E-Scooter - nur ein Hype?
Gesamtausschnitt des Dashboards "E-Scooter nur ein Hype?"

Behar Haziri, Lena Oeser, Mario Rosario Sezer, Heiko Michel & Arbnor Zabrdja

E-Scooter - nur ein Hype?

Visuelle Ananlyse der Entwicklung und Nutzung eines E-Scooter-Leihsystems in Mannheim.

Im Jahre 2019 wurden die E-Scooter von TIER erstmals in Deutschland eingeführt und auf den Straßen zugelassen. In diesem Projekt untersuchen wir die Entwicklung und Nutzung der E-Scooter. Wie viele E-Scooter werden denn aktuell noch tatsächlich genutzt? Hierfür nutzen wir eine Schnittstelle von TIER, um die Live-Standort-Daten der E-Scooter zu erhalten. Besonders hat uns interessiert, ob eine Relation zwischen dem Autoverkehr und die Nutzung der E-Scooter festzustellen ist. Dafür verwenden wir eine Schnittstelle der MVV, die uns Verkehrsdaten über die Mannheimer Innenstadt bereitstellt. Aus unserer Analyse haben wir festgestellt, dass Scooter weniger im Winter genutzt und Fahrten mit dem Auto nicht ersetzt werden.

Dieses Projekt ist im Rahmen des Kurses “Grundlagen der Datenvisualisierung” im Wintersemester 2021/22 an der Hochschule Mannheim unter der Leitung von Prof. Dr. Till Nagel entstanden.

Einführung

Unsere Aufgabe war es sich mit dem Thema „Smart City“ und den Maßnahmen der Stadt Mannheim zu beschäftigen. In der Zeit vor der Corona-Pandemie war der Hype um die E-Scooter in Mannheim deutlich zu erkennen. Egal ob jung – alt, groß – klein, männlich – weiblich. Um insbesondere Anreize für eine gemeinsame Nutzung des ÖPNV und für den Zu- und Abbringerverkehr zu erzeugen, haben TIER und der Verkehrsverbund Rhein-Neckar eine Kooperationsvereinbarung geschlossen.

Motivation

Vor unserer ersten Konsultation haben wir uns sehr mit den Maßnahmen zu Smart City auseinandergesetzt. Schließlich haben wir über die persönliche Nutzung der elektrischen Tretroller diskutiert und kamen auf unterschiedliche Ergebnisse. Einige Gruppenmitglieder hatten bisher noch kaum bis gar keine Erfahrung mit den E-Scootern gesammelt, andere nutzen diese nur gelegentlich und ein Gruppenmitglied ist ständig mit dem Roller unterwegs um kurze Strecken von A nach B zu fahren.

Fragen

  • Wie viele E-Scooter werden tatsächlich genutzt?
  • Wie viele bleiben stehen? Wie lange?
  • Ist der E-Scooterverkehr identisch mit dem Autoverkehr in Mannheim?
  • In welchen Regionen in Mannheim werden E-Scooter besonders genutzt? Warum?

Ergebnis

Wir haben ein Dashboard erstellt, für die Auswertung und Visualisierung der Daten, die wir aus der TIER-API und der MVV-API erhalten haben. Auf diesem Dashboard sind die Erkenntnisse in einer Karte, Linien-Diagrammen, sowie einer Big Number visuell dargestellt. Weiterhin wurden die Daten aus der TIER-API alle 5 Minuten gescrapt. Hier mussten wir leider feststellen, dass wir durch die riesige Datenmenge einige Probleme hatten. Jedoch haben wir es geschafft, die Daten in einem Zeitraum zu vergleichen und konnten so unsere These belegen.

