<?page no="0"?> ISBN 978-3-7398-3207-4 Klarheit über die Besucher: innen in der Destination: Wie viele, woher, wohin? Zu viele Besucher: innen an einem Ort - das ist in Urlaubsorten keine Seltenheit. Die Folge ist eine Übernutzung der Destination, die oft mit Umweltschäden und einer sinkenden Tourismusakzeptanz in der Bevölkerung einhergeht. Die Besucherlenkung und das Besuchermanagement können Abhilfe schaffen. Beides setzt eine exakte Besuchermessung voraus. Nur sie zeigt u. a., woher Besucher: innen kommen und welche Punkte in der Destination sie aufsuchen. Dirk Schmücker und Julian Reif gehen erstmals in einer deutschsprachigen Publikation auf das Thema ein. Sie zeigen u. a. vorhandene Datenquellen auf, kategorisieren und bewerten diese. Zudem stellen sie Methoden und Ziele vor. Das Buch richtet sich an die Tourismuspraxis, konkret an Entscheider: innen und Destinationsmanager: innen sowie an die Tourismusforschung. Dr. Julian Reif ist Forschungsreferent am Deutschen Institut für Tourismusforschung der Fachhochschule Westküste in Heide. Dr. Dirk Schmücker ist Leiter Forschung am Institut für Tourismus- und Bäderforschung in Nordeuropa (NIT) in Kiel. Schmücker / Reif Digitale Besuchermessung im Tourismus Dirk Schmücker / Julian Reif Digitale Besuchermessung im Tourismus Ziele, Methoden, Bewertungen <?page no="1"?> Digitale Besuchermessung im Tourismus <?page no="2"?> Dr. Dirk Schmücker ist Leiter Forschung am Institut für Tourismus- und Bäderforschung in Nordeuropa (NIT) in Kiel. Dr. Julian Reif ist Forschungsreferent am Deutschen Institut für Tourismusforschung der Fachhochschule Westküste in Heide. <?page no="3"?> Dirk Schmücker / Julian Reif Digitale Besuchermessung im Tourismus Ziele, Methoden, Bewertungen UVK Verlag · München <?page no="4"?> DOI: https: / / doi.org/ 10.24053/ 9783739882079 © UVK Verlag 2022 ‒ ein Unternehmen der Narr Francke Attempto Verlag GmbH + Co. KG Dischingerweg 5 · D-72070 Tübingen Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlages unzulässig und strafbar. Das gilt insbesondere für Ver‐ vielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Alle Informationen in diesem Buch wurden mit großer Sorgfalt erstellt. Fehler können dennoch nicht völlig ausgeschlossen werden. Weder Verlag noch Autor: in‐ nen oder Herausgeber: innen übernehmen deshalb eine Gewährleistung für die Korrektheit des Inhaltes und haften nicht für fehlerhafte Angaben und deren Folgen. Diese Publikation enthält gegebenenfalls Links zu externen Inhalten Dritter, auf die weder Verlag noch Autor: innen oder Herausgeber: innen Einfluss haben. Für die Inhalte der verlinkten Seiten sind stets die jeweiligen Anbieter oder Betreibenden der Seiten verantwortlich. Internet: www.narr.de eMail: info@narr.de CPI books GmbH, Leck ISBN 978-3-7398-3207-4 (Print) ISBN 978-3-7398-8207-9 (ePDF) ISBN 978-3-7398-0599-3 (ePub) Einbandmotiv: © Orbon Alija · iStock Autorenportrait Dirk Schmücker: © Frank Molter für Institut für Tourismus- und Bäderforschung in Nordeuropa (NIT) Autorenportrait Julian Reif: © Deutsches Institut für Tourismusforschung Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http: / / dnb.dnb.de abrufbar. www.fsc.org MIX Papier aus verantwortungsvollen Quellen FSC ® C083411 ® www.fsc.org MIX Papier aus verantwortungsvollen Quellen FSC ® C083411 ® <?page no="5"?> 7 1 9 1.1 9 1.2 12 1.3 14 1.4 22 1.5 27 2 33 2.1 33 2.1.1 33 2.1.2 44 2.1.3 51 2.1.4 59 2.2 67 2.2.1 71 2.2.2 77 2.2.3 86 2.3 95 2.3.1 96 2.3.2 101 2.3.3 106 2.4 112 2.4.1 112 2.4.2 122 2.4.3 126 2.4.4 129 Inhalt Vorwort: Besucher digital messen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Einführung und Einordnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Besuchermessung als Grundlage für Besuchermanagement Gegenstand dieses Buches . . . . . . . . . . . . . . . . . . . . . . . . . . . Konzeptioneller Rahmen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ziele digitaler Besuchermessung . . . . . . . . . . . . . . . . . . . . . . Bewertungsdimensionen und Indikatoren . . . . . . . . . . . . . . Datenquellen für die digitale Besuchermessung . . . . . . . . . . . . . . . Signalketten (Multispot-Messsysteme) . . . . . . . . . . . . . . . . . A.1: Mobiles Tracking mit Stichproben . . . . . . . . . . . . . . . . A.2: Mobiles Tracking, aktiv (VGI) . . . . . . . . . . . . . . . . . . . . A.3: Mobiles Tracking, passiv . . . . . . . . . . . . . . . . . . . . . . . . . A.4: Tracking im Datennetz . . . . . . . . . . . . . . . . . . . . . . . . . . Standortmessungen (Singlespot-Messsysteme) . . . . . . . . . . B-1.1: Durchgangssensoren . . . . . . . . . . . . . . . . . . . . . . . . . . B-1.2: Flächensensoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B-1.3: Transaktions- und Interaktionsdaten . . . . . . . . . . . . . Mini-Signalketten (gekoppelte Standortmessungen) . . . . . B-2.1: Gekoppelte stationäre Sensorik . . . . . . . . . . . . . . . . . B-2.2: Gekoppelte Transaktions- und Interaktionsdaten . . B-2.3: Gekoppelte Social-Media-Daten . . . . . . . . . . . . . . . . . Andere Messsysteme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . C.1: Social-Media-Daten/ AGI . . . . . . . . . . . . . . . . . . . . . . . . . C.2: Daten-Scraping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . C.3: Web & Searchengine-Daten . . . . . . . . . . . . . . . . . . . . . . C.4: Verbrauchsdaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . <?page no="6"?> 3 135 3.1 135 3.2 141 143 175 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Fazit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Register . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 Inhalt <?page no="7"?> Vorwort: Besucher digital messen Die Vermessung des Tourismus in Destinationen kann mit verschiedenen Methoden bewerkstelligt werden. Traditionell werden dazu Befragungen eingesetzt. Befragungsstudien haben neben vielen Vorteilen jedoch auch Nachteile: Die Kosten für die Datenerhebung sind relativ hoch (jedenfalls dann, wenn man eine Stichprobe erreichen will, die aussagekräftige Ergeb‐ nisse erlaubt) und die zeitliche und räumliche Auflösung ist in der Regel begrenzt. Mit der Verbreitung digitaler Lösungen in den meisten Bereichen un‐ seres täglichen Lebens haben sich neue Möglichkeiten ergeben. Digitale Datenquellen machen es möglich, mit geringen Kosten Besucherströme in Echtzeit mit sehr feiner zeitlicher und räumlicher Auflösung zu messen und gleichzeitig Daten für eine Modellierung und Vorhersage zu generieren. Dies gilt jedoch nicht für alle digitalen Datenquellen und auch nicht für jeden Anwendungsfall. Mit diesem Handbuch zur digitalen Besuchermessung im Tourismus möchten wir daher ● einen Überblick von digitalen Sensorsystemen schaffen, diese katego‐ risieren und Bewertungsdimensionen vorstellen (Teil 1) und ● die Sensor-Kategorien anhand dieser Dimensionen bewerten (Teil 2). Die im vorliegenden Buch vorgenommenen Bewertungen der Datenquellen wurden als dreistufige Bewertung anstelle einer granularen Bewertung durchgeführt, da für viele relevante Bewertungsdimensionen noch keine quantifizierbaren Forschungsergebnisse vorliegen. Wir freuen uns, wenn Forscherinnen und Forscher sowie Praktikerinnen und Praktiker unseren Ansatz als Grundlage nutzen, neue Daten zu generieren, um die Datenquel‐ len noch besser zu verstehen. „Measuring tourism is a wicked enterprise […]. Despite the innumerable methods and resources put into this enterprise, we have realised that, today, there is a big gap between what we do and can do and we would achieve“ (Baggio, 2019, S. 267). In diesem Sinne soll dieses Buch dazu beitragen, die big gap etwas weiter zu schließen, die Messung des Tourismus weniger „vertrackt“ erscheinen zu lassen und Forschenden wie Praktikern eine Handreichung zu liefern, digitale Besuchermessung im Tourismus zielorientiert und mit den passenden Instrumenten zu realisieren. <?page no="8"?> Wir danken allen Kolleginnen und Kollegen des NIT und des Deutschen Instituts für Tourismusforschung, insbesondere Denise Engelhardt und Nele Höftmann, für den Austausch und die Unterstützung. Kiel und Heide, Juni 2022 Dirk Schmücker, Julian Reif 8 Vorwort: Besucher digital messen <?page no="9"?> 1 Einführung und Einordnung 1.1 Besuchermessung als Grundlage für Besuchermanagement Die Messung von Besucherfrequenzen und -strömen in touristischen Desti‐ nationen kann im Wesentlichen zwei Ziele verfolgen: 1. Bereitstellung von Basisinformationen über die Destinationsnutzung 2. Vorbereitung eines (digitalen) Besuchermanagements Die Notwendigkeit von Basisinformationen über die Destinationsnut‐ zung ergibt sich einerseits daraus, dass für die Destinationsentwicklung und -vermarktung regelmäßig öffentliche Mittel eingesetzt werden. Destinatio‐ nen unterliegen daher einem legitimen Rechtfertigungsdruck: Politik und Öffentlichkeit möchten wissen, was die eingesetzten Mittel bewirken. Die große Popularität von Studien zum „Wirtschaftsfaktor Tourismus“ unterstreicht das. Gleichzeitig befinden sich Destinationen im Wettbe‐ werb miteinander und mit anderen Konsumbereichen. Der Erhalt der Wettbewerbsfähigkeit von Destinationen ist deshalb eine Notwendigkeit, auch wenn „bis heute […] kein einheitliches Verständnis von räumlicher Wettbewerbsfähigkeit vor[liegt] und somit auch nicht über ihre komplexe Operationalisier- und Messbarkeit.“ (Herntrei, 2014, S. 1). Die aktuelle Datenlage über die tatsächliche Nutzung der Destination ist außerdem ausgesprochen dünn: Häufig liegen nur räumlich hoch aggregierte und zeit‐ lich grob aufgelöste Daten aus amtlichen Statistiken, eigenen Übersichten der Destination oder empirische Erhebungen im Rahmen der Destinations‐ marktforschung vor. Räumlich und zeitlich fein aufgelöste Daten fehlen in der Regel. Schon das Füllen dieser Basis-Lücken würde den Einsatz von entsprechenden digitalen Messinstrumenten rechtfertigen. Europäische Destinationen, die als strategische Wettbewerbseinheit nach dem Community-Modell (Flagestad & Hope, 2001) geführt und gemanagt werden, sehen sich aufgrund dieser Wettbewerbsintensität und veränderten Anforderungen, u. a. durch die Corona-Pandemie, neuen Aufgaben und einem erhöhten Innovationsdruck ausgeliefert. Lag vor wenigen Jahren der Fokus noch wesentlich auf der Vermarktung von Reisezielen, sehen sich <?page no="10"?> Destinationen heute in einem Netzwerk von Akteuren eingebunden, bei dem es neben der Destinationsentwicklung zukünftig auch vermehrt um Fragestellungen der Lebensraumgestaltung (place making) geht (Hartman et al., 2020). In der letzten Zeit hat sich zusätzlich zum Bedarf an Basisinformatio‐ nen ein weiterer Informationsbedarf entwickelt, der von der seit Anfang 2020 andauernden Corona-Pandemie befeuert wurde: Die drohende oder tatsächliche Übernutzung von Teilräumen in Destinationen und die damit verbundene Überlegung, ob und wie durch Lenkungs- und Management‐ maßnahmen solche Übernutzungen vermindert oder vermieden werden können (Arnberger, 2013; Clivaz et al., 2013b; Ji et al., 2022; Sarx & Holfeld, 2022; Schmücker et al., 2022; Shackley, 1998). Eine neue Aufgabe, denen sich Destinationen im Rahmen der Stärkung der Widerstandsfähigkeit des Reiseziels (Resilienz) stellen müssen, ist die Entwicklung eines innovativen Besuchermanagementsystems auf Basis smarter Technologien (Fontanari & Traskevich, 2022). Dass digitale Besuchermessung einen Beitrag für eine nachhaltige Tourismusentwicklung leisten kann, verdeutlicht Abbildung 1. Durch die Kenntnis und das Management der Besucherströme in und zu Destinationen kann auf allen Nachhaltigkeitsebenen eine positive Entwick‐ lung befördert werden. Die DMO begleitet diesen Weg im Rahmen ihrer Funktionen als Smart DMO (Gretzel, 2022). (Digitales) Besuchermanagement ist essenziell auf zeitlich und räumlich fein aufgelöste Daten mit geringer Latenz, also mit einer möglichst zeitnahen zur Verfügungstellung der Daten, angewiesen. Abbildung 2 zeigt den proto‐ typischen Aufbau eines solchen Systems: Es besteht aus der Besuchermes‐ sung (Fokus des vorliegenden Buchs), der Datenspeicherung und dem Da‐ tenaustausch sowie der Bereitstellung der Informationen an definierten, meist digitalen Touchpoints. Diese Bausteine müssen mindestens vorhanden sein, um eine Minimallösung zu erreichen. Der Recommender-Baustein verbessert das System noch einmal, indem mithilfe von Modellierungen Prognosen berechnet werden können, so dass Nutzende nicht erst dann erreicht werden, wenn es schon zu spät ist, weil sie bereits erfolglos einen Parkplatz oder einen Strandkorb in der Destination suchen. Diese Art der Nachfrageprognose ist in der Tourismusforschung relativ neu. Traditionell beschäftigt sich tourism demand forecasting mit ökonometrischen Modellen zum internationalen Tourismus, aber nicht mit dem kleinräumlichen Nut‐ zungsverhalten in einer Destination (Song et al., 2019). 10 1 Einführung und Einordnung <?page no="11"?> Minimierung ökologischer Belastungen Schutz sensibler Naturräume Förderung nachhaltiger Alternativen Verminderung von Crowding Verbesserung des touristischen Erlebnisses Erhöhung der Tourismusakzeptanz raumzeitliche Entzerrung Verbesserung der Informationslage Vorbereitung von externen Begutachtungen und Zertifizierungen Verbesserung interner Managementprozesse zielgerichtete Marketingkommunikation und Produktentwicklung digitale Besuchermessung Verbesserung der Auslastung Erhöhung der Wertschöpfung und Beschäftigung Einsatz von Marketingbudgets Optimierung touristische Infrastruktur digitales Besuchermanagement Abb. 1: Nachhaltigkeitsfunktionen von digitaler Besuchermessung und digitalem Besuchermanagement Abbildung 1: Nachhaltigkeitsfunktionen von digitaler Besuchermessung und digitalem Besuchermanagement Ein zweiter Aspekt des Recommenders berührt die Bereitstellung von Alternativen, so dass die Nutzenden nicht nur eine Besuchsbzw. Nicht-Be‐ suchsempfehlung bekommen, sondern gezielt Alternativen angeboten wer‐ den. Solche Besuchermanagement- und Recommendersysteme sind in der Theorie schon gut entwickelt (Erbil & Wörndl, 2022; Gabrani et al., 2017; 11 1.1 Besuchermessung als Grundlage für Besuchermanagement <?page no="12"?> Massimo & Ricci, 2020; Sharma et al., 2021), aber die praktische Implemen‐ tierung und auch die Evaluierung stößt noch an Grenzen (Wells et al., 2022) bis hin zur Ernüchterung (García Hernández et al., 2019). Gleichwohl ist klar: Digitale Besuchermessung ist die unerlässliche Basis des Besuchermanagements (Clivaz et al., 2013a). Abb. 2: Besuchermessung als Bestandteil von (digitalem) Besuchermanagement Besuchermessung: Generieren von Messdaten Datenspeicherung und -austausch Ergebnisbereitstellung, Touchpoint-Management Modellierung und Prognostik Alternativengenerierung „Recommender“ Abbildung 2: Besuchermessung als Bestandteil von (digitalem) Besuchermanagement | Quelle: In Anlehnung an Schmücker et al. (2022) 1.2 Gegenstand dieses Buches In diesem Handbuch werden digitale Datenquellen für die touristische Be‐ suchermessung diskutiert. Dabei beschränken wir uns erstens auf digitale Datenquellen. Das sind Daten aus digitalen Geräten, die reiseverhaltens‐ relevante Aspekte aufzeichnen bzw. übermitteln. Viele dieser Geräte sind zusätzlich digital vernetzt. Des Weiteren stehen digitale Daten, die während der Reise anfallen, im Fokus. Einzige Ausnahme sind die Webzugriffe und Suchmaschinendaten (vgl. Kapitel 2.4.3), die wenigstens zum Teil bereits vor der Reise generiert werden. In einem Customer-Journey-Modell wäre dies die Inspirations- und Informationsphase (Schmücker et al., 2019, S. 40). Der Fokus liegt außerdem auf „externen Datenquellen“ (Böhler et al., 2022, S. 66). Interne Datenquellen, die in den relevanten Organisatio‐ 12 1 Einführung und Einordnung <?page no="13"?> nen, insbesondere in den Destination Management Organisations (DMO), vorliegen (bspw. aus dem Rechnungswesen oder einem Buchungssystem), werden hier, mit wenigen Ausnahmen, nicht betrachtet. Dazu gehören auch meist statische Daten, die von den DMO im Rahmen ihrer strategischen Ausrichtung vermehrt öffentlich als Open Data zur Verfügung gestellt werden. Auch die klassischen Instrumente der Befragungsforschung werden in diesem Buch nicht betrachtet. Gleichwohl ist es in der Praxis häufig eine gute Idee, technische Messungen und Befragungen zu kombinieren. Dabei ist sicherzustellen, dass die Befragungen mit validen Stichproben arbeiten, um eine gute Generalisierung zu erreichen ( Jacob et al., 2013, S. 65 ff.). Viele aggregierte Statistiken, etwa aus dem Katalog der amtlichen Statistik, liegen heute in digitaler Form vor. Hauptaugenmerk ist jedoch eine kritische Diskussion der digitalen Datengenerierung, so dass diese Daten ebenfalls nicht berücksichtigt werden. In den letzten Jahren sind vermehrt Studien zur Messung von Körper‐ zuständen erschienen. Dieses sogenannte Biosensing wird hier ebenfalls nicht oder nur am Rande behandelt, denn mit diesen Verfahren werden nicht primär Besuchermengen und -bewegungen quantifiziert, sondern der körperliche Zustand dieser Besucher und Besucherinnen gemessen. Trotzdem können Biosensing-Studien sehr wertvolle Hinweise zum Erleben in der Destination geben und lassen sich sehr gut mit anderen Verfahren, ins‐ besondere mit GNSS-Tracking, kombinieren. Aktuelle tourismusrelevante Studien mit solchen Verfahren sind etwa die Arbeiten von Bastiaansen et al. (2022, 2020), Scuttari (2021), Birenboim et al. (2019), Paül i Agustí et al. (2019), Shoval et al. (2018) oder Reif & Schmücker (2021b). Song et al. (2010) unterscheiden die Objekte, die gemessen werden kön‐ nen, nach People (Menschen), Money (Geld), Time (Zeit) und Space (Raum). Diesem konzeptionellen Gedanken folgt die Konzentration auf die Messung von Menschen und deren Bewegung in Zeit und Raum. Die finanzielle Di‐ mension hingegen wird nur in wenigen Fällen ergänzend betrachtet. Diese Konzentration auf die raum-zeitliche Bewegung von Menschen ist eine wesentliche Grundlage für die Bewertung der verschiedenen Datenquellen. Abbildung 3 zeigt zusammenfassend, womit sich dieses Buch im Kern beschäftigt: Mit Menschen und ihrer touristischen Bewegung in Raum und Zeit vor Ort in der Destination (und auf dem Weg dorthin). 13 1.2 Gegenstand dieses Buches <?page no="14"?> Abb. 3: Customer-Journey-Phasen und Messobjekte in diesem Buch vor der Reise VORBEREITUNG unterwegs ERLEBNIS nach der Reise REFLEXION Inspiration Information Selektion Buchung Wiederkauf/ Empfehlung Erinnerung Aktivitäten/ Mobilität vor Ort An-/ Abreise Destination Unterkunft/ Essen Bewertung PEOPLE MONEY TIME SPACE Abbildung 3: Customer-Journey-Phasen und Messobjekte in diesem Buch | Quelle: Autoren, in Anlehnung an Schmücker et al. (2019) und Song et al. (2010) 1.3 Konzeptioneller Rahmen Seit einigen Jahren zeigt sich in Forschung und Praxis eine Hinwendung zur Nutzung von digitalen Messmethoden zur Bestimmung des aktionsräumli‐ chen Verhaltens von Touristinnen und Touristen (Reif, 2021). Chronologisch betrachtet werden analoge Messverfahren zunehmend durch digitale Sys‐ teme ergänzt und inzwischen weitgehend abgelöst. Dabei spielt vor allem Big Data eine zunehmend wichtige Rolle. Abbildung 4 zeigt wesentliche Messsysteme in den letzten Jahrzehnten und verdeutlicht diesen „digital turn“ der Besuchermessung im Tourismus. 14 1 Einführung und Einordnung <?page no="15"?> Abb. 4: Chronologische Einordnung von Tracking- Methoden im Tourismus ab 1950 ab 1970 ab 2000 ab 2005 ab 2010 ab 2015 ab 2020 analoges Zeitalter digitales Zeitalter Post-Corona: digital, vernetzt, real time teilnehmende Beobachtung verdeckte Beobachtung Mental Maps Tagebücher Fragebogen (Selbstauskunft) F2F-Befragung Interviews GPS-Tracking Bluetooth Scanner/ Sensoren Foto-Sharing GSM/ UMTS Videoanalyse Weiterentwicklung GPS: Kombination mit … … Interviews … Tagebüchern … Reiseführeranalyse … Apps … Biosensing Visitor Employed Photography Smartphone-Apps Tailormade-Apps Weiterentwicklung Big Data: passive Mobilfunkdaten Kreditkarteninformationen Floating Car Data Weiterentwicklung Sensorik Recommender- Systeme Modellierung und Prognostik passive GPS-Tracking Abbildung 4: Chronologische Einordnung von Tracking-Methoden im Tourismus | Quelle: Reif (2021, S. 2) 15 1.3 Konzeptioneller Rahmen <?page no="16"?> Der konzeptionelle Rahmen des Buches berücksichtigt eine Reihe von Forschungsarbeiten, die im Folgenden kurz skizziert werden. Wegbereitend zur Kategorisierung waren die Studien „Movement patterns of tourists within a destination“ von McKercher & Lau (2008) und „Tracking tourists in the digital age“ von Shoval & Isaacson (2007). Eine frühe Einteilung der Datenquellen unternahmen McKercher & Lau (2009, S. 445), indem sie „point-based monitoring instruments“ (feste Zähl‐ stationen) und „continuous monitoring systems“ (tragbare Tracking-Sys‐ teme wie zum Beispiel GPS-Empfänger) unterschieden. Shoval & Isaacson (2010) beschränkten sich auf „land-based“ und „satellite-based tracking technologies“. Landgestützte Systeme sind solche, die auf Basis terrestri‐ scher Empfänger eine Lokalisierung und Navigation möglich machen. Dazu gehören Mobilfunknetze, aber auch die Nutzung von RFID-Tags und Bluetooth-Empfängern. Satellitenbasierte Systeme werden heute unter dem Sammelbegriff Global Navigation Satellite Systems (GNSS) zusammengefasst, von denen das Global Positioning System (GPS) derzeit (noch) überwiegt (siehe Box „Charakteristika von GNSS-basierten Verfahren“). Versichele et al. (2012, S. 209) prägten den Begriff „non-participatory, unannounced and simultaneous“, um neuere Erhebungsformen (in dem Fall Tracking per Bluetooth) von den traditionellen, stichprobenbasierten Formen abzugrenzen. Eine weitere bedeutsame Forschungsarbeit legten Shoval & Ahas (2016) vor, in der sie zwei Phasen des digitalen Trackings im Tourismus vorschlugen. Sie unterscheiden in eine erste Phase (das hochauflösende GPS-Tracking, in der Regel mit GPS-Geräten, die an aus‐ gewählte Probanden ausgehändigt werden) und die gering auflösenden Datenquellen der passiven Mobilfunkdaten, Twitter etc.. Die zweite Phase bezeichnen sie als „smartphone revolution“, bei der alle Sensoren in einem einzigen leistungsfähigen Endgerät integriert sind. Shoval & Ahas schlagen die folgenden zehn Kategorien vor: GPS, Mobile Positioning, Running race timing equipment, Land based system, Mobile phone tracking, Near-Field Communication, Bluetooth tracking, Geographically Referenced Photos, Geo-located Twitter und Destination cards. Neben den traditionellen (Selbst-) Beobachtungs-Methoden (observation, interviews, questionnaire surveys and self-administrated diaries, spatial maps) unterscheiden Kellner & Egger (2016, S. 84 ff.) die Methoden video-ba‐ sed tracking, timing systems, mobile phones und GPS technology. Baggio & Scaglione (2018) differenzieren in ihrem Artikel unter der Überschrift „From traditional data to big data in visitor flows“ zwischen 16 1 Einführung und Einordnung <?page no="17"?> traditionellen Methoden wie Tagebüchern und Befragungen („small data“), volunteered geographical information, destination guest cards, GPS track data und passive mobile positioning data. In der aktuell umfassendsten Zusammenstellung von Tracking-Methoden im Tourismus beschreibt Anne Hardy (2020) in ihrem Buch „Tracking Tourists“ sieben Kategorien: Surveys, GPS, Social Media, VGI, Tower, Blue‐ tooth and Wifi, Bespoke Apps, and Internet. Li et al. (2018) unterteilen die möglichen Datenquellen in UGC (user generated content, weiter unterteilt in textliche und bildliche Daten), gerätebasierte Daten (davice data, unter‐ teilt in GPS; mobile roaming, bluetooth, RFID, Wifi und Wetterdaten) und Transaktionsdaten (Suchanfragen im Web und sonstige Datenquellen). Heikinheimo (2020) benennt in seiner Dissertation verschiedene Datenquel‐ len (Geotagged Social media data, Sports tracking data, Mobile phone data, public participatory GIS), ohne aber zu einer Kategorisierung zu kommen. Allein auf Big Data bezogen identifizierten Reif & Schmücker (2020) sechs Kategorien, die sich auch in dem Modell dieses Buches wiederfinden (Mo‐ bile Communication, Sensors and Wearable Devices, Cameras/ Lasers/ Satellites, Business Process generated Data, Wesbites, Social Media). In einer bibliogra‐ phischen Meta-Analyse unterscheiden Padrón-Ávila & Hernández-Martín (2021) 31 digitale und nicht-digitale Tracking-Technologien, die sie in sechs Kategorien einteilen: Survey, Web Analysis, Geolocation, Advertising, Sales, and Specific Spots. Aus geographischer Perspektive unterscheidet Reif (2021) Datenquellen nach ihrer räumlichen Abdeckung in eine Makro-, Meso- und Mikro-Ebene. Insbesondere für die Zwecke des digitalen Besuchermanage‐ ments unterscheidet Schmücker (2021) in lokale und globale Datenquellen sowie Transaktionsdaten und Online-Daten. Das in diesem Buch verwendete konzeptionelle Modell für digitale Datenquellen und ihre Bewertungen wurde erstmals in Schmücker & Reif (2022) veröffentlicht. Digitale Datenquellen für die Besuchermessung lassen sich in vier Katego‐ rien einteilen, die wiederum aus mehreren Unterkategorien bestehen. Die Kategorien A und B-2 sind trackingfähige Datenquellen (Abbil‐ dung 5). Tracking bedeutet hier die Aufzeichnung der Datenspuren einzel‐ ner Nutzer und Nutzerinnen mit Hilfe von Signalketten: Die Position einer Person oder eines Endgerätes wird sukzessive aufgezeichnet, so dass sich ein „Track“ aus mehreren Signalen an mehreren Punkten ergibt (multispot). In vielen Fällen werden dazu die Daten aus Globalen Navigations-Satel‐ litensystemen (GNSS) verwendet. 17 1.3 Konzeptioneller Rahmen <?page no="18"?> In den beiden anderen Kategorien B-1 und C finden sich nicht-tracking‐ fähige Datenquellen (Abbildung 5). Das sind Datenquellen, in denen nicht die Bewegungsspur einer Person oder eines Endgerätes betrachtet wird, sondern die Zählung von Bewegungen an einem einzelnen Punkt (singlespot) oder auch die aggregierten Daten für einen größeren Raum. Abb. 5 Kategorie A Signalketten (Multispot Mess- Systeme) A.1 Mobiles Tracking mit Stichproben A.2 Mobiles Tracking, aktiv (VGI) A.3 Mobiles Tracking, passiv A.4 Tracking im Datennetz Kategorie B-2 Mini-Signalketten (Gekoppelte Standortmessung) B-2.1 Gekoppelte stationäre Sensorik B-2.2 Gekoppelte Transaktions- und Interaktions-daten B-2.3 Gekoppelte Social Media-Daten Kategorie B-1 Standortmessung (Singlespot Mess- Systeme) B-1.1 Durchgangssensoren B-1.2 Flächensensoren B-1.3 Transaktions- und Interaktions-daten Kategorie C Andere Mess-Systeme C.1 Social Media- Daten/ AGI C.2 Daten-Scraping C.3 Web & Searchengine- Daten C.4 Verbrauchsdaten Stationäre Sensorik GNSS-basiert trackingfähig Big Data neu: Abb. 5 Dunkelgraue Boxen, Text invers weiß Abbildung 5: Kategorien und Datenquellen der digitalen Besuchermessung Die hier identifizierten Kategorien unterscheiden sich vor allem hinsichtlich ihrer Aussagekraft. Vereinfacht gesagt befinden sich in den Kategorien A und B-2 Mess-Systeme, mit denen sich Besucher tracken lassen, in den Kategorien B-2 und C solche, mit denen das nicht möglich ist. In Sinne 18 1 Einführung und Einordnung <?page no="19"?> von Versichele et al. (2012) lassen sich alle hier diskutierten Verfahren - mit Ausnahme der Kategorien A.1 und A.2 - als „non-participatory“, „unannounced“ und „simultaneous“ beschreiben, denn sie sind nicht auf die aktive Mitwirkung von Bersucher: innen angewiesen, messen mehrere oder viele Besucher: innen gleichzeitig und benötigen keine Ankündigung (allerdings sind beim letzten Punkt unter Umständen Hinweispflichten zu beachten, wenn personenbezogene Daten verarbeitet werden). Bevor die zwölf Typen im Detail vorgestellt werden, werden zunächst die vier Kategorien im Überblick beschrieben. Die Kategorie A „Signalketten (Multispot-Messsysteme)“ enthält tra‐ ckingfähige Mess-Systeme, die individuelle Wegespuren aufzeichnen und speichern. Die Wegespuren sind, technisch gesprochen, Signalketten. Eine Signalkette besteht aus vielen einzelnen Punkten (deshalb Multispot), die miteinander verbunden sind. Ein gutes Beispiel dafür sind Aufzeich‐ nungen von sogenannten GPS-Tracks: Das Aufzeichnungsgerät, z. B. ein GPS-Tracker oder eine mobile App mit dieser Funktionalität, zeichnet in regelmäßigen Abständen Punkte mit der genauen Position im Raum und einem Zeitstempel auf und kennzeichnet diese als zusammengehörig. Um zu Aussagen über eine Destination zu kommen, werden diese Signalketten in der Regel so gefiltert, dass nur die für diese Destination relevanten Teile übrigbleiben. Um diese Kategorie deutlich von den Standortmessungen, bei denen es nur einen spot of measurement gibt, zu unterscheiden, werden sie im Folgenden als Multispot-Mess-Systeme bezeichnet. Die Kategorie A besteht aus vier Unterkategorien: 1. Mobiles Tracking mit Stichproben sind Mess-Systeme, bei denen einer (Zufalls- oder Willkür-) Auswahl von Nutzenden ein trackingfä‐ higes Endgerät oder eine mobile App übergeben bzw. übertragen wird. 2. Mobiles Tracking, aktiv beschreibt Mess-Systeme, bei denen Tra‐ ckingdaten im Endgerät aufgezeichnet und dann von den Nutzenden aktiv auf eine digitale Plattform hochgeladen werden. 3. Mobiles Tracking, passiv sind Mess-Systeme, bei denen die Daten ohne aktives Zutun der Nutzenden an eine Plattform übermittelt wer‐ den. Auch hier werden die Trackingdaten im Endgerät aufgezeichnet. 4. Tracking im Datennetz beschreibt Mess-Systeme, in denen nicht das Endgerät, sondern die Infrastruktur, also zum Beispiel ein Mobilfunk‐ netz, die Datenspuren erfasst. 19 1.3 Konzeptioneller Rahmen <?page no="20"?> Die Kategorie B besteht aus zwei Unterkategorien. Während Daten‐ quellen der Kategorie B-1 an nur einem Standort messen und nicht tracking‐ fähig sind, handelt es sich bei Datenquellen der Kategorie B-2 um die gleichen Datenquellen mit dem Unterschied, dass die gemessenen Signale gekoppelt werden und so Mini-Signalketten entstehen. Es handelt sich demnach um bedingt trackingfähige Datenquellen. Die Kategorie B-1 „Standortmessungen“ enthält Transaktions- und Interaktionsdaten sowie stationäre Sensoren. Das sind Durchgangs- und Flächenzähler, die jeweils Daten für genau einen Standort, bspw. Point of Interest (PoI), erheben. Ein Standort kann dabei durchaus mehrere einzelne Sensoren umfassen, sofern deren Daten gegeneinander abgeglichen werden. Ein Beispiel ist ein Parkplatz mit mehreren Zu- und Ausfahrten. Soll hier die Zahl der parkenden Fahrzeuge mit Durchgangszählern erhoben werden, so müssen alle Zu- und Ausfahrten parallel betrachtet werden. Innerhalb dieser Kategorie gibt es eine große Bandbreite von Sensortypen, die sich vor allem hinsichtlich ihrer Präzision, der datenschutzrechtlichen Einschätzung sowie den Standortanforderungen, bspw. der Stromversorgung, unterscheiden. In der Praxis sind beim Einsatz solcher Sensoren vor allem die Standortanforde‐ rungen zu beachten: Neben der grundsätzlichen Möglichkeit, Hardware zu installieren, müssen auch die Stromversorgung und die Datenübertragung geklärt sein. In der Kategorie B-1 gibt es drei Unterkategorien: 1. Durchgangssensoren produzieren ihre Signale beim Durchgang. Ei‐ nige Sensoren können die Richtung des Durchgangs oder auch die Größe der durchgehenden Personen ermitteln. 2. Flächensensoren erfassen ein begrenztes Areal und ermitteln die Zahl der Objekte auf der Fläche. Dabei kann es sich um stillstehende oder sich bewegende Objekte handeln. In der Regel werden die Signale (zum Beispiel ein Kamerabild) bereits im Sensor in Zählsignale umgewandelt; im Gegensatz zur Verarbeitung auf einem Server in der Cloud spricht man in diesem Falle von „edge computing“ (Xie et al., 2021, S. 234). 3. Transaktions- und Interaktionsdaten sind schließlich Daten, die bei Reservierungs-, Verkaufs- oder Eintrittstransaktionen oder bei digitalen Interaktionen vor Ort anfallen. Die Kategorie B-2 „Mini-Signalketten (Gekoppelte Standortmessun‐ gen)“ umfasst Sensoren der Kategorie B-1, die zusammengeschaltet (gekop‐ pelt) werden. Dieses Verfahren funktioniert nicht mit allen Sensoren, da 20 1 Einführung und Einordnung <?page no="21"?> eine Wiedererkennbarkeit des Signals Voraussetzung ist. Ein gutes Beispiel ist ein Sensor, der die Wifi-Signale von Endgeräten registriert. Dabei wird eine eindeutige Kennung des Endgerätes (z. B. seine Media Access Control (MAC) Adresse) übermittelt. Wenn der Sensor diese Signale nur zählt und die MAC-Adresse gleich wieder verwirft, ist keine Kopplung möglich. Wird die MAC-Adresse aber gespeichert, so ist es möglich, dass das Endgerät an einem weiteren Sensor der gleichen Gruppe wiedererkannt wird. Auf diese Weise lassen sich Mini-Signalketten bilden, die durch die Zahl der gekoppelten Sensoren begrenzt werden. Das gleiche Prinzip lässt sich mit Transaktionsdaten, etwa der Nutzung von personalisierten Karten an Akzeptanzstellen, oder bei Bluetooth-Tracking abbilden. Die Kategorie B-2 besteht aus drei Unterkategorien: 1. Gekoppelte stationäre Sensorik sind Systeme, bei denen die Stand‐ ortsensoren (Flächen- oder Durchgangssensoren) für die Wiedererken‐ nung einer Signalquelle genutzt werden. 2. Gekoppelte Transaktions- und Interaktionsdaten sind Systeme, bei denen die Nutzenden bei Transaktionen re-identifiziert werden, z. B. beim Einsatz von Karten. 3. Gekoppelte Social-Media-Daten basieren auf der Idee, die digitalen Datenspuren von identifizierbaren Nutzenden in einem oder mehreren Social-Media-Kanälen zu Mini-Signalketten zu kombinieren. Die Kategorie C „Andere Messsysteme“ beinhaltet alle Messverfahren, die in keiner der anderen Kategorien unterzubringen sind, aber trotzdem für die digitale Besuchermessung herangezogen werden können. Die Kategorie C besteht aus vier Unterkategorien: 1. Lokalisierungen in Social-Media-Beiträgen auf Plattformen wie Flickr, Instagram oder Twitter, auch als Ambient Geospatial Information (AGI) bezeichnet (Stefanidis et al., 2013) 2. Daten-Scraping, zum Beispiel aus Buchungssystemen wie Airbnb oder anderen Websites mit Hilfe eines Programms extrahierte Daten 3. Web- und Searchengine-Daten 4. Verbrauchsdaten in einer Destination (z. B. Verbrauch von Wasser oder Strom) 21 1.3 Konzeptioneller Rahmen <?page no="22"?> 1.4 Ziele digitaler Besuchermessung Je nach Kategorie können die Datenquellen unterschiedliche Ziele erfüllen. Dieser Abschnitt dient daher als eine Art Landkarte für die erste Orientie‐ rung: Wenn ich weiß, zu welcher Kategorie eine Datenquelle gehört, dann kann ich sehen, zu welchen Zielen ich gelangen kann. Und umgekehrt: Wenn ich weiß, welches Ziel ich erreichen will, sagt mir die Karte, welche Datenquellen sich dazu eignen. Es können mehrere Ziele einer Besuchermessung in Destinationen unterschieden werden (Abbildung 6): 1. Die Frequenzzählung an einzelnen Standorten: Ein Standort kann ein Weg, ein Parkplatz, eine Tourist-Information, ein Strandzugang oder ein anderer touristisch relevanter Punkt sein. Bei der Frequenz‐ zählung wird ermittelt, wieviel an einem Standort zu einem bestimm‐ ten Zeitpunkt los ist. Dazu werden absolute Werte gemessen, zum Beispiel wie viele Wanderer in einem bestimmten Zeitraum eine Licht‐ schranke passieren oder wie viele Fahrzeuge zu einem bestimmten Zeitpunkt auf einem Parkplatz stehen. Wenn es sich um Standorte mit einer definierten Kapazität handelt (z. B. Stellplätze auf einem Park‐ platz), kann auch eine Auslastungsinformation gegeben werden: Wieviel Prozent der maximalen Kapazität ist bereits ausgeschöpft? Wenn keine festen Kapazitätsgrenzen existieren, dann können die Messwerte in zeitlicher Relation zueinander dargestellt werden: Ob es an einem Standort gerade voll ist oder nicht, hängt nicht zwingend von der Auslastung in Prozent, sondern von der derzeitigen Frequenz im Vergleich zu anderen Zeitpunkten ab. Die relativen Informationen (Auslastung in Prozent oder Frequenz im Vergleich zu einem anderen Zeitpunkt) werden häufig mit einem Ampelsystem dargestellt, bei dem grün für „nicht viel los/ genügend Platz“, gelb für „langsam wird es voll“ und rot für „keine Kapazität mehr“ steht. 2. Die Messung von Besucherströmen in Arealen zwischen Standor‐ ten (tourism flows) bezieht sich auf die Identifizierung von Wegen, die Besucher zurücklegen. Im einfachsten Fall sind das die Wege zwischen definierten Standorten: Wie viele der Besucher, die an Standort A waren, kann ich anschließend in Standort B oder Standort C wiederfinden? In diesem Fall reicht es aus, die an den verschiedenen Standorten installierten Sensoren so auszustatten, dass sie individu‐ 22 1 Einführung und Einordnung <?page no="23"?> elle Besucher wiedererkennen. Ein Beispiel wäre der Einsatz einer Destinationskarte an verschiedenen Standorten in einer Destination: Durch die individuelle Kennzeichnung der Karte kann nachvollzogen werden, wann sie wo eingesetzt wurde. Im komplizierteren Fall werden nicht die Wege zwischen vorher definierten Standorten vermessen, sondern digitale Spuren der individuellen Wege der Besucher. Die individuellen Wege ergeben zusammengenommen Besucherströme. Diese sind unabhängig von Mess-Standorten. Das ist einerseits ein Vorteil, denn so kann man auch Standorte vermessen, die man nicht schon vorher mit Sensorik ausgestattet hat. Der Nachteil ist, dass die Daten komplizierter auszuwerten sind, denn man muss zunächst aus den generierten Daten Strukturen erarbeiten und kann sich nicht auf eine vorher festgelegte Standort-Struktur beziehen. 3.1 Die Identifizierung von intra-regionalen Aktionsräumen schließt unmittelbar an die vorhin beschriebenen individuellen Wege an. Aktionsräume (activity spaces) werden bei einzelnen Per‐ sonen gemessen und können dann für ein Areal aggregiert werden. „Unter dem Aktionsraum einer Person verstehen wir die Menge jener Orte, die die Person innerhalb eines bestimmten Zeitabschnit‐ tes zur Ausübung bestimmter Aktivitäten aufsucht [… ]. Trägt man diese Orte in eine Landkarte ein, so erhält man eine Punktwolke; wenn man deren äußerste Punkte durch eine Linie miteinander ver‐ bindet, so ergibt sich eine Fläche, die von einigen Autoren ebenfalls als „Aktionsraum“ der Person bezeichnet wird [… ].“ (Dangschat et al., 1982, S. 4). Werden die Aktionsräume mehrerer Personen aggregiert (also wie auf Folien übereinandergelegt), so ergeben sich die Aktionsräume von Arealen. In einer touristischen Destination sind es vor allem die touristischen Aktionsräume (Reif, 2021, S. 11 ff.), also die Räume, die von Touristen in Anspruch genom‐ men werden, die von besonderem Interesse sind. Praktisch geht es dabei zum Beispiel um das Ausflugsverhalten während eines touristischen Aufenthaltes („Welchen Aktionsraum erschließen sich Touristen mit Unterkunft am Ort X? “), aber auch um die Wege, die bei einer Rundreise genutzt werden („Welche Wege nehmen chinesische Touristengruppen bei einer Europareise? “). Diese Art von Aktionsräumen lassen sich auch als intra-regionale oder intra-destinationale Aktionsräume bezeichnen (Reif, 2019). 23 1.4 Ziele digitaler Besuchermessung <?page no="24"?> 3.2 Die Identifizierung von inter-regionalen Aktionsräumen (Quell-Zielgebiets-Beziehungen) beschreibt vor allem die Bewe‐ gung von Besucher zu einer Destination und von einer Destination weg (inter-regionale Aktionsräume). So wird zum Beispiel der Tagestourismus in Destinationen häufig kritisch gesehen, weil er potenziell viel Verkehr und, in Relation zum Volumen, wenig Umsatz einbringt. Gerade für den Tagestourismus ist aber das Volumen und auch die präzise Kenntnis der Herkunftsgebiete schwierig zu erfas‐ sen. Doch auch im Übernachtungstourismus gibt es hier erhebliche Datenlücken, etwa weil die Beherbergungsstatistik keine inländischen Quellgebietsdifferenzierungen vornimmt. 1. Frequenzzählung an einzelnen Standorten Wie viele? 2. Messung von Besucherströmen Wie viele zwischen welchen Orten? 3.1 Identifizierung von intra-regionalen Aktionsräumen Wie weit? Welche Wege? 3.2 Identifizierung von inter-regionalen Aktionsräumen Woher? Wohin? Abbildung 6: Ziele von Besuchermessung 24 1 Einführung und Einordnung <?page no="25"?> Für diese Zielkategorien eignen sich die vorhandenen Mess-Systeme in unterschiedlichem Maße. Grob gesprochen kann das erste Ziel von allen Mess-Systemen erreicht werden, aber in unterschiedlicher Qualität. Die Ziele 2 und 3 hingegen können nur von Mess-Systemen der Kategorie A und B-2 erreicht werden. Dabei sind die Systeme der Kategorie B-2 deutlich beschränkter, weil nur eine begrenzte Anzahl vorher festgelegter Standorte genutzt werden kann. Das Ziel 3.2 kann sogar nur mit Mess-Systemen der Kategorie A erreicht werden. Tabelle 1 zeigt die Eignungsmatrix im Überblick. trackingfähige Systeme nicht-trackingfähige Systeme Kategorie A: Signalket‐ ten (Multi‐ spot-Mess- Systeme) Kategorie B-2: Mini-Sig‐ nalketten (Gekoppelte Standortmes‐ sungen) Kategorie B-2: Stand‐ ortmessun‐ gen Kategorie C: andere Mess-Sys‐ teme Ziel 1: Frequenz‐ zählung an ein‐ zelnen Standorten ● ● ● ● Ziel 2: Messung von Besucher‐ strömen zwi‐ schen Standorten ● ● Ziel 3.1: Identifi‐ zierung von intra-regionalen Aktionsräumen ● ● Ziel 3.2: Identifi‐ zierung von inter-regionalen Aktionsräumen (Quell-Zielge‐ bietsbeziehun‐ gen) ● Tabelle 1: Zieleignung der Kategorien von Mess-Systemen 25 1.4 Ziele digitaler Besuchermessung <?page no="26"?> Zwischen Zielebene und Ebene der Datenquellen lassen sich weitere technische Ebenen einfügen. Damit wird es möglich, die Beziehung zwi‐ schen den tracking- und nicht-trackingfähigen Datenquellen deutlich zu machen (Abbildung 7): So lassen sich die Daten aus den Kategorien B-1 (und ggf. C) nutzen, um die Daten aus den Kategorien A (und ggf. B-2) zu kalibrieren. Bei der Kalibrierung werden Daten aus Signalket‐ ten, bspw. aus passiven Mobilfunkdaten an einzelnen Punkten, für die Standortmessungen vorliegen, auf das richtige Niveau bzw. Volumen angepasst. In der anderen Richtung können Daten aus trackingfähigen Datenquellen genutzt werden, um Standortdaten anzureichern. Bei der Anreicherung werden Standortdaten um Eigenschaften ergänzt, die man aus den Signalketten bezieht, zum Beispiel die Herkunft der Besucher oder ihr nächstes Ziel auf einer Route. Eine weitere technische Ebene ist die Identifizierung von Touristen bzw. die Abgrenzung von touristischer und nicht-touristischer Mobilität. Tourismus ist eine spezifische Form von Mobilität und beinhaltet die drei konstitutiven Elemente des Ortswechsels, des zirkulären Verlaufs der Reise sowie des touristischen Motivs. Bei einer nachfrageseitigen Definition wird Tourismus - vereinfacht gesprochen - als das zeitweise Verlassen des gewöhnlichen Wohn- oder Arbeitsumfeldes mit anschließender Rück‐ kehr zum Ausgangspunkt definiert (United Nations Statistics Division (UNSD) & United Nations World Tourism Organization (UNWTO), 2010). Die Abgrenzung von Tourismus und Nicht-Tourismus ist nur bei trackingfähigen Datenquellen möglich, denn für die Identifizierung von Touristen muss der gewöhnliche Aufenthaltsbereich einer Person ermittelt werden können. Diese Möglichkeit ist jedoch nicht bei allen trackingfähigen Datenquellen gegeben. Erste Ansätze hierzu gibt es bei der Nutzung von Mobilfunkdaten (vgl. Kapitel 2.1.4) oder bei Zahlungskarten (vgl. Kapitel 2.3.2). 26 1 Einführung und Einordnung <?page no="27"?> Abb. 7: Von der Mess-Ebene zur Anwendungsebene Ziel 1 Frequenzzählung an einzelnen Standorten Ziel 2 Messung von Besucherströmen in Arealen Ziel 3.1 Identifizierung intraregionaler Aktionsräume Ziel 3.2 Identifizierung interregionaler Aktionsräume Kategorie C andere Mess- Systeme Kategorie B-2 Mini-Signalketten (gekoppelte Standortmessungen) Kategorie A Signalketten (Multispot Mess- Systeme) räumlicher Filter touristische Klassifizierung Kalibrierung Anreicherung Mess- Ebene Anwendungs- Ebene Kategorie B-1 Standortmessungen Abbildung 7: Von der Messzur Anwendungsebene 1.5 Bewertungsdimensionen und Indikatoren Für die Bewertung der spezifischen Anwendungsmöglichkeiten und Quali‐ täten wird ein Set von 13 Indikatoren entwickelt, die sich wiederum in vier Dimensionen unterteilen lassen (Abbildung 8). 27 1.5 Bewertungsdimensionen und Indikatoren <?page no="28"?> Abb. 8: Dimensionen und Indikatoren zur Bewertung tourismusspezifische Dimension Zeit und Raum generische Dimension sozialorganisatorische Dimension externe Validität Typisierungsfähigkeit touristische Klassifizierungsgüte räumliche Auflösung zeitliche Auflösung Latenz Vollständigkeit Präzision Reliabilität ethische Vertretbarkeit Verfügbarkeit Transparenz datenschutzrechtliche Zulässigkeit neu: Abb. 8 Abbildung 8: Dimensionen und Indikatoren zur Bewertung Die erste Dimension bilden die drei tourismusspezifischen Indikatoren: ● Externe Validität beschreibt, ob die Datenquelle tatsächlich Personen oder etwas anderes identifiziert (z. B. Fahrzeuge, Mobiltelefone oder Wildtiere). ● Typisierungsfähigkeit meint die Fähigkeit der Datenquelle, zusätz‐ liche typisierende Informationen zu generieren. Das kann die Körper‐ größe oder das Fortbewegungsmittel sein, aber auch das Ausgabever‐ halten im Einzelhandel. ● Touristische Klassifizierungsgüte beschreibt die Fähigkeit der Da‐ tenquelle, Touristen und Nicht-Touristen zu trennen und die wesentli‐ chen touristischen Zielgruppen (Übernachtungsgäste, Tagesgäste (vom Wohnort oder vom Urlaubsort), private und geschäftliche Gäste) zu unterscheiden. Die nicht-touristischen Mobilitätsformen sind ausge‐ sprochen vielfältig, bspw. Pendeln zur Arbeit oder Ausbildung, Mobilität aus privaten, medizinischen, sportlichen oder administrativen Gründen oder professionelle Mobilitätsformen wie Taxi-, Bus- oder Lkw-Fah‐ rer, Versorgungsverkehre, Begleitpersonal im Personentransport (Zug- oder Flugbegleiter oder auch Einsatzkräfte). 28 1 Einführung und Einordnung <?page no="29"?