Autonome Fahrzeugsysteme werden mittlerweile nicht nur von Google, sondern auch von fast allen Automobilherstellern und den großen Automobilzulieferern wie Bosch und Continental entwickelt. Die Technik ist dabei bereit sehr weit entwickelt und findet sich zum Teil bereits in unseren Fahrzeugen: Spurhalteassistent, Einparkassistent, usw.

Der vollautonome Audi TTS Pikes Peak 2010, eine Gemeinschaftsentwicklung des Audi Electronics Research Lab, der Stanford University und Oracle – Foto: Audi USA – CC BY-NC-SA 2.0

Feststeht: Die technische Machbarkeit ist keinesfalls das Problem. Für einen vollständigen oder teilweise auch für einen teilautonomen Fahrbetrieb hapert es jedoch an den rechtlichen Voraussetzungen.

Die schlechte Nachricht vorab: Vollautonome Fahrzeuge dürfen wegen internationalen Rechts in Deutschland ausschließlich als Testfahrzeuge (§ 70 StVZO und § 46 StVO) zugelassen werden. Eine “normale” Zulassung setzt eine Rechtsänderung voraus, die aber nicht vom nationalen Gesetzgeber beschlossen werden kann, sondern neuer internationaler Übereinkommen bedarf. Das Problem betrifft aber nicht nur Deutschland, sondern das gesamte europäische Ausland, da die entsprechenden Regelungen vor allem in europaweit geltenden EU-Richtlinien und ECE-Regelungen festgehalten sind.

Die nun folgende Aufstellung enthält nur Regelungen, die einer Überarbeitung bedürfen. Anforderungen, die autonome Fahrzeugsysteme durch ihre Ausstattungsmerkmale erfüllen (können), wie beispielsweise ein 180-Grad-Sichtfeld nach vorne und bei konventionellen Fahrzeugen mittels Spiegeln auch nach hinten, sind nicht extra aufgeführt worden. Ebenfalls ignoriert wurden Anforderungen an die Kamerasysteme, die analog zur Sehfähigkeit des Fahrzeugführers gewisse Anforderungen erfüllen müssen: Klasse B: 5,4 – 7,2 MP (3600 x 1200), gewerbsmäßige Fahrgastbeförderung: 16,1 – 21,5 MP (6720 x 1920) (vgl. LIENKAMP et al, S. 3)

Lexus RX450h, der von Google für den autonomen Fahrbetrieb umgerüstet wurde – Foto: Steve Jurvetson @ Flickr, bearbeitet durch: Mariordo @ Wikimedia Commons – CC BY 2.0

Ich berufe mich bei der Ausarbeitung der zu überarbeitenden Regelungen hauptsächlich auf eine Analyse der Technischen Universität München, die diese Fragestellung entsprechend aufgearbeitet hat ¹

An dieser Stelle möchte ich zudem, wie bei rechtlichen Themen üblich, auf folgenden Haftungsausschluss hinweisen: “Die AutorInnen übernehmen keinerlei Gewähr für die Aktualität, Korrektheit, Vollständigkeit oder Qualität der bereitgestellten Informationen. Haftungsansprüche gegen die AutorInnen, welche sich auf Schäden materieller oder ideeller Art beziehen, die durch die Nutzung oder Nichtnutzung der dargebotenen Informationen bzw. durch die Nutzung fehlerhafter und unvollständiger Informationen verursacht wurden, sind grundsätzlich ausgeschlossen, sofern seitens der AutorInnen kein nachweislich vorsätzliches oder grob fahrlässiges Verschulden vorliegt.”

Autonomes Fahrzeug Junior (Factsheet) der Stanford University – Bild: S. Thrun, Stanford University

(weiterlesen …)

Die Urban Data Challenge hat einen neuen Wettbewerb mit verkehrsbezogenen Daten veranstaltet. Aufgabe war es, mit Hilfe von Fahrplandaten aus San Francisco, Zürich und Genf Visualisierungen zu erstellen, welche die Rolle und Wichtigkeit des öffentlichen Verkehrs in diesen Städten herausstellen. Die drei Gewinnerbeiträge beschäftigen sich mit Fahrgastströmen, Gerechtigkeit und Frustration.