Datenbeschaffung und Aufbereitung

Es wurden Verkehrsdaten über die MVV-API und Standort-Daten der verfügbaren E-Scooter über die TIER-API bezogen. Da die TIER-API keine historischen Daten bereitstellt, sondern nur die Live-Standort-Daten der verfügbaren E-Scooter, haben wir mit einem Python-Script die Live-Standort-Daten im 5 Minuten Intervall eine Woche lang gescrapt und diese in einem von uns aufgesetztem Raspberry Pi in einer Datenbank abgespeichert. Es war über die TIER-API nicht möglich, nur die verfügbaren E-Scooter in Mannheim zu erhalten, es wurden auch immer die verfügbaren E-Scooter in Ludwigshafen gescrapt, weswegen wir die Standort-Daten mit einem Geo-Polygon von Mannheim abgeglichen haben. Hierbei haben wir für jeden Standort überprüft, ob sich dieser innerhalb des Polygons, also der Mannheimer Stadtgrenzen befindet. Somit konnten wir sicherstellen, dass nur E-Scooter abgespeichert werden, welche sich auch tatsächlich in Mannheim befinden. Um eine Filterfunktion nach Stadtteilen zu ermöglich, wurden die E-Scooter Datensätze um den Stadtteil erweitert. Auch hier wurden Standort-Daten der E-Scooter mit Geo-Polygonen von den einzelnen Stadtteilen verschnitten. Da unsere Ressourcen – insbesondere der Speicher – begrenzt waren, haben wir nur die Eigenschaften eines E-Scooters gespeichert, welche für unser Vorhaben wichtig waren. Eigenschaften, welche in jedem Datensatz identisch waren, wurden von uns ausgeschlossen.

Abbildung 1: Datenbeschaffung visualisiert anhand eines Datenflussdiagramms.

Mockup

Der erste Prototyp sollte die grundlegende Funktion des Dashboards umsetzen. Der Fokus dabei ist eine interaktive Karte, auf der jeder Scooter mit einem Punkt markiert ist. Sie zeigt das Aufkommen und die Verteilung der einzelnen Scooter in den Stadtteilen von Mannheim an. Diese Punkte sind in in drei grünen dunkelstufen zu erkennen, welche den Akkustand signalisieren. Durch die freie Auswahl eines Zeitraums kann der Nutzer die Scooteranzahl sowie die Verteilung dieser zu einem bestimmten Zeitpunkt erkunden und analysieren. Außerdem kann er ihre Bewegung und Umverteilungen auf der Karte nachverfolgen. Zudem war geplant die verschiedenen Zonen für die Scooter auf der Karten farblich zu kennzeichnen. Das wäre zum einen die Parkverbotszonen in der eine Scooter fahrt nicht beendet werden darf und die Hauptverkehrszone in der jeder Anbieter täglich maximal 100 Scooter zur Verfügung stellen kann.

Abbildung 2: Erste Ideen festgehalten auf einem Mockup.

Das Dashboard ist deshalb essentiell für die Beantwortung der von uns aufgestellten Forschungsfragen. Die Diagramme, die sich rechts und links von der Karte befinden, sollen dabei als Unterstützung für die Beantwortung der Forschungsfragen dienen. Alle Diagramme sind von dem ausgewählten Zeitintervall abhängig und passen sich dementsprechend an. Die Gesamtzahl der Scooter sind deutlich erkennbar mit einer unterscheidung zwischen den aktiven und inaktiven Scootern. Für einen besseren Überblick wurde hierfür zusätzlich Kuchendiagramm verwendet. Die Liniendiagramme sollten hierbei den Autoverkehr sowie Scooterverkehr zu bestimmten Zeitpunkten darstellen. Damit wollten wir zeigen, ob es einen Zusammenhang zwischen den beiden Verkehrsmitteln gibt und diesen erkenntlich machen.

Visualisierungstechniken

Abbildung 3: Der finale Prototyp mit Karte (mitte), Liniendiagrammen (links), Big Numbers und Balkendiagramm (rechts).

Karte

Der Mittelpunkt des Dashboards ist eine vertikal angeordnete Karte. Diese bietet einen schnellen Überblick über die Stadt Mannheim und die Aufenthaltsorte der einzelnen E-Scooter. Jeder dieser Scooter wird mit einem Punkt in der Karte markiert. Die Farbe der Markierung ist dabei abhängig von dem Akkustand des jeweiligen E-Scooters. Besitzt der Akku noch über 40 %, so wird die Markierung grün, falls der Akkustand unter diesen Schwellwert fällt, ist er nicht mehr lange fahrbar und somit in der Karte rot markiert.

