In einer Smart City mit nachhaltiger bedarfsgerechter Mobilität gelingt die Stärkung des öffentlichen Personennahverkehrs (ÖPNV) mittels solider Datengrundlagen über dessen Nutzung. Doch wie lassen sich Fahrgastzahlen effizient erheben?

Welche Methoden zur digitalen Fahrgasterfassung sowie -prognosen können Verkehrsbetriebe und Mobilitätsreferate anwenden, um ein Optimum zwischen Erkenntnisgewinn und Ressourceneinsatz zu erzielen? Und wie lassen sich diese Datensätze mit weiteren raumbezogenen Informationen verknüpfen, um Mehrwert bringende Smart City-Anwendungen entwickeln zu können?

1. Status Quo der Fahrgasterhebung

Zweifelsohne spielen Fahrgasterhebungen für kommunale Verkehrsunternehmen sowie Verkehrsverbünde in Deutschland eine zentrale Rolle. Schließlich dienen die ermittelten Fahrgastzahlen nicht nur als Grundlage für die Einnahmenverteilung, sondern auch für die Fahrplanung sowie deren Betriebsmitteleinsatz. Gleichzeitig fußt die verbundweite Einnahmenverteilung auf den gemessenen Fahrgastzahlen pro Raumeinheit bzw. zugewiesenem Verkehrsunternehmen. Oft erfolgt die Fahrgasterhebung standardmäßig durch Personal, das bedeutet Fahrgastbefrager:innen bzw. in kleineren Verkehrsbetrieben auch Fahrer:innen, die eine Strichliste führen.

In größeren Verkehrsbetrieben stellt der Einsatz von Automatischen Fahrgastzählsystemen (AFZS) eine weit verbreitete Strategie zur Fahrgastzählung dar. Unser Austausch mit kommunalen Verkehrsbetrieben ergab, dass die mit Abstand beliebteste technische Lösung zur Erfassung von Fahrgastzahlen an Türen installierte Infrarotsensoren sind, die bei den entsprechenden Verkehrsunternehmen in ungefähr 10-30% der ÖPNV-Fahrzeuge installiert sind. Diese automatischen Zählsysteme gehören zur Ausstattung der ÖPNV-Fahrzeuge dazu oder können, insbesondere durch Fördermittel, in der gesamten ÖPNV-Flotte nachgerüstet werden. Bekannte AFZS-Anbieter sind iris, Derovis und Interautomation Deutschland.

In der momentan laufenden Erhebung des VBB werden manuelle Fahrgastbefragungen (mit Hilfe von Tablets) mit den Daten aus automatisierten Türsensoren kombiniert. Letztere kommen bei ca. einem Viertel der Verkehrsunternehmen des Verkehrsverbundes zum Einsatz. Neben diesen etablierten Methoden führt die Digitalisierung mit ihrer rasanten Verbreitung von digitalen Endgeräten sowie KI-gestützten Auswertungsmöglichkeiten dazu, dass sich die Möglichkeiten der digitalen Fahrgasterhebung zunehmend ausdifferenzieren. Folgende Methoden der Fahrgasterhebung haben wir durch unsere Recherchen ermittelt:

• Bilderkennung Kamerasysteme: Über optische Systeme werden die Innenräume des ÖPNV-Fahrzeugs gefilmt und über KI-gestützte Bilderkennung in datenschutzkonforme Metadaten über das Fahrgastaufkommen umgewandelt; vergleichsweise hohe Ausstattungskosten; Anbieter: NATIX Vision, ISARSOFT, ViSenSys
• Datenspende: Fahrgäste können auf freiwilliger Basis über eine App ihr Mobilitätsverhalten tracken lassen – insbesondere mit Gamification-Ansätzen lassen sich dazu Anreize schaffen; diese Methode kommt vermehrt in Forschungsprojekten zum Einsatz, Lösungen: Motiontag und MobiMeter
• Automatisierte Smartphone-Tickets: Mehrere kommunale Verkehrsbetriebe bieten automatische Bezahlsysteme an, bei denen der Verkehrsweg eines Fahrgastes mittels WLAN/Bluetooth-Empfang der Smartphones getrackt wird, um anschließend den besten Fahrkartenpreis berechnen zu können; Beispiele: YANIQ, swa BiBo, easyConnect; auch generelle Daten zu Ticketkäufen und abgerufenen Fahrplanauskünften sind nutzbar
• Mobilfunkdaten: Einkauf von Verbindungsdaten von Mobilgeräten der Fahrgäste, in dem Mobilfunkdaten von Funkmasten entlang des Verkehrsweges analysiert werden; Nachteil: kostenintensiv, unvollständig und teilweise verhinderte bisher die grobe Zellstruktur der Mobilfunkzellen die Durchführung kleinräumiger Analysen (Änderung durch 5G-Ausbau möglich); Beispiel: Sonderauswertung zur Nutzung des 9-Euro-Tickets

