Eriarvoisuus

Älykaupunkien pelätään myöskin lisäävän eriarvoisuutta. Ensinnäkin niiden pelätään lisäävän eriarvoisuutta kaupunkien ja alueiden välillä. Kaupungit ja alueet kilpailevat jo valmiiksi, ja uusien teknologioiden hallinta saattaisi asettaa tietyt kaupungit etulyöntiasemaan. On pelätty, että älyjärjestelmiä tehokkaasti hyödyntävät kaupungit kykenisivät vetämään puoleensa osaamisen, asukkaat ja pääoman, ja ympäröivät kaupungit alkaisivat näivettyä. (Graham & Marvin, 1996.) Tämä on merkillepantavaa, koska kaikilla kaupungeilla ei välttämättä ole resursseja lähteä mittavaan kilpailuun älykkäiden järjestelmien soveltamisessa. Älyjärjestelmät saattavat siis vain vahvistaa kaupunkien jo olemassa olevia eroja.

Marshall McLuhan ennusti vuonna 1964 klassikkoteoksessaan ’’Understanding Media: The Extensions of Man’’ teknologian lopulta hävittävän kokonaan ’’etäisyydet’’. McLuhan tarkoitti tällä sitä, että kehittyvä teknologia mahdollistaisi lopulta sen, että ihmiset pystyisivät työskentelemään ja kommunikoimaan missä tahansa, milloin tahansa. Näin ei näytä käyneen vielä ainakaan työssäkäynnin osalta, vaan teknologia on keskittynyt tiettyihin kaupunkeihin ja kaupunginosiin, ja ihmiset kulkevat muualta sinne töihin (Graham & Marvin, 1996; Wheeler, Aoyama & Warf, 2000).

Kirjassa ’’Cities in the Telecommunications Age: The Fracturing of Geographies’’ (Wheeler, Aoyama & Warf (toim.), 2000) käsitellään muun muassa sitä, miten nykyaikaisessa, globaalissa maailmantaloudessa erilaiset tuotteiden, pääoman ja datan virrat kiertävät maailmaa, erityisesti

virtojen solmukohtien, jotka usein ovat merkittäviä kaupunkeja, kautta. Älykaupungit voivat olla tällaisia virtojen solmukohtia. Tämä usein kuitenkin johtaa siihen, että solmukohtia ympäröivät alueet ovat ainoastaan työ- tai ostovoiman lähteitä, eikä niihin pääse kertymään elinvoimaisuutta synnyttäviä tekijöitä, kuten investointeja, osaamista ja työvoimaa.

Samassa kirjassa todetaan, että eriarvoisuus voi kasvaa myös älykaupungin sisällä. Älypalvelut, niiden tuottajat ja työntekijät pyrkivät kasaantumaan tietyille alueille, ja tätä kautta myöskin varallisuus ja osaaminen pyrkivät kasaantumaan tiettyihin kaupunginosiin muiden alueiden kurjistuessa. Tämä johtaisi kaupungin sisäisessä työnjaossa siihen, että tietyt kaupunginosat olisivat entistä enemmän työntekijöiden ja palvelunkäyttäjien asuinalueita, ja työpaikat, palvelut ja hallinto sijaitsisivat aiempaa selkeämmin omissa kaupunginosissaan (Wheeler ym., s. 18-30, 219-282).

Robert G. Hollands huomauttaa artikkelissaan ’’Will the real smart city please stand up?’’(2008) älykaupunkien houkuttelevan tietyn osaamis- ja tulotason ihmisiä. Tämä voi kiihdyttää gentrifikaatiota, ja nousevat asumiskustannukset ajaisivat vähävaraisemmat asukkaat ulos älykaupungista. Hollands huomauttaa myös, että älykaupunkien suosima ICT-sektori on varsin miesvaltainen ala, joten tämä saattaa vääristää myös älykaupunkien sukupuolijakaumaa.

