businesses have collated significant amounts of data about their operations,
markets and customers. However, these datasets often rely on samples, are generated on a
non-continuous basis, the number of variables are quite small, are aggregated to a relatively
coarse spatial scale, and are often limited in access. As a result, these large datasets have been
complemented by what might be termed ‘small data’ studies— questionnaire surveys, case
studies, city audits, interviews and focus groups, and ethnographies—that capture a relatively
limited sample of data that are tightly focused, time and space specific, restricted in scope and
scale, and relatively expensive to generate and analyze, to provide additional depth and insight
with respect to specific phenomena. Much of what we know about cities to date then has been
gleaned from studies that are characterised by data scarcity (Miller 2010).

The hype and hope of big data is a transformation in the knowledge and governance of
cities through the creation of a data deluge that seeks to provide much more sophisticated,
wider-scale, finer-grained, realtime understanding and control of urbanity. There is no agreed
academic or industry definition of big data, but a survey of the emerging literature denotes a
number of key features. Big data are:

 huge in volume, consisting of terabytes or petabytes of data;

 high in velocity, being created in or near real-time;
 diverse in variety, being structured and unstructured in nature, and
often temporally and spatially referenced;
 exhaustive in scope, striving to capture entire populations or systems
(n = all), or at least much larger sample sizes than would be employed in traditional,
small data studies;
 fine-grained in resolution, aiming to be as detailed as possible, and
uniquely indexical in identification;
 relational in nature, containing common fields that enable the
conjoining of different data sets;
 flexible, holding the traits of extensionality (can add new fields easily)
and scaleability (can expand in size rapidly).

(see Boyd and Crawford 2012; Dodge and Kitchin 2005; Laney 2001; Marz and Warren
2012; MayerSchonberger and Cukier 2013; Zikopoulos et al. 2012).
 In other words, big data consists of massive, dynamic, varied, detailed, inter-related,
low cost datasets that can be connected and utilised in diverse ways, thus offering the
possibility of studies shifting from: data-scarce to data-rich; static snapshots to dynamic
unfoldings; coarse aggregation to high resolution; relatively simple hypotheses and models to
more complex, sophisticated simulations and theories (Kitchin 2013).

There is little doubt that since the early 2000s there has been a transformation in the
volume of data generated. Zikopoulos et al. (2012) detail that in 2000 c.800,000 petabytes
(250 bytes) of data were stored in the world. By 2010, MGI (cited in Manyika et al. 2011: 3)
‘‘estimated that enterprises globally stored more than 7 exabytes [260 bytes] of new data on
disk drives… while consumers stored more than six exabytes of new data on devices such as
PCs and notebooks.’’ They further estimated that in ‘‘2009, nearly all sectors in the US
economy had at least an average of 200 terabytes [240 bytes] of stored data… per company
with more than 1,000 employees. Many sectors had more than one petabyte in mean stored
data per company.’’ Based on their review of data volume growth, Manyika et al. (2011)
projected a growth of 40 % in data generated globally per year. Such is the phenomenal
growth in data production, Hal Varian, Chief Economist at Google (cited in Smolan and Erwitt
2012), estimates that more data are being produced every 2 days at present than in all of
history prior to 2003 and Zikopoulos et al. (2012) expects data volumes to reach 35 zetabytes
[270 bytes] by 2020. In 2013, EU commissioner for Digital Agenda, Neelie Kroes, stated that 1.7
million billion bytes of data per minute were being generated globally (Rial 2013).

Such explosive growth in data is due to a number of different enabling and driving
technologies, infrastructures, techniques and processes, and their rapid embedding into
everyday practices and spaces. These include the widespread roll-out of fixed and mobile
internet; the development of ubiquitous computing and the ability to access networks and
computation in many environments and on the move; the embedding of software into all kinds
of machines transforming them from ‘dumb’ to ‘smart’ and the creation of a plethora of purely
digital devices; the roll-out of social media and Web 2.0 applications; advances in database
design and systems of information management; the distributed storage of data at affordable
costs; and new forms of data analytics designed to cope with data abundance (Dodge and
Kitchin 2005; Greenfield 2006; Kitchin and Dodge 2011). These developments not only enable
the accessing and sharing of data, but are also the means by which much big data are
generated. For example, mobile devices such as smartphones allow their users to access
information at the same time as they record the information accessed, and when and where it
was requested and how it was used