> Die zweite Dimension bildet die Zeit- und Raum-Dimension: ● Räumliche Auflösung ist die Detaillierung der Datenpunkte in räum‐ licher Hinsicht. ● Zeitliche Auflösung ist die Detaillierung der Datenpunkte in zeitli‐ cher Hinsicht. Hier ist insbesondere zu unterscheiden in Datenquellen, die in festen Intervallen messen (z. B. ein Kamerabild alle fünf Minuten) oder die durch ein Event ausgelöst werden (etwa das Passieren einer Lichtschranke). ● Latenz (Verzögerungszeit) beschreibt die Zeit, die vergeht, bis die Messergebnisse in verwertbarer Form zur Verfügung stehen. Generische Dimensionen sind: ● Vollständigkeit ist der Anteil der erfassten Signale an allen relevanten Signalen, also das Ausmaß, in dem die relevanten Objekte tatsächlich durch die Signale dieser Datenquelle erfasst werden. Zum Beispiel erfassen die Daten eines Mobilfunkbetreibers nur die eigenen Daten der Mobilfunkendgeräte, aber nicht alle Mobilfunksignale. ● Präzision ist der Anteil der erfassten Signale an allen Signalen, die ein Sensor erfassen sollte. Zum Beispiel würde ein Lasersensor, der 98 % Präzision aufweist, 2 % der eigentlich zu messenden Signale nicht erfassen. ● Reliabilität beschreibt die Zuverlässigkeit der Datenquelle. Die Re‐ liabilität ist umso geringer, je häufiger die Datenquelle, bspw. aus technischen Gründen (bei Übertragungsproblemen oder wegen Sensor‐ ausfall), keine Daten liefern kann. Die letzte Gruppe ist die sozial-organisatorische Dimension: ● Verfügbarkeit beschreibt den Aufwand bzw. die Kosten für den Zu‐ gang zu den Daten. Obwohl Open-Data-Sammlungen an Popularität gewinnen, sind Daten aus vielen Quellen nur mit Kosten zu erhalten. Das kann am hohen Aufwand für die Datengenerierung, an der starken Marktposition einzelner Datenanbieter oder auch am ausgeprägten Wunsch nach der Wahrung von Betriebsgeheimnissen liegen. ● Transparenz beschreibt vor allem die Phase der Datenaufbereitung. Insbesondere bei kommerziellen Datenanbietern ist häufig gar nicht gewünscht, dass der Weg von den Rohdaten zu den ausgelieferten Daten transparent wird. Der Grund liegt u. a. in der Wahrung von Betriebs- 29 1.5 Bewertungsdimensionen und Indikatoren <?page no="30"?> und Geschäftsgeheimnissen und der Wahrung eines Wettbewerbsvor‐ sprungs. Das erschwert deutlich die Bewertung der Ergebnisse anhand wissenschaftlicher Gütekriterien. ● Datenschutzrechtliche Zulässigkeit ist eine Mindestanforderung für den Einsatz von Sensorik zur Besuchermessung. Allerdings kann die Zulässigkeit an Bedingungen geknüpft sein, wenn personenbezogenen Daten erhoben und verarbeitet werden. Diese Zulässigkeit richtet sich vor allem nach den Vorschriften der Datenschutzgrundverordnung. Danach sind, je nach Anwendungsfall, Begründungs- und Informati‐ onspflichten zu erfüllen, bevor solche Daten verarbeitet werden dürfen. Eine mögliche Voraussetzung für die Rechtmäßigkeit der Verarbeitung personenbezogener Daten ist die Einwilligung der betroffenen Person, die Bedingungen für solche Einwilligungen regelt Art. 7 der DSGVO. Besondere Bedeutung haben auch die Begriffe Anonymisierung und Pseudonymisierung, denn für sicher anonymisierte Daten ist die Daten‐ schutzgrundverordnung nicht anwendbar (Schneider, 2017, S. 49). Die Pseudonymisierung ist in Artikel 4 der DSGVO definiert. Während bei der Pseudonymisierung lediglich Klartexte (Namen, Telefonnum‐ mern, Gästekartennummern) durch einen Schlüssel ersetzt werden, ohne dass die Struktur der Daten verändert wird, geht die Anonymi‐ sierung weiter. Unterschieden werden k-Anonymisierung (ein einzelner Fall wird in einer Gruppe von k Fällen versteckt), l-Diversität (in jeder k-Gruppe müssen l verschiedene Merkmalsausprägungen vorlie‐ gen), t-Ähnlichkeit (die Verteilungen von sensitiven Merkmalen in den k-Gruppen und in der Grundgesamtheit werden zusätzlich betrachtet) und ε-diffenzielle Privatheit (der maximale Einfluss ε des Individuums für das Gruppenergebnis wird beschränkt), so dass eine Re-identifizie‐ rung sicher ausgeschlossen ist (Epting, 2021, S. 287). In den Fällen in denen Daten von kommerziellen Datenlieferanten bezogen werden, ist es deren Aufgabe, für die Einhaltung der Datenschutzvorschriften zu sorgen. In anderen Fällen, in denen die Daten selbst generiert werden, ist hingegen eine detailliertere Betrachtung der datenschutzrechtlichen Situation notwendig. ● Ethische Vertretbarkeit beschreibt Datenschutzfragen jenseits der rechtlichen Bewertung. Hier wird insbesondere bewertet, inwieweit die Erhebung und Nutzung von Lokalisierungsdaten individuelle Freiheits‐ räume beschneiden und den Wunsch nach Vertraulichkeit dieser Daten, die „Geoprivacy“ ( Janowicz et al., 2019, S. 48), beschneiden könnte. Das 30 1 Einführung und Einordnung <?page no="31"?> kann, muss aber nicht, im Kontext von „Smart Destinations“ erfolgen (Femenia-Serra et al., 2021). Speziell für die Datenextraktion aus sozia‐ len Medien entwickelten Townsend & Wallace (2018) vier Leitgedanken: Die Nutzung solcher Daten ist ethisch unproblematisch, wenn sie (a) öffentlich verfügbar sind, (b) eine Zustimmung vorausgesetzt werden kann, (c) die Daten für die Auswertung anonymisiert werden oder (d) kein Risiko einer Schädigung auftritt. Die Diskussion zu einer „digitalen Ethik“ ist ausgesprochen vielfältig und gleichermaßen unkonkret - auf eine genaue Beschreibung, wann etwas ethisch vertretbar ist und wann nicht, wurde sich noch nicht geeinigt. Als Leitlinie kann zum Einen das freiheitsbezogene „Gebot der Nichtschädigung“, wie es vom Wittenberg Zentrum für Globale Ethik in seinem „Ethischen Kompass“ verwendet wird (Suchanek, 2020), angesehen werden. Eine zweite Leitlinie ist das „Unwohlsein auf Nutzerseite“, für das Sutmöller (2021, S. 188) Intransparenz als Ursache beschreibt: „Hierzu ist vor allem der Umstand zu nennen, dass die Aktivitäten in intransparenter Weise erfolgen und häufig nicht umfänglich bekannt ist, welche Daten gesammelt werden und welche Akteure Zugriff auf diese haben.“ Dann ist es beispielsweise ein Unterschied, ob Personen ganz bewusst einem Tracking zustimmen oder dieses sogar selbst initiieren oder ob Personen zwar mit ihrem formalen Einverständnis, aber nicht ihrem eigentlichen Wunsch entsprechend, getrackt werden, weil sie zum Beispiel eine bestimmte mobile App nur nutzen können, wenn sie dem Tracking in einer langen Liste von Datenschutzbestimmungen zustimmen. 31 1.5 Bewertungsdimensionen und Indikatoren <?page no="33"?> 2 Datenquellen für die digitale Besuchermessung In diesem Teil des Handbuches werden die Kategorien von Datenquellen mit den oben beschriebenen Bewertungsdimensionen bewertet. Dazu wird jeweils der Stand der Forschung aufgezeigt und die Bewertung zunächst textlich und dann in Form eines tabellarischen Überblicks dargestellt. 2.1 Signalketten (Multispot-Messsysteme) 2.1.1 A.1: Mobiles Tracking mit Stichproben 2.1.1.1 Methode Ad hoc-Stichproben mit Endgeräten sind Mess-Systeme, bei denen einer (Zufalls- oder Willkür-) Auswahl von Nutzenden ein trackingfähiges End‐ gerät oder eine mobile App (zum Download) übergeben und nach Ende der Tour wieder eingesammelt wird. Anders als in den anderen Datenquellen der Kategorie A geschieht hier die Datenaufzeichnung in der Regel mit eindeutiger Zustimmung des Nutzenden (informed consent), da Forschende einen unmittelbaren Kontakt zur Befragungspersonen haben und diese Zustimmung einholen können. In dieser Kategorie werden die Lokalisierungsdaten in einem Endgerät aufgezeichnet und anschließend an die Forschenden übergeben. Diese Übergabe kann durch Rückgabe, durch Rückversand des Gerätes oder durch Auslesen oder Übertragen der Daten geschehen. Standard ist die Nutzung der Lokalisierungsdaten durch Global Navigation Satellite Systems (GNSS), insbesondere GPS. <?page no="34"?> Wissen | GNSS-basierte Verfahren Die Verfahren der Kategorien A.1 bis A.3 basieren auf der Messung von Lokalisationsdaten mithilfe von Global Navigation Satellite Systems (GNSS). Unter den GNSS ist das Global Positioning System (GPS) derzeit das überwiegend eingesetzte (Chen, Zhang, et al., 2021). Weitere GNSS sind das russische GLONASS, das chinesische Beidou und das europäische Galileo-System (Gikas et al., 2019, S. 393). Obwohl das GPS-System bereits seit den 1970er Jahren eingesetzt wurde, ist seine private Nutzung erst seit den 1990er Jahren sinnvoll möglich. Garmin brachte sein erstes Gerät für private Nutzer 1991 auf den Markt, was Shoval (2008) zur Ausrufung einer „GPS-Revolution“ bewegte. Inzwi‐ schen sind viele Smartphones und smarte Armbanduhren (Wearables) mit GNSS/ GPS-Empfängern ausgestattet. Alle GNSS-Systeme haben das gleiche Prinzip: Satelliten senden in regelmäßigen Abständen ihre Position (meist ca. 20.000 km von der Erde entfernt) und einen sehr genauen Zeitstempel. Aus der Laufzeit der Signale von mehreren Satelliten kann das Endgerät seine eigene Position bestimmen. Benötigt werden mindestens drei, besser vier Satelliten. Die Satelliten werden von Bodenstationen mit Informationen zu ihrer eige‐ nen Position versorgt (Abbildung 9). Als Empfänger kommen dezidierte Endgeräte, Smartphones oder Wearables in Frage. Dezidierte Endgeräte zeichnen im einfachsten Fall nur die Position auf (Logger, „GPS-Maus“), fortgeschrittene Geräte bilden diese auf digitalen Karten ab (Handheld GPS). Smartphones und Wearables sind im Vergleich multifunktional und können, neben der satellitengestützten Positionsbestimmung, noch viele andere Aufgaben wahrnehmen. Der Betreiber des GPS-Systems, die U.S. Space Force, gibt die derzeit typische Genauigkeit eines GPS-Smartphones mit knapp 5 Meter an (National Coordination Office for Space-Based Positioning, Navigation, and Timing, o. J.), in der Literatur werden horizontale Genauigkeiten von 3-10 Meter und vertikale Genauigkeiten um den Faktor 1,5 bis 2-fach größer angegeben (Schaefer & Pearson, 2021, S. 400), Yun  & Park (2015) sprechen sogar von einer Auflösung von nur einem Meter. Betrachtet man allein die Senderseite, so werden für GPS deutlich bessere Genauigkeiten (zwei Meter, meistens besser) erreicht (Office of the Department of Defense, 2020), ähnliche Werte werden auch für das 34 2 Datenquellen für die digitale Besuchermessung <?page no="35"?> Galileo Open Service-System beschrieben (European Union Agency for the Space Programme, 2021, S. 25). Sofern die GNSS-Empfänger in einem Smartphone verwendet werden, können weitere Datenquellen zur Verbesserung der Positionsgenauig‐ keit berücksichtigt werden. Dazu gehören Daten aus den Bewegungs‐ sensoren (augmented GNSS), anderen Funkquellen (differential GNSS) sowie Wifi-Stationen in der Nähe oder die gerade genutzte Mobilfunk‐ zelle (fused location). So basiert das Wifi Positioning System (WPS) auf Datenbanken (z. B. die offenen Datenbanken radiocells.org oder wi‐ gle.net), in denen für jeden Wifi Access-point eine Standortinformation hinterlegt ist (Zhuang et al., 2016). Je nach Nähe zu diesen Accesspoints kann dann eine zusätzliche Standortschätzung vorgenommen werden. Mit diesen „Assisted GNSS-Verfahren“ (Garcia et al., 2020, S. 142 ff.; Zandbergen & Barbeau, 2011) kann die Genauigkeit oder zumindest die Geschwindigkeit bis zur ersten Standortermittlung (time to first fix) verbessert werden (van Diggelen, 2020a). Daneben kann auch emp‐ fängerseitig eine Präzisionsverbesserung durch „high-sensitivity GNSS“ erreicht werden (Morton et al., 2020; van Diggelen, 2020b). Allerdings kann diese Genauigkeit durch Abschattungen und Reflektionen des Radiosignals oder auch durch Inferenzen im Radioband oder Sonnen‐ stürme reduziert werden. Andererseits ist es möglich, durch Korrektur‐ verfahren (etwa durch Nutzung von terrestrischen Referenzstationen im Differential GPS) deutlich bessere Genauigkeiten zu erzielen. Zur Technik der GNSS liefert Hardy (2020, S. 44ff.) einen guten Über‐ blick. Für das GPS-Tracking im Tourismus und die Funktionsweisen im Detail sei auf Bauder (2014, S. 28 ff.) verwiesen. Zur grundsätzlichen Nutzbarkeit von GNSS-basierten Daten für die Freizeitnutzung gibt zum Beispiel die Studie von Beeco & Brown (2013) Auskunft. 35 2.1 Signalketten (Multispot-Messsysteme) <?page no="36"?> Abbildung 9: Funktionsprinzip von Globalen Navigations-Satelliten-Systemen (GNSS) Da die Daten im sogenannten Preprocessing bereits im Endgerät unter‐ schiedlich aufbereitet werden (Outlier removement, stay location detec‐ tion, travel segmentation, travel mode detection und map matching), kann je nach Datenlieferant auch eine künstliche Erhöhung der Präzision erreicht werden (Chen, Zhang, et al., 2021, S. 27 ff.). Soll zum Beispiel eine Nutzung abseits von Wegen dokumentiert werden, ist es relevant, 36 2 Datenquellen für die digitale Besuchermessung <?page no="37"?> ob und wie das Endgerät ein map matching, also die Zuordnung von Messpunkten zu einem nahegelegenen Weg, durchführt. Allerdings sind GNSS-Daten nicht die einzige Möglichkeit den eigenen Standort (respektive den Standort des eigenen Endgeräts) zu bestimmen. Gikas et al. (2019, S. 389 ff.) benennen eine ganze Reihe von solchen Technologien, von denen die Radio-frequency based technologies (zu den GNSS gehören) nur eine sind. In diese Kategorie gehören auch die Standortermittlung anhand der vorhandenen Mobilfunkzellen oder von Nahdistanzsendern mit bekanntem Standort wie Wifi, Bluetooth, ZigBee, Ultra Wide Band oder RFID (vgl. Kategorie A.4, Kapitel 2.1.4). Weitere, grundsätzlich andere Technologien sind MEMS-based Inertial Technology (Vermessung des sich bewegenden Objektes) und Optical Technologies. Im Folgenden werden für alle GNSS basierte Verfahren die Bewertungs‐ dimensionen der räumlichen und zeitlichen Auflösung, der Präzision, der Reliabilität und der Verfügbarkeit beschrieben, da diese für alle Verfahren gültig sind. Die räumliche Auflösung ist mit wenigen Metern ausgesprochen präzise und für touristische Anwendungen in der Regel vollkommen ausreichend (zu den Details siehe weiter oben). Die zeitliche Auflösung ist bei allen GNSS-basierten Systemen hoch, weil kontinuierliche Signalketten je Nutzer produziert werden. Das Aufzeichnungsintervall hängt letztlich vom Endgerät ab, gängig sind In‐ tervalle von 1-30 Sekunden oder „intelligente“ Aufzeichnungsintervalle, die bei Änderung der Richtung oder Geschwindigkeit einen Trackpunkt aufzeichnen. Die Präzision, also der Anteil der Signale, die erfasst werden sollten, ist grundsätzlich recht hoch. Allerdings ist das GNSS-Signal nicht frei von Störeinflüssen, etwa bei starkem Niederschlag, im Abschat‐ tungsbereich von Bäumen oder Gebäuden oder durch Reflexionen (multipath error). Dadurch können Lücken und Ungenauigkeiten in den Signalketten entstehen (Kumar et al., 2021, S. 8; McKercher & Lau, 2009, S. 450; Norman & Pickering, 2017), auch wenn die früher berichteten Abweichungen von 60 Metern oder mehr zwischen aufeinanderfolgen‐ den Messungen (Bauer, 2013) inzwischen weniger drastisch ausfallen dürften. Die Lücken im Datenmaterial, die durch das Fehlen von 7 % bis 41 % der Tracks entstehen können, sind allerdings nach wie vor 37 2.1 Signalketten (Multispot-Messsysteme) <?page no="38"?> problematisch, auch wenn hier keine neueren Daten vorliegen (Schamel, 2017, S. 65). In der Literatur wird auch auf die Möglichkeit des Jamming (Störung des Satellitensignals), Spoofing (Senden eines falschen Signals) und der Abschaltung von GNSS im Konfliktfall hingewiesen (R. Li, 2020). Es ist aber davon auszugehen, dass die Freizeitnutzung von solchen Interventionen in der Regel nicht betroffen sein dürfte. Die Reliabilität (Zuverlässigkeit) des GPS-Systems ist hoch, Datenlü‐ cken durch Wartung an den Satellitensystemen kommen durch Redun‐ danzen kaum vor. Auch die bis 2000 noch vorhandene gelegentliche Abschaltung des Systems für nicht-militärische Nutzer kommt inzwi‐ schen nach Angaben des Betreibers nicht mehr vor. Die Daten der GNSS können grundsätzlich kostenfrei und weltweit ohne Registrierung bezogen werden. Für die Seite der Signallieferanten ist die Verfügbarkeit also als sehr gut zu bezeichnen. Das betrifft aber nicht die Verfügbarkeit der im Endgerät produzierten Lokalisierungsdaten. Neben zahlreichen wissenschaftlichen Untersuchungen in Destinationen existieren inzwischen auch kommerzielle panelbasierte Ansätze, um Bewegungsverläufe mit größerer Reichweite aufzudecken (Fluxloop, 2021; Munkes & Moser, 2020). Klassische Anwendungsfälle sind aber Untersu‐ chungen in einer Destination, häufig in Kombination mit Befragungen. Diese Erhebungsform ist in wissenschaftlichen Untersuchungen recht be‐ liebt. Beispiele dafür sind die Studien von Bauder (2015), Bauder & Freytag (2015), East et al. (2017), Ferrante et al. (2018), Hallo et al. (2012), Hovgesen et al. (2008), McKercher et al. (2012), Modsching et al. (2008), Navarro-Ruiz et al. (2020), Peterson et al. (2020), Pettersson & Zillinger (2011), Reif (2019b), Severiens (2021), Shoval et al. (2020), Sugimoto et al. (2019) oder Zheng et al. (2017). Noch bis weit in die 2000er Jahre waren Forscher darauf angewiesen, ihre Probanden mit dezidierten GPS-Loggern auszustatten (Edwards et al., 2010; Groß & Biohlawek, 2013), bis dann sukzessive mobile Applikationen wie zum Beispiel das GimToP-Toolkit auf Smartphones zum Zuge kamen (Groß & Menzel, 2016). Allerdings werden auch heute noch dezidierte GPS-Logger verwendet, da so nicht in die Endgeräte der Probanden eingegriffen werden muss (Severiens, 2021, S. 56). Die Logger sollten i. d. R. klein und handlich, möglichst ohne Display und eher unattraktiv sein, damit Probanden mög‐ 38 2 Datenquellen für die digitale Besuchermessung <?page no="39"?> lichst wenig verstellen können (Schamel, 2017, S. 64). Allerdings besteht die Gefahr, dass Rundwege im Sample überrepräsentiert sind, wenn Ausgabe und Rückgabe der Logger am selben Punkt erfolgen (Taczanowska et al., 2010). Des Weiteren besteht die Problematik, dass bspw. bei Tagesausflügen nicht der gesamte Aufenthalt des Gastes im Track wiederzufinden ist (Reif, 2019). Mit eigenen mobilen Apps arbeiten zum Beispiel die Studien des Tourism Tracer-Projektes in Tasmanien (Hardy et al., 2017, 2019, 2020, 2021; Lewis et al., 2021) und weitere Studien (Moussouri & Roussos, 2015; Yun & Park, 2015). Die aggregierten Daten können zum Beispiel zur Typenbildung (McKercher et al., 2006; Meijles et al., 2014) oder in Kombination mit Bio‐ sensing-Daten (Zeile et al., 2016) zur Identifikation von „Points of Emotion“ (Reif & Schmücker, 2021b) genutzt werden. Weitere Sonderfälle stichprobenbasierter Studien sind Untersuchungen, die im Sinne mobiler Ethnographie (Stickdorn & Zehrer, 2010) eine Beobachtung von Erlebnisverläufen möglich machen. Dazu können die Besucher: innen an bestimmten Orten oder zu bestimmten Zeitpunkten auf‐ gefordert werden, über ihr Erleben zu berichten und Fotos oder kurze Texte auf eine Forschungsplattform hochzuladen. Diese können dann inhaltsana‐ lytisch ausgewertet werden. Durch die Bereitstellung von Längen- und Breitengrad lassen sich so aber auch Rückschlüsse über die zurückgelegten Wege ziehen. Stichprobenbasierte Studien sind schon per Definition nicht voll‐ ständig, sondern berichten nur über einen Teil der Population. Damit dieser Teil aussagekräftige Volumen-Ergebnisse über die Population erlaubt, muss ein hohes Maß an Generalisierbarkeit vorliegen, das durch reprä‐ sentative Stichproben erreicht wird. Hier liegt nun der Schwachpunkt solcher Untersuchungen: Um zu belastbaren Aussagen über die Nutzung von Destinationen zu kommen, muss zunächst (a) die Grundgesamtheit nach räumlichen, zeitlichen und sachlichen Kriterien genau beschrieben und dann (b) eine repräsentative Stichprobe daraus gezogen werden. In der Praxis ist schon Schritt (a) schwierig bis unmöglich, und demnach auch Schritt (b). So arbeiten die meisten oben genannten Studien mit willkür‐ lichen Auswahlen aufs Geratewohl, deren Generalisierbarkeit grundsätz‐ lich mindestens fraglich ist (convenience samples). Und selbst wenn es gelingt, eine gute Repräsentativstichprobe zu designen, besteht das Problem der Stichprobenausschöpfung (systematische Ausfälle) und Selbstselektion, wie eine Studie von Thimm & Seepold (2016) zeigt. Die Teilnahme an 39 2.1 Signalketten (Multispot-Messsysteme) <?page no="40"?> solchen Studien ist immer freiwillig, und daher ist die Verweigerung der Befragungsteilnahme ein wesentliches Risiko für die Generalisierbarkeit der Ergebnisse. Dies bedeutet jedoch nicht, dass Studien mit willkürlichen Auswahlverfahren wertlos sind. Im Gegenteil: Derartige Studien - auch wenn die Aussagen nicht auf eine Grundgesamtheit übertragen werden können - erlauben ein auf die konkrete Fragestellung zugeschnittenes For‐ schungsdesign mit unmittelbarem Kontakt zum Untersuchungsobjekt. So zeigt Severiens (2021) am Beispiel der Wegfindungsprozesse von Wanderern im Stubaital, das auch mit einer Auswahl aufs Geratewohl aussagekräftige Studienergebnisse (in dem Fall durch Vergleich von Selbsteinschätzung und tatsächlich gegangenen Wegstrecken) möglich sind. Für den in diesem Buch diskutierten Anwendungsfall der Besuchermessung ist die häufig fehlende Repräsentativität und damit Generalisierbarkeit aber ein Hindernis. Von den frustrierenden Ergebnissen eines sehr frühen Studienversuchs in Hong-Kong berichten McKercher & Lau (2009, S. 451-453): Von 1.900 ange‐ sprochenen Touristen war nur eine/ r bereit, sich per Mobiltelefon tracken zu lassen. Dreizehn Jahre später und mit Blick auf die weitere Durchdringung von Smartphones und der darin integrierten Sensorik, erscheint dies als eine sehr hohe Ausfallquote. Sich eine unbekannte App aus Forschungszwecken auf das eigene Smartphone zu laden, wird vermutlich immer noch eine gewisse Barriere darstellen. Selbst, wenn eine App runtergeladen wird, bedeutet dies dann noch nicht, dass diese auch (korrekt) genutzt wird. So zeigen Methodenvergleiche von Hardy et al. (2022), dass im Gegensatz zur Nutzung von ausgehändigten Smartphones mit vorinstallierter App, die Selbstrekrutierung der Probanden durch Installation der App zwar zu einer hohen Anzahl an Nutzern jedoch zu kaum ausgefüllten Umfragen bzw. wenig genutzter Tracking-Funktion führten. 2.1.1.2 Ziele und Bewertung Zur Zieleignung (Tabelle 2) gilt das bereits oben gesagte, allerdings mit der Einschränkung, dass eine Identifizierung von Quell-Zielgebietsbezie‐ hungen in den meisten Studien nicht realisiert wird, weil ausschließlich die Bewegungen innerhalb einer Destination oder ihrer Teilräume beob‐ achtet wird. Gleichwohl können diese Informationen, bspw. zur Herkunft mit ergänzenden Erhebungsmethoden, bspw. Fragebogen erhoben wer‐ den. 40 2 Datenquellen für die digitale Besuchermessung <?page no="41"?> Ziel 1: Frequenzzählung an einzelnen Standorten ja Ziel 2: Messung von Besucherströmen in Arealen ja Ziel 3.1: Identifizierung von Aktionsräumen ja Ziel 3.2: Identifizierung von Quell-Zielgebietsbeziehungen je nach Ausgestaltung Tabelle 2: Zieleignung Stichproben mit Endgeräten (A.1) Die externe Validität des Verfahrens ist hoch: Durch die Stichproben‐ auswahl ist eine klare 1: 1-Verbindung von Endgerät zu Nutzer gegeben. Sofern das Verfahren mit Befragungen kombiniert wird, können sogar Informationen zur Reisegruppe (also über den individuellen Nutzer hinaus) abgeleitet werden, was als ein deutlicher Vorteil insbesondere gegenüber Big Data-Quellen angesehen werden kann. Auch die Typisierungsfähigkeit und die touristische Klassifizie‐ rungsgüte sind als hoch einzuschätzen, sofern das Verfahren mit Befragun‐ gen kombiniert wird. Die Daten selbst hingegen lassen in beiden Kategorien in der Regel kaum weitere Rückschlüsse zu. Zur räumlichen und zeitlichen Auflösung gilt das bereits oben Ge‐ sagte. Die Latenz ist vor allem abhängig von der Organisation der Datenüber‐ tragung und -analyse. Eine Echtzeitanalyse ist technisch möglich, sofern das Standortsignal live übertragen wird (so wie es populäre Messengerdienste bereits anbieten). Die Vollständigkeit ist, neben der Verfügbarkeit, der potenziell größte Schwachpunkt dieses Verfahrens. In den regelmäßig durchgeführten Er‐ hebungen mit nicht-repräsentativen ad hoc-Stichproben sind keine zuver‐ lässigen Abbildungen der eigentlich interessierenden Volumina erreichbar. Zu Präzision und Reliabilität gilt das bereits oben Gesagte. Zur Verfügbarkeit ist festzuhalten, dass das Aufsetzen einer sample‐ basierten Studie immer mit erheblichem Personalaufwand verbunden ist. Hinzu kommen ggf. Kosten für GPS-fähige Endgeräte, ca. 50 bis 250 Euro pro Stück. Allerdings sind diese speziellen Endgeräte mit der Durchsetzung von GNSS-fähigen Smartphones u. U. gar nicht mehr notwendig. Gleichzeitig ist man nicht von (kommerziellen) Datenlieferanten abhängig, sondern hat die Gestaltung der Studie (abgesehen von der Teilnahmebereitschaft der Probanden) weitgehend selbst in der Hand - vermutlich ist diese hohe 41 2.1 Signalketten (Multispot-Messsysteme) <?page no="42"?> Transparenz ein Grund, warum diese Art der Datengenerierung für die wissenschaftliche Forschung recht attraktiv ist. Die datenschutzrechtliche Zulässigkeit ist normalerweise gegeben, denn die Probanden willigen aktiv in die Studienteilnahme ein und sind regelmäßig über Studienziele, -ablauf und die Verwendung ihrer Daten informiert (informed consent). Deshalb ist auch die ethische Vertretbarkeit in der Regel hoch: Ein Unwohlsein der Probanden kann in der Regel durch den informed consent ausgeschlossen werden. Bewertungsdimension Bewertung Anmerkungen/ Einschränkungen (1) externe Validität hoch (2) Typisierungsfähigkeit hoch wenn mit Befragungen kombiniert (3) touristische Klassifizie‐ rungsgüte hoch wenn mit Befragungen kombiniert (4) räumliche Auflösung hoch wie für alle GNSS-basierten Systeme (5) zeitliche Auflösung hoch wie für alle GNSS-basierten Systeme (6) Latenz mittel (7) Vollständigkeit gering (8) Präzision hoch wie für alle GNSS-basierten Systeme (9) Reliabilität hoch wie für alle GNSS-basierten Systeme (10) Verfügbarkeit mittel (11) Transparenz hoch (12) datenschutzrechtliche Zulässigkeit gegeben (13) ethische Vertretbarkeit hoch Tabelle 3: Bewertung Mobiles Tracking mit Stichproben (A.1) 42 2 Datenquellen für die digitale Besuchermessung <?page no="43"?> 2.1.1.3 Fazit Stichproben-basierte Tracking-Studien werden in der Forschung häufig eingesetzt. In der Destinationspraxis sind sie hingegen nicht sehr weit verbreitet, denn die Auswahl, Ansprache und Betreuung der Probanden ist aufwändig und damit teuer. Zudem erlauben die Stichproben in der Regel kaum allgemeingültige Aussagen, sondern decken nur einen Teil der tatsächlichen Besuchermenge ab. Vorteilhaft ist die gute Kontrollierbarkeit des gesamten Verfahrens und die Möglichkeit, zusätzlich zu den Tracks auch Befragungsdaten zu erheben. Insgesamt ein gutes Verfahren für Ad hoc-Studien, die nur einmal oder in mehrjährigem Abstand Auskunft über die Destinationsnutzung geben. Für eine dauerhafte Datenerhebung und eine automatisierte Datenverarbeitung als Grundlage für eine laufende Besucherbeeinflussung ist das Verfahren nicht gut geeignet. Wissen | Big Data Einige der in diesem Buch besprochenen Datenquellen fallen in die Kategorie „Big Data“ (A2-A4, B-2.3, C1-C3). Big Data werden sowohl in der tourismusbezogenen Forschung (vgl. die Überblicksartikel von J. Li et al., 2018; M. M. Mariani & Baggio, 2021; Mazanec, 2020), als auch in der praktischen Anwendung als zunehmend wichtig angesehen. Was aber bedeutet Big Data genau? Die erste und häufigste Antwort ist: Big Data sind Datenquellen, die den 3V-Eigenschaften genügen: High volume, high velocity, high variety (Laney, 2001). Diese drei V sind inzwischen um einige weitere ergänzt worden, z. B. veracity, variability und value (Gandomi & Haider, 2015; M. Mariani, 2020; Park, 2021; Song & Liu, 2017). Diese letzten sind aber eher Beispiel dafür, was oder wie Big Data sein sollten, nicht was sie tatsächlich sind. Eine zweite Eigenschaft trifft auf alle hier diskutierten Big Data-Quellen zu: Sie wurden ursprünglich für einen ganz anderen Zweck generiert. Diese Art von Daten wird im englischen als exhaust data (Kitchin, 2014; O’Leary & Storey, 2022) bezeichnet. Mobilfunkdaten werden generiert, um die Kommunikation und Abrechnung in kommerziel‐ len Mobilfunknetzen zu ermöglichen; Social-Media-Postings werden geteilt, um Freunden, Bekannten oder der Öffentlichkeit etwas mitzu‐ teilen; GPS-Tracks werden hochgeladen, um die eigenen Aktivitäten zu 43 2.1 Signalketten (Multispot-Messsysteme) <?page no="44"?> dokumentieren oder den eigenen Leistungsfortschritt zu messen. Die Nutzung solcher Daten für die digitale Besuchermessung ist gewisser‐ maßen ein Abfallprodukt des ursprünglichen Zweckes. Diese zweite Eigenschaft ist keine notwendige, aber eine häufige Voraussetzung, um Datenquellen als Big Data zu qualifizieren. Es wurde verschiedentlich postuliert, dass Big Data allein aufgrund ihrer Größe aussagekräftig seien und demnach die klassischen Qualitätskri‐ terien (z. B. Validität, Reliabilität, Objektivität) oder die Anforderungen an eine gute Stichprobe keine nennenswerte Rolle mehr spielen müssten (Yang et al., 2015). Dieser Ansicht haben Wissenschaftler schon häufiger widersprochen (Ferreira & Vale, 2020; Mazanec, 2020), und auch in diesem Buch wird diese Skepsis geteilt und versuchet, Big Data objektiv anhand der Bewertungsdimensionen einzuordnen. Was die Auswirkungen von Big Data-Analysen angeht, gibt es ganz verschiedene Ansichten. Sie reichen von der Überzeugung, dass „die Algorithmen“ uns zu fremdbestimmten und total-überwachten Subjek‐ ten machen und eine „Weapon of Math Destruction“ (O’Neil, 2016) darstellen, bis zu dem eher nüchternen Blick auf eine Big Data Illusion, wonach in der Anwendungs-Domäne „Tourismus“ Big Data eine Art „Scheinriese“ wäre: Aus der Ferne wirken sie riesig, aber je näher man ihnen kommt, desto eingeschränkter werden die tatsächlichen Nutzungsmöglichkeiten (Schmücker & Reif, 2021). Auch diesem Aspekt wird mit der Bewertung Rechnung getragen. 2.1.2 A.2: Mobiles Tracking, aktiv (VGI) 2.1.2.1 Methode Diese Kategorie wird in der Literatur auch mit den Begriffen Volunteered Geographic Information (VGI) (Goodchild, 2007; Hardy, 2020, S. 89ff.; See et al., 2016), Web-Share Services oder auch, etwas ungenau, als Public Participatory GIS (PP GIS) bezeichnet (Dehez et al., 2019). Das Feld der VGI ist recht breit: Es reicht von den hier besprochenen Uplo‐ ads von selbst generierten Tracks über Beiträge zu Crowdsourcing-Platt‐ formen wie Openstreetmap oder Openstreetcam (Mahabir et al., 2020) bis zur Messung von radioaktiver Strahlung über Safecast (Xin, 2021). Einige 44 2 Datenquellen für die digitale Besuchermessung <?page no="45"?> dieser Anwendungen sind eher altruistisch orientiert: Daten werden von Laien generiert, damit andere sie nutzen können (Citizen Science). Diese Interpretation von VGI kommt dem Begriff „volunteer“ im Sinne von „ehrenamtlich“ am nächsten („a person who offers to do something without being paid or being forced to do it“, Collin Intermediate Dictionary; „a person who does something, especially helping other people, willingly and without being forced or paid to do it“, Cambridge Online Dictionary). Andere Anwendungen dienen eher dem Eigengebrauch. Es handelt sich im Zusammenhang mit digitaler Besuchermessung um mobile Applikatio‐ nen für Smartphones oder Wearables, die nach Anforderung durch die Nutzer deren Aktivitäten aufzeichnen und diese Daten dann aktiv auf eine zugehörige Plattform hochladen und, je nach persönlicher Einstellung, veröffentlichen. Dabei kann es sich um typischerweise eher intensive Sportaktivitäten (z. B. Joggen, Rennradfahren) oder eher moderate Outdoo‐ raktivitäten (z. B. Spazieren, Wandern, Radfahren) oder eine der zahlreichen Zwischenformen handeln (z. B. Mountainbiken oder Klettern). Für viele Sport- und Outdooraktivitäten gehört ein Tracking der erreichten Leistung heute einfach dazu (Perez-Aranda et al., 2021). Je nach Art und Intensität der Aktivität können die mobilen Apps (a) dem Genre der m-Health-Appli‐ kationen und damit den Fitness- und Gesundheitsapps oder (b) eher dem der Routen- und Tourenplanungsanwendungen zugeordnet werden (Tabelle 4). m-Health Touren- und Routenplanung • Adidas Running (incl. Runtastic) • Garmin Connect • Gymondo • MapMyRun/ MapMyRide (incl. En‐ domondo) • Polar Flow • Strava • Wahoo • Alltrails (incl. Gpsies) • Alpenvereinaktiv • Apemap • Bergfex • Bikemap • Fatmap • Komoot • MotionX GPS • Outdooractive (incl. ViewRanger) • Wikiloc Tabelle 4: Trackingorientierte m-Health-Plattformen und Routenplattformen Der Übergang ist fließend, und die meisten Applikationen lassen sich grundsätzlich für beide Zwecke nutzen. Allerdings ist der Funktionsumfang 45 2.1 Signalketten (Multispot-Messsysteme) <?page no="46"?> in der Regel etwas anders: So steht bei m-Health-Anwendungen etwa die Pulsmessung im Vordergrund, während die Routenplanung eher auf Karten‐ material zur Orientierung und, im Fall von Berg-Destinationen, Höhenmeter abzielt. Einen Überblick von ausgewählten in Deutschland nach aktuellen Marktdaten verbreiteten Applikationen und Plattformen gibt Tabelle 4. Wissenschaftliche Studien befassen sich mit der Messung der Popularität von Destinationen oder einzelnen Tracks (Campelo & Nogueira Mendes, 2016; Franco Roque et al., 2019; Korpilo et al., 2017; Norman et al., 2019; Norman & Pickering, 2017, 2019; Sugimoto, 2020) oder Nutzungs- und Konfliktmustern von Outdoor-Aktiven ( Jurado Rota et al., 2019; Rice, 2019; Santos Silva et al., 2016). Zu den untersuchten Plattformen gehören GPSies, Strava, MapMyFitness und Wikiloc. Abbildung 10 zeigt ein Anwendungsbeispiel: Es enthält Trajectories, die den Westerhever Leuchtturm berühren und die dazugehörigen Startpunkte. Offenbar starten viele Touren zum Leuchtturm in Sankt Peter-Ording, an‐ dere am Leuchtturm-Parkplatz. Hier wird aber auch eine Schwäche deutlich: Es ist unklar, wie viele Nutzer die Trackaufzeichnung für den Weg vom Parkplatz, wie viele für den (Rad-) Weg von Sankt Peter-Ording starten. Abbildung 10: VGI-Daten am Beispiel des Westerhever Leuchtturms | Quelle: Autoren. Datengrundlage: Outdooractive. 46 2 Datenquellen für die digitale Besuchermessung <?page no="47"?> Zuweilen enthüllen die so freigegebenen Daten auch Dinge, die eigentlich nicht bekannt werden sollten. So lässt sich etwa auf der globalen Heatmap der mHealth-Anwendung Strava nachvollziehen, wo die in Mali stationier‐ ten deutschen Soldaten ihre Trainingsrunden drehen - und damit lassen sich auch Rückschlüsse auf ihren Stationierungsort ziehen (Fuest, 2018). 2.1.2.2 Ziele und Bewertung Im Hinblick auf die Zieleignung gilt im Grundsatz das bereits oben Gesagte. Allerdings ist die Aufdeckung von Quell-Zielbeziehungen mit diesem Ver‐ fahren in der Regel nicht möglich, da das Tracking regelmäßig erst bei Beginn einer sportlichen Aktivität oder einer Tour gestartet wird (Tabelle 5). Ziel 1: Frequenzzählung an einzelnen Standorten ja Ziel 2: Messung von Besucherströmen in Arealen ja Ziel 3.1: Identifizierung von Aktionsräumen ja Ziel 3.2: Identifizierung von Quell-Zielgebietsbeziehungen meist nein Tabelle 5: Zieleignung Mobiles Tracking, aktiv (VGI) (A.2) Die externe Validität dieser Datenquelle ist als moderat einzuschätzen: Gemessen werden nicht Personen, sondern GPS-fähige Endgeräte, und diese auch nur, wenn die Trackaufzeichnung gestartet und der Track anschließend auf einer Plattform veröffentlicht wird (subjektiver Selektionsprozess des Nutzers). Anders als in der Kategorie A.1 kann hier also nicht von einer be‐ kannten Beziehung von Endgerät und Proband(en) in einer vorab definierten Stichprobe ausgegangen werden. Die Typisierungsfähigkeit ist ebenfalls begrenzt. Zwar lassen sich aus den Daten Ableitungen zum Fortbewegungsmittel (etwa anhand der ermittelten Geschwindigkeiten) oder - je nach Applikation - der Sportart (Laufen, Radfahren, Wintersport etc.) erzielen, weitere Typisierungen sind aber schwierig bis unmöglich. Allerdings können, je nach Plattform, ergän‐ zende Informationen zu einem Track ermittelt werden, z. B. Nutzer-ID, Art des Tracks, Bewertung etc. Über die Verknüpfung mehrerer Tracks desselben Nutzers können sogar Vermutungen über die Lieblingsaktivitäten oder -destinationen angestellt werden - aber immer beschränkt auf eine einzelne Plattform. 47 2.1 Signalketten (Multispot-Messsysteme) <?page no="48"?> Unabhängig von der Typisierung der Nutzenden können aber die Bewer‐ tungen und Kommentare, die für einzelne Punkte abgegeben werden, bei der Einschätzung der Destinationsqualität helfen. Dieser Aspekt wird im Abschnitt „C.1 Social-Media-Daten/ AGI“ (Kapitel 2.4.1) detaillierter dis‐ kutiert. Gleiches gilt für die touristische Klassifizierungsgüte. Da in der Regel nur einzelne Tracks gestartet werden, liegen kaum Hinweise zum gewöhnlichen Umfeld vor oder sie müssen manuell mit viel Aufwand und viel Unsicherheit aus den eventuell verfügbaren digitalen Profilen der Nut‐ zenden erarbeitet werden (Schallinger & Rüede, 2019). Gleichzeitig ist davon auszugehen, dass sportliche Freizeitaktivitäten wie Laufen meist alltägliche Aktivitäten der Nutzenden im gewöhnlichen Wohnumfeld darstellen, so dass eine Nutzung dieser Daten für den Tourismus in Frage zu stellen ist (Reif, 2021, S. 36). Zur räumlichen und zeitlichen Auflösung gilt das bereits oben Ge‐ sagte. Die Vollständigkeit ist auch bei diesen Datenquellen einer der größten Schwachpunkte. So ist von vornherein unklar, ob die Nutzenden einer App eine gute Generalisierbarkeit für alle Nutzenden darstellen oder ob und wie diese „Stichprobe“ so schief ist, dass ihre Ergebnisse nur Erkennt‐ nisse über die beschränkte Nutzergruppe, aber nicht über das tatsächliche Geschehen vor Ort erlauben. Ergebnisse aus Australien deuten darauf hin, dass unsystematische Variationen in den Daten vorliegen, die keine gute Generalisierbarkeit erlauben (Conrow et al., 2018). Die heterogenen Vorlieben der Nachfrage für spezifische Applikationen sowie der selektive Prozess des Uploads erschwert zusätzlich eine repräsentative Aussage der Daten. Zu Präzision und Reliabilität gibt das bereits oben Gesagte. Die Verfügbarkeit wiederum ist eine theoretische Stärke dieser Daten‐ quelle. Abhängig von der genutzten Datenplattform können die Tracking‐ daten manuell oder sogar per API abgefragt werden (zumindest war das bei der Plattform GPSies der Fall, bevor sie von Alltrails übernommen wurde, Hardy 2020, S. 98). Allerdings ist die manuelle Abfrage von Tracks über eine Weboberfläche ein aufwändiges Unterfangen. Automatisierte Lösungen sind nur durch die Betreiber der Plattformen möglich. Insgesamt ist die Verfügbarkeit der Daten deshalb in der Praxis begrenzt auf Fälle, in denen der Plattformbetreiber zur Kooperation bereit ist (siehe auch datenschutzrechtliche Zulässigkeit). 48 2 Datenquellen für die digitale Besuchermessung <?page no="49"?> Die Transparenz ist als hoch einzuschätzen, da in der Regel einfach die von den Nutzern hochgeladenen Tracks ohne weitere Verarbeitung genutzt werden. Es ist jedoch nicht auszuschließen, dass die Plattformbetreiber Daten filtern oder löschen. Eine derartige systematische Verfälschung der Daten erscheint jedoch unbegründet. Die datenschutzrechtliche Zulässigkeit der Datennutzung hängt vor allem von den Regeln der Plattformbetreiber ab (Nutzungsbedingungen, Da‐ tenschutzbestimmungen). Dabei wird in der Regel unterschieden zwischen Inhalten, die der Plattformbetreiber selbst bereitstellt und Inhalten, die die Nutzenden auf der Plattform veröffentlichen. Vor allem Letztere sind für die Besuchermessung relevant. In der Regel lässt sich der Plattformbetreiber selbst für diese Daten ein Nutzungsrecht einräumen. Verantwortlich für die Einhaltung der Datenschutzbestimmungen ist letztlich der Plattformbe‐ treiber. Das Entnehmen der Daten (zum Beispiel für Forschungszwecke oder auch zu kommerziellen Zwecken) wird in der Regel durch die Platt‐ formbetreiber eingeschränkt - zum Beispiel nur für den privaten Gebrauch (Outdooractive, §8 AGB), für die persönliche, nicht-gewerbliche Nutzung (Alltrails, 2.1 Nutzungsbedingungen) oder nur im Rahmen von gewerblichen Lösungen des Plattformanbieters (Komoot, §11 AGB). Faktisch ist also ohne Zustimmung der Plattformbetreiber in den meisten Fällen keine Verwertung dieser Daten möglich. Mit dieser Zustimmung kann die datenschutzrechtli‐ che Zulässigkeit aber in den meisten Fällen wohl als gegeben vorausgesetzt werden. Die ethische Vertretbarkeit ist weitgehend vorhanden, aber nicht voll‐ kommen unproblematisch. In der Regel dürften sich die Nutzenden bewusst sein, dass sie ihre Daten (z. B. Tracks) öffentlich machen, indem sie sie hochladen. Problematisch könnte es aber sein, wenn Systemanbieter Daten vom Endgerät auf die Plattform hochladen oder weiternutzen würden, ohne dass die Nutzenden sich darüber im Klaren sind. Die gängigen Plattformen fragen aber tatsächlich bei jeder Nutzung nach, ob die Daten hochgeladen und veröffentlicht werden sollen. Sind die Daten einmal hochgeladen, ist aber zu prüfen, ob eine Einschränkung der Datennutzung möglich ist, solange die Daten hochgeladen sind. Problematisch kann es weiterhin werden, wenn persönliche Daten wie Körpermesswerte (Puls, Fettwerte, Sauerstoffsättigung etc.) ebenfalls mit veröffentlicht werden und so sensible Nutzerdaten missbraucht werden können. 49 2.1 Signalketten (Multispot-Messsysteme) <?page no="50"?> Bewertungsdimension Bewertung Anmerkungen (1) externe Validität begrenzt (2) Typisierungsfähigkeit begrenzt (3) touristische Klassifizierungsgüte niedrig (4) räumliche Auflösung hoch wie für alle GNSS-basier‐ ten Systeme (5) zeitliche Auflösung hoch wie für alle GNSS-basier‐ ten Systeme (6) Latenz sehr kurz (7) Vollständigkeit gering (8) Präzision (hoch) wie für alle GNSS-basier‐ ten Systeme (9) Reliabilität hoch wie für alle GNSS-basier‐ ten Systeme (10) Verfügbarkeit begrenzt (11) Transparenz hoch (12) datenschutzrechtliche Zulässigkeit gegeben (13) ethische Vertretbarkeit begrenzt Tabelle 6: Bewertung Mobiles Tracking, aktiv (VGI) (A.2) 2.1.2.3 Fazit Aktiv generierte und hochgeladene Tracks aus Sport- oder Outdoorplattfor‐ men haben eine Reihe von Vorteilen. Die Daten sind, wie alle satellitenba‐ sierten Quellen, präzise und räumlich wie zeitlich hoch aufgelöst. Außerdem werden sie von den Nutzenden aktiv hochgeladen und sind häufig öffentlich zu sehen, sofern die Sichtbarkeit beim Hochladen nicht bewusst einge‐ schränkt wurde. Diese Eigenschaft kann aber auch ein Nachteil sein, denn es ist eben nur ein Ausschnitt des gesamten Destinationsgeschehens sichtbar: 50 2 Datenquellen für die digitale Besuchermessung <?page no="51"?> Nur die Tracks derjenigen Nutzenden, die die entsprechende Software genutzt und ihre Tracks in einen zugänglichen Bereich hochgeladen haben, stehen zur Verfügung. Deshalb ist in jedem Fall zu prüfen, wie viele Datenpunkte für die zu betrachtende Destination überhaupt vorliegen. Aber selbst eine hohe Zahl an Datenpunkten ist noch keine Gewähr dafür, dass die Daten ein gutes Abbild der tatsächlichen Besucherströme sind. Zu beachten ist auch, dass die Daten in der Regel für eine kommerzielle Nutzung nur mit Zustimmung des Plattformbetreibers verfügbar sind. Eine Zusammenarbeit mit dem Plattformbetreiber bietet sich aber ohnehin an, denn der Betreiber kennt die Aktivitäten auf der Plattform am besten und kann den Datenausschnitt für eine Destination einordnen. 2.1.3 A.3: Mobiles Tracking, passiv 2.1.3.1 Methode Im Gegensatz zur aktiven Variante werden bei den passiven Big Data-Va‐ rianten die Lokalisierungs- und Nutzungsdaten ohne aktives Zutun der Nutzenden im Endgerät (Smartphone) erhoben und an eine Plattform übermittelt. Voraussetzung dafür ist, dass der Nutzer der Standortermittlung und -übertragung zugestimmt hat. Für die Standortermittlung werden regelmäßig GNSS-Signale, ggf. in Kombination mit anderen Datenquellen („Assisted GNSS“), verwendet. Als technische Datenquellen kommen vor allem Smartphones und die darauf installierten mobilen Apps in Frage. Damit ergeben sich vier Gruppen von Datenquellen, die auf die Standortinformation eines Smartphones zugreifen und die Daten speichern und übermitteln können: 1. Die Hersteller der mobilen Betriebssysteme 2. Die Betreiber einzelner reichweitenstarker Apps, z. B. Wetter‐ dienste, Newsservices etc. 3. Aggregatoren (Geo Location Broker), die Lokalisierungsdaten aus vie‐ len mobilen Apps zusammenführen 4. Betreiber von Fahrzeugnavigationssystemen (z. B. Floating Car Data, Bike Sharing, Scooter Sharing) 51 2.1 Signalketten (Multispot-Messsysteme) <?page no="52"?> Bei den mobilen Betriebssystemen ist der Markt in Deutschland zwischen Android (ca. 60 % nutzungsbezogener Marktanteil) und iOS (ca. 40 %) auf‐ geteilt. Andere Betriebssysteme (Windows, Blackberry, KaiOS et.) spielen praktisch keine Rolle (Statcounter, 2021). iOS ist ein proprietäres System des Herstellers Apple. Android hingegen wird von einer „Open Handset Al‐ liance“ als quelloffenes System entwickelt. Faktisch wird Android aber vom Unternehmen Google kontrolliert, weil Google einerseits die Android-Mar‐ kenrechte besitzt und andererseits den Zugriff auf das Smartphone-Öko‐ system (Ausstattung ab Werk, Appdistribution, Entwicklungswerkzeuge) kontrolliert, was zuletzt 2018 zu Wettbewerbsverletzungsverfahren seitens der Europäischen Kommission führte (Europäische Kommission, 2018). Die Lokationsdaten aus den Smartphone-Betriebssystemen sind für Dritte in der Regel nicht (mehr) zugänglich. Die Betriebssystemhersteller hingegen haben diesen Zugriff sehr wohl, und Google nutzt diese Daten zum Beispiel für seinen Dienst Google Popular Times (D’Zmura, 2020; Google, Inc., o. J.). Per Webscraping ist es auf Umwegen möglich, die Frequenzdaten zumindest indirekt auszulesen (vgl. Kapitel 2.4.2) und für Forschungszwecke zu nutzen. Dass Google mit diesen Daten mittlerweile eine enorme Marktmacht in Bezug auf passiv generierte Geolokationsdaten hat, zeigt bspw. auch ein Kunstprojekt, bei dem mit wenig Aufwand und vielen Smartphones auf der Plattform Google Maps ein künstlicher Stau generiert wurde (Weckert, 2020). Die Betreiber reichweitenstarker Apps lassen sich häufig durch die Nutzer die Freigabe zur Standortnutzung auf dem Smartphone erteilen, um standortangepasste Dienste (Location Based Services) anbieten zu können. Diese Daten stehen den Anbietern für eigene Analysen zur Verfügung und einzelne Anbieter machen diese Daten auch Dritten zugänglich, z. B. den Betreibern der Plattform wetter.com bzw. Meteonomiqs (Reif, 2021, S. 26). Aggregatoren oder Geo Location Broker sind kommerzielle Unterneh‐ men, die die Lokationsdaten aus vielen mobilen Apps zusammentragen und daraus lokalisierte Nutzungsdatensätze erstellen. Dazu nutzen die Aggregatoren die Werbe-ID (Google) bzw. IDFA (Apple iOS) des Endgerätes. Zu den Anbietern gehören Unternehmen wie Near (near.com, Pasa‐ dena, CA/ Singapur), Safegraph (safegraph.com, Denver, CO), Fluxloop (flux‐ loop.com, Oslo), Unacast (unacast.com, Oslo/ New York), Placer (placer.ai, Los Altos, CA), Streetlight (streetlight.com, San Francisco) und Foursquare (foursquare.com, New York, mit dem Produkt Attribution). Der Anbieter Near gibt im Februar 2022 auf seiner Website an, täglich 5 Mrd. Eventdaten 52 2 Datenquellen für die digitale Besuchermessung <?page no="53"?