Eriarvoisuuden kasvusta voi muodostua itseään ruokkiva kierre. Kirjassa ’’Splintering Urbanism:

Networked Infrastructures, Technological Mobilities and the Urban Condition’’ (Graham & Marvin, 2001) kuvataan sitä, miten varallisuuden, älykkäiden järjestelmien ja tietotaidon kasaaminen johtaa siihen, että vauraammilla alueilla ruvetaan kehittämään omaa älykästä infrastruktuuria ja palveluita, ja verotulojen kaventuessa pienituloisempien alueiden palvelut ja infrastruktuuri heikkenevät entisestään ja nämä alueet jäävät kehityksessä entistä enemmän jälkeen.

Älykkäät järjestelmät ja infrastruktuuri mahdollistavat myös jo olemassa olevien varallisuuserojen aiempaa tehokkaamman vakiinnuttamisen. Stephen Graham käsittelee kirjoituksessaan ’’Digital Medieval’’ (2012) kasvavaa trendiä, jossa varakkaat ihmiset vetäytyvät omiin, suljettuihin asuinalueisiinsa, joissa he nauttivat itse maksamistaan palveluista valvontakameroiden, liikkeentunnistimien ja vartijoiden pitäessä ulkopuoliset loitolla. Graham kutsuu tätä ’’urbaaniksi militarismiksi’’ ja varoittaa sen rappeuttavan kaupunkien yhtenäisyyttä, tasa-arvoa ja ihmisten yhteenkuuluvuuden tunnetta entisestään.

Puutteellinen digitaalinen lukutaito on myös yksi älykaupungeissa eriarvoisuutta lisäävä tekijä.

Philip Ashton varoittaa raportissaan (2019), että ihmiset, joilla on heikot digitaidot tai joiden varallisuus ei riitä älylaitteiden hankkimiseen, ovat vaarassa jäädä älykkäiden palveluiden ulkopuolelle.

Vanhukset ovat usein tässä riskiryhmässä. Heidän kognitiiviset taitonsa eivät välttämättä enää riitä uuden oppimiseen, ja he ovat usein myös alemman tulotasonsa takia vaarassa joutua syrjäytyneiden joukkoon. (Brdulak, 2017.) Suomessa ikäihmisten digiosaamisen puutteesta on keskusteltu muun muassa soteuudistuksen ja sotepalveluiden digitalisaation yhteydessä (Mikkonen, 2017).

Ikäihmisten lisäksi digisyrjäytymisen vaara koskee myös muita liikuntarajoitteisia ihmisiä, esimerkiksi erilaisista oppimis- tai kehityshäiriöistä kärsiviä. Mikäli älykaupungin ja sen palveluiden suunnittelussa unohdetaan esteettömyyden ja helppokäyttöisyyden vaatimus, esimerkiksi kehitysvammaiset saattavat jäädä palvelujen ulottumattomiin. (Woyke, 2019). Myös maahanmuuttajat kuuluvat riskiryhmään. He voivat jäädä älypalvelujen ulkopuolelle sen takia, että eivät saa riittävästi palveluja tai opastusta omalla kielellään. (Tanninen, 2019.)

Älykaupungin dataa voidaan käyttää väärin, mikä voi vahvistaa eriarvoisuutta. Datasta ei välttämättä kyetä erottamaan kausaliteetin ja korrelaation eroa, ja datan käyttäjien tai järjestelmän suunnittelijoiden ennakkoluulot voivat valua läpi ja vääristää tuloksia. (Edwards, 2015.)

Brunilda Pali ja Marc Schuilenburg erittelevät artikkelissaan ’’Fear and Fantasy in the Smart City’’

(2019) keinoja, jolla älykaupungissa suljetaan ei-toivottuja ihmisiä ulkopuolelle tai pyritään ohjaamaan heidän käytöstään toivottuun suuntaan. Ensimmäinen keino on poissuunnittelu (designing out), jossa ’’ei-toivotut’’ ja ’’epäpuhtaat’’ yksilöt ja ihmisryhmät pidetään poissa pääsykielloilla ja suunnittelemalla infrastruktuuri niin, ettei näille henkilöille löydy sieltä paikkaa.