The sources of big data can be broadly divided into three categories: directed,
automated and volunteered. Directed data are generated by traditional forms of surveillance,
wherein the gaze of the technology is focused on a person or place by a human operator. Such
systems include immigration passport control where passenger details are collected and
checked against various databases in real-time, and new data are generated such as CCTV,
photographs, fingerprints or iris scans; or spatial video, LiDAR, thermal or other kinds of
electromagnetic scans of environments that enables mobile and real-time 2D and 3D mapping.
In the case of automated data, data are generated as an inherent, automatic function of the
device or system. There are a number of different means by which automated data are
produced, including: capture systems, in which the means of performing a task captures data
about that task (such as scanning items at a check-out till being used to monitor the till-
operators performance, as well as collecting information with regards to the items purchased
and who purchased them); digital devices, such as mobile phones, that record and
communicate the history of their own use; transactions and interactions across digital
networks that not only transfer information, but generate data about the transactions and
interactions themselves (such as indexical logs of payments or bank transfers or email);
clickstream data that records how people navigate through a website or app; sensed data
generated by a variety of sensors and actuators embedded into objects or environments that
regularly communicate their measurements; the scanning of machine-readable objects such as
travel passes, passports, or barcodes on parcels that register payment and movement through
a system; and machine to machine interactions across the internet of things (Kitchin and
Dodge 2011). In contrast, volunteered data are gifted by users. These include: interactions
across social media such as the posting of comments, observations and the uploading of
photos to social networking sites such as Facebook or Twitter; and the crowdsourcing of data
wherein users generate data and then contribute them to a common system, such as the
generation of GPS-traces uploaded into OpenStreetMap to create a common, open mapping
system (Kitchin and Dodge 2011; Sui et al. 2012).

Whilst directed and volunteered data can provide useful insights into urban systems
and city lives, it is automated forms of data generation that have most caught the imagination
of those concerned with understanding and managing cities. In particular, there has been an
interest in automated forms of surveillance, sensor networks and the internet of things, and
the tracking and tracing of people and objects. Here, the city is envisaged as ‘‘constellations of
instruments across many scales that are connected through multiple networks which provide
continuous data regarding the movements of people and materials’’ and the status of various
structures and systems (Batty et al. 2012: 482). As such, the instrumented city offers the
promise of an objectively measured, real-time analysis of urban life and infrastructure.

Automated forms of surveillance include: anonymous paper tickets being replaced

with automatically trackable ‘smart cards’; automatic number plate recognition (ANPR)
systems that use digital cameras to scan license plates and pattern match the details to owner
details and can be used to trace vehicles as they cross a city and provide inputs into intelligent
transportation systems (ITS); automatic meter reading (AMR) that communicates utility usage
without the need for manual reading and can do so on a continuous basis; and automated
monitoring of public service provision, such as RFID chips attached to rubbish bins detecting
whether they have been collected (Dodge and Kitchin 2007a; Hancke et al. 2013). Sensor
networks consist of an array of very small, inexpensive sensors or actuators that can be
embedded or placed on different structures to measure specific outputs such as levels of light,
humidity, temperature, gas, electrical resistivity, acoustics, air pressure, movement, speed,
and so on. Sensors can be passive and read by scanners, or can be active, broadcasting data at
regular intervals over local or wide area networks, or they might have near field
communication (NFC) capabilities that enables two-way communication (Hancke et al. 2013).
Sensors networks can be used to monitor the use and condition of public infrastructures, such
as bridges, roads, buildings, and utility provision, as well as general environmental conditions
within a city.
 Urban places are also now full of objects and machines that are uniquely indexical that
conduct automatic work and are part of the internet of things, communicating about their use
and traceable if they are mobile. These include automatic doors, lighting and heating systems,
security alarms, wifi router boxes, entertainment gadgets, television recorders, and so on.
Many of these devices transfer data between each other, in turn leading to new derived data.
Devices such as mobile phones can be traced through space by triangulation across phone
masts and others with built-in GPS receivers, such as mobile phones, tablets, and satnavs, can
record and transmit their own trails. Transponders can be used to monitor throughput at toll-
booths, measuring vehicle flow along a road or the number of empty spaces in a car park, and
track the progress of buses and trains along a route, and smart tickets, such as the Oyster card
on the London Underground, can be used to trace passenger travel. All of these forms of data
are growing rapidly (by 2013 over ten billion objects were connected to the in internet of
things, with this set to rise to over 50 billion by 2020; Farber 2013).

