2. Grundlagen: Mobilitätsmarkt, Mobilitätsdaten und Anspruchsberechtigte von Mobilität

Der Begriff Mobilität leitet sich vom lateinischen „mobilitas“ ab (dt. „Bewegung“ oder „Beweglichkeit“) und meint ganz allgemein die Flexibilität zwischen verschiedenen, oft gleichrangigen, Wahlmöglichkeiten (Dahlmann 2017, S. 685). Mobilität kann sich auf unterschiedliche Dimensionen beziehen, innerhalb derer verschiedene Alternativen zur Verfügung stehen. Nicht zuletzt wird Mobilität deshalb auch regelmäßig mit Hoffnung, Freiheit, Freizeit und Wandel assoziiert (Linden und Wittmer 2018, S. 16).

Im allgemeinen Sprachgebrauch wird Mobilität zumeist auf die Dimension der zeitlich-räumlichen Ortsveränderung von Personen bezogen (räumliche oder physische Mobilität).¹ Sie dient als Maß für die Fähigkeit oder Befähigung von Individuen und Gruppen, Bewegungen durchzuführen und Distanzen überwinden zu können. Diesem Verständnis folgend, ermöglicht Mobilität den Zugang zu verschiedenen Orten und liefert damit die Voraussetzung für das Erreichen anderer Personen oder Stätten, die Umsetzung von Aktivitäten und die Inanspruchnahme von Leistungen und Angeboten. Im Ergebnis können so grundfunktionale Tätigkeiten, wie Arbeit, Versorgung und soziale Teilhabe sichergestellt bzw. unterstützt werden; berufliche wie private Ziele lassen sich realisieren und Lebensqualität steigern (Kagermann 2017, S. 357). Es lässt sich folglich ableiten, dass Mobilität auch die persönliche Entfaltung sowie die wirtschaftliche Leistungsfähigkeit – letzteres sowohl auf individueller als auch auf gesamtwirtschaftlicher Ebene – begünstigt. Die Bedeutung von Mobilität zeigt sich nicht zuletzt in den Ausgaben, die jährlich in den Bereich der Mobilität fließen.

Davon abzugrenzen ist der Begriff des Verkehrs, der in der öffentlichen Diskussion häufig synonym zur Mobilität verwendet wird (Petersen und Schallaböck 1995, S. 9). Im Unterschied zur Mobilität beschreibt er jedoch die Umsetzung eines realen Bewegungsvorgangs, d. h. die konkrete Raumüberwindung (Schellhase 2000, S. 17). Verkehr kann vor diesem Hintergrund als die Ortsveränderung von Personen verstanden werden, die durch ein Verkehrsmittel bzw. Fahrzeug umgesetzt wird. Verkehrsmittel stellen somit die Instrumente dar, mit denen Mobilität wahrgenommen wird bzw. einzelne Mobilitätsaktivitäten umgesetzt werden (Linden und Wittmer 2018, S. 16). Die nähere Betrachtung lässt eine Unterscheidung zwischen dem Individualverkehr und dem Öffentlichen Verkehr zu. Der Individualverkehr umfasst die Nutzung eines individuell verfügbaren Verkehrsmittels. Eine weitere Differenzierung ergibt sich zwischen der motorisierten und nicht-motorisierten Form. Verkehrsmittel, die im Rahmen des motorisierten Individualverkehrs meist zum Einsatz kommen, sind der Pkw und das Motorrad. Das Fahrrad ist typisch für die Umsetzung des nicht-motorisierten Individualverkehrs (Holz-Rau 2018, S. 1578).

Der Öffentliche Verkehr hingegen besteht aus der Personenbeförderung mit einem öffentlich bereitgestellten Verkehrsmittel. Im Unterschied zum Individualverkehr ist dieser für alle Mitglieder einer Volkswirtschaft grundsätzlich zugänglich und stellt damit einen Teil der gesellschaftlichen Versorgung dar. Er wird durch Verkehrsunternehmen getragen und ausgeführt und ist in aller Regel gegen Zahlung eines festgelegten Preises nutzbar. Innerhalb des Öffentlichen Verkehrs kann weiter zwischen dem Nah- und dem Fernverkehr unterschieden werden (Ammoser und Hoppe 2006, S. 13).

Eine Sonderform stellen öffentlich zugängliche Verkehrsmittel des Individualverkehrs dar, speziell Mietwagen, Car-, Ride- und Bike-Sharing (Dziekan und Zistel 2018, S. 347 f.).

An der Mobilität ist eine Vielzahl an Akteuren beteiligt, die in ganz unterschiedlicher Art und Weise zur Verfügbarkeit und Funktionsfähigkeit von Mobilität beitragen. Teils bestehen zwischen ihnen komplexe Abhängigkeiten, wechselseitige Beziehungen sowie Kooperationen.

Zu den Akteuren gehört zunächst die (1) Öffentliche Hand (Gebietskörperschaften, Bund, Länder und Kommunen), deren Aufgabe allgemein in der Wahrung gesamtgesellschaftlicher Interessen und damit in der Daseinsvorsorge – gerade auch in Bezug auf Mobilität – liegt. Sie hat folglich dafür Sorge zu tragen, dass die Möglichkeit der räumlichen Ortveränderung und damit gleichermaßen der sozialen Teilhabe für jedermann garantiert ist (Rammert 2019, S. 63). Durch die Schaffung und die Definition rechtlicher Rahmenbedingungen liefert die öffentliche Hand eine wichtige Voraussetzung für das Zustandekommen von Verkehr und damit für Mobilität. Ihre Aufgabe umfasst die Bereitstellung von Infrastruktur; zudem trägt sie die Verantwortung für das Vorhandensein von Verkehrsangeboten (Kemming und Reutter 2012, S. 22). Gleichermaßen ist mit der Aufgabenerfüllung ein wichtiger Grundstein für die Standortattraktivität gelegt, die wiederum die Ansiedlung von Wirtschafts- und Investitionskraft mit sich bringt (Hasse et al. 2017, S. 20).

Eine weitere wichtige Voraussetzung für das Zustandekommen von Verkehr und Mobilität ist die Verfügbarkeit von (2) Herstellern (inkl. deren Zulieferern) mit ihren Geschäftsmodellen rund um die Entwicklung und Produktion. Einerseits handelt es sich hierbei um die Entwicklung und Bereitstellung erforderlicher Technologie, andererseits um die Herstellung von Verkehrsmitteln. Da bei vielen Verkehrsmitteln die Nutzung traditionell mit dem Erwerb des zugrundeliegenden Fahrzeugs verbunden ist (z. B. Fahrrad oder Kfz), fallen Hersteller und Anbieter zusammen. Eine besondere Rolle kommt den Automobilherstellern zu, die ihre Marktmacht in den vergangenen Jahren genutzt haben, um ihr Geschäftsmodell zu erweitern und immer mehr Zusatzleistungen zu integrieren.

Konkret ermöglicht wird Mobilität durch Verkehrsangebote, die wiederum von (3) Mobilitätsdienstleistern zur Verfügung gestellt werden. Entsprechende Akteure sind Verkehrsunternehmen und -verbünde, Taxiunternehmen sowie zunehmend auch Verleih- und Sharinganbieter, die als öffentliche oder private Dienstleister auftreten (z. B. Car- und Bike-Sharing). Ebenfalls von wachsender Bedeutung sind seit einigen Jahren digitale Mobilitätsanbieter, die sich auf dem Mobilitätsmarkt zu etablieren versuchen. Sie erbringen moderne Mobilitätslösungen z. B. durch Bündelung von bestehenden Verkehrsmitteln, speziell die Verknüpfung des ÖV mit Sharing-Angeboten. Obgleich solche Mobilitätsanbieter bislang überwiegend regional agieren, kann ihnen eine steigende Bedeutung beigemessen werden (Dumauthioz et al. 2019, S. 23). Ihr Geschäftsmodell ist i. d. R. dadurch charakterisiert, dass – statt einzelner Mobilitätsaktivitäten – ein umfassendes Angebot geschaffen wird, das „die organisatorische Vernetzung von Verkehrsmitteln und Mobilitätsdienstleistungen zur Förderung von Inter- und Multimodalität mit einem Verkehrsverbund oder Verkehrsunternehmen als Koordinator“ zum Ziel hat (Gertz 2013, S. 24). Digitale Mobilitätanbieter schaffen damit nicht nur attraktive Alternativangebote zur Nutzung des eigenen Fahrzeugs, sondern ermöglichen durch die entsprechende Koordination gleichermaßen die Abdeckung intermodaler Wegeketten (Kemming und Reutter 2012, S. 22). Ermöglicht werden derartige Geschäftsmodelle durch die Etablierung neuer Technologien im Rahmen der Digitalisierung, wie insbesondere der Informations- und Kommunikationstechnologie, der Identifikations-, speziell der Sensortechnologie sowie die Plattform-Ökonomie (Rammert 2019, S. 65). Neben Geschäftsmodellen der intermodalen Vernetzung von Mobilitätsangeboten begünstigt die Digitalisierung die Entstehung weiterer Vermittlungsleistungen (Vermittlung von Fahrgemeinschaften, wie bspw. blablacar, oder Vermittlung von Taxifahrten, wie bspw. FREE NOW), die gewissermaßen als Vorstufe intermodaler Mobilität verstanden werden können. Darüber hinaus stellt die Digitalisierung die Voraussetzung für die Entstehung datenbasierter Geschäftsmodelle, wie bspw. Kartendienste etc., dar (Schwedes et al. 2017). Im weiteren Sinne lässt sich daher auch eine ganze Reihe an (4) Technologieunternehmen und Digitalkonzernen den Akteuren auf dem Mobilitätsmarkt zuordnen.

Eine weitere wichtige Gruppe an Akteuren im Mobilitätsumfeld sind die (5) Erbringer erweiterter Dienstleistungen, die in direktem oder indirektem Zusammenhang zu einzelnen Verkehrsmitteln oder der Mobilität als Ganzes stehen können. In der Regel adressieren sie spezifische, mit der Mobilitätsaktivität verbundene Bedürfnisse oder tragen zu einer höheren Convenience bei. Ihr Geschäftsmodell reicht von der Reisebuchung über die Treibstoffzufuhr und die Fahrzeugreparatur bis hin zur Finanzierung und Versicherung (Jost 2021, S. 193).

Zu guter Letzt sind es die verschiedenen (6) Erzeuger von Mobilität (wie z. B. Shopping-Center und Kliniken; abzugrenzen von „Herstellern“, die Verkehrsmittel produzieren, siehe unter Punkt (2)) und Verkehrsteilnehmer, die einen großen Einfluss auf die Gestaltung von Mobilität und Verkehr haben. Zu den Erzeugern gehören also auch Unternehmen und (öffentliche sowie private) Einrichtungen, die nicht nur Verkehr auslösen, sondern zunehmend auch Verantwortung für den durch sie erzeugten Verkehr übernehmen, indem sie selbst verschiedene (Mobilitäts-)Angebote (z. B. Parkmöglichkeiten) bereitstellen.

Mit zunehmender digitaler Vernetzung und Technik für die Datenerfassung (z. B. Sensorik) und Datenverarbeitung (z. B. intelligente Aggregation und Datenvernetzung) entstehen auch zunehmend mehr Mobilitätsdaten aus Mobilitätsanwendungen (BMVI 2017, S. 3, 14).²

Entsprechend der vielfältigen Dimensionen des Begriffs der Mobilität und der großen Zahl der Akteure auf dem Mobilitätsmarkt (siehe dazu auch Abschn. 2.1) haben Mobilitätsdaten viele Dimensionen und ebenso viele Kategorisierungsmöglichkeiten:Insbesondere personenbezogene Daten zu Fahrer, Halter, Mitfahrern oder sonstigen Personen³ unterliegen gemäß der Datenschutzgrundverordnung (DSGVO) besonderen datenschutzrechtlichen Voraussetzungen bezüglich der Sammlung, Weitergabe und Speicherung.