> zu verarbeiten, die von 1,6 Mrd. Nutzern generiert werden. „Mobile location data is geo or spatial data from smartphones. When a user installs an app, they are often asked to share their location data with the company which provides the app and other companies who are partners with the app publisher. Users can opt in to location sharing (or choose not to opt in). When they opt in, then their phone collects data and shares it with the publisher companies.“ (Near, 2022). Eine Anwendung der Daten aus dieser Quelle zeigt Abbildung 11. Inzwischen hat sich auch eine Berater- und Wiederverkäufer-Szene etabliert, die die Daten der Aggregatoren aufberei‐ tet und branchenspezifisch anbietet (zum Beispiel unter dem Schlagwort „Location Intelligence“). Beispiele in Deutschland sind die Unternehmen MB Micromarketing oder Thaltegos (Reif, 2021, S. 27). Die Hauptzielgruppe dieser Aggregatoren und Wiederverkäufer ist die werbetreibende Industrie, die zur Werbeerfolgskontrolle hoch aufgelöste Daten benötigt. Diese Daten lassen sich aber auch für touristische Anwendungen und zur Besuchermes‐ sung verwenden. Bisher sind keine tourismusrelevanten wissenschaftlichen Studien, die solche Daten untersuchen und bewerten, veröffentlicht. Weder in aktuellen Dissertationen (Heikinheimo, 2020) noch in Monographien (Hardy, 2020) werden Nutzungsbeispiele für diese Datenquellen erwähnt, lediglich Reif (2021, S. 28) erwähnt eine Studie mit Daten von wetter.com. Der Anbieter Safegraph verweist auf zahlreiche Studien mit seinen Daten in den USA (z. B. Gao et al., 2020; Monmousseau et al., 2020) und auf die Zusammenarbeit mit der Anwendung „Crowdfree“ des Anbieters Tripadvisor, ebenso der Anbieter Streetlight (Monz et al., 2019). Schmücker & Reif (2022) vergleichen erstmals App-basierte Location Events und passive Mobilfunkdaten mit lokalen Referenzstatistiken. Obwohl noch wenig über die Daten und deren Aussagekraft für touris‐ tische Zwecke bekannt ist, werden solche Daten in der Tourismuspraxis bereits genutzt. Das Beispiel der Hawai’i Tourismus Authority zeigt das Potenzial dieser Daten, indem „cross visitations“, getrennt für Besucher und Einwohner, aufgezeigt werden: Wie hoch ist der Anteil der Besucher an PoI A, die auch PoI B besuchen? 53 2.1 Signalketten (Multispot-Messsysteme) <?page no="54"?> Abbildung 11: Beispiel für ein Dashboard auf der Basis von passiven GNSS-Daten (Besu‐ cher: oben; Einwohner: unten) | Quelle: State of Hawai‘i Department of Business, Economic Development and Tourism, Wiedergabe mit freundlicher Genehmigung. Neben Smartphones produzieren auch fahrzeuggebundene Navigationssys‐ teme digitale Tracks. Floating Car Data (FCD), zuweilen auch als Probe Vehicle Data bezeichnet (Henrickson et al., 2019), sind Daten, die vor allem 54 2 Datenquellen für die digitale Besuchermessung <?page no="55"?> aus Navigationssystemen von Fahrzeugen, sowohl Pkw als auch Lkw, gewonnen und dann insbesondere zur Stauprognose oder zur Warnung vor anderen Hindernissen genutzt werden (Erdelić et al., 2021; Rehborn et al., 2003, 2021; Uden et al., 2020, S. 180). In der Verkehrsforschung werden verschiedene Techniken kombiniert (z. B. Zählstellen, Videobilder und FCD), um zu Echtzeitprognosen zu kommen (Schmidt & Männel, 2017; Shang et al., 2021, S. 204). Werden bspw. noch weitere Informationen wie die aktuelle Geschwindigkeit oder der Kraftstoffverbrauch übertragen, wird auch von erweiterten Floating-Car-Daten (xFCD) gesprochen (Röger, 2021). In Deutschland werden solche Daten unter anderem vom ADAC für Ver‐ kehrsanalysen und Echtzeitverkehrslagen generiert und verwendet (ADAC Service GmbH, 2020). Versicherungsunternehmen wie die HUK Coburg bieten ihren Kunden einen rabattierten Tarif („Telematik Plus“) an, wenn sie ihre Bewegungsprofile aufzeichnen lassen (HUK-Coburg, 2019). Internatio‐ nal werden solche Analysen zum Beispiel von dem Unternehmen TomTom, einem Hersteller von Navigationsgeräten, kommerziell angeboten (TomTom Int BV, 2022). Rein touristische Anwendungen für die Besuchermessung in Destinationen sind bislang nicht bekannt, aber zumindest im Umfeld von Smart Cities werden FCD-Anwendungen pilotiert (Purkrabkova & Hrubes, 2021), zum Beispiel auf Basis von Daten aus Taxiflotten (Maciejewski & Bischoff, 2015; Nuzzolo et al., 2018). In ähnlicher Weise können auch die Positionierungsdaten von sogenann‐ ten Sharing-Systemen für Fahrräder oder Elektroroller (E-Scooter) genutzt werden. Am Beispiel eines Bike-Sharing-Systems in Indianapolis konnten Buning & Lulla (2021) nicht nur mehrere hunderttausend Tracks identifi‐ zieren, sondern diese auch mit der Wohnortpostleitzahl anreichern und analysieren. Eine weitere Art von Systemen nutzt die aktiven Transponder in gewerb‐ lichen Flugzeugen oder Schiffen. Dazu gehören das Automatic Identifica‐ tion System (AIS) für die Schifffahrt, das seit 2000 von der Internationalen Schifffahrtsorganisation als Standard etabliert wurde. Heute sind alle grö‐ ßeren Schiffe mit AIS-Anlagen ausgerüstet. Da der Standard veröffentlicht ist und die Daten unverschlüsselt übertragen werden, können sie von jedermann aufgefangen und ausgewertet werden (Uden et al., 2020, S. 175 ff). Bringt man die Daten vieler AIS-Empfänger zusammen, ergibt sich ein recht vollständiges Bild der Seebewegungen. Einige Online-Plattformen wie zum Beispiel marinetraffic.com oder aislive.com bilden diese Meldungen auf digitalen Karten ab. Ein ähnliches System existiert auch für den Flugverkehr 55 2.1 Signalketten (Multispot-Messsysteme) <?page no="56"?> unter dem Namen Automatic Dependent Surveillance (ADS), dessen Daten zum Beispiel auf der Website flightradar24.com verfolgt werden kön‐ nen. Heute sind Verkehrsflugzeuge standardmäßig mit ADS-Transpondern ausgerüstet (Arblaster, 2018, S. 28). 2.1.3.2 Ziele und Bewertung Aufgrund der noch unzureichenden Studienlage, sind die folgenden Anga‐ ben zur Zieleignung sowie die Bewertungen unter Vorbehalt zu sehen. Ziel 1: Frequenzzählung an einzelnen Standorten ja Ziel 2: Messung von Besucherströmen in Arealen ja Ziel 3.1: Identifizierung von Aktionsräumen ja Ziel 3.2: Identifizierung von Quell-Zielgebietsbeziehungen ja Tabelle 7: Zieleignung Mobiles Tracking, passiv (A.3) Die externe Validität ist, so wie in der Kategorie A.2, begrenzt, da Endge‐ räte und nicht Personen gemessen werden. Über die Personen hinter den Endgeräten ist wenig bekannt. Dies gilt insbesondere für passiv generierte Standortdaten von Aggregatoren. Die Typisierungsfähigkeit hingegen ist potenziell hoch. Ob und wie weit es gelingt, die Daten in Signalketten und diese in typisierende Aussa‐ gen zu übersetzen, ist allerdings noch zu prüfen. Ähnlich wie im Fall der Mobilfunkdaten (A.4) können die Signaldaten, jedenfalls im Prinzip, mit CRM-Daten angereichert werden, so dass spezifischere Typisierungen erfolgen könnten (Demographika, Beruf etc.). Zudem lassen sich wegen der vorliegenden Nutzerzustimmung lange Signalketten bilden, aus denen sich Typisierungen ableiten lassen. Das gleiche gilt für die touristische Klassifizierungsgüte: Aus den Daten sollte sich auf Basis der Regelmäßig‐ keiten in den Bewegungsmustern ohne große Probleme das gewöhnliche Umfeld des Endgerätes (Wohnort, Arbeitsort) ermitteln lassen, so dass Bewegungen entsprechend in touristisch und nicht touristisch klassifiziert werden können (Reif, 2021, S. 28). Zur räumlichen und zeitlichen Auflösung gilt das bereits oben Gesagte. Die Latenz ist regelmäßig sehr kurz. Je nach technischer Ausstattung stehen die Daten in Echtzeit beim Anbieter zur Verfügung. Wie lange es 56 2 Datenquellen für die digitale Besuchermessung <?page no="57"?> dauert, diese Daten an die Endnutzer weiter zu geben, ist allerdings nicht bekannt. Die Vollständigkeit ist auch bei diesen Datenquellen einer der größten Schwachpunkte. So ist von vornherein unklar, ob die Nutzenden einer App eine gute Generalisierbarkeit für alle Nutzenden darstellen oder ob diese „Stichprobe“ so schief ist, dass ihre Ergebnisse nur Erkenntnisse über die beschränkte Nutzergruppe, aber nicht über das tatsächliche Geschehen vor Ort, erlauben. Die Anbieter dieser Daten werben vor allem mit der großen Zahl an Datenpunkten, die das tatsächliche Geschehen gut abbilden sollen. Dies wird i. d. R. dadurch ermöglicht, dass aus vielen unterschiedlichen Applikationen aus den Bereichen News, Spiele, Fitness, Wetter etc. über kleine Programmierbausteine (Software Development Kits, SDK) die große Zahl an Standortdaten generiert wird. Eine große Zahl an Datenpunk‐ ten reduziert zwar das Risiko falscher Ergebnisse, aber schiefe Stichproben lassen sich natürlich nicht vollkommen ausschließen. Zur Skepsis in diesem Punkt trägt bei, dass die beteiligten Unternehmen in der Regel nicht preis‐ geben, wer konkret die Nutzerbasis für die Signalketten bildet. Unterschiede können hier bei den Betreibern reichweitenstarker Applikationen bestehen, die die Daten aus ihrem eigenen Nutzerkreis generieren. Zu Präzision und Reliabilität gilt das bereits oben Gesagte. Die Verfügbarkeit dieser Daten ist insgesamt eher gering. Entweder sind die Daten gar nicht oder nur über Umwege verfügbar (Betriebssysteme) oder sie werden kommerziell vermarktet, was entsprechende Kosten nach sich zieht. Auch die Transparenz ist gering: Es ist in der Regel nicht im Interesse der Datenanbieter, Transparenz über die genaue Herkunft und Verarbeitung der Daten herzustellen, da die Algorithmen Teil des kommerziellen Potenzials der Unternehmen sind. Die datenschutzrechtliche Zulässigkeit ist in der Regel gegeben, denn die Anbieter der Betriebssysteme und mobilen Apps lassen sich die explizite Zustimmung zur Datennutzung in der Regel bereits bei der ersten Installation geben. Geschieht dies nicht, wäre eine Verarbeitung aber nicht zulässig. Problematisch ist bei diesem Modell die ethische Vertretbarkeit. Man kann davon ausgehen, dass die überwie‐ gende Mehrzahl der Nutzenden vor allem ein Interesse daran hat, ein Smartphone oder eine App zu benutzen, aber nicht, die drauf befindlichen personenbezogenen Daten an den Anbieter des Betriebssystems oder einer mobilen App zu übermitteln. 57 2.1 Signalketten (Multispot-Messsysteme) <?page no="58"?> Tabelle 8 gibt eine Übersicht der Bewertung der Datenquellen. Aufgrund der bisweilen unterschiedlichen methodischen Herangehensweise erfolgt die Bewertung getrennt für die beiden Gruppen der reichweitenstarken Apps und der Aggregatoren. Die Gruppen der Betriebssysteme und der Navigationssysteme werden aufgrund der Studienlage, der Zugänglichkeit und der Relevanz für den Tourismus nicht betrachtet. Bewertungsdimension reichweiten‐ starke Apps Aggregatoren Anmerkungen (1) externe Validität begrenzt begrenzt (2) Typisierungsfähigkeit potenziell hoch potenziell hoch (3) touristische Klassifi‐ zierungsgüte potenziell hoch potenziell hoch (4) räumliche Auflösung hoch hoch wie für alle GNSSbasierten Systeme (5) zeitliche Auflösung hoch hoch wie für alle GNSSbasierten Systeme (6) Latenz abhängig vom Datenprovider abhängig vom Datenprovider (7) Vollständigkeit gering begrenzt (8) Präzision (hoch) (hoch) wie für alle GNSSbasierten Systeme (9) Reliabilität hoch hoch wie für alle GNSSbasierten Systeme (10) Verfügbarkeit begrenzt begrenzt (11) Transparenz begrenzt gering (12) datenschutzrechtli‐ che Zulässigkeit gegeben gegeben (13) ethische Vertretbar‐ keit problematisch problematisch Tabelle 8: Bewertung Mobiles Tracking, passiv (A.3) 58 2 Datenquellen für die digitale Besuchermessung <?page no="59"?> 2.1.3.3 Fazit Die im Rahmen der Smartphone-Nutzung passiv anfallenden Location Events haben großes Potenzial für die Tourismusforschung. Dadurch, dass alle Ziele erreicht werden können und auch mit Ausnahme der externen Validität die tourismusspezifische Dimension in der Bewertung gut ab‐ schneidet, ist diese Datenquelle für die Tourismusforschung und -praxis so interessant. Die Forschung zu den Datenquellen steht jedoch noch am Anfang. Dies liegt zum einen an der begrenzten und der bisweilen niedrigen Bekanntheit der Daten. Wichtig wird sein, ob es zum einen den Anbietern gelingt, ein für Destinationen marktfähiges Produkt einzuführen, welches die praxisrelevanten Fragestellungen zu einem akzeptablen Preis beantwortet und ob es im Rahmen der Forschung gelingt, die potenziell sehr guten Möglichkeiten mit Blick auf die Typisierung und touristische Klassifizierung zu bestätigen. 2.1.4 A.4: Tracking im Datennetz 2.1.4.1 Methode In Deutschland waren im dritten Quartal 2021 knapp 160 Mio. Mobil‐ funk-SIM-Karten registriert. Unter den drei derzeit aktiven Anbietern hält Vodafone einen Marktanteil von 39 %, die Deutsche Telekom 33 % und Tele‐ fónica 28 % (Bundesnetzagentur, 2021). Infrastrukturbasierte Big Data-Nut‐ zung zur Besuchermessung basiert auf einem Netzwerk von Empfangssta‐ tionen, in dem die Signalketten produziert werden. Das prominenteste und mit Abstand am besten untersuchte Anwendungsfeld sind die Daten aus Mobilfunknetzen, aber grundsätzlich können auch andere Funknetze verwendet werden. Neben den Mobilfunknetzen des GSM-Standards und seiner Erweiterungen (Garcia et al., 2020; Sauter, 2018) kommen dazu theoretisch auch bildgebende Verfahren der Kameratechnik (Closed Circuit Television, CCTV) oder Nahfeldfunknetze wie Bluetooth, NFC, Wifi oder RFID (Hozak, 2012) in Frage. Sofern diese Netze aber nur kleinräumlich und unter Umständen ad hoc aufgebaut sind, wie z. B. vernetzte Bluetoothemp‐ fänger in einer Destination (Versichele et al., 2014 am Beispiel von Gent) oder öffentliche Wifi-Netze (Ramos et al., 2021 am Beispiel von Palma de Mallorca), werden die Lösungen als Mini-Signalketten bezeichnet und in Kategorie B-2 (Kapitel 2.3.2) eingeordnet. 59 2.1 Signalketten (Multispot-Messsysteme) <?page no="60"?> Damit bleiben für die Kategorie A.4 praktisch nur Anwendungen mit Mobilfunknetzen, denn nur die Netze der Mobile Network Operators (MNO) sind annähernd flächendeckend verfügbar, so dass große Signalket‐ ten produziert werden können. Sie werden als Passive Mobile Network Data, (Passive) Mobile Positioning Data (Ahas et al., 2008, 2014; Nilbe et al., 2014; Raun et al., 2016; Saluveer et al., 2020), (Passive) Mobile (Phone) Data (Chrétien et al., 2019; Nyns & Schmitz, 2022; Reif & Schmücker, 2020; Zaragozí et al., 2021), GSM Data (Olteanu Raimond et al., 2012) oder Mobile Phone Tower Tracking (Hardy, 2020) bezeichnet. Diese Daten werden als „passiv“ bezeichnet, da sie ohne Aktivität des Nutzers entstehen (abgesehen vom Einschalten des Geräts und Herstellen der Verbindung mit der Netzinfrastruktur). Im Gegensatz zu gerätebasierten GPS-Daten sind diese Daten infrastrukturbasiert und existieren nur im Netz, nicht im Gerät. Technisch werden die Standortinformationen anhand der Verbindung zwischen dem Mobilgerät und einer Netzantenne auf dem entsprechenden Mobilfunkmast ermittelt (für technische Details zum Netz siehe Sauter, 2018). Die Positionsgenauigkeit hängt maßgeblich von der Dichte der Mobilfunkmasten ab. Die Verteilung von Mobilfunkmasten ist in städtischen Gebieten stärker konzentriert als in ländlichen Gebieten (Shoval & Isaacson, 2010); die Größe der Zellen kann von einigen hundert Quadratmetern bis zu mehreren Quadratkilometern reichen (Xiao et al., 2019, S. 82). Im Gegensatz zu aktiven Verfahren (vgl. Kapitel 2.1.1 und Kapitel 2.1.2) bei denen der Standort des Mobiltelefons aktiv übertragen wird, werden die passiven Mobilfunkdaten automatisch während der Nutzung des Geräts gespeichert. Grundsätzlich können verschiedene Arten von Datensätzen verwendet werden: Call Details Records (CDR) enthalten Daten zu Anrufen und SMS, Data Detail Records Daten zur Online-Nutzung. Handovers (beim Zellwech‐ sel) und Location Updates fallen an, wenn sich Endgerät und Netzwerk periodisch verständigen (Ahas et al., 2014, S. 7; Alawwad et al., 2016). In allen Fällen handelt es sich um event-getriggerte Daten (ein Datenpunkt wird produziert, wenn ein Event stattfindet, also ein Anruf getätigt, eine On‐ line-Verbindung genutzt oder der Standort gewechselt wird). Während vor einigen Jahren die Nutzung der Call Detail Records das Standardverfahren darstellte und zu zeitlichen Verzerrungen durch die Eventtriggerung führen konnte (Demunter, 2017; Raun et al., 2016; Z. Zhao et al., 2016), dürfte das heute verbreitete „always online“-Verhalten auf Seiten der Nutzenden diese Verzerrung deutlich minimiert haben. Die verschiedenen Sprach-, Text- und Datenverfahren (2G, 3G, 4G) nutzen unterschiedliche Übertragungs‐ 60 2 Datenquellen für die digitale Besuchermessung <?page no="61"?> techniken und -frequenzen. Vor allem Studien im BeNeLux-Raum nutzen deshalb sogenannte Technology Agnostic Cell Sectors (TACS), um Signale unabhängig von der gewählten Übertragungstechnik ableiten zu können (De Meersmann et al., 2016; Nyns & Schmitz, 2022). Das Funktionsprinzip zeigt Abbildung 12: Grundlage sind die physischen Funkzellen, die in unterschiedlicher Dichte verfügbar sind. Die kreisförmige Darstellung ist idealisiert, denn die Funkantennen arbeiten durchaus ge‐ richtet und die Abstrahlung kann durch Gelände, Gebäude etc. beeinflusst werden. Für die Analyse werden diese physischen Funkzellen in logische Auswertungszellen umgerechnet. Diese Auswertungszellen sind in der Regel quadratisch und können je nach Dichte der physischen Funkzellen unterschiedliche Größen haben. Für die praktische Anwendung kann es problematisch sein, dass die interessierenden Betrachtungsgebiete (zum Beispiel eine Gemeinde) in der Regel weder kreisförmige noch quadratische Formen aufweisen und deshalb nur mit einer räumlichen Unschärfe auf die Auswertungszellen abgebildet werden können. Je nach Anbieter sind auch flexiblere und kleinere Zellkonfigurationen denkbar, wenn zum Beispiel die Entfernung des Endgerätes zu den Funkmasten berücksichtigt werden. Abb. 12: Generierung von passiven Mobilfunk-Daten = Betrachtungsgebiete = logische Auswertungszellen = physische Funkzellen Gebiet B Gebiet C Gebiet D Abbildung 12: Generierung von passiven Mobilfunk-Daten 61 2.1 Signalketten (Multispot-Messsysteme) <?page no="62"?> Passive Mobilfunkdaten werden unter anderem zur Anreicherung von Tourismusstatistiken genutzt (Demunter, 2017; Ricciato, 2018; Saluveer et al., 2020), auch wenn in der Vergangenheit vor allem in Deutschland die strengen Datenschutzregeln eine zuverlässige touristische Klassifizierung praktisch unmöglich machten (Ahas et al., 2014; Reif & Schmücker, 2020) oder, wie in Frankreich (Cousin & Hillaireau, 2019) oder in Italien (Grassini & Dugheri, 2021), in mehrjähriger Arbeit noch keine zufriedenstellenden Ergebnisse erreicht werden konnten. In anderen Ländern wie zum Beispiel Estland, Indonesien oder Oman werden passive Mobilfunkdaten aber bereits seit Längerem unter anderem zur Identifikation internationaler Touristen verwendet (Positium, 2022). 2.1.4.2 Ziele und Bewertung Die folgenden Angaben zur Zieleignung (Tabelle 5) folgen der Darstellung in Teil 1. Für passive Mobilfunkdaten können alle Zielkategorien bedient werden. Vor allem die Abbildung von Quell-Zielgebietsbeziehungen ist eine potenzielle Stärke dieses Verfahrens. Allerdings muss einschränkend gesagt werden, dass internationale Quellgebietsidentifikationen häufig nicht voll‐ ständig gelingen, weil die Roaming-Verträge zwischen den Netzbetreibern den Nutzern vorgeben, in welches Netz sie eingebucht werden. Ziel 1: Frequenzzählung an einzelnen Standorten ja Ziel 2: Messung von Besucherströmen in Arealen ja Ziel 3.1: Identifizierung von Aktionsräumen ja Ziel 3.2: Identifizierung von Quell-Zielgebietsbeziehungen ja Tabelle 9: Zieleignung Tracking im Datennetz (A.4) Die externe Validität des Verfahrens ist begrenzt, denn es werden nicht Personen, sondern mobile Endgeräte gezählt. Dabei kann es zu Fehlzuord‐ nungen kommen, denn Personen mit mehreren Endgeräten können nicht adäquat berücksichtigt werden. Zwar werden auf Basis interner Daten der Betreiber Schätzungen über diesen Anteil der Nutzer herangezogen um die Daten zu bereinigen, eine valide Überprüfung ist hier jedoch nicht möglich. Aussagen über Personen ohne Endgeräte sind mit dieser Datenquelle gar nicht möglich. Auch das Problem der „Endgeräte ohne Personen“ ist nach 62 2 Datenquellen für die digitale Besuchermessung <?page no="63"?> wie vor aktuell, auch wenn inzwischen nach Angaben der Datenlieferan‐ ten Identifizierungsalgorithmen greifen, um Machine-to-Machine-Kommu‐ nikation aus dem Datenstrom herauszufiltern. Zur Typisierungsfähigkeit bleiben grundsätzliche Bedenken zwar rich‐ tig: „One of the most significant limitations of this method relates to the issue that whilst amounts of data can be accessed, very little is known about the users of the mobile phones“ (Hardy, 2020, S. 112). Verglichen mit anderen digitalen Messverfahren ist die Typisierungsfähigkeit aber relativ hoch. Die touristische Klassifizierungsgüte war in der Vergangenheit stets eine der größten Herausforderungen für die MNO bzw. die Datenlieferanten. Das Problem bestand vor allem darin, das gewöhnliche Umfeld und darin den Wohnort und Arbeitsort zu identifizieren (Baggio & Scaglione, 2018; Reif & Schmücker, 2020; Sakarovitch et al., 2019; Vanhoof et al., 2017). Grund dafür war zumindest in Deutschland die strikte Handhabung des 24-Stunden-Re‐ hash: Nach 24 Stunden musste eine Signalkette neu anonymisiert werden, damit waren längere Betrachtungszeiträume nicht möglich - anders als in anderen Ländern mit weniger strikten Datenschutzanforderungen wie Estland oder China (Nilbe et al., 2014; X. Zhao et al., 2018; Zhong et al., 2019). Eine endgültige Klärung der Zuverlässigkeit der Klassifizierung in Deutschland steht noch aus (Reif, 2021, S. 64 f.), aber aktuellere Daten legen nahe, dass die Mobilfunkdaten sogar besser abschneiden als einige GPS-basierte Datenquellen (Schmücker & Reif, 2022). Schlussendlich ist aber die Frage, was eigentlich aus Destinationsper‐ spektive als Tourismus oder touristisch relevant betrachtet werden sollte: Geht es wirklich um die Formaldefinition der UNWTO von 2008 (Grassini & Dugheri, 2021)? Oder kann man sich Nyns & Schmitz (2022, S. 12) anschließen? „It all depends on what we mean by a tourist. Is a person who stays at a friend’s house considered a tourist in the same way that a truck driver is a tourist? “ Die Frage lässt sich an dieser Stelle nicht abschließend beantworten. Fest steht indessen, dass eine Definition des Erkenntnisobjekts Tourismus nicht aus der Datenquelle heraus definiert werden kann. Reif & Schmücker, 2020 führen dazu aus: „(…) This would lead to re-defining tourism as PMD signals (1) touching tourism points of attraction (e.g. a tourism-must-see point or a conference venue) or (2) moving at typical tourist places or (3) at typical tourist times. However, the actual applications for such a procedure would be relatively narrow and would assume that the epistemological subject is defined by the survey instrument; in a figurative sense, such as approach would resemble a drunken person who is looking 63 2.1 Signalketten (Multispot-Messsysteme) <?page no="64"?> for their lost car keys under the streetlamp because that is the only place they can see anything.“ (Reif & Schmücker, 2020, S. 11) Die räumliche Auflösung variiert sehr stark, ist aber jedenfalls abhän‐ gig von der Funkzellengröße bzw.-dichte. Während in innerstädtischen Bereichen zufriedenstellende Dichten erreicht werden (Funkzellenabstände von wenigen hundert Metern), ist dies im ländlichen Raum deutlich schwie‐ riger. Vermutlich wird sich mit der weiteren Ausbreitung der 5G-Technik eine höhere räumliche Auflösung einstellen, weil deren Funkzellen deutlich kleiner sind. Die zeitliche Auflösung ist inzwischen zufriedenstellend, weil die Aktionsdichte der Endgeräte, die einen Datenpunkt triggern, in den letzten Jahren offenbar deutlich zugenommen hat. Mindestens tageweise (Zaragozí et al., 2021), meist aber stundenweise Daten oder sogar höhere Auflösungen sind möglich. Allerdings ist, zumindest in Deutschland, zu berücksichtigen, dass die raum-zeitliche Auflösung der Auslieferungsdaten in der Regel geringer ist als die der Produktionsdaten. Der Grund ist die Anonymisie‐ rungsvorschrift, nach der in einer raum-zeitlich definierten Zelle eine Mindestzahl x von Signalen (meist 5) enthalten sein muss. Diese „k = x“-Anonymisierung setzt, neben den ohnehin vorhandenen technischen Parametern, einer beliebig feinen raum-zeitlichen Auflösung der Daten Grenzen. Die Latenz ist derzeit noch relativ hoch und liegt eher bei Wochen denn bei Tagen. Allerdings sind auch schon Projekte in der Praxis mit Latenzen von wenigen Tagen etabliert worden. Ein Grund für diese Latenzen ist der sehr hohe Rechenbedarf bei der Datenverarbeitung, weil sehr große Datensätze extrahiert werden müssen - in Shanghai wurden schon 2014 600-800 Millionen Records pro Tag verarbeitet (Xiao et al., 2019). Im Hinblick auf die Vollständigkeit wurde bereits mehrfach gezeigt, dass die Daten nur eines Providers anfällig für systematische Verzerrungen sind (Sakarovitch et al., 2019). Andererseits gibt es Hinweise, dass die Mobilfunk‐ daten im Hinblick auf die Volumenschätzungen plausibler sind als externe und interne Statistiken oder GPS-basierte Daten (Nyns & Schmitz, 2022; Schmücker & Reif, 2022) und auch plausibler als Quellmarktbefragungen ( Janzen et al., 2018). Die Präzision (also der Anteil der vorliegenden Daten an allen Daten, die aus dieser Quelle vorliegen sollten) kann im Allgemeinen als hoch bewertet werden - dies schon deshalb, weil die MNO viele der hier genutzten Daten zur Abrechnung ihrer Leistungen und zum Netzmanagement benötigen. 64 2 Datenquellen für die digitale Besuchermessung <?page no="65"?> Bezüglich der Reliabilität gibt es allerdings immer wieder Systemaus‐ fälle, was zu einer empfindlichen Unterbrechung der Daten, bspw. bei Zeitreihen, führen kann. Die Verfügbarkeit der Mobilfunkdaten ist derzeit jedenfalls in Deutsch‐ land eine der größten Herausforderungen. Zwar gibt es drei (demnächst vier) MNO, aber nur zwei Datenlieferanten (Teralytics und Invenium). „Die Spin-offs der Mobilfunkanbieter Telekom (Motionlogic GmbH) und Telefónica (Telefónica Next GmbH) sind vom Markt verschwunden, wäh‐ rend Vodafone dieses Geschäftsfeld bislang noch nicht ausgebaut hat. Dies hatte zur Folge, dass u. a. breit angelegte Praxisvorhaben in Berlin oder in Dresden mitten im Projektverlauf eingestellt wurden …“ (Reif, 2021, S. 64). Im Vergleich mit anderen digitalen Datenquellen sind Mobilfunkdaten relativ teuer und sind deshalb, mit wenigen Ausnahmen, noch nicht in der touristischen Praxis angekommen. Auch die Transparenz der Datenverarbeitung ist eine potenzielle Schwä‐ che dieser Datenquelle, so dass vielen Forschenden kaum etwas anderes bleibt als die Algorithmen ausschließlich anhand des Ergebnisses zu bewer‐ ten, ohne zu verstehen, was im Inneren der Black Box genau passiert (Nyns & Schmitz, 2022). Die datenschutzrechtliche Zulässigkeit ist aus Sicht der Anwender kaum problematisch, denn für die Einhaltung der Datenschutzregeln sind die Datenlieferanten verantwortlich. Nach den bis‐ herigen Erfahrungen stimmen die Datenlieferanten ihr Datenschutzkonzept mit den zuständigen Regulierungsbehörden ab, so dass 24-Stunden-Reha‐ shing-Anforderungen oder k = x-Anonymisierungen datenschutzrecht‐ lich als geprüft gelten können. Beim Rehashing wird eine Signalquelle (z. B. einer Mobilfunk-SIM-Karte) nach 24 Stunden mit einer neuen ID versehen, so dass die Signalkette auf der Auswertungsseite nach Ablauf von 24 Stun‐ den faktisch unterbrochen ist. In der Regel findet das Rehashing in der Nacht, z. B. um 3 Uhr, statt. Bei der k = x-Anonymisierung wird festgelegt, wie viele Signalquellen x eine Auswertungszelle k mindestens enthalten muss. Die Auswertungszelle wird definiert durch eine räumliche, zeitliche und sachliche Komponente, z. B. die Signalquellen in einer Gemeinde (die aus mehreren physischen und logischen Auswertungszellen zusammengesetzt sein kann) in einer Woche mit Endgeräten aus einem bestimmten Land. Es ist klar, dass die k = x-Anonymisierung umso eher greift, je kleiner die Auswertungszellen sind. Das setzt der tatsächlichen Auswertbarkeit der Daten gerade im ländlichen Raum zuweilen Grenzen. Waren vor einiger Zeit 65 2.1 Signalketten (Multispot-Messsysteme) <?page no="66"?> noch k = 30-Verfahren gängig (Reif, 2019a), liegt der Wert heute eher bei k = 5. Konkret kann aber nur der Datenanbieter diese Zahl benennen. Die ethische Vertretbarkeit hingegen kann problematisch sein, weil die Nutzung solcher Daten ein Gefühl von „Spionage“ auslösen könnte, gegen die sich einzelne Nutzende nicht wehren können, sofern sie nicht völlig auf die mobile Kommunikation verzichten wollen (Winter, 2019). Andererseits dürfte die Akzeptanz dieser Datenquelle mit der Coronapandemie gestiegen sein, weil die Daten helfen, das Mobilitätsgeschehen in Deutschland (und anderen Ländern) recht genau einzuschätzen. Gleichwohl werden die Daten ohne Wissen und ohne aktive Zustimmung der Nutzenden generiert. Bewertungsdimension Bewertung (1) externe Validität begrenzt (2) Typisierungsfähigkeit hoch (3) touristische Klassifizierungsgüte recht hoch (4) räumliche Auflösung begrenzt (5) zeitliche Auflösung recht hoch (6) Latenz mittel (7) Vollständigkeit begrenzt (8) Präzision begrenzt (9) Reliabilität recht hoch (10) Verfügbarkeit begrenzt (11) Transparenz gering (12) datenschutzrechtliche Zulässigkeit hoch (13) ethische Vertretbarkeit begrenzt Tabelle 10: Bewertung Tracking im Datennetz (A.4) 66 2 Datenquellen für die digitale Besuchermessung <?page no="67"?> 2.1.4.3 Fazit Infrastrukturbasierte Big Data sind nicht auf Mobilfunkdaten beschränkt, aber diese Datenquelle dominiert derzeit die Anwendungen in Forschung und Destinationspraxis. Die Datenqualität ist vor allem abhängig von der Leistungsfähigkeit der Datenaufbereitung beim Datenlieferanten und diese wiederum von den datenschutzrechtlichen Regelungen, die dieser zu beachten hat. Sowohl die begrenzte Zahl der Datenlieferanten (derzeit nur einer) als auch die in Deutschland strengen datenschutzrechtlichen Regelungen, die ein Tracking über mehr als 24 Stunden nach wie vor schwierig machen, können ein Hindernis bei der Anwendung dieser Datenquelle sein. Hinzu kommt die weitgehende Intransparenz der Datenaufbereitung, so dass eine systematische Bewertung der Datenqualität und Klassifizierungsgüte eigentlich nur anhand der gelieferten Ergebnisse (und nicht anhand der Verarbeitungsprozesse) möglich ist. Hier hat es in den letzten Jahren deutliche Fortschritte gegeben. Bei der öffentlichen Akzeptanz dieser Datenquelle dürfte geholfen haben, dass das Mobilitätsverhalten in der Corona-Pandemie auch von staatlichen Stellen mit Hilfe von Mobilfunkdaten untersucht wurde. Die gegenwärtige Marktkonstellation bewirkt eine relativ hohe Abhän‐ gigkeit von einem Anbieter und dessen Marktpräsenz. Das kann vor allem bei Monitoringvorhaben mit einem Zeithorizont in der Zukunft nachteilig sein. Außerdem sind die Daten im Vergleich mit anderen passiven Daten‐ quellen nach wie vor recht teuer. Bei Bezug der Daten ist zu beachten, dass die Auswertungszellen genügend groß geschnitten werden, um nicht in die k = x-Anonymisierung zu fallen. 2.2 Standortmessungen (Singlespot-Messsysteme) Messungen, die an einen Standort (Singlespot) gebunden sind, können aus drei Datenquellen bezogen werden: ● Stationäre Sensorik: Durchgangsmessungen (B-1.1) ● Stationäre Sensorik: Flächensensoren (B-1.2) ● Transaktions- und Interaktionsdaten (B-1.3). Die Sensoren der Kategorien B-1.1 und B-1.2 lassen sich, außer als stationäre Sensorik, auch als „lokale Sensorik“ (Schmücker et al., 2022) oder „Datenquel‐ 67 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="68"?> len der Mikro-Ebene“ (Reif, 2021) bezeichnen. Sie sind standortgebunden (stationär) und lassen sich mit verschiedenen Parametern beschreiben: ● Typ: Flächensensoren und Durchgangszähler ● Installation: Überkopf, im Boden, an der Seite ● Richtungserkennung: Mit und ohne ● Technik/ Funktionsprinzip: Wifi-Signalzähler, Lichtsensoren, Laser‐ sensoren, Infrarot-Sensoren, Drucksensoren, Magnetsensoren, Radar‐ sensoren, optische Kameras und Videosensoren. Zur Kategorisierung nach dem Funktionsprinzip existieren auch andere Ein‐ teilungen. So unterscheiden Arnberger et al. (2006, S. 575) bildgestützte Er‐ fassungsgeräte (Kameras), elektronische Zählgeräte (Lichtschranken, Bewe‐ gungsmelder, Wärmesensoren, Drucksensoren, pneumatische Schläuche, Radar, magnetische Sensoren) und mechanische Zählgeräte (Drehkreuze, Drehtüren, Türverriegelungen). Standortanforderungen Flächenzähler Durchgangszähler bauliche Installation Stromanschluss Datenübertragung Abbildung 13: Stationäre Sensoriken: Prinzip und Standortanforderungen 68 2 Datenquellen für die digitale Besuchermessung <?page no="69"?> Zu den Parametern gehören auch die Standortanforderungen, die bei der Planung des Sensoreinsatzes beachtet werden müssen (Abbildung 13). Das sind insbesondere: Bauliche Installation - technische Machbarkeit und rechtliche Zulässigkeit: Die technische Machbarkeit ist bei den meisten Sensoren lediglich eine Frage des Aufwandes. So sind einige Sensortypen auf eine Anbringung in der Höhe angewiesen. Dazu können Bäume oder Later‐ nenmasten genutzt werden. Wenn diese nicht vorhanden sind, können entsprechende Träger in der Regel erstellt werden. Auch das Einbringen von Sensoren in den Boden (z. B. bei Induktionsschleifen) ist grundsätzlich so gut wie immer möglich, aber bei asphaltiertem Boden aufwändiger als bei was‐ sergebundenen Wegen. Die Installation der Sensoren muss aber immer in Abstimmung mit und Genehmigung durch die Flächeneigentümer erfolgen. Ob die zu errichtenden Sensoren eine „bauliche Anlage“ im Sinne des §29 BauGB und der jeweils geltenden Landesbauordnung darstellen, muss im Einzelfall geprüft werden. In der Regel dürften die zu verbauenden Sensoren aber so klein sein, dass man im baurechtlichen Sinne von „unbedeutenden Bauwerken“ wird sprechen können (Dürr et al., 2021, S. 67 mit Verweis auf Urteile des OVG Münster zu Zigarettenautomaten und des OVG Koblenz zu einer Gerätehütte von 10 m 3 ). Stromanschluss: Für den Betrieb von Sensoren ist elektrischer Strom erforderlich. Dieser kann entweder aus dem öffentlichen Netz bezogen oder selbst bereitgestellt werden. Dabei ist sowohl die Versorgung mit Batterien bzw. Akkus als auch die zusätzliche Pufferung mit Photovoltaik möglich. Für einige Sensortypen (etwa passive Infrarotsensoren und Induk‐ tionsschleifen für die Fahrzeugzählung) sind Lösungen mit Batteriespeisung bereits am Markt erhältlich und etabliert. Für andere Sensortypen (z. B. Laserdurchgangsscanner für die Fahrzeugzählung) dürfte die Realisierung keine größeren technischen Probleme verursachen. Datenübertragung: Um die Daten aus dem Sensor auszulesen, sind verschiedene Wege denkbar. Im einfachsten Fall wird eine Speicher‐ karte entnommen oder der Speicher per Kabel oder Funkverbindung (Bluetooth) ausgelesen. Dann ist ein physisches Aufsuchen des Sensors notwendig, denn die Bluetooth-Reichweite in der höchsten Klasse 3 mit 100 mW Sendeleistung überschreitet ca. 100 Meter in der Regel nicht (Ferro & Potorti, 2005, S. 22). Die zeitliche Verfügbarkeit ist dann gering. Besser, aber anspruchsvoller, ist eine Online-Übertragung der Daten, wenn möglich in Echtzeit oder in kurzen Zeitintervallen. In den meisten 69 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="70"?> Fällen kann eine Datenübertragung durch Anbindung an bestehende WLAN-Netze oder über Mobilfunknetze erfolgen. Je nach Netzinfra‐ struktur und Entfernung zur Basisstation sind im Mobilfunknetz Übertra‐ gungsraten bis zu 400 MBit/ s (4G/ LTE+) erreichbar, mit 5G-Infrastruktur sogar bis zu 10 GBit/ s, allerdings bei deutlich geringerer Reichweite (Sauter, 2018). Damit liegen 4G- und 5G-Netze fast gleichauf mit oder sogar über gängigen Datenraten in lokalen drahtlosen Netzen (WLAN, IEEE 802.11n im 2,4 GHz-Band bis zu 600 MBit/ s, IEEE 802.11ac im 5 GHz-Band bis zu 6,9 GBit/ s, Sauter, 2018). Für die hier zur Anwendung kommenden Sensoren reichen aber relativ schmalbandige Anbindungen in der Regel aus, da regelmäßig nur Zähldaten und keine Bilder o. Ä. übertragen werden müssen. Die Kosten für eine Mobilfunkanbindung variieren und werden, je nach Anbieter, mit ca. 10 Euro pro Sensor und Monat angegeben, können aber auch deutlich darunter liegen. Je nach Netzauslastung kann es sinnvoll sein, die Mobilfunk-Schnittstellen mit mehreren Netzwerken zu verbinden (DualSIM). So wird etwa aus den Seebädern in Schleswig-Holstein berichtet, dass an hochfrequenten Tagen die Netzauslastung so hoch ist, dass ein zweiter Netzwerkzugang per Mobilfunk notwendig wird. Steht kein Mobilfunknetz zur Verfügung, kann mit Richtfunk gearbeitet oder ein eigenes WAN (Wide Area Network) etabliert werden. Die Realisie‐ rung von eigenen WAN mit Gateways, die speziell auf IoT Devices (Smart Sensors) ausgelegt sind, ist eine recht neue Entwicklung. Die so entstehenden sternförmigen Netzwerke werden als LPWAN (Low Power Wide Area Network) oder LoRaWAN (Long Range Wide Area Network) bezeichnet, weil sie hohe Reichweiten (bis zu 40 km) mit geringem Stromverbrauch (fünfbis zehnjährige Lebensdauer einer Batterie) kombinieren. Neben LoRaWAN sind auch andere Protokolle (z. B. LTE-M oder NB-IoT) der Kategorie LPWAN zuzuordnen (Yegin et al., 2020). Gateway und dahinterliegenden Server-Komponenten benötigen Strom- und Breitbanddatenanschluss, die Devices hingegen sind weitgehend autonom. Erste LoRaWAN-Anwendun‐ gen für das Besuchermanagement liegen bereits vor (Goossen & Uphus, 2019). Die folgenden Abschnitte sind nach dem Typ (Durchgangs- und Flächensensoren) gegliedert, aber es wird deutlich werden, dass sich hinter diesen beiden Kategorien ganz verschiedene Sensortypen verbergen können. Das wäre aber auch bei anderen Kategorisierungen der Fall gewesen, wenn nicht jeder Sensortyp eine eigene Kategorie bilden soll. 70 2 Datenquellen für die digitale Besuchermessung <?page no="71"?> Wegen dieser Heterogenität wurde die Bewertung für jeden Typ separat vorgenommen. 2.2.1 B-1.1: Durchgangssensoren 2.2.1.1 Methode Zu den Durchgangssensoren zählen vier Sensortypen: 1. Licht-/ Laserschranken 2. Laserdurchgangsscanner 3. Passive Infrarotsensoren 4. Drucksensoren und Induktionsschleifen 5. Radarmessung Es gibt weitere Techniken für die Durchgangszählung, zum Beispiel Ste‐ reo- oder 3D-Kameras (ToF, „Time of flight“). Diese werden im Abschnitt Flächensensoren diskutiert, da sie letztlich eine Flächenaufnahme in eine Durchgangszählung umwandeln. Licht-/ Laserschranken: Lichtsensoren werden verbreitet in Licht- oder Laserschranken eingesetzt. Diese Systeme reagieren auf die Unterbrechung eines Lichtstrahls beim Passieren der Licht-/ Laserschranke und generieren damit einen Zählimpuls (Durchgangs‐ zähler). Eine Richtungserkennung ist bei doppelter Ausführung möglich. Bei Lichtschranken sind je Richtung zwei Installationen erforderlich (Lichtseite, Sensorseite). Vorteile der Licht-/ Laserschranke sind die im Vergleich zu an‐ deren Sensoren geringen Kosten und, im Vergleich zu Durchgangsscannern und LiDAR-Sensoren, der Verzicht auf eine baulich aufwändigere Überkop‐ fanbringung. Laserdurchgangsscanner verwenden Laserstrahlen, die eine definierte Fläche oder Messlinie überstreichen. Aus der Reflexion kann die Zahl und Richtung der Durchgänge bestimmt werden. In Kombination mit einer Tiefenmessung können zum Beispiel Passanten nach Größe (Kinder, Erwachsene) unterschieden werden. Auch für Radfahrende und Kraftfahrzeuge sind solche Zählsysteme mit Laserscannern verfügbar. Die Reichweite von Laserdurchgangsscannern (maximale Breite der Messlinie) ist abhängig vom Hersteller und von der Installationshöhe. Sie beträgt üblicherweise zwei bis sechs Meter, aber auch bis zu 32 m Messbreite (bei 20 m Installationshöhe) sind möglich. Laserscanner sind unabhängig vom Außenlicht und funktionieren auch bei Dunkelheit. Typische Einsatz‐ 71 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="72"?> szenarien sind Frequenzzählungen in Innenstädten, Einkaufszentren oder Flughäfen. So nutzt bspw. das Innenstadtsystem „Hystreet“ (www.hystreet. com) Laserscanner, die mittlerweile an über 180 Standorten in über 80 Städten Passantenfrequenzen kostenfrei zur Verfügung stellen. Aber auch an Strandübergängen werden solche Systeme eingesetzt (Abbildung 14). Es werden eine externe Stromversorgung, ein Datenanschluss oder ein Mobilfunkmodul benötigt, aber auch von der Stromversorgung autarke Systeme sind am Markt verfügbar. Abbildung 14: Überkopf-Laserscanner an einem Strandübergang | Bildquelle: © Touris‐ mus-Agentur Lübecker Bucht. Abdruck mit freundlicher Genehmigung. Passive Infrarotsensoren (pyroelectric infrared sensors, PIR) reagieren auf Wärmequellen, etwa von durchgehenden Passanten. Anders als bei Licht‐ schranken reicht für eine Durchgangszählung mit Richtungserkennung eine Doppel-Installation auf einer Seite des Weges aus. Technisch basieren die Geräte auf pyroelektrischen Sensoren, in denen Halbleiterkristalle auf Tem‐ peraturänderungen reagieren (Boudjemaa & Song, 2014; Budzier et al., 2011; Lubomirsky & Stafsudd, 2012). Diese Art der Sensoren wird regelmäßig als Bewegungsmelder/ -schalter in der Hausinstallation und im Außenbereich zur Frequenzzählung auf Wegen oder an Wasserstrecken, aber auch in Innenstädten eingesetzt. Je nach Sensorhöhe ist eine differenzierte Erfas‐ sung von Wassersporttreibenden, Fußgängern und Fußgängerinnen oder 72 2 Datenquellen für die digitale Besuchermessung <?page no="73"?> Reitenden möglich. Fehlmessungen (z. B. durch Wildtiere) können durch die Einstellung der Messhöhe oder durch zusätzliche Messung von Umgebungs‐ parametern wie CO 2 und Zusammensetzung organischer Verbindungen (TVOC - Total Volatile Organic Compound) (Akhter et al., 2019) reduziert werden. Die Fehlerrate der Sensoren liegt im Bereich von ± 5 %, kann aber bei tiefen Temperaturen auch über ± 10 % erreichen (Andersen et al., 2014). Kleidung und Entfernung zum Sensor können das Messergebnis verfälschen, ebenso eine höhere Personendichte (Andersen et al., 2014). In einer anderen Studie in Australien ermittelten Fairfax et al. (2014) bei mit Pyrosensoren getriggerten Infrarotkamerabildern zum Teil deutliche Übererfassungen, bei denen der Pyrosensor zwar die Kamera auslöste, dort aber kein relevantes Objekt zu sehen war. Wesentliche Vorteile dieser Technik sind die kleinen Baugrößen und der geringe Energieverbrauch, ein Sensor kann mit einer Batterie mehrere Jahre lang betrieben werden. Die Datenübertragung erfolgt durch Bluetooth (Nachteil: regelmäßige vor Ort-Auslesung der Daten) oder per Mobilfunk (Nachteil: geringere Batterielaufzeit). Drucksensoren erlauben eine Durchgangszählung ohne Richtungser‐ kennung. Soll eine Richtungserkennung durchgeführt werden, ist eine doppelte Ausführung der Sensoren erforderlich. Es gibt sie in verschiede‐ nen Ausführungen: als Druckplatte (slab), Piezosensor oder Schlauchsen‐ sor. Piezo- und Schlauchsensoren werden im Allgemeinen linienförmig gebaut und sind für die Messung des Radverkehrs gut geeignet. Für den Fußverkehr sind nur Druckplatten geeignet. Diese werden unter der Wegoberfläche angebracht und sind weitgehend unsichtbar. Induktions‐ schleifen hingegen registrieren Metallmassen über ein meist im Boden verlegtes Kabel. Je nach Bauart werden bei Bewegung Magnetfeldänderun‐ gen oder, in einem anderen Bauprinzip, durch eine statische Metallmasse Veränderungen des Schwingkreises induziert, die ausgewertet werden können. Solche Induktionen können von Fahrrädern, aber auch von Hundehalsbändern oder Pferdehufeisen stammen (Arnberger et al., 2006, S. 576). Grundsätzlich ist durch die Kombination mehrerer Schleifen nicht nur eine Richtungserkennung, sondern auch die Erkennung der Fahrzeug‐ länge- und Geschwindigkeit (bei Kraftfahrzeugen) möglich (Izquierdo Valverde et al., 2016). Fahrzeuglängen und -geschwindigkeiten sind auch bei Zählungen mit Radar ermittelbar. Allerdings sind die gängigen Radarzähler in der Regel auf jeweils ein Fahrspur begrenzt und werden deshalb selten als Dauer‐ 73 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="74"?> zählstellen eingesetzt. Ihr Vorteile ist aber die leichte Montage und ggf. Versetzbarkeit. Abbildung 15: Pyrosensoren (im Pfosten rechts) und Induktionsschleifen (im Asphalt) an einem Messpunkt | Bildquelle: © Eco-Counter, Abdruck mit freundlicher Genehmigung. 