Some of these data are generated by local governments and state agencies, and some
by private companies, and by no means are they all open in nature. Nevertheless for urban
managers these forms of instrumentation provide abundant, systematic, dynamic, well-
defined, resolute, relatively cheap data about city activities and processes, enabling the
possibility of real-time analytics and adaptive forms of management and governance (Kloeckl
et al. 2012).

The real-time city

Many city governments now use real-time analytics to manage aspects of how a city
functions and is regulated. Perhaps the most common example relates to movement of
vehicles around a transportation network, where data from a network of cameras and
transponders are fed back to a central control hub to monitor the flow of traffic and to adjust
traffic light sequences and speed limits and to automatically administer penalties for traffic
violations (Dodge and Kitchin 2007a). Similarly, the police might monitor a suite of cameras
and live incident logs in order to efficiently and reactively direct appropriate resources to
particular locations. Data relating to environmental conditions might be collated from a sensor
network distributed throughout the city, for example measuring air pollution, water levels or
seismic activity. Many local governments use management systems to log public engagement
with their services and to monitor whether staff have dealt with any issues. In nearly all cases,
these are isolated systems dealing with a single issue and are controlled by a single agency.

More recently there has been an attempt to draw all of these kinds of surveillance and
analytics into a single hub, supplemented by broader public and open data analytics. For
example, the Centro De Operacoes Prefeitura Do Rio1 in Rio de Janeiro, Brazil, a partnership
between the city government and IBM, have created a citywide instrumented system that
draws together data streams from thirty agencies, including traffic and public transport,
municipal and utility services, emergency services, weather feeds, and information sent in by
employees and the public via phone, internet and radio, into a single data analytics centre (see
Fig. 1). Here, algorithms and a team of analysts process, visualize, analyze and monitor a vast
amount of live service data, alongside data aggregated over time and huge volumes of
administration data that are released on a more periodic basis, often mashing the datasets
together to investigate particular aspects of city life and change over time, and to build
predictive models with respect to everyday city development and management and disaster
situations such as flooding. This is complemented by a virtual operations platform that enables
city officials to log-in from the field to access real-time information. For example, police at an
accident scene can use the platform to see how many ambulances have been dispatched and
when, and to upload additional information (Singer 2012). The stated aim of the city’s mayor,
Eduardo Paes, was ‘‘to knock down silos… [between] departments and combine each one’s
data to help the whole enterprise’’ (Singer 2012).

Similarly, the Office of Policy and Strategic Planning for New York city has sought to
create a one-stop data analytic hub to weave together data from a diverse set of city agencies
in order to try and manage, regulate and plan the city more efficiently and effectively.
Terabytes of data stream through the office on a daily basis enabling the analysts to
crossreference data, spot patterns and identify and solve city problems (Feuer 2013). They
have also started to make some of the data available in open form,2 enabling developers to
build apps that take the data and rework and repackage it for daily consumption by city
dwellers. Likewise, Dublinked,3 provides operational data from Dublin’s four local authorities
in an open format, and many other municipal governments around the world have started to
release various kinds of administrative and operational data using various kinds of open data
models (see Ferro and Osella 2013 for an overview of eight different models). An example of
an app using such open municipal data is SmartSantanderRA an augmented reality app that
provides information on about 2,700 places in the city of Santander (beaches, park and
gardens, monuments, points of interest (POI), tourism offices, shops, galleries, museums,
libraries, public buses, taxis, bikes, parking places, and so on), along with real time access to
traffic and beaches cameras, weather reports and forecast, public buses information and bike-
rental service4 (see Fig. 2).