Dabei ebnet keine dieser innovativen Methoden den Königsweg. Unsere Recherche ergab, dass sie teilweise zu kostenintensiv sind, nicht ausreichend valide Datenbestände liefern oder datenschutzrechtlich noch nicht ausgereift sind. Ein näherer Blick auf die Einsätze dieser Methoden zeigt schließlich, dass sie überwiegend in Forschungsprojekten angewendet werden – teilweise sogar zur gegenseitigen Überprüfung. So testete in etwa die Münchener Verkehrsgesellschaft (MVG) im BMVI-finanzierten Forschungsprojekt xMND die Aussagegüte von Mobilfunkdaten als Basis für ihre Angebotsplanung. Die Validierung erfolgte dabei mittels der Datenspende-Methode.

2. Fahrgastprognosen für einen
bedarfsgerechteren ÖPNV

Mit den ermittelten Daten lassen sich Prognosen zum erwarteten Fahrgastaufkommen durchführen. Die zentralen Motive für derartige Fahrgastprognosen liegen zum einen in einer bedarfsgerechteren ÖPNV-Angebotsplanung. Zum anderen können kurzfristig zu erwartende Besetzungsgrade auch in die Fahrplanauskunft integriert werden und damit die Benutzerfreundlichkeit derselben erhöhen.

Da in der Anfangszeit der COVID-19-Pandemie die ÖPNV-Nutzung aufgrund der subjektiv wahrgenommenen erhöhten Infektionsgefahr zurückging, hat der Rhein-Main-Verkehrsverbund (RMV) ein niederschwelliges Projekt zur Auslastungsprognose im Nahverkehr umgesetzt. Als Datengrundlagen dienten ihm dabei die Methoden Smartphone-Ticketkäufe, -Fahrplanauskünfte und Türsensoren. Mittlerweile ist diese Funktion ein fester Bestandteil der RMV-App und wurde mit weiteren Datenquellen angereichert.

Wenngleich die Vorstöße der RMV eine Vorreiterrolle im deutschen Nahverkehr einnehmen, sind digitale Fahrgastprognosen genauer genommen kein Novum für kommunale Verkehrsbetriebe. Fahrgastprognosen sind eine etablierte Funktion bestehender Software-Produkte zur ÖPNV-Planung von bspw. SIGNON. Die über AFZS erfassten Werte werden auf die gesamte ÖPNV-Flotte hochgerechnet und für bestimmte Linien können einzelne Prognosen erstellt werden.

Die eigentliche Schwierigkeit liegt jedoch in der Aufbereitung dieser Daten in eine Form, die es ermöglicht, die prognostizierten Fahrgastwerte als fundierte Grundlage für die ÖPNV-Angebotsplanung nutzen zu können. Hierzu wäre das niederschwellige Durchspielen von Szenarien und eine kartografische Visualisierung des prognostizierten Fahrgastaufkommens hilfreich. Zusätzlich kann mit Hilfe von Business Intelligence-Software die Entwicklung des Fahrgastaufkommens deutlich tiefgreifender und umfassender prognostiziert werden.

Fahrgastanalyse und -prognose der Leipziger Verkehrsbetriebe

Die Leipziger Verkehrsbetriebe (LVB) befördern mehr als 150 Millionen Fahrgäste pro Jahr. Ihre Fahrzeuge bewegen sich auf mehr als 8.000 Variationen. Eine bedarfsgerechte Einsatzplanung der Fahrzeuge war bislang nur unter großem zeitlichem Aufwand möglich, denn die vielen Datenpunkte mussten von LVB-Mitarbeiter:innen mit entsprechend manuellen Eingriffen ausgewertet werden.

