A klaszteranalízis pontosan megadja a városok csoportokba tartozását, azonban nem ad információt az egyes városok egymáshoz viszonyított helyzetéről sem a klasztereken belül, sem pedig a klaszterek között. Ezen információigényünk kielégítését a többdimenziós skálázás (Multidimensional Scaling, MDS) lefolytatásától várhatjuk. Az MDS nem határoz meg klasztereket, viszont az objektumok geometriai reprezentációját adja, melyben színes karikákkal feltüntettük a 11.13. táblázatban megadott klasztereket is (11.1. ábra).

 

 

Az eljárás jóságát mérő „S-stress” mutató értéke 0,062 lett, ami szerint a városok helyzete az ábrán jól tükrözi az eredeti sokdimenziós térben köztük lévő távolságokat. A vízszintes x koordináta-tengely a Spearman-féle rangkorrelációs együttható alapján szoros vagy közepes kapcsolatban áll az önkormányzatok beavatkozásának időtávját reprezentáló változókkal: az utak alkalmassá tétele önvezető járművel való közlekedésre (r = 0,74); a kisebb parkolóhelyigény miatt a város máshogy hasznosítja a korábbi parkolóhelyeket (r = 0,67); állandó utcai tesztek engedélyezése (r = 0,585); tesztzóna kialakítása a város utcáin (r = 0,583); városunkban megjelenik egy önvezetőjárműflotta-kezelő, és megosztáson alapuló szolgáltatást indít (r = 0,553); az önvezető technológia által igényelt telekommunikációs hálózatfejlesztések végrehajtása (5G, antennarendszerek stb.) (r = 0,551). A függőleges y tengely szoros vagy közepes negatív irányú kapcsolatban áll azzal, hogy milyen mértékűnek becsülik a fellépő nehézségeket nagyságát: adathozzáférési problémák (r = −0,74); adattárolási problémák (r = −0,70); kiberbiztonsági problémák (r = −0,68); adatbiztonsági problémák (r = −0,68); információhiány (r = −0,58); tudással és tapasztalattal rendelkező helyi kollégák hiánya (r = −0,52).