In other cities, such as London, live feeds of realtime data are being communicated to
citizens through what have been termed ‘city dashboards’. For example, in the London case5
(Fig. 3), developed by CASA at UCL, citizens can find out real-time information about the
weather, air pollution, public transport delays, public bike availability, river level, electricity
demand, the stock market, twitter trends in the city, look at traffic camera feeds, and even the
happiness level. These data can also be mapped. This is complemented by the London
Dashboard,6 a data visualisation site that tracks the performance of the city with respect to
twelve key areas—jobs and economy, transport, environment, policing and crime, fire and
rescue, communities, housing, health, and tourism—though these data are more
administrative in nature and not in real-time. Rather than simply providing the raw data, these
sites produce visualisations that aid the interpretation and analysis, especially for non-expert
users, and allow citizens to monitor the city for themselves and for their own ends.

For those developing and using integrated, realtime city data analytics, such centres,
apps and dashboards provide a powerful means for making sense of, managing and living in
the city in the hereand-now, and for envisioning and predicting future scenarios. Rather than
basing decisions on anecdote or intuition or clientelist politics or periodic/partial evidence, it is
possible to assess what is happening at any one time and to react and plan appropriately.
Moreover, the use of large samples and the linking of diverse forms of data provide a deeper,
more holistic and robust analysis. For advocates of such systems it thus becomes possible to
develop, run, regulate and live in the city on the basis of strong, rationale evidence rather
weak, selective evidence and political ideology. As such, it is argued, the use of such big data
provides the basis for a more efficient, sustainable, competitive, productive, open and
transparent city. But just as smart urbanism underpinned by big data offers a seemingly
attractive vision of future cities, it also raises a number of concerns, five of which will now be
examined in brief.

Five concerns about a real-time city

The politics of big urban data

Data within smart city initiatives are portrayed as being benign and lacking in political
ideology. Data are simply data: natural and essential elements that are abstracted from the
world in neutral and objective ways subject to technical constraints. Sensors and cameras have
no politics or agenda. They simply measure light or heat or humidity, and so on— producing
readings and pictures that reflect the truth about the world. Data can be taken at face value;
they are pre-analytic and rhetorical (Rosenberg 2013). Likewise, the algorithms used to process
these data are neutral and non-ideological in their formulation and operation, grounded in
scientific objectivity (Kitchin and Dodge 2011). Such a framing of data and algorithms enable
smart city projects themselves to present an image of being politically benign and
commonsensical; that big data urbanism is inherently a good thing, seeking to make a city
safer, more secure, efficient, productive, sustainable and so on by employing rigorous,
technical practices that capture, process and analyze vast quantities of transparent, neutral,
objective data. Data, however, are more complicated than that. Data do not exist
independently of the ideas, techniques, technologies, people and contexts that conceive,
produce, process, manage, analyze and store them (Bowker and Star 1999; Lauriault 2012;
Ribes and Jackson 2013). As Gitelman and Jackson (2013: 2, following Bowker) put it, ‘‘raw
data is an oxymoron’’; ‘‘data are always already ‘cooked’ and never entirely ‘raw’.’’ As such, no
data are pre-analytic, or are objective, value-free, and benign. What data are generated is the
product of choices and constraints, shaped by a system of thought, technical know-how, public
and political opinion, ethical considerations, the regulatory environment, and funding and
resourcing. Data then are situated, contingent, relational, and framed and used contextually to
try and achieve certain aims and goals

It is no different with big data used to underpin smart urbanism. Whilst big data may
seek to be allencompassing, exhaustive and politically benign, as with all data they are a
selective sample and are framed within a thought system. What data are captured is shaped
by: the field of view/sampling frame (where data capture devices are deployed, what their
settings/parameters are, who uses a space or media); the technology and platform used
(different surveys, sensors, lens, textual prompts, layout, etc. all produce variances and biases
in what data are generated); the context in which data are generated (unfolding events mean
data are always situated and contextualised with respect to circumstance); the data ontology
employed (how the data are calibrated and classified); and the regulatory environment with
respect to privacy, data protection and security (Kitchin 2013). Big data generally captures
what is easy to ensnare—data that are openly expressed (what is typed, swiped, scanned,
sensed; people’s actions and behaviours; the movement of things)—as well as data that are
the ‘exhaust’, a by-product, of the primary task/output. It takes these data at face-value,
despite the fact that they may not have been designed to answer specific questions and the
data produced might be messy, dirty, full of occlusions and biases. It is less well suited to
contextualising such data or revealing the complex contingent and relational inner lifeworlds
of people and places. Moreover, the data are generated within systems designed to enact a
particular political and policy vision. The result are data that are inflected by social privilege
and social values, especially within domains that function as disciplinary systems (such as law
enforcement) (Johnson 2013). There is no doubt that big data initiatives do produce data that
are useful for understanding and managing cities, but the politics and limitations of such data
and the methods used to produce and analyze them need to be teased apart and examined as
to the values and agendas underpinning them and whose interests they serve.