Die Vielfalt der erzeugten Mobilitätsdaten und die Möglichkeit der Verknüpfung mit Kontextinformationen aus zusätzlichen Datenquellen wie Umgebungs- oder Verkehrsinformationen führen zu einer hohen Komplexität und erschweren das Verständnis für die mögliche Verarbeitung, Aggregation und Nutzung der Daten durch die zahlreichen Akteure im Mobilitätsmarkt und darüber hinaus. Es besteht häufig ein Mangel an Transparenz (BMVI 2017, S. 3; 14).

Vor diesem Hintergrund ist es Ziel des vorliegenden Kapitels, eine Kartierung der Mobilitätsdatenspuren vorzunehmen, die die Entstehungsmöglichkeiten sowie die potenzielle Verarbeitung und Nutzung von Mobilitätsdaten möglichst umfassend darstellt. Die erarbeitete „Karte der Datenspuren“ sollte darüber hinaus individualisierbar sein, indem einzelnen Verkehrsteilnehmern ein Überblick über deren individuell erfasste Daten sowie deren Vernetzung und potenzielle Nutzung durch unterschiedliche Akteure gegeben wird. Diese Individualisierung dient als Basis für die im nächsten Kapitel vorgestellte Studie zum „digitalen Fußabdruck“ in der Online-Community.

Erarbeitet wurde die Karte der Datenspuren auf Basis einer Untersuchung, wo Mobilitätsdaten zum Zeitpunkt der Erstellung des Kapitels entstehen, gesammelt und genutzt werden. Zu diesem Zweck wurden eine Literaturanalyse, Expertengespräche, Geräteanalysen und eine Auswertung von diversen Anbieterinformationen zu ausgewählten Apps, Sharing-Mobilitätsdiensten und öffentlichen Verkehrsmitteln vorgenommen. Das Ergebnis der Kartierung ist in Abb. 2.1 dargestellt. Sie zeigt die Arten von Datenspuren in der Mobilität sowie deren Entstehung bis hin zur Verwendung, während Abb. 2.2 beispielhaft einen individualisierten „digitalen Fußabdruck“ für einen Musterfahrer zeigt.

Die oberste Ebene in Abb. 2.1 zeigt Geräte und Verkehrsmittel mit den damit verbundenen Anwendungen/Apps, von denen die Daten gesammelt und – regelmäßig oder fallweise – übertragen werden. Zur Kategorisierung wird im Folgenden zwischen Mobilitätsdaten unterschieden, die aus der Verwendung vonentstehen.

Besonders wichtig dafür sind die Ortungsdaten aus dem Smartphone, der Navigation oder dem Bordcomputer im Auto. Anhand der besuchten Orte lassen sich zahlreiche Schlüsse ziehen, wenn diese mit „Kontextinformationen“ (rechts oben in Abb. 2.1) verbunden werden, also z. B. durch einen Abgleich mit allgemeinen Karteninformationen festgestellt wird, welche Geschäfte, medizinische Einrichtungen, Umstiegspunkte zum öffentlichen Verkehr oder Veranstaltungsorte zu welchem Zeitpunkt aufgesucht wurden.

Generell lässt sich aber sagen: Je mehr Anwendungen und Daten auf den oberen Ebenen in der individualisierten Karte in (Abb. 2.2) markiert sind, umso mehr Rückschlüsse (aggregierte Informationen) können daraus abgeleitet werden, bis hin zu Konsumpräferenzen und Persönlichkeitsprofilen. Es ist aber nicht gesagt, dass die möglichen Rückschlüsse auch tatsächlich gezogen werden.

Wenn Daten aus mehreren Quellen zusammengeführt werden, lassen sich daraus also weitgehende Schlüsse ziehen, zum Beispiel zu Wohn- und Arbeitsorten, Lieblingsgeschäften, Fahrstil, Musikgeschmack oder anderen Lebensgewohnheiten (vgl. „Aggregierte Information aus Datenverknüpfung“ in Abb. 2.1).

Unten in Abb. 2.1. ist aufgelistet, wer üblicherweise die Daten empfängt und sie verarbeitet, und wie die Daten am Ende verwendet werden, auch außerhalb der unmittelbaren Nutzung der Daten (wie Navigation, Kommunikation, Entertainment oder Autosteuerung). Akteure umfassen neben Haltern von Kraftfahrzeugen oder Privatpersonen mit Smartphones, Smartwatches (bzw. allgemein Wearables) und Apps selbst (BMVI 2017, S. 152 f.) u. a. Automobilhersteller, Zulieferer, Werkstätten, Car-Sharing-Anbieter, Anbieter von Navigationsdiensten (HERE, Google Maps), Mobilitätsplattform-Anbieter (auch Apps), Versicherer (Telematik) sowie Infrastrukturbetreiber⁴ und viele mehr. Auch hier gilt für die individualisierte Karte in (Abb. 2.2, dass nicht jeder in den grünen Kästen alle Daten erhält, aber zumindest ein Teil davon bei den dunkel und mit rotem Rand hervorgehobenen Empfängern ankommen kann.

Oft gibt es hier auch Zusammenschlüsse zwischen unterschiedlichen Akteuren sowie zwischengeschalteten Datenverarbeitern (wie z. B. Caruso), die im Auftrag der Empfänger die Daten sammeln und weiterbearbeiten.

Die unterschiedlichen Akteure aggregieren die Mobilitätsdaten und werten sie aus, um auf dieser Basis z. B. neue datenbasierte Dienstleistungen anbieten zu können oder zur Verbesserung der Produktentwicklung. Mit Blick auf Kfz-bezogene „Vernetzungsdienste“ unterscheidet Jungbluth (2019) beispielsweise zwischen Information (z. B. Verkehrslage, freie Parkplätze, Spritpreise), Entertainment (Streaming von Musik und Videos im Fahrzeug, Social-Media-Nutzung), dynamische Navigation (Echtzeit-Verkehrsdaten) und Fahrzeug- und Wartungsmanagement (erhöhte Effizienz und Sicherheit). Die gesammelten Mobilitätsdaten über Verkehrsteilnehmer und Verkehrsflüsse sind darüber hinaus für die Verkehrssicherheit von autonomen/automatisierten Fahrzeugen relevant und dienen damit der Gesellschaft (Jungbluth 2019). Des Weiteren nutzen Sharing-Dienste die Daten für die Preisfindung und Abrechnung.

In der Regel werden auf einem Smartphone zahlreiche Anwendungen bzw. Apps verwendet, z. B. für Kommunikation (Chats), Handel, Navigation, Social Media, Streaming-Dienste, Mobilitätsservices (z. B. Spritpreise, E-Tankstellen), Fitness, Finanzen, Reise- & Buchungsvorgänge oder Wetterinformationen. Eine aktuelle Erhebung gibt für Deutschland eine durchschnittliche Zahl von 40 installierten Apps pro Smartphone an (Klarna o. J.).

Die von den Apps und Betriebssystemen gesammelten Daten hängen wesentlich von den erteilten Freigaben und Datenschutzeinstellungen ab. Beim Smartphone betrifft das z. B. Einstellungen zu Ortungsdiensten, Tracking, Health sowie Sensor- und Nutzungsdaten. Je nach Freigaben kann Zugriff auf Kontakte und Fotos gewährt werden und können Daten zu Standort, Personalien (Wohnort, Alter), Social-Media-/Medien-Nutzungsdaten, Zahlungsdaten, Gesundheitsdaten (ggf. anonymisiert/pseudonomisiert) gesendet und aggregiert werden.

Die aggregierten Informationen können genutzt werden, um meistbesuchte Orte zu identifizieren (z. B. Arbeitsplatz, Wohnung, Geschäfte), Präferenzen für Verkehrsmittel und übliche gefahrene Strecken, Umstiegspunkte auf andere Verkehrsmittel, und damit auch detaillierte Nutzungs- und Persönlichkeitsprofile, selbst bei passiver Nutzung,⁵ und damit auch Lebensgewohnheiten und Konsumpräferenzen abzuleiten.

Aus Navigations-Apps wie Google Maps können bei entsprechender Freigabe selbst ohne Verwendung der App Standorte und Bewegungsmuster erfasst werden („Google weiß, wo Du Dich befindest“). Damit können Verkehrsflüsse durch Aggregation der Standortdaten von Millionen Nutzern präzise berechnet und in Echtzeit an Geräte zurückgesendet werden, was wiederum den Nutzen der Navigations-App für den einzelnen Nutzer erhöht.

Gesundheits- bzw. Vitaldaten aus Wearables wie (Fitness-) Armbänder (z. B. Garmin Connect, Apple Watch) umfassen ebenfalls Bewegungsdaten, dazu Puls- und Herzfrequenz und mehr. Erfasst werden können (im Fall von Garmin Connect) z. B. Datum und Uhrzeit, zu der die App auf die Server zugreift, die Position des Geräts, die Spracheinstellung, das Benutzerverhalten (z. B. die verwendeten Funktionen und wie häufig sie verwendet werden), Informationen zum Gerätestatus, Gerätemodell, zu Hardware und Betriebssystem sowie Informationen zur Funktionsweise der App, mit dem Ziel der Optimierung der Produkte (Garmin 2021).

Gesundheits- und Aktivitätsdaten können im Übrigen auch direkt über das Smartphone gesammelt werden. Bei einem Apple iPhone werden alle unter „Einstellungen → Datenschutz → Health → Connect → alle Daten“ aktivierten Daten gespeichert und in die vorinstallierte Health-App geschrieben (z. B. BMI, Gewicht, Herzfrequenz, Schlaf, Schritte, Treppensteigen). Auch die Datenweitergabe für „Forschungsstudien“ ist dort als Punkt zu finden.

Obwohl die Datenspuren also von den Freigaben abhängen, sind diese aufgrund einer fehlenden Normierung nicht immer leicht zu finden (teilweise in den Apps, teilweise tief in den Einstellungen des Smartphones), was die Handhabung und bewusste Wahlfreiheit der Datenspuren erschwert. Während die Freigabeeinstellungen also nicht bei allen Apps und Geräten leicht zu finden sind, wird der Zweck der Nutzung von personenbezogenen Daten i. d. R. (entsprechend der DSGVO) übersichtlich in der App selbst oder der Webseite der Anbieter erläutert, muss aber natürlich aktiv aufgerufen werden und setzt daher eine Beschäftigung mit den eigenen Datenspuren voraus (vgl. Studie zum „digitalen Fußabdruck“ in Abschn. 2.3).