Gemeinsam mit dem IT-Spezialisten Arvato Systems hat die LVB schließlich im Jahr 2019/ 2020 eine skalierbare Lösung für diese Aufgabe entwickelt. Mithilfe des Business Analytics-Tools Microsoft Power BI können Mitarbeiter:innen der Verkehrsbetriebe seither auf visuell aufbereitete Analysen und Vergleiche des täglichen Fahrgastaufkommens in allen Variationen zugreifen.

Nachfolgend können Sie Demonstrationen der Dashboards zur Fahrgastanalyse und zum Proof of Concept der Fahrgastprognose abrufen. Diese Versionen basieren auf Dummy-Daten.

LVB-Case Study „Effiziente Fahrzeugeinsatzplanung im öffentlichen Nahverkehr“

Fahrgastanalyse

Fahrgastprognose

3. Von Big Data zu Big Action

Bislang halten wir fest: Wenn es mittels digitaler Technologien gelingt, die herkömmliche Fahrgasterhebung sowie ihre Auswertung zu optimieren, bedeutet dies einen Effizienzgewinn für die ÖPNV-Planung und eine höhere Benutzerfreundlichkeit für die Fahrgäste. In Anbetracht dieser deutlichen Mehrwerte drängt sich die Frage auf, weshalb entsprechende Technologien bisher lediglich vereinzelt zum Einsatz kommen. Während unserer Gespräche haben sich folgende Herausforderungen und potenzielle Lösungsansätze offenbart.

Herausforderungen

Minutenscharfe Informationen über die Fahrgastauslastung sind für den ÖPNV-Betrieb unwichtig, weil die eingesetzte ÖPNV-Flotte nicht in Echtzeit angepasst werden kann. Generell ist eine adaptive Anpassung der eingesetzten ÖPNV-Fahrzeuge anhand der Fahrgastzahlen organisatorisch-rechtlich schwierig umzusetzen. Man könnte nicht in Stoßzeiten spontan einen zusätzlichen Bus schicken, weil dies mit den Lenk- und Ruhezeiten der Fahrer:innen konfligieren würde. Mittelfristige Änderungen im ÖPNV-Betrieb bedürfen hingegen einer Anpassung des Nahverkehrsplanes durch die zuständige kommunale/regionale Regierung.

Insgesamt scheint die Anwendung digitaler Fahrgasterhebungen und -prognosen vorrangig für größere Verkehrsbetriebe von Relevanz zu sein, denn Städte mit einer Einwohnerzahl von mindestens 200.000 Einwohner:innen weisen eine kritische Masse an Fahrgastzahlen und unterschiedlichen Fahrzeugtypen in ihrem ÖPNV-Betrieb auf.

Eine weitere Herausforderung ist das mangelnde Bewusstsein der Entscheider:innen für die Potenziale neuer Technologien. Wenn der ÖPNV-Auftraggeber in seine ausgeschriebenen Leistungen an die Verkehrsunternehmen routinemäßig eine vierteljährliche personelle Fahrgastzählung einpreist, dann fehlt die Investitionsbereitschaft für zusätzliche Fahrgasterhebungen bzw. -prognosen.

Lösungsansätze

Ungeachtet dieser Herausforderungen liegen die Mehrwerte und Potenziale von genauen Fahrgastzahlen auf der Hand. Entsprechend gibt es auch Ansätze, wie sich Experimentierräume schaffen lassen, die eine Erkundung dieser ermöglichen.

Eine Strategie sind sicherlich Forschungs- und Innovationsprogramme, bei denen kommunale Verkehrsbetriebe vom Fördermittelgeber explizit dazu ermutigt werden, neue Datengrundlagen zu schaffen und deren Veredelung für die Förderung der Verkehrswende zu pilotieren (z.B. MaaS NRW). In solchen Rahmen sind digitale Fahrgasterhebungen und -prognosen oftmals ein Teilprojekt.