2.2.1.2 Ziele und Bewertung Sofern es nicht möglich ist, die Daten zu koppeln, sind die Durchgangssen‐ soren ausschließlich für die Frequenzzählung an einzelnen Standorten geeignet. Ziel 1: Frequenzzählung an einzelnen Standorten ja Ziel 2: Messung von Besucherströmen in Arealen nein Ziel 3.1: Identifizierung von Aktionsräumen nein Ziel 3.2: Identifizierung von Quell-Zielgebietsbeziehungen nein Tabelle 11: Zieleignung von Durchgangssensoren (B-1.1) Bei der Bewertung lassen sich bei einigen Aspekten Unterschiede zwischen den verschiedenen Sensortypen finden. 74 2 Datenquellen für die digitale Besuchermessung <?page no="75"?> Die externe Validität ist jedoch durchgängig recht hoch, aber nicht sehr hoch. Das liegt daran, dass diese Sensoren durchaus Fehlmessungen produzieren können, wenn zum Beispiel in Naturräumen Wildtiere oder im städtischen Umfeld Mülltonnen den Durchgang passieren. Die Typisie‐ rungsfähigkeit ist nur bei Laserdurchgangsscannern gegeben, und auch da nur in geringem Maße. Zwar können auch Licht-/ Laserschranken und passive Infrarotsensoren so installiert werden, dass sie Mehrfachmessungen in unterschiedlichen Höhen produzieren und damit zum Beispiel Reiter von Fußgängern oder Radfahrern unterscheiden können. Diese Kombination ist aber nicht im Sensor selbst angelegt. Die touristische Klassifizierungsgüte ist nicht vorhanden, ebenso wenig die räumliche Auflösung, denn diese Art von Sensoren messen ausschließlich den Punkt, an dem sie installiert wurden. Die zeitliche Auflösung ist hingegen hoch, weil entweder jedes Pas‐ sieren einen Messimpuls zur Folge hat oder die Sensoren laufend die Flankenverläufe der elektrischen Impulse auswerten. Die Latenz hängt im Wesentlichen vom gewählten Übermittlungsmodus und nicht vom Sensor ab. Sensorseitig ist die Latenz gering, aber wenn die Daten zum Beispiel durch persönliches Aufsuchen ausgelesen werden müssen oder nur alle x Minuten per GSM übermittelt werden, steigt die Latenzzeit unter Umständen deutlich an. Im Vergleich zu den Datenquellen anderer Kategorien ist aber die kurze Latenz, bis hin zur Echtzeitabbildung, einer der wesentlichen Vorteile nicht gekoppelter stationärer Sensorik. Die Vollständigkeit (also der Anteil der gemessenen an den tatsächlich vorhandenen Passanten) ist in der Regel hoch. Das ist ein zentraler Vorteil dieser Sensortypen. Auch die Präzision (also der Anteil der gemessenen an allen zu messenden Signalen) ist in der Regel hoch. Am ehesten kön‐ nen passive Infrarotsensoren dazu neigen, Signale zu verpassen, (wenn die Schaltschwelle des Piezoelementes nicht erreicht wird) oder Mehrfach‐ passagen nicht hinreichend aufzulösen (mehrere Personen passieren den Messbereich zur gleichen Zeit). Die Reliabilität kann grundsätzlich als hoch beschrieben werden, ist aber Installations- und Standortabhängig. So können leere Batterien oder schlicht Vandalismus zu Ausfällen bei der Messung führen. Die Verfügbarkeit der dargestellten Sensoren ist durchgängig mindes‐ tens hoch, denn die Sensortechnik selbst ist für vergleichsweise geringe Kosten zu haben. Allerdings können die Installations-, Wartungs- und Ser‐ 75 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="76"?> vicekosten (z. B. für Datenübertragung und -speicherung) die eigentlichen Sensorkosten deutlich übersteigen. Die Transparenz ist durchgängig hoch, da die Funktionsweisen bekannt sind und die Standorte in der Regel durch die Datennutzer definiert werden. Auf die datenschutzrechtliche Zulässigkeit bezogen können alle ge‐ nannten Techniken als unproblematisch klassifiziert werden, weil keine personenbezogenen Daten erhoben werden. Auch im Hinblick auf die ethische Vertretbarkeit sind keine Probleme erkennbar. Bewertungsdimension Licht-/ Laser‐ schranken Laserdurch‐ gangsscan‐ ner passive In‐ frarotsen‐ soren Drucksen‐ soren und Induktions‐ schleifen (1) Externe Validität recht hoch recht hoch recht hoch recht hoch (2) Typisierungsfähigkeit keine/ sehr gering gering keine/ sehr gering keine (3) Touristische Klassifi‐ zierungsgüte keine keine keine keine (4) Räumliche Auflösung keine keine keine keine (5) Zeitliche Auflösung hoch hoch hoch hoch (6) Latenz sehr kurz sehr kurz sehr kurz sehr kurz (7) Vollständigkeit hoch hoch hoch hoch (8) Präzision hoch hoch recht hoch hoch (9) Reliabilität installationsabhängig (10) Verfügbarkeit hoch hoch hoch hoch (11) Transparenz hoch hoch hoch hoch (12) Datenschutzrechtli‐ che Zulässigkeit gegeben gegeben gegeben gegeben (13) Ethische Vertretbarkeit hoch hoch hoch hoch Tabelle 12: Bewertung der Durchgangssensoren (B-1.1) 76 2 Datenquellen für die digitale Besuchermessung <?page no="77"?> 2.2.1.3 Fazit Durchgangssensoren können zwar lediglich für die Besuchermessung an einzelnen Standorten genutzt werden, zeigen ihre Stärke jedoch in der generischen sowie der raum-zeitlichen (mit Ausnahme der räumlichen Auflösung) und sozial-organisatorischen Dimension, bei der durchweg alle Arten von Sensoren sehr gute Bewertungen erhalten. Hervorzuheben ist hier insbesondere die Vollständigkeit und Präzision und - in Abhängigkeit der Installationsart - auch potenziell die hohe Reliabilität der Messverfah‐ ren. Das macht die Art der Sensorik u. a. attraktiv zur Lieferung als Eingangs‐ daten für das digitale Besuchermanagement, da sich mit der Installation der Sensoren sowohl im ländlichen als auch urbanen Raum sehr gute Messdaten von Besuchern für die weitere Nutzung generieren lassen. 2.2.2 B-1.2: Flächensensoren 2.2.2.1 Methode Zu den Typen der Flächensensoren lassen sich fünf Sensor-Kategorien bestimmen, die bereits schon bei der gekoppelten stationären Sensorik diskutiert wurden 1. Wifi-Scanner 2. Bluetooth-Scanner 3. LiDAR-Sensoren 4. optische Kameras (inkl. Webcams) 5. sowie als Sonderform die vernetzten Einzelplatzsensoren. Wifi-/ Bluetooth-Scanner (auch als Passive Wifi Monitoring oder ähnlich bezeichnet) erfassen die in einem definierten Umkreis befindlichen Endge‐ räte, deren Wifi-Signal (nach IEEE 802.11) oder Bluetooth-Signal (nach IEEE 802.15.Bluetooth) eingeschaltet und auffindbar ist. Zur De-Duplizierung wird die MAC-Adresse des Endgerätes mindestens kurzzeitig (< 1 Minute) gespeichert, aber in der Regel nicht ausgegeben. Die MAC-Adresse dient dabei als zentrales Identifikationsmerkmal und wird von Wifi-Endgeräten immer häufiger randomisiert (Martin et al., 2017). Der Sensor liefert dann aber lediglich Zählungen von eingeschalteten Endgeräten (nicht Personen) in definierten Intervallen ohne Richtungsinformation (Kianoush et al., 2019). Mit diesem „Ping-and-track“-Verfahren konnten Sung et al. (2022) bspw. 77 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="78"?> an australischen Food-trucks zwischen vorbeigehenden Passanten und kaufenden Kunden (bzw. deren Endgeräten) anhand der Aufenthaltsdauer differenzieren. Die datenschutzrechtliche Zulässigkeit dieser Geräte wird derzeit in mehreren Bundesländern unterschiedlich diskutiert, denn die übermittelte MAC-Adresse kann durchaus als personenbezogenes Datum im Sinne der DSGVO angesehen werden (Schmücker, 2021), selbst wenn diese nicht dauerhaft gespeichert wird. Gerade während der Phase der Kommunikati‐ onsaufnahme sind Angriffe auf die Endgeräte (X. Liu et al., 2017) und ein Tracking ohne Einwilligung möglich (Bonné et al., 2013). In anderen Ländern gibt es dazu aber auch weniger strikte Auffassungen (Ramos et al., 2021; Ribeiro et al., 2020; Yoshimura et al., 2017). Technisch ist auch die Re-Identifizierung von Endgeräten möglich, so dass Mini-Signalketten ent‐ stehen können (Kategorie B-2.2, Kapitel 2.3.2). Die Reichweite der Sensoren liegt bei bis zu mehreren hundert Metern im Freien für Wifi (Fukuda et al., 2017 nennen 400 m). Bei Bluetooth ist die Reichweite klassenabhängig und reicht in der Klasse 3 bis zu ca. zehn Meter (Gikas et al., 2019, S. 396) und in Klasse 1 bis zu 300 m mit externen Antennen (Versichele et al., 2012, S. 210) (vgl. Tabelle 13), wobei sich durchaus auch unterschiedliche Angaben zur Reichweite in der Literatur finden lassen. Klasse max. Leistung max. Leistungspegel Reichweite Klasse 1 100 mW 20 dBm ~ 100 m Klasse 2 2,5 mW 4 dBm ~ 10 m Klasse 3 1mW 0 dBm ~ 1 m Tabelle 13: Klassen und Reichweite von Bluetooth-Sendern | Quelle: verändert auf Basis von Gutekunst, (2021, S. 711). Zwischen Bluetooth- und Wifi-Sensoren gibt es, neben der Reichweite, einige wesentliche Unterschiede, die die Auffindbarkeit der Endgeräte betreffen. Während Bluetooth-Geräte aktiviert werden müssen, um in der Inquiry phase für andere Endgeräte auffindbar zu sein (Ferro & Potorti, 2005; Schauer et al., 2014), senden Wifi-Geräte in der Regel in regelmäßigen Abständen (z. B. alle 60 Sekunden, aber auch in deutlich höherer Frequenz bis zu mehreren hundert Probes pro Minute) einen Probe Request, um sich ggf. mit Wifi-Netzwerken über Zugangspunkte (Access points) zu 78 2 Datenquellen für die digitale Besuchermessung <?page no="79"?> verbinden. Wifi-Scanner lesen diese Probe Requests aus (Hidayat et al., 2020, S. 2; Oliveira et al., 2019). Demzufolge sollten sich Endgeräte ca. 60 Sekunden im Bereich eines Wifi-Scanners aufhalten, um sicher entdeckt zu werden (Hardy, 2020, S. 121). Die Präzision der Messung hängt neben der Verweildauer auch von der Zahl der Aufnahmepunkte ab. Technisch gesehen verhalten sich Wifi-Scanner in der Probe-Phase wie Access-points, ohne aber Zugang zu einem Netzwerk zu gewähren. Selbstverständlich ist es deshalb auch möglich, Wifi-Signale an echten Access-Points zu erhalten, etwa aus WLAN-Netzen im öffentlichen Raum (Ribeiro et al., 2020). Bluetooth-Signale werden dagegen nur zu einem geringeren Anteil erkannt - eben die Geräte, die gerade aktiv nach einer Verbindung suchen. In der Literatur werden Anteile von um die zehn Prozent genannt (Hardy, 2020, S. 120; Yoshimura et al., 2014). Durch die Kombination von Bluetooth- und Wifi-Scannern ist eine leichte Verbesserung der Abdeckungsrate möglich. Allerdings muss die Penetra‐ tionsrate in der zu messenden Population bekannt sein, um zu stabilen Volumenmessungen zu kommen (Kurkcu & Ozbay, 2017). Die Scanner sind sehr kostengünstig (Hardware weniger als 100 Euro) und benötigen eine externe Stromversorgung. Neuere Geräte mit integrierter Stromversorgung und Übertragung per GSM sollen demnächst auf den Markt kommen (Strombedarf ca. 0,5 W). Wegen der geringen Kosten eignen sich die Scanner auch für den Einsatz auf größeren Flächen. Ribeiro et al. (2020) konnten so auf einer Fläche von 2,8 km² auf der Insel Madeira mit 82 Scannern an ausgewählten PoI mehr als 570 Mio. Datenpunkte innerhalb von vier Jahren generieren. Zukünftig werden möglicherweise weitere Nahfeld-Kommunikations‐ technologien aus dem Bereich der Wireless Personal Area Networks (WPAN) das bisherige Spektrum ergänzen. Insbesondere Ultra-wideband, aber auch RFID und ZigBee können hier erwähnt werden. Ultra-wideband erreicht sehr hohe Datenraten (bis über 1 GBit/ s) ohne Sichtverbindung (Gikas et al., 2019, S. 396) und wird voraussichtlich sukzessive in mobilen Endgeräten verfügbar sein. So verfügen einige Smartphones des Herstellers Apple bereits über Ultra-Wideband-Empfänger, mit denen entsprechende Gegenstücke, sogenannte „AirTags“, geortet werden können (www.apple.c om/ airtag). LiDAR (Light Detection and Ranging) ist ein dem Radar verwandtes Ver‐ fahren, bei dem aber nicht Radiowellen, sondern Laserstrahlen zum Einsatz kommen. Der wesentliche Vorteil von LiDAR-Sensoren ist ihre Fähigkeit, 79 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="80"?> dreidimensionale Flächenaufnahmen als Punktwolke zu erstellen. Damit können verschiedene Objekte identifiziert und ihre Bewegung innerhalb des Erfassungsbereiches nachvollzogen werden, ohne dass personenbezogene Daten erfasst oder verarbeitet werden müssen. Die Sensoren sind wetter- und helligkeitsunabhängig. Erkannt werden verschiedene Objekttypen, zum Beispiel Personen, Fahrräder oder Fahrzeuge. LiDAR-Sensoren gelten als sehr präzise, sind aber auch verhältnismäßig teuer: Der Sensor (ohne Installations- und Betriebskosten) kostet derzeit mehrere tausend Euro. Datenschutzrechtlich sind diese Geräte in der Regel unproblematisch, da die im Gerät produzierten Bilder keine personenbezogenen Daten beinhalten. Optische Kameras nehmen mit einer oder mehreren Linsen ein Bild der Umgebung auf. Je nach Art des Sensors werden diese Bilder zur Analyse an einen Server übermittelt („Cloud Computing“) oder bereits in der Kamera ausgewertet („Edge Computing“). Wissen | Edge- und Cloud Computing Edge Computing, vom Englischen „edge“ (Kante oder Rand), ist ein Begriff aus dem Bereich des Internet der Dinge (Internet of Things, IoT) und beschreibt eine dezentrale Datenhaltung, also die Datengenerierung und Datenspeicherung am Endgerät. Dies können Kameras für die Besuchermessung sein, aber auch Haushaltsgeräte wie Waschmaschi‐ nen mit Internetzugang. Im Gegensatz dazu steht Cloud Computing, bei der die Datenhaltung zentral auf einem Server („in der Cloud“) erfolgt. Dabei lassen sich drei verschiedene Modelle bzw. Konzepte identifizieren: Infrastructure as a Service (IaaS), also bspw. die Nutzung von Speicherkapazität im Netz, Platform as a Service (PaaS), bei der bspw. Entwickler: innen zusammen im Netz IT-Projekte bearbeiten können und Software as a Service (SaaS), was es ermöglicht Internetbasierte Software zu nutzen, ohne diese auf dem eigenen PC zu speichern. Für die digitale Besuchermessung und die Datenspeicherung ist IaaS relevant, da es bspw. möglich ist, Daten von stationärer Sensorik (un)mittelbar auf Open Data Plattformen verfügbar zu machen, bspw. auf der Open Data Plattform Schleswig-Holstein (https: / / opendata.schleswig-holstein.de) oder zukünftig in der Bayern Cloud speziell für den Tourismus (https: / / bayerncloud.digital). 80 2 Datenquellen für die digitale Besuchermessung <?page no="81"?> Optische Kameras mit Edge Computing nutzen eine interne Bildauswertung zur Objektzählung auf Flächen. Dazu wird das Kamerabild noch im Gerät ausgewertet (vektorisiert), so dass keine dauerhafte Speicherung von per‐ sonenbezogenen Daten anfällt (Frontoni et al., 2019). Das ist eine moderne Variante, die die manuelle Bildauswertung (Arnberger et al., 2005) oder die teil-automatisierte Auswertung am PC (Ashkanani et al., 2015) ersetzt. Ein weiterer Fortschritt ist auf der Seite der automatisierten Bildauswertung durch Algorithmen des Machine Learning zu sehen. Softwaresysteme wie YOLO (You Only Look Once, Redmon & Farhadi, 2018) scheinen bei der Iden‐ tifizierung von Fußgängern bereits gute Ergebnisse zu erzielen (Staab et al., 2021). Die Identifizierung von Fahrzeugkennzeichen ist inzwischen etablier‐ ter Standard (Izquierdo Valverde et al., 2016, S. 5). Ein Anwendungsfall für Kameras betrifft Outdooraktivitäten, bei denen Fotofallen genutzt werden (Miller et al., 2017, Mayer et al., 2021). Bei einer Studie im Biosphärenreservat Schorfheide-Chorin ermittelten Staab et al. (2019) eine Untererfassungsrate mit optischen Kameras von 4,4 %. Ein weiterer typischer Anwendungsfall für optische Kameras ist die Parkraumüberwachung im städtischen Raum. Hier ist in der Regel eine Strom- und Datenversorgung gegeben. In der Natur (z. B. auf Wan‐ derparkplätzen) kann auch eine autarke Variante eingesetzt werden, die die Stromversorgung durch Solarpanel und Akkupufferung und die Daten‐ übertragung durch Mobilfunk sicherstellt. Allerdings ist im Solar- und Batteriebetrieb ein längeres Aufnahme-Intervall (z. B. alle 15 Minuten statt zu jeder Minute) erforderlich, um Datenanbindung und Strommanagement nicht zu überfordern. Vorteil der Kameraüberwachung im Vergleich zu Durchgangszählern (z. B. Lichtschranken) ist die periodische Auswertung des gesamten Flächen‐ zustandes. Damit können etwa auch Verweildauern einzelner Parkplatzbe‐ legungen, parkende Fahrzeuge abseits der ausgewiesenen Parkflächen oder Laufwege von Personen auf der Fläche gemessen werden. Nachteilig kann sein, dass optische Kameras auf ausreichend Licht angewiesen sind und deshalb bei Dunkelheit oder anderen schlechten Sichtbedingungen (Nebel, Niederschlag) nicht hinreichend präzise funktionieren; hier könnten nur aufwändige Wärmebildkameras Abhilfe schaffen (Kristoffersen et al., 2016). Zudem können optische Hindernisse (z. B. Bewuchs) die Reichweite der Sensorik beeinträchtigen. Hersteller geben eine maximale Reichweite je optischem Sensor von ca. 100 Stellplätzen an, in der Praxis werden aber 81 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="82"?> häufig nur 20 bis 40 Stellplätze erreicht, bei optischen Hindernissen auch weniger. Datenschutzrechtlich ist der Einsatz solcher Geräte zu prüfen, da das primär aufgenommene Kamerabild durchaus personenbezogene Daten (z. B. Gesichter) enthält. Das Bundesdatenschutzgesetz (BDSG) enthält für öffentliche Räume sogar einen eigenen Paragraphen (§ 4), der die Rechtmäßigkeit des Einsatzes von Videoüberwachung regelt. Im Betrieb ist dann durch geeignete technische Verfahren sicherzustellen, dass die personenbezogenen Daten so früh wie möglich entfernt oder unkenntlich gemacht werden. Geschieht dies nicht, so ist zunächst das berechtigte Interesse der Datenerhebung und -verarbeitung nachzuweisen. Dann sind die betroffenen Nutzenden zu informieren und auf ihre Informations- und Widerspruchsrechte hinzuweisen. Auch die in vielen Destinationen bereits eingesetzten Webcams können im Prinzip für solche Zählungen verwendet werden. Primäres Ziel solcher Webcams in touristischen Destinationen ist die Vermittlung eines Live-Ein‐ druckes. Am Beispiel eines Skigebietes kann die Webcam Fragen beantwor‐ ten wie: Läuft der Lift oder nicht? Wie ist das Wetter? Liegt Schnee? Wie lang ist die Warteschlange am Lift? Solche kamerabasierten Zählungen werden verschiedentlich in Skigebieten und auf Loipen, aber auch in Innenstädten und Innenräumen realisiert. Eine weitere Variante sind Unmanned Aerial Vehicles (UAVs, sog. „Drohnen“). Mit diesen können Momentaufnahmen mithilfe bildgebender Verfahren (Fernerkundung, remote sensing) erstellt und analysiert werden (Szuster et al., 2021). In einer sehr weiten Interpretation gehören auch Satellitenbilder zu dieser Gruppe, auch wenn dann nicht mehr von stationärer Sensorik gesprochen werden kann. Kommerziell verfügbare Satellitenbilder erreichen heute Auflösungen von bis zu 30 cm (Satellit Worldview 3 des Anbieters Maxar, USA-Denver). Damit ist zum Beispiel eine Zählung von Fahrzeugen durch Bildauswertung denkbar. Nachteilig bei der Verwendung von Satellitenbil‐ dern ist, dass die Messintervalle für ein kontinuierliches Tracking zu groß sind. Unter optimalen Bedingungen sind zwar tägliche Bilder verfügbar, in der Praxis entstehen aber größere Datenlücken, die Satellitenbilder für eine kontinuierliche Besucherstrommessung ungeeignet machen. So verzeichnet die Bilddatenbank „Image Hunter“ des kommerziellen Anbieters Appollo Mapping (USA-Boulder) für diverse Flächen in NRW Bilder im mehrtägigen Abstand, die zudem teilweise hohe Wolkenbedeckungsraten aufweisen. Die 82 2 Datenquellen für die digitale Besuchermessung <?page no="83"?> Kosten der Bilder variieren je nach Auflösung, bei bester Auflösung gibt das Statistische Bundesamt die Kosten mit 25 USD pro qkm an. Sonderformen: Magnet-, Ultraschall und Radareinzelplatzsenso‐ ren: Speziell bei Parkplätzen gibt es eine Sonderlösung, die von Garnitz (2021, S. 5) als „Einzelplatz Sensorik“ beschrieben wird. Dabei werden einzelne Stellplätze mit Sensoren ausgestattet und so vernetzt, dass ein Gesamtüberblick der belegten und nicht belegten Stellplätze entsteht. Ra‐ dar- und Ultraschallsensoren werten, ähnlich wie LiDAR-Sensoren, die Reflektion eines ausgesendeten Signals aus. Allerdings werden hier Radiobzw. Ultraschallwellen verwendet. Magnetsensoren hingegen erkennen lediglich metallische Massen in der näheren Umgebung. Alle drei Sensor‐ typen werden bei der Parkraum-Überwachung eingesetzt, indem jeder Stellplatz mit einem eigenen Sensor besetzt wird, der lediglich erkennt, ob der Stellplatz belegt ist oder nicht. Die Vernetzung geschieht in der Regel mit LoRaWAN-Netzen, bei denen jeder Stellplatzsensor ein eigenes IoT-Endgerät bildet (s. o.). 2.2.2.2 Ziele und Bewertung Sofern es nicht möglich ist, die Daten zu koppeln, sind die Flächensensoren ausschließlich für die Frequenzzählung an einzelnen Standorten geeig‐ net. Ziel 1: Frequenzzählung an einzelnen Standorten ja Ziel 2: Messung von Besucherströmen in Arealen nein Ziel 3.1: Identifizierung von Aktionsräumen nein Ziel 3.2: Identifizierung von Quell-Zielgebietsbeziehungen nein Tabelle 14: Zieleignung der Flächensensorik (B-1.2) Die externe Validität der Scanner ist begrenzt, weil Endgeräte und nicht Personen gemessen werden. Die externe Validität der anderen beiden Lösungen ist hingegen hoch, weil mit entsprechender Auswertungslogik eine gute Identifizierungsmöglichkeit hergestellt werden kann. Die Typi‐ sierungsfähigkeit ist bei den Scanner-Lösungen nicht vorhanden, wäh‐ rend LiDAR- und Kamerabilder durchaus Typisierungen hinsichtlich Größe, 83 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="84"?> Fortbewegung oder Ausstattung der Personen erlauben. Die touristische Klassifizierungsgüte hingegen ist für alle Lösungen nicht vorhanden. Die räumliche Auflösung ist, wie bei allen Lösungen der stationären Sensorik, gering, da es sich nur um Frequenzmessungen an einem Punkt handelt. Die zeitliche Auflösung ist hingegen hoch, weil alle Sensoren frei definierbare Messintervalle aufweisen. Die Latenz hängt im Wesentlichen vom gewählten Übermittlungsmodus und nicht vom Sensor ab. Sensorseitig ist die Latenz gering, aber wenn die Daten zum Beispiel durch persönliches Aufsuchen ausgelesen werden müssen oder nur alle x Minuten per GSM übermittelt werden, steigt die Latenzzeit unter Umständen deutlich an. Im Vergleich zu den Datenquellen anderer Kategorien ist aber die kurze Latenz, bis hin zur Echtzeitabbildung, einer der wesentlichen Vorteile der stationären Sensorik. Die Vollständigkeit (also der Anteil der gemessenen an den tatsächlich vorhandenen Signalträgern) ist bei Scannern begrenzt, bei LiDAR- und Kamerasensoren hingegen hoch. Scanner sind Endgeräteabhängig und es ist nicht klar, wie hoch der Anteil der Personen an allen Personen im Einzugs‐ bereich eines Scanners ist, die überhaupt mit entsprechenden Endgeräten ausgestattet sind. Auch die Präzision (also der Anteil der gemessenen an allen zu messen‐ den Signalen) ist bei Scannern begrenzt, bei Bluetooth-Scannern sogar sehr gering. Bei LiDAR- und Kamerasensoren ist hingegen von einer hohen Präzi‐ sion auszugehen. Die Reliabilität kann grundsätzlich als hoch beschrieben werden, ist aber Installations- und Standortabhängig. So können auch hier leere Batterien oder schlicht Vandalismus zu Ausfällen bei der Messung führen. Dem kann aber in allen Fällen durch Anbringen in geschätzter Höhe begegnet werden. Die Verfügbarkeit der dargestellten Scanner ist durchgängig mindestens hoch, denn die Sensortechnik selbst ist für wenig Geld leicht zu haben. LiDAR-Sensoren sind demgegenüber deutlich teurer. Allerdings können auch hier die Installations-, Wartungs- und Servicekosten (z. B. für Datenübertragung und -speicherung) die eigentlichen Sensorkos‐ ten deutlich übersteigen. Die Transparenz ist durchgängig hoch, da die Funktionsweisen bekannt sind und die Standorte in der Regel durch die Datennutzer definiert werden. Auf die datenschutzrechtliche Zulässigkeit bezogen können in dieser Gruppe nur die LiDAR-Sensoren als unproblematisch klassifiziert werden. Sowohl Wifials auch Bluetoothscanner nutzen zumindest temporär die MAC-Adresse des Endgerätes, die von Landesdatenschutzbeauftragten 84 2 Datenquellen für die digitale Besuchermessung <?page no="85"?> schon als „personenbezogenes Datum“ klassifiziert wurden. Dann würden die Regeln der DSGVO, insbesondere die Fragen zum berechtigten Interesse an der Datenverarbeitung sowie die Informations- und Widerspruchsrechte der Betroffenen, greifen. Gleiches gilt nach §4 BDSG für die Videoüberwa‐ chung im öffentlichen Raum. Hinsichtlich der ethischen Vertretbarkeit kann insbesondere bei Kameralösungen ein unangenehmes Gefühl des „Überwachtwerdens“ entstehen. Das könnte, in Anlehnung an das Kriterium des „Unwohlseins“, eine ethische Begrenzung darstellen. Bewertungsdimension Wifi- Scanner Bluetooth- Scanner LiDAR- Sensoren optische Kameras (1) externe Validität begrenzt begrenzt hoch hoch (2) Typisierungsfähigkeit keine keine begrenzt begrenzt (3) touristische Klassifi‐ zierungsgüte keine keine keine keine (4) räumliche Auflösung keine keine keine keine (5) zeitliche Auflösung hoch hoch hoch hoch (6) Latenz sehr kurz sehr kurz sehr kurz sehr kurz (7) Vollständigkeit gering gering hoch hoch (8) Präzision gering sehr gering hoch hoch (9) Reliabilität installationsabhängig (10) Verfügbarkeit hoch hoch begrenzt hoch (11) Transparenz hoch hoch hoch hoch (12) datenschutzrechtli‐ che Zulässigkeit DSGVOrelevant DSGVOrelevant gegeben DSGVOrelevant (13) ethische Vertretbarkeit evtl. be‐ grenzt evtl. be‐ grenzt evtl. be‐ grenzt evtl. be‐ grenzt Tabelle 15: Bewertung der Flächensensoren (B-1.2) 85 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="86"?> 2.2.2.3 Fazit Flächensensoren können lediglich zur Frequenzzählung an einzelnen Standorten genutzt werden. Die Bewertungen im Rahmen der tourismus‐ spezifischen Dimension sind schlecht, da es in der Regel mit den Mess‐ verfahren nicht möglich ist, Touristinnen und Touristen von Nicht-Tou‐ ristinnen und Touristen zu unterscheiden. Gleichwohl zeichnen sich die Daten durch eine sehr hohe zeitliche Auflösung und sehr kurze Latenz‐ zeiten aus. Problematisch kann die datenschutzrechtliche Zulässigkeit der Datenerhebung gesehen werden. Auch die ethische Vertretbarkeit muss bisweilen bei den Messverfahren in Frage gestellt werden (mögliches überwacht fühlen). 2.2.3 B-1.3: Transaktions- und Interaktionsdaten 2.2.3.1 Methode Transaktionsdaten sind Daten, die bei der Abwicklung von Geschäfts‐ prozessen (z. B. Verkauf, Vermietung, Finanztransaktionen etc.) anfallen können. Diese Daten sind grundsätzlich geeignet, Frequenzinformationen zu generieren. Der Begriff „Transaktionsdaten“ wird zuweilen auch in einem anderen Sinn verwendet, nämlich beschränkt auf Online-Transaktionen im Web ( J. Li et al., 2018). Dieser Auffassung wird hier im Rahmen der Diskus‐ sion der Datenquellen für die digitale Besuchermessung daher nicht gefolgt. Es lassen sich in diesem Kontext drei Arten relevanter Transaktionsdaten unterscheiden: ● Transaktionsdaten bei Reservierungen und Verkäufen, ● Transaktionsdaten aus Bezahlsystemen, ● Transaktionsdaten aus Destinationskarten. Tourismusrelevante Beispiele für solche Transaktionsdaten finden sich in Tabelle 16 in den hellen Feldern, also dort, wo entweder Reservierungen oder Verkäufe getätigt werden. Typischerweise fallen Transaktionsdaten dann an, wenn Leistungen wie Verkauf oder Vermietung gegen Geld getätigt werden. Viele dieser Leistungen sind ohne Reservierung verfügbar (linke Spalte), aber es gibt auch viele Beispiel für Transaktionen, die typischerweise mit einer Reservierung einhergehen (rechte Spalte). Eher untypisch sind Leistungen, die zwar reserviert werden können, für die aber keine finanzielle 86 2 Datenquellen für die digitale Besuchermessung <?page no="87"?> Transaktion (Verkauf, Vermietung) anfällt. Beispiele wären der Besuch der Plaza der Hamburger Elbphilharmonie (es kann gegen eine Gebühr reserviert werden, aber der Besuch selbst ist immer kostenfrei) oder eine Reservierungsliste für kostenlose Führungen. Eine Reservierung kann helfen, knappe Ressourcen von vornherein zu begrenzen. Damit kann vermieden werden, dass Besucher anreisen, aber dann doch abgewiesen werden müssen. Gleichzeitig ist ein Reser‐ vierungsverfahren mit technischem und organisatorischem Aufwand verbunden. Reservierungssysteme sind eine potenziell ergiebige Daten‐ quelle für die Besuchermessung. Das gilt besonders für vernetzte Reser‐ vierungssysteme, die dann für eine Preis-Ertragssteuerung (Revenue Management, Yield Management) eingesetzt werden können. Damit liegen nicht nur aktuelle Nutzungsdaten, sondern auch Daten für die Zu‐ kunft vor, denn eine Reservierung ist nur sinnvoll, wenn sie die Zukunft betrifft. Für Destinationen können vor allem Reservierungsdaten für Unterkünfte, und da speziell für die Hotellerie, wertvoll sein. Vor allem in der Stadthotellerie sind solche Steuerungssysteme inzwischen verbreitet und technisch ausgereift (Goerlich & Spalteholz, 2020; Nussbaumer, 2022; Phillips, 2021). Die Zugänglichkeit dieser Daten ist allerdings begrenzt. Anbieter solcher Daten sind zum Beispiel Amadeus Hospitality/ Travelclick (amadeus-hospitality.com), STR (Forward Star, str.com) oder OTA In‐ sight (otainsight.com). Die hellen Felder der Tabelle machen zudem deutlich, in welchen Fällen eine Zutrittskontrolle erforderlich ist, um sicherzustellen, dass nur Perso‐ nen, die eine Reservierung oder Zahlung getätigt haben, Einlass bekommen. Dabei fallen jeweils Transaktionsdaten an, die prinzipiell zur digitalen Besuchermessung genutzt werden können. Zugleich wird in der Tabelle deutlich, an welchen Stellen typischerweise keine Transaktionsdaten anfallen (dunkles Feld ohne Reservierung und ohne Verkauf). Will man für diese Punkte Nutzungsdaten generieren, so ist in der Regel die Installation von stationärer Sensorik im Sinne von Dauerzählstel‐ len notwendig (vgl. die Kategorien B-1.1 und B-1.2 zur stationären Sensorik, Kapitel 2.2.1 und 2.2.2). 87 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="88"?> typische Beispiele ohne Reservierung mit Reservierung ohne Verkauf • unbewirtschaftete Park‐ plätze, Rastplätze, Hütten • Pfade und Wege • viele PoI • Besucherzentren • Plaza Elbphilharmonie • kostenlose Führungen mit Verkauf/ Vermietung vor Ort oder vorab (Buchung) • bewirtschaftete Parkplätze • Attraktionen • Gastronomie • öffentliche Toiletten • Strandkörbe, bewirtschaf‐ tete Strände • Mobilität: Tickets (Flug, ÖPNV) • Unterkünfte • gehobene Restaurants • Gruppenführungen, Wattführungen • Hotspot-Attraktionen • bewirtschaftete Park‐ plätze oder Shut‐ tles mit Reservierungs‐ pflicht (z. B. https: / / www .drei-zinnen.bz/ de/ ticket) Tabelle 16: Beispiele für Transaktionsdaten mit und ohne Verkauf oder Reservierung Selbst wenn Transaktionsdaten aus Kassen- und Reservierungssyste‐ men vor Ort vorhanden sind, können sie häufig nicht für eine destinati‐ onsweite und öffentlich zugängliche Dateninfrastruktur genutzt werden. Handelt es sich um private Betreiber, so steht dem regelmäßig der Wunsch nach Vertraulichkeit der Geschäftsdaten gegenüber. Außerdem verursacht die Anbindung der Datenquellen (Kassensysteme etc.) Aufwand. Eine Sonderstellung nehmen die Parkraumbewirtschaftungssysteme ein. Im Zuge der fortschreitenden Digitalisierung ist hier insbesondere das sogenannte Handy-Parken, also die Auslösung des Bezahlvorganges durch einen Anruf, per SMS oder durch die Smartphone-App, zu nennen. Die Anbieter solcher Systeme integrieren eine große Zahl von Standorten. So ist der Dienstleister Easypark Group (ehemals ParkNow) nach eigenen Angaben in mehr als 3.200 Städten in mehr als 25 Ländern vertreten und arbeitet mit mehr als 2.300 parking operators zusammen. Daneben können auch die klassischen Parkraumbewirtschaftungssysteme Anwendung finden, zum Beispiel bei der Nutzung von smarten Parkscheinautomaten. In Städten mit dynamischen Parkleitsystemen sind zumindest größere bewirtschaftete Parkflächen (z. B. Parkhäuser) bereits vernetzt. Daten aus Mobilitätssystemen, zum Bespiel Daten aus Smart card auto‐ mated fare collection systems (SCAFC), wurden bereits relativ früh zur Bewegungsanalyse genutzt (Bagchi & White, 2005; Morency et al., 2007). 88 2 Datenquellen für die digitale Besuchermessung <?page no="89"?> Im Zuge der fortschreitenden Elektrifizierung der Mobilität ergeben sich weitere Möglichkeiten, aus Transaktionen Frequenzdaten zu generieren. Auf die Standortdaten von gemieteten Fahrrädern oder E-Scootern wurde bereits im Abschnitt über Fahrzeugnavigationssysteme hingewiesen (vgl. Kapitel 2.1.3). Daneben gibt es aber auch die Möglichkeit, Transaktionsdaten an Übergabe- und Ladepunkten heranzuziehen. So sind beispielsweise die öffentlich zugänglichen Ladesäulen für Elektrofahrzeuge vernetzt und ihr Zustand (frei oder belegt) über entsprechende Plattformen und mobile Apps wie das EnBW-Angebot Mobility+, die App echarge+ von Innogy oder das Angebot von Plugsurfing abrufbar. Das gilt auch für die Daten aus Bezahlsystemen und Barabhebun‐ gen (Bankkarten wie Kreditkarten, Debitkarten, Geldkarten, Pre-/ Post‐ paid-Karten sowie Handy-Bezahlsysteme), bei denen insbesondere die Nutzung am Point of Sale (PoS) interessante Datenströme generieren kann (Arias et al., 2018; García López et al., 2019; Goecke, 2015; Romero Palop et al., 2019). Sie sind durchaus geeignet, die räumliche Verteilung von Tourismusnachfrage in einer Destination zu schätzen (Aparicio et al., 2021), dies aber in der Regel nur in einem relativ hohen Abstraktionsgrad. So untersuchten Sobolevsky et al. (2015) lediglich die internationalen Besucher in Spanien anhand des ausgebenden Instituts der genutzten Bezahlkarte. Für die Nutzung in der Tourismusstatistik berichtet Webster (2018) über Bezahldaten (Electronic Card Transaction, ECT) in Neu‐ seeland, die von einem kommerziellen Datenlieferanten (Marketview Ltd) bezogen wurden. Vorteilhaft bei Bezahlkarten ist die hohe Zahl der Akzeptanzstellen und Transaktionen, die eine entsprechend gute Abdeckung und räumliche Auflösung ermöglichen. So gab es in Deutschland nach Daten der Deutschen Bundesbank im Jahr 2020 mehr als 1,2 Mio. Akzeptanzstellen am PoS und fast 57.000 Bargeldautomaten (ATM, Automated Teller Machines). Die Zahl der Transaktionen an diesen Terminals im Inland belief sich auf annähernd 6,7 Mrd. (6.656 Mio.) mit inländischen Karten und weitere 324 Mio. Trans‐ aktionen mit Karten aus dem Ausland. Die meisten Transaktionen (6,0 Mrd.) waren Zahlungen am PoS. 89 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="90"?> Art Anzahl Akzeptanzstellen Geldautomaten 56.868 Zahlungsterminals (PoS) 1.176.068 Transaktionen mit im Inland ausgegebenen Karten (Mio.) 6.656 davon Bargeldabhebungen (Mio.) 1.573 davon an Zahlungsterminals (PoS) (Mio.) 4.911 Transaktionen mit im Ausland ausgegebenen Karten (Mio.) 324 davon Bargeldabhebungen (Mio.) 98 davon an Zahlungsterminals (PoS) (Mio.) 1.089 Tabelle 17: Terminals und Transaktionen von Bezahlsystemen im Inland (Auswahl), 2020 | Nur Terminals inländischer Zahlungsdienstleister | Datenquelle: Deutsche Bundesbank (2021) In letzter Zeit werden solche Daten von den Betreibern von Kreditkarten‐ systemen kommerziell angeboten. Ein Anwendungsbeispiel für die Auswer‐ tungsmöglichkeiten dieser Daten ist der MasterCard Global Destination Cities Index, der zuletzt für das Jahr 2019 veröffentlicht wurde (Mastercard, 2019). Noch vor einigen Jahren waren diese Daten aber kaum erhältlich, was die geringe Zahl von Studien dazu erklären kann (Aparicio et al., 2021 nennen vier Studien). In Deutschland wurden allerdings schon seit 1998 im Rahmen des Sparkassen-Tourismusbarometers anonymisierte und aggregierte Daten aus Bargeldabhebungen als Nachfrageindikator genutzt (Vanhove, 2018, S. 53). Arias et al. (2018) und Romero Palop et al. (2019) haben gezeigt, dass es bei Vorliegen einer großen Zahl von Transaktionsdaten möglich ist, das gewöhnliche Umfeld (usual environment), das durchaus vom Wohnort abweichen kann, allein aus den Daten heraus zu bestimmen. Die Autoren waren allerdings Mitarbeiter der datenhaltenden Bank (der spanischen BBVA) und haben ausschließlich deren Daten für die Analyse genutzt. Weitere Möglichkeiten bieten Destinationskarten, mit denen ausge‐ wählte Attraktionen gegen Vorlage einer (digitalen) Karte zu reduzierten Preisen oder sogar kostenlos besucht werden können (Angeloni, 2016; 90 2 Datenquellen für die digitale Besuchermessung <?page no="91"?> Drozdowska et al., 2018; Leung, 2021; Pechlaner & Zehrer, 2005; Zoltan & Masiero, 2012; Zoltan & McKercher, 2015). Ein frühes Beispiel, die heute noch existente Kärnten Card, erreichte bereits Ende der 1990er Jahre inner‐ halb von fünf Jahren eine Verbreitung von mehr als 700.000 Exemplaren (Schmalz, 2000). Diese Destinationskarten sind in der Regel für unterschied‐ liche Zeiträume zu erwerben. Ihr Fokus liegt auf der Etablierung zusätzlicher Services für die Destinationsgäste. Dadurch unterscheiden sie sich von bürgerorientierten Freizeitkarten (Seidl & Schnitzer, 2021) oder exklusiven Destination Membership Cards (Thirumaran & Eijdenberg, 2021). Allerdings sind auch bei Destinationskarten die Beobachtungspunkte beschränkt auf die teilnehmenden Organisationen und deren Akzeptanzstellen. Einige Kar‐ ten, wie die Schwarzwälder KONUS Card, erlauben auch die kostenlose oder preisreduzierte Nutzung des ÖPNV vor Ort, was die Zahl der potenziellen Beobachtungspunkte deutlich ausweitet (Dürkop & Groß, 2012; Gronau, 2017). Werden die Karten zugleich für die Erhebung von öffentlichen Abgaben (z. B. für die Kurabgabe wie bei der Ostseecard) genutzt, ergeben sich weitere Datennutzungsmöglichkeiten. In einer Untersuchung im Tessin fanden Zoltan & McKercher (2015, S. 22) erhebliche Abweichungen zwi‐ schen den verkauften Karten und der tatsächlichen touristischen Aktivität an den untersuchten Orten. 2.2.3.2 Ziele und Bewertung Zur Zieleignung der ungekoppelten Transaktionsdaten lässt sich fest‐ halten, dass sie lediglich für die Frequenzzählung an einzelnen Standorten genutzt werden können (Tabelle 18). Weitergehende Möglichkeiten ergeben sich jedoch bei der Nutzung von gekoppelten Transaktionsdaten (vgl. Kapitel Kategorie B-2.2 in Kapitel 2.3.2). Ziel 1: Frequenzzählung an einzelnen Standorten ja Ziel 2: Messung von Besucherströmen in Arealen nein Ziel 3.1: Identifizierung von Aktionsräumen nein Ziel 3.2: Identifizierung von Quell-Zielgebietsbeziehungen nein Tabelle 18: Zieleignung der ungekoppelten Transaktions- und Interaktionsdaten (B-1.3) 91 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="92"?> Die externe Validität aller drei Verfahren ist grundsätzlich begrenzt bis gering. Zwar werden über die Transaktionen Personen erfasst, aber eben nur bei solchen Transaktionen, die auch auf das Mess-System entfallen. Bei Zahlungsdaten sind dies nur die Personen, die auch tatsächlich eine Zahlungstransaktion ausführen, bei Gästekarten nur die Personen, die im Besitz einer solchen sind und diese einsetzen, bei Kassen- und Reservie‐ rungssystemen nur Personen, die eine entsprechende Leistung in Anspruch nehmen. Die Anteile dieser Personen sind nicht bekannt und variieren vermutlich von System zu System. Die Typisierungsfähigkeit ist häufig abhängig von den weiteren Daten, die zusätzlich zu den eigentlichen Trans‐ aktionen zur Verfügung stehen. So könnten etwa Kartenanbieter die Trans‐ aktionsdaten mit zusätzlichen Stammdaten zur Herkunft der Karteninhaber anreichern. Je nach Interessenlage kann das durchaus eine relevante Infor‐ mation sein, die auf anderen Wegen nur schwer erhältlich ist (etwa bei der Betrachtung von internationalen Incoming-Märkten). Teil der eigentlichen Transaktionsdaten ist aber jedenfalls der Umsatz, der mit der Transaktion verbunden ist. Dadurch wird in der Regel zumindest eine Einschätzung des Zahlungssegmentes (Premium, Budget) möglich. Bei Destinationskarten kann zudem der Typ der Karte (Eintageskarte, Mehrtageskarte, Familien‐ karte, reduzierter Preis etc.) Hinweise zur Typisierung geben. Deshalb ist die Typisierungsfähigkeit dieser Systeme nicht sehr hoch, aber zumindest begrenzt vorhanden. Die touristische Klassifizierungsgüte hingegen ist bei Reservierungen oder Verkäufen gering. Bei Bezahlsystemen ist zumin‐ dest auf hoch aggregierter Ebene eine Identifizierung nach Großräumen oder Herkunftsnationen möglich. Lediglich bei Destinationskarten lässt sich eine Klassifizierung herstellen, wenn bei Ausstellung die entsprechenden Daten mit erhoben werden. Zudem kann man bei Destinationskarten davon ausgehen, dass primär (Übernachtungs-) Touristen diese Karten nutzen, während andere Besuchergruppen oder Einwohnende in den Daten erst gar nicht in Erscheinung treten. Die räumliche Auflösung der Daten hängt ab von der Zahl der im System einbezogenen Kontaktstellen (PoS, Akzeptanzstellen). Diese ist bei Kassen- und Reservierungssystemen in der Theorie recht groß, in der Praxis aber sehr begrenzt. Bezahlsysteme nehmen in der Theorie eine mittlere Stel‐ lung ein, aber Testdaten zeigen, dass im Ergebnis nur hochaggregierte Daten zur Verfügung stehen. Auch Destinationskarten sind hier in den meisten Fällen von vornherein eingeschränkt, weil die Zahl der Akzeptanzstellen relativ begrenzt ist. Auch die zeitliche Auflösung ist, im Vergleich zu 92 2 Datenquellen für die digitale Besuchermessung <?page no="93"?> anderen Systemen, eingeschränkt, weil die Kontaktstellen in der Regel nur zu bestimmten Zeiten erreichbar sind. Gleichzeitig sind dies aber vermutlich die touristisch relevanten Zeiten, so dass sich der augenscheinliche Nachteil wieder relativiert. Während der Akzeptanzzeiten werden die Transaktionen mit einem Zeitstempel versehen. Die Latenz der Daten ist installationsabhängig und hängt davon ab, in welchen Intervallen die Daten von den Akzeptanzstellen übermittelt und dann weiterverarbeitet werden. Die Vollständigkeit der Daten, also der Anteil der erfassten Signale an allen relevanten Signalen, ist bei Gästekarten vermutlich begrenzt: Wer eine Gästekarte besitzt, die zu einem freien oder rabattierten Eintritt oder ähnlichem berechtigt, wird diese vermutlich auch einsetzen, aber es werden eben nur Karteninhaber dieses Systems erfasst. Bei Zahlungstransaktionen ist die Vollständigkeit ebenfalls begrenzt, weil hier nur der Anteil erfasst wird, der das datenliefernde System nutzt. So kann das Kreditkartensystem M keine Daten beim Einsatz von Kreditkarte V oder einer Debitkarte oder gar bei Barzahlung erfassen. Bei Kassen- und Reservierungssystemen dürfte die Vollständigkeit am höchsten sein. Allerdings sind bei Reservierungssystemen ebenfalls Abweichungen möglich, wenn etwa Leistungen auch ohne Reservie‐ rung in Anspruch genommen werden können. Die Reliabilität der Daten dürfte in allen Fällen hoch sein, obwohl Systemausfälle vorkommen können. Die Verfügbarkeit der Daten ist ein Schwachpunkt einiger dieser Ver‐ fahren. Bei den Bezahlsystemen kommen zwar zunehmend Daten auf den Markt, aber diese sind relativ teuer. Daten aus Kassen- und Reservie‐ rungssystemen stehen in der Regel aber aus Gründen des betrieblichen Datenschutzes nicht zur Verfügung, denn daraus lassen sich Umsätze und weitere betriebliche Kennziffern ableiten. Diese wollen Betriebe aus nach‐ vollziehbaren Gründen (z. B. Wettbewerbsschutz, Steuergeheimnis) nicht preisgeben. Bei Destinationskartensystemen ist die Verfügbarkeit wohl unterschiedlich, obwohl systematische Untersuchungen dazu fehlen. Diese Systeme werden in der Regel von den DMO betrieben, so dass dort die Nachfragedaten aus den Akzeptanzstellen vorliegen sollten. Letztlich hängt es hier von der vertraglichen Gestaltung innerhalb des Kartensystems ab, welche Daten wie und von wem genutzt werden können. Die Transparenz der Datenverarbeitung ist unterschiedlich. Bei Daten aus Bezahlsystemen ist sie eher begrenzt, weil die Datenlieferanten ihre jeweils eigenen Projekti‐ ons- und Gewichtungsalgorithmen einsetzen. Die datenschutzrechtliche Zulässigkeit ist abhängig von der konkreten Implementierung. Hier sind 93 2.2 Standortmessungen (Singlespot-Messsysteme) <?page no="94"?> einige Rahmenbedingungen zu beachten, denn die Grundlage der Daten in allen drei Systemen können unter anderem personenbezogene Daten sein (z. B. Kartennummern). Ihre datenschutzrechtliche Zulässigkeit hängt also davon ab, in welchem Aggregationsniveau die Daten verarbeitet werden und ob dabei personenbezogene Daten überhaupt verarbeitet werden müssen. Das ist bei einfachen Frequenzdaten sicher nicht der Fall (anders aber bei den gekoppelten Transaktionsdaten, siehe B.2). Gleichwohl ist der Datenschutz ein wesentlicher Hinderungsgrund für die Verfügbarkeit der Daten - allerdings geht es dabei weniger um den Schutz der Kundendaten, sondern um den Schutz des betrieblichen Datengeheimnisses. Gleiches gilt auf Kundenseite für die ethische Vertretbarkeit: Es ist nicht zu erkennen, wie die Nutzung solcher Daten zu einer problematischen Situation führen sollte, denn es werden keine personenbezogenen Daten genutzt. Bewertungsdimen‐ sion Kassen- und Reservie‐ rungssysteme Bezahlsys‐ teme Destinationskar‐ ten (1) externe Validität begrenzt begrenzt-ge‐ ring begrenzt-gering (2) Typisierungsfähig‐ keit begrenzt hoch-begrenzt begrenzt (3) touristische Klassifi‐ zierungsgüte gering begrenzt begrenzt (4) räumliche Auflösung gering gering gering (5) zeitliche Auflösung begrenzt begrenzt begrenzt (6) Latenz installationsabhängig (7) Vollständigkeit hoch begrenzt begrenzt (8) Präzision hoch hoch hoch (9) Reliabilität hoch hoch hoch (10) Verfügbarkeit gering begrenzt systemabhängig 94 2 Datenquellen für die digitale Besuchermessung <?page no="95"?> Bewertungsdimen‐ sion Kassen- und Reservie‐ rungssysteme Bezahlsys‐ teme Destinationskar‐ ten (11) Transparenz systemabhän‐ gig begrenzt hoch (12) datenschutzrechtli‐ che Zulässigkeit hoch hoch hoch (13) ethische Vertret‐ barkeit hoch hoch hoch Tabelle 19: Bewertung der Transaktionsdatenquellen (B-1.3) 2.2.3.3 Fazit Auch die Transaktions- und Interaktionsdaten lassen sich ungekoppelt lediglich zur Messung von Besucherfrequenzen nutzen. Ihr Stärke liegt in der hohen Präzision und Reliabilität und auch die Themen Datenschutz und ethische Vertretbarkeit sind als unproblematisch einzustufen. Gleich‐ wohl ist ihre Nutzung mit Blick auf die tourismusspezifische Dimension begrenzt. Auch die Verfügbarkeit kann als wesentlicher Kritikpunkt dieser Daten benannt werden, was sich wiederrum in der geringen Anzahl an Forschungsarbeiten niederschlägt. 