Auch externe Navigationsgeräte senden und empfangen Daten zum Standort, zur Bewegung und zu Routenprofilen. Ein Beispiel für den Empfang und die Verarbeitung von Gerätedaten stellt Jungbluth (2019, S. 392) vor: „Der Navigationsdiensteanbieter TomTom konnte anhand der anonymisierten Bewegungsdaten seiner Nutzer feststellen, an welchen Straßenabschnitten die zulässige Höchstgeschwindigkeit regelmäßig überschritten wird. Unter anderem diese (unstreitig anonymen) Auswertungsdaten übermittelte TomTom den niederländischen Behörden für die Planung von Infrastrukturvorhaben. Von den Behörden flossen die Daten aber auch an die Polizei. Die Polizei platzierte an diesen Orten Geschwindigkeitskontrollen, mit denen oft diejenigen erfasst und wegen überhöhter Geschwindigkeit sanktioniert wurden, die zuvor – anonymisiert – die Datengrundlage für die Lokalisierung der Kontrollstellen geliefert hatten, da sie öfter denselben Straßenabschnitt mit einem vergleichbaren Fahrverhalten passierten.“

In modernen Autos ist üblicherweise eine große Anzahl an Sensoren verbaut. Viele davon dienen der Steuerung des Motors und anderer Bauteile, viele überprüfen aber auch z. B. durch GPS, Kameras, Beschleunigungssensoren oder Abstandsmesser die Position, das Umfeld, die Sitzbelegung, das Wetter oder auch den Zustand des Fahrers.

Bei den anfallenden fahrzeugbezogenen Mobilitätsdaten kann in Anlehnung an Hornung (2015), Krauß und Waidner (2015) sowie den ADAC (2022a) unterschieden werden in:Dabei ist zu berücksichtigen, dass sowohl vernetzte als auch nicht vernetzte Fahrzeuge Daten sammeln und dass die tatsächliche Sammlung, Speicherung und Verarbeitung von Mobilitätsdaten aus den Autos von der Zustimmung der Halter abhängt. Diese Freigaben und Zustimmungen sind allerdings gerade beim Auto schwer zu finden und befinden sich entweder bei Vertragsabschluss in umfangreichen Unterlagen oder möglicherweise tief in den Einstellungen des Bordcomputers. Während die Auslesung von Daten bei nicht vernetzten Fahrzeugen aus dem Speicher bzw. Steuergerät in der Werkstatt erfolgt, können bei vernetzten Fahrzeugen (theoretisch) beliebige Daten jederzeit direkt über die eingebaute SIM-Karte via Mobilfunkverbindung vom Hersteller empfangen werden,⁶ was jedoch datenschutzrechtlich grundsätzlich eine entsprechende Zustimmung von Seiten des Halters voraussetzt.⁷ Dazu werden zugehörige Verträge mit den Mobilfunkanbietern benötigt. Neuere Fahrzeuge erlauben darüber hinaus auch eine durch den Halter (in Verbindung mit einer Komfortfunktion) initiierte Kopplung mit dem WLAN des Halters, was wesentlich größere Datenübertragungsraten ohne Kosten für den Hersteller ermöglicht. I. d. R. wird eine Auswahl der wichtigsten Daten getroffen (z. B. für Produktverbesserungen oder aussichtsreiche Geschäftsmodelle), die im Fahrzeug vorverarbeitet werden können und dann gezielt und datensparsam an die Hersteller geschickt werden. Tab. 2.1 zeigt daher Daten, die gesammelt werden können, sowie beispielhaft die aus deren Aggregation und ggf. Vernetzung mit weiteren Kontextinformationen abgeleiteten potenziellen Nutzenzwecke aus Sicht verschiedener Empfänger (Akteure). Ergänzend zu den oben aufgelisteten Datenkategorien sind auch Daten aus Verträgen mit Drittanbietern aufzuführen (z. B. Kartendienstleister, Mobilfunkanbieter, Versicherer; vgl. Hornung 2015).

Im Folgenden werden ausgewählte Datenarten aus Tab. 2.1 und deren Nutzung näher vorgestellt. Anzumerken ist außerdem, dass in neueren Autos typischerweise nahezu alle Daten gesammelt werden, die in Tab. 2.1 aufgeführt sind (in Abhängigkeit von den Freigaben).

Während manche Daten regelmäßig überschrieben werden, werden Betriebs- und Wartungsdaten wie zum Motorölstand länger gespeichert und erst bei Wartungen zurückgesetzt (Krauß und Waidner 2015, S. 385).

Unter navigationsbezogene Daten fallen alle Daten bzgl. der Navigationsziele, Routen und Routeneinstellungen. Orts- und bewegungsbezogene Daten entstehen aus Informationen zur aktuellen Position und zu Positionsveränderungen und erlauben zahlreiche Auswertungen, z. B. über die Geschwindigkeit, Beschleunigungs- und Bremsvorgänge (Hornung 2015). Gemäß der Studie des ADAC (2022a) am Beispiel der Mercedes B-Klasse mit me-connect (W246, 2011–2018) wurden die letzten 100 Lade- und Entladezyklen der Starterbatterie mit Uhrzeit, Datum, km-Stand an den Hersteller geschickt. Am Beispiel des Elektroautos BWM i3 im Jahr 2015 wurde gezeigt, dass die ca. 100 letzten Abstellpositionen des Fahrzeugs ausgelesen wurden (nur direkt aus dem Steuergerät) sowie am Beispiel des BMW 320d, ebenfalls im Jahr 2015, die erreichte maximale Drehzahl des Motors mit jeweiligem km-Stand.

Aus derartigen Informationen lassen sich wiederum sekundäre Daten ableiten, indem über die Verknüpfung von GPS mit anderen Daten z. B. Kartenmaterial, Satellitendaten, Fotos aus Social Media, Fahrplänen, ein Kontext geschaffen wird. Als Beispiele werden vom ADAC (2022a) genannt: gefahrene Kilometer auf Autobahnen, Landstraßen, in der Stadt (Mercedes B-Klasse), Anzahl der Fahrtstrecken zwischen 0 und 5, 5–20, 20–100, über 100 km (BMW 320d) sowie intermodale Verbindungspunkte, an denen in andere Verkehrsmittel wie Bus und Bahn umgestiegen wurde, wie und wo das Elektroauto geladen wurde (schnell, nur teilweise etc.), wie stark die Antriebsbatterie zuvor entladen war, wie oft der Ladestecker eingesteckt wurde sowie die Position der 16 zuvor benutzten Ladestationen (BMW i3). Die Auswertungen erlauben daher grundsätzlich vielfältige Rückschlüsse auf Nutzungsprofil, Fahrstil sowie Fahr- und Standzeiten, woraus wiederum ein Nutzen für Produktverbesserungen, Telematik-Tarife, neue Mobilitätsangebote sowie ggf. die Überprüfung von staatlichen Förderungen (z. B. für Hybridfahrzeuge etc.) erfolgen kann.

Die Bewegungsdaten von zahlreichen Verkehrsteilnehmern ermöglichen darüber hinaus eine Analyse des Verkehrsflusses und die Ableitung von optimierten Fahrtrouten, was wiederum das Risiko von Staus und Unfällen senken kann (Knorre et al. 2020, S. 116). Darüber hinaus ermöglicht die Vernetzung mit externen Kontextinformationen (Kartenmaterial) Informationen zu Parkplätzen, Restaurants oder Tankstellen in der Nähe (Knorre et al. 2020, S. 116).

Mobilitätsdaten aus Sicherheitsfunktionen bzw. -einrichtungen wie Rückfahrkamera, automatischer Abstandshaltung, Spurhalteassistenz oder anderen Einrichtungen zur Gefahrenwarnungen werden über die – insbesondere in neueren Fahrzeugen verbauten – Sensoren („Car2X-Kommunikation“) erhoben sowie über externe Kommunikation via Verbindung mit dem Internet (Krauß und Waidner 2015), z. B. über verbaute SIM-Karten von Mobilfunkanbietern oder Apps der Hersteller auf den Smartphones, die über Bluetooth mit dem Fahrzeug gekoppelt sind. Während die Fahrzeuge diese Daten zwar generieren und senden können, werden gemäß Krauß und Waidner (2015, S. 385) typischerweise nur Gefahrenmeldungsdaten länger gespeichert oder gesendet, z. B. zur Optimierung des Spurhalteassistenten, während die anderen Daten in dieser Kategorie auch aufgrund von fehlenden Use Cases von Seiten der Hersteller kurzfristig wieder überschrieben werden. Dies trifft jedoch nicht für alle zu, da z. B. Tesla nicht nur Gefahrensituationen sammelt und überträgt, sondern alle Fahrsituationen, die sie für eine Verbesserung der Software als hilfreich erachten – sog. „interessante Fahrsituationen“ (z. B. auch ganz normale Kreuzungsdurchfahrten, um die KI zu trainieren). Auch deutsche Hersteller überlegen, wie sie sich weiter in diese Richtung bewegen können – jedoch sehr sensitiv aus der Datenschutz-/Privatsphärenperspektive.

Die Erhebung, Verarbeitung und Nutzung von sicherheitsbezogenen Fahrzeugdaten und deren Verknüpfung mit externen Daten (insbesondere Umgebungsinformationen) wird damit zunehmend weitreichender mit umfangreichen Use Cases, nicht zuletzt getrieben durch neue regulatorische Anforderungen wie der EU-Verordnung Nr. 2019/2144 zum verpflichtenden Einbau von Fahrzeugsicherheitssystemen (General Safety Regulation, gestaffelt ab Juli 2022 für neue Fahrzeugtypen bzw. Neuzulassungen ab Juli 2024). Die Verordnung verlangt u. a. den Einbau von Notbremsassistenzsystemen für Pkw, Notfall-Spurhalteassistenten, Rückfahr- und Abbiegeassistenten, eine ereignisbezogene Datenspeicherung, Müdigkeits- und Aufmerksamkeitswarnsysteme sowie intelligente Geschwindigkeitsassistenten (Intelligent Speed Assistance (ISA) Systeme) (BMVI 2022; Europäisches Parlament 2019). Darüber hinaus verlangt die Verordnung zwar (noch) nicht den Einbau von alkoholempfindlichen Wegfahrsperren, aber die Einrichtung einer Schnittstelle bzw. Vorrichtung, damit diese kurzfristig nachgerüstet werden kann (Europäisches Parlament 2019).

Die Vernetzung von Fahrzeugdaten mit Umfelddaten ist besonders bei den ISA-Systemen von Bedeutung. Diese sollen automatisch die Geschwindigkeit reduzieren, sobald das Tempolimit erreicht wird (Baumann und Wittich 2021). Vernetzt werden dabei sicherheitsbezogene Daten (über die automatische Abstandshaltung) mit Umgebungsdaten für Geschwindigkeitsbegrenzungen (über eine Verkehrszeichenerkennung durch Außenkameras am Fahrzeug oder GPS in Kooperation mit zertifizierten Kartendienstleistern wie HERE). Mit der Verpflichtung des Einbaus der ISA-Systeme in neue Modelle ab dem 6. Juli 2022 sowie in alle Neuwagen ab dem 7. Juli 2024 erhofft sich der Gesetzgeber eine 30 %ige Reduktion der Zahl von Unfällen und eine 20 %ige Reduktion der Zahl der Verkehrstoten in der EU (ETSC 2017). Derartige Speed-Limit-Assistenten sind bereits heute in vielen Modellen im Einsatz, ebenso wie weitere Systeme, die Sicherheitsfunktionen durch Vernetzung mit Umfelddaten und anderen Quellen weiterentwickeln. Das Assistenzsystem „BMW Driving Assistant Professional“ bietet u. a. eine lokale Gefahrenwarnung auf Basis von Online-Echtzeitdaten zu Glatteis, Starkregen oder Nebel, und bei Kreuzungen im Stadtverkehr die Erfassung nicht nur von Verkehrsschildern, sondern auch von querenden Fahrzeugen. Bei drohenden Kollisionen reagiert das Fahrzeug mit einem aktiven Bremseingriff (BMW o. J.-a). Navigationsdaten werden darüber hinaus genutzt, um bei Tempomaten die Geschwindigkeit in scharfen Kurven zu reduzieren. Ähnliche sicherheitsbezogene Assistenzsysteme bieten Mercedes Benz (o. J.-a) und andere Hersteller. Kamerabasierte Systeme werden auch zur Erhöhung der Sicherheit eingesetzt. Bei Tesla zeichnet das Fahrzeug gemäß einem Bericht von Frontal in 2021 im „Wächtermodus“ über mehrere Außenkameras die Umgebung auf, speichert diese z. B. bei sicherheitskritischen Ereignissen und sendet die Aufzeichnungen in bestimmten Situationen an den Tesla-Server; datenschutzrechtlich kritisch in Deutschland wäre dabei eine andauernde Aufzeichnung und Speicherung von Außenaufnahmen der Umgebung ohne konkreten Anlass (ZDF 2021).

