Die rasche Ausbreitung von COVID-19 Anfang 2020 stellte Regierungen, Gesundheitsbehörden und Unternehmen vor ein gemeinsames Problem: Entscheidungen mussten schnell getroffen werden, doch verlässliche, vorausschauende Daten waren rar. Infektionszahlen wurden mit Verzögerung gemeldet, Testkapazitäten waren begrenzt, und politische Maßnahmen stützten sich häufig auf rückblickende Indikatoren.
Gleichzeitig erwies sich bereits ein Faktor als entscheidend für die Ausbreitung des Virus: menschliche Mobilität. Wie oft sich Menschen bewegen, wie weit sie reisen und wie konsequent sich Mobilitätsmuster als Reaktion auf Einschränkungen verändern, beeinflusst die Infektionsdynamik direkt.
Bei Dolphin Technologies setzten wir unsere Erfahrung in großangelegter Mobilitätsanalyse für diese Herausforderung ein. Mithilfe anonymisierter Telematikdaten von Zehntausenden Fahrzeugen entwickelten wir ein COVID-19-Mobilitätsprognosemodell, das Infektionstrends mehrere Tage im Voraus antizipieren kann – und während einer beispiellosen Krise eine zusätzliche Entscheidungshilfe bot.
Warum Mobilitätsdaten in einer Pandemie wichtig sind
Epidemiologische Modelle stützen sich traditionell auf gemeldete Infektionszahlen, Hospitalisierungsraten und Labortests. So wichtig sie sind, diese Indikatoren hinken dem realen Verhalten in der Regel hinterher.
Mobilitätsdaten bieten eine ergänzende Perspektive. Veränderungen in Bewegungsmustern treten typischerweise auf, bevor Veränderungen in den Infektionsstatistiken sichtbar werden. Weniger Pendelverkehr, weniger Langstreckenfahrten und veränderte Tagesabläufe beeinflussen, wie schnell sich ein Virus in einer Bevölkerung ausbreiten kann.
Durch die Beobachtung dieser Verschiebungen in nahezu Echtzeit können Mobilitätsdaten als Frühindikator wirken – sie zeigen, ob Eindämmungsmaßnahmen voraussichtlich greifen oder ob die Infektionszahlen weiter steigen könnten.
Von Telematik zu epidemiologischen Erkenntnissen
Dolphin Technologies analysiert seit Langem Mobilitätsverhalten, um Risikopotenziale in Versicherungs- und Verkehrskontexten zu verstehen. Während des COVID-19-Ausbruchs wurde diese analytische Grundlage auf einen Public-Health-Anwendungsfall übertragen.
Das COVID-19-Mobilitätsprognosemodell basierte auf aggregierten und anonymisierten Fahrverhaltensdaten von rund 30.000 Fahrzeugen in Österreich. Statt einzelne Personen zu verfolgen, konzentrierte sich das Modell auf Muster auf Bevölkerungsebene, wie zum Beispiel:
- Gesamtverkehrsaufkommen und Veränderungen im Zeitverlauf
- Durchschnittliche Fahrtlänge und -häufigkeit
- Unterschiede zwischen städtischem und ländlichem Mobilitätsverhalten
- Regionale Unterschiede beim Rückgang der Bewegungen
Diese Indikatoren wurden anschließend mit offiziell gemeldeten Infektionszahlen korreliert. So konnte das Modell abschätzen, wie sich das aktuelle Mobilitätsverhalten voraussichtlich in den folgenden Tagen in den Infektionszahlen niederschlagen würde.
Trends vorhersagen, nicht Individuen
Ein zentrales Prinzip des Modells war Privacy by Design. Es wurden keine persönlichen Bewegungsverläufe, Routen oder Identifikatoren verwendet. Alle Erkenntnisse wurden aus aggregierten Daten abgeleitet, sodass einzelne Fahrer weder identifiziert noch zurückverfolgt werden konnten.
Ziel war es nicht, vorherzusagen, wer sich infizieren könnte, sondern zu verstehen, wie kollektives Mobilitätsverhalten die Infektionsdynamik auf regionaler und nationaler Ebene beeinflusst.
Diese Unterscheidung ist entscheidend. Die Prognose von Trends ermöglicht bessere Vorbereitung und Politikevaluation, ohne die Privatsphäre Einzelner zu gefährden.
Frühe Ergebnisse und praktischer Nutzen
Erste Ergebnisse zeigten, dass Veränderungen im Mobilitätsverhalten etwa eine Woche im Voraus mit Infektionstrends in Verbindung gebracht werden konnten. Wenn das Verkehrsaufkommen deutlich zurückging, verlangsamten sich in den darauffolgenden Tagen tendenziell die gemeldeten Wachstumsraten der Infektionen. Umgekehrt gingen Mobilitätszunahmen häufig einem erneuten Anstieg der Fallzahlen voraus.
Um diese Erkenntnisse zugänglich zu machen, stellte Dolphin Technologies ein öffentliches Dashboard bereit, das Mobilitätstrends gemeinsam mit prognostizierten Infektionsentwicklungen visualisierte. Darüber hinaus wurden aggregierte Ergebnisse mit öffentlichen Behörden geteilt, um Szenarienplanung und die Bewertung von Eindämmungsmaßnahmen zu unterstützen.
Was das über COVID-19 hinaus bedeutet
Auch wenn die unmittelbare Anwendung eine Pandemie adressierte, ist das zugrunde liegende Prinzip breiter: Mobilitätsverhalten ist ein starker Frühindikator für gesellschaftliche Risiken.
Ob es um Verkehrssicherheit, Umweltauswirkungen oder öffentliche Gesundheit geht – das Verständnis dafür, wie Menschen sich tatsächlich bewegen, statt wie wir annehmen