2.3 Mini-Signalketten (gekoppelte Standortmessungen) Gekoppelte Daten sind solche, bei denen eine Re-Identifikation von Nut‐ zern, Endgeräten oder anderen digitalen Identifikationsträgern erfolgt. Auf diese Weise lassen sich Mini-Signalketten bilden, die durch die Zahl der ge‐ koppelten Sensoren begrenzt wird. Diese Datenquellen bilden, im Vergleich zu denen der Kategorie A, eine eigene Kategorie, weil hier die Signalketten deutlich kürzer sind und in der Regel nur eine Frequenzabschätzung an einzelnen Standorten erlauben, bei den darüberhinausgehenden Anwen‐ dungszielen aber beschränkt bis gar nicht aussagekräftig sind. Abbildung 16 zeigt das Prinzip am Beispiel einer fiktiven „Gästekarte Schleswig-Holstein“, die erst in Lübeck, dann in Kiel und schließlich auf Sylt von einem oder einer Reisenden eingesetzt wird. In der Datenbank lässt sich dann auf 95 2.3 Mini-Signalketten (gekoppelte Standortmessungen) <?page no="96"?> Basis der Signalkette eine virtuelle Reiseroute erstellen, vorausgesetzt, dass ein eindeutiges Identifikationsmerkmal („ID“) gespeichert und übertragen wird. Die Signalkette ist aber kurz, sie besteht in diesem Fall nur aus drei Punkten. Dieses Prinzip lässt sich in gleicher Weise auf den Einsatz von Zahlungskarten, die Identifizierung durch Wifi-Basisstationen, Bluetooth oder Kameras übertragen. Abb. 16: Mini-Signalkette am Beispiel einer fiktiven „Gästekarte Schleswig-Holstein“ ID ID ID 1 2 3 Abbildung 16: Mini-Signalkette am Beispiel einer fiktiven „Gästekarte Schleswig-Holstein“ 2.3.1 B-2.1: Gekoppelte stationäre Sensorik 2.3.1.1 Methode Wie oben bereits beschrieben, lassen es bestimmte Sensoren der Kategorien B1-1. und B1-2 (Kapitel 2.2.1 und 2.2.2) zu, dass Personen oder Endgeräte wiedererkannt werden können. Das ist immer dann der Fall, wenn ein eindeutiges Merkmal übertragen und gespeichert wird. 96 2 Datenquellen für die digitale Besuchermessung <?page no="97"?> Im Einzelnen sind das: ● bei Wifi-Scannern die (temporäre) Media-Access-Control-Adresse (MAC-Adresse) des Endgerätes ● bei Bluetooth-Scannern die MAC-Adresse des Endgerätes ● bei optischen Kameras ein beliebiges Identifikationsmerkmal, wie zum Beispiel ein Autokennzeichen oder ein Gesicht. In einer Studie auf einem Festival in Gent (Belgien) konnten Versichele et al. (2012) von rund 1,5 Millionen Besucherinnen und Besuchern mehr als 150.000 Signalketten („trajectories“) von mehr als 80.000 Besuchern extra‐ hieren und analysieren. Oosterlinck et al. (2017) nutzten 56 Bluetooth-Scan‐ ner in einer Shoppingmall, um knapp 19.000 MAC-Adressen innerhalb von 19 Tagen zu scannen. Im Innenstadtbereich von Barcelona gelang es Yoshimura et al. (2017), zumindest kurze Signalketten zu analysieren. Eine ähnliche Anwendung im Musée du Louvre beschreiben Yoshimura et al. (2014). Technisch würden sich auch flächendeckende öffentliche WLAN-Zu‐ gangssysteme für ein solches Tracking eignen. Solche Systeme gibt es national kommerziell (etwa von der Deutschen Telekom AG unter dem Namen „Telekom HotSpot“) oder nicht-kommerziell (wie die „Freifunk“-An‐ gebote) oder auch auf einzelne Bundesländer oder Regionen beschränkt (etwa das #SH-WLAN in Schleswig-Holstein). Auch Verkehrsanbieter bieten zunehmend offene WLAN-Zugänge in Bussen und Bahnen an. Gängig ist die Weiterleitung zu einem sogenannten captive portal, in dem der Nutzer seine Zustimmung zu den Nutzungsbedingungen und ggf. weitere Informationen hinterlegen muss, bevor ein Internetzugang möglich wird. Touristische Studien, in denen Daten von öffentlichen WLAN-Systemen genutzt werden, sind bisher nicht bekannt. Allerdings gehen die Hersteller von Smartphone-Betriebssystemen zu‐ nehmend dazu über, für die Phase der ersten Kontaktaufnahme (Probe), oder inzwischen auch dauerhaft, randomisierte MAC-Adressen zu ver‐ wenden, um ein Tracking ohne Netzwerkzugang zu erschweren (Martin et al., 2017; Oliveira et al., 2019). Ribeiro et al. (2020) ermittelten einen Anteil von 94 % randomisierten MAC-Adressen, die eine Re-Identifikation erschweren können. Nutzer von Android ab Version 11 können zum Bei‐ spiel wählen, ob sie mit einer nicht-randomisierten, dauerhaft (persistent) randomisierten oder sogar nicht dauerhaft randomisierten MAC-Adresse arbeiten möchten. Nicht dauerhaft randomisierte MAC-Adressen werden 97 2.3 Mini-Signalketten (gekoppelte Standortmessungen) <?page no="98"?> in der Regel nach 24 Stunden neu generiert, so dass sie für ein Netzwerk nicht mehr erkennbar sind. Ähnliche Einstellungen sind für iOS ab Version 14 implementiert. Die Grenzen eines solchen Systems machten McKercher & Lau (2009, S. 449) deutlich: „The University’s IT experts advocated strongly the use of fixed moni‐ toring systems using Bluetooth or similar technology. They argued that technology was proven, cost-effective, and easy to manage. However, IT people are not tourism experts and had little knowledge of the spatial organization of tourism infrastructure in Hong Kong or the complexity of the tourism system. They believed naively that tourists moved within a small set of major attractions and little else. They suggested that the establishment of 15 to 20 receiving stations at the most popular sites would effectively capture most movements. However, when both the volume and spatial distribution of attractions were described, the IT people realized quickly such a method was unsuitable.” Touristische Studien, die ein Besuchertracking mit Hilfe optischer Kame‐ ras im öffentlichen Raum untersuchten, sind rar. Einzig Izquierdo Valverde et al. (2016) haben mit Hilfe von Kameras und der Analyse von Autokenn‐ zeichen eine Abschätzung über den internationalen Incoming-Tourismus nach Spanien geschätzt. 2.3.1.2 Ziele und Bewertung Mit Blick auf die Zielerreichung können Frequenzzählungen an einzelnen Standorten bejaht werden. Die Messung von Besucherströmen oder Ak‐ tionsräumen ist in der Kürze der Signalketten möglich, aber nicht in dem Maße wie bei den Ad hoc-Stichproben mit GPS-Endgeräten. Eine Identifizierung von Quell-Zielgebietsbeziehungen ist gar nicht möglich, weil die Sensornetze in der Regel nur in der Destination, aber nicht in den Quellgebieten verfügbar sind und dementsprechend nur Aussagekraft auf lokaler Ebene hat. Es wäre aber technisch möglich, mit gekoppelter Sensorik zumindest den Binnentourismus in überschaubaren Destinationen zu identifizieren, denkt man etwa an bundes- oder landesweit verfügbare öffentliche Wifi-Netze. 98 2 Datenquellen für die digitale Besuchermessung <?page no="99"?> Ziel 1: Frequenzzählung an einzelnen Standorten ja Ziel 2: Messung von Besucherströmen in Arealen ja, mit Grenzen Ziel 3.1: Identifizierung von Aktionsräumen ja, mit Grenzen Ziel 3.2: Identifizierung von Quell-Zielgebietsbeziehungen nein Tabelle 20: Zieleignung der gekoppelten stationären Sensorik (B-2.1) Obwohl in einigen Studien (Oosterlinck et al., 2017; Versichele et al., 2012) anhand eines Methodenmixes aus manueller Zählung oder Videoaufnahmen eine Abschätzung des gesamten Besuchervolumen versucht wird, liegt der Schwachpunkt dieser Technik in der unzureichenden externen Validität. Gemessen werden Bluetooth- oder Wifi-Endgeräte, aber nicht die Personen. Hier ist die Bewertung der gekoppelten Variante identisch zu der ungekop‐ pelten Variante (vgl. Kapitel 2.2.1 und 2.2.2). Die Typisierungsfähigkeit ist allerdings höher als bei der ungekoppelten Variante, eben weil nun, wenn auch begrenzte, Signalketten vorliegen. Gleichwohl sind diese Ketten im Vergleich zu Datenquellen der Kategorie A immer noch begrenzt. Die touristische Klassifizierungsgüte ist nicht gegeben. Der Grund ist, dass eben keine Quell-Zielgebietsbeziehungen beschrieben werden können, die aber Voraussetzung für die Klassifizierung von Touristinnen und Touristen sind. Die räumliche Auflösung ist begrenzt und abhängig von der Größe des zu beschreibenden Raumes (Mikro-Ebene, Reif, 2021, S. 40) und der Zahl der Sensoren. In der Literatur sind bestenfalls einige Dutzend Sensoren genannt. Die zeitliche Auflösung ist hingegen hoch, weil eventgetriggerte Zeitstempel verwendet werden. Die Latenz hingegen ist installationsabhän‐ gig. Prinzipiell können die Daten in Echtzeit zur Verfügung stehen, wenn die Installation entsprechend aufgebaut wird. Die Vollständigkeit der Daten ist gering, die Präzision sogar gering (Wifi) bis sehr gering (Bluetooth), weil nur ein Bruchteil der Geräte tatsächlich erkannt wird und gleichzeitig nicht erwünschte Geräte (z. B. reine Audiowiedergabege‐ räte) rausgefiltert werden müssen. Über die Reliabilität können kaum generelle Aussagen getroffen werden, auch dieser Parameter ist installationsabhängig. Die Verfügbarkeit ist recht hoch, allerdings muss ein Zuwachs an räumlicher Auflösung mit einem entsprechenden Kostenaufwand erkauft werden, weil schlicht die Zahl der Basisstationen entsprechend erhöht werden muss. Die Transparenz hingegen ist grundsätzlich hoch, weil die Analyse im Zugriff der Anwender liegt. Die datenschutzrechtliche Zulässigkeit ist ein weiterer 99 2.3 Mini-Signalketten (gekoppelte Standortmessungen) <?page no="100"?> Schwachpunkt dieser Methode. Da die Anwender Zugriff auf das Gesamtsystem haben, müssen sie auch für die Einhaltung der Datenschutzregeln sorgen. Das ist möglich, bringt aber eine Reihe von Auflagen mit sich, weil MAC-Adressen oder Fotografien als personenbezogene Daten bewertet werden. Für deren Speicherung und Verarbeitung sind die einschlägigen datenschutzrechtlichen Regeln zu befolgen, insbesondere Hinweis-, Informations- und ggf. Zustim‐ mungspflichten der zu trackenden Personen. Ein Hinweis allein ist in der Regel nicht ausreichend. In der Praxis wird bereits die Nutzung von reinen Zählsystemen, bei denen die personenbezogenen Daten gar nicht genutzt werden, von den Datenschutzbehörden sehr kritisch bewertet. Umso höher dürften die Hürden bei Systemen liegen, die eine Re-Identifizierung vorausset‐ zen. Momentan kann zumindest für Deutschland davon ausgegangen werden, dass die Datenschutzregeln eine solche Nutzung, zumindest außerhalb von klar umgrenzten Gebieten, in denen eine Zustimmung eingeholt werden kann, faktisch unmöglich machen. Allerdings ist nicht ausgeschlossen, dass sich das in Zukunft ändern könnte, denn systematisch ist ein ausgedehntes öffentliches Wifi-Netz durchaus mit einem öffentlichen Mobilfunknetz vergleichbar, so dass grundsätzlich auch die gleichen Datenschutzregeln (z. B. 24-Stunden-Re‐ hash, k=x-Anonymisierung) Anwendung finden könnten. Für die ethische Vertretbarkeit gilt sinngemäß die Einschätzung der ungekoppelten Sensorik, allerdings in verschärfter Form: Ein Gefühl des Überwachtwerdens wird bei der gekoppelten Variante eher noch größer sein als bei der ungekoppelten Variante. Bewertungsdimension Bewertung Anmerkungen (1) externe Validität begrenzt (2) Typisierungsfähigkeit begrenzt (3) touristische Klassifizierungsgüte keine (4) räumliche Auflösung begrenzt (5) zeitliche Auflösung hoch (6) Latenz installationsabhängig (7) Vollständigkeit gering (8) Präzision gering bis sehr gering 100 2 Datenquellen für die digitale Besuchermessung <?page no="101"?> Bewertungsdimension Bewertung Anmerkungen (9) Reliabilität installationsabhängig (10) Verfügbarkeit recht hoch (11) Transparenz Hoch (12) datenschutzrechtliche Zulässig‐ keit schwierig bis unmög‐ lich jedenfalls derzeit (13) ethische Vertretbarkeit schwierig Tabelle 21: Bewertung der gekoppelten stationären Sensorik (B-2.1) 2.3.1.3 Fazit Im Bereich der gekoppelten lokalen Sensorik werden derzeit fast ausschließ‐ lich Flächenzähler für Wifi- und Bluetooth-Signale genutzt. In der Forschung gibt es vereinzelte Studien, die die grundsätzliche Machbarkeit im touristi‐ schen Kontext zeigen. In der Destinationspraxis sind hingegen keine Beispiele für den tatsächlichen Einsatz bekannt. Grund dürften der Aufwand zur Etablierung eines Messsystems und die datenschutzrechtlichen Hürden sein. Es ist aber denkbar, dass hier Anbieter mit entsprechenden Datenschutz‐ konzepten in den Markt kommen könnten, um dann Daten mit ähnlicher Qualität (wenn auch nicht Reichweite) wie bei passiven Mobilfunkdaten zu produzieren. Der Vorteil von Wifi-Zählgeräten oder Bluetooth liegt auch in den zum Teil geringen Kosten und der vergleichsweisen schnellen Installation der Hardware. Hinzu kommt, dass insbesondere bei kleineren Destinationen, oder auch bei Events mit vergleichsweise geringen Kosten, Daten zum raumzeitlichen Verhalten von Besuchern generiert werden können. 2.3.2 B-2.2: Gekoppelte Transaktions- und Interaktionsdaten 2.3.2.1 Methode Gekoppelte Transaktionsdaten sind Daten aus Transaktionen (vgl. Kapitel 2.2.3), bei denen die Besucher re-identifiziert werden können. Dazu ist es 101 2.3 Mini-Signalketten (gekoppelte Standortmessungen) <?page no="102"?> notwendig, dass bei der Transaktion ein Identifikationsmerkmal erfasst und innerhalb des Systems weitergegeben wird. Dafür eignen sich insbesondere ● Daten aus Bezahlsystemen, bei denen die Bezahlkarte das Identifikati‐ onsmerkmal darstellt, und ● Transaktionsdaten aus Destinationskartensystemen, bei denen die Desti‐ nationskarte das Identifikationsmerkmal ist (vgl. dazu auch Abbildung 16). Bei den Bezahlsystemen macht vor allem die große Zahl der Akzeptanz‐ stellen und Transaktionen eine Nutzung zur Besuchermessung interessant (vgl. Kapitel 2.2.3). Allerdings haben nur die Betreiber der Systeme (Banken und Kreditkartenunternehmen) Zugriff auf die Daten und sind als einzige in der Lage, Bewegungsmuster und Signalketten zu etablieren. So liegen auch den wenigen Publikationen, die zumindest rudimentäre Signalketten aus dieser Datenquelle generieren konnten, Daten von Banken zu Grunde (Aparicio et al., 2021; Arias et al., 2018; Romero Palop et al., 2019) oder sie entstanden in Zusammenarbeit mit Kreditkartenanbietern (London First et al., 2019). Über eine grobe (länderweise) Quell-Zielmarktbeziehung kamen diese Studien aber nicht hinaus. Im Vergleich zu den deutschlandweit mehr als einer Million Bezahlkar‐ ten-Akzeptanzstellen (Tabelle 17) sind die Destinationskartensysteme deutlich kleiner und haben durchaus unterschiedliche Größen (Tabelle 22). Allerdings haben gekoppelte Transaktionsdaten aus Destinationskarten den Vorteil, dass mit hoher Wahrscheinlichkeit (urlaubs-) touristische Sig‐ nalketten abgebildet werden, da die meisten Karten von vornherein auf Urlaubsgäste in der Destination ausgelegt sind. Ein weiterer Vorteil dieser Daten ist, dass Tourismusakteure (z. B. DMO) in der Regel leichteren Zugriff auf diese Daten haben als auf Karten aus Bezahlsystemen. Kartensystem Destination Größe Ostseecard Ostsee Schleswig-Holstein 18 Orte, 35 Partner Ruhr.top Card Ruhrgebiet 140 Ausflugsziele Berlin Welcome Card Berlin 190 Partner Thüringer Wald Card Thüringer Wald 200 Partner Schwarzwaldcard Schwarzwald 200 Attraktionen Tabelle 22: Unterschiedliche Größen von Destinationskartensystemen (Beispiele) | Quelle: Angaben der Betreiber, Zusammenstellung: Autoren, Stand; März 2022. 102 2 Datenquellen für die digitale Besuchermessung <?page no="103"?> Allerdings sind auch für Signalketten aus Destinationskarten nur wenige Studien verfügbar. Scuderi & Dalle Nogare (2018) fanden am Beispiel des Val di Non im Trentino heraus, dass von 7.279 analysierten Karten nur rund die Hälfte mehr als einmal eingesetzt wurde. Mit diesen mehrfach eingesetzten Karten gelang es, häufige Nutzungsmuster zu identifizieren. Allerdings waren diese Mini-Signalketten auf Cluster von Attraktionen beschränkt, um eine ausreichende Zahl von Fällen je Signalkettentyp zu erhalten. Einen anderen Ansatz wählten Zoltan & McKercher (2015, S. 24) in einer Studie im Tessin. Statt die Signalketten zu modellieren und zu quantifizieren, führten sie auf Basis der Nutzerprofile lediglich eine Segmentierungsstudie durch. 2.3.2.2 Ziele und Bewertung Bezüglich der Ziele der Besuchermessung kann die Frequenzzählung an einzelnen Standorten grundsätzlich bejaht werden (Tabelle 23). Die weiteren Ziele können zumindest bedingt erreicht werden. Neben der Nutzungsfrequenz auf Seite der Nachfrage ist ein wesentlicher limitieren‐ der Faktor dabei die Zahl und Verteilung der Akzeptanzstellen: je mehr Akzeptanzstellen in die Analyse einbezogen werden können, desto aussa‐ gekräftiger werden die Ergebnisse sein. Bei Ziel 3.2 (Identifizierung von Quell-Zielgebietsbeziehungen) ist weiterhin einzuschränken, dass hier nicht allein die Transaktionsdaten Auskunft geben können, sondern eine Verschneidung mit weiteren Kundendaten (insbesondere zum Wohnort) erforderlich ist. Bezahl‐ systeme Destinati‐ onskarten Ziel 1: Frequenzzählung an einzelnen Standorten ja ja Ziel 2: Messung von Besucherströmen in Arealen ja, mit Grenzen ja, mit Grenzen Ziel 3.1: Identifizierung von Aktionsräumen ja, mit Grenzen Ja, mit Grenzen Ziel 3.2: Identifizierung von Quell-Zielgebietsbezie‐ hungen bedingt bedingt Tabelle 23: Zieleignung der gekoppelten Transaktions-Daten (B-2.2) 103 2.3 Mini-Signalketten (gekoppelte Standortmessungen) <?page no="104"?> Die externe Validität ist, wie in der Kategorie B-1.3 (Kapitel 2.2.3) gezeigt, begrenzt bis gering. Daran ändert auch die Kopplung der Daten nichts. Die Typisierungsfähigkeit ist in der gekoppelten Variante allerdings etwas höher, weil die Signalketten an sich bereits Typisierungsinformationen be‐ reithalten können (zum Beispiel zur Aufenthaltsdauer in einer Destination). Die touristische Klassifizierungsgüte hingegen ist wiederum nur gering bis begrenzt. In der Regel dürfte die Kopplung der Daten den ohnehin vor‐ liegenden Segmentinformationen keine zusätzlichen Aspekte hinzufügen. Gleichwohl besteht bei den Destinationskarten i. d. R. der Vorteil, dass diese nur an Übernachtungsgäste ausgehändigt werden. Ist dies der Fall, können eindeutig touristische Mini-Signalketten nachvollzogen werden. Die räumliche Auflösung ist im Vergleich zu anderen Datenquellen mittel bis gering. Je nach Größe der Destination und nach Einsatz von einer Gästekarte, können jedoch auch größere Aktionsräume beschrieben wer‐ den. Die zeitliche Auflösung hingegen ist höher, allerdings auf Zeitpunkte von tatsächlichen Transaktionen beschränkt. Die Latenz ist abhängig von den jeweiligen Anbietern der Kartensysteme. Die Vollständigkeit ist be‐ grenzt bis gering, denn es werden nicht alle Transaktionen, sondern nur diejenigen erfasst, die auf das jeweilige Bezahl- oder Kartensystem entfallen. Im Vergleich zu den ungekoppelten Daten ist die Vollständigkeit hier noch einmal geringer, weil zur Auswertung nur die Daten zur Verfügung stehen, die an zwei oder mehr Stellen identifizierbar sind. Präzision, Reliabilität sind als unproblematisch und hoch anzusehen. Auch die Verfügbarkeit der Daten ist bei Bezahlsystemen begrenzt, bei Destinationskarten etwas höher, aber in der Realität eben auch begrenzt, wie die geringe Zahl der Studien dazu zeigt. Auch die Transparenz ist im Allgemeinen hoch, da keine aufwändige Weiterverarbeitung der Daten erforderlich ist. Die datenschutzrechtliche Zulässigkeit ist im Vergleich zu den ungekoppelten Daten unter Umständen eingeschränkt, denn zur Re-Identifizierung der Transaktionen müssen eindeutige (perso‐ nenbezogene) Informationen vorliegen. Bei Daten aus Bezahlsystemen ist der Datenanbieter für die Einhaltung der datenschutzrechtlichen Regeln verantwortlich. Bei Daten aus Destinationskarten hingegen ist in der Regel die DMO verantwortlich und die Zulässigkeit eines Trackings mit perso‐ nenbezogenen Daten ist von der konkreten Ausgestaltung abhängig. Im Zweifel ist die Einwilligung der betroffenen Personen einzuholen oder eine sichere Anonymisierung zu gewährleisten. Die ethische Vertretbarkeit ist grundsätzlich gegeben: Sofern die datenschutzrechtlichen Bedingungen 104 2 Datenquellen für die digitale Besuchermessung <?page no="105"?> eingehalten werden, ist eine Schädigung von Personen durch die Analyse von gekoppelten Transaktionsdaten nicht zu erkennen. Bewertungsdimension Bezahlsysteme Destinationskarten (1) externe Validität begrenzt-gering begrenzt-gering (2) Typisierungsfähigkeit hoch-begrenzt hoch-begrenzt (3) touristische Klassifizierungsgüte begrenzt-gering recht hoch (4) räumliche Auflösung mittel mittel (5) zeitliche Auflösung begrenzt begrenzt (6) Latenz fallabhängig fallabhängig (7) vollständigkeit begrenzt-gering begrenzt-gering (8) Präzision hoch hoch (9) Reliabilität hoch hoch (10) Verfügbarkeit begrenzt hoch-begrenzt (11) Transparenz hoch hoch (12) datenschutzrechtliche Zulässigkeit begrenzt begrenzt (13) ethische Vertretbarkeit hoch hoch Tabelle 24: Bewertung der gekoppelten Transaktions- und Interaktionsdaten (B-2.2) 2.3.2.3 Fazit Gekoppelte Mini-Signalketten aus Transaktionsdaten in Form von Bezahl‐ systemen oder Destinationskarten bieten mit Blick auf die Zielbereiche das Potenzial zur Bestimmung von Frequenzen, Besucherströmen und Aktionsräumen. Gleichwohl ist der Zielerreichungsgrad abhängig von den entsprechenden Akzeptanzstellen im zu betrachteten Zielgebiet und der Nutzungshäufigkeit der Nachfrage. Die Studienlage hierzu ist begrenzt. Für 105 2.3 Mini-Signalketten (gekoppelte Standortmessungen) <?page no="106"?> den konkreten Einsatz im Tourismus scheinen Destinationskarten bislang besser geeignet zu sein. Der Grund dafür liegt in der höheren touristischen Klassifizierungsgüte sowie in der tendenziell besseren Verfügbarkeit. 2.3.3 B-2.3: Gekoppelte Social-Media-Daten 2.3.3.1 Methode Social-Media-Daten können aufgrund der en passant generierten Zeit- und Ortsstempel bei den Postings der User auch für die Zwecke des digitalen Besuchermanagements im Tourismus genutzt werden. Dadurch, dass die Geolokationsdaten mehr oder weniger als Nebenprodukt der eigentlichen Mitteilung (textliche Aussage bei Twitter, Fotoaufnahme bei Flickr oder Instagram) entstehen, werden sie auch als Ambient Geospatial Informa‐ tion, AGI, bezeichnet (Stefanidis et al., 2013; siehe auch Kapitel 2.4.1). Allerdings sind die Übergänge zu den Volunteered Geographic Information (vgl. Kapitel 2.1.2) fließend (Reif, 2021, S. 29). Der Kerngedanke bei der Kopplung von Social-Media-Daten ist, den Grundansatz der Frequenzmessung (vergleiche die Kategorie C.1, Kapitel 2.4.1) so auszuweiten, dass Bewegungspfade analysierbar werden. Das Prinzip von „trajectory mining“ (Chua et al., 2016, S. 299) oder „photo trails“ (Y.-T. Zheng et al., 2012, S. 56: 5) zeigt Abbildung 17: Fotos oder Posts werden anhand der Zeitstempel in eine Reihenfolge gebracht und dann mit Pfaden (durchgezogenen Linien) verbunden. Die Abbildung zeigt zugleich eine der größten Schwächen des Verfahrens: Es ist sehr gut möglich, dass die echten Bewegungspfade (gestrichelte Linien) ganz anders verlaufen (z. B. nicht direkt von E zu F) oder die im Nutzerprofil angezeigten Fotos nur eine Teilmenge der tatsächlich besuchten PoI darstellen (z. B. der Abstecher von C über D) und dass auch nicht alle besuchten PoI überhaupt im Fotodatensatz auftauchen (Kreise ohne Buchstaben). Stienmetz & Fesenmaier (2016, S. 3) beschreiben dieses Vorgehen an‐ schaulich: „For example, the trajectories of all social media users within a particular destination can be used to quantify a network structure where nodes represent the unique touchpoints within the destination and ties represent the physical movement of visitors from one touchpoint to another“. Mit anderen Worten: Gemessen wird die Reihenfolge der Fotos, und die Wege zwischen den Fotos werden als Kanten eines Netzwerkes, 106 2 Datenquellen für die digitale Besuchermessung <?page no="107"?> Abb. 17: Pfaddesign (trajectory mining) aus gekoppelten Social Media-Daten User Photo Streams A B D E C 1 2 3 4 Photo-POI Mapping Timed Paths A B C F D E F Abbildung 17: Pfaddesign (trajectory mining) aus gekoppelten Social-Media-Daten | Quelle: Eigener Entwurf, erweitert nach De Choudhury et al. (2010). meist einfach als gerade Linie, hinzugefügt. Eine relativ frühe Studie (Chareyron et al., 2013) kann das Prinzip verdeutlichen: Anhand von Fotos auf der Plattform Flickr konnten die Autoren auswerten, in welcher Reihenfolge bestimmte Sehenswürdigkeiten im Schlosspark von Versailles besucht wurden. Eine ähnliche kleinräumliche Untersuchung, ebenfalls mit Daten aus der Plattform Flickr, legten Zheng et al. (2012) für die Bewegungsprofile in London oder Vu et al. (2015) in Hongkong vor. Kádár & Gede (2021) konnten mit Hilfe von Flickr-Daten Bewegungen entlang 107 2.3 Mini-Signalketten (gekoppelte Standortmessungen) <?page no="108"?> der Donau rekonstruieren. Am Beispiel der EXPO 2015 in Mailand gelang es Diamantini et al. (2017), die Pfade von Instagram-Nutzenden auf dem Gelände nachzuzeichnen. Chua et al. (2016) untersuchten die Pfade im süditalienischen National‐ park Cilento anhand von Twitter-Posts. Sie werteten mehr als 70.000 Tweets von mehr als 3.000 Nutzerkonten aus und konnten zumindest grobe Beziehungen zwischen einzelnen Ortschaften herausarbeiten. Außerdem versuchten sie eine Klassifizierung der Nutzerkonten nach Einheimischen, inländischen und ausländischen Touristen, konnten aber knapp vier von zehn Konten nicht klassifizieren. Eher großräumliche Quell-Zielgebietsbeziehungen zwischen China, Aus‐ tralien, Europa etc. zeigen Chen, Becken et al. (2021) mit Daten aus der chinesischen Social-Media-Plattform Weibo oder Wood et al. (2013) mit Daten aus Flickr. Einen klaren Vorteil der Social-Media-Daten gegenüber Befragungsdaten zeigten Stienmetz & Fesenmaier (2016): Während die Social-Media-Daten immer eine zeitliche Abfolge der besuchten PoI konstruieren können, ist dies bei Befragungsdaten nicht immer möglich. Auch eine zumindest grobe Identifizierung von Einheimischen und Touristen wurde mit diesen Daten versucht. Dazu werden manuelle Methoden wie zum Beispiel Zeitabstände zwischen durch Fotos dokumentierten Besuchen (Mukhina et al., 2017) oder Verfahren des maschinellen Lernens, wie zum Beispiel Frequent Item Sets, eingesetzt (Derdouri & Osaragi, 2021; Diamantini et al., 2017). Der größte Schwachpunkt der aus Social-Media-Daten generierten Trackings bleibt, wie oben schon angedeutet, deren eklektizistisches Zustandekommen: Es ist im Belieben der Nutzenden, ob und wenn ja wie und wie oft sie einen besuchten PoI fotografieren oder kommentieren und das Ergebnis hochladen. Dieses hohe Maß an nicht kontrollierbarer Selbstselektion macht die Daten zwar interessant, aber nicht zuverlässig generalisierbar (Bauder, 2019; Bauder, Michael & Hologa, 2020; Salas-Ol‐ medo et al., 2018). 2.3.3.2 Ziele und Bewertung Im Vergleich zu den nicht gekoppelten Social-Media-Daten (vgl. Kapitel 2.4.1) sind gekoppelte Social-Media-Daten etwas leistungsfähiger und kön‐ nen für die Ziele 2, 3.1 und 3.2 zumindest prinzipiell genutzt werden. Dabei 108 2 Datenquellen für die digitale Besuchermessung <?page no="109"?> gibt es aber deutliche Einschränkungen, wie der Abschnitt „Bewertung“ zeigt. Ziel 1: Frequenzzählung an einzelnen Standorten sehr begrenzt Ziel 2: Messung von Besucherströmen in Arealen bedingt Ziel 3.1: Identifizierung von Aktionsräumen bedingt Ziel 3.2: Identifizierung von Quell-Zielgebietsbeziehungen bedingt Tabelle 25: Zieleignung der gekoppelten Social-Media-Daten (B-2.3) Die externe Validität der gekoppelten Social-Media-Daten ist sehr be‐ grenzt: Es werden nicht Personen, sondern nur ein Ausschnitt aus deren per Foto- oder Textpostings dokumentierten Bewegungen im Raum erfasst. Ob und wie sich diese Ausschnitte generalisieren lassen, ist von vornherein fragwürdig. Die Typisierungsfähigkeit und touristische Klassifizie‐ rungsgüte sind ebenfalls begrenzt. Hier gelten im Grunde die gleichen Argumente wie bei den nicht-gekoppelten Social-Media-Daten. Die räum‐ liche Auflösung ist gering: Nicht nur werden überhaupt nur die PoI erfasst, deren Besuch berichtenswert erscheint („Attraktionen-Hopping“), sondern es müssen für die dazwischenliegenden Pfade Annahmen getroffen werde, die in der Regel schwer zu begründen sein dürften. Die zeitliche Auflösung ist als gering einzuschätzen, da nur die Zeit‐ punkte der einzelnen PoI bestimmt werden können, für die auch Informa‐ tionen vorliegen. Auch wenn die Daten, wenn sie vom Nutzenden einmal hochgeladen sind, prinzipiell verfügbar sind (gute Latenz), stehen sie dann i. d. R. noch nicht in der Form zur Verfügung, wie sie für eine Analyse der raumzeitlichen Bewegungen genutzt werden können. Mit Blick auf den chronologischen Ablauf kann zumindest der Zeitpunkt des unmittelbaren Postings vor Ort in Frage gestellt werden. So können die Fotos theoretisch auch später nach dem Aufenthalt an einem anderen Ort gepostet werden oder bewusst gefälscht werden. Mit Blick auf die Vollständigkeit der Daten zeigt sich die oben bereits umschriebene Schwachstelle der Datenquelle: Gezählt werden eben nur Posts von Menschen, die (vermutlich) vor Ort sind (oder waren) und einen geolokalisierten Inhalt öffentlich auf einer Plattform teilen. Wie oben schon angemerkt, ist dabei nicht nur die meist geringe Zahl der Postings eine Einschränkung, sondern auch die gegenüber der Gesamtbesucherzahl 109 2.3 Mini-Signalketten (gekoppelte Standortmessungen) <?page no="110"?> vermutlich nicht-repräsentative Zusammensetzung der Social-Media-Nut‐ zenden. Präzision der Daten ist begrenzt, unter anderem, weil der Raumbezug häufig manuell erstellt werden muss (siehe oben). Die Reliabilität der Daten ist einerseits grundsätzlich hoch (es gibt keine technischen Aussetzer bei den vorhandenen Daten). Allerdings kann diese Einschätzung trügerisch sein, denn Daten, bei denen technische Mängel vorliegen, schaffen es unter Umständen erst gar nicht auf die Plattform, wo deren Fehlen aber mit hoher Wahrscheinlichkeit gar nicht bemerkt würde. Deshalb ist eine Einschätzung nicht möglich. Die Verfügbarkeit der Daten ist bei einigen Plattformen relativ hoch, was ihre Popularität für die akademische Forschung erklären könnte. Das gilt zum Beispiel für Flickr. Diese Plattform hat aber heute kaum noch eine relevante Reichweite. Daten aus reichweitenstarken Plattformen wie Facebook oder Instagram sind für diese Art Analysen deutlich schlechter verfügbar. Die Transparenz ist recht hoch, denn es erfolgt in der Regel keine weitere Verarbeitung der Daten durch die Plattformanbieter. Bezogen auf die Auswahl der Postings durch die Nutzenden ist die Transparenz aber, wie oben beschrieben, gering. Zur datenschutzrechtlichen Zulässigkeit und ethischen Vertretbar‐ keit können die Bewertungen und Argumente aus dem Abschnitt C.1 (Kapitel 2.4.1) übernommen werden. Bewertungsdimension Bewertung (1) externe Validität sehr begrenzt (2) Typisierungsfähigkeit begrenzt (3) touristische Klassifizierungsgüte begrenzt (4) räumliche Auflösung gering (5) zeitliche Auflösung gering (6) Latenz begrenzt (7) Vollständigkeit begrenzt 110 2 Datenquellen für die digitale Besuchermessung <?page no="111"?> Bewertungsdimension Bewertung (8) Präzision begrenzt (9) Reliabilität N/ A (10) Verfügbarkeit begrenzt (11) Transparenz gegeben (12) datenschutzrechtliche Zulässigkeit gegeben (13) ethische Vertretbarkeit gegeben Tabelle 26: Bewertung der gekoppelten Social-Media-Daten (B-2.3) 2.3.3.3 Fazit Die Idee der Nutzung von gekoppelten Ambient Geospatial Informations für die digitale Besuchermessung erscheint aus der Distanz betrachtet vielver‐ sprechend, erweist sich jedoch bei näherer Betrachtung als ein treffendes Beispiel für eine Big Data Illusion (Schmücker & Reif, 2021). Sowohl die für den Tourismus relevanten Zielbereiche als auch die tourismusspezifischen Bewertungsdimensionen sind stark begrenzt. Gleichwohl erfreute sich diese Methode in der Vergangenheit in der Literatur einer gewissen Beliebtheit. Dies wird mit großer Wahrscheinlichkeit auch in der Zukunft der Fall sein. Die Daten besitzen nämlich das Potenzial, mehr über das Verhältnis zwischen Mensch und Raum, seine Nutzung und Inszenierung, zu verstehen. Für die digitale Besuchermessung sind hier doch Grenzen gesetzt. Gleich‐ wohl könnten sich neue Potenziale in der Zusammenschau aus aktivem GPS-Tracking (siehe A.2, Kapitel 2.1.2) und den hochgeladenen Fotos dieser Personen ergeben (Bauder, 2016). 111 2.3 Mini-Signalketten (gekoppelte Standortmessungen) <?page no="112"?> 2.4 Andere Messsysteme 2.4.1 C.1: Social-Media-Daten/ AGI 2.4.1.1 Methode Soziale Medien (Social Media) sind Plattformen, die es allen Nutzenden erlauben, sich aktiv an der Erstellung von Inhalten zu beteiligen. User Generated Content (UGC) oder Consumer Generated Content (CGC) ist deshalb das kennzeichnende Merkmal für soziale Medien (Moriuchi, 2019). Für das vorliegende Kapitel sind in erster Linie die Informationen interessant, die mit einem Raumbezug hinterlegt sind. Das Generieren von Webinhalten mit Raumbezug wird auch als crowdsourced geographic infor‐ mation (Crowdsourcing) (Walden-Schreiner et al., 2018) oder Geotagged Social Media bezeichnet (Wong et al., 2017, S. 44). Die Art des Contents variiert dabei von Plattform zu Plattform und reicht von der Veröffentlichung von Kurztexten (z. B. auf Twitter, Tencent QQ oder Sina Weibo) über Bilder (Instagram, Snapchat, Pinterest) und Kurzvideos (Douyin/ TikTok, Kuaishou/ Kwai) bis zu langen Videos (You‐ Tube) oder gemischten Inhalten (Facebook). Hinzu kommen sogenannte Instant Messaging-Dienste, bei denen die Nachrichten nicht öffentlich sind, sondern nur für einzelne Nutzende oder Gruppen freigegeben werden (WhatsApp, WeChat, Facebook Messenger, Telegram). Abbildung 18 zeigt für ausgewählte Plattformen die Zahl der monatlich aktiven Nutzer welt‐ weit. Facebook (Meta) ist demnach die reichweitenstärkste Plattform. Zum gleichen Konzern gehören auch der Instant Messaging-Dienst WhatsApp (Platz 3) und die Fotoplattform Instagram (Platz 5). In Deutschland sind die Verhältnisse ähnlich. Im Jahr 2021 gaben 28 % der Bevölkerung ab 14 Jahren an, Facebook mindestens wöchentlich zu nutzen, für Instagram lag der entsprechende Wert bei 26 %, Snapchat kam auf 10 %, TikTok auf 9 % und Twitter auf 4 %, noch hinter Pinterest mit 7 % (Beisch & Koch, 2021, S. 500). Innerhalb der Nutzer gibt es erhebliche soziodemographische Verschiebungen. So erreichte Instagram in der Altersgruppe der 14 bis 29-Jährigen eine wöchentliche Nutzungsrate von 73 % und eine tägliche Nutzungsrate von 55 %, während die ab 70-Jährigen diese Plattform so gut wie gar nicht nutzten. 112 2 Datenquellen für die digitale Besuchermessung <?page no="113"?> Abb. 18: Monatlich aktive Nutzer ausgewählter Social Media-Plattformen, weltweit, Januar 2022 Quellen generell unter die Abbildung? ! Quellen: Unternehmensangaben und Self-Service-Advertising Plattformen der Anbieter, We Are social, Hootsuite; Zusammenstellung: Datareportal, Statista, Auswahl 2.910 2.562 2.000 1.600 1.478 1.263 988 574 573 573 557 550 444 436 Facebook (Meta) YouTube (Google) WhatsApp (Meta) Douyin/ TikTok Instagram (Meta) WeChat Facebook Messenger (Meta) QQ (Tencent) Sina Weibo Kuaishou/ Kwai Snapchat Telegram Pinterest Twitter in Mio. MAU (monthly active user), Januar 2022 neu: Abb. 18 Abbildung 18: Monatlich aktive Nutzer ausgewählter Social-Media-Plattformen, weltweit, Januar 2022 | Quellen: Unternehmensangaben und Self-Service-Advertising Plattformen der Anbieter, We Are social, Hootsuite; Zusammenstellung: Datareportal, Statista, Autoren Vor allem für die Forschung sind Social-Media-Plattformen eine willkom‐ mene Datenquelle, denn die Daten sind in der Regel kostenlos verfügbar. So gibt es eine relativ große Zahl von tourismusrelevanten Publikationen, die auf Daten aus Social-Media-Plattformen zurückgreifen. Bereits 2018 wurden mehr als 2.000 qualifizierte Paper und Konferenzbeiträge nachgewiesen (Te‐ les da Mota & Pickering, 2019). Diese konzentrieren sich aber in der Regel auf nur wenige Plattformen mit großer Reichweite und guter Zugänglichkeit. Von besonderem Interesse für die Besuchermessung sind Social-Media-Da‐ ten, die von Nutzerinnen und Nutzern mit einem Standort versehen wurden (Geotagging): „Geotagging is a process of adding geospatial information, temporal information, and/ or textual description of medium resources“ (Wong et al., 2017, S. 44). Bereits Anfang der 2000er Jahre beschäftigten sich Forschende damit, bestehende Texte und Bilder nachträglich mit einem Raumbezug zu versehen (Dickinger et al., 2008). Heute übernimmt das Smartphone einen Teil dieser Aufgaben. Im Gegensatz zu GNSS-basierten Daten der Kategorie 113 2.4 Andere Messsysteme <?page no="114"?> Abbildung 19: Möglichkeit der fehlerhaften Ortsangabe bei Social-Media-Posts A (automatische Anreicherung durch GNSS-basierte Koordinaten) werden die Standorte bei geotagged Social-Media-Daten nicht immer automatisch, sondern manuell hinzugefügt. Dies kann dazu führen, dass Nutzende bisweilen vorsätzlich falsche Standortinformationen posten (Abbildung 19). Der GNSS-Empfänger im Smart‐ phone kann Standortvorschläge generieren, aber der Standort wird letztlich durch die Nutzerin oder den Nutzer festgelegt. Bei Fotos ist die Nutzung der EXIF-Daten ein Ausweg (Exchangeable Image File Format). Diese Metadaten, festge‐ legt in einem Protokoll der japani‐ schen Camera & Imaging Products Association, werden dem eigentli‐ chen Bild hinzugefügt und können auch die Geokoordinaten des Auf‐ nahmestandortes beinhalten (Ab‐ bildung 20). Allerdings ist weder si‐ chergestellt, dass jede Kamera bei der Aufnahme überhaupt EXIF-Da‐ ten oder speziell die Standortdaten zum Bild hinzufügt, noch, dass die Social-Media-Plattformen diese EXIF-Daten auslesen und verfüg‐ bar halten. Im Ergebnis erhalten die Posts auf den Social-Media-Platt‐ formen häufig eine Standortidenti‐ fikation mit mehr oder weniger ho‐ her Präzision, denn die Standortangabe kann sich auf ein Land, einen Ort, eine Region oder auch auf ein konkretes Gebäude oder einen PoI beziehen. 114 2 Datenquellen für die digitale Besuchermessung <?page no="115"?> Abb. 20: Möglichkeiten zum Geotagging in Fotoplattformen EXIF-Daten vorhanden? GNSS- Empfänger in der Kamera? Plattform liest EXIF-Daten aus? Nutzer fügt Standort manuell zu? GNSS-genaue Standortdaten verfügbar keine Standortdaten verfügbar ja ja ja ja nein nein nein ungefähre bis vorsätzlich fehlerhafte Standortdaten verfügbar Abbildung 20: Möglichkeiten zum Geotagging in Fotoplattformen Im weiteren Sinne gehören auch die in Kategorie A.2 (Kapitel 2.1.2) be‐ schriebenen Datenquellen (VGI, voluntered geographic information) zu den sozialen Medien. Für die Besuchermessung ist deren Aussagekraft aber eine gänzlich andere, so dass sie hier (wie auch bei Hardy, 2020 und bei Reif, 2021) getrennt diskutiert werden. Zur Abgrenzung von den VGI-Daten werden die geolokalisierten Daten aus sozialen Medien zuweilen auch als Ambient Geospatial Information (AGI) beschrieben (Bauder, 2017; Bauder, & Hologa, 2020), da sie in der Regel en passant entstehen. Die Übergänge sind jedoch bisweilen fließend. „The information disseminated through such media represents a deviation from volunteered geography, in the sense that it is not geographic information per se. Nevertheless, 115 2.4 Andere Messsysteme <?page no="116"?> the message often has geographic footprints, for example, in the form of locations from where the tweets originate, or references in their content to geographic entities“ (Stefanidis et al., 2013, S. 319). Um an die Daten in Social-Media-Plattformen zu gelangen und diese für die digitale Besuchermessung nutzbar zu machen gibt es grundsätzlich zwei Verfahren. Über eine webbasiert Application Programming Interface (API) oder durch maschinelles oder manuelles Auslesen der Klartexte (Crawling und Scraping) von der Plattform oder auch durch eine Kombi‐ nation beider Wege (Wang et al., 2022). Ein Application Programming Interface (API) beschreibt ganz allgemein eine Schnittstelle zwischen Computerprogrammen. Für die digitale Besu‐ chermessung sind vor allem webbasierte API (Webservices) relevant, bei denen die Programme ihre Daten über das Internet austauschen (Papazog‐ lou, 2007). Zahlreiche Onlineplattformen bieten entsprechende Webservices an, auf die kostenlos oder gegen eine Gebühr zugegriffen werden kann. Prominentes Beispiel ist die Graph API für den Zugriff auf Facebook-Daten, die es externen Programmen wie zum Beispiel Webservern oder mobilen Apps erlaubt, Daten aus der Facebook-Plattform auszulesen oder Daten dort zu schreiben. Aber auch Anbieter von Mess- und Sensortechnik können eigene API zur Verfügung stellen, so dass berechtigte Dritte auf diesem Weg auf die Daten zugreifen können. Die Nutzungsmöglichkeiten einer API sind abhängig vom Funktionsumfang, den die Schnittstelle zur Verfügung stellt, und deren Dokumentation (Erlandsson et al., 2015). Beim Crawling und Scraping (siehe Kapitel 2.4.2) können wie‐ derum zwei Verfahren unterschieden werden: Scrape-by-Location und Scrape-by-Key ( Jalal et al., 2019). Für die Besuchermessung ist die Variante Scrape-by-Location potenziell besonders ergiebig, denn damit können Posts anhand von Geotags identifiziert und analysiert werden. Ein Beispiel für ein Hashtag-basiertes Crawling liefert die Studie von Hauser et al. (2022), die Instagrambilder mit dem Hashtag #beautifuldestinations analysierte. Relativ häufig werden in der Forschung Daten aus Instagram (Arefieva et al., 2021; Dhiratara et al., 2016; Diamantini et al., 2017; Domínguez et al., 2017; Jalal et al., 2019; Mukhina et al., 2017; Winsky & Zimmermann, 2020), und vor allem Flickr verwendet; entweder als einzige Datenquelle (Derdouri & Osaragi, 2021; Dietz et al., 2020; Girardin et al., 2008; Höpken et al., 2020; Kádár, 2014; Koerbitz et al., 2013; Lim, 2017; Önder et al., 2016; Pickering et al., 2019; Vaziri et al., 2020; Vu et al., 2015; Walden-Schreiner et al., 2018; Wood et al., 2013) oder in Kombination mit Instagram (Hausmann et 116 2 Datenquellen für die digitale Besuchermessung <?page no="117"?> al., 2018), Twitter (Sobolevsky et al., 2015), Instagram und Twitter (Tenkanen et al., 2017) oder Twitter und Snapchat (Teles da Mota & Pickering, 2019). Für Twitter allein (Chua et al., 2016; Hawelka et al., 2014) oder die chinesische Plattform Weibo (Chen, Becken, et al., 2021) liegen weniger Studien vor. Im Vergleich dazu sind Studien, die auf der populären Plattform Facebook basieren, deutlich seltener (Erlandsson et al., 2015). „The most popular platform in the world, Facebook, is difficult to use for extensive research as access to data is limited. Hence, scientists have used other platforms providing more easy access to public data.“ (Tenkanen et al., 2017, S. 2). Auch die Plattform Foursquare, ein standortbasierter Empfehlungs‐ dienst, wird nur selten untersucht, obwohl das Design der App als location based social network (LBSN) eine Standortübermittlung der von den Nutzenden generierten Empfehlungen voraussetzt (Lim 2017, S. 16). Eine Studie nutzte Foursquare im Vergleich mit Panoramio (zwischenzeitlich eingestellt) und Twitter (Salas-Olmedo et al., 2018), eine weitere die von Nutzerinnen und Nutzern geteilten Inhalt auf Foursquare, Instagram, Flickr und Twitter (Makridis et al., 2021). Zur Bewertungsplattform Tripadvisor liegen ebenfalls nur wenige Studien vor (Ma & Kirilenko, 2021; van der Zee et al., 2020), in denen unter anderem eine touristische Klassifizierung nach internationalen, nationalen und Quellmärkten im gleichen Staat (Flo‐ rida) gelang. Viele der Studien, die Daten aus LBSN nutzen, vergleichen diese mit Referenzdaten, bspw. mit vorliegenden Besucherzahlen einzelner Attraktionen oder auch mit Daten aus amtlichen Statistiken. In einer Studie zu Nationalparken in Finnland und Südafrika fanden Tenkanen et al. (2017) eine nur mittlere Übereinstimmung zwischen Besuchen in der Realität und in drei Social-Media-Plattformen (je nach Land r s = 0,75 bis 0,84). Mit Blick auf die zeitliche Entwicklung der Besuche, erreichten nur 10 % der betrachteten Parks Korrelationswerte von r p = 0,9 oder höher. Eine klare Tendenz, dass eine der drei betrachteten Plattformen besser abschneidet als die anderen, war nicht erkennbar. In einer Vergleichsstudie mit Daten aus Instagram kamen Stienmetz & Fesenmaier (2016) sogar nur auf eine zeitbezogene Korrelation von r p = 0,11. In einer Studie zu 16 europäischen städtischen Reisezielen fand Kádár (2014) eine hohe Korrelation von r p = 0,92 zwischen der Zahl der Übernachtungen und der Zahl der Fotos auf Flickr. Noch beeindruckender ist der Korrelationswert bei Kádár und Gede (2021) für zehn Orte entlang der Donau: 0,988! Bei der Interpretation solcher Kor‐ relationswerte muss aber beachtet werden, dass eine hohe Korrelation auch aus ganz unterschiedlichen Niveaus der Daten resultieren kann. Die Aussage 117 2.4 Andere Messsysteme <?page no="118"?> der Korrelationswerte ist nur relativ: „Destination A hat real und in den sozialen Medien höhere Werte als Destination B“ oder „Zeitpunkt A hat real und in den sozialen Medien höhere Werte als Zeitpunkt B“. Das heißt: Eine zuverlässige absolute Volumenabschätzung ist mit Social-Media-Daten in der Regel noch weniger möglich als eine zuverlässige relative Einordnung. So auch bei den Daten von Kádár: Den 5,7 Mio. tatsächlichen Ankünften in Wien standen zum Beispiel nur gut 10.000 Bilder gegenüber. Andere Studien verzichten gleich ganz auf Vergleiche mit der realen Welt oder beschränken sich auf die visuelle Analyse von Plausibilitäten auf Heatmap-Karten (Wang et al., 2022, S. 104). Zur räumlichen Abdeckung berichten Levin et al. (2017), dass am Beispiel australischer Parks and protected areas nur für 41 % der Fläche Daten aus Flickr vorlagen - deutlich weniger als in der OpenStreetMap (90 %), aber eben auch deutlich mehr als bei manuellen Besucherzählungen (5 %). Allerdings erlauben die Social-Media-Daten durchaus einen räumlich präzi‐ seren Blick, zum Beispiel auf Foto-Motive, die besonders oft fotografiert und deren Bilder hochgeladen werden. Dadurch lassen sich Dichteverteilungen von Touristen jedenfalls grob abschätzen (z. B. in Form einer Heatmap). Solche Studien wurden bspw. für afrikanische Städte und deren Instagram-Hotspots durchgeführt (Paül i Agustí, 2020). Quell-Zielgebietsbeziehungen und umwelt‐ ökonomische Analysen wurden am Beispiel deutscher Nationalparke mit Flickr-Daten untersucht (Sinclair et al., 2020a, 2020b). Gleichzeitig kann es bei der Nutzung von Social Media auch zu Rück‐ kopplungen kommen: Je häufiger ein Objekt benannt, ein Foto hochgeladen und der Post geteilt wird, desto attraktiver könnte das Ziel erscheinen und in der Folge stärker besucht werden. Dieser Effekt wurde in der breiten Öffentlichkeit eine Zeitlang intensiv als Instagrammability diskutiert (H. Liu & Li, 2021; Winsky & Zimmermann, 2020), etwa am Beispiel der thailändischen Inseln Koh Tachai und Koh Phi Phi Ley (mit dem aus einem Film bekannten Maya Beach), die wegen zu großer Besucherzahlen gesperrt wurden. Studien, die diesen Instgrammability-Effekt objektiv belegen, sind hingegen nicht bekannt. 