1. Platz: Dots on the Bus

Screenshot von Dots on the Bus – ÖPNV in Genf um 21:00 Uhr

Dots on the Bus visualisiert das Busnetz über einen gesamten Tag. Nutzer können eine Linie auswählen und erkennen den Standort der Busse sowie die Fahrgastnachfrage, die mit bunten Punkten dargestellt wird. Da die Visualisierung minutenfein erstellt wurde, konnte auch die unterschiedliche Geschwindigkeit der Buslinien dargestellt werden. So fahren Busse einer Linie in der Hauptverkehrszeit viel langsamer als in den Nebenzeiten – dies ist neben des erhöhten Fahrgastaufkommens auch in der Visualisierung entsprechend abgebildet. Die notwendigen Daten stammen aus SOLL- und IST-Fahrplandaten für die Darstellung des Fahrplans und der Fahrzeiten sowie den Lichtschranken in den Türen zur Ermittlung des Besetzungsgrades.

2. Platz: Transit Quality + Equity

Transit Quality + Equity in San Francisco: Anteil armer Menschen an der Bevölkerung und ÖPNV-Angebot / Qualität

Den ersten zweiten Platz hat die Visualisierung “Transit Quality + Equity” gewonnen. Die Webseite verbindet Taktdichte und Servicegrad des ÖPNV mit dem Einkommensniveau. So lässt sich auf einen Blick erkennen, ob ein ÖPNV-Angebot zunächst die bevölkerungsreichsten Teile einer Stadt abdeckt und ob Menschen mit niedrigerem Einkommen ein gleiches ÖPNV-Angebot erhalten wie Menschen mit höheren Einkommen.

Für San Francisco ist die Bezugsgröße der Anteil der Menschen, die unter der Armutsgrenze leben sowie die Aufteilung nach ethnischen Hintergrund. Die Daten wurden im Rahmen der US-Volkszählung erhoben. In Zürich wird das mittlere Einkommensniveau je Bezirk dargestellt, für Genf lagen leider keine Daten bezüglich der Einkommensverteilung vor. Beide Herangehensweisen lassen einen Einblick in die Wohlstandsverteilung einer Stadt zu.

Die ÖPNV-Qualität wird anhand mehrerer Kenngrößen bestimmt. Die ÖPNV-Abdeckung eines Viertels wird durch konzentrische Kreise um die einzelnen Haltestellen dargestellt. Je häufiger eine Haltestelle bedient wird, desto größer wird der Kreis. Die Zahl der Abfahrten wurde für alle Haltestellen über den Zeitraum einer Woche ermittelt. Ebenfalls erhoben wurden die Verspätungen an jeder einzelnen Haltestelle. Je dunkler ein Kreis wird, desto höher ist die Verspätungsanfälligkeit. Diese wird auch sekundenfein für jede Haltestelle ausgewiesen (Beispiel: Zürich Hauptbahnhof, durchschnittliche Verspätung über eine Woche: 0,55 Minuten, San Francisco Powell Street & Sutter Street: 11,48 Minuten).

Insbesondere in San Francisco lässt sich beobachten, dass Stadtviertel mit einem geringen Anteil armer Menschen nur sehr schlecht vom ÖPNV erschlossen sind, da reichere Amerikaner im Allgemeinen nur sehr ungerne öffentliche Verkehrsmittel nutzen. Ärmere Menschen sind dahingegen auf den ÖPNV angewiesen.

2. Platz: Frustration Index

Den zweiten 2. Platz hat der Frustration Index gewonnen, der die Angebotsqualität des ÖPNV in Zürich, Genf und San Francisco visualisiert. Die Berechnung des Servicelevels ist recht komplex, basiert aber hauptsächlich auf drei Werten: Kapazität, Verspätung und Geschwindigkeit. Weitere Qualitätsfaktoren könnten die Taktzeit, Wartezeit, Bedienzeiten, Durchschnittsgeschwindigkeit und Wirtschaftlichkeit sein, die jedoch aufgrund der knappen Zeit nicht mehr eingeflossen sind.