Abbildung 3: Standorte der verfügbaren E-Scooter in Mannheim, visualisiert auf einer Karte. Die Punkte sind nach Batteriezustand der E-Scooter gefärbt.

Um noch weitere Informationen über einen Scooter zu erhalten, kann über eine Markierung in der Karte gehovert werden. Damit wird das Tipp-Tool aktiviert, welches den genauen Standort sowie den genauen Akkustand verrät. Um beispielsweise das genaue Aufkommen der E-Scooter um den Mannheimer Hauptbahnhof beurteilen zu können, kann in der Karte gezoomt werden. Durch die Zoom-Funktion und die farblich markierten E-Scooter können Dichte-Punkte erkannt werden. Um nun unterschiedliche Stadtteile vergleichen zu können, gibt es unter der Karte einen Stadtteil-Filter. Dieser beinhaltet lediglich die fünf Stadtteile mit dem höchsten E-Scooter Aufkommen. Wenn nach einem Stadtteil gefiltert wird, dann werden nur noch Scooter, welche sich in diesem Stadtteil befinden, angezeigt.

Liniendiagramme

Damit die Hypothesen beurteilt werden können, muss der Autoverkehr mit dem E-Scooter-Verkehr vergleichbar gemacht werden. Um dies möglichst intuitiv umzusetzen, gibt es in unserem Dashboard zwei Liniendiagramme. Das Erste links oben im Dashboard zeigt die Verteilung des E-Scooter-Verkehrs in den verschiedenen Stadtteilen. Dabei lassen sich auch eventuelle wiederkehrende Fahrverhalten erkennen. Wie bei dem Filter der Karte bezieht sich das Dashboard auch hier nur auf die fünf wichtigsten Stadtteile. Die Anzahl der verfügbaren E-Scooter dieser fünf Stadtteile sowie der Durchschnitt aller Stadtteile in Mannheim werden für den ausgewählten Zeitraum dargestellt.

Um den Autoverkehr sinnvoll zu vergleichen, entschieden wir uns dazu, alle MVV-Verkehrskameras von einem Zeitpunkt zu einem Wert zusammenzufassen. Da sich alle Verkehrskameras in unmittelbarer Nähe zur Innenstadt befinden und um den direkten Vergleich mit dem E-Scooter-Verkehr zu haben, besitzt das zweite Liniendiagramm einen Graphen für die Anzahl der verfügbaren E-Scooter sowie einen Graphen mit der Anzahl aller Fahrzeuge rund um die Innenstadt. Auch dieses Liniendiagramm bezieht sich auf den ausgewählten Zeitraum.

Abbildung 4: Verfügbare E-Scooter verschiedener Stadtteile Mannheims, unter anderem im Vergleich zum Autoverkehr der Innenstadt.

Somit können die beiden Diagramme, welche direkt übereinander angeordnet sind, direkt miteinander verglichen werden. Um nun spezifisches Fahrverhalten über einige Stunden, einen Tag oder die gesamte Woche möglichst effizient beobachten zu können, gibt es oberhalb der beiden Liniendiagramme Tabs, mit welchen die Zeitspanne um den ausgewählten Zeitpunkt ausgewählt werden kann. Ebenfalls ist es möglich, einen Graphen von einem Stadtteil auszuwählen, damit dieser separat betrachtet werden kann. Wird über einen Graphen gehovert, dann kann der genaue Zahlenwert direkt abgelesen werden.

Big Numbers

Da es sich in den Visualisierungen des Prototypen um viele Datenpunkte über einen längeren Zeitraum handelt, gibt es sogenannte Big Numbers in dem Dashboard. Diese festen Zahlenwerte dienen dazu, die Anzahl der verfügbaren Scooter direkt und mit einem Blick für jeden ausgewählten Zeitpunkt sehen zu können.