Auch Use Cases für komfortbezogene Daten nehmen deutlich zu. Bereits heute werden zum Zeitpunkt der Erstellung des Manuskripts von einigen Herstellern „Wellness-Pakete“ für den Innenraum angeboten, mit Massagefunktion im Sitz, Ambiente-Licht- oder Duftprogrammen wie von BMW (o. J.-b) oder Mercedes (o. J.-b); schon kleine Veränderungen der Sitzposition sollen den Stoffwechsel anregen und für mehr Entspannung bei längeren Fahrten sorgen (Hoberg 2021). Mercedes bietet beispielsweise Sitze mit verschiedenen Massagefunktionen inklusive Heizfeldern (für „hot stone“-Massagen) an. Über die Vernetzung mit Wetterdaten und Fahrtroutenprofil sowie Daten von Wearables des Fahrers schlägt das Fahrzeug dann das passende Massage-Programm vor (Hoberg 2021).

Passend dazu beschreibt Köllner (2018) Funktionalitäten des geplanten Elektroautos „I.D. Vizzion“ von Volkswagen (als „Concept Car“, das 2023 eingeführt werden sollte): „Die Sitze stellen sich – da der Wagen seine Passagiere über den biometrischen Abgleich der Gesichtserkennung oder elektrische Geräte wie das Smartphone kennt und über die Volkswagen ID die zuletzt in der Cloud hinterlegten Einstellungen abruft – automatisch auf den jeweiligen Gast ein. Ebenfalls über das Profil der Volkswagen ID steuert der I.D. Vizzion Parameter wie Licht, Klimatisierung, Infotainment samt Streamingdiensten oder Düfte“ (Köllner 2018; Volkswagen o. J.).

Viel Potenzial besteht noch bei der Erhebung und Nutzung von Daten zum Zustand des Fahrers. Aktuell verfügbare Systeme warnen bereits optisch und akustisch bei Erkennung von Müdigkeit oder Unaufmerksamkeit, z. B. auf Basis von Lenkradbewegungen, aus denen zu Beginn jeder Fahrt ein individuelles Fahrerprofil erstellt wird, das laufend mit Sensordaten abgeglichen wird (z. B. „Attention Assist“ von Mercedes) (Mercedes Benz o. J.-c; Mercedes Benz 2008). Derartige (zumindest einfache) Müdigkeitserkennungssysteme sind gemäß der oben erwähnten neuen EU-Verordnung (General Safety Regulation) für alle neuzugelassenen Autos ab Juli 2024 vorzusehen: „Alle Kraftfahrzeuge sind mit Systemen auszurüsten, die die Wachsamkeit des Fahrzeugführenden durch eine Analyse bewerten und den Fahrzeugführenden erforderlichenfalls warnen (Zeitstufe B)“ (BMVI 2022). Darüber hinaus sind ab 2024 bei allen Neuwagen wie oben beschrieben Vorrichtungen für alkoholtestbasierte Wegfahrsperren (z. B. über ein Atemluft-Messgerät) einzubauen. Volvo hat ein derartiges Alkoholtestsystem bereits seit 2007 als Sonderausstattung im Angebot („Volvo Alcoguard“), allerdings bei offenbar nur sehr geringer Nachfrage (Hoberg 2020).

Die Möglichkeiten gehen jedoch deutlich darüber hinaus, indem Vitaldaten des Fahrers oder der Insassen durch Einsatz von biometrischen Assistenzsystemen erfasst werden, u. a. unter dem Stichwort „Automotive Health“ (Köllner 2019). In Studien und Prototypen zeigen sich zahlreiche Anwendungsfelder, nicht nur mit dem Ziel der Diagnostik, sondern auch der Prävention. Über den direkten Hautkontakt mit dem Lenkrad können beispielsweise Hauttemperatur, der Hautleitwert als Indikator für Stress, die Herzfrequenz und die Sauerstoffsättigung im Blut gemessen werden (Oppermann 2013). Die Herzaktivität lässt sich über ein integriertes EKG im Sitzbezug erfassen,⁸ Pulsschläge der Adern und damit die Herzfrequenz sogar bereits mit guten Kameras. Innenraum(infrarot)kameras sehen Pupillenveränderungen, Veränderungen der Blickrichtung oder der Kopfposition, messen Anzahl und Dauer der Augenlidschläge und schätzen mit Hilfe von Algorithmen damit die mentale Belastung und Müdigkeit ein (Köllner 2019; Vieweg 2015; Oppermann 2013).

Diverse Presseartikel berichten über entsprechende Projekte von Herstellern, allerdings ohne dass diese bislang offenbar in die (Serien-) Produktion gingen. Nach einem Bericht von 2019 wertete Jaguar Land Rover in einem Projekt die Mimik von Fahrern kamerabasiert und unter Einsatz von künstlicher Intelligenz aus, um Müdigkeit oder Überlastung zu erkennen und dann automatisch mit Klimatisierung und Beleuchtung gegenzusteuern (Focus 2019). Der Zulieferer Recaro arbeitet an Autositzen, die auf den Zustand des Fahrers z. B. mit der Aktivierung von Massage- oder Lüftungsfunktionen reagieren können und so auch bei Sekundenschlaf über eine „Rüttelfunktion“ Fahrer „wecken oder einfach nur fit halten“ können (Hoberg 2021). Der potenzielle Nutzen von Massagesitzen und Duftpaketen geht daher über reine Komfortfunktionen hinaus. Weitere mögliche Reaktionen in gefährlichen Situation wären die Reduktion der Musiklautstärke oder die Unterdrückung von Anrufen (Oppermann 2013). Auch in der E-Auto-Studie „I.D. Vizzion“ von Volkswagen war gemäß Köllner (2018) Ähnliches geplant: „Über Sensoren von Fitness Trackern und der HoloLens erkennt die Studie verschiedene Vitalwerte seiner Gäste und steuert auf dieser Basis die Klimatisierung“ (siehe auch Volkswagen o. J.). Hyundai wirkt in einer Studie (vorgestellt 2017) in bestimmten Stresssituationen des Fahrers (gemessen über Sensoren an Sitz, Lenkrad, Sicherheitsgurten und via Eye-Tracking) ebenfalls über die Aktivierung von Massagefunktionen im Sitz, des Lüftungssystems, den Einsatz von Duftstoffen oder über Musikimpulse entgegen (Zimmer 2017; Hyundai 2017). Auch Audi hat mit seinem „Fit Driver“-Konzept gemäß Webseite (mit Stand 06.01.2016, seither ohne Aktualisierung) die Vision, über Wearables wie Fitnessarmband oder Smartwatch Vitalparameter zu überwachen und mit Fahrzeugdaten zum Fahrer (Fahrstil, Atemfrequenz) sowie Umfelddaten (Wetter, Verkehrslage) zu verknüpfen, um damit den Zustand des Fahrers bewerten zu können. Das Fahrzeug kann dann mit einem „Biofeedback“ im Cockpit-Display eine Anleitung zu einer „speziellen Atemtechnik“ anbieten, um hohe Stresslevel zu senken, oder im Fall von Staus die Anfahrt eines Rastplatzes vorschlagen, um die Zeit des Staus zur Erholung nutzen zu können (Audi 2016).

Ein biomedizinisches Kooperationsprojekt von Ford mit dem US-Unternehmen Medtronic, einem Hersteller von Blutzucker-Messgeräten, ging laut einem Bericht von 2013 sogar darüber hinaus, indem über eine Diagnosefunktion Blutzuckerwerte erfasst und diese bei Gefahr im Bord-Display angezeigt und vorgelesen werden können – nicht nur für den Fahrer, sondern für alle Insassen (Oppermann 2013; Autosieger o. J.; Pudenz 2013). Vermutlich aufgrund der mittlerweile verfügbaren Messgeräte mit zugehörigen Apps wurde der Prototyp nicht in Serie gebracht. Ford gründete 2016 außerdem ein neues Forschungslabor in den USA zum Einsatz von Wearables im Fahrzeug (Ford 2016).

Die möglichen Datenerhebungen im Innenraum sind jedenfalls sehr weitreichend, wie das von Volkswagen koordinierte und von 2014 bis 2017 vom BMBF geförderte Projekt InCarIn zeigt, das „durch eine ganzheitliche Personen- und Gestenerkennung und eine Innenraum-Kontextanalyse die individuellen Bedürfnisse aller Fahrzeuginsassen“ über Sensoren und Algorithmen erfassen sollte, um „die erfassten Daten – je nach Kontext – für nutzerspezifische Assistenz-, Informations- oder Komfortfunktionen“ einsetzen zu können (BMBF o. J.).⁹

Die realen und immer näher rückenden Einsatzmöglichkeiten der Technik und der damit verbundenen Daten zum Zustand des Fahrers und der Insassen zeigen sich an der im Oktober 2021 veröffentlichten Meldung des Autozulieferers Continental zur Entwicklung einer „Objekterfassung des gesamten Fahrzeuginnenraums in Echtzeit“ („Cabin Sensing“) durch miniaturisierte Innenraumkameras in Displays und Radarsensorik, um „zuverlässig lebende Objekte im Fahrzeug“ erkennen zu können, insbesondere auch Kinder (Continental 2021). Continental erläutert, dass neben dem Einsatz als System zur Fahrerüberwachung (Müdigkeit) entsprechend der neuen EU-Verordnung auch die Euro NCAP Organisation (bewertet Sicherheitssysteme in Fahrzeugen) „den Einbau von Innenraumkamerasystemen bereits ab 2023 mit Punkten belohnen“ wird, und „das freiwillige Programm zur Bewertung der Fahrzeugsicherheit plant insbesondere, künftig Bewertungspunkte für die Erkennung von Kindern zu vergeben (Kinderanwesenheitserkennung, Child Presence Detection, CPD)“. Für die Zukunft stellt Continental in Aussicht, dass „weitere gesundheitliche Parameter“ über diesen Ansatz erfasst werden können, wie Puls, Atemrate oder Körpertemperatur.

Köllner (2019) gibt einen zusammenfassenden Ausblick auf die weitreichenden Möglichkeiten der Vernetzung: „In naher Zukunft wird ein Pkw merken, wie sich der Fahrer fühlt. Das Fahrzeug wird die Herzfrequenz, den Atemrhythmus und den Blutzuckerspiegel des Fahrers messen. Ist er gestresst, startet das Auto die Massagefunktion und stellt die Innenbeleuchtung, Klänge und die Gerüche so ein, dass der Fahrer entspannen kann. Schließlich verfügt das Auto über die Daten anderer Geräte wie Wearables und greift auf Dienste im Smart Home zurück. Damit kann es sich ein Bild über die Vitaldaten des Fahrers machen“ (Köllner 2019). Es wird auch überlegt, die Fahrerassistenzsysteme auf den Zustand des Fahrers abzustimmen, indem z. B. bei erkannter Müdigkeit die Eingriffsschwelle des Notbremsassistenten gesenkt wird.