Frustration Index für Genf, Geschwindigkeit = rosa, Verspätung = gelb und Kapazität = blau

Vorgehen bei der Ermittlung der einzelnen Parameter:

Kapazität:

P_nt = ∑(B_x-E_x) mit x = 1→∞

• P_nt = Nummer der Fahrgäste an der Haltestelle n während der Fahrt t
• B_x = Zahl der zusteigenden Fahrgäste an Haltestelle x
• E_x = Zahl der aussteigenden Fahrgäste an Haltestelle x

Der Level of Service wird durch den errechneten Loadfaktor zwischen 0 (vollkommen leer) und >1,5 (total überfüllt) bestimmt. Die Sitzplatzkapazität wurde anhand der eingesetzten Transportgefäße bestimmt, die Zahl der ein- und aussteigenden Fahrgäste mit Hilfe von Lichtschranken ermittelt.

Verspätung:

D_nt = AA_n – SA_n (Verspätung an Haltestelle n während des Umlaufs t)

• AA_n: IST-Ankunftszeit an Haltestelle n
• SA_n: SOLL-Ankunftszeit an Haltestelle n

Zur Ermittlung des Level of Service wurde die Minimal- und Maximalverspätung eines Tages ermittelt und in mehrere Verspätungsklassen geschichtet:

d_nt = ( D_nt - d) / (D – d)

• D_nt: Verspätung an Haltestelle n während des Umlaufs t
• d: minimale Verspätung
• D: maximale Verspätung

Ein Wert zwischen 0 – 0,05 gilt als minimale Verspätung, 0,06 – 01,5 als tolerierbar, 0,16 – 0,25 als unzuverlässig, 0,26 – 0,35 als frustrierend, 0,36 – 0,65 als stark frustrierend und alles über 0,65 als unakzeptabel.

Geschwindigkeit

Die Geschwindigkeit wurde jeweils zwischen der betrachteten Haltestelle n und der zuvor angefahrenen Haltestelle n-1 betrachtet.

Theoretisch nach Fahrplan gefahrene Geschwindigkeit:
V_{n, n-1} = D_{n, n-1} / ST_{n, n-1} 

Real gefahrene Geschwindigkeit:
V_{n, n-1} = D_{n, n-1} / AT_{n, n-1} 

mit den Variablen:

• ST_{n, n-1:} theoretische Fahrzeut zwischen den Haltestellen n und n-1
  • ST_{n, n-1} = SA_n – SA_n-1
  • SA_n: SOLL-Ankunftszeit an Haltestelle n
  • SA _{n- 1}: SOLL-Ankunftszeit an Haltestelle n-1
• AT_{n ,n-1}: reale Fahrzeit zwischen Haltestelle n und n-1
  • AT_{n, n-1} = AA_n – AA_n - 1
  • AA_n: IST-Ankunftszeit an Haltestelle n
  • AA_n-1: SOLL-Ankunftszeit an Haltestelle n-1
• D_n, n-1: Luftlinienentfernung zwischen Haltestelle n und n-1
  • D_n,n-1 = √ ( (L_n-1 - L_n)² + (l_n-1 - l_n)² )
  • L_n-1: Längengrad der Haltestelle n-1
  • L_n: Längengrad der Haltestelle n
  • l_n-1: Breitengrad der Haltestelle n-1
  • l_n: Breitengrad der Haltestelle n

Ein Geschwindigkeitsfaktor zwischen 0 und 0,05 gilt als schneller ÖPNV, 0,06 – 0,15 als annehmbare Geschwindigkeit, 0,16 – 0,25 als zu langsam, 0,26 – 0,35 als frustrierend, 0,36 – 0,65 als sehr frustrierend und Werte über 0,65 sind als Stillstand und daher als untolerierbare ÖPNV-Geschwindigkeit zu verstehen.

Fazit

Alle drei Anwendungen sind wieder einmal ein großartiger Einblick, was mit offenen Fahrplandaten und OPEN DATA allgemein alles möglich ist. Öffentliche Verkehrsunternehmen müssen meiner Meinung auch keine Furcht haben, dass anhand dieser Daten große öffentliche Kritik aufkommt. Man sollte eher die Chancen erkennen und vor allem auch ergreifen, die solche Visualisierungen ermöglichen.

Der 13. Februar ist in Dresden ein spezieller Tag. Tausende Menschen gedenken jedes Jahr der Zerstörung der sächsischen Landeshauptstadt im Jahr 1945. Wie jedes Jahr versuchen Hunderte Nazis diesen Tag des Gedenkens für ihre Zwecke zu instrumentalisieren und ihre von Hass zerfressene Ideologie zu verbreiten. Tausende Gegendemonstranten stellen sich Jahr für Jahr den Rechtsextremen gegenüber und haben in den letzten Jahren mit Blockaden “Trauermärsche” durch die Stadt verhindert. 

