I detta avsnitt analyseras modellens funktion som testades i tidigare avsnitt. Analysen delas upp utifrån vardera område i modellen, där varje faktor analyseras individuellt. I analysen presenteras också förslag på förändringar gällande de olika faktorerna, exempel om någon faktor täcker mer än en av hållbarhetsdimensionerna.
5.1 System
Finansiering: Fördelen med finansieringsfaktorns upplägg är att den ger staden
en möjlighet att se vilka lösningar som de kunnat implementera till en lägre kostnad. Insamling av denna information ger även tillgång till befintliga lösningar som finns. Något som kan bidra med best practices, testfall och riskbedömning vid en eventuell implementering.
Problemet som uppstår vid användningen av finansieringsfaktorn är att de lösningar där en alternativ finansiering finns är att finansiering drivs av användare, alltså kunder. När kunder blandas in i bilden går behovsbilden från att fokusera på allmännyttan, miljön, till att fokusera på individnyttan. Enligt Kotler och Armstrong [42] väljer kunder i första hand att spendera på produkter som direkt gynnar de själva. Enligt Donoghues [23] är detta det enda sätt som system bör utvecklas och beslut bör tas, på ett vis där användarens nytta går i första hand.
Vill en stad implementera en IoT-lösning som gynnar miljön, men som finansieras på en alternativ väg bör staden därför se över hur IoT-lösningen kan skapa direkt kundnytta. Denna faktor kan väga tyngre för en stad med svagare investeringsförmåga men som ändå vill ha en lösning som bidrar till att uppfylla stadens miljömål.
Tekniskt beprövat: Denna faktor ger en god bild av vilka städer som tidigare
har använt IoT-lösningarna, vilket innebär att staden som ska implementera lösningen har tillgång till best practices. Best practices är som tidigare nämnt ett användbart verktyg vid implementation av förändringar för att minska risken att misslyckas med implementationen [8][38].
Att se på enbart teknisk prövning medför däremot ett problem. Skulle staden välja bort en möjlig IoT-lösning som aldrig testats innan, enbart för att det aldrig testats finns risken att de går miste om möjligheterna IoT-lösningen medför. Teknisk prövningsfunktion blir alltså snarare en del av helheten till beslutet än att agera som eget beslut.
Ytterligare personal: Denna faktor var tänkt att visa städer huruvida
ytterligare personal behövs, vilket skulle vara en negativ faktor. Detta utifrån tanken att IoT-lösningar syftar till att skapa automation, alltså minskad mänsklig involvering. Det har däremot framkommit under analysarbetet att en delar av marknaden marknadsför sig just som ett sätt att skapa arbetstillfällen [50]. Vid vidare inblick i detta har studier gjorts, bl.a. en studie av Girma et al. [28] som visar på att skapa arbetstillfällen i den offentliga sektorn kan bidra till en bättre ekonomi såväl för samhället som för privata aktörer. Utifrån detta kan denna faktors ”Ja” ses som positivt eller negativt, beroende på om staden vill skapa arbetstillfällen eller minimera kostnader för IoT-lösningen. Att skapa arbetstillfällen eller minska kostnader utgör däremot sociala respektive ekonomiska effekter och har ingen direkt koppling till den miljömässigt hållbara
26
utvecklingen. Detta gör att faktorn i sig inte har någon direkt inverkan på det faktiska syftet och bör ses över.
5.2 Stad
Miljömål: Denna faktor finns med för att ta reda på om en stad har miljömål och
lyfta fram de mätbara miljömålen som staden tagit upp. Idag har svenska städer oftast egna miljömål alternativt har riksdagen satt upp mål för hur svenska städer ska arbeta med miljöfrågor [48]. Detta gör att frågan om staden har uppsatta miljömål blir redundant vid applicering av modellen på svenska städer. Däremot fungerar faktorn bra för att identifiera de miljöfaktorer som tas upp i miljömålen.
Vidare kunde inte samtliga miljömål som satts upp från Malmö stads sida mätas ur ett miljömässigt perspektiv, eftersom vissa inte var direkt miljömässiga. Ett exempel på detta var målet som formulerats av Malmö stad: ”God vistelsemiljö för alla i Malmö” vilket fokuserade mer på invånarnas personsäkerhet än miljömässiga faktorer. Detta väcker frågan om modellen hade behövt inkorporera fler delar av CSR-perspektivet, alltså även se på IoT- lösningarnas inverkan på den sociala och den ekonomiska hållbarheten. Trots att modellen enbart skulle fokusera på miljömässiga faktorer tycks vissa av stadens miljömål inkorporera mer än bara miljön.
Infrastruktur: Den infrastrukturella faktorn baserade sig på stadens
upplevelse av vilken lösning som skulle vara mest rimlig att genomföra. Detta är bedömning som kan ge en mer insiktsfull grund, men de subjektiva inslagen från respondenterna kan påverka. Ett exempel här är om de personligen skulle se större nytta i en lösning än en annan, vilket återigen kan kopplas till Kotler och Armstrongs [42] syn på att den personliga nyttan prioriteras framför den allmänna nyttan.
Ekonomiskt förhållande: Denna faktor var menad att visa på hur stadens
ekonomiska förhållanden ser ut i jämförelse med andra städer i samma geografiska område. Tanken var att det skulle ge en bild av den investeringsförmåga staden hade i förhållande till andra städer och att prioritera IoT-lösningar därefter. Detta visade sig inte vara särskilt effektivt, speciellt inte när modellen appliceras på en svensk stad. Sverige använder sig av statsbidrag och skatteutjämning vilket gör att jämförelsen mellan städer blir väldigt jämn när det handlar om skattepengar som kommer in till staden. Hade en nationell databas funnits som mätt städers likviditet hade faktorn kunnat vara mer relevant. Att ha med en faktor som behandlar investeringsförmåga kan i efterhand ses som onödigt eftersom denna data borde varit med av den förstudie som gjorts tidigare i beslutsprocessen.
5.3 Miljö
Miljömatrisen ger en god bild av vilka miljöfaktorer som påverkas av de olika
IoT-lösningarna. Problemet kan vara matrisens brist på djup, eftersom den enbart visar på om en miljöfaktor påverkas av IoT-lösningen och inte ger någon bild av hur mycket varje faktor påverkas. Att gå från att svara på om en faktor påverkas till hur mycket en faktor påverkas skulle kräva en mycket mer ingående analys av varje IoT-lösning. Inte heller den kortsiktiga och långsiktiga effekten av varje lösnings inverkan tas upp i matrisen, vilket hade kunnat ge en bild av hur snabbt effekten av lösningen märks av.
27