2.4.1.2 Ziele und Bewertung Im Sinne der in diesem Buch diskutierten Ziele der Besuchermessung eignen sich Social-Media-Daten nur sehr begrenzt für die Frequenzzählung an einzelnen Standorten. 118 2 Datenquellen für die digitale Besuchermessung <?page no="119"?> Für die übrigen drei Ziele wird auf den Abschnitt „Gekoppelte Social-Me‐ dia-Daten“ (Kategorie B-2.3, Kapitel 2.3.3) verwiesen. Ziel 1: Frequenzzählung an einzelnen Standorten begrenzt Ziel 2: Messung von Besucherströmen in Arealen nein Ziel 3.1: Identifizierung von Aktionsräumen nein Ziel 3.2: Identifizierung von Quell-Zielgebietsbeziehungen nein Tabelle 27: Zieleignung der Social-Media-Daten/ AGI (C.1) Die externe Validität von Social-Media-Postings ist gering. Gezählt wer‐ den können ja nicht Personen, sondern nur deren Postings auf einer oder mehreren Plattformen, die einem erheblichen Grad an Selbstselektion un‐ terliegen. Welche Plattformen das sind und wie unterschiedlich die Neigung und Motivlagen einzelner Nutzergruppen sind, eigene Inhalte zu teilen oder zu kommentieren, entscheidet mit darüber, wie aussagekräftig die Postings sind. Angesichts der vorliegenden Daten muss die Aussagefähig‐ keit insgesamt sehr in Frage gestellt werden. Typisierungsfähigkeit und touristische Klassifizierungsgüte der Social-Media-Daten sind begrenzt. Zwar erscheint es möglich, aus den öffentlichen Profilen der Nutzenden Typisierungsinformationen abzuleiten (etwa zum Alter, zum Wohnort oder zu Konsum- und Freizeitpräferenzen), aber diese Daten scheinen sehr heterogen und deshalb für eine verlässliche Datenbasis nur bedingt geeignet. Wenn der Wohnort bekannt ist und auch die Kommentare zu Posts berück‐ sichtigt werden, ist vorstellbar, dass auch touristische Klassifizierungen gelingen können. Die räumliche Auflösung der Daten ist begrenzt. Grund dafür ist zum einen, dass nicht eine präzise Geokoordinate ermittelt, sondern ein mehr oder weniger großes Areal durch die Nutzenden beschrieben werden kann. Zum anderen wird eben nur ein Ausschnitt des tatsächlichen Bewegungs‐ verhaltens überhaupt aufgezeichnet: Die räumliche Auflösung ist nur so gut wie die PoI, die ein Posting wert sind. Dadurch kommt es zu einer Art „Attraktionen-Hopping“. Auch die zeitliche Auflösung ist begrenzt. Zwar ist jedes Posting mit einem Zeitstempel versehen, aber eine Betrachtung einer Destination oder eines PoI über die Zeit erfordert für eine hohe zeitliche Auflösung sehr viele Datenpunkte, die in der Regel nicht vorliegen. 119 2.4 Andere Messsysteme <?page no="120"?> Die Latenz hingegen ist kurz: Die Daten sind unmittelbar nach dem Posten verfügbar und sollten dann auch per API erreichbar sein. Die Vollständigkeit der Daten ist einer der Schwachpunkte dieser Datenquelle: Gezählt werden eben nur Posts von Menschen, die (vermutlich) vor Ort sind und einen geolokalisierten Inhalt öffentlich auf einer Plattform teilen. Wie oben schon angemerkt, ist dabei nicht nur die meist geringe Zahl der Postings eine Einschränkung, sondern auch die gegenüber der Gesamtbesucherzahl vermutlich nicht-repräsentative Zusammensetzung der Social-Media-Nutzenden. Die Präzision der Daten hingegen dürfte höher sein als die Vollständig‐ keit, ist aber wiederum dadurch begrenzt, dass der Raumbezug von den Nutzenden manuell hinzugefügt werden kann. Sofern dieser Raumbezug fehlt, können die Daten auch nicht raumbezogen ausgewertet, sondern lediglich inhaltanalytisch betrachtet werden. Die Reliabilität der Daten ist einerseits grundsätzlich hoch (es gibt keine technischen Aussetzer bei den vorhandenen Daten). Allerdings kann diese Einschätzung trügerisch sein, denn Daten, bei denen technische Mängel (bspw. Ausfälle der Plattformen, fehlende Netzverbindung der User etc.) vorliegen, schaffen es unter Umständen erst gar nicht auf die Plattform, wo deren Fehlen aber mit hoher Wahrscheinlichkeit gar nicht bemerkt würde. Deshalb ist eine Einschätzung nicht möglich. Die Verfügbarkeit der Daten ist hingegen relativ hoch. Das erklärt ihre Popularität für die akademische Forschung. Allerdings gilt das nicht für alle Plattformen gleichermaßen. So sind etwa die Nutzungsmöglichkeiten auf der weltweit populärsten Plattform Facebook sehr beschränkt. Insgesamt führt dies zu einer nur begrenzten Verfügbarkeit der Daten. Die Transparenz der Ergebnisgenerierung ist hoch. Von den Plattformen werden ja die „Rohdaten“, also einzelne Postings, bezogen. Die Verarbeitung obliegt den Forschenden, die diesen Prozess demzufolge selbst steuern. Die datenschutzrechtliche Zulässigkeit der Datengenerierung ist grundsätz‐ lich zu bejahen: Schließlich laden die Nutzenden die Daten unter Anerkennt‐ nis der jeweils für die Plattform geltenden Nutzungsbedingungen freiwillig hoch. Allerdings gilt hier die gleiche Einschränkung wie schon in Kategorie A.2: Beschränkungen entstehen weniger zwischen Nutzenden und Plattform (die sich weitgehende Nutzungs- und Weitergaberechte einräumen lässt) als unter Umständen vielmehr zwischen Plattform und Forschenden. Insofern gilt auch hier, dass in der Regel eine Zustimmung des Plattformbetreibers für eine Nutzung der Daten für den Produktivbetrieb erforderlich sein wird. 120 2 Datenquellen für die digitale Besuchermessung <?page no="121"?> Liegt diese vor, ist von einer datenschutzrechtlichen Zulässigkeit in der Regel auszugehen. Die ethische Vertretbarkeit ist weitgehend, aber nicht vollkommen, unproblematisch. In der Regel dürften sich die Nutzenden bewusst sein, dass sie ihre Daten (z. B. Standorte eines Postings) öffentlich machen, indem sie sie hochladen. Bewertungsdimension Bewertung (1) externe Validität gering (2) Typisierungsfähigkeit begrenzt (3) touristische Klassifizierungsgüte begrenzt (4) räumliche Auflösung begrenzt (5) zeitliche Auflösung begrenzt (6) Latenz schnell (7) Vollständigkeit gering (8) Präzision begrenzt (9) Reliabilität N/ A (10) Verfügbarkeit begrenzt (11) Transparenz hoch (12) datenschutzrechtliche Zulässigkeit gegeben (13) ethische Vertretbarkeit weitgehend unproblematisch Tabelle 28: Bewertung der Social-Media-Daten/ AGI (C.1) 2.4.1.3 Fazit Die Arbeit mit Social-Media-Daten ist in der Forschung sehr populär. Dies ist nicht nur zutreffend mit Blick auf qualitativ-hermeneutische Verfahren (etwa für das Verständnis raumbezogener gesellschaftlicher Diskurse unter zu Hilfenahme von Bildern und Texten), sondern auch für quantitativ-analy‐ tische Verfahren. Im Rahmen der digitalen Besuchermessung im Tourismus 121 2.4 Andere Messsysteme <?page no="122"?> ist die Nutzung dieser Daten, vor allem wenn sie nicht gekoppelt werden können, mit einigen Schwächen behaftet. Hierzu zählt, neben dem Umstand, dass die Daten lediglich für das Ziel der Frequenzmessung genutzt werden können, die als gering einzuschätzende externe Validität und die mangelnde Vollständigkeit der Daten. 2.4.2 C.2: Daten-Scraping 2.4.2.1 Methode Beim Daten-Scraping (engl. to scrape: kratzen, zusammenkratzen oder schaben) oder Screen Scraping („vom Bildschirm kratzen“) werden die Daten durch eine automatisierte Routine von der öffentlich zugänglichen Benutzeroberfläche der entsprechenden Plattform ausgelesen. „In this con‐ text, screen scraping refers to the process of obtaining the source HTML code of a web page, parsing it, and extracting the desired content from it.“ (Henrickson et al., 2019, S. 80). Im Gegensatz zu einer API, die vom Plattformanbieter bereitgestellt wird, hat der Plattformanbieter beim Scra‐ ping weniger Möglichkeiten, Inhalte zu verbergen oder auf andere Art die Bereitstellung zu steuern. Scraping basiert häufig auf der vorhergehenden Arbeit eines Crawlers, der die Inhalte von Websites zusammenträgt und dem Scraper zur Verfügung stellt. Scraping wird nicht nur bei Inhalten von Websites genutzt, sondern auch zur Datengenerierung bei Social-Me‐ dia-Plattformen (siehe Kapitel 2.4.1). Die Plattformanbieter schließen in der Regel in ihren Nutzungsbedingun‐ gen aus, dass Daten von der Oberfläche gescrapt werden dürfen. So legt der Anbieter Airbnb in Punkt 12.1 seiner für Europa geltenden Nutzungs‐ bedingungen fest: „Verwenden Sie keine Bots, Crawler, Scraper oder andere automatisierte Mittel, um auf die Airbnb-Plattform zuzugreifen oder Daten oder andere Inhalte von der Airbnb-Plattform zu erheben oder anderweitig mit ihr zu interagieren.“ (Stand Februar 2022). Ähnliches gilt für Facebook und Instagram (Hardy, 2020, S. 74). Scraped data können für verschiedene touristische Leistungen generiert werden. Aufsehen erregte zum Beispiel ein Urteil des Bundesgerichtshofes, das darüber entschied, ob der Plattformanbieter cheaptickets.de Daten von der Website der Airline Ryanair scrapen und anschließend auf der eigenen Plattform für den Ticketverkauf nutzen durfte (Kern, 2014). 122 2 Datenquellen für die digitale Besuchermessung <?page no="123"?> Scraped data werden im Zusammenhang mit Besuchermessungen vor allem für das Auslesen von Daten aus sogenannten Private Rental-Plat‐ forms genutzt. Die marktbedeutsamste dürfte auch in Deutschland Airbnb sein. Für diese Plattform gibt es eine Reihe von Scraping-Lösungen, die teilweise auf einem frei verfügbaren Python-Skript von Tom Slee (2019), teil‐ weise auf kommerziellen Anbietern (Airdna, Airbtics) basieren. In der For‐ schungsliteratur finden sich sowohl Nutzungen des Slee-Skripts (Adamiak & Szyda, 2021), der inzwischen eingestellten freien Plattform Insideairbnb (Kirkos, 2022; Shabrina et al., 2021), als auch kommerzieller Datenlieferanten (Agarwal et al., 2019; Leick et al., 2021) oder eine Kombination aus diesen (Schmücker et al., 2016, 2018). Die Daten werden i. d. R. zur Visualisierung der räumlichen Verteilung der Nachfrage und des Angebots des privaten Ferienwohnungsmarktes herangezogen (Brauckmann, 2017; Gutiérrez et al., 2017; Lagonigro et al., 2020). Daten aus anderen Quellen wie booking.com sind dagegen verhältnismäßig selten (Solano Sánchez et al., 2019). Bei kommerziellen Anbietern wie Airdna wird unterschieden in statische Daten („property data“), die zu einem bestimmten Zeitpunkt als Querschnitts‐ daten erhoben und ausgegeben werden, und dynamischen Daten, die sich auf einen Zeitraum beziehen. Beispiele für statische Daten sind etwa Typ, Lage, Kapazität, Bewertung oder Ausstattung eines Angebotes („listing“). Beispiele für dynamische Daten hingegen sind die Reservierungstage für ein Listing und die damit verbundenen Umsätze. Während statische Daten durch Scraping relativ einfach ermittelt werden können, sind dynamische Daten auf komple‐ xere Analyseprozesse angewiesen, da die Frei- und Belegtmeldungen jedes Listings regelmäßig und in möglichst kurzen Intervallen ausgelesen und dann in Nachfragevolumina umgerechnet werden müssen. Umsatzdaten sind allein aus diesem Verfahren gar nicht zu generieren. Kommerzielle Anbieter nutzen deshalb zusätzliche Datenquellen (zum Beispiel die Prozessdaten größerer Anbieter, die mit dem Datenlieferanten zusammenarbeiten). Gleichwohl sind die dynamischen Daten in der Regel nicht (allein) Messungen, sondern auch Berechnungen des Datenlieferanten. Die genauen Berechnungswege werden nicht veröffentlicht. Auch die Informationen aus Google Popular Times (vgl. Kapitel 2.1.3) werden für Forschungsarbeiten per Scraping zusammengetragen (Bandeira et al., 2020; Kim et al., 2020; Möhring et al., 2021; Yoshida & Yamagata, 2020). Die Daten haben aber zwei wesentliche Nachteile: Ihre Präzision ist unbekannt und die Daten sind stets nur in Relation zu einem (unbekannten) Referenzzeitraum erhältlich. Absolute Frequenzen können so nicht ermittelt 123 2.4 Andere Messsysteme <?page no="124"?> werden. Bisher sind keine Studien bekannt, die eine Bewertung dieser Datenquelle für die touristische Besuchermessung erlauben. 2.4.2.2 Ziele und Bewertung Die Zieleignung und Bewertung des Daten-Scrapings erfolgt auf Basis von über Privatvermietungs-Plattformen ausgelesenen Buchungsdaten, da hier die Daten- und Studienlage eine entsprechende Diskussion zulässt. Mit Blick auf die Zielkategorien kann derzeit nur die Frequenzzählung überhaupt sinnvoll genutzt werden, und auch diese nur sehr bedingt, weil nur ein kleiner Teilbereich des tatsächlichen Besucheraufkommens abgedeckt wird. Ziel 1: Frequenzzählung an einzelnen Standorten sehr bedingt Ziel 2: Messung von Besucherströmen in Arealen nein Ziel 3.1: Identifizierung von Aktionsräumen nein Ziel 3.2: Identifizierung von Quell-Zielgebietsbeziehungen nein Tabelle 29: Zieleignung des Daten-Scraping (Private Rental-Platforms) (C.2) Die externe Validität dieser Datenquelle ist gering, denn es werden nicht Personen, sondern Buchungen gemessen. Wie viele Personen sich dahinter verbergen, steht in der Regel nicht fest und auch nicht, ob die Buchung tatsächlich angetreten wurde, also die Personen vor Ort waren oder die Unterkunft leer blieb. Auch die Typisierungsfähigkeit ist nur gering, da letztlich keine Infor‐ mationen über die Personen vorliegen. Damit kann auch keine touristische Klassifizierung vorgenommen werden. Zwar erscheint es plausibel, dass der Großteil des so gemessenen Volumens touristisch ist, eine darüber hinaus gehende Typisierung oder Klassifizierung ist aber in der Regel nicht möglich. Die räumliche Auflösung ist auf den Punkt des Übernachtungsangebo‐ tes begrenzt, die zeitliche Auflösung auf den Zeitraum des Aufenthaltes. Die Latenz ist relativ kurz und liegt bei wenigen Tagen. Die Vollständigkeit ist sehr gering, denn es werden nicht alle Buchun‐ gen, sondern nur bestimmte Plattformen erfasst. Die Präzision dürfte aber im Hinblick auf die vorliegenden Daten gut sein, ebenso die Reliabilität. Die Verfügbarkeit der Daten ist wegen der geringen Zahl der Anbieter begrenzt. Auch die Transparenz ist gering: Zwar sind die Angebotsdaten 124 2 Datenquellen für die digitale Besuchermessung <?page no="125"?> transparent nachvollziehbar, nicht aber die eigentlich im Rahmen der digita‐ len Besuchermessung interessierenden Nachfrageschätzungen. Die daten‐ schutzrechtliche Zulässigkeit ist unproblematisch, da keine Mikrodaten oder überhaupt personenbezogene Daten genutzt werden. Daher ist auch die ethische Vertretbarkeit gegeben. Bewertungsdimension Bewertung (1) externe Validität gering (2) typisierungsfähigkeit gering (3) touristische Klassifizierungsgüte gering (4) räumliche Auflösung begrenzt (5) zeitliche Auflösung begrenzt (6) Latenz schnell (7) Vollständigkeit gering (8) Präzision hoch (9) Reliabilität hoch (10) Verfügbarkeit begrenzt (11) Transparenz begrenzt (12) datenschutzrechtliche Zulässigkeit gegeben (13) ethische Vertretbarkeit gegeben Tabelle 30: Bewertung des Daten-Scraping (Private Rental-Platforms) (C.2) 2.4.2.3 Fazit Gescrapte Daten von Vermittlungsplattformen des Privatwohnungsmarktes sind nur für die Frequenzzählung im Tourismus nutzbar. Dies auch nur mit deutlichen Einschränkungen, da nur ein Teil der gesamten Nachfrage in Destinationen abgebildet wird. Für eine Abschätzung des gesamten Nachfragevolumens sind die Daten zwar nicht geeignet, sie eignen sich aber 125 2.4 Andere Messsysteme <?page no="126"?> durchaus für die Darstellung von saisonalen Nachfrageverläufen in diesem speziellen Segment als auch für die räumlichen Nachfragestrukturen von Airbnb, bspw. in Städten. Zwar ist die Verfügbarkeit der Daten aufgrund der wenigen Anbieter begrenzt, gleichwohl werden die Daten in der Forschung bereits vielfältig genutzt. Ihre Stärke liegt in der hohen Präzision und Reliabilität. Mit Blick auf den Datenschutz und die ethische Vertretbarkeit sind die Daten problemlos nutzbar. 2.4.3 C.3: Web & Searchengine-Daten 2.4.3.1 Methode In dieser Kategorie können drei verschiedene Methoden zusammengefasst werden: ● Zugriffszahlen auf eigene Websites ● Ad-tracking ● Nutzung von Suchmaschinenanfragen Die Nutzung von Zugriffszahlen bei eigenen Websites ist nur ein sehr grobes und indirektes Verfahren zur „Besucherzählung“. Dennoch wird es in der Praxis, mangels anderer Datenquellen, zuweilen genutzt, um zumin‐ dest einen Anhaltspunkt für steigendes oder nachlassendes Interesse und damit für ggf. steigende oder zurückgehende Besucherzahlen zu erlangen. Größter, und vielleicht einziger, Vorteil dieser Datenquelle im vorliegenden Zusammenhang ist ihre leichte Verfügbarkeit. Ihre Nutzung gleicht aber dem berühmten Betrunkenen, der seinen verlorenen Schlüssel nur deshalb ausschließlich unter einer Laterne sucht, weil er an den anderen Stellen wegen der Dunkelheit nichts sieht (Watzlawick, 1983). Methodisch ausgefeilter, aber im Hinblick auf eine Besuchermessung auch nicht aussagekräftiger, ist das sogenannte Ad-Tracking, bei dem das Surf‐ verhalten von Nutzenden über mehrere Websites oder sogar über digitale Medien hinweg getrackt wird. Daraus lassen sich sowohl digitale Customer Journeys konstruieren als auch Daten für die Werbesteuerung generieren. Mit Daten aus Suchmaschinenanfragen ist es hingegen verschiedentlich gelungen, Besuchsprognosen zu generieren (Dinis et al., 2019; Höpken et al., 2018, 2019, 2021; Önder & Gunter, 2016). Wichtigstes Instrument ist die Aus‐ wertung von Google Trends, ein kostenloser Service, der für die Suchmaschine 126 2 Datenquellen für die digitale Besuchermessung <?page no="127"?> Google das relative Aufkommen an Suchanfragen für bestimmte Begriffe ausgibt. Eigentliche Zielgruppe für diesen Service ist die Werbeindustrie, die damit ermitteln kann, wie populär Suchworte sind und mit welchen Kosten sie bei Werbeeinblendungen deshalb rechnen muss. Auch die Suchmaschine Bing bietet mit Keyword Research einen ähnlichen Service an. Die mit diesen Daten vorgenommenen Modellierungen können als Ziel‐ größe die Gästeankünfte in einer bestimmten Destination oder in einem Land, die durch die Suchworte charakterisiert werden, haben. Ein Vorteil liegt in der zeitlichen Verfolgbarkeit der Daten. So ist es möglich, die Saisonalität einzelner Suchwörter tages- oder monatsgenau zu analysieren (Reif & Schmücker, 2021a, S. 147). Die passende Identifikation dieser Such‐ worte (keyword identification) ist ebenso Teil des Forschungsprozesses wie die Bestimmung der passenden zeitlichen Differenz zwischen Suchwortge‐ nerierung und Ankunft (identification of time lags) und die Konstruktion der notwendigen Verdichtungen (construction of search indices) (Höpken et al., 2021, S. 5). Li et al. (2020) haben gezeigt, dass die Ergebnisse durch Kombination verschiedener Big Data-Datenquellen noch einmal verbessert werden können. 2.4.3.2 Ziele und Bewertung Mit Blick auf die Zielerreichung muss festgehalten werden, dass sich diese Daten nicht für eine digitale Besuchermessung eignen. Es handelt sich um ein bestenfalls indirektes Verfahren: Es wird lediglich das Interesse an einer Destination, nicht aber deren tatsächliche Nutzung erfasst. Insofern können diese Daten bei der Abschätzung des Interesses und damit des Besuchspotenzials für die Destination und als Frühwarnindikator genutzt werden, aber keine Messung ersetzen. Mangels echter Messdaten greift die Destinationspraxis aber zuweilen auf diese Datenquelle zurück. Ziel 1: Frequenzzählung an einzelnen Standorten nein Ziel 2: Messung von Besucherströmen in Arealen nein Ziel 3.1: Identifizierung von Aktionsräumen nein Ziel 3.2: Identifizierung von Quell-Zielgebietsbeziehungen nein Tabelle 31: Zieleignung der Web- & Searchengine-Daten (C.3) 127 2.4 Andere Messsysteme <?page no="128"?> Die externe Validität dieser Datenquelle ist sehr gering. Gemessen werden nicht Personen, sondern lediglich Zugriffe auf Websites oder Suchmaschi‐ nen. Die Typisierungsfähigkeit hingegen ist etwas höher. Vor allem über den Weg des Ad-Trackings ist es möglich, typisierende Informationen zu erhalten. Aus der übermittelten IP ist zumindest eine grobe Zuordnung zum Standort denkbar. Gleichwohl sind diese Informationen im Hinblick auf eine Besuchermessung nur von sehr begrenzter Aussagekraft. Die touristische Klassifizierungsgüte ist wiederum als sehr gering einzuschätzen, da keine echten Besuche von Touristinnen und Touristen gemessen werden. Zwar ist es denkbar, aus der Art der abgerufenen Information Rückschlüsse auf das Informationsbedürfnis, oder eben über das Interesse an Reisezielen, aber eben nicht auf die tatsächliche Besucherfrequenz, zu ziehen. Räumliche und zeitliche Auflösung sind in diesem Kontext nicht relevant, da keine tatsächlichen Besuche gemessen werden. Die Latenz hingegen ist kurz, im Prinzip stehen die Daten in Echtzeit zur Verfügung. Die Vollständigkeit und Präzision der Daten sind hoch (es werden in der Regel alle Zugriffe präzise gemessen), und auch die Reliabilität ist aufgrund der etablierten Technik sehr hoch. Die sehr leichte Verfügbarkeit ist der zentrale Vorteil dieser Datenquelle (vgl. die Analogie zur Laterne oben). Auch die Transparenz ist im Allge‐ meinen hoch. Seitens der datenschutzrechtlichen Zulässigkeit oder der ethischen Vertretbarkeit sind ebenfalls keine Probleme zu erwarten, da keine Mikrodaten, sondern lediglich Aggregate, die per se keine personen‐ bezogenen Informationen aufweisen, genutzt werden. Bewertungsdimension Bewertung (1) externe Validität sehr gering (2) Typisierungsfähigkeit gering-begrenzt (3) touristische Klassifizierungsgüte sehr gering (4) räumliche Auflösung keine (5) Zeitliche Auflösung keine (6) Latenz kurz 128 2 Datenquellen für die digitale Besuchermessung <?page no="129"?> Bewertungsdimension Bewertung (7) Vollständigkeit hoch (8) Präzision hoch (9) Reliabilität hoch (10) Verfügbarkeit hoch (11) Transparenz hoch (12) datenschutzrechtliche Zulässigkeit hoch (13) ethische Vertretbarkeit hoch Tabelle 32: Bewertung der Web- & Searchengine-Daten (C.3) 2.4.3.3 Fazit Der Vorteil der Datenquelle liegt in der Verfügbarkeit sowie der hohen Vollständigkeit, Präzision und Reliabilität. Die hohe zeitliche Auflösung der Daten zeigt die Stärke der Daten als Prognoseinstrument, was sich an den vielen Publikationen in diesem Bereich bestätigt. Gleichwohl ist der Einsatz für die digitale Besuchermessung insbesondere durch die fehlende externe Validität in Frage zu stellen. Sie haben dennoch ihre Berechtigung und werden im Rahmen des vorliegenden Buches diskutiert, da sie zumindest indirekt mögliche Aufschlüsse über das Interesse an Reisezielen geben und diese Daten, bspw. im Rahmen von digitalen Besuchermanagement‐ systemen, durchaus auch berücksichtigt werden können. DMO geben Sie einen schnell verfügbaren und präzisen Überblick über das Interesse der Nachfrage. 2.4.4 C.4: Verbrauchsdaten 2.4.4.1 Methode Der Nutzungsgrad einer Destination kann auch über die Infrastrukturnut‐ zung erhoben werden. Bei den Verbrauchsdaten aus der Destination gibt es einige Schnittstellen oder, zugegebenermaßen, Graubereiche im Verhältnis 129 2.4 Andere Messsysteme <?page no="130"?> zu anderen Kategorien, zum Beispiel den Transaktionsdaten (denn auch dort geht es um Konsum) oder den Verkehrsdaten im fließenden Verkehr oder auf Parkplätzen (denn auch das beinhaltet eine Nutzung der öffentlichen Infrastruktur). Verbrauchsdaten im Sinne dieses Kapitels sind die Verbräuche von Strom, Frischwasser oder der Anfall von Abwasser. Daneben sind weitere An‐ wendungen denkbar, etwa die bereits im Kapitel über Transaktionsdaten 2.2.3 besprochenen Ladesäulen für Elektrofahrzeuge. Für die Messung kommen im Grundsatz zwei Punkte in Frage: ● Beim Netz-Betreiber ● Beim Verbraucher, also zum Beispiel in einem Haushalt oder einem Hotel In der Literatur wurde verschiedentlich versucht, beim Netz-Betreiber den Stromverbrauch einer Destination mit der Nachfragemenge in Beziehung zu setzen (Bianco, 2020; Pablo-Romero et al., 2017, 2019; Tabatchnaia-Tamirisa et al., 1997). Diese Analysen sind jedoch auf einem so hoch-aggregierten Niveau, dass damit keine Auslastungsdaten im Sinne einer digitalen Besu‐ chermessung abgeleitet werden können: Dafür ist sowohl die räumliche als auch die zeitliche Auflösung viel zu grob und es gibt Faktoren, die den Gesamt-Verbrauch beeinflussen, ohne dass sie auf eine Veränderung der Tourismusnachfrage in der Destination zurückzuführen ist (insbesondere der Verbrauch der Einheimischen, der lokalen Betriebe und auch die Ver‐ änderung der Verbräuche pro Kopf). Eine der wenigen Studien, in denen eine kleinräumliche Nachfrageschätzung auf Destinationsebene versucht wurde, stammt von Sánchez-Galiano et al. (2017) am Beispiel des Trinkwas‐ serverbrauchs und des Müllaufkommens von Benidorm. Allerdings gibt auch diese Studie lediglich Jahresdaten für die gesamte Gemeinde an, eine bessere zeitliche und räumliche Auflösung war wohl nicht zu erreichen. Es wird schnell deutlich, dass diese Daten ein bestenfalls grobes Bild der Destinationsnutzung ergeben können. 2.4.4.2 Ziele und Bewertung Verbrauchsdaten als indirekte Messmethode eignen sich - wenn überhaupt - nur sehr bedingt für eine Frequenzzählung an einzelnen Standorten oder ganzen Destinationen. Deshalb muss auch die Eignung dieser Datenquelle in Bezug auf die vier Ziele durchgängig verneint werden (Tabelle 33). 130 2 Datenquellen für die digitale Besuchermessung <?page no="131"?> Ziel 1: Frequenzzählung an einzelnen Standorten nein Ziel 2: Messung von Besucherströmen in Arealen nein Ziel 3.1: Identifizierung von Aktionsräumen nein Ziel 3.2: Identifizierung von Quell-Zielgebietsbeziehungen nein Tabelle 33: Zieleignung der Verbrauchsdaten (C.4) In der Gesamtbewertung schneiden diese Daten hinsichtlich der Validität, Typisierungsfähigkeit und Klassifizierungsgüte ungenügend ab. Das gleiche gilt für die räumliche und zeitliche Auflösung und die Latenz. Kritisch ist in diesen Punkten insbesondere, dass die Verbrauchsdaten nur ein indirektes Verfahren der Besuchermessung sind. Gezählt werden nicht Besucher, sondern die von ihnen induzierten Verbräuche. Dadurch entsteht eine recht hohe Unschärfe, weil nicht valide zugerechnet werden kann, welche dieser Verbräuche touristisch und welche nicht-touristisch verursacht sind. Etwas besser ist die Bewertung im Hinblick auf die Vollständigkeit. Allerdings hängt dieser Parameter stark von der Art der Installation ab. Werden zum Beispiel nur einzelne Punkte einer Destina‐ tion gemessen, ist die Vollständigkeit geringer als wenn die ganze Desti‐ nation betrachtet werden kann - dies aber um den Preis einer geringeren räumlichen Auflösung. Auch mit Blick auf die zeitliche Auflösung sind die Verbrauchsdaten ungenügend, da i. d. R. Jahreszeiträume im Rahmen von Abrechnungen betrachtet werden. Die Präzision als auch die Reliabilität ist als gut einzuschätzen, da sowohl mit Blick auf die genaue Erfassung der Verbrauchsdaten und die i. d. R. wenigen Systemausfälle bei Strom, Wasser etc. von einer reliablen Messung gesprochen werden kann. Mit das größte Problem der Daten ist ihre Verfügbarkeit. Dies zeigt sich auch in den wenigen Studien im Tourismus, die Konsumdaten als Quelle nutzen. Die Transparenz der Daten ist unklar. Die datenschutz‐ rechtliche Zulässigkeit und auch die ethische Vertretbarkeit sind ungenügend. 131 2.4 Andere Messsysteme <?page no="132"?> Bewertungsdimension Bewertung (1) externe Validität ungenügend (2) Typisierungsfähigkeit keine (3) touristische Klassifizierungsgüte keine (4) räumliche Auflösung ungenügend (5) zeitliche Auflösung ungenügend (6) Latenz ungenügend (7) Vollständigkeit gegeben (8) Präzision gegeben (9) Reliabilität gegeben (10) Verfügbarkeit ungenügend (11) Transparenz unklar (12) datenschutzrechtliche Zulässigkeit ungenügend (13) ethische Vertretbarkeit ungenügend Tabelle 34: Bewertung der Verbrauchsdaten (C.4) 2.4.4.3 Fazit Es darf durchaus kritisch hinterfragt werden, das mit den Verbrauchsdaten sinnvoll gemessen werden kann und warum diese im Rahmen der digitalen Besuchermessung überhaupt diskutiert werden. Der wichtigste Grund ist, dass diese Daten durchaus das Potenzial für weitergehende Auswertungen haben. Dies ist dann der Fall, wenn Daten beim Verbraucher gemessen und digital übermittelt werden können. So sollte es mit der laufenden Um‐ rüstung von analogen zu digitalen Stromzählern (Smart Meter) technisch möglich sein, etwa in Apartmenthäusern abzuschätzen, ob ein Apartment bewohnt ist oder gerade leer steht. Derartige intelligente Messsysteme messen nicht nur die Daten, sondern versenden diese auch an die Versor‐ 132 2 Datenquellen für die digitale Besuchermessung <?page no="133"?> gungsunternehmen, bei denen dann wiederrum räumlich und zeitlich hoch aufgelöste Daten zur Verfügung stünden. Dem stehen allerdings hohe datenschutztechnische und -rechtliche Hürden entgegen, so dass diese Daten praktisch nur dem jeweiligen Verbraucher zur Verfügung stehen werden (BSI, 2020). Gleichwohl wäre es zumindest für die deutschsprachige Tourismusforschung ein maßgeblicher Fortschritt, wenn es gelingen würde anhand der destinationsspezifischen Energienutzung Rückschlüsse auf die tourismusinduzierte Nachfrage in einer Destination tätigen zu können. Solche Studien sind jedoch bislang nicht bekannt. 133 2.4 Andere Messsysteme <?page no="135"?> 3 Zusammenfassung Das Wissen um die Auslastung von PoI und wie sich Touristinnen und Touristen in und zu Reisezielen bewegen ist für eine nachhaltige Destina‐ tionsentwicklung unverzichtbar geworden. Viele Destinationen sehen vor dem Hintergrund geänderter Anforderungsprofile eine Verantwortung, sich mit digitalen Lösungen auf den Weg zu einer smarten Destination zu begeben. 3.1 Fazit Digitale Besuchermessung ist eine unerlässliche Basis für ein digitales Besu‐ chermanagement. Dazu stehen in der Forschung und in der Praxis vielfältige Datenquellen und Methoden zur Verfügung. Diese Datenquellen wurden kategorisiert, analysiert und - im Hinblick auf Ziele und Leistungspotenziale - bewertet. Ein mögliches Ziel einer Besuchermessung ist im einfachsten Fall die Frequenzmessung an einem Standort. Für die weiteren Ziele - Messung von Besucherströmen und intra- und interregionalen Aktionsräumen - werden trackingfähige Datenquellen benötigt, die Signalketten produzieren können. Die Signalketten der Kategorie A (auch als Multispot-Messsysteme bezeichnet) sind für die digitale Besuchermessung gut geeignet, weil alle Ziele grundsätzlich erreicht werden können. Gleichwohl ergeben sich ins‐ besondere bei den inter-regionalen Aktionsräumen, also den Beziehungen zwischen Quell- und Zielgebiet, je nach Ausgestaltung Einschränkungen. Bei den tourismusrelevanten Bewertungskriterien fällt die begrenzte externe Validität der Daten negativ auf. Allerdings besteht - im Vergleich zu den anderen Datenquellen - überhaupt die Möglichkeit einer touristischen Klassifizierung. Dies ist insofern relevant, als dass sich nur mit Hilfe der Daten aus Kategorie A tourismusinduzierte Mobilität von anderen Mobili‐ tätsformen unterscheiden und zuverlässig nachzeichnen lässt. Mit Blick auf die Raum-Zeit-Dimension zeichnen sich Daten aus Multispot-Mess‐ systemen durch ihre hohe räumliche und zeitliche Auflösung aus. Bei der generischen Dimension zeigt sich die Stärke der Signalketten vor allem in einer meist recht hohen Präzision und Reliabilität. Problematisch hingegen <?page no="136"?> - und somit ein deutlicher Nachteil dieser Daten- ist die Vollständigkeit der Daten. Dies liegt in erster Linie an der Tatsache, dass meist nur Teilgruppen genutzt werden können, die keine Generalisierung der Aussagen zulassen. Bei der sozial-organisatorischen Dimension der Daten zeigt sich die Verfügbarkeit der Daten als besonders nachteilig, insbesondere aufgrund der zum Teil hohen Kosten, die je nach Fragestellung und Umfang für den Bezug dieser Daten anfallen können. Während die datenschutzrechtliche Zulässigkeit und die ethische Vertretbarkeit größtenteils als unproblema‐ tisch beurteilt werden kann, ist die Transparenz der Daten - insbesondere aufgrund der nicht immer nachvollziehbaren Berechnungsalgorithmen und Betriebsgeheimnisse der Datenprovider - nicht immer hoch. In Summe sind Daten aus Multispot-Messsystemen gut für die digitale Besuchermessung im Tourismus geeignet. Die Standortmessungen bzw. Single-Spot-Messsysteme (Kategorie B-1) lassen sich nur für die Messung von Frequenzen an bestimmten Standorten nutzen. Sofern sie nicht gekoppelt werden, lassen sich keine Wegebeziehungen (Tracks) identifizieren. Mit Blick auf die tourismusspe‐ zifische Bewertungsdimension zeichnen sich Datenquellen dieser Kate‐ gorie mit einer vergleichsweise hohen externen Validität aus, die lediglich bei den Transaktions- und Interaktionsdaten begrenzt ist. Während die Typisierungsfähigkeit bei diesen Datenquellen recht heterogen ist, liegt die Schwäche in der Güte der touristischen Klassifizierungsmöglichkeit. Die Zeit- und Raum-Dimension ist geprägt durch eine hohe zeitliche Auflö‐ sung der Daten, sie messen jedoch nur dort, wo sie aufgestellt wurden und besitzen somit eine sehr geringe räumliche Auflösung. Die Latenz ist (sehr) kurz. Die generische Dimension zeigt, dass es sich um meist vollständige, präzise und reliable Daten handelt - neben der hohen Validität und der hohen zeitlichen Auflösung sind Daten aus der Kategorie B-1 daher sehr gut als Eingangsdaten für das digitale Besuchermanagement geeignet, da sie verlässliche Aussagen über die Frequenzen und Auslastungen bestimmter Orte geben, die dann wiederum für die Prognose und Modellierung genutzt werden können. Bei der sozial-organisatorischen Dimension zeigt sich neben einer meist hohen Verfügbarkeit und Transparenz der Daten, eine grundsätzliche gute ethische Vertretbarkeit. Besteht die Möglichkeit der Kopplung von Standortmessdaten, ergibt sich eine andere Bewertung für die Nutzung der Daten im Rahmen der vorlie‐ genden Thematik. Bei den Mini-Signalketten (gekoppelte Standortmes‐ sungen) (Kategorie B-2) zeigt sich durch die Kopplungsmöglichkeit, dass 136 3 Zusammenfassung <?page no="137"?> nun Besucherströme zwischen Standorten und auch intraregionale Aktions‐ räume grundsätzlich messbar und identifizierbar sind. Quell-Zielgebietsbe‐ ziehungen sind hingegen schwieriger abzubilden, da die Systeme i. d. R. nur vor Ort genutzt werden. Die Kopplung von Social-Media-Daten eignet sich nur schlecht für die Zielerreichung der digitalen Besuchermessung. Einige Schwächen offenbaren die Daten in der tourismusspezifischen Dimension, insbesondere mit Blick auf die externe Validität. Die Zeit- und Raum-Dimension ist - im Vergleich zu den beiden Kategorien zuvor - schlechter ausgeprägt. Die stationäre Sensorik ist abhängig von der infrastrukturellen Ausstattung vor Ort. Ebenfalls nicht besonders positiv fällt die Bewertung der generischen Dimension aus. Die Transaktions- und Interaktionsdaten schneiden hier am besten ab. Zwar sind die Daten i. d. R. transparent und verfügbar, die datenschutzrechtliche Situation ist mit Blick auf die sozial-organisatorische Dimension jedoch problematisch. Hier zeigt sich insbesondere die stationäre Sensorik anfällig - die gekoppelten Social-Media-Daten hingegen zeigen hier ihre Stärke. Daten der Kategorie der anderen Messsysteme (Kategorie C) lassen sich mit Ausnahme der Social-Media-Daten und des Daten Scrapings nicht für die definierten Ziele der digitalen Besuchermessung nutzen. Vor al‐ lem hinsichtlich der tourismusspezifischen Dimension und der Zeit- und Raum-Dimension haben die Daten deutliche Schwächen. Die bisweilen guten Bewertungen in der sozial-organisatorischen und vor allem der generischen Dimension zeigen, dass es durchaus möglich ist, mit hoher Präzision und Reliabilität das Falsche zu messen. Tabelle 35 erlaubt eine Gesamtübersicht der Ziel-Erreichung der Daten‐ quellen und Tabelle 36 eine Übersicht aller Bewertungen. Mit Blick auf die Zielerreichung wird deutlich, dass sich nur mit wenigen digitalen Datenquellen alle möglichen Ziele der Besuchermessung erreichen lassen. Trackingfähige Messsysteme wie passive Mobilfunkdaten und passive mit‐ tels Apps generierte Location Events haben hier das größte Potenzial. Bei der zusammenfassenden Darstellung der Bewertungen wird deutlich, dass die im Rahmen von digitaler Besuchermessung eingesetzten Datenquellen i. d. R. eine sehr hohe zeitliche Auflösung sowie eine hohe Präzision und eine gute Reliabilität. Auch Transparenz, datenschutzrechtliche Zulässigkeit sowie die ethische Vertretbarkeit sind in den meisten Fällen gegeben. 137 3.1 Fazit <?page no="138"?> Frequenzzählung an einzelnen Standorten Messung von Besucherströmen in Arealen Identifizierung von Aktionsräumen Identifizierung von Quell- Zielgebietsbeziehungen ++ ++ ++ je nach Ausgestaltung ++ ++ ++ - Reichweitenstarke Apps ++ ++ ++ ++ Aggregatoren ++ ++ ++ ++ ++ ++ ++ ++ ++ -- -- -- Wifi-Scanner ++ -- -- -- Bluetooth-Scanner ++ -- -- -- LiDAR-Sensoren ++ -- -- -optische Kameras ++ -- -- -- Kassen- und Reservierungssysteme ++ -- -- -- Bezahlsysteme ++ -- -- -- Destinationskarten ++ -- -- -- ++ + + -- Bezahlsysteme ++ + + o Destinationskarten ++ + + o o o o o -- -- -- - -- -- -- -- -- -- -- -- -- -- -- Kategorie Methode Ziele digitaler Besuchermessung im Tourismus Signalketten (Multi-Spot- Messsysteme) Mobiles Tracking mit Stichproben Mobiles Tracking, aktiv (VGI) Mobiles Tracking, passiv Tracking im Datennetz Standortmessungen (Single-Spot- Messsysteme) Durchgangssensoren Flächensensoren Transaktions- und Interaktionsdaten Mini- Signalketten (gekoppelte Standortmessungen) Gekoppelte stationäre Sensorik Gekoppelte Transaktions- und Interaktionsdaten gekoppelte Social Media-Daten Andere Messsysteme Social Media-Daten/ AGI Daten Scraping (Private Rental-Platforms) Web & Searchengine-Daten Verbrauchsdaten Tabelle 35: Datenquellen und Ziele der Besuchermessung 138 3 Zusammenfassung <?page no="139"?> Bewertung Tourismus-spezifische Dimension Zeit- und Raum Dimension Kategorie Methode Externe Validität Typisierungs- Touristische Klassifizierungs- Räumliche Zeitliche fähigkeit güte Auflösung Auflösung Latenz Mobiles Tracking mit Stichproben ++ ++ ++ ++ ++ o Mobiles Tracking, aktiv (VGI) Signalketten o o - ++ ++ ++ (Multi-Spot- Reichweitenstarke Apps o + + ++ ++ abhängig vom Mobiles Tracking, passiv Datenprovider Messsysteme) Aggregatoren o + + ++ ++ abhängig vom Datenprovider Tracking im Datennetz o ++ + o + o Durchgangssensoren + - -- -- ++ ++ Wifi-Scanner o -- -- -- ++ ++ Bluetooth-Scanner o -- -- -- ++ ++ Standort- Flächensensoren messungen LiDAR-Sensoren ++ o -- -- ++ ++ (Single-Spot- Messsysteme) optische Kameras ++ o -- -- ++ ++ Kassen- und Reservierungssysteme o o -- -o installationsabhängig Transaktions- und Interaktionsdaten Bezahlsysteme o- + o -o installationsabhängig Destinationskarten oo o -o installationsabhängig Mini- Gekoppelte stationäre Sensorik o o -o ++ installationsabhängig Signalketten Bezahlsysteme o- + oo o (gekoppelte Gekoppelte Transaktions- und fallabhängig Standort- Interaktionsdaten Destinationskarten o- + + o o fallabhängig messungen) gekoppelte Social Media-Daten -o o -- -o Social Media-Daten/ AGI -o o o o ++ Andere Daten Scraping (Private Rental-Platforms) -- -- -o o ++ Messsysteme Web & Searchengine-Daten -- -o -- -- -- ++ Verbrauchsdaten -- -- -- -- -- -- 139 3.1 Fazit <?page no="140"?> Vollständigkeit Präzision Reliabilität Verfügbarkeit Transparenz Datenschutzrechtliche Zulässigkeit Ethische Vertretbarkeit -- ++ ++ o ++ ++ ++ -- ++ ++ o ++ ++ ++ -- ++ ++ o o ++ o o ++ ++ o -- ++ o o o + o -- ++ o ++ + ++ ++ ++ ++ installationsabhängig -- -- ++ ++ installationsabhängig o? DSGVO-relevant -- -- ++ ++ installationsabhängig o? DSGVO-relevant ++ ++ o ++ ++ o? installationsabhängig ++ ++ ++ ++ installationsabhängig o? DSGVO-relevant ++ ++ ++ -- ++ ++ systemabhängig o ++ ++ o o ++ ++ o ++ ++ ++ ++ ++ systemabhängig -- -- ++ -- installationsabhängig o- ++ ++ o ++ o ++ o- ++ ++ + ++ o ++ o o N/ A o ++ ++ ++ -o N/ A o ++ ++ + -- ++ ++ o o ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ ++ -- -unklar -- Bewertung Generische Dimension Sozial-organisatorische Dimension Reichweitenstarke Apps Aggregatoren Wifi-Scanner Bluetooth-Scanner LiDAR-Sensoren optische Kameras Kassen- und Reservierungssysteme Bezahlsysteme Destinationskarten Bezahlsysteme Destinationskarten Kategorie Methode Signalketten (Multi-Spot- Messsysteme) Mobiles Tracking mit Stichproben Mobiles Tracking, aktiv (VGI) Mobiles Tracking, passiv Tracking im Datennetz Standortmessungen (Single-Spot- Messsysteme) Durchgangssensoren Flächensensoren Transaktions- und Mini- Interaktionsdaten Signalketten (gekoppelte Standortmessungen) Gekoppelte stationäre Sensorik Gekoppelte Transaktions- und Interaktionsdaten Andere Messsysteme gekoppelte Social Media-Daten Social Media-Daten/ AGI Daten Scraping (Private Rental-Platforms) Web & Searchengine-Daten Verbrauchsdaten Tabelle 36: Datenquellen und Bewertungen der Besuchermessung 140 3 Zusammenfassung <?page no="141"?> 3.2 Ausblick Die Weiterentwicklung der digitalen Besuchermessung wird vor allem von zwei Faktoren abhängen: Technische Möglichkeiten und nützliche Anwendungen. Auf der technischen Seite ist für die Zukunft eine stetige Weiterent‐ wicklung der Möglichkeiten zu erwarten. Das betrifft insbesondere die Da‐ tenquellen, die der Kategorie „Big Data“ zuzuordnen sind. Das größte Defizit dieser Datenquellen ist heute ihre Unzuverlässigkeit bei der Generalisierung der Datenbestände. App-Daten beschreiben eben nicht alle Nutzer oder eine repräsentative Stichprobe, sondern eine große, aber möglicherweise nicht repräsentative Teilgruppe. Hier ist mit fortschreitender Kommerzialisierung und Marktkonzentration bei den Datenlieferanten mit einer sukzessiven Verbesserung der Situation zu rechnen. Zugleich ist zu erwarten, dass die analytischen Möglichkeiten und damit die Präzision und Reliabilität von Modellierungs-, Mustererkennungs- und Prognoseergebnissen durch den weitergehenden Einsatz von Algorithmen des maschinellen Lernens zunehmen. Weitere Fortschritte sind auch bei der Kombination heterogener Datenbe‐ stände zu erwarten. Werden heute noch die Datenquellen aus unterschied‐ lichen Kategorien weitgehend getrennt betrachtet, so gibt es bereits erste Ansätze, aus der Integration von Datenbeständen Mehrwerte zu generieren und die spezifischen Stärken der Datenquellen besser zu nutzen als heute. Damit werden die konzeptionell bereits angelegten Verbindungen zur An‐ reicherung und Kalibrierung von Daten (vgl. Abbildung 7) an Bedeutung gewinnen. Auf der Seite der Anwendungen in der Destinationspraxis hat die Corona-Pandemie für eine neue Sensibilisierung in der Branche gesorgt: Aspekte wie „Menge“, „Dichte“ und „Nähe“ sind nicht mehr nur abstrakte Konstrukte, sondern wurden durch eine hygienische Notwendigkeit im Rahmen der Corona-Pandemie sehr konkret. Es ist davon auszugehen, dass diese Sensibilisierung in der Zukunft nicht verschwindet. Gleichzeitig ist festzustellen, dass Phänomene der Übernutzung unter dem Schlagwort „Overtourism“ fester Bestandteil der Branchendiskussion und des akademischen Diskurses geworden sind. Gab es in der Vergan‐ genheit vor allem eine naturschutz-orientierte Debatte um Carrying Capa‐ city und Übernutzung, so ist bereits heute eine stärker auf Klimaschutz (Belastungen durch Verkehr) und soziale Aspekte (Tourismusakzeptanz, 141 3.2 Ausblick <?page no="142"?> Beeinflussung von Einwohnenden durch Touristinnen und Touristen und ihre Mobilität) orientierte Diskussion zu verzeichnen. Es wird erwartet, dass die beiden letztgenannten Aspekte zukünftig noch an Bedeutung gewinnen werden. Allerdings muss kritisch angemerkt werden, dass es heute zwar funktio‐ nierende (digitale) Besuchermessungsaber kaum nachweisbar effektive digitale, nudging-orientierte Besuchermanagement-Systeme gibt. Hier ist, vor allem bei der Entwicklung gut integrierter Systeme, noch einige For‐ schungsarbeit notwendig. In der Zusammenschau lässt sich erwarten, dass sowohl der technische Fortschritt als auch der Bedarf an nützlichen Anwendungen als Treiber für eine dynamische Entwicklung digitaler Besuchermessung wirken werden. 142 3 Zusammenfassung <?page no="143"?> Literatur ADAC Service GmbH. (2020). ADAC Verkehrsdaten. ADAC Service GmbH. www.a dac.de/ verkehr/ verkehrsinformationen/ verkehrsdaten/ Adamiak, C., & Szyda, B. (2021). Combining conventional statistics and big data to map global tourism destinations before covid-19. Journal of Travel Research, 004728752110514. doi.org/ 10.1177/ 00472875211051418 Agarwal, V., Koch, J. V., & McNab, R. M. (2019). Differing Views of Lodging Reality: Airdna, STR, and Airbnb. Cornell Hospitality Quarterly, 60(3), 193-199. doi.org/ 10.1177/ 1938965518777218 Ahas, R., Aasa, A., Roose, A., Mark, Ü., & Silm, S. (2008). Evaluating passive mobile positioning data for tourism surveys: An Estonian case study. Tourism Management, 29(3), 469-486. doi.org/ 10.1016/ j.tourman.2007.05.014 Ahas, R., Armoogum, J., Esko, S., Ilves, M., Karus, E., Madre, J.-L., Nurmi, O., Potier, F., Schmücker, D., Sonntag, U., & Tiru, M. (2014). Feasibility study on the use of mobile positioning data for tourism statistics: Consolidated report Eurostat Contract No 30501.2012.001-2012.452. Publications Office. Akhter, F., Khadivizand, S., Siddiquei, H., Alahi, M., & Mukhopadhyay, S. (2019). IoT Enabled Intelligent Sensor Node for Smart City: Pedestrian Counting and Ambient Monitoring. Sensors, 19(15), 3374. doi.org/ 10.3390/ s19153374 Alawwad, Z., Alkowaileet, W., Alsubaiee, S., Alfaris, A., Alansari, M. M., & Ragab, A. M. (2016). Analyzing Call Detail Records to Support Tou‐ rism Statistics in Saudi Arabia: An Exploratory Study. 