Die Innovationsfreudigkeit gegenüber neuartigen Fahrgastprognosen unterscheidet sich innerhalb eines Verkehrsbetriebes sicherlich auch vom jeweiligen Personal. Während im laufenden ÖPNV-Betrieb etablierte Abläufe und Datengrundlagen bevorzugt werden, haben sich in unseren Gesprächen insbesondere die Fahrgastplaner:innen als Innovationstreiber herauskristallisiert. Diese sind übrigens oftmals in der Marketingabteilung angesiedelt sind. Ebenso sind die Kolleg:innen in der IT-Abteilung und der Produktentwicklung, bedingt durch ihre nutzer:inzentrierte Denkweise, offen für derartige KI-gestützte Fahrgastprognosen.

Auch die Ebene der Verkehrsverbünde kann sich für die Erschließung von digitalen Fahrgastprognosen als hilfreich erweisen. Insbesondere wenn mehrere Verkehrsbetriebe Bottom-Up entsprechende innovative Technologien thematisieren und einsetzen, kann darüber eine verbundweite Diskussion angestoßen werden.

4. Schnittstellen zur Smart City

Eine besondere Bedeutung fällt digitalen Fahrgasterhebungen und -prognosen dadurch zu, dass ausnahmslos alle Smart City-Strategien als zentralen inhaltlichen Schwerpunkt die Digitalisierung der Mobilität aufführen. Gleichzeitig verschreiben sich die Städte im Sinne der Verkehrswende einer Mobilitätsplanung, die den ÖPNV stärken soll. Wenn man diese beiden Gedanken kombiniert, bedeutet dies, dass die Verkehrsämter der Stadtverwaltungen mittelfristig ihre ÖPNV-Betreiber um bessere Datengrundlagen bitten werden.

Neben unseren eigenen Gesprächen mit Zuständigen für Mobilität in den Stadtverwaltungen, bestätigen auch Pressemitteilungen die Annahme, dass kommunale Mobilitätsreferate und kommunale Verkehrsbetriebe ihre Zusammenarbeit über Digitalprojekte künftig forcieren werden (Landkreis Hof, Heidenheim). Damit können die digitale Fahrgasterhebung und -prognose als Planungsgrundlagen für multimodale Mobilitätsangebote dienen. Die zuvor aufgezeigte LVB-Fahrgastprognose ist beispielsweise schnittstelleoffen und lässt sich damit gewinnbringend mit weiteren raumbezogenen Datenbeständen verschränken. Um welche digitalen Smart Mobility-Projekte es sich dabei im Konkreten handeln kann, gilt es mit weiteren Pilotprojekten auszuprobieren.

5. Einladung zum fachlichen Austausch (online)

Die Inhalte dieses Blogartikels beruhen zu großen Teilen auf den Erkenntnissen, die wir aus unseren Erstgesprächen mit Smart City-Manager:innen, kommunalen Verkehrsbetrieben und Mobilitätsreferaten gezogen haben. Um diesen angestoßenen Diskurs über digitale Fahrgasterhebungen und -prognosen fortzuführen, würden wir diese Erkenntnisse gerne mit Ihnen diskutieren. Wenn Sie an einem solchen fachlichen Austausch interessiert sind, bekunden Sie Ihr Interesse gerne in dem untenstehenden Formular.

Über welche Themen würden Sie einen fachlichen Austausch bevorzugen? Mögliche Diskussionsschwerpunkte wären bspw. Praxiserfahrungen von digitalen Fahrgastprognosen oder potenzielle Smart City-Projekte in der Zusammenarbeit von Verkehrsbetrieben und kommunalen Mobilitätsreferaten.

Weitere Informationen

• Forschungsprojekte:
  • Optimierung der ÖPNV-Planung durch die Analyse von Smartphone-App Aktivitäten und dem realisierten Mobilitätsverhalten – SSPT (2022)
  • Ermittlung der Fahrgastnachfrage aus AFZS-, WLAN-, Bluetooth- und Verbindungsdaten – Mobile Data Fusion  (2018)
  • Automatische Fahrgastzählung im ÖPNV mit Kameras und intelligenter Software für bessere Betriebsabläufe und Planungssicherheit – AIPaC (2021)
    
    
• Sonderauswertung der Fahrgastzahlen im Juni 2022 (9-Euro-Ticket) der Methode Mobilfunkdaten
• Automatische Fahrgastzählsysteme – Eine Übersicht (2020)
• Potenzialanalyse zur Mobilfunkdatennutzung in der Verkehrsplanung, Fraunhofer IAO (2016)