Die Nutzung der Daten liegt nicht nur bei Herstellern, Werkstätten, Zulieferern, Mobilitätsdienstleistern oder staatlichen Stellen (Tab. 2.1), sondern auch bei Kfz-Versicherern mit Telematik-Tarifen inkl. Apps oder einer Telematik-Box im Fahrzeug. Genutzt werden Daten zu Geschwindigkeit, Beschleunigungs- und Bremsverhalten, Kurvenverhalten, Überholverhalten, Tag-/Nachtfahrten für die Tarifierung. Die Kunden profitieren dabei von Prämienrabatten in Abhängigkeit von ihrem Fahrverhalten und im Ergebnis auch davon, über die Tarifierung auf eine sicherere Fahrweise aufmerksam gemacht zu werden.

Bei der Nutzung von diversen Sharing-Mobilitätsservices (z. B. Auto, e-Roller, Fahrräder, Mitfahr-Apps) fallen grundsätzlich die gleichen Daten wie bei den eigenen Fahrzeugen an. Hinzu kommen die erhobenen Nutzungs- und Zahlungsdaten. Allerdings können bei Flotten aufgrund des berechtigten Interesses zur Ermöglichung der Ausübung der Geschäftstätigkeit (personenbezogene) Daten einfacher erhoben, verarbeitet und genutzt werden (z. B. um zu wissen, wo ein Fahrzeug steht, den Fahrzeugzustand inkl. den Ladezustand bei Elektrofahrzeugen zu kennen etc.), was datenschutzrechtlich bei Privatfahrzeugen nicht ohne weiteres möglich ist. Auch hier werden Daten über eine Schnittstelle mit dem Flottenanbieter ausgelesen, z. B. einen „Dongle“ und/oder über eine in den Fahrzeugen verbaute SIM-Karte. Bei neueren Flotten können auch die Fahrzeuge selbst vernetzt sein, und die Daten können über den Hersteller direkt an den Car-Sharing-Anbieter übermittelt werden. Car-Sharing-Anbieter wie Share Now setzen darüber hinaus Apps auf dem Smartphone ein, um Führerscheindaten hochladen zu können und die Mietautos aufschließen zu können (Share Now o. J.). Für eine ausführlichere Unterscheidung zwischen verschiedenen Car-Sharing-Modellen sei auf die Studie des BMVI (2017, S. 25 f.) verwiesen.

Um die Nutzung von Mobilitätsservices insbesondere in urbanen Räumen zu vereinfachen und flexibel und bargeldlos über Verkehrsmittel hinweg zu ermöglichen (von Bahn, lokalen öffentlichen Verkehrsmitteln wie Bus und Straßenbahn, bis hin zu Car-, Bike- und E-Scooter-Sharing und Taxis), werden sogenannte „multimodale“ Mobilitätsplattformen entwickelt, die öffentliche Verkehrsmittel und Sharing-Dienste integrieren. Mobimeo als einer der größten Anbieter entwickelt seit 2018 Softwarelösungen für integrierte Mobilitätsservices für Kommunen und Verkehrsverbünde, mit entsprechender Verknüpfung von Mobilitätsdaten: Eine Park-Ride-App bietet z. B. Informationen zur Parkplatzauslastung und Gebühren am Zielort sowie zum ÖPNV-Umstieg (Karlsruhe, Stuttgart, Berlin); ein Navisystem für den ÖPNV berücksichtigt auch die besten Ein- und Ausgänge an Haltestellen, weist per Push-Nachricht auf Ein-, Um- und Ausstiege hin und bietet Alternativen bei Verspätungen (Mobimeo o. J.). Auch die App von Reach Now (moovel Group) integriert sieben Transportmittel mit deren Daten, darunter bestimmte ÖPNV (Hamburger Verkehrsverbund, Verkehrsverbund Rhein-Ruhr), Taxi (Free Now), Car-Sharing (Share Now), Bike-Sharing (nextbike) und E-Scooter (Voi, Tier). Bezahlt wird bargeldlos mit Kreditkarte oder PayPal (Reach Now o. J.).¹⁰

Eine zentrale Voraussetzung für derartige multimodale Dienste ist der Austausch von Daten zwischen den verschiedenen Transportmittelanbietern (Knorre et al. 2020, S. 109 f.). Gefördert werden soll die Entwicklung von neuen digitalen multimodalen (plattformbasierten) Mobilitätsdiensten daher durch das neue Personenbeförderungsgesetz (PBefG), das seit August 2021 in Kraft ist. Ziel ist die Förderung eines „klimafreundlichen öffentlichen Verkehrsangebots im Verhältnis zum Individualverkehr“. Das Gesetz liefert neu einen Rechtsrahmen für Pooling-Dienste (Sammelfahrten) innerhalb und außerhalb des ÖPNV, die als neue Verkehrsformen definiert werden (BMVI 2021). Öffentliches Pooling bezieht sich dabei auf den neu definierten „Linienbedarfsverkehr“ („Anruf-/Bürger-Busse“), privates Pooling auf den neuen „gebündelten Bedarfsverkehr“ („Anruf-Sammeltaxis“) (Ritzer-Angerer 2021) (vgl. dazu ausführlicher Abschn. 2.1).

Neu gilt auch eine Pflicht zur Bereitstellung von Echtzeitdaten für den Linien- und Gelegenheitsverkehr ab dem 01.09.2021 bzw. 01.01.2022 (statische Daten wie Fahrpläne etc.) und für alle (auch dynamischen) Echtzeitdaten wie Verspätungen etc. ab 01.07.2022, was den Verkehr effizienter und nachhaltiger machen soll. Als Beispiel wird vom BMVI genannt, dass die Entscheidung für das eigene Auto oder für ein öffentliches Verkehrsmittel von der Information zur Verfügbarkeit eines Pooling-Dienstes abhängt (BMVI 2021). Dies gilt auch für Vermittler von Beförderungsdienstleistungen. Zur Konkretisierung der verpflichtend bereitzustellenden Daten wurde in der Folge außerdem die Mobilitätsdatenverordnung vom BMVI erlassen (vom 20.10.2021).

Viele der weitergehenden Nutzungen von Mobilitätsdaten dienen also dazu, das Leben sicherer, komfortabler und effizienter zu machen. Anbieter von Apps, Produkten und Dienstleistungen können ihre Angebote genauer auf die Nutzer ausrichten oder dienen mehr der „Gemeinschaft“, also zum Beispiel der Verkehrsplanung, der Stauvermeidung oder alternativer Wege der Verkehrssteuerung.

Grundsätzlich steht die Vernetzung digitaler Daten heutzutage noch am Anfang. Es ist davon auszugehen, dass in Zukunft immer mehr Daten untereinander und mit „externen“ Kontextdaten verknüpft und für immer mehr unterschiedliche Zwecke genutzt werden. Dazu tragen auch neue regulatorische Initiativen bei, wie die General Safety Regulation der EU zum künftig verpflichtenden Einbau von diversen Fahrzeugsicherheitssystemen.

Bei der Erhebung, Verarbeitung und Verwendung von Mobilitätsdaten stellt sich jedoch auch die Frage nach der Sicherheit und den damit verbundenen Risiken. Da viele datenbasierte Geschäftsmodelle in der Mobilität personenbezogene Daten nutzen, ist das Vertrauen der Nutzer und ihre Bereitschaft zur Weitergabe von Daten entscheidend für den Erfolg solcher Geschäftsmodelle. Knorre et al. (2020) stellen den Schutz privater Daten vor Missbrauch heraus, z. B. von Bewegungsprofilen, und sie weisen auf die Möglichkeiten unfairer Preisfestsetzung von Mobilitätsdienstleistungen in Notlagen sowie potenzielle Hackerangriffe auf die Fahrzeugsoftware gerade bei „Connected Cars“ und vernetzten Verkehrsteilnehmern und auf Infrastruktur wie Ampeln, Tunnelschranken und Bahnübergänge hin. Der Schutz privater Daten vor Missbrauch ist dabei von besonderer Relevanz, weswegen personenbezogene Daten zu Fahrern, Haltern, Mitfahrern oder sonstigen Personen gemäß der DSGVO auch besonderen datenschutzrechtlichen Voraussetzungen bzgl. der Sammlung, Weitergabe und Speicherung unterliegen.

Herausforderungen bestehen aber auch mit Blick auf eine häufig unzureichende Transparenz über die erhobenen und verarbeiteten Daten. Kritisiert werden auch „Alles-oder-Nichts-Regelungen“, die für die Nutzung von bestimmten Mobilitätsdienstleistungen die Zustimmung zu weitreichenden Datenfreigaben voraussetzen und damit die Abhängigkeit der Nutzer von den Dienstleistungen ausnutzen. Im Kontext von Smartphones und Apps erwähnen Stachl et al. (2020) neben einer häufigen Unkenntnis oder einem aufgrund der Komplexität mangelndem Verständnis von Nutzern bzgl. der bereitgestellten Daten auch Tricks von Anbietern sowie die Ausnutzung von „creative side channels to routinely extract data from people’s phones“, und zwar unabhängig davon, ob der Datenweitergabe zugestimmt wurde oder nicht.

Abschließend ist anzumerken, dass Nutzer bislang nicht die Möglichkeit haben, ihre Daten aus Devices, Fahrzeugen oder Verkehrsmitteln bewusst und zielgerichtet an andere Akteure weiterzugeben oder zu verkaufen, um bestimmte Dienstleistungen nutzen zu können, was sich seit der BMVI-Studie (2017) auch nicht geändert zu haben scheint. Für eine ausführliche Diskussion zur „Datensouveränität“, der „Entwicklung eines Markts für Mobilitätsdaten“ und deren Behandlung als Wirtschaftsgut mit einer „granularen Steuerung“ sei weiterführend auf die Studie des BMVI (2017, S. 5; S. 66 f.) sowie auf Kap. 4 und 5 dieses Buchs verwiesen.

Um konkrete Datenspuren zu erfassen und die Bewertung solcher Datenspuren aus Nutzerperspektive zu erheben, wurde eine Online-Community mit Verkehrsteilnehmern durchgeführt. Damit sollte in explorativer Form ermittelt werden,Eine Online-Community ist eine Methodik der qualitativen Onlineforschung, die psychologische und ethnografische Explorationsmethoden kombiniert. Mit einem festen Kreis von Teilnehmern findet über einen längeren Zeitraum ein intensiver moderierter Austausch statt, wobei neben Befragungen, Diskussionsrunden und Foren auch Tagebücher, Aufzeichnungen (auch in Form von Fotos oder Screenshots) sowie andere Erhebungsverfahren zum Einsatz kommen. Die Community will also, wie auch andere qualitative Forschungsmethoden, keine verallgemeinerbaren Aussagen über die statistische Verteilung von Merkmalen in der Bevölkerung treffen, sondern sie will durch das Eintauchen in die Lebens- und Erlebniswelt der Zielgruppe ein tiefes Verständnis eben dieser betrachteten Lebenswelten vermitteln. Gemeinschaftsgefühl, Gamification-Elemente, motivierende Aufgaben und kontinuierliche Moderation sollen zu einem hoch produktiven Austausch und reichhaltigen, validen Ergebnissen führen. Das Online-Format und die intensive Reflexion des eigenen Handelns fördern ehrliche Aussagen und lassen auch Unzulänglichkeiten eingestehen, soziale Erwünschtheitseffekte sind bei Online-Communities daher tendenziell schwächer als bei anderen befragungsbasierten Methoden. Ein systematischer Einsatz von Einzel- und Gruppenexploration kann individuelle Verhaltens- und Einstellungsmuster wie auch soziale Prozesse aufdecken und einen umfassenden Pool an Wünschen und Ideen generieren. Alltägliche Erfahrungen werden unmittelbar dokumentiert und durch Media-Upload illustriert, die Beobachtung gibt lebendige, anschauliche Einblicke in Alltag, Denken, Fühlen und Handeln der Teilnehmer (vgl. zur Methode Rothmund 2021; Diehl et al. 2021).