14th Global Fo‐ rum on Tourism Statistics, Venice. tsf2016venice.enit.it/ images/ articles/ Papers_F orum/ 1.3_Analyzing%20Call%20Detail%20Records%20to%20Support%20Tourism %20Statistics%20in%20Saudi%20Arabia%20-%20An%20Exploratory%20Study.pdf Andersen, O., Gundersen, V., Wold, L. C., & Stange, E. (2014). Monitoring visitors to natural areas in wintertime: Issues in counter accuracy. Journal of Sustainable Tourism, 22(4), 550-560. doi.org/ 10.1080/ 09669582.2013.839693 Angeloni, S. (2016). A tourist kit ‘made in Italy’: An ‘intelligent’ system for imple‐ menting new generation destination cards. Tourism Management, 52, 187-209. doi.org/ 10.1016/ j.tourman.2015.06.011 Aparicio, D., Hernández Martín-Caro, M. S., García-Palomares, J. C., & Gutiérrez, J. (2021). Exploring the spatial patterns of visitor expenditure in cities using bank card transactions data. Current Issues in Tourism, 1-19. doi.org/ 10.1080/ 1368350 0.2021.1991898 <?page no="144"?> Arblaster, M. (2018). Air traffic management: Economics, regulation and governance. Arefieva, V., Egger, R., & Yu, J. (2021). A machine learning approach to cluster destination image on Instagram. Tourism Management, 85, 104318. doi.org/ 10.10 16/ j.tourman.2021.104318 Arias, J. M., de Dios Romero Palop, J., Bodas Sagi, D. J., & Lapaz, H. V. (2018). Using Transactional Data to Determine the Usual Environment of Cardholders. In B. Stangl & J. Pesonen (Hrsg.), Information and Communication Technologies in Tourism 2018 (S. 515-527). Springer International Publishing. doi.org/ 10.1007/ 97 8-3-319-72923-7_39 Arnberger, A. (2013). Besuchermanagement aus internationaler Sicht—Ein Überblick über Forschungen und Anwendungen. In C. Clivaz, R. Rupf, & D. Siegrist (Hrsg.), VISIMAN: Beiträge zu Besuchermonitoring und Besuchermanagement in Pärken und naturnahen Erholungsgebieten (S. 15-26). Arnberger, A., Brandenburg, C., & Muhar, A. (2006). Besuchererfassungstechnolo‐ gien als Beitrag für eine nachhaltige Erholungsgebiets- und Stadtentwicklung. In M. Schrenk & Verein CORP - Competence Center of Urban and Regional Planning (Hrsg.), Sustainable solutions for the information society: Proceedings of 11th International Conference on Urban Planning and Spatial Development in the Information Society ; CORP 2006, GEO MULTIMEDIA 06 ; [February 13—16, Congress Center Vienna, Austria]: Beiträge zur 11. Internationalen Konferenz zu Stadtplanung und Regionalentwicklung in der Informationsgesellschaft ; [Ta‐ gungsband] = Nachhaltige Lösungen für die Informationsgesellschaft (S. 573- 580). Selbstverl. des Vereins CORP, Competence Center for Urban and Regional Development. Arnberger, A., Haider, W., & Brandenburg, C. (2005). Evaluating Visitor-Monitoring Techniques: A Comparison of Counting and Video Observation Data. Environ‐ mental Management, 36(2), 317-327. doi.org/ 10.1007/ s00267-004-8201-6 Ashkanani, A. M., Roza, A. S. M., & Naghavipour, H. (2015). A Design Approach of Automatic Visitor Counting System Using Video Camera. IOSR Journal of Electrical and Electronics Engineering, 10(2), 62-67. doi.org/ 10.9790/ 1676-10216 267 Bagchi, M., & White, P. R. (2005). The potential of public transport smart card data. Transport Policy, 12(5), 464-474. doi.org/ 10.1016/ j.tranpol.2005.06.008 Baggio, R. (2019). Measuring Tourism: Methods, Indicators, and Needs. In C. Cooper & E. Fayos-Solà (Hrsg.), The Future of Tourism: Innovation and Sustainability (S. 255-269). Springer International Publishing : Imprint: Springer. doi.org/ 10.10 07/ 978-3-319-89941-1 144 Literatur <?page no="145"?> Baggio, R., & Scaglione, M. (2018). Strategic visitor flows and destination manage‐ ment organization. Information Technology & Tourism, 18(1-4), 29-42. doi.org/ 10.1007/ s40558-017-0096-1 Bandeira, J. M., Tafidis, P., Macedo, E., Teixeira, J., Bahmankhah, B., Guarnaccia, C., & Coelho, M. C. (2020). Exploring the Potential of Web Based Information of Business Popularity for Supporting Sustainable Traffic Management. Transport and Telecommunication Journal, 21(1), 47-60. https: / / doi.org/ 10.2478/ ttj-2020-00 04 Bastiaansen, M., Oosterholt, M., Mitas, O., Han, D., & Lub, X. (2020). An Emotional Roller Coaster: Electrophysiological Evidence of Emotional Engagement during a Roller-Coaster Ride with Virtual Reality Add-On. Journal of Hospitality & Tourism Research, 109634802094443. doi.org/ 10.1177/ 1096348020944436 Bastiaansen, M., Straatman, S., Mitas, O., Stekelenburg, J., & Jansen, S. (2022). Emotion Measurement in Tourism Destination Marketing: A Comparative Elect‐ roencephalographic and Behavioral Study. Journal of Travel Research, 61(2), 252-264. doi.org/ 10.1177/ 0047287520981149 Bauder, M. (2014). Der Einsatz von Geoinformationstechnologie zur Analyse touris‐ tischer Mobilität [Ph.D.]. Univ. Freiburg. Bauder, M. (2015). Verfeinerung des Central Tourist District von Paris mittels GPS-Daten und GIS-Analyse. Via Tourism Review, 8. doi.org/ 10.4000/ viatourism .1619 Bauder, M. (2016). Flickr, Twitter & Co: Die Verwendung von Ambient Geospatial Information als Element tourismuswissenschaftlicher Forschung? In F. Bauhuber & H. Hopfinger (Hrsg.), Mit Auto, Brille, Fon und Drohne (S. 23-34). MetaGIS. Bauder, M. (2017). Using social media as a big data source for research. In T. Felgenhauer & K. Gäbler (Hrsg.), Geographies of digital culture (S. 39-51). Routledge. Bauder, M. (2019). Engage! A research agenda for Big Data in tourism geography. In D. K. Müller (Hrsg.), A research agenda for tourism geographies (S. 149-158). Bauder, M., & Freytag, T. (2015). Visitor mobility in the city and the effects of travel preparation. Tourism Geographies, 17(5), 682-700. doi.org/ 10.1080/ 14616688.201 5.1053971 Bauder, M., & Hologa, R. (2020). Neue Datenquellen des Web 2.0—Crowdsourcing und crowdharvesting. In H. Gebhardt, R. Glaser, U. Radtke, P. Reuber, & A. Vött (Hrsg.), Geographie (S. 197-201). Springer-Verlag GmbH and Springer Nature. Bauer, C. (2013). On the (In-)Accuracy of GPS Measures of Smartphones: A Study of Running Tracking Applications. Proceedings of International Conference on 145 Literatur <?page no="146"?> Advances in Mobile Computing & Multimedia - MoMM ’13, 335-341. doi.org/ 10 .1145/ 2536853.2536893 Beisch, N., & Koch, W. (2021). 25 Jahre ARD/ ZDF-Onlinestudie: Unterwegsnutzung steigt wieder und Streaming/ Mediatheken sind weiterhin Treiber des medialen Internets. Media Perspektiven, 10, 486-503. Bianco, V. (2020). Analysis of electricity consumption in the tourism sector. A decomposition approach. Journal of Cleaner Production, 248, 119286. doi.org/ 10. 1016/ j.jclepro.2019.119286 Birenboim, A., Dijst, M., Scheepers, F. E., Poelman, M. P., & Helbich, M. (2019). Wearables and Location Tracking Technologies for Mental-State Sensing in Outdoor Environments. The Professional Geographer, 71(3), 449-461. doi.org/ 10 .1080/ 00330124.2018.1547978 Böhler, H., Germelmann, C. C., Baier, D., & Woratschek, H. (2022). Marktforschung (4., erweiterte und überarbeitete Auflage). Verlag W. Kohlhammer. Bonné, B., Barzan, A., Quax, P., & Lamotte, W. (2013). WiFiPi: Involuntary tracking of visitors at mass events. 2013 IEEE 14th International Symposium on „A World of Wireless, Mobile and Multimedia Networks“ (WoWMoM), 1-6. doi.org/ 10.110 9/ WoWMoM.2013.6583443 Boudjemaa, K., & Song, P. (2014). Indoor Human Detection and Monitoring System Using PIR Wireless Sensors Array. Applied Mechanics and Materials, 541-542, 1297-1303. doi.org/ 10.4028/ www.scientific.net/ AMM.541-542.1297 Brauckmann, S. (2017). City tourism and the sharing economy - potential effects of online peer-to-peer marketplaces on urban property markets. Journal of Tourism Futures, 3(2), 114-126. doi.org/ 10.1108/ JTF-05-2017-0027 BSI. (2020). Das Smart-Meter-Gateway: Cyber-Sicherheit für die Digitalisierung der Energiewirtschaft (S. 48). BSI Bundesamt für Sicherheit in der Informations‐ technik. www.bsi.bund.de/ SharedDocs/ Downloads/ DE/ BSI/ Publikationen/ Brosc hueren/ Smart-Meter-Gateway.pdf Budzier, H., Gerlach, G., Müller, D., & Budzier, H. (2011). Thermal infrared sensors: Theory, optimisation and practice (1. ed). Wiley. Bundesnetzagentur. (2021). Teilnehmerentwicklung im Mobil‐ funk. www.bundesnetzagentur.de/ DE/ Sachgebiete/ Telekommunikation/ Unte rnehmen_Institutionen/ Marktbeobachtung/ Mobilfunkteilnehmer/ artikel.html? n n=268232 Buning, R. J., & Lulla, V. (2021). Visitor bikeshare usage: Tracking visitor spatiotem‐ poral behavior using big data. Journal of Sustainable Tourism, 29(4), 711-731. doi.org/ 10.1080/ 09669582.2020.1825456 146 Literatur <?page no="147"?> Campelo, M. B., & Nogueira Mendes, R. M. (2016). Comparing webshare services to assess mountain bike use in protected areas. Journal of Outdoor Recreation and Tourism, 15, 82-88. doi.org/ 10.1016/ j.jort.2016.08.001 Chareyron, G., Da-Rugna, J., & Branchet, B. (2013). Mining tourist routes using Flickr traces. Proceedings of the 2013 IEEE/ ACM International Conference on Advances in Social Networks Analysis and Mining, 1488-1489. doi.org/ 10.1145/ 2492517.25 00307 Chen, J., Becken, S., & Stantic, B. (2021). Using Weibo to track global mobility of Chinese visitors. Annals of Tourism Research, 89, 103078. doi.org/ 10.1016/ j.anna ls.2020.103078 Chen, J., Zhang, H., Li, W., & Shibaski, R. (2021). Spatio-temporal data preprocessing technologies. In H. Zhang, X. Song, & R. Shibasaki (Hrsg.), Big data and mobility as a service (1. Aufl., S. 25-72). Elsevier. Chrétien, J., Le Néchet, F., Leurent, F., & Yin, B. (2019). Using Mobile Phone Data to Observe and Understand Mobility Behavior, Territories, and Transport Usage. In A. Aguilera & V. Boutueil (Hrsg.), Urban Mobility and the Smartphone (S. 79-141). Elsevier. doi.org/ 10.1016/ B978-0-12-812647-9.00003-2 Chua, A., Servillo, L., Marcheggiani, E., & Moere, A. V. (2016). Mapping Cilento: Using geotagged social media data to characterize tourist flows in southern Italy. Tourism Management, 57, 295-310. doi.org/ 10.1016/ j.tourman.2016.06.013 Clivaz, C., Rupf, R., & Siegrist, D. (2013a). Besuchermonitoring als Basis des Besu‐ chermanagement. In C. Clivaz, R. Rupf, & D. Siegrist (Hrsg.), VISIMAN: Beiträge zu Besuchermonitoring und Besuchermanagement in Pärken und naturnahen Erholungsgebieten (S. 11-14). Clivaz, C., Rupf, R., & Siegrist, D. (Hrsg.). (2013b). VISIMAN: Beiträge zu Besucher‐ monitoring und Besuchermanagement in Pärken und naturnahen Erholungsge‐ bieten. Conrow, L., Wentz, E., Nelson, T., & Pettit, C. (2018). Comparing spatial patterns of crowdsourced and conventional bicycling datasets. Applied Geography, 92, 21-30. doi.org/ 10.1016/ j.apgeog.2018.01.009 Cousin, G., & Hillaireau, F. (2019). Can Mobile Phone Data Improve the Measurement of International Tourism in France? Economie et Statistique / Economics and Statistics, 505d, 89-107. doi.org/ 10.24187/ ecostat.2018.505d.1967 Dangschat, J., Droth, W., Friedrichs, J., & Kiehl, K. (1982). Aktionsräume von Stadtbewohnern (Bd. 36). VS Verlag für Sozialwissenschaften. doi.org/ 10.1007/ 97 8-3-322-89076-4 De Choudhury, M., Feldman, M., Amer-Yahia, S., Golbandi, N., Lempel, R., & Yu, C. (2010). Automatic construction of travel itineraries using social breadcrumbs. 147 Literatur <?page no="148"?> Proceedings of the 21st ACM Conference on Hypertext and Hypermedia - HT ’10, 35. doi.org/ 10.1145/ 1810617.1810626 De Meersmann, F., Seynaeve, G., Debusschere, M., Lusyne, P., Dewitte, P., Be‐ ayens, Y., Wirthmann, A., Demunter, C., Reis, F., & Reuter, H. I. (2016). Assessing the Quality of Mobile Phone Data as a Source of Statistics. 16. ec.europa.eu/ eurostat/ cros/ system/ files/ assessing_the_quality_of_mobile_ph one_data_as_a_source_of_statistics_q2016.pdf Dehez, J., Lambert, G., Ginelli, L., & Ben hadj Abdallah, K. (Hrsg.). (2019). The 9th International Conference on Monitoring and Management of Visitors in Recreational and Protected Areas (MMV9). mmv9.sciencesconf.org/ data/ pages/ l ast_version_abstract_book_6.pdf Demunter, C. (2017). Tourism statistics: Early adopters of big data? (2. Aufl.). European Commission, DG EUROSTAT. ec.europa.eu/ eurostat/ documents/ 38887 93/ 8234206/ KS-TC-17-004-EN-N.pdf/ a691f7db-d0c8-4832-ae01-4c3e38067c54 Derdouri, A., & Osaragi, T. (2021). A machine learning-based approach for classifying tourists and locals using geotagged photos: The case of Tokyo. Information Technology & Tourism, 23(4), 575-609. doi.org/ 10.1007/ s40558-021-00208-3 Deutsche Bundesbank. (2021). Zahlungsverkehrs- und Wertpapierabwicklungss‐ tatistiken (Statistische Fachreihe, S. 35). Deutsche Bundesbank. www.bund esbank.de/ resource/ blob/ 804046/ 7d26d5a66e79899f729743689809d892/ mL/ 0-zahl ungsverkehrs-und-wertpapierabwicklungsstatistiken-data.pdf Dhiratara, A., Yang, J., Bozzon, A., & Houben, G. J. (2016). Social media data analytics for tourism: A preliminary study. CEUR Workshop Proceedings, 1748, 1-12. Diamantini, C., Genga, L., Marozzo, F., Potena, D., & Trunfio, P. (2017). Discovering Mobility Patterns of Instagram Users through Process Mining Techniques. Pro‐ ceedings of the 2017 IEEE International Conference in Information Reuse and Integration (IRI). Dickinger, A., Scharl, A., Stern, H., Weichselbraun, A., & Wöber, K. (2008). Acquisi‐ tion and Relevance of Geotagged Information in Tourism. In P. O’Connor, W. Höpken, & U. Gretzel (Hrsg.), Information and communication technologies in tourism 2008: Proceedings of the international conference in Innsbruck, Austria 2008. Springer. Dietz, L. W., Sen, A., Roy, R., & Wörndl, W. (2020). Mining trips from location-based social networks for clustering travelers and destinations. Information Technology & Tourism, 22(1), 131-166. doi.org/ 10.1007/ s40558-020-00170-6 Dinis, G., Breda, Z., Costa, C., & Pacheco, O. (2019). Google Trends in tourism and hospitality research: A systematic literature review. Journal of Hospitality and Tourism Technology, 10(4), 747-763. doi.org/ 10.1108/ JHTT-08-2018-0086 148 Literatur <?page no="149"?> Domínguez, D. R., Díaz Redondo, R. P., Vilas, A. F., & Khalifa, M. B. (2017). Sensing the city with Instagram: Clustering geolocated data for outlier detection. Expert Systems with Applications, 78, 319-333. doi.org/ 10.1016/ j.eswa.2017.02.018 Drozdowska, M., Duda-Seifert, M., & Faron, A. (2018). Model of a city destination card as a marekting tool of selected European cities. Management Sciences, 23(2), 19-28. doi.org/ 10.15611/ ms.2018.2.03 Dürkop, D., & Groß, S. (2012). ÖPNV-Gästekarten im Tourismus - Ein Beitrag zur Sanften Mobilität in deutschen Tourismusregionen. Verkehrszeichen, 3, 18-22. Dürr, H., Leven, D., & Speckmaier, S. (2021). Baurecht Baden-Württemberg (17. Auflage). Nomos. D’Zmura, M. (2020, Oktober 15). Behind the scenes: Popular times and live busyness information. Google Maps 101. blog.google/ products/ maps/ maps101-popular-ti mes-and-live-busyness-information/ East, D., Osborne, P., Kemp, S., & Woodfine, T. (2017). Combining GPS & survey data improves understanding of visitor behaviour. Tourism Management, 61, 307-320. doi.org/ 10.1016/ j.tourman.2017.02.021 Edwards, D., Dickson, T. J., Griffin, T., & Hayllar, B. (2010). Tracking the Urban Visitor: Methods for Examining Tourists’ Spatial Behaviour and Visual Represen‐ tation. In G. Richards & W. Munsters (Hrsg.), Cultural tourism research methods (S. 104-114). CABI. Epting, W. (2021). Verwendung personenbezogener Daten in digitalen Ökosystemen. In D. Knörrer, M. W. Mosen, J. Moormann, & D. Schmidt (Hrsg.), Digitale Ökosysteme: Strategien, KI, Plattformen (1. Auflage, S. 279-301). Frankfurt School Verlag. Erbil, E., & Wörndl, W. (2022). Personalization of Multi-day Round Trip Itineraries According to Travelers’ Preferences. In J. L. Stienmetz, B. Ferrer-Rosell, & D. Massimo (Hrsg.), Information and communication technologies in tourism 2022: Proceedings of the ENTER 2022 eTourism Conference, January 11-14, 2022 (S. 187-199). Springer Nature. doi.org/ 10.1007/ 978-3-030-94751-4 Erdelić, T., Carić, T., Erdelić, M., Tišljarić, L., Turković, A., & Jelušić, N. (2021). Estimating congestion zones and travel time indexes based on the floating car data. Computers, Environment and Urban Systems, 87, 101604. doi.org/ 10.1016/ j .compenvurbsys.2021.101604 Erlandsson, F., Nia, R., Boldt, M., Johnson, H., & Wu, S. F. (2015). Crawling Online Social Networks. 2015 Second European Network Intelligence Conference, 9-16. doi.org/ 10.1109/ ENIC.2015.10 Europäische Kommission. (2018, Juli 18). Kartellrecht: Kommission verhängt Geld‐ buße von 4.34 Milliarden Euro gegen Google wegen illegaler Praktiken bei An‐ 149 Literatur <?page no="150"?> droid-Mobilgeräten zur Stärkung der beherrschenden Stellung der Google-Such‐ maschine. ec.europa.eu/ commission/ presscorner/ detail/ de/ IP_18_4581 Fairfax, R. J., Dowling, R. M., & Neldner, V. J. (2014). The use of infrared sensors and digital cameras for documenting visitor use patterns: A case study from D’Aguilar National Park, south-east Queensland, Australia. Current Issues in Tourism, 17(1), 72-83. doi.org/ 10.1080/ 13683500.2012.714749 Femenia-Serra, F., Ioannou, A., & Tussyadiah, I. P. (2021). Is smart scary? A mixed-methods study on privacy in smart tourism. Current Issues in Tourism, 1-27. doi.org/ 10.1080/ 13683500.2021.1987399 Ferrante, M., de Cantis, S., & Shoval, N. (2018). A General Framework for Collecting and Analysing the Tracking Data of Cruise Passengers at the Destination. Current Issues in Tourism, 21(12). doi.org/ 10.1080/ 13683500.2016.1194813 Ferreira, D., & Vale, M. (2020). Geography in the big data age: An overview of the historical resonance of current debates. Geographical Review, 1-17. doi.org/ 10.1 080/ 00167428.2020.1832424 Ferro, E., & Potorti, F. (2005). Bluetooth and wi-fi wireless protocols: A survey and a comparison. IEEE Wireless Communications, 12(1), 12-26. doi.org/ 10.1109/ MW C.2005.1404569 Flagestad, A., & Hope, C. A. (2001). Strategic success in winter sports destinations: A sustainable value creation perspective. Tourism Management, 22(5), 445-461. doi.org/ 10.1016/ S0261-5177(01)00010-3 Fluxloop. (2021). Norstat Group and fluxLoop enter into international cooperation to offer automated solutions combining high quality data collection and geoloca‐ tion. assets.website-files.com/ 5e466ed370deff49ac90374b/ 61408b14375c9528b106 d0ca_Press%20release%20Norstat%20%2B%20fluxLoop.pdf Fontanari, M., & Traskevich, A. (2022). Smart-Solutions for Handling Overtourism and Developing Destination Resilience for the Post-Covid-19 Era. Tourism Plan‐ ning & Development, 1-22. doi.org/ 10.1080/ 21568316.2022.2056234 Franco Roque, B., Nogueira Mendes, R., Magalh-es, M. F., & Pereira da Silva, C. (2019). Monitoring Walkers and Hikers of Madeira Island through web-share services. In J. Dehez, G. Lambert, L. Ginelli, & K. Ben hadj Abdallah (Hrsg.), The 9th International Conference on Monitoring and Management of Visitors in Recreational and Protected Areas (MMV9). mmv9.sciencesconf.org/ data/ pages/ l ast_version_abstract_book_6.pdf Frontoni, E., Paolanti, M., & Pietrini, R. (2019). People Counting in Crowded Envi‐ ronment and Re-identification. In P. L. Rosin, Y.-K. Lai, L. Shao, & Y. Liu (Hrsg.), RGB-D Image Analysis and Processing (S. 397-425). Springer International Publishing. doi.org/ 10.1007/ 978-3-030-28603-3_18 150 Literatur <?page no="151"?> Fuest, B. (2018, Januar 29). Diese Fitness-App verrät geheime Militärbasen. Welt Online. www.welt.de/ wirtschaft/ article172956607/ Strava-Fitness-App-verraet-g eheime-Militaerbasen.html Fukuda, D., Kobayashi, H., Nakanishi, W., Suga, Y., Sriroongvikrai, K., & Choocharu‐ kul, K. (2017). Estimation of Paratransit Passenger Boarding/ Alighting Locations Using Wi-Fi based Monitoring: Results of Field Testing in Krabi City, Thailand. Journal of the Eastern Asia Society for Transportation Studies, 12, 2151-2169. Gabrani, G., Sabharwal, S., & Singh, V. K. (2017). Artificial Intelligence Based Recommender Systems: A Survey. In M. Singh, P. K. Gupta, V. Tyagi, A. Sharma, T. Ören, & W. Grosky (Hrsg.), Advances in Computing and Data Sciences (Bd. 721, S. 50-59). Springer Singapore. doi.org/ 10.1007/ 978-981-10-5427-3‗ 6 Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35(2), 137-144. doi.org/ 10.1016/ j.ijinfomgt.2014.10.007 Gao, S., Rao, J., Kang, Y., Liang, Y., Kruse, J., Dopfer, D., Sethi, A. K., Mandujano Reyes, J. F., Yandell, B. S., & Patz, J. A. (2020). Association of Mobile Phone Location Data Indications of Travel and Stay-at-Home Mandates With COVID-19 Infection Rates in the US. JAMA Network Open, 3(9), e2020485. doi.org/ 10.1001/ jamanetw orkopen.2020.20485 Garcia, A. C., Maier, S., & Phillips, A. (2020). Location-Based Services in Cellular Networks: From GSM to 5G NR. Artech House. García Hernández, M., Baidal, J. I., & Mendoza de Miguel, S. (2019). Overtourism in urban destinations: The myth of smart solutions. Boletín de la Asociación de Geógrafos Españoles, 83. doi.org/ 10.21138/ bage.2830 García López, J. R., López, T. R., Ruiz de Aguirre, P., Ulloa, C. A., Arias, J. M., Romero Palop, J. de D., Lapaz, H. V., & Pacce, M. J. (2019). Measuring Retail Trade using Card Transactional Data (Nr. 1921; Documentos de Trabajo, S. 37). Banco de España. www.bde.es/ f/ webbde/ SES/ Secciones/ Publicaciones/ PublicacionesSe riadas/ DocumentosTrabajo/ 19/ Fich/ dt1921e.pdf Garnitz, M. (2021). Basisinformationen zur Erhebung von touristisch relevanten Echtzeitdaten zur Besucherstromlenkung: Technische Umsetzungsmöglichkeiten und Strategien für Parkraummanagement und Sensorik (S. 7). Bayern Tourismus Marketing. tourismus.bayern/ wp-content/ uploads/ 2017/ 07/ BayTM_Basisinform ationen_Parkraummanagement.pdf Gikas, V., Retscher, G., & Kealy, A. (2019). Collaborative Positioning for Urban Intelligent Transportation Systems (ITS) and Personal Mobility (PM): Challenges and Perspectives. In C. Antoniou, L. Dimitriou, & F. B. Pereira (Hrsg.), Mobility 151 Literatur <?page no="152"?> patterns, big data and transport analytics: Tools and applications for modeling (S. 382-413). Elsevier. Girardin, F., Calabrese, F., Fiore, F. D., Ratti, C., & Blat, J. (2008). Digital Footprinting: Uncovering Tourists with User-Generated Content. IEEE Pervasive Computing, 7(4), 36-43. doi.org/ 10.1109/ MPRV.2008.71 Goecke, R. (2015). Elektronische Zahlungs- und Kartensysteme. In A. Schulz, U. Weithöner, R. Egger, & R. Goecke (Hrsg.), ETourismus: Prozesse und Systeme: Informationsmanagement im Tourismus (2. Auflage, S. 516-535). Oldenbourg Wissenschaftsverlag and De Gruyter Oldenbourg. Goerlich, B., & Spalteholz, B. (2020). Total Revenue im Hotel: Gewinnmaximierung in Logis Resort Spa Mice: fit for profit (3. Auflage). DEHOGA SHOP/ INTERHOGA. Goodchild, M. F. (2007). Citizens as sensors: The world of volunteered geography. GeoJournal, 69(4), 211-221. doi.org/ 10.1007/ s10708-007-9111-y Google, Inc. (o. J.). Popular times, wait times, and visit duration. Google Business Profile Help. Abgerufen 21. Januar 2022, von support.google.com/ business/ answ er/ 6263531? hl=en Goossen, M., & Uphus, L. (2019). Visitor counting combining new technologies; PIR & LoRa with Arduino. In J. Dehez, G. Lambert, L. Ginelli, & K. Ben hadj Abdallah (Hrsg.), The 9th International Conference on Monitoring and Management of Visitors in Recreational and Protected Areas (MMV9) (S. 116-117). mmv9.scienc esconf.org/ data/ pages/ last_version_abstract_book_6.pdf Grassini, L., & Dugheri, G. (2021). Mobile phone data and tourism statistics: A broken promise? National Accounting Review, 3(1), 50-68. doi.org/ 10.3934/ NAR.2021002 Gretzel, U. (2022). The Smart DMO: A new step in the digital transformation of destination management organizations. European Journal of Tourism Research, 30(3002). doi.org/ 10.54055/ ejtr.v30i.2589 Gronau, W. (2017). Encouraging behavioural change towards sustainable tourism: A German approach to free public transport for tourists. Journal of Sustainable Tourism, 25(2), 265-275. doi.org/ 10.1080/ 09669582.2016.1198357 Groß, S., & Biohlawek, K. (2013). GPS-Anwendungen im Tourismus. In S. Groß & A. Dreyer (Hrsg.), GPS im Tourismus: Grundlagen, Einsatzbereiche, Produktentwi‐ ckung (S. 1-63). ITD-Verl. Groß, S., & Menzel, A. (2016). GPS-Tracking in touristischen Destinationen - Neue Software-Anwendung zur Erfassung des Mobilitätsverhaltens am Beispiel von Wanderern im Harz. Raumforschung und Raumordnung, 74(1), 51-68. doi.org/ 1 0.1007/ s13147-016-0381-z 152 Literatur <?page no="153"?> Gutekunst, J. (2021). Schnittstellen, Bussysteme und Netze. In E. Hering, J. Endres, & J. Gutekunst (Hrsg.), Elektronik für Ingenieure und Naturwissenschaftler (S. 697- 754). Springer Berlin Heidelberg. doi.org/ 10.1007/ 978-3-662-62698-6_15 Gutiérrez, J., García-Palomares, J. C., Romanillos, G., & Salas-Olmedo, M. H. (2017). The eruption of Airbnb in tourist cities: Comparing spatial patterns of hotels and peer-to-peer accommodation in Barcelona. Tourism Management, 62, 278-291. doi.org/ 10.1016/ j.tourman.2017.05.003 Hallo, J. C., Beeco, J. A., Goetcheus, C., McGee, J., McGehee, N. G., & Norman, W. C. (2012). GPS as a Method for Assessing Spatial and Temporal Use Distributions of Nature-Based Tourists. Journal of Travel Research, 51(5), 591-606. doi.org/ 10. 1177/ 0047287511431325 Hardy, A. (2020). Tracking Tourists: Movement and mobility. Goodfellow Publishers Ltd. Hardy, A., Aryal, J., & Wells, M. (2019). Comparing Techniques for Tracking: The Case of Tourism Tracer in Tasmania, Australia. e-Review of Tourism Research, 16(2/ 3). journals.tdl.org/ ertr/ index.php/ ertr/ article/ view/ 321 Hardy, A., Aryal, J., & Wells, M. (2022). Comparing Techniques for Tracking: The Case of Tourism Tracer in Tasmania, Australia. E-Review of Tourism Research, 16(2/ 3). journals.tdl.org/ ertr/ index.php/ ertr/ article/ view/ 321 Hardy, A., Birenboim, A., & Wells, M. (2020). Using geoinformatics to assess tourist dispersal at the state level. Annals of Tourism Research, 82, 102903. doi.org/ 10.1 016/ j.annals.2020.102903 Hardy, A., Hyslop, S., Booth, K., Robards, B., Aryal, J., Gretzel, U., & Eccleston, R. (2017). Tracking tourists’ travel with smartphone-based GPS technology: A methodological discussion. Information Technology & Tourism, 17(3), 255-274. doi.org/ 10.1007/ s40558-017-0086-3 Hardy, A., Vorobjovas-Pinta, O., Wells, M., Grimmer, L., & Grimmer, M. (2021). Measuring cruise passenger dispersal through technology. Annals of Tourism Research, 103319. doi.org/ 10.1016/ j.annals.2021.103319 Hartman, S., Wielenga, B., & Heslinga, J. H. (2020). The future of tourism destination management: Building productive coalitions of actor networks for complex destination development. Journal of Tourism Futures, 6(3), 213-218. doi.org/ 10.1 108/ JTF-11-2019-0123 Hauser, D., Leopold, A., Egger, R., Ganewita, H., & Herrgessell, L. (2022). Aesthetic perception analysis of destination pictures using #beautifuldestinations on Insta‐ gram. Journal of Destination Marketing & Management, 24, 100702. doi.org/ 10.1 016/ j.jdmm.2022.100702 153 Literatur <?page no="154"?> Hausmann, A., Toivonen, T., Slotow, R., Tenkanen, H., Moilanen, A., Heikinheimo, V., & Di Minin, E. (2018). Social Media Data Can Be Used to Understand Tourists’ Preferences for Nature-Based Experiences in Protected Areas: Social media data in protected areas. Conservation Letters, 11(1), e12343. doi.org/ 10.1111/ conl.12343 Hawelka, B., Sitko, I., Beinat, E., Sobolevsky, S., Kazakopoulos, P., & Ratti, C. (2014). Geo-located Twitter as proxy for global mobility patterns. Cartography and geographic information science, 41(3), 260-271. doi.org/ 10.1080/ 15230406.2014.8 90072 Heikinheimo, V. (2020). User-Generated Geographic Information for Understanding Human Activities in Nature [PhD, University of Helsinki]. urn.fi/ URN: ISBN: 978 -951-51-6581-7 Henrickson, K., Rodrigues, F., & Camara Pereira, F. (2019). Data Preparation. In C. Antoniou, L. Dimitriou, & F. B. Pereira (Hrsg.), Mobility patterns, big data and transport analytics: Tools and applications for modeling (S. 73-103). Elsevier. Herntrei, M. (2014). Wettbewerbsfähigkeit von Tourismusdestinationen. Springer Fachmedien Wiesbaden. doi.org/ 10.1007/ 978-3-658-07676-4 Hidayat, A., Terabe, S., & Yaginuma, H. (2020). Estimating bus passenger volume based on a Wi-Fi scanner survey. Transportation Research Interdisciplinary Perspectives, 6, 100142. doi.org/ 10.1016/ j.trip.2020.100142 Höpken, W., Eberle, T., Fuchs, M., & Lexhagen, M. (2018). Search Engine Traffic as Input for Predicting Tourist Arrivals. In B. Stangl & J. Pesonen (Hrsg.), Information and Communication Technologies in Tourism 2018 (S. 381-393). Springer International Publishing. doi.org/ 10.1007/ 978-3-319-72923-7_29 Höpken, W., Eberle, T., Fuchs, M., & Lexhagen, M. (2019). Google Trends data for analysing tourists’ online search behaviour and improving demand forecasting: The case of Åre, Sweden. Information Technology & Tourism, 21(1), 45-62. doi.org/ 10.1007/ s40558-018-0129-4 Höpken, W., Eberle, T., Fuchs, M., & Lexhagen, M. (2021). Improving Tourist Arrival Prediction: A Big Data and Artificial Neural Network Approach. Journal of Travel Research, 60(5), 998-1017. doi.org/ 10.1177/ 0047287520921244 Höpken, W., Müller, M., Fuchs, M., & Lexhagen, M. (2020). Flickr data for analysing tourists’ spatial behaviour and movement patterns: A comparison of clustering techniques. Journal of Hospitality and Tourism Technology, 11(1), 69-82. doi.org / 10.1108/ JHTT-08-2017-0059 Hovgesen, H. H., Bro, P., Tradisauskas, N., & Nielsen, T. S. (2008). Tracking Visitors in Public Parks—Experiences with GPS in Denmark. In J. van Schaick & S. C. van der Spek (Hrsg.), Urbanism on track (S. 65-78). IOS Press. 154 Literatur <?page no="155"?> Hozak, K. (2012). RFID applications in tourism. International Journal of Leisure and Tourism Marketing, 3(1), 92. doi.org/ 10.1504/ IJLTM.2012.046447 HUK-Coburg. (2019, April 3). HUK-Coburg bringt Telematik-Tarif für jedes Alter. www.huk.de/ presse/ nachrichten/ archiv.html Izquierdo Valverde, M., Prado Mascuñano, J., & Velasco Gimeno, M. (2016). Same-day visitors crossing borders: A big data approach using traffic control cameras: Vortrag im Rahmen der 14th Global Forum on Tourism Statistics. 14th Global Forum on Tourism Statistics, Venice. Jacob, R., Heinz, A., & Décieux, J. P. (2013). Umfrage: Einführung in die Methoden der Umfrageforschung (3., überarb. Aufl). Oldenbourg. Jalal, M., Wang, K., Jefferson, S., Zheng, Y., Nsoesie, E. O., & Betke, M. (2019). Scraping Social Media Photos Posted in Kenya and Elsewhere to Detect and Analyze Food Types. Proceedings of the 5th International Workshop on Multimedia Assisted Dietary Management - MADiMa ’19, 50-59. doi.org/ 10.1145/ 3347448.3357170 Janowicz, K., McKenzie, G., Hu, Y., Zhu, R., & Gao, S. (2019). Using Semantic Signa‐ tures for Social Sensing in Urban Environments. In C. Antoniou, L. Dimitriou, & F. B. Pereira (Hrsg.), Mobility patterns, big data and transport analytics: Tools and applications for modeling (S. 31-53). Elsevier. Janzen, M., Vanhoof, M., Smoreda, Z., & Axhausen, K. W. (2018). Closer to the total? Long-distance travel of French mobile phone users. Travel Behaviour and Society, 11, 31-42. doi.org/ 10.1016/ j.tbs.2017.12.001 Ji, M., Guo, W., Chen, Z., & Morgan, N. (2022). Managing tourist congestion: Insights from Chinese package tours to the UK and Ireland. Current Issues in Tourism, 1-20. doi.org/ 10.1080/ 13683500.2022.2037525 Jurado Rota, J., Pérez Albert, M. Y., & Serrano Giné, D. (2019). Visitor monitoring in protected areas: An approach to Natura 2000 sites using Volunteered Geographic Information (VGI). Geografisk Tidsskrift-Danish Journal of Geography, 119(1), 69-83. doi.org/ 10.1080/ 00167223.2019.1573409 Kádár, B. (2014). Measuring tourist activities in cities using geotagged photography. Tourism Geographies, 16(1), 88-104. doi.org/ 10.1080/ 14616688.2013.868029 Kádár, B., & Gede, M. (2021). Tourism flows in large-scale destination systems. Annals of Tourism Research, 87, 103113. doi.org/ 10.1016/ j.annals.2020.103113 Kellner, L., & Egger, R. (2016). Tracking Tourist Spatial-Temporal Behavior in Urban Places, A Methodological Overview and GPS Case Study. In A. Inversini & R. Schegg (Hrsg.), Information and communication technologies in tourism 2016: Proceedings of the International Conference in Bilbao, Spain, February 2-5, 2016 (S. 481-494). Springer International Publishing. 155 Literatur <?page no="156"?> Kern, G. (2014). Rückschlag für Ryanair vor Gericht. fvw.de. www.fvw.de/ touristik / vertrieb/ screen-scraping-rueckschlag-fuer-ryanair-vor-gericht-131191 Kianoush, S., Savazzi, S., Rampa, V., & Nicoli, M. (2019). People Counting by Dense WiFi MIMO Networks: Channel Features and Machine Learning Algorithms. Sensors, 19(16), 3450. doi.org/ 10.3390/ s19163450 Kim, S.-J., Kim, T.-J., & Kim, C.-S. (2020). Estimating the Method of the Number of Visitors of Water-friendly Park Using GPS Location Information. Ecology and Resilient Infrastructure, 7(3), 171-180. doi.org/ 10.17820/ ERI.2020.7.3.171 Kirkos, E. (2022). Airbnb listings’ performance: Determinants and predictive models. European Journal of Tourism Research, 30(3012). doi.org/ 10.54055/ ejtr.v30i.2142 Kitchin, R. (2014). The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. SAGE Publications. Koerbitz, W., Önder, I., & Hubmann-Haidvogel, A. C. (2013). Identifying Tourist Dispersion in Austria by Digital Footprints. In L. Cantoni & Z. Xiang (Hrsg.), Information and Communication Technologies in Tourism 2013 (S. 495-506). Springer Berlin Heidelberg. doi.org/ 10.1007/ 978-3-642-36309-2_42 Korpilo, S., Virtanen, T., & Lehvävirta, S. (2017). Smartphone GPS tracking—Inex‐ pensive and efficient data collection on recreational movement. Landscape and Urban Planning, 157, 608-617. doi.org/ 10.1016/ j.landurbplan.2016.08.005 Kristoffersen, M., Dueholm, J., Gade, R., & Moeslund, T. (2016). Pedestrian Counting with Occlusion Handling Using Stereo Thermal Cameras. Sensors, 16(1), 62. doi.org/ 10.3390/ s16010062 Kumar, A., Kumar, S., Lal, P., Saikia, P., Srivastava, P. K., & Petropoulos, G. P. (2021). Introduction to GPS/ GNSS technology. In G. P. Petropoulos & P. K. Srivastava (Hrsg.), GPS and GNSS technology in geosciences (S. 3-20). Elsevier. Kurkcu, A., & Ozbay, K. (2017). Estimating Pedestrian Densities, Wait Times, and Flows with Wi-Fi and Bluetooth Sensors. Transportation Research Record: Journal of the Transportation Research Board, 2644(1), 72-82. doi.org/ 10.3141/ 26 44-09 Lagonigro, R., Martori, J. C., & Apparicio, P. (2020). Understanding Airbnb spatial distribution in a southern European city: The case of Barcelona. Applied Geogra‐ phy, 115, 102136. doi.org/ 10.1016/ j.apgeog.2019.102136 Laney, D. (2001). 3D data management: Controlling data volume, velo‐ city, and variety. Application Delivery Strategies. blogs.gartner.com/ doug-la ney/ files/ 2012/ 01/ ad949-3D-Data-Management-Controlling-Data-Volume-Velo‐ city-and-Variety.pdf Leick, B., Kivedal, B. K., Eklund, M. A., & Vinogradov, E. (2021). Exploring the rela‐ tionship between Airbnb and traditional accommodation for regional variations 156 Literatur <?page no="157"?> of tourism markets. Tourism Economics, 135481662199017. doi.org/ 10.1177/ 1354 816621990173 Leung, D. (2021). Tourists’ motives and perceptions of destination card consumption. Tourism Recreation Research, 46(1), 39-51. doi.org/ 10.1080/ 02508281.2020.18019 47 Levin, N., Lechner, A. M., & Brown, G. (2017). An evaluation of crowdsourced information for assessing the visitation and perceived importance of protected areas. Applied Geography, 79, 115-126. doi.org/ 10.1016/ j.apgeog.2016.12.009 Lewis, G. K., Hardy, A., Wells, M. P., & Kerslake, F. L. (2021). Using mobile technology to track wine tourists. Annals of Tourism Research Empirical Insights, 2(2), 100022. doi.org/ 10.1016/ j.annale.2021.100022 Li, H., Hu, M., & Li, G. (2020). Forecasting tourism demand with multisource big data. Annals of Tourism Research, 83, 102912. doi.org/ 10.1016/ j.annals.2020.102912 Li, J., Xu, L., Tang, L., Wang, S., & Li, L. (2018). Big data in tourism research: A literature review. Tourism Management, 68, 301-323. doi.org/ 10.1016/ j.tourman. 2018.03.009 Li, R. (2020). All Source Positioning, Navigation and Timing. Artech House. Lim, K. H. (2017). Personalized tour recommendation using location-based social media [Ph.D., The University of Melbourne]. hdl.handle.net/ 11343/ 194162 Liu, H., & Li, X. (Robert). (2021). How Travel Earns Us Bragging Rights: A Qualitative Inquiry and Conceptualization of Travel Bragging Rights. Journal of Travel Research, 60(8), 1635-1653. doi.org/ 10.1177/ 0047287520964599 Liu, X., Wen, J., Tang, S., Cao, J., & Shen, J. (2017). City-Hunter: Hunting Smartphones in Urban Areas. 2017 IEEE 37th International Conference on Distributed Compu‐ ting Systems (ICDCS), 162-171. doi.org/ 10.1109/ ICDCS.2017.148 London First, Airbnb, Mastercard, & EY. (2019). Tourist Information: Mapping the Local Value of International Visitors (S. 50). London‐ First. www.londonfirst.co.uk/ news-publications/ news/ new-analysis-by-londonfirst-shows-how-ps13bn-is-generated-by-international Lubomirsky, I., & Stafsudd, O. (2012). Practical guide for pyroelectric measurements. Review of Scientific Instruments, 83(5), 051101. doi.org/ 10.1063/ 1.4709621 Ma, S., & Kirilenko, A. (2021). How Reliable Is Social Media Data? Validation of TripAdvisor Tourism Visitations Using Independent Data Sources. In W. Wörndl, C. Koo, & J. L. Stienmetz (Hrsg.), Information and Communication Technologies in Tourism 2021 (S. 286-293). Springer International Publishing. doi.org/ 10.1007 / 978-3-030-65785-7_26 157 Literatur <?page no="158"?> Maciejewski, M., & Bischoff, J. (2015). Large-scale Microscopic Simulation of Taxi Services. Procedia Computer Science, 52, 358-364. doi.org/ 10.1016/ j.procs.2015.0 5.107 Mahabir, R., Schuchard, R., Crooks, A., Croitoru, A., & Stefanidis, A. (2020). Crowd‐ sourcing Street View Imagery: A Comparison of Mapillary and OpenStreetCam. ISPRS International Journal of Geo-Information, 9(6), 341. doi.org/ 10.3390/ ijgi90 60341 Makridis, J., Vassakis, K., Kopanakis, I., & Petrakis, E. (2021). Location intelligence for tourism destinations: A big data comparative analysis through location-based social networks. International Journal of Tourism Policy, 11(3), 247. doi.org/ 10.1 504/ IJTP.2021.10042331 Mariani, M. (2020). Big Data and analytics in tourism and hospitality: A perspective article. Tourism Review, 75(1), 299-303. doi.org/ 10.1108/ TR-06-2019-0259 Mariani, M. M., & Baggio, R. (2021). Big Data and Analytics in Hospitality and Tourism: A Systematic Literature Review. International Journal of Contemporary Hospitality Management,. doi.org/ 10.1108/ IJCHM-03-2021-0301 Martin, J., Mayberry, T., Donahue, C., Foppe, L., Brown, L., Riggins, C., Rye, E. C., & Brown, D. (2017). A Study of MAC Address Randomization in Mobile Devices and When it Fails. Proceedings on Privacy Enhancing Technologies, 2017(4), 365-383. doi.org/ 10.1515/ popets-2017-0054 Massimo, D., & Ricci, F. (2020). Next-POI Recommendations for the Smart Destina‐ tion Era. In J. Neidhardt & W. Wörndl (Hrsg.), Information and communication technologies in tourism 2020 (Bd. 32, S. 130-141). Springer. doi.org/ 10.1007/ 978 -3-030-36737-4‗ 11 Mastercard. (2019). Global Destination Cities Index 2019 (S. 16). Master‐ card. newsroom.mastercard.com/ wp-content/ uploads/ 2019/ 09/ GDCI-Global-Re port-FINAL1.pdf Mazanec, J. A. (2020). Hidden theorizing in big data analytics: With a reference to tourism design research. Annals of Tourism Research, 83, 102931. doi.org/ 10.101 6/ j.annals.2020.102931 Mayer, M., Staab, J., Udas, E. & Taubenböck, H. (2021). Triggered trail camera images and machine learning based computer vision as alternative to established visitor monitoring approaches? Lillehammer, 2021. McKercher, B., & Lau, G. (2008). Movement Patterns of Tourists within a Destination. Tourism Geographies, 10(3), 355-374. doi.org/ 10.1080/ 14616680802236352 McKercher, B., & Lau, G. (2009). Methodological Considerations when Mapping Tourist Movements in a Destination. Tourism Analysis, 14(4), 443-455. doi.org/ 1 0.3727/ 108354209X12596287114138 158 Literatur <?page no="159"?> McKercher, B., Shoval, N., Ng, E., & Birenboim, A. (2012). First and Repeat Visitor Behaviour: GPS Tracking and GIS Analysis in Hong Kong. Tourism Geographies, 14(1), 147-161. doi.org/ 10.1080/ 14616688.2011.598542 McKercher, B., Wong, C., & Lau, G. (2006). How tourists consume a destination. Journal of Business Research, 59(5), 647-652. doi.org/ 10.1016/ j.jbusres.2006.01.00 9 Meijles, E. W., de Bakker, M., Groote, P. D., & Barske, R. (2014). Analysing hiker movement patterns using GPS data: Implications for park management. Compu‐ ters, Environment and Urban Systems, 47, 44-57. doi.org/ 10.1016/ j.compenvurbs ys.2013.07.005 Miller, A. B., Leung, Y.-F., & Kays, R. (2017). Coupling visitor and wildlife monitoring in protected areas using camera traps. Journal of Outdoor Recreation and Tourism, 17, 44-53. doi.org/ 10.1016/ j.jort.2016.09.007 Modsching, M., Kramer, R., Hagen, K. T., & Gretzel, U. (2008). Using Location-based Tracking Data to Analyze the Movements of City Tourists. Information Techno‐ logy & Tourism, 10(1), 31-42. doi.org/ 10.3727/ 109830508785059011 Möhring, M., Keller, B., Schmidt, R., & Dacko, S. (2021). Google Popular Times: Towards a better understanding of tourist customer patronage behavior. Tourism Review, 76(3), 533-569. doi.org/ 10.1108/ TR-10-2018-0152 Monmousseau, P., Marzuoli, A., Feron, E., & Delahaye, D. (2020). Putting the Air Transportation System to sleep: A passenger perspective measured by passen‐ ger-generated data. arXiv: 2004.14372 [physics]. arxiv.org/ abs/ 2004.14372 Monz, C., Mitrovich, M., D’Antonio, A., & Sisneros-Kidd, A. (2019). Using Mobile Device Data to Estimate Visitation in Parks and Protected Areas: An Example from the Nature Reserve of Orange County, California. Journal of Park and Recreation Administration. doi.org/ 10.18666/ JPRA-2019-9899 Morency, C., Trépanier, M., & Agard, B. (2007). Measuring Transit Performance using Smart Card Data. World Conference on Transport Research, 24-28 June, 2007, San Francisco. Moriuchi, E. (2019). Social Media Marketing, Second Edition: Strategies in Utilizing Consumer-generated Content. Business Expert Press. public.ebookcentral.proqu est.com/ choice/ publicfullrecord.aspx? p=5746738 Moussouri, T., & Roussos, G. (2015). Conducting Visitor Studies Using Smart‐ phone-Based Location Sensing. Journal on Computing and Cultural Heritage, 8(3), 1-16. doi.org/ 10.1145/ 2677083 Mukhina, K. D., Rakitin, S. V., & Visheratin, A. A. (2017). Detection of tourists attraction points using Instagram profiles. Procedia Computer Science, 108, 2378- 2382. doi.org/ 10.1016/ j.procs.2017.05.131 159 Literatur <?page no="160"?> Munkes, J., & Moser, S. (2020). Klassse statt Masse: Bewegungsdaten in der Markt‐ forschung sinnvoll nutzen. Planung & Analyse, 20(2), 2-4. Navarro-Ruiz, S., Casado-Díaz, A. B., & Ivars-Baidal, J. (2020). Modelling the intra-de‐ stination behaviour of cruise visitors based on a three-dimensional approach. Journal of Destination Marketing & Management, 18, 100470. doi.org/ 10.1016/ j.j dmm.2020.100470 Near. (2022). Where Does Human Movement Data Come From? knowledge.near.co m/ where-does-mobile-location-data-come-from Nilbe, K., Ahas, R., & Silm, S. (2014). Evaluating the Travel Distances of Events Visitors and Regular Visitors Using Mobile Positioning Data: The Case of Estonia. Journal of Urban Technology, 21(2), 91-107. doi.org/ 10.1080/ 10630732.2014.8882 18 Norman, P., & Pickering, C. M. (2017). Using volunteered geographic information to assess park visitation: Comparing three on-line platforms. Applied Geography, 89, 163-172. doi.org/ 10.1016/ j.apgeog.2017.11.001 Norman, P., & Pickering, C. M. (2019). Factors influencing park popularity for mountain bikers, walkers and runners as indicated by social media route data. Journal of Environmental Management, 249, 109413. doi.org/ 10.1016/ j.jenvman. 2019.109413 Norman, P., Pickering, C. M., & Castley, G. (2019). What can volunteered geographic information tell us about the different ways mountain bikers, runners and walkers use urban reserves? Landscape and Urban Planning, 185, 180-190. doi.org/ 10.10 16/ j.landurbplan.2019.02.015 Nussbaumer, C. (2022). Power Pricing in der Hotellerie: Wie Sie mit Preis-Strategie Ihren Gewinn steigern (1. Auflage). Verlag W. Kohlhammer. Nuzzolo, A., Comi, A., Papa, E., & Polimeni, A. (2018, Mai 24). Understan‐ ding taxi travel demand patterns through Floating Car Data. CSUM Confe‐ rence of Sustainable Urban Mobility, Skiathos. westminsterresearch.westmins ter.ac.uk/ download/ 60036b547cd78031b0cdf73070f7d3ea3d060a974d46a362ee21e f0e6b9f049c/ 344900/ CSUM2018_Resubmitted_papers_44.pdf Nyns, S., & Schmitz, S. (2022). Using mobile data to evaluate unobserved tourist overnight stays. Tourism Management, 89, 104453. doi.org/ 10.1016/ j.tourman.20 21.104453 O’Leary, D. E., & Storey, V. C. (2022). Data Exhaust. In L. A. Schintler & C. L. McNeely (Hrsg.), Encyclopedia of Big Data. Springer International Publishing. doi.org/ 10.1007/ 978-3-319-32010-6 160 Literatur <?page no="161"?> Oliveira, L., Schneider, D., De Souza, J., & Shen, W. (2019). Mobile Device Detection Through WiFi Probe Request Analysis. IEEE Access, 7, 98579-98588. doi.org/ 10. 1109/ ACCESS.2019.2925406 Olteanu Raimond, A.