Technocratic governance and city development

The drive towards managing and regulating the city via information and analytic
systems promotes a technocratic mode of urban governance which presumes that all aspects
of a city can be measured and monitored and treated as technical problems which can be
addressed through technical solutions; displaying what Mattern (2013) terms ‘instrumental
rationality’ and Morozov (2013) calls ‘solutionism’, wherein complex social situations can be
disassembled into neatly defined problems that can be solved or optimized through
computation. Here, there is a reification of big data; they can provide the answer to all
problems (Mattern 2013). By capturing a phenomena as real-time data it seemingly becomes
possible to model, understand, manage and fix a situation as it unfolds. As Hill (2013) puts it:
‘‘[smart city thinking] betrays a technocratic view that the city is something we might
understand in detail, if only we had enough data—like an engine or a nuclear power station—
and thus master it through the brute force science and engineering.’’ Indeed, Mattern (2013)
suggests that big data urbanism suffers from ‘‘datafication, the presumption that all
meaningful flows and activity can be sensed and measured.’’ Within such thinking there is ‘‘an
often-explicit assumption that the universe is formed with knowable and definable parameters
[that] assures us that if we were only able to measure them all, we would be able to predict
and respond with perfection accordingly’’ (Haque 2012). Employing an evidence-based,
algorithmic processed approach to city governance thus seemingly ensures rational, logical,
and impartial decisions. Moreover, it provides city managers with a defence against decisions
that raise ethical and accountability concerns by enabling them to say, ‘It’s not me, it’s the
data!’ (Haque 2012).

However, technocratic forms of governance are highly narrow in scope and

reductionist and functionalist in approach, based on a limited set of particular kinds of data
and failing to take account of the wider effects of culture, politics, policy, governance and
capital that shape city life and how it unfolds. Technological solutions on their own are not
going to solve the deep rooted structural problems in cities as they do not address their root
causes. Rather they only enable the more efficient management of the manifestations of those
problems. As such, whilst smart city technologies, such as real time analytics are promoted as
the panacea for tackling urban governance issues, they largely paper over the cracks rather
than fixing them, unless coupled with a range of other policies. Further, control and command
systems centralise power and decision making into a select set of offices, at the same time that
they make elements of the data publicly available. There is clearly a delicate balance to
maintained as new forms of technologically rooted monitoring and management are rolled
out. On the one hand, such technologies enable aspects of the city to managed more
efficiently and effectively on a dynamic basis rooted in a strong evidence-base. On the other,
these data and technologies need to be complemented with a range of other instruments,
policies and practices that are sensitive to the diverse ways in which cities are structured and
function.

The corporatisation of city governance and a technological lock-in

Alongside the critique that smart city governance is too technocratic in nature is a
concern that it is being captured and overtly shaped by corporate interests for their own gain
(Greenfield 2013; Townsend 2013). The smart city agenda and associated technologies are
being heavily promoted by a number of the world’s largest software services and hardware
companies who view city governance as a large, long-term potential market for their products.
Either through being major partners in building cities from the ground up (e.g., Songdo or
Masdar City), or partnering with established cities to retrofit their infrastructure with digital
technology and data solutions, these companies have been seeking to make their wares a core,
indispensible part of how various aspects of city life are monitored and regulated. As such, as
Schaffers et al. (2011: 437) note, ‘‘smart city solutions are currently more vendor push than
city government pull based’’, with companies working to build working relationships, put in
place favourable market conditions, divert funding streams and create public–private
partnerships.