Neben den erfolgreichen Blockaden des Naziaufmarsches gibt es zudem eine Menschenkette rund um die Altstadt, die von der Oberbürgermeisterin der Stadt Dresden gemeinsam mit den Fraktionen des Stadtrates, Vertreterinnen und Vertretern von Wirtschaft und Wissenschaft, Kultur, Sport, Gewerkschaften und Kirchen, mit der Jüdischen Gemeinde und anderen zivilgesellschaftlichen Akteuren veranstaltet wird und an der mehrere Tausend Menschen teilnehmen.

Am Vormittag des 13. Februars findet zudem der Mahngang “Täterspuren” des Bündnisses Dresden Nazifrei statt, welche an die Geschichte von Taten und Tätern, Rassenwahn und Antisemitismus, Denunziation und Verfolgung, Zwangsarbeit und Rüstungsproduktion in Dresden erinnern soll.

Alle Veranstaltungen sind mit Verkehrsbeeinträchtigungen verbunden, die auch die Organisation des öffentlichen Personennahverkehrs in Dresden vor große Herausforderungen stellen.

Eine Vorabplanung von Umleitungen ist beinahe unmöglich, da Polizeisperrungen, Sitzblockaden und Demonstrationen spontan entstehen und vonseiten der Dresdner Verkehrsbetriebe (DVB) nur reagiert werden kann.

Alle Linienänderungen und Einschränkungen am heutigen Tag werden operativ eingeleitet. Alle Maßnahmen…

— DVB AG (@DVBAG) 13. Februar 2013

….werden durch Anweisung der Polizei getroffen. Diese Veränderungen werden über Twitter von uns bekannt gegeben….

— DVB AG (@DVBAG) 13. Februar 2013

Verkehrsunternehmen stehen nicht nur vor der Herausforderung die Linienverläufe möglichst schnell an die sich ständig ändernde Situationen anzupassen, sondern auch die Fahrgäste über Änderungen zu informieren. Die DVB nutzt schon seit längerer Zeit sehr intensiv Twitter, um Fahrgäste über Störungen und Umleitungen zu informieren. Bereits zum 13. Februar 2012 oder zum Evangelischen Kirchentag 2011 wurde Twitter sehr rege genutzt. (weiterlesen …)

Das Erkennen von Unfallhäufungsstellen (UHS) und Unfallhäufungslinien (UHL) ist eine wichtige Voraussetzung, um Maßnahmen zur Beseitigung der Unfallursache ergreifen zu können. Unfälle können entweder aufgrund des Verhaltens von Verkehrsteilnehmern (zu schnelles Fahren, Vorfahrtsverstöße, usw.) oder wegen Mängeln in der Infrastruktur (schlechte Einsehbarkeit und Erkennbarkeit) entstehen. Um die jeweilige Ursache zu erkennen, führt die Polizei sogenannte Unfallsteckkarten, in denen die Unfälle entsprechend ihrer Art und Schwere markiert werden. Die verschiedenen Farben zeigen den Unfalltyp (Konfliktvorgang, der zum Unfall führte) und die verschiedenen Durchmesser der Nadeln die Unfallkategorie (Getötete, Schwer- und Leichtverletzte sowie Sachschaden). Zusätzlich können die Nadeln mit Markierungen (kleinen Dreiecken) hinterlegt werden, die weitere Unfallumstände betreffs Unfallursache (Alkoholunfall, Wildunfall) oder Unfallart (Aufprall auf einen Baum, Fußgänger, Radfahrer) aufzeigen. Zusätzlich zur Karte werden Unfallblattsammlungen geführt, die weitere ausführliche Daten enthalten, so zum Beispiel zum Unfallhergang, zum Straßenzustand, zur Witterung, zu den Sichtverhältnissen usw.

Früher wurden Stecknadeln zur Markierung von Unfällen in der Unfalltypenkarte genutzt, heutzutage werden meistens elektronische Unfallsteckkarten eingesetzt. Weit verbreitet ist beispielsweise EUSka, die elektronische Unfalltypen-Steckkarte, der PTV AG. Die Polizei in Rheinland-Pfalz nutzt GEOPOLIS V (“Geografisches polizeiliches Informationssystem für Verkehrsunfälle“).