Die ersten beiden Big Numbers befinden sich unterhalb der Liniendiagramme und zeigen jeweils Maximum und Minimum der zur Verfügung stehender E-Scooter in der ausgewählten Zeitspanne. Somit muss nicht jeder Hochpunkt beziehungsweise Tiefpunkt betrachtet werden. Um nun den angezeigten Wert im Graphen leicht finden zu können, wird auch der genaue Zeitpunkt angezeigt.

Abbildung 5: Anzahl der verfügbaren und verwendeten E-Scooter zum ausgewählten Zeitpunkt.

Eine weitere wichtige Big Number befindet sich rechts von der Karte. Dieser Wert die genaue Anzahl der verfügbaren E-Scooter, welche auf der Karte angezeigt werden. Da sich diese Big Number nur auf die Karte bezieht, bedeutet dies somit auch, dass bei der Verwendung des Stadtteil-Filters der Karte auch diese Big Number gefiltert wird. Das Gleiche gilt bei einer erneuten Auswahl des Zeitpunktes.

Balkendiagramm

Da es in der Karte nicht möglich ist, die Anzahl der verfügbaren E-Scooter je Stadtteil abzulesen, entschieden wir uns, ein Balkendiagramm zu diesem Zweck zu erstellen. Es befindet sich rechts unten im Dashboard und zeigt ebenfalls wieder lediglich die fünf Stadtteile mit dem höchsten E-Scooter Aufkommen. Es handelt sich um ein gestapeltes Balkendiagramm für E-Scooter unter und über 40 % Akkustand. Diese sind, wie die E-Scooter Markierungen der Karte mit grün für über 40 % und rot für unter 40 % gekennzeichnet. Somit kann schnell erkannt werden, wie die E-Scooter verteilt sind und wie viel sie über bereits genutzt worden sind.

Abbildung 6: Fünf Stadtteile mit den meisten verfügbaren E-Scootern, gefärbt nach Batteriezustand.

Datepicker

Da sich alle Visualisierungen auf einen genauen Zeitpunkt der zur Verfügung stehenden Woche beziehen, muss dieser in einem Datepicker auswählbar sein. Um nicht das Datum und die Uhrzeit zusammen in einem klassischen Datepicker wählen zu müssen, gibt es Tabs für die Tage und einen Selektor für die Uhrzeit. Wird ein neuer Zeitpunkt ausgewählt und mit dem Submit Button bestätigt, werden alle Visualisierungen des Prototypen, wie in den vorangegangenen Abschnitten erklärt, angepasst und neu geladen.

Abbildung 7: Date- und Timepicker zum Auswählen eines Zeitpunktes, in welcher man die verschiedenen Visualisierungen entsprechend anpassen kann.

Implementierung

Die Umsetzung des “Proof of Concept (POC)”-Dashboards erfolgte hauptsächlich in einer Python-Umgebung. Für das Erheben der Daten nutzten wir Python-Skripte, welche die Verarbeitung der Daten mit der Nutzung verschiedener externer Bibliotheken effizient ermöglichten. Zum Beispiel wurde die “turfpy”-Bibliothek verwendet, um räumlichen Punkten bestimmte Polygone zuzuordnen. Ebenfalls erleichterte uns die “influx”-Bibliothek in Python die Kommunikation mit der Aufgesetzten Time-Series-Datenbank InfluxDB, wodurch sich Daten von der Anwendung aus schneller lesen und schreiben ließen. Die verarbeiteten Daten werden über eine im Flask-Framework aufgebaute REST-Schnittstelle für das Frontend zur Verfügung gestellt. Das Flask-Framework gilt als leichtgewichtiges Framework zur Erstellung von API’s und wurde deswegen von uns für den POC genutzt. Die Darstellung der Visualisierungen im Frontend setzten wir durch die Nutzung des JavaScript-Frameworks Chart.js und durch eingebundene Inlineframes von Grafana um. Bei Grafana handelt es sich um eine lokal aufgesetzte Anwendung zur Visualisierung von Time Series Daten. Die in der Anwendung erstellten VIsualisierungen lassen sich anhand generierter Hyperlinks als iFrames im HTML-Skript einbetten. Visualisierungen, welche Interaktionen oder Merkmale benötigten, die nicht in Grafana umsetzbar sind, wurden JavaScript-seitig in Chart.js umgesetzt. Für die darzustellenden Daten wird die REST-Schnittstelle des Flask-Servers in einer JavaScript-Funktion angesprochen. Dashboard-Interaktionen des Nutzers werden durch die Rest-Schnittstelle verarbeitet, welche bei Bedarf die Visualisierungen im Frontend aktualisiert und ansteuern kann.