The concern around such a move is three-fold. First, that it actively promotes a
neoliberal political economy and the marketisation of public services wherein city functions
are administered for private profit (Hollands 2008). Second, that it creates a technological lock-
in that beholden cities to particular technological platforms and vendors over a long period of
time creating monopoly positions (Hill 2013). The danger here is the creation of a corporate
path dependency that cannot easily be undone or diverted (Bates 2012). As Hill (2013) details,
the strategy adopted by IT corporations mirrors that of US car manufacturers in the
midtwentieth century in creating a form of technology-led urbanism centred on car
transportation. Here, public transport networks were closed down to be replaced by a vast
road building programme that then shaped patterns of urban development in the following
decades. Haque (2012) thus wonders ‘‘what the smart city equivalents might be of Robert
Moses’ tangled, congested and polluted freeways or the failures of the Pruitt Igoe housing
complex.’’ Third, that it leads to ‘one size fits all smart city in a box’ solutions that take little
account of the uniqueness of places, peoples and cultures and straightjackets city
administrations into a narrowly visioned technocratic mode of governance (Townsend et al.
nd). Indeed, IBM is now selling a product called ‘IBM Intelligent Operations Center’, which
combines a number of the systems that were designed for Rio into a single product that can be
applied to any city (Singer 2012). Given these concerns, Hill (2013) thus warns that ‘‘[l]iterally
hardwiring urban services to a particular device, a particular operating system, is a recipe for
disaster, not efficiency… Put simply, city fabric changes slowly yet technology changes rapidly…
There is a worrying lack of thought about adaptation in this desire to install the consumer tech
layer as if it were core building services.’’ That’s not say that such a corporate lockin is
inevitable, but it is clear that is the desire of a number of very large corporate players.

Buggy, brittle and hackable cities The embedding and use of ubiquitous and pervasive
computing in city environments is creating city services and spaces that are dependent on
software to function. Dodge and Kitchin (2004) term these environments code/spaces,
wherein software and the spatiality of everyday life become mutually constituted, so that if
the software fails a space is not produced as intended as the old analogue system and
associated tacit knowledge has been entirely replaced. For example, if the software used to
control a subway system crashes, then the trains do not run (as has happened in many cities in
the past few years; see Townsend 2013); or if a supermarket’s checkout tills crash, shoppers
cannot make purchases as goods cannot be scanned or payments made, with the shop
effectively becoming a warehouse. As such, whilst potentially solving a diverse set of urban
problems, the creation of code/spaces through smart city projects leaves cities vulnerable to
other issues. In particular, it has the potential to create buggy, brittle and exposed city services
and spaces that are prone to viruses, glitches, crashes, and security hacks that can cause havoc
(Kitchin and Dodge 2011; Townsend 2013). As Kitchin and Dodge (2011) detail, software is an
unusual product because it is sold in full knowledge that it is inherently partial, provisional,
porous and open to failure. Software-enabled technologies, especially those that are
networked and distributed, routinely have to be patched and updated to cope with new
contingencies. And as systems become ever more complicated, interconnected and dependent
on software, the challenge of producing stable, robust and secure devices and infrastructures
increases (Townsend 2013).

What are the implications then of creating extensive city systems that are reliant on
software to function? Of taking two highly complex, contingent and open systems—cities and
information systems— and interweaving them together? Or as Townsend (2013) puts it:
‘‘What if the seeds of smart cities’ own destruction are already built into their DNA? What if
the smart cities of the future are buggy and brittle? What are we getting ourselves into?’’ He
suggests that as more and more systems are layered on top of ICT networks, each in a
relatively brittle state, the risks of critical failures and ‘normal accidents’ (everyday glitches)
become compounded. At the same time analogue alternatives are disappearing. Moreover,
ever more systems are becoming open to malicious forms of attack. For example, the Israeli
government acknowledges that its essential services such as water, electricity, banking, rail
and road infrastructure is the target of numerous cyber attacks, with Israel Electric Corp
reporting that it receives 6,000 attempted hacks every second (Paganini 2013). And in October
2012, the traffic management system for a major artery in Haifa was hacked causing traffic
chaos for hours (Paganini 2013). And beyond critical systems, Mims (2013) reports that
smartphones, tablets, and the various devices making up the internet of things are all highly
vulnerable to direct attacks that force objects to exceed their design parameters or operate in
dangerous ways, misdirection through distorting readings leading to user error and damage,
and the theft of information. Whilst the nascent deployment of smart city technologies have
had some teething issues, contra to the concerns expressed above they have been relatively
robust despite their vulnerabilities. Nonetheless, as more systems are deployed, Townsend
concludes: ‘‘The only questions will be when smart cities fail, and how much damage they
cause when they crash.’’