Die elektronisch vorliegenden Unfalldaten werden heutzutage allerdings nicht veröffentlicht. EUSka kann über das integrierte Model “Datenweitergabe” die Daten in Formate der Statistischen Landesämter ausgeben oder im EUSka-Format weiterleiten und in anderen EUSka-Auswertungsanwendungen überspielen.

Eine Umwandlung in offene Datenformate sollte ebenso wie ein Onlinezugriff auf die Unfallsteckkarten ohne große Probleme machbar sein.

Durch die Veröffentlichung der entsprechenden Unfallkarten dürfte das Bewusstsein für Unfallschwerpunkte in der Bevölkerung wachsen. Entsprechende Maßnahmen wie die Anordnung einer Geschwindigkeitsbegrenzung und andere geschwindigkeitsdämpfender Maßnahmen dürften eine höhere Akzeptanz erfahren. Neue Tempolimits sind oft Gegenstand einer starken und langlebigen Diskussion. Die Argumentation der jeweiligen anordnenden Behörde oder anderer öffentlichen Stellen bleibt zurzeit leider oftmals sehr vage und argumentiert nicht faktenorientiert. Eine Veröffentlichung bzw. ein Zugriff auf die 1-Jahreskarte (alle Unfälle innerhalb von 12 Monaten), die 3-Jahreskarte (P) (Unfälle mit Personenschäden innerhalb von 36 Monaten) und die 3-Jahreskarte (SP) (Unfälle mit schweren Personenschäden innerhalb von 36 Monaten) dürfte die Zahl, Ursache und Schwere von Unfällen nochmals vor Augen führen. Die Kenntnis aller Unfälle der vergangenen drei Jahre auf einem bestimmten Streckenabschnitt dürfte in der Bevölkerung meistens nicht vorhanden sein.

In den USA und Großbritannien mit einer ausgeprägteren Open Data-Kultur ist das Veröffentlichen von Unfalldaten schon länger üblich. Die britische Regierung veröffentlicht Unfalldaten über ihr Open Data-Portal data.gov.uk. Mehrere Kartendienste helfen bei der Visualisierung der Unfälle.

UK Road Accident Map

Die UK Road Accident Map verzeichnet alle Unfälle auf einer Karte und gibt neben Zeit und Ort die Art der beteiligten Fahrzeuge, die Unfallschwere, die Zahl der Verunfallten, deren Alter und Geschlecht, den Straßentyp, etwaige Geschwindigkeitsbegrenzungen, Wetter- und Straßenzustand, Helligkeit und die Polizeibeteiligung an.

Die Daten lassen sich nach beteiligten Fahrzeugen und Schwere des Unfalls klassieren und ein- bzw. ausblenden. (weiterlesen …)

Staatliche Einrichtungen besitzen eine Vielzahl von unterschiedlichen Daten, welche die verschiedensten Bereiche abdecken. In der Verkehrsplanung spielen vor allem infrastrukturbezogene Daten eine große Rolle. Als Beispiel sei an dieser Stelle die exakte Lage von Straßen und Parkplätzen, Geschwindigkeitsbegrenzungen, Standorte der Stadtmöblierung, Zugangsmöglichkeiten zu Bahnhöfen, Haltestellen und barrierefreie Eingänge genannt. Hinzu kommen verkehrsrelevante Daten wie die durchschnittliche tägliche Verkehrsstärke auf bestimmten Straßenabschnitten, die Echtzeitbelegung von Straßen, GPS-Daten von Bussen und Taxis, uvm.

Die Stadt New York hält in ihrem Open Data-Angebot unter anderem Karten zu den folgenden Themen vor (auf New York scrollen und dann die entsprechenden Layer einschalten):

• U-Bahn-Eingänge
• Gehwege und Querungshilfen
• Parkplätze und Abstellmöglichkeiten
• u.v.m.

Die Delaware Valley Regional Planning Commission bietet einen Zugriff auf die Fußgänger- und Radfahrer-Zählungen in Philadelphia an:

Fußgänger- und Radverkehrszählung in Philadelphia als Anwendung fürOpen Data – DVRPC

Diese Werte stehen der Öffentlichkeit zur Verfügung. Anhand dieser Daten kann beispielsweise die Netzplanung des Radverkehrs transparent gemacht und die Wirkung von Investitionen in die Radverkehrsinfrastruktur nachvollzogen werden. Neben den Karten für den Fußgänger- und Radverkehr wird auch eine Vielzahl weiterer interaktiver Karten zum motorisierten Straßenverkehr, Infrastrukturmaßnahmen, usw. angeboten. Viele Datensätze können auch im maschinenlesbaren Format heruntergeladen und weiterverarbeitet werden.