Toinen keino on seulonta (filtering), jossa ei-toivotut ihmiset pidetään poissa luokittelulla, hierarkisoinnilla sekä jakamisella, jossa hyödynnetään olemassaolevaa dataa, valvontajärjestelmiä sekä ennaltaehkäiseviä toimenpiteitä. Viimeinen keino on sisäänsuunnittelu (designing in), jossa erityistarkkailun alaisena olevat pääsevät mukaan julkisiin tiloihin niin kauan, kunhan ne noudattavat sääntöjä ja käyttäytyvät halutulla tavalla. Ihmisten käytöstä ohjaillaan haluttuun suuntaan esimerkiksi melutasoa, valaistusta, lämpöä ja valvontajärjestelmiä mukauttamalla.

Kirjoittajat huomauttavat, että kaikissa esimerkeissä ihmiset ovat ei-toivottuja sen takia, keitä he

ovat, eivätkä sen takia, mitä he tekevät tai ovat tehneet. Tässä valvonnassa käytettävää dataa voidaan vääristellä eri tavoin.

Artikkelissa ’’Dirty Data, Bad Predictions: How Civil Rights violations Impact Police Data, Predictive Policing System, and Justice’’ (Richardson, Schultz & Crawford, 2019) selvitetään sitä, miten yhdysvaltalaiset poliisilaitokset ovat hyödyntäneet dataa poliisitoimintansa suunnittelussa ja rikosten ennaltaehkäisyssä. Kirjoittajat osoittavat, miten datan väärintulkitseminen, poliisien omat ennakkoluulot ja datan tahallinen vääristely ovat johtaneet virkavallan väärinkäytöksiin, poliisien huomion keskittymiseen tiettyihin etnisiin vähemmistöihin, kuten tummaihoisiin ja latinoihin, näiden vähemmistöjen jäsenten joutumiseen pidätetyksi tai tutkittavaksi kohtuuttoman usein sekä ennaltaehkäisevien toimien keskittymiseen liioitellun aktiivisesti näiden vähemmistöjen valvomiseksi. Tämä on lisännyt näiden ihmisryhmien syrjäytymisriskiä ja ohjaillut poliisilaitosten resurssien käyttöä epätasapainoon.

Eriarvoisuus ja ennakkoluulot voivat heijastua datasta ja älykkäistä järjestelmistä myös muilla tavoin. Tutkimukset ovat osoittaneet esimerkiksi, että kasvojentunnistuslaitteet tunnistavat kaikkein parhaiten valkoihoisten miesten kasvoja, kun taas naisten ja ei-valkoisten tunnistamisessa laitteiden osumatarkkuus on huomattavasti heikompi. (Porter, 2019.) Kasvojentunnistukseen liittyvät ongelmat on havaittu myös digitaalisissa valheenpaljastustesteissä. Järjestelmä ei ole osannut lukea ei-valkoisten ja naisten kasvonilmeitä yhtä hyvin kuin valkoisten miesten. (Gallagher & Jona, 2019.) Tämä tietenkin osoittaa sen, että valvonta- ja turvajärjestelmissä on aukko, jota voidaan hyväksikäyttää vaarallisin seurauksin ja lisäksi se osoittaa, että tietyt ihmiset ovat näiden järjestelmien kiinnostuksen kohteena turhankin usein.

Älykaupungissa tietyt ihmiset tai ihmisryhmät voivat olla pakotettuja muuttamaan pois. Heillä ei eri syistä ole mahdollisuuksia käyttää kaupungin palveluja tai osallistua yhteiseen päätöksentekoon.

Heihin kohdistuu epäoikeudenmukaisen paljon valvonta- ja muita toimenpiteitä viranomaisten taholta. Heillä ei ole vaadittavia taitoja, varallisuutta tai työpaikkaa. Heitä ollaan selkeästi poissulkemassa älykaupungin visiosta.