Unsere Community zum Thema „Daten und Mobilität“ fand im September 2021 über einen Zeitraum von insgesamt drei Wochen statt. Die Planung, Durchführung und Auswertung der Online-Community erfolgte in enger Zusammenarbeit mit dem spezialisierten Marktforschungsinstitut Rothmund Insights. Als technische Lösung wurde die Plattform von Kernwert genutzt. Die Rekrutierung der anfangs 17 Teilnehmer (von denen 13 über die gesamte Zeitspanne aktiv waren) erfolgte über das Online-Panel von respondi. Die Stichprobenselektion (Screening) erfolgte anhand der Kriterien Geräte- und Verkehrsmittelnutzung (Mindestbedingung war die Nutzung eines Smartphones sowie eines PKWs nicht älter als Baujahr 2017), sowie eine möglichst breite Streuung in Bezug auf Soziodemographie, Region sowie Art der verwendeten Fahrzeuge, Devices und Betriebssysteme, um so ein zwar im statistischen Sinne nicht repräsentatives, aber möglichst „typisches“ Abbild der Zielgruppe zu geben.¹¹ (Eine bevölkerungsrepräsentative quantitative Studie folgt in Kap. 5)

Die Community wurde in drei Schritten realisiert. In der ersten Woche erfolgten eine Dokumentation des Mobilitätsverhaltens in Form eines Mobilitätstagebuchs (vgl. Abb. 2.3 für ein Muster eines Mobilitätstagebuchs), eine individuelle Exploration von Einstellungen, Motiven und Verhaltensweisen rund um Mobilität und digitale Mobilitätsservices, die Erfassung datenrelevanter Informationen zum Kfz, zu Devices, Apps und Einstellungen. Zudem wurden die Teilnehmer gebeten, exemplarisch von einem Unternehmen (bspw. Autohersteller oder App-Betreiber) eine Auskunftsanfrage nach Art. 15 DSGVO¹² einzuholen.

In der zweiten Woche wurden auf Basis der Angaben individuelle Karten der Datenspuren erstellt. Die Individualisierung erfolgte in Zusammenarbeit mit mehreren Experten auf Basis der jeweils genutzten Smartphones, Apps, Autos, Sharing-Dienste und öffentlichen Verkehrsmittel sowie der individuellen Geräte-Einstellungen und Datenfreigaben (soweit diese erfasst werden konnten). In dieser Zeit hatten die Community-Teilnehmer keine festen Aufgaben, aber Diskussionsmöglichkeiten im Forum.

In der dritten Woche wurden Einstellungen, Motive, Bedürfnisse, Erfahrungen, Verhalten sowie die Nutzen- und Gefahrenwahrnehmung in Bezug auf Big Data in der Mobilität individuell sowie vor allem auf Gruppenebene exploriert. Es erfolgte eine Konfrontation mit dem eigenen „digitalen Fußabdruck“; vor und nach der Konfrontation mit den eigenen Datenspuren wurden das Wissen darüber und Bewertungen dazu erhoben. Darüber hinaus wurden die Erfahrungen und Bewertungen zur eingeholten Auskunft nach Art. 15 DSGVO erfasst, sowie abschließend Wünsche und weiterführende Ideen zu digitalen Mobilitätsangeboten und zum Umgang mit Mobilitätsdaten.

Um die Einstellungen der Autofahrer zur Mobilität und zu digitalen Mobilitätsservices zu verstehen, haben wir diese heuristisch auf sieben Grundmotive zurückgeführt: auf Sicherheit und Entlastung, Leistung, Kontrolle und Autonomie, Stimulanz und Affiliation. Bei dieser Taxonomie orientieren wir uns an klassischen psychologischen Theorien zur menschlichen Motivation, insbesondere von McClelland und von Maslow, wie sie in ähnlicher und teils fortentwickelter Form auch bei anderen Autoren zu finden sind.¹³

Die Größe der Kreissegmente in Abb. 2.4 repräsentiert – basierend auf den Ergebnissen aus unserer Community – annähernd die Relevanz dieser grundlegenden Motive im Kontext digitaler Mobilitätsservices.¹⁴ Die zentralsten Motive, die auch am direktesten von digitalen Mobilitätsservices bedient werden, sind dabei Sicherheit und Entlastung auf der einen Seite (in der Abbildung die beiden roten Kreissegmente) sowie Autonomie und Kontrolle (die blauen Kreissegmente) auf der anderen Seite:

Sicherheit ist dabei mehrdimensional zu verstehen und bezieht sich erstens auf die Verkehrssicherheit des Fahrzeugs, zweitens auf die eigene Sicherheit und körperliche Unversehrtheit im Straßenverkehr sowie drittens auf die Betriebssicherheit des Fahrzeugs und ganz allgemein die Mobilitätsgarantie. Auch befördert durch die zunehmende Entwicklung digitaler Assistenzsysteme ist die Steigerung der Sicherheit (im Straßenverkehr) der gelernte Hauptnutzen digitaler Mobilitätssysteme und wird am ehesten als rationaler Grund für Datennutzungen akzeptiert. Viele Teilnehmer sehen daher ein starkes Sicherheitspotenzial im autonomen Fahren und dessen Vorstufen: „Ich hoffe, man arbeitet weiter an Sicherheitslösungen. Es wäre doch gut, wenn ständig die Vital-Daten ausgewertet werden, wie oft geht es einem nicht so gut, man ist vielleicht müde oder unaufmerksam und dann ist es passiert. Ich würde mir auch wünschen, dass das (teil-)autonome Fahren kommen würde, wenn ich sicher sein kann, dass die Technik besser fährt, als ich. Warum nicht, besonders wenn das Auto merkt, dass meine Verfassung nicht so gut ist“ (Debbie, 44 J.).

Andererseits wird auch kritisch hinterfragt, ob ein System tatsächlich die Sicherheit erhöht und nicht eher gefährdet, weil es z. B. technisch noch nicht ausgereift ist und sich der Nutzer zu sehr darauf verlässt: „Wenn die Autos alleine fahren, geht das nur mit vielen Gefahren. Wir geben dann quasi unser Leben in die Hand eines Roboters, und da würde für mich der Fortschritt langsam enden“ (Yvonne, 28 J.). Hinzu kommen Autonomiebedenken von daten- und digitalkritischeren Autofahrern, wie: „Das ist mir alles zu viel Überwachung. Ich möchte nicht in 1984 leben (George Orwell)“ (Andreas, 54 J.).

Autonomie ist seit jeher ein zentrales Mobilitätsmotiv, das auch in Zeiten überfüllter Straßen und Verkehrsmittel nichts an Relevanz eingebüßt hat, durch den zunehmenden Individualismus sogar noch wichtiger geworden ist. Die Reisemobilität und das entsprechende Filmgenre Roadmovie zelebrieren Autonomie als Freiheit. In der Alltagsmobilität steht die (zeitliche und räumliche) Flexibilität im Vordergrund, die in der heutigen als schnelllebig erlebten Welt immer wichtiger wird. Wichtig ist dabei, „jederzeit auf ein Verkehrsmittel zurückgreifen zu können“ (Annette, 48 J.), „unabhängig zu sein, ins Auto zu steigen und nicht lange auf öffentliche Verkehrsmittel warten zu müssen“ (Rita, 60 J.), „jederzeit dorthin gehen zu können, wohin ich möchte“ (Hazel, 36 J.), „frei sein, ohne auf etwas wie Fahrpläne zu achten“ (Debbie, 44 J.). Das Auto steht als termin- und ortsunabhängiges Verkehrsmittel prototypisch für Autonomie. Datengetriebene Dienste und Services, wie z. B. Verkehrsleitsysteme und Echtzeit-Navigationsservices, lassen die Autofahrer darauf hoffen, die autonomiegefährdenden Staus zu vermeiden. Bei beruflicher Mobilität mit öffentlichen Verkehrsmitteln sind Apps „lebensnotwendig, weil ich mich dadurch besser koordinieren kann. Insbesondere bei Störungen (Streckenausfälle, Zugverspätungen) gibt es mir die Möglichkeit, genau abzuschätzen, ob ich meine Anschlussverbindung bekommen werde oder ob ich ggf. eine frühere Reiseverbindung wählen kann“ (Maik, 35 J.). Von der datengetriebenen multimodalen Mobilität versprechen sich Verbraucher eine weitere Steigerung ihrer Autonomie (und weitere Entlastung). Idealvorstellung ist dabei die „eine App für alles“: „Eine App, mit der man alle Mobilitätsanbieter recherchieren, buchen und bezahlen kann“ (Jochen, 54 J.); „Eine App, die meine Mobilitätspräferenzen kennt und mir sagt, mit welchen Verkehrsmitteln ich in welcher Abfolge am besten zum Ziel komme“ (Helm, 49 J.); „Wie cool das wäre, wenn man mit einer App alles abfrühstücken könnte und nicht zig nutzen muss“ (Angela, 35 J.).

Aber auch die anderen grundlegenden Motive in unserer Taxonomie sind wichtig in der Mobilität und werden durch digitale Services adressiert:

Leistung umfasst im psychologischen Sinne die erlebte eigene Effizienz, verbunden mit Stolz und Freude über eigene Erfolge. Dies umfasst im Kontext der Alltagsmobilität bedeutsame Aspekte wie Schnelligkeit und Zeitersparnis. Kurze Fahrtzeiten und die Möglichkeit von Erledigungen während der Fahrt, wie sie durch digitale Services unterstützt werden, helfen dabei, im schnelllebigen Alltag zu „funktionieren“. Spontane Assoziationen dazu sind beispielsweise „flexibel, günstig und schnell Dinge erledigen können“ oder „weil ich keine Zeit zu verschwenden habe“ (Jochen, 54 J.).

Die Relevanz dieser sieben Motive in der Mobilität ist interindividuell und situativ unterschiedlich ausgeprägt. Übergreifend gilt jedoch wie schon dargestellt, dass sich in unserer Community Sicherheit und Entlastung einerseits sowie Autonomie und Kontrolle andererseits als die wesentlichsten Motive nicht nur in der Mobilität insgesamt, sondern auch bezüglich der Nutzung digitaler Mobilitätsservices zeigen. Dabei spannt sich ein „Autonomie-Dilemma“ auf, ein Konflikt zwischen der steigenden Sicherheit, Autonomie und Kontrolle durch digitale Services auf der einen Seite und der sinkenden Autonomie gegenüber den digitalen Services und ihren Anbietern, mithin den Digitalkonzernen, auf der anderen Seite.