Echtzeit-Durchschnittsgeschwindigkeiten in New York 

In New York betreibt das Traffic Management Center (TMC) eine Übersichtskarte über die derzeit im Straßennetz gefahrenen Durchschnittsgeschwindigkeiten. Die dazu notwendigen Daten stammen von Detektoren verschiedener städtischer und staatlicher Einrichtungen. Über eine Schnittstelle kann auf diese Daten in Echtzeit zugegriffen werden. 

Hubway-Bikesharing in Boston

Das Bikesharing-Angebot Hubway in Boston hat zum Jahresende eine große Zahl von anonymisierten Nutzungsdaten veröffentlicht. Im Rahmen eines Visualisierungswettbewerbs wurden 67 Visualisierungen eingereicht, die verschiedenste Gebiete abdecken. Ari Ofsevit hat beispielsweise die gefahrenen Durchschnittsgeschwindigkeiten auf unterschiedlichen Relationen abgebildet:

Gefahrene Durchschnittsgeschwindigkeit zwischen den einzelnen Ausleihstationen des Bostoner Bikesharing-Angebots – Ari Ofsevit

Das genauere Vorgehen und weitere Charts und Tabellen lassen sich auf Ari Ofsevits Webseite finden.

Der Hubway Trip Explorer von Andy Woodruff schlüsselt die Ausleihvorgänge in Abhängigkeit von Zeit, Wetter, usw. (insgesamt 10 Faktoren) auf. Die interaktive Karte kann Auskunft sowohl über das Gesamtsystem als auch einzelne Stationen geben und ermöglicht einen Einblick in das Verkehrsverhalten der Bostoner Bevölkerung und Touristen an Wochenenden, Werktagen, nachts, in den Abendstunden, usw. Eine Übersicht kann hier als PDF heruntergeladen werden.

Screenshot des Hubway Trip Explorer von Andy Woodruff

Hubway Bikes In / Bikes Out von Kim Ducharme, Kenn Knowles, Verena Tiefenbeck und Zia Sobhani zeigt die Zahl der ausgeliehenen und zurückgegebenen Fahrräder nach Zeit an. An Bikesharing-Stationen in Nähe von Bahnhöfen lassen sich insbesondere am Morgen und Abend die Ausleihvorgänge beobachten, während in den touristisch genutzten Gebieten vor allem am Abend die Nutzungszahlen steigen.

Bike In / Bike Out des Hubway Bikesharing-Angebots in Boston

(weiterlesen …)

Neben den technischen Herausforderungen sind natürlich auch die rechtlichen Aspekte bei der Erstellung von Anwendungen durch die Entwickler und der Freigabe von Fahrplandaten durch die Verkehrsunternehmen oder -verbünde von einer großen Bedeutung. Die Deutsche Bahn AG begründet ihre ablehnende Haltung auch mit der rechtlichen Unsicherheit, für Fehlauskünfte o.ä. haften zu müssen. Der IT-Rechtler Christian Laux der Züricher Kanzlei Laux Lawyers hat bei den Opendata.ch 2012 in einer Themensession die aktuelle rechtliche Situation aus Schweizer Sicht dargestellt. Ein ähnlicher Vortrag mit dem rechtlichen Stand in Deutschland ist mir leider nicht bekannt. Für Hinweise bin ich dankbar!

Aus den Anforderungen an die Entwickler von Anwendungen ergibt sich im Umkehrschluss auch zum Teil die Pflicht der Verkehrsunternehmen, oder der jeweiligen Daten-veröffentlichenden Stellen, diese rechtlichen Gegebenheiten in ihren Lizenzvereinbarungen zu klären.

Auch wenn mich Juristen für diese Aussage vermutlich verfluchen werden, hoffe ich, dass der deutsche Rechtsstand sich nicht allzu sehr vom Schweizer Recht unterscheidet. Einen groben Überblick über die möglichen rechtlichen Fallstricke lässt sich sicherlich gewinnen.

Der Foliensatz steht hier zum Download (PDF, 65KB) bereit.