-M., Couronné, T., Feng-Chong, J., & Smoreda, Z. (2012). Le Paris des visiteurs étrangers, qu’en disent les téléphones mobiles ? Inférence des pratiques spatiales et fréquentations des sites touristiques en Île-de-France. Revue internationale de géomatique, 22(3), 413-437. doi.org/ 10.3166/ rig.22.413-437 Önder, I., & Gunter, U. (2016). Forecasting Tourism Demand with Google Trends For a Major European City Destination. Tourism Analysis, 21(2), 203-220. doi.org/ 1 0.3727/ 108354216X14559233984773 Önder, I., Koerbitz, W., & Hubmann-Haidvogel, A. (2016). Tracing Tourists by Their Digital Footprints. Journal of Travel Research, 55(5), 566-573. doi.org/ 10.1177/ 00 47287514563985 O’Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown. Oosterlinck, D., Benoit, D. F., Baecke, P., & Van de Weghe, N. (2017). Bluetooth tracking of humans in an indoor environment: An application to shopping mall visits. Applied Geography, 78, 55-65. doi.org/ 10.1016/ j.apgeog.2016.11.005 Pablo-Romero, M. del P., Pozo-Barajas, R., & Sánchez-Rivas, J. (2019). Tourism and temperature effects on the electricity consumption of the hospitality sector. Journal of Cleaner Production, 240, 118168. doi.org/ 10.1016/ j.jclepro.2019.118168 Pablo-Romero, M. del P., Sánchez-Braza, A., & Sánchez-Rivas, J. (2017). Relationships between Hotel and Restaurant Electricity Consumption and Tourism in 11 European Union Countries. Sustainability, 9(11), 2109. doi.org/ 10.3390/ su9112109 Padrón-Ávila, H., & Hernández-Martín, R. (2021). How can researchers track tou‐ rists? A bibliometric content analysis of tourist tracking techniques. European Journal of Tourism Research, 26, 2601, 1-30. doi.org/ 10.54055/ ejtr.v26i.1932 Papazoglou, M. P. (Hrsg.). (2007). Web Services: Principles and Technology. Pear‐ son/ Prentice Hall. Park, S. (2021). Big Data in Smart Tourism: A Perspective Article. Journal of Smart Tourism, 1(3), 3-5. doi.org/ 10.52255/ smarttourism.2021.1.3.2 Paül i Agustí, D. (2020). Mapping tourist hot spots in African cities based on Instagram images. International Journal of Tourism Research, 22(5), 617-626. doi.org/ 10.1002/ jtr.2360 Paül i Agustí, D., Rutllant, J., & Lasala Fortea, J. (2019). Differences in the perception of urban space via mental maps and Heart Rate Variation (HRV). Applied Geography, 112, 102084. doi.org/ 10.1016/ j.apgeog.2019.102084 161 Literatur <?page no="162"?> Pechlaner, H., & Zehrer, A. (Hrsg.). (2005). Destination-Card-Systeme: Entwicklung, Management, Kundenbindung. Linde. Perez-Aranda, J., González Robles, E. M., & Urbistondo, P. A. (2021). Sport-related physical activity in tourism: An analysis of antecedents of sport based applicati‐ ons use. Information Technology & Tourism, 23(1), 97-120. doi.org/ 10.1007/ s405 58-019-00161-2 Peterson, B. A., Brownlee, M. T. J., Hallo, J. C., Beeco, J. A., White, D. L., Sharp, R. L., & Cribbs, T. W. (2020). Spatiotemporal variables to understand visitor travel patterns: A management-centric approach. Journal of Outdoor Recreation and Tourism, 31, 100316. doi.org/ 10.1016/ j.jort.2020.100316 Pettersson, R., & Zillinger, M. (2011). Time and Space in Event Behaviour: Tracking Visitors by GPS. Tourism Geographies, 13(1), 1-20. doi.org/ 10.1080/ 14616688.20 10.529932 Phillips, R. L. (2021). Pricing and Revenue Optimization (2. Aufl.). Stanford Univer‐ sity Press. doi.org/ 10.1515/ 9781503614260-009 Pickering, C., Chabau-Gibson, M., & Raneng, J. (2019). Using Flickr images to assess how visitors value and use natural areas: Lessons from a popular natural area on the Gold Coast, Australia. In J. Dehez, G. Lambert, L. Ginelli, & K. Ben hadj Abdallah (Hrsg.), The 9th International Conference on Monitoring and Management of Visitors in Recreational and Protected Areas (MMV9) (S. 68-69). mmv9.sciencesconf.org/ data/ pages/ last_version_abstract_book_6.pdf Positium. (2022, März 4). Revealing surprising tourist movement patterns in Oman with mobile positioning data. positium.com/ blog/ revealing-surprising-tourist-m ovement-patterns-in-oman-with-mobile-positioning-data Purkrabkova, Z., & Hrubes, P. (2021). Monitoring specific travel behavior in floating car data. 2021 Smart City Symposium Prague (SCSP), 1-6. doi.org/ 10.1109/ SCSP 52043.2021.9447378 Ramos, V., Yamaka, W., Alorda, B., & Sriboonchitta, S. (2021). High-frequency forecasting from mobile devices’ bigdata: An application to tourism destinations’ crowdedness. International Journal of Contemporary Hospitality Management, 33(6), 1977-2000. doi.org/ 10.1108/ IJCHM-10-2020-1170 Raun, J., Ahas, R., & Tiru, M. (2016). Measuring tourism destinations using mobile tracking data. Tourism Management, 57, 202-212. doi.org/ 10.1016/ j.tourman.201 6.06.006 Redmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental Improvement. ar‐ Xiv: 1804.02767 [cs]. arxiv.org/ abs/ 1804.02767 162 Literatur <?page no="163"?> Rehborn, H., Haug, A., Kerner, B. S., Aleksic, M., & Fastenrath, U. (2003). Floating Car Data und Verfahren zur Erkennung und Verfolgung von zeitlich-räumlichen Verkehrsmustern. Straßenverkehrstechnik, 9. Rehborn, H., Koller, M., & Kaufmann, S. (2021). Data-driven traffic engineering: Understanding of traffic and applications based on three-phase traffic theory (1. Aufl.). Elsevier; ZBW ProQuest Ebook Central. Reif, J. (2019a). Die Nutzung von Mobilfunkdaten in der Tourismusforschung - Das Beispiel Tagestourismus in Hamburg. In S. Groß, J. E. Peters, R. Roth, J. Schmude, & A. Zehrer (Hrsg.), Wandel im Tourismus (S. 31-50). Erich Schmidt Verlag. Reif, J. (2019b). Touristische Aktionsräume und die Wahrnehmung von Crowding: Das Beispiel Tagestourismus in Hamburg. Zeitschrift für Tourismuswissenschaft, 11(2), 257-287. doi.org/ 10.1515/ tw-2019-0015 Reif, J. (2021). Die digitale Neu-Vermessung touristischer Aktionsräume [Disserta‐ tion, Rheinische Friedrich-Wilhelms-Universität]. hdl.handle.net/ 20.500.11811/ 9 496 Reif, J., & Schmücker, D. (2020). Exploring new ways of visitor tracking using Big Data sources: Opportunities and Limits of Passive Mobile Data for Tourism. Journal of Destination Marketing & Management, 18, 100481. doi.org/ 10.1016/ j.j dmm.2020.100481 Reif, J., & Schmücker, D. (2021a). Big Data im Tourismus: Neue Datenquellen, neue Perspektiven, neue Probleme. In B. Eisenstein, J. Kampen, R. Weis, J. Reif, & C. Eilzer (Hrsg.), Tourismusatlas Deutschland (S. 146-147). UVK Verlag. Reif, J., & Schmücker, D. (2021b). Understanding tourists’ emotions in time and space: Combining GPS tracking and biosensing to detect spatial points of emotion. Journal of Spatial and Organizational Dynamics, 9(4), 267-295. Ribeiro, M., Nunes, N., Nisi, V., & Schöning, J. (2020). Passive Wi-Fi monitoring in the wild: A long-term study across multiple location typologies. Personal and Ubiquitous Computing. doi.org/ 10.1007/ s00779-020-01441-z Ricciato, F. (2018). Towards a Reference Methodological Framework for pro‐ cessing MNO data for Official Statistics. 15th Global Forum on Tourism Statistics, 28-30 November 2018, Cusco, Peru. www.15th-tourism-stats-forum. com/ pdf/ Papers/ S3/ 3_1_A_Reference_Methodological_Framework_for_processi ng_mobile_network_operatordata_for_official_statistics.pdf Rice, W. L. (2019). Detailing an Approach for Cost-Effective Visitor-Use Monitoring Using Crowdsourced Activity Data. The Journal of Park and Recreation Admi‐ nistration. doi.org/ 10.18666/ JPRA-2019-8998 163 Literatur <?page no="164"?> Röger, C. (2021). Erfassung von Sensordaten für die Verkehrs- und Umweltanalyse. In T. Bork-Hüffer, H. Füller, & T. Straube (Hrsg.), Handbuch Digitale Geographien: Welt—Wissen—Werkzeuge (S. 284-289). Brill-Schöningh. Romero Palop, J. de D., Murillo Arias, J., Bodas-Sagi, D. J., & Valero Lapaz, H. (2019). Determining the usual environment of cardholders as a key factor to measure the evolution of domestic tourism. Information Technology & Tourism, 21(1), 23-43. doi.org/ 10.1007/ s40558-018-0130-y Sakarovitch, B., de Bellefon, M.-P., Givord, P., & Vanhoof, M. (2019). Estimating the Residential Population from Mobile Phone Data, an Initial Exploration. Economie et Statistique / Economics and Statistics, 505d, 109-132. doi.org/ 10.24187/ ecostat .2018.505d.1968 Salas-Olmedo, M. H., Moya-Gómez, B., García-Palomares, J. C., & Gutiérrez, J. (2018). Tourists’ digital footprint in cities: Comparing Big Data sources. Tourism Management, 66, 13-25. doi.org/ 10.1016/ j.tourman.2017.11.001 Saluveer, E., Raun, J., Tiru, M., Altin, L., Kroon, J., Snitsarenko, T., Aasa, A., & Silm, S. (2020). Methodological framework for producing national tourism statistics from mobile positioning data. Annals of Tourism Research, 81, 102895. doi.org/ 10.101 6/ j.annals.2020.102895 Sánchez-Galiano, J.-C., Martí-Ciriquián, P., & Fernández-Aracil, P. (2017). Tempo‐ rary population estimates of mass tourism destinations: The case of Benidorm. Tourism Management, 62, 234-240. doi.org/ 10.1016/ j.tourman.2017.04.012 Santos Silva, M. M., Albayrak, T., Caber, M., & Moutinho, L. (2016). Key destination attributes of behavioural intention: An application of neural networks. European Journal of Tourism Research, 14, 16-28. Sarx, S., & Holfeld, J. (2022). Wegweiser Digitale Besucherlenkung (S. 42). Digitize the Planet e. V. homepage.digitizetheplanet.org/ wp-content/ uploads/ 2021/ 11/ W egweiser-Digitale-Besucherlenkung.pdf Sauter, M. (2018). Grundkurs mobile Kommunikationssysteme: LTE-Advanced Pro, UMTS, HSPA, GSM, GPRS, Wireless LAN und Bluetooth (7. Auflage). Springer Vieweg. doi.org/ 10.1007/ 978-3-658-21647-4 Schallinger, T., & Rüede, D. (2019). GPS-Based Visitor Monitoring in Protected Areas Using Mobile Tracking Application Data - A Case Study in Black Forest National Park. In J. Dehez, G. Lambert, L. Ginelli, & K. Ben hadj Abdallah (Hrsg.), The 9th International Conference on Monitoring and Management of Visitors in Recreational and Protected Areas (MMV9). mmv9.sciencesconf.org/ data/ pages/ l ast_version_abstract_book_6.pdf Schamel, J. (2017). A demographic perspective on the spatial behaviour of hikers in mountain areas: The example of Berchtesgaden National Park. In Austrian 164 Literatur <?page no="165"?> Academy of Sciences, IGF, & University of Innsbruck (Hrsg.), Journal on Protected Mountain Areas Research and Management (S. 66-74). Austrian Academy of Schiences Press and innsbruck university press. Schauer, L., Werner, M., & Marcus, P. (2014). Estimating Crowd Densities and Pedestrian Flows Using Wi-Fi and Bluetooth. Proceedings of the 11th Interna‐ tional Conference on Mobile and Ubiquitous Systems: Computing, Networking and Services. 11th International Conference on Mobile and Ubiquitous Systems: Computing, Networking and Services, London, Great Britain. doi.org/ 10.4108/ ic st.mobiquitous.2014.257870 Schmalz, I. (2000). The Kärnten-Card-success model in tourism. Tourismus-Journal, 4(4), 463-469. Schmidt, A., & Männel, T. (2017). Potenzialanalyse zur Mobilfunkdatennutzung in der Verkehrsplanung (S. 59). Fraunhofer IAO. publica.fraunhofer.de/ documents/ N-438270.html Schmücker, D. (2021). Smart Destination in den Großschutzgebieten NRWs. Tourismus NRW e. V. tourismusverband.nrw/ _Resources/ Persistent/ 0/ 5/ 9/ 3/ 0593f686d9bf4e06f56b7abe6ca7920cf9652e46/ 20210628-Gutachten-Smart-Desti nation-final.pdf Schmücker, D., Horster, E., & Kreilkamp, E. (2019). The impact of digitisation and big data analysis on the sustainable development of tourism and its environmental impact: Final report (Nr. 08/ 2019; Umwelt, Innovation, Beschäftigung, Nummer 8, S. 203). Umweltbundesamt. www.umweltbundesamt.de/ publikationen/ the-impa ct-of-digitisation-big-data-analysis-on-the Schmücker, D., Keller, R., Reif, J., Schubert, J., & Sommer, G. (2022). Digitales Besu‐ chermanagement - Konzeptioneller Rahmen und Gestaltungsmöglichkeiten. In M. Gardini & G. Sommer (Hrsg.), Digital Leadership im Tourismus. Springer. Schmücker, D., & Reif, J. (2021). The Big Data Illusion. Zeitschrift für Tourismuswis‐ senschaft, 13(2), 157-166. doi.org/ 10.1515/ tw-2021-0013 Schmücker, D., & Reif, J. (2022). Measuring Tourism with Big Data: Empirical Insights from Comparing Passive GPS Data and Passive Mobile Data. Annals of Tourism Research Empirical Insights. Schmücker, D., Sonntag, U., & Wagner, P. (2016). Assessing the impact of “shared ac‐ commodation” for city tourism. The 14 th Global Forum on Tourism Statistics, Ve‐ nice. tsf2016venice.enit.it/ images/ articles/ Papers_Forum/ 6.2_Assessing%20the% 20impact%20of%20shared%20accommodation%20for%20city%20tourism.pdf Schmücker, D., Sonntag, U., & Wagner, P. (2018). Measuring the impact of „shared accommodation“ in city tourism. Economia della Cultura, 28(1-2), 151-162. doi. org/ 10.1446/ 90724 165 Literatur <?page no="166"?> Schneider, J. (2017). Datenschutz: Nach der EU-Datenschutz-Grundverordnung. C.H. Beck. Scuderi, R., & Dalle Nogare, C. (2018). Mapping tourist consumption behaviour from destination card data: What do sequences of activities reveal? International Journal of Tourism Research, 20(5), 554-565. doi.org/ 10.1002/ jtr.2205 Scuttari, A. (2021). Tourism experiences in motion. Mobile, visual and psychophy‐ siological methods to capture tourists „on the move“. Tourism Management Perspectives, 38, 100825. doi.org/ 10.1016/ j.tmp.2021.100825 See, L., Mooney, P., Foody, G., Bastin, L., Comber, A., Estima, J., Fritz, S., Kerle, N., Jiang, B., Laakso, M., Liu, H.-Y., Milčinski, G., Nikšič, M., Painho, M., Pődör, A., Olteanu-Raimond, A.-M., & Rutzinger, M. (2016). Crowdsourcing, Citizen Science or Volunteered Geographic Information? The Current State of Crowdsourced Geographic Information. ISPRS International Journal of Geo-Information, 5(5), 55. doi.org/ 10.3390/ ijgi5050055 Seidl, M., & Schnitzer, M. (2021). Analysing leisure cards from a buyers’ perspective - a case study for the leisure card Tyrol. Managing Sport and Leisure, 26(6), 575-586. doi.org/ 10.1080/ 23750472.2020.1773300 Severiens, J. (2021). Anforderungen an Wanderleitsysteme in alpinen Destinationen: Eine Analyse der Wandernden am Fallbeispiel des Stubaitals in Tirol [Ph.D. thesis]. Deutsche Sporthochschule. Shabrina, Z., Arcaute, E., & Batty, M. (2021). Airbnb and its potential impact on the London housing market. Urban Studies, 004209802097086. doi.org/ 10.1177/ 00420 98020970865 Shackley, M. L. (Hrsg.). (1998). Visitor management: Case studies from World Heritage sites. Butterworth-Heinemann. Shang, W.-L., Zhang, H., & Sui, Y. (2021). Data mining technologies für Mobi‐ lity-as-a-Service (MaaS). In H. Zhang, X. Song, & R. Shibasaki (Hrsg.), Big data and mobility as a service (1. Aufl., S. 203-228). Elsevier. Sharma, R. S., Shaikh, A. A., & Li, E. (2021). Designing Recommendation or Sugges‐ tion Systems: Looking to the future. Electronic Markets, 31(2), 243-252. doi.org/ 10.1007/ s12525-021-00478-z Shoval, N., & Ahas, R. (2016). The use of tracking technologies in tourism research: The first decade. Tourism Geographies, 18(5), 587-606. doi.org/ 10.1080/ 14616688 .2016.1214977 Shoval, N., & Isaacson, M. (2007). Tracking tourists in the digital age. Annals of Tourism Research, 34(1), 141-159. doi.org/ 10.1016/ j.annals.2006.07.007 Shoval, N., & Isaacson, M. (2010). Tourist mobility and advanced tracking technolo‐ gies (Bd. 19). Routledge. http%3A/ / www.worldcat.org/ oclc/ 166383159 166 Literatur <?page no="167"?> Shoval, N., Kahani, A., De Cantis, S., & Ferrante, M. (2020). Impact of incentives on tourist activity in space-time. Annals of Tourism Research, 80, 102846. doi.org/ 1 0.1016/ j.annals.2019.102846 Shoval, N., Schvimer, Y., & Tamir, M. (2018). Tracking technologies and urban analysis: Adding the emotional dimension. Cities, 72, 34-42. doi.org/ 10.1016/ j.ci ties.2017.08.005 Sinclair, M., Mayer, M., Woltering, M., & Ghermandi, A. (2020a). Using social media to estimate visitor provenance and patterns of recreation in Germany’s national parks. Journal of Environmental Management, 263, 110418. doi.org/ 10.1016/ j.jen vman.2020.110418 Sinclair, M., Mayer, M., Woltering, M., & Ghermandi, A. (2020b). Valuing nature-ba‐ sed recreation using a crowdsourced travel cost method: A comparison to onsite survey data and value transfer. Ecosystem Services, 45, 101165. doi.org/ 10.1016/ j .ecoser.2020.101165 Slee, T. (2019). Airbn web site scraper [Python]. github.com/ tomslee/ airbnb-data-c ollection Sobolevsky, S., Bojic, I., Belyi, A., Sitko, I., Hawelka, B., Arias, J. M., & Ratti, C. (2015). Scaling of City Attractiveness for Foreign Visitors through Big Data of Human Economical and Social Media Activity. 2015 IEEE International Congress on Big Data, 600-607. doi.org/ 10.1109/ BigDataCongress.2015.92 Solano Sánchez, M. Á., Núñez Tabales, J. M., Caridad y Ocerin, J. M., Santos, J. A. C., & Santos, M. C. (2019). Dataset for holiday rentals’ daily rate pricing in a cultural tourism destination. Data in Brief, 27, 104697. doi.org/ 10.1016/ j.dib.2019.104697 Song, H., Li, G., Witt, S. F., & Fei, B. (2010). Tourism Demand Modelling and Forecasting: How Should Demand Be Measured? Tourism Economics, 16(1), 63-81. doi.org/ 10.5367/ 000000010790872213 Song, H., & Liu, H. (2017). Predicting Tourist Demand Using Big Data. In Z. Xiang & D. R. Fesenmaier (Hrsg.), Analytics in Smart Tourism Design (S. 13-29). Springer International Publishing. doi.org/ 10.1007/ 978-3-319-44263-1‗ 2 Song, H., Qiu, R. T. R., & Park, J. (2019). A review of research on tourism demand forecasting: Launching the Annals of Tourism Research Curated Collection on tourism demand forecasting. Annals of Tourism Research, 75, 338-362. doi.org/ 1 0.1016/ j.annals.2018.12.001 Staab, J., Taubenböck, H., & Job, H. (2019). Monitoring Visitor Numbers with Computer Vision. In J. Dehez, G. Lambert, L. Ginelli, & K. Ben hadj Abdallah (Hrsg.), The 9th International Conference on Monitoring and Management of Visitors in Recreational and Protected Areas (MMV9) (S. 127-129). mmv9.scienc esconf.org/ data/ pages/ last_version_abstract_book_6.pdf 167 Literatur <?page no="168"?> Staab, J., Udas, E., Mayer, M., Taubenböck, H., & Job, H. (2021). Comparing estab‐ lished visitor monitoring approaches with triggered trail camera images and machine learning based computer vision. Journal of Outdoor Recreation and Tourism, 35, 100387. doi.org/ 10.1016/ j.jort.2021.100387 Statcounter. (2021). Mobile Operating System Market Share Germany December 2021. gs.statcounter.com/ os-market-share/ mobile/ germany/ #monthly-202111-20 2111-bar Stefanidis, A., Crooks, A., & Radzikowski, J. (2013). Harvesting ambient geospatial information from social media feeds. GeoJournal, 78(2), 319-338. doi.org/ 10.1007 / s10708-011-9438-2 Stickdorn, M., & Zehrer, A. (2010). Mobile ethnography: How service design aids the tourism industry to cope with the behavioral change of social media. Touchpoint - The Journal of Service Design, 2(1), 82-85. Stienmetz, J. L., & Fesenmaier, D. R. (2016). Validating Volunteered Geographic Information: Can We Reliably Trace Visitors’ Digital Footprints? Travel and Tourism Research Association: Advancing Tourism Research Globally. Suchanek, A. (2020). CDR: primum non nocere. In Bertelsmann Stiftung & Wit‐ tenberg-Zentrum für Globale Ethik (Hrsg.), Unternehmensverantwortung im digitalen Wandel: Ein Debattenbeitrag zu Corporate Digital Responsibility (S. 16- 22). Verlag Bertelsmann Stiftung. Sugimoto, K. (2020). Volunteered Geographic Information for Monitoring and Exploring Cycling Activities in the Japanese Nationwide Geographical Space. In J. Neidhardt & W. Wörndl (Hrsg.), Information and Communication Technologies in Tourism 2020 (S. 307-319). Springer International Publishing. doi.org/ 10.1007 / 978-3-030-36737-4_25 Sugimoto, K., Ota, K., & Suzuki, S. (2019). Visitor Mobility and Spatial Structure in a Local Urban Tourism Destination: GPS Tracking and Network analysis. Sustainability, 11(3), 919. doi.org/ 10.3390/ su11030919 Sung, B., Stankovic, M., Lee, S., & Anderson, K. (2022). Passive Wi-Fi visitor analytics and food truck engagement: A feasibility study. Journal of Hospitality and Tourism Technology, ahead-of-print(ahead-of-print). doi.org/ 10.1108/ JHTT-02-2 021-0039 Sutmöller, N. (2021). Big Data im Spannungsfeld von Wirtschaft und Gerechtigkeit: Eine Analyse nach John Rawls (1. Auflage). Nomos. Szuster, B., Needham, M. D., Lesar, L., & Chen, Q. (2021). From a drone’s eye view: Indicators of overtourism in a sea, sun, and sand destination. Journal of Sustainable Tourism, 1-18. doi.org/ 10.1080/ 09669582.2020.1866586 168 Literatur <?page no="169"?> Tabatchnaia-Tamirisa, N., Loke, M. K., Leung, P., & Tucker, K. A. (1997). Energy and tourism in Hawaii. Annals of Tourism Research, 24(2), 390-401. doi.org/ 10.1016/ S0160-7383(97)80008-4 Taczanowska, K., Muhar, A., & Brandenburg, C. (2010). Potential and limitations of GPS tracking for monitoring spatial and temporal aspects of visitor behaviour in recreational areas. In A. Raschi & S. Trampetti (Hrsg.), Management for Protection and Sustainable Development: The Fourth International Conference on Monitoring and Management of Visitor Flows in Recreational and Protected Areas, Montecatini Terme, 14-19 October 2008 (S. 451-455). Teles da Mota, V., & Pickering, C. (2019). How can we use social media to know more about visitors to natural areas? In J. Dehez, G. Lambert, L. Ginelli, & K. Ben hadj Abdallah (Hrsg.), The 9th International Conference on Monitoring and Management of Visitors in Recreational and Protected Areas (MMV9) (S. 72-74). mmv9.sciencesconf.org/ data/ pages/ last_version_abstract_book_6.pdf Tenkanen, H., Di Minin, E., Heikinheimo, V., Hausmann, A., Herbst, M., Kajala, L., & Toivonen, T. (2017). Instagram, Flickr, or Twitter: Assessing the usability of social media data for visitor monitoring in protected areas. Scientific Reports, 7(1), 17615. doi.org/ 10.1038/ s41598-017-18007-4 Thimm, T., & Seepold, R. (2016). Past, present and future of tourist tracking. Journal of Tourism Futures, 2(1), 43-55. doi.org/ 10.1108/ JTF-10-2015-0045 Thirumaran, K., & Eijdenberg, E. L. (2021). Conceptualising Destination Membership Cards for Elite Travellers. Zeitschrift Für Tourismuswissenschaft, 13(1), 1-21. doi.org/ 10.1515/ tw-2021-0001 TomTom Int BV. (2022, Februar 9). Annual TomTom Traffic Index: The World at the Pace of the Pandemic. www.tomtom.com/ press-room/ general/ 147356/ annual-to mtom-traffic-index-the-world-at-the-pace-of-the-pandemic/ Townsend, L., & Wallace, C. (2018). Social Media Research: A Guide to Ethics (S. 16). The University of Aberdeen. www.bolton.ac.uk/ assets/ Uploads/ Social-media-eth ics-study-Aberdeen-2018.pdf Uden, L., Dimitrakopoulos, G. J., & Varlamis, I. (Hrsg.). (2020). The future of intelligent transport systems (1. Aufl.). Elsevier. United Nations Statistics Division (UNSD) & United Nations World Tourism Orga‐ nization (UNWTO). (2010). International Recommendations for Tourism Statistics 2008 (IRTS 2008). unstats.un.org/ unsd/ publication/ seriesm/ seriesm_83rev1e.pdf van der Zee, E., Bertocchi, D., & Vanneste, D. (2020). Distribution of tourists within urban heritage destinations: A hot spot/ cold spot analysis of TripAdvisor data as support for destination management. Current Issues in Tourism, 23(2), 175-196. doi.org/ 10.1080/ 13683500.2018.1491955 169 Literatur <?page no="170"?> Vanhoof, M., Hendrickx, L., Puussaar, A., Verstraeten, G., Ploetz, T., & Smoreda, Z. (2017). Exploring the use of mobile phone data for domestic tourism trip analysis. Netcom, 31-3/ 4, 335-372. doi.org/ 10.4000/ netcom.2742 Vanhove, N. (2018). The economics of tourism destinations: Theory and practice (Third edition). Routledge, Taylor & Francis Group. Vaziri, F., Nanni, M., Matwin, S., & Pedreschi, D. (2020). Discovering Tourist Attractions of Cities Using Flickr and OpenStreetMap Data. In Á. Rocha, A. Abreu, J. V. de Carvalho, D. Liberato, E. A. González, & P. Liberato (Hrsg.), Advances in Tourism, Technology and Smart Systems (Bd. 171, S. 231-241). Springer Singapore. doi.org/ 10.1007/ 978-981-15-2024-2‗ 21 Versichele, M., de Groote, L., Claeys Bouuaert, M., Neutens, T., Moerman, I., & Van de Weghe, N. (2014). Pattern mining in tourist attraction visits through association rule learning on Bluetooth tracking data: A case study of Ghent, Belgium. Tourism Management, 44, 67-81. doi.org/ 10.1016/ j.tourman.2014.02.009 Versichele, M., Neutens, T., Delafontaine, M., & van de Weghe, N. (2012). The use of Bluetooth for analysing spatiotemporal dynamics of human movement at mass events: A case study of the Ghent Festivities. Applied Geography, 32(2), 208-220. doi.org/ 10.1016/ j.apgeog.2011.05.011 Vu, H. Q., Li, G., Law, R., & Ye, B. H. (2015). Exploring the travel behaviors of inbound tourists to Hong Kong using geotagged photos. Tourism Management, 46, 222-232. doi.org/ 10.1016/ j.tourman.2014.07.003 Walden-Schreiner, C., Rossi, S. D., Barros, A., Pickering, C., & Leung, Y.-F. (2018). Using crowd-sourced photos to assess seasonal patterns of visitor use in moun‐ tain-protected areas. Ambio, 47(7), 781-793. doi.org/ 10.1007/ s13280-018-1020-4 Wang, Z., Koroll, L., Höpken, W., & Fuchs, M. (2022). Analysis of Instagram Users’ Movement Pattern by Cluster Analysis and Association Rule Mining. In J. L. Stienmetz, B. Ferrer-Rosell, & D. Massimo (Hrsg.), Information and communica‐ tion technologies in tourism 2022: Proceedings of the ENTER 2022 eTourism Conference, January 11-14, 2022 (S. 97-109). Springer Nature. doi.org/ 10.1007/ 97 8-3-030-94751-4 Watzlawick, P. (1983). The situation is hopeless, but not serious: The pursuit of unhappiness. Norton. Webster, M. (2018). Successfully using electronic card transaction data to pro‐ duce regional estimates of tourism spend: The New Zealand experience. 15th Global Forum on Tourism Statistics, 28-30 November 2018, Cusco, Peru. www.15th-tourism-stats-forum.com/ pdf/ Papers/ S1/ 1_4_Successfully_usin g_electronic_card_transaction_data_to_produce_regional_estimates.pdf 170 Literatur <?page no="171"?> Weckert, S. (2020). Google Map Hacks. www.simonweckert.com/ googlemapshacks .html Wells, M., de Salas, K., & Hardy, A. (2022). Using the Behaviour Change Wheel to Design an App to Change Tourist Behaviour and Increase Dispersal into Regional Areas. In J. L. Stienmetz, B. Ferrer-Rosell, & D. Massimo (Hrsg.), Information and communication technologies in tourism 2022: Proceedings of the ENTER 2022 eTourism Conference, January 11-14, 2022 (S. 395-405). Springer Nature. doi.org/ 10.1007/ 978-3-030-94751-4 Winsky, N., & Zimmermann, G. (2020). Insta-Research zum #westweg im Schwarz‐ wald - wie digital repräsentierte Wandererfahrungen auf Instagram mittels quantitativer und qualitativer Methoden untersucht werden können. Zeitschrift für Tourismuswissenschaft, 12(3), 317-342. doi.org/ 10.1515/ tw-2020-0022 Winter, S. (2019, Februar 8). So gläsern sind wir Kunden: Telekom-Tochter verkauft Bewegungsprofile. Der Spiegel. Wong, E., Law, R., & Li, G. (2017). Reviewing Geotagging Research in Tourism. In R. Schegg & B. Stangl (Hrsg.), Information and Communication Technologies in Tourism 2017 (S. 43-58). Springer International Publishing. doi.org/ 10.1007/ 978 -3-319-51168-9_4 Wood, S. A., Guerry, A. D., Silver, J. M., & Lacayo, M. (2013). Using social media to quantify nature-based tourism and recreation. Scientific Reports, 3(1), 2976. doi.org/ 10.1038/ srep02976 Xiao, Y., Wang, D., & Fang, J. (2019). Exploring the disparities in park access through mobile phone data: Evidence from Shanghai, China. Landscape and Urban Planning, 181, 80-91. doi.org/ 10.1016/ j.landurbplan.2018.09.013 Xie, H., Song, X., & Zhang, H. (2021). MaaS and IoT: Concepts, methodologies, and applications. In H. Zhang, X. Song, & R. Shibasaki (Hrsg.), Big data and mobility as a service (1. Aufl., S. 229-263). Elsevier. Xin, Y. (2021). Anomaly detection for volunteered geographic information: A case study of Safecast data. International Journal of Geographical Information Science, 1-20. doi.org/ 10.1080/ 13658816.2021.1981333 Yang, X., Pan, B., Evans, J. A., & Lv, B. (2015). Forecasting Chinese tourist volume with search engine data. Tourism Management, 46, 386-397. doi.org/ 10.1016/ j.to urman.2014.07.019 Yegin, A., Kramp, T., Dufour, P., Gupta, R., Soss, R., Hersent, O., Hunt, D., & Sornin, N. (2020). LoRaWAN protocol: Specifications, security, and capabilities. In B. S. Chaudhari & M. Zennaro (Hrsg.), LPWAN Technologies for IoT and M2M Applications (S. 37-63). Elsevier. doi.org/ 10.1016/ B978-0-12-818880-4.00003-X 171 Literatur <?page no="172"?> Yoshida, T., & Yamagata, Y. (2020). Quasi real-time energy use estimation using Google’s Popular Times data. In Y. Yamagata & H. Seya (Hrsg.), Spatial Analysis Using Big Data (S. 271-280). Elsevier. https: / / doi.org/ 10.1016/ B978-0-12-813127-5 .00011-4 Yoshimura, Y., Amini, A., Sobolevsky, S., Blat, J., & Ratti, C. (2017). Analysis of pedestrian behaviors through non-invasive Bluetooth monitoring. Applied Geography, 81, 43-51. doi.org/ 10.1016/ j.apgeog.2017.02.002 Yoshimura, Y., Sobolevsky, S., Ratti, C., Girardin, F., Carrascal, J. P., Blat, J., & Sinatra, R. (2014). An Analysis of Visitors’ Behavior in the Louvre Museum: A Study Using Bluetooth Data. Environment and Planning B: Planning and Design, 41(6), 1113-1131. doi.org/ 10.1068/ b130047p Yun, H. J., & Park, M. H. (2015). Time-Space Movement of Festival Visitors in Rural Areas Using a Smart Phone Application. Asia Pacific Journal of Tourism Research, 20(11), 1246-1265. doi.org/ 10.1080/ 10941665.2014.976581 Zaragozí, B., Trilles, S., & Gutiérrez, A. (2021). Passive Mobile Data for Studying Seasonal Tourism Mobilities: An Application in a Mediterranean Coastal Desti‐ nation. ISPRS International Journal of Geo-Information, 10(2), 98. doi.org/ 10.339 0/ ijgi10020098 Zeile, P., Resch, B., Loidl, M., Petutschnig, A., & Dörrzapf, L. (2016). Urban Emotions and Cycling Experience - enriching traffic planning for cyclists with human sensor data. GI_Forum, 4(1), 204-216. doi.org/ 10.1553/ giscience2016_01_s204 Zhao, X., Lu, X., Liu, Y., Lin, J., & An, J. (2018). Tourist movement patterns understanding from the perspective of travel party size using mobile tracking data: A case study of Xi’an, China. Tourism Management, 69, 368-383. doi.org/ 1 0.1016/ j.tourman.2018.06.026 Zhao, Z., Shaw, S.-L., Xu, Y., Lu, F., Chen, J., & Yin, L. (2016). Understanding the bias of call detail records in human mobility research. International Journal of Geographical Information Science, 30(9), 1738-1762. doi.org/ 10.1080/ 13658816.2 015.1137298 Zheng, W., Huang, X., & Li, Y. (2017). Understanding the tourist mobility using GPS: Where is the next place? Tourism Management, 59, 267-280. doi.org/ 10.1016/ j.to urman.2016.08.009 Zheng, Y.-T., Zha, Z.-J., & Chua, T.-S. (2012). Mining Travel Patterns from Geotagged Photos. ACM Transactions on Intelligent Systems and Technology, 3(3), 1-18. doi.org/ 10.1145/ 2168752.2168770 Zhong, L., Sun, S., & Law, R. (2019). Movement patterns of tourists. Tourism Management, 75, 318-322. doi.org/ 10.1016/ j.tourman.2019.05.015 172 Literatur <?page no="173"?> Zoltan, J., & Masiero, L. (2012). The relation between push motivation and activity consumption at the destination within the framework of a destination card. Journal of Destination Marketing & Management, 1(1-2), 84-93. doi.org/ 10.1016 / j.jdmm.2012.09.002 Zoltan, J., & McKercher, B. (2015). Analysing intra-destination movements and activity participation of tourists through destination card consumption. Tourism Geographies, 17(1), 19-35. doi.org/ 10.1080/ 14616688.2014.927523 173 Literatur <?page no="175"?> Register 24-Stunden-Rehashing 65 Abgrenzung von Tourismus und Nicht-Tourismus 26 Abwasser 130 Ad-Tracking 126 Aggregatoren 51 Aktionsräume 23f. Alternativen 11 Ambient Geospatial Information (AGI) 106, 115 Ampelsystem 22 Anonymisierung 30 Application Programming Interface (API) 116 Apps 51f. Assisted GNSS 35, 51 Auflösung, räumliche 28 Auflösung, zeitliche 29 Ausflugsverhalten 23 Auslastungsinformation 22 Automated Teller Machines (ATM) 89 Automatic Dependent Surveillance (ADS) 56 Bargeldautomaten 89 Basisinformationen 9 Befragungsforschung 13 Beidou 34 Bereitstellung 10 Besuchermanagement 9, 12 Besuchermessung 10, 131 Besuchermessung, digitale 12, 22 Besuchermessung, Ziele 22 Besucherströme 22 Betriebssysteme 51f. Bewertungskriterien 135 Bezahlsysteme 86, 89, 102 Big Data 14, 43 Bike-Sharing-System 55 Biosensing 13 Bluetooth-Scanner 77 Cloud Computing 80 Consumer Generated Content (CGC) 112 Crawler 122 Crawling 116 Crowdsourcing 112 Customer Journey 12 Customer Journey, digitale 126 Datenaustausch 10 Datenquellen, digitale (vier Kategorien) 17, 19 Datenquellen, externe 12 Datenquellen, nicht trackingfähig 18 datenschutzrechtliche Zulässigkeit 30 Daten-Scraping 21, 122 Datenspeicherung 10 Datenübertragung 69 Destinationen im Wettbewerb 9 Destinationskarten 86, 90, 102 Destinationspraxis 141 Dimension, generische 29, 136f. Dimension, Raum und Zeit 136 Dimension, sozial-organisatorische 29, 136 <?page no="176"?> Dimension, tourismusspezifische 137 Drohnen 82 Drucksensoren 73 Durchgangssensoren 20, 71 dynamische Daten 123 Edge Computing 80 Electronic Card Transaction (ECT) 89 E-Scooter 55 ethische Vertretbarkeit 30 Exchangeable Image File Format (EXIF) 114 Facebook 117 Fahrzeugnavigationssysteme 51 Flächensensoren 20, 77 Flickr 116 Floating Car Data (FCD) 54 Foursquare 117 Frequenzzählung 22, 74, 83, 103 Frischwasser 130 Galileo 34 Gebot der Nichtschädigung 31 Geo Location Broker 52 Geoprivacy 30 Geotagged Social Media 112 Geotagging 113, 115 Global Navigation Satellite System (GNSS) 17, 34 Global Positioning System (GPS) 34 GLONASS 34 GNSS-basierte Verfahren 34 Google Popular Times 52, 124 GSM Data 60 Handy-Bezahlsysteme 89 Identifizierung von Touristen 26 indirektes Verfahren 126 Infrarotsensoren, passive 72 Instagram 116 Instagrammability 118 Installation 68f. Interaktionsdaten 20f., 86, 101 intra-regionale Aktionsräume 23 Kalibrierung 26 Kamera, optische 80 Kassensysteme 88 Klassifizierung 124 Klassifizierungsgüte 28 Ladesäulen für Elektrofahrzeuge 89 Laserdurchgangsscanner 71 Laserschranken 71 Latenz 29 Lenkungsmaßnahmen 10 Lichtschranken 71 LiDAR 79 location based social network (LBSN) 117 LoRaWAN 70 LPWAN 70 MAC-Adressen, randomisierte 97 Magnet-Sensoren 83 Managementmaßnahmen 10 map matching 37 Messsysteme, andere 21, 112, 137 Messung von Besucherströmen 22 Metadaten 114 Mini-Signalketten 20, 95, 136 mobile Ethnographie 39 Mobile Phone Tower Tracking 60 Mobilfunknetze 60, 70 176 Register <?page no="177"?> multipath error 37 Multispot-Messsysteme 19, 33 Netzwerk von Akteuren 10 Nichtschädigung 31 optische Kameras 80 Outdooraktivitäten 81 panelbasierte Ansätze 38 Parkleitsysteme 88 Parkraumbewirtschaftungssysteme 88 Parkraumüberwachung 81 Passive Mobile Network Data 60 Passive Mobile Phone Data 60 Passive Mobile Positioning Data 60 Pfaddesign 107 place making 10 Präzision 29 Private Rental-Platforms 123 Prognosen 10 Pseudonymisierung 30 Quell-Zielgebiets-Beziehungen 24 Radar 73 Radareinzelplatzsensoren 83 randomisierte MAC-Adressen 97 Raum-Zeit-Dimension 135 Rechtfertigungsdruck 9 Recommender-Prognosen 10 Rehashing 65 Reliabilität 29 remote sensing 82 Reservierungen 86f. Reservierungssysteme 88 Resilienz 10 Revenue Management 87 RFID 79 Richtungserkennung 68 Roaming 62 Rundreise 23 Scrape-by-Key 116 Scrape-by-Location 116 Scraping 122 Screen Scraping 122 Searchengine-Daten 21, 126 Sensoren, Sonderformen 83 Sensorik 67, 71, 77, 96 Signalketten 19, 33, 95, 135 Singlespot 18 Singlespot-Messsysteme 67, 136 Smart card automated fare collection systems (SCAFC) 88 Smart Destination 31 Smart Meter 132 Social-Media-Beiträge 21 Social-Media-Daten 112 Social-Media-Daten, gekoppelte 21 Software Development Kits (SDK) 57 Sparkassen-Tourismusbarometer 90 Standortanforderungen 69 Standortmessungen 20, 67, 136 Standortmessungen, gekoppelte 20 stationäre Sensorik 67 stationäre Sensorik, gekoppelte 21 statische Daten 123 Statistiken 13 stichprobenbasierte Studien 39 Strom 130 Stromanschluss 69 Suchmaschinenanfragen 126 Technik 68 technische Möglichkeiten 141 177 Register <?page no="178"?> Tracking 17f., 26 Tracking, aktiv 44 Tracking, mobiles 19 Tracking, passiv 51 trackingfähige Datenquellen 17 Tracking im Datennetz 19, 59 trajectory mining 106 Transaktionsdaten 20, 86, 88, 101 Transaktionsdaten, gekoppelte 21 Transparenz 29 Tripadvisor 117 Twitter 117 Typisierungsfähigkeit 28 Ultraschall-Sensoren 83 Unmanned Aerial Vehicles 82 Unwohlsein auf Nutzerseite 31 User Generated Content (UGC) 112 Validität, externe 28 Verbrauchsdaten 129 Verfügbarkeit 29 Verkäufe 86 Vollständigkeit 29 Volunteered Geographic Information (VGI) 44 Vorbehalt 56 Webcam 82 Web-Daten 21, 126 Webservices 116 Weibo 117 Wettbewerb 9 Wifi-Scanner 77 Wireless Personal Area Networks (WPAN) 79 WLAN 70 WLAN-Zugangssysteme, öffentliche 97 Yield Management 87 zeitliche Relation 22 Zieleignung 40, 47, 62, 91 ZigBee 79 Zugriffszahlen 126 178 Register <?page no="179"?> uistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprach senschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Statistik schaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Stat \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschichte \ anagement \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschicht Spracherwerb \ Philosophie \ Medien- und Kommunikationswissenschaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ acherwerb \ Philosophie \ Medien- und Kommunikationswissenschaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidakt DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus F \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourism \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ WL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanist Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschichte \ Spracherwerb \ Philosophie \ Medien- und Kommunikationswissenschaft ologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschichte \ Spracherwerb \ Philosophie \ Medien- und Kommunikationswissensc \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ nguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenscha Historische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ orische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechn Mathematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenhematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwiss schaft Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ aft Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenscha Historische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ orische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechn Mathematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenhematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwiss schaft \ Geschichte \ Spracherwerb \ Philosophie \ Medien- und Kommunikationswissenschaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen aft \ Geschichte \ Spracherwerb \ Philosophie \ Medien- und Kommunikationswissenschaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwe \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprachwissenschaft \ Slawistik \ Skandinavistik emdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprachwissenschaft \ Slawistik \ Skandinav \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Statistik \ Management \ Altphilologie \ WL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Statistik \ Management \ Altphilolog Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschichte \ Spracherwerb \ Philosophie \ rt \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschichte \ Spracherwerb \ Philosoph ien- und Kommunikationswissenschaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissensc BUCHTIPP Sara Blum Neue Kunden für den Reisemarkt − die Generation Z Tourismus kompakt 1. Auflage 2021, 211 Seiten €[D] 19,90 ISBN 978-3-7398-3121-3 eISBN 978-3-7398-8121-8 Neue Anforderungen an die Tourismusbranche! Die Generation Z reist rund um den Erdball, inszeniert sich gerne selbst und - sie ist stets online. Aus der touristischen Perspektive ist gerade diese Generation hochinteressant, denn sie unterscheidet sich im Hinblick auf touristische Interessen klar von den vorherigen. Sara Blum beleuchtet das Reiseverhalten mithilfe unterschiedlicher Szenarien. In der Folge stellt sie zentrale touristische Handlungsempfehlungen vor - etwa das Einbinden von Augmented und Virtual Reality sowie von künstlicher Intelligenz in touristische Dienstleistungen. Das Buch richtet sich an Tourismuswissenschaft und -praxis. UVK Verlag. Ein Unternehmen der Narr Francke Attempto Verlag GmbH + Co. KG Dischingerweg 5 \ 72070 Tübingen \ Germany Tel. +49 (0)7071 97 97 0 \ Fax +49 (0)7071 97 97 11 \ info@narr.de \ www.narr.de <?page no="180"?> uistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprach senschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Statistik schaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Stat \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschichte \ anagement \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschicht Spracherwerb \ Philosophie \ Medien- und Kommunikationswissenschaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ acherwerb \ Philosophie \ Medien- und Kommunikationswissenschaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidakt DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus F \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourism \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ WL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanist Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschichte \ Spracherwerb \ Philosophie \ Medien- und Kommunikationswissenschaft ologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschichte \ Spracherwerb \ Philosophie \ Medien- und Kommunikationswissensc \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ nguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenscha Historische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ orische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechn Mathematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenhematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwiss schaft Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ aft Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenscha Historische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ orische Sprachwissenschaft \ Slawistik \ Skandinavistik \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechn Mathematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenhematik & Statistik \ Management \ Altphilologie \ Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwiss schaft \ Geschichte \ Spracherwerb \ Philosophie \ Medien- und Kommunikationswissenschaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen aft \ Geschichte \ Spracherwerb \ Philosophie \ Medien- und Kommunikationswissenschaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwe \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprachwissenschaft \ Slawistik \ Skandinavistik emdsprachendidaktik \ DaF \ Germanistik \ Literaturwissenschaft \ Rechtswissenschaft \ Historische Sprachwissenschaft \ Slawistik \ Skandinav \ BWL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Statistik \ Management \ Altphilologie \ WL \ Wirtschaft \ Tourismus \ VWL \ Maschinenbau \ Politikwissenschaft \ Elektrotechnik \ Mathematik & Statistik \ Management \ Altphilolog Sport \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschichte \ Spracherwerb \ Philosophie \ rt \ Gesundheit \ Romanistik \ Theologie \ Kulturwissenschaften \ Soziologie \ Theaterwissenschaft \ Geschichte \ Spracherwerb \ Philosoph ien- und Kommunikationswissenschaft \ Linguistik \ Literaturgeschichte \ Anglistik \ Bauwesen \ Fremdsprachendidaktik \ DaF \ Germanistik \ Literaturwissensc BUCHTIPP Andreas Kagermeier Overtourism 1. Auflage 2021, 238 Seiten €[D] 21,90 ISBN 978-3-8252-5417-9 eISBN 978-3-8385-5417-4 Die Schattenseiten des Massentourismus Venedig, Dubrovnik und Mallorca! Viele Destinationen leiden unter Overtourism - der massiv auf Gesellschaft und Natur wirkt. Andreas Kagermeier geht dem Phänomen auf den Grund. Er beleuchtet Auslöser und Treiber und zeigt die Tragfähigkeit einer Destination auf. Management- und Governance-Ansätze erörtert er und regt einen Paradigmenwechsel in der Tourismuswissenschaft an. Das Buch richtet sich an Studierende und Wissenschaftler aus den Bereichen Tourismus und Geographie sowie der Wirtschafts- und Sozialwissenschaften. UVK Verlag. Ein Unternehmen der Narr Francke Attempto Verlag GmbH + Co. KG Dischingerweg 5 \ 72070 Tübingen \ Germany Tel. +49 (0)7071 97 97 0 \ Fax +49 (0)7071 97 97 11 \ info@narr.de \ www.narr.de <?page no="181"?> ISBN 978-3-7398-3207-4 Klarheit über die Besucher: innen in der Destination: Wie viele, woher, wohin? Zu viele Besucher: innen an einem Ort - das ist in Urlaubsorten keine Seltenheit. Die Folge ist eine Übernutzung der Destination, die oft mit Umweltschäden und einer sinkenden Tourismusakzeptanz in der Bevölkerung einhergeht. Die Besucherlenkung und das Besuchermanagement können Abhilfe schaffen. Beides setzt eine exakte Besuchermessung voraus. Nur sie zeigt u. a., woher Besucher: innen kommen und welche Punkte in der Destination sie aufsuchen. Dirk Schmücker und Julian Reif gehen erstmals in einer deutschsprachigen Publikation auf das Thema ein. Sie zeigen u. a. vorhandene Datenquellen auf, kategorisieren und bewerten diese. Zudem stellen sie Methoden und Ziele vor. Das Buch richtet sich an die Tourismuspraxis, konkret an Entscheider: innen und Destinationsmanager: innen sowie an die Tourismusforschung. Dr. Julian Reif ist Forschungsreferent am Deutschen Institut für Tourismusforschung der Fachhochschule Westküste in Heide. Dr. Dirk Schmücker ist Leiter Forschung am Institut für Tourismus- und Bäderforschung in Nordeuropa (NIT) in Kiel. Schmücker / Reif Digitale Besuchermessung im Tourismus Dirk Schmücker / Julian Reif Digitale Besuchermessung im Tourismus Ziele, Methoden, Bewertungen