Abbildung 8: Vereinfachte Architekturmodellierung der Dashboatd Implementierung

Aufgrund der Nutzung von zwei verschiedenen Visualisierungs-Frameworks, stellte sich der Einbau von Visualisierungs-übergreifenden Interaktionen als herausfordernd dar. Für die Visualisierungen in Grafana war es zwar möglich Filter-Befehle an den Einbettungslinks der iFrames anzuhängen, jedoch standen weitere übergreifende Interaktionsmöglichkeiten nicht zur Verfügung. Des Weiteren verursacht das Einbetten der iFrames längere Ladezeiten für das Dashboard. Mit dem JavaScript-Framework Chart.js fiel es uns leichter Interaktionen und Veränderungen umzusetzen, da das Erstellen der Visualisierungen JavaScript-seitig verlief und somit die Graphen nach belieben modifiziert werden konnten. Aufgrund der noch kürzeren Ladezeiten der Graphen, erwies sich die Nutzung des Frameworks auch als performanter im Vergleich zu den Grafana-iFrames.

Erkenntnisse

Im folgenden Abschnitt werden die Hypothesen anhand der Prototypen belegt beziehungsweise widerlegt. Dabei ist es wichtig zu erwähnen, dass die Daten für den Prototypen im Winter erhoben wurden. Zudem gab es sehr hohe Corona Inzidenzen. Beide Faktoren haben sicherlich einen Einfluss auf die E-Scooter Nutzung.

Wie viele E-Scooter werden tatsächlich genutzt?

Anhand der Big Numbers auf dem Dashboard kann in der initialen Wochenansicht ein Überblick gewonnen werden. Das Maximum der verfügbaren E-Scooter beträgt 254. Das Minimum liegt bei 174. E-Scootern. Die Differenz scheint dabei nicht groß zu sein, jedoch handelt es sich hier bei der Differenz um gleichzeitig fahrende E-Scooter. Da in der Regel die E-Scooter eher für kurze Strecken verwendet werden und dann wieder abgestellt werden, kann die Zahl der gleichzeitig verwendeten E-Scooter nicht der aller verfügbaren E-Scooter entsprechen.

Wie viele bleiben stehen? Wie lange?

Im oberen Liniendiagramm ist deutlich zu erkennen, dass es kein Plateau bei den Graphen gibt. Somit schwanken die Graphen immer leicht nach oben und unten. Daraus ist zu entnehmen, dass die E-Scooter dauernd in Benutzung sind. Auch wenn beispielsweise in der Innenstadt immer 174 E-Scooter zur Verfügung stehen, werden diese trotzdem regelmäßig bewegt.

Auffällig in den Graphen der einzelnen Stadtteile waren sehr starke Anstiege und Abstiege im Aufkommen in kürzester Zeit. Dies könnte an einer Umverteilung der E-Scooter, welche direkt von TIER durchgeführt wird, liegen. Um am Morgen genug Scooter in allen Stadtteilen sicherstellen zu können, werden abends oder nachts aus den Stadtteilen mit vielen E-Scooter in andere Stadtteile umverteilt. Um auch sicherstellen zu können, dass die E-Scooter genug Akkuladung haben, werden im Zuge der Umverteilung die Scooter auch geladen.

Ist der E-Scooterverkehr identisch mit dem Autoverkehr in Mannheim?