The panoptic city?

Over the past couple of decades, with the development of various forms of directed,
automated and networked digital technologies, there have been increasing concerns over the
rising level of surveillance in societies, explicitly acknowledging the politics of data. It is now
possible to track and trace individuals and their actions, interactions and transactions in
minute detail across a number of domains (work, travel, consumption, etc.). This level of
monitoring has been driven by a growing ‘culture of control’ that desires ‘security, orderliness,
risk management and the taming of chance’ (Garland 2001, cited in Lyon 2007: 12). However,
despite systems becoming more widespread, fine-grained and sophisticated, they have largely
operated as independent systems and the notion of a panopticon (an all-seeing vantage point)
has remained open to vertical (within an activity) and horizontal (across activities)
fragmentation due to agencies communicating imperfectly or being unable or unwilling to
exchange or compare information (Hannah 1997). Governance has thus consisted of a set of
oligopticons—partial vantage points from fixed positions with limited view sheds (Amin and
Thrift 2002).

Big data and data control centres, such as the Centro De Operacoes Prefeitura Do Rio,
that integrate and bind data streams together, work to move the various oligopticon systems
into a single, panoptic vantage point and raise the spectre of a Big Brother society based on a
combination of surveillance (gazing at the world) and dataveillance (trawling through and
interconnecting datasets), and a world in which all aspects of a citizen’s life are captured and
potentially never forgotten (Dodge and Kitchin 2007b). There is an inherent tension then in the
creation of systems that seek to enable more effective modes of governance which also
threaten to stifle rights to privacy, confidentiality, and freedom of expression. As more and
more aspects of urban life are captured as data in dynamic ways at finer resolutions, this
tension is set to grow and it will be important to balance the benefits of data analytics with
individual and societal rights in order to maintain democracy and trust in government,
especially when so much of the data will be processed by corporate systems. Without
regulated oversight and enforcement concerning abuses of data, then there is likely to
significant resistance and push-back against real-time analytics by citizens.

Conclusion
 The notion of smart cities has gained much traction in recent years as a vision for
stimulating and supporting innovation and economic growth, and providing sustainable and
efficient urban management and development. One significant aspect of the smart cities
concept is the production of sophisticated data analytics for understanding, monitoring,
regulating and planning the city. As cities have become increasingly embedded with all kinds of
digital infrastructure and networks, devices, sensors and actuators, the volume of data
produced about them has grown exponentially, providing rich streams of information about
cities and their citizens. Such big data are varied, fine-grained, indexical, dynamic and
relational enabling real-time analysis of different systems and to interconnect data across
systems to provide detailed views of the relationships between data. For citizens such data and
its analysis offers insights into city life, aids everyday living and decision-making, and
empowers alternative visions for city development. For governments, big data and integrated
analysis and control centres offer more efficient and effective city management and regulation.
For corporations, big data analytics offers new, long term business opportunities as key players
in city governance.

Over the next decade, the real-time city is likely to become a reality in many cities as
urban administrations seek to capitalise on new data streams and new commercial products
are bought to market that help governments and citizens make sense of the city. Whilst such
big data analytics offers a number of opportunities, they also raise a number of concerns with
respect to the politics of such data, technocratic governance, the corporatisation and further
neoliberalisation of city management, the possibilities of a technological lock-in, system
vulnerabilities, ethical issues with respect to surveillance, dataveillance and control, as well as
other concerns relating to data quality, fidelity, security, the validity of analytics that utilise
data dredging techniques, and how data are interpreted and acted upon. Given the role that
such systems are likely to play in shaping urban governance there is a pressing need to
interrogate the nature and production of urban big data, the composition and functioning of
urban analytics and control centres, and the implications of technocratic, corporatised and
realtime forms of governance. This paper has provided some initial entry points, but wider
synoptic overviews and in-depth empirical studies are required to examine existing and
potential smart urbanism. As Greenfield (2013) and Townsend (2013) argue, without such
critical interrogations the smart cities of the future will likely reflect narrow corporate and
state visions, rather than the desires of wider society.