In der Open Transit Data-Diskussion, also der Diskussion über die Freigabe von Fahrplandaten und anderen verkehrsrelevanten Daten, wird sehr oft vonseiten der Verkehrsunternehmen die Frage gestellt, welchen Zweck die Freigabe habe. Viele Verkehrsunternehmen bieten eine Fahrplanauskunft auf ihrer Webseite an, einige haben zudem spezielle Apps entwickeln lassen, die auch unterwegs Fahrplanauskünfte ermöglichen. Hin und wieder finden sich auch einige besonders innovative Ansätze wie Smart Way. 

Die Frage wofür Open Transit Data eigentlich benötigt wird, lässt sich am Besten mit einigen Beispielen erklären. Viele dieser Anwendungen berühren nicht das Kerngeschäft eines Verkehrsunternehmens, haben aber einen großen Marketingeffekt. Die Komplexitätsreduktion und die Steigerung des Coolnessfaktors können insbesondere in Ballungsräumen jüngere Nutzergruppen attrahieren und haben einen positiven Einfluss auf die Fahrgastzahlen.

Für Verkehrsunternehmen entsteht ein zusätzlicher Nutzen, der nicht einmal Geld kostet, da die Entwickler aus innerem Antrieb und auf eigene Rechnung arbeiten. Verkehrsunternehmen können darüber hinaus noch zusätzliche Einnahmequellen erschließen, da viele beliebte Anwendungen offizielle Netzpläne oder bei entsprechender Marktdurchdringung und Qualität den Namen des Verkehrsunternehmens lizenzieren.

Diese Auflistung ist nur eine Auswahl aus einer Vielzahl von Anwendungen, die auf offenen Fahrplandaten basieren. Alleine in New York existieren beispielsweise mehr als 70 verschiedene Apps, Webseiten und Services. 

Dabei ist die Metropolitan Transportation Authority, die Verkehrsgesellschaft des Bundesstaates New York, erst recht spät in den Markt eingestiegen. Dafür ist sie mittlerweile sehr aktiv im Bereich Open Transit und wirbt aktiv um die Entwicklung von Apps. Die meisten hier aufgeführten Anwendungen sind innerhalb weniger Tage und Wochen nach Freigabe der Fahrplandaten, Stationsdaten, Linienverläufe, usw. entstanden. Durch die hohe Kreativität der lokalen Entwicklerszene existieren im Großraum New York viele großartige Anwendungen. MTA hat auch den Wettbewerb MTA App Quest ins Leben gerufen, bei dem 15.000 Dollar Preisgeld für die besten Anwendungen vergeben wurden.

Ich habe eine kleine Auswahl von Anwendungen getroffen, die meiner Meinung nach entweder besonders gut, besonders innovativ oder einzigartig sind. Ich bin für weitere Vorschläge entweder per Kommentar oder per Mail offen und werde die Aufstellung entsprechend ergänzen.

Embark NYC

Embark entwickelt mit Hilfe von offenen Fahrplandaten die Fahrplanauskünfte, die man sich eigentlich in jeder Stadt wünscht. Embark NYC (Download bei Google Play | Download bei iTunes) ist eine auf New York City zugeschnittene App, die alle Informationen bietet, die man für eine Fahrt mit dem öffentlichen Nahverkehr benötigt. Die Anwendung liefert Tür-zu-Tür-Verbindungen mit turn-by-turn-Fußgängernavigation zur nächsten Haltestelle oder zum nächsten Haltestelleneingang, aktuelle Echtzeitinformationen zu Verspätungen und den aktuellen Ankunftszeiten, Pushmeldungen über geplante Umleitungen und Baumaßnahmen, Auskünfte auch in U-Bahn-Tunneln ohne GPS/Handyempfang, eine Umkreissuche für nahegelegene Haltestellen und sieht auch noch sehr gut aus. 

Die App ist mittlerweile für die Städte Boston, Chicago, London, Long Island, New Jersey, New York, Philadelphia, San Francisco und Washington D.C. verfügbar. Die Anwendung wurde von New Yorker ÖPNV-Nutzern zur besten App gewählt und hat den Preis für die beste Mobilitätsanwendung, die offene Daten verwendet, der Stadt New York gewonnen. BMW hat ebenfalls in das Unternehmen investiert.

(weiterlesen …)