Um die eventuelle Abhängigkeit von E-Scooter und Autoverkehr zu untersuchen, nutzen wir das untere Liniendiagramm. In den Tagesansichten ist im Graphen des Autoverkehrs deutlich die typischen Verkehrskurven zu erkennen. Damit ist insbesondere der deutliche Peak am Morgen und der etwas verteilter Peak am Nachmittag gemeint, welche den Berufsverkehr widerspiegeln. Beim E-Scooter-Verkehr hingegen kann ein solcher Verlauf nicht erkannt werden. Bei den Scootern kann eher festgestellt werden, dass nachts einige E-Scooter weniger zur Verfügung stehen. Die Ursache dafür könnte wie im oberen Liniendiagramm zu sehen eine Umverteilung der E-Scooter sein.

Am Wochenende hingegen kann eine Korrelation erkannt werden, denn es gibt nicht nur weniger Autoverkehr, sondern es gibt auch deutlich mehr zur Verfügung stehenden E-Scooter. Da die E-Scooter häufig für den Arbeitsweg genutzt werden, könnte dies den Anstieg der verfügbaren E-Scooter verursachen.

In welchen Regionen in Mannheim werden E-Scooter besonders genutzt? Warum?

Wie bereits erwähnt, fokussiert sich der Prototyp auf die fünf Stadtteile mit dem höchsten E-Scooter Aufkommen. Über die ganze Woche hinweg befinden sich in der Innenstadt, Oststadt, Feudenheim, Schwetzingerstadt und Lindenhof die meisten Scooter. Diese Stadtteile liegen zentral und um den Hauptbahnhof verteilt. Die Innenstadt hat dabei circa die doppelte Anzahl der anderen Stadtteile und liegt somit durchgehend mit weitem Abstand vorn. Dies kann direkt aus dem Balkendiagramm entnommen werden und auch in der Karte visuell vermutet werden. Wie im letzten Absatz beschrieben, werden die E-Scooter vermutlich häufig für den Arbeitsweg verwendet. Dabei fahren die Pendler vom Bahnhof zu nah gelegenen Arbeitsplätzen. Dieses Verhalten passt zu den im Prototypen gefundenen Ergebnissen.

Fazit

E-Scooter werden wie bereits erklärt, stetig genutzt. Die eigentliche Anzahl der gleichzeitig genutzten E-Scooter ist dabei prozentual eher gering. Dies wird sicherlich auch an der Winterzeit und an aktuellen Corona-Inzidenzen liegen. Dennoch kann durch unseren Prototypen gezeigt werden, dass es keine dauerhaften Stehzeiten der E-Scooter gibt. Weiterhin konnte festgestellt werden, dass der E-Scooter-Verkehr weitestgehend vom Autoverkehr unabhängig genutzt wird. Daraus lässt sich schließen, dass die E-Scooter nicht nur für den Berufsweg verwendet werden. Trotzdem ist das häufigste Aufkommen von E-Scootern durchgehend in und um die Innenstadt sowie der Bereich des Mannheimer Hauptbahnhofs.

Ausblick

Würde das Projekt noch weitergeführt werden, wäre es durchaus sinnvoll, die Datensätze der Scooter und des Autoverkehrs über einen längeren Zeitraum zu erfassen. Dadurch wäre das Ergebnis noch um einiges eindeutiger, erst recht hinsichtlich der Pandemie und der aktuell hohen Corona-Inzidenz. Zusätzlich könnte das Dashboard um weitere Funktionen erweitert werden, möglich wären Clusterbildung der Scooter-Punkte auf der Karte. Somit würden sich überschneidende Punkte zu größeren Clustern zusammengefasst werden. Eine Filterfunktion über die Balkendiagramme wäre auch denkbar, da der Nutzer so intuitiv einen Stadtteil, den er genauer betrachten möchte, anklicken kann. Eine denkbar interessante Erweiterung wäre auch ein abspielbarer Zeitintervall, den der Nutzer wie einen Zeitraffer anschauen kann, um die Verteilung der Scooter-Punkte zu verfolgen. Damit wäre es möglich, Muster und Trends hervorzuheben, die durch Einzelbetrachtungen nicht auffallen würden.