Diese Ängste und Befürchtungen betreffen dabei keineswegs nur Datenschutz und Privacy, vielmehr geht es um die generelle Abhängigkeit von digitalen Systemen, die eine Vielfalt an Gefährdungs- und Verlustdimensionen anspricht:Der beschriebenen Autonomie-Dilemmata sind sich die Verbraucher im Nutzungsalltag in der Regel nicht bewusst. Sie werden aber dann salient, wenn es Probleme gibt oder, wenn neue Nutzungsentscheidungen zu treffen sind. Der Erfolg digitaler Assistenten hängt nicht zuletzt davon ab, inwieweit es ihnen gelingt, den Kunden Lösungen für das Autonomie-Dilemma anzubieten: entweder durch einen besonders hohen Mobilitätsnutzen, für den die Bereitschaft besteht, auf Autonomie gegenüber den digitalen Angeboten und Anbietern zu verzichten. Und/oder durch die Implementierung von Autonomie- und Kontrollelementen, wie zum Beispiel Abschalt-, Eingriffs- oder Einstellungsmöglichkeiten. Auch die Erhöhung von Transparenz („was passiert wann und warum“) kann bereits ein Beitrag sein, um subjektiv erlebten Kontrollverlust zu reduzieren.

Im Einklang mit den vorangehend aufgezeigten Einstellungen und Motiven sehen die meisten Community-Teilnehmer in Big Data sowohl Nutzen als auch Gefahren. Dabei zeigt sich, dass in allen Motivdimensionen der Nutzen dominiert, aber auch Gefahren gesehen werden.

Primär sehen die Teilnehmer vor allem einen Nutzen durch den Gewinn an Kontrolle und Autonomie in der Mobilität bzw. im Verkehr durch einen professionelleren (Echtzeit-)Informationszugang, eine verbesserte Planung, Navigation und Flexibilität. Auf der Kehrseite wird der Verlust an Autonomie und Kontrolle gegenüber Tech-Konzernen, an Privatsphäre und an Kompetenzen thematisiert. Mit Blick auf das Motiv der Sicherheit wird der Nutzen besonders in einer verbesserten Verkehrs- und Fahrsicherheit im Individualverkehr gesehen, sowie in der Hilfe bei Unfällen, beim Diebstahlschutz und in der Strafverfolgung. Gefahren werden hingegen mit Blick auf mögliche Hackerangriffe, Fehlfunktionen und Ausfälle, Unfälle durch autonome Fahrzeuge sowie Datenmissbrauch aufgezeigt. Ein großer Nutzen entsteht für die meisten Verkehrsteilnehmer vor allem mit Blick auf die Motive Entlastung und Bequemlichkeit, wobei gleichzeitig die Gefahr einer zu niedrigen „digital literacy“ genannt wird.

An zweiter Stelle wird ein Nutzen bei den Motiven Leistung und Effizienz mit Blick auf eine Kosten- und Zeitersparnis deutlich, z. B. durch Erledigungen von unterwegs, kürzere Reisezeiten und das Finden von kostengünstigen Angeboten. Hier stehen auf der Kehrseite wiederum die Abhängigkeit von Konzernen und die eingeschränkten Möglichkeiten, aufgrund komplexer Technik selbst tätig werden zu können. Für die zusätzlichen gesellschaftlich orientierten Motive zu Wirtschaft und Wohlstand wird ein deutlicher Nutzen durch Innovation und neue Geschäftsmodelle sowie durch Kosteneinsparungen und betriebswirtschaftliche Effizienz gesehen. Als Kehrseite werden das Narrativ der geopolitischen Auseinandersetzungen angeführt, also der Wettbewerb der deutschen und europäischen Wirtschaft mit den USA und Asien und die Gefahr der Abhängigkeit von dortigen Unternehmen und Systemen.

In der Gesamtsicht zeigt sich der höchste Nutzen in der Autofahrer-Community in der verbesserten Navigation bzw. Orientierung, gefolgt von Zeitersparnis sowie Stauvermeidung. Als größte Gefahr wird nicht der Verlust von Privatsphäre genannt, sondern die mögliche Nutzung der Daten zu Ungunsten der „Datengeber“, gefolgt von der Gefahr von Hacker-Angriffen und Katastrophen oder Unfällen aus dem möglichen Versagen von Technik.¹⁶

Aus der jeweiligen individuellen Nutzen- und Gefahrenwahrnehmung sowie der Frage, ob die Mobilitätsautonomie (= Nutzen) oder die (mangelnde) Autonomie gegenüber Technik/Daten (= Gefahren) fokussiert wird, lassen sich drei grundlegende Einstellungstypen unterscheiden.¹⁷Für alle Einstellungstypen gilt gleichermaßen, dass sie sowohl individuell als auch gesellschaftlich einen Nutzen von Big Data für die Mobilität sehen, aber es gleichzeitig für schwer durchschaubar und kontrollierbar halten, wie viele und welche Datenspuren sie hinterlassen.

Mit Blick auf die Zukunft ist aus Sicht der Community noch nicht entschieden, ob Mobilitätsdaten als Treiber von Sicherheit und Klimaschutz und damit im Sinne einer „besseren Gesellschaft“ dienen können, oder eher als Türöffner für eine „Sicherheits- und Ökodiktatur“, indem Nutzer kontrolliert und in ihrer Autonomie (zum Wohle der Gesellschaft) beschränkt werden (vgl. Gatzert et al. 2022, S. 54 f.): „Mich begeistern die Leichtigkeit, die Sicherheit und die Ausgereiftheit der Geräte, die individuellen Einstellungen und das autonome Fahren. Nicht so toll sind die Datenmengen und die vielen Kameras – man sagt, man braucht ALLES um effektiv arbeiten zu können“ (Debbie, 44 J.); „Zunächst einmal muss ich meine Smartwatch mit dem Bordcomputer koppeln, damit mein darauf gespeicherter Führerschein überprüft wird und die Maut-Zahldaten verbunden werden. Dann muss ich noch in ein Röhrchen pusten (Alkohol/Drogentest), bevor ich dem Bordcomputer das Ziel sagen darf und er mich danach belehrt, dass die Strecke mit dem Bus auch nur 15 Minuten länger dauert. Wenn ich in die Nähe der City mit ausgebauter Car2X-Infrastruktur komme, bietet er mir an, die Steuerung zu übernehmen und ein Valet-Parkhaus zu reservieren. Dann setzt es mich an dem Bürohaus ab und fährt selbst in die Parkpalette“ (Jochen, 54 J.); „Puh, spätestens bei Vitaldaten wäre es bei mir vorbei. Ich denke da an Gesundheitsdaten, die in die falschen Hände gelangen könnten. Ich posaune ja nicht herum, wenn ich z. B. schwer krank bin, also geht es auch niemanden etwas an. Ich persönlich ziehe da die letzte Schlusslinie. Beim Alkoholpegel ist es was Anderes, da es da um allgemeine Sicherheit geht. Aber das könnte ja lokal verknüpft werden und nicht irgendwo gespeichert werden“ (Hazel, 36 J.); „Nein, das ist mir alles zu viel Überwachung. Ich möchte nicht in 1984 leben (George Orwell)“ (Andreas, 54 J.).

Vor der Konfrontation mit ihrem eigenen digitalen Fußabdruck wurden die Teilnehmer der Community u. a. dazu befragt, wie sie ihre Datenspuren einschätzen und wie sehr sie auf einen geringen digitalen Fußabdruck achten (siehe Abb. 2.5 für einen Auszug der Fragen und Aufgaben).

Die Community-Teilnehmer sind sich bewusst, dass sie viele Datenspuren hinterlassen, insbesondere zu ihrem Standort und Bewegungsprofil, aber auch darüber hinaus:Bei der Frage, wie sehr die Teilnehmer darauf achten, ihre Datenspuren gering zu halten, zeigt sich ein gemischtes Bild.

Beispiele für Aussagen von Teilnehmern, die wenig auf eigene Datenspuren achten:Beispiele für Aussagen von Teilnehmern, die viel auf eigene Datenspuren achten oder dies zumindest intendieren:Eine Zwischenposition nimmt folgende Aussage ein:Obwohl die Kosten-Nutzen-Abwägung der Datensparsamkeit damit von den Einstellungstypen abhängt (vgl. dazu Abschn. 2.3.3), ist sie grundsätzlich für alle unangenehm, oft schwierig, verspricht wenig Belohnung und verursacht damit kognitive Dissonanzen. Für die Nutzer stellt sich die Frage, ob sich die kognitiv und emotional aufwändige Prüfung von Datenfreigaben vor dem Hintergrund der oft eingeschränkten Wahlmöglichkeiten lohnt; der Nutzen erscheint nicht sehr hoch. Ausnahmen sind der Nutzen mit Blick auf das Sparen von Akku und Datenvolumen (vgl. die vorherigen Zitate). Schwierig ist hingegen die Einschätzung, ob die weitergegebenen Daten als (abstrakter) Preis für die Nutzung von Services angemessen sind. Denn bei „kostenlosen“ Services wird häufig davon ausgegangen, dass die Weitergabe der Daten nicht nur für Funktionalitäten notwendig ist, sondern eben auch der Preis für deren Nutzung ist: „‚kostenlose‘ Dienstleistungen der Apps muss ich mit meinen Daten ‚bezahlen‘“ (Andreas, 54 J.).

Die Einschätzung der eigenen Datenspuren ist nur teilweise auf Basis von „sicherem Wissen“ abgeleitet, beispielsweise durch selbst vorgenommene Einstellungen oder durch das Lesen von AGB sowie Informationen aus Medien. Die Möglichkeit einer Auskunftsanfrage nach der DSGVO zu personenbezogenen Daten, die gespeichert und verarbeitet werden, ist den meisten zwar bekannt, wurde aber bisher wenig genutzt (Gatzert et al. 2022, S. 72).¹⁸ Häufig kommen daher Vermutungen und Heuristiken zum Tragen.¹⁹ Als größter Datensammler wird von der Community (realistisch) das Smartphone eingeschätzt, das Auto und Sharing-Dienste weniger, und öffentliche Verkehrsmittel am schwächsten.

Ausgewählte Aussagen aus der Community zum „Datensammler Smartphone“ sind:Insbesondere beim Auto zeigt sich eine große Bandbreite in der individuellen Einschätzung, in Abhängigkeit vom eigenen Modell, eigenen Verhalten oder expliziten Wissen über das eigene Modell (Gatzert et al. 2022, S. 68):Bei den ÖPV- und Sharing-Diensten ist den Teilnehmern bewusst, dass eine digitale Buchung oder Zahlung grundsätzlich mehr Daten generiert (Gatzert et al. 2022, S. 69):Trotz des grundsätzlichen Bewusstseins fehlt es den Nutzern an Transparenz und nützlichen Informationen zu ihren Datenspuren. Insbesondere die Komplexität langer und oft schwer verständlicher AGB und Datenschutzhinweise überfordert und demotiviert. Darüber hinaus sind die Einstellungen für Datenfreigaben in Geräten und Anwendungen oft schwer finden, beim Auto beispielsweise häufig schwieriger als bei einem iPhone (Gatzert et al. 2022, S. 71):Es entsteht ein Gefühl von Kontrollverlust (undurchschaubare Vernetzung von Daten) und Autonomieverlust (keine Wahlmöglichkeit bzgl. der Datenfreigabe, wenig Optionen zum Ablehnen, fehlende Alternativen bei Services). Auch das Nutzer-Paradoxon wird wieder deutlich (Knorre et al. 2020), indem einerseits als Nutzer (digitale) Angebote in Anspruch genommen werden möchten, ohne sich mit Datenfreigaben beschäftigen zu müssen, während andererseits als Bürger diesbezüglich mehr Information und Kontrolle gefordert werden. Die Nutzerrolle dominiert aber in der Regel, da der Nutzen als „Belohnung“ sofort und immer wieder erlebt wird, die Kosten hingegen höchstens mittelbar und eher abstrakt offensichtlich werden.

Als Zwischenfazit wird in der Community damit schon vor der Konfrontation mit dem eigenen digitalen Fußabdruck deutlich, dass der Nutzen von Big Data den beteiligten Stakeholdern erklärt werden muss, dass Transparenz bzgl. der weitergegebenen Daten geschaffen wird, und dass die Nutzer eine echte Wahlfreiheit bzgl. der Freigabe von Daten haben – und zwar über die reine Wahl der Nutzung von Services hinaus (die ggf. eine Datenfreigabe erzwingen).

Nach der Konfrontation mit dem eigenen digitalen Fußabdruck mit Hilfe der individualisierten Datenkarte (vgl. Abb. 2.6 sowie Abb. 2.1 in Abschn. 2.2) wurden die Community-Teilnehmer u. a. dazu befragt, wie die Informationen auf sie gewirkt haben und wie sie die Menge der erfassten und verarbeiteten Daten einschätzen.

Während der Großteil der Nutzer aufgrund der bereits vorhandenen Sensibilisierung bzgl. der Datenspuren insgesamt kaum von den Informationen zum eigenen Fußabdruck überrascht ist, wurden dennoch deren Menge und Vernetzung unterschätzt. Bei negativ überraschten Nutzern wird ein Handlungsimpuls ausgelöst. „Ich werde definitiv mehr darauf achten, welche Rechte ich welchen Firmen gebe, auf meine Daten zuzugreifen“ (Yvonne, 28 J.) „In Zukunft werde ich wahrscheinlich … mehr auf meine Datenspuren achten“ (Beatrice, 37 J.). Bei den Reaktionen in der Community ist das Auto weniger im Fokus, was sich möglicherweise auf die weniger leicht zu findenden Einstellungen, die weniger bekannte Nutzung von Big Data in diesem Kontext sowie die Beziehung zum Auto und zum Hersteller zurückführen lässt.

Anhand von sechs Einzelbeispielen werden in Gatzert et al. (2022, S. 75–80) ausführlich die unterschiedlichen Reaktionen von Community-Teilnehmern in einem Vorher-Nachher-Vergleich aufgezeigt. So zeigt das Beispiel „Ella“ (offensiv-resignativ), dass ein starker digitaler Fußabdruck nicht notwendigerweise zu mehr Datensparsamkeit führen muss. Ella hat ihre starken Datenspuren erwartet, und nimmt diese aufgrund des als sehr hoch empfundenen Nutzens auch in Kauf. „Wie erwartet, verteile ich Daten wie das Krümelmonster Krümel.“

„Annette“ (datenkritisch) mit ihrem vergleichsweise schwachen digitalen Fußabdruck hingegen ist negativ überrascht und zeigt Handlungsimpulse: „Es ist erschreckend, wie transparent ich bin. Es gibt wirklich Rückschlüsse auf meine gespeicherten Daten. Man möchte doch auch mal Dinge unternehmen, ohne dass die Schritte und die Bewegung aufgezeichnet werden.“; „Ich werde einiges unternehmen müssen, um meine Bewegungsdaten zu reduzieren.“

Die aufbrechend offensiv-resignative „Yvonne“ mit ihrem starken Fußabdruck sieht vor der Konfrontation vor allem den Nutzen ihrer digitalen Anwendungen und möchte sich nicht näher mit den freigegebenen Daten beschäftigen. „Auch hier achte ich nicht sehr doll drauf. Mir fehlt einfach die Lust, nachzuforschen.“ Die Konfrontation mit dem eigenen digitalen Fußabdruck löst jedoch einen Handlungsimpuls aus: „Letztendlich wurde mir bestätigt, dass ich zu viele Daten von mir preisgebe. Mir ist negativ aufgefallen, wie viele Daten ich tatsächlich zur Verfügung stelle, bin erstaunt und etwas unzufrieden.“; „Ich werde nun besser aufpassen.“

Bei der offensiv-resignativen und hoch digital-affinen „Angela“ zeigt sich, dass die Gegenüberstellung mit dem eigenen digitalen Fußabdruck die Resignation sogar noch verstärken kann. Es zeigt sich eine Überbetonung des Nutzens und verstärkte Abwehr vom Gefahrendenken. „Was habe ich jetzt davon, dass ich das alles weiß? Wie kann ich damit in Zukunft umgehen?“; „Von mir aus darf alles verwendet werden, ich habe da keinen Stress mit. Wenn meine Daten in meinem privaten Umfeld die Runde machen würden, würde ich das nicht wollen.“

Die abwägende und ebenfalls digital-affine „Debbie“ zeigt als (daten)kritische Verbraucherin eine höhere Gefahrenwahrnehmung nach der Konfrontation bei gleichbleibender Nutzenwahrnehmung. Die Widersprüche aus dem Nutzen, den sie sieht, bei gleichzeitigen Gefahren, verursachen ein Gefühl von Hilflosigkeit und lösen einen Wunsch nach mehr Schutz und stärkeren Verbraucherrechten aus. „Ich habe eigentlich mit diesem Ergebnis gerechnet. Mit nur einigen Dateneingaben habe ich mich vollkommen als gläserner Mensch gezeigt. Das macht einem schon Angst, auch wenn ich nicht ganz so vernetzt bin wie andere.“; „Ich möchte mehr Verbraucherrechte, die die Datensammlerei einschränken, ohne dass ich von Services ausgesperrt werden kann.“

Daten, die aus Sicht der Community-Teilnehmer grundsätzlich erfasst werden dürfen, sind solche, die notwendig für die Funktion sind, einen nachvollziehbaren Nutzen für den Einzelnen oder die Gemeinschaft haben, sowie (ggf. anonymisiert) Standort und Bewegungsdaten (z. B. zur Stauvermeidung, besseren Reiseplanung, Strafverfolgung). Daten, bei denen nachgefragt werden sollte, sind solche, die zu privat sind, unnötig für die Funktion, für Marketing- und Verkaufszwecke oder für die Vernetzung mit Social Media genutzt werden (Gatzert et al. 2022, S. 81).

Dies deckt sich mit den Ergebnissen unserer vorhergehenden, repräsentativen Befragung aus dem Jahr 2018, wonach der Nutzenaspekt und die Nachvollziehbarkeit wesentliche Akzeptanzbedingungen der Datenweitergabe sind. Dort zeigte sich auch, dass bezüglich der „Profiteure“ der Datennutzung der Eigennutzen höher auf die Bereitschaft zum Datenteilen einwirkt als die Nutzung für ein mögliches Gemeinwohl (Knorre et al. 2020, S. 175 f.). Auch dieses Ergebnis – Eigennutz vor Gemeinwohl – wurde im Rahmen der Community nochmals bestätigt, wobei bezüglich des Gemeinwohls ebenfalls die konkrete Verwendung eine große Rolle spielt. So wird etwa die Verwendung für (insbesondere medizinische) Forschungszwecke als besonders sinnvoll angesehen. Auf der anderen Seite kann Eigennutz nicht nur in Form von Services oder Sicherheitsgewinnen bestehen, sondern auch schlichtweg in Bezahlung. Typische Aussagen dazu waren beispielsweise „käuflich bin ich, es kommt auf den Preis an“ (Ella, 34 J.) oder „warum nicht, Daten werden sowieso gesammelt, … wenn es nicht zu persönlich wird, dann ja, wenn es sich wirklich lohnt“ (Debbie, 44 J.).

Ergänzend haben wir in Bezug auf Fahrzeugdaten einschätzen lassen, mit welchen konkreten Institutionen oder Dienstleistern die Nutzer bereit wären, ihre Daten zu teilen. Die Ergebnisse in Abb. 2.7 zeigen die wiederrum recht differenzierte Bewertung, wobei insbesondere Polizei, Versicherer und Rettungsdienste als „legitime“ Empfänger angesehen werden, während beispielsweise Verkehrsleitzentralen und Autohersteller als weniger und Zahlungsdienstleister oder Social-Media-Plattformen als gar nicht zugangsberechtigt wahrgenommen werden.

Auch wenn die geringe Teilnehmerzahl der Community natürlich nur eine Tendenzaussage erlaubt, stehen die Ergebnisse in hoher Übereinstimmung zu einer Studie aus dem Jahr 2013, bei der anlässlich der EU-weit verbindlichen Einführung des e-Calls die Legitimität der Datenweitergabe an verschiedene Empfänger erfragt wurde (Müller-Peters 2013, S. 37 f.).²⁰

Bezüglich der Frage, wem sie Zugriff auf die eigenen Mobilitätsdaten geben würden, sahen sich die Teilnehmer der Community durchaus selbst in der Verantwortung, entsprechende Einstellungen vorzunehmen. Zugleich bestand aber auch der Eindruck, dieser Verantwortung als Verbraucher und Verkehrsteilnehmer nicht oder allenfalls in Teilen gerecht werden zu können. Das liegt vor allem an der schon oben beschriebenen Komplexität des Themas (beispielsweise den undurchsichtigen Voreinstellungen und Einstellungsoptionen in den Fahrzeugen), aber auch an Gewohnheiten und der Bequemlichkeit. Damit verbunden werden konkrete Wünsche an Anbieter, Politik und Medien gerichtet:Zugleich war den Teilnehmern aber bewusst, dass gerade auch durch die Nutzer selbst eine aktivere Informationssuche und eine bewusstere Entscheidungsfindung erfolgen sollte, oder dass mitunter auch auf datensparsamere Geräte ausgewichen werden könnte. Entsprechend bekannte sich ein erheblicher Anteil der Teilnehmer dazu, in Zukunft stärker als bisher auf die eigenen Datenspuren achten zu wollen.

Zur Einordnung der letztgenannten Aussage ist allerdings zu beachten, dass bezüglich des Schutzes der Privatsphäre die Einstellungen und das Verhalten der Nutzer vielfach weit auseinandergehen, d. h. dass Vorsätze wie „selektive Datenweitergabe“ und „Wahrnehmung von Eigenverantwortung“ im Alltag leicht untergehen und Aspekten der Bequemlichkeit oder der Erzielung kurzfristiger Vorteile untergeordnet werden.²¹ Daher haben wir die Community-Teilnehmer nach etwas mehr als einem halben Jahr nochmals dazu befragt, inwieweit tatsächlich ein Verhaltenswandel eingetreten ist, oder ob die „guten Vorsätze“ im Alltag wieder untergegangen sind. Nicht unerwartet zeigen die Ergebnisse ein teils/teils, wobei eine deutliche Abhängigkeit vom Einstellungstyp (vgl. Abschn. 2.3.3) und dabei tendenziell eine noch stärkere Polarisierung zu beobachten ist: Während die „Offensiv-Resignierten“ unter den Teilnehmern ihr Verhalten nicht geändert und auch nicht mit Dritten darüber kommuniziert haben, hatten die „Datenkritischen“ – und zum Teil auch die „Abwägenden“ – ihr Verhalten in Teilen angepasst. Aussagen dazu sind:Zudem gibt die Mehrzahl der „Datenkritischen“ und „Abwägenden“ an, mit ihren Freunden, Partnern oder Kindern über das Thema gesprochen zu haben.

Tab. 2.2 fasst die zentralen Ergebnisse des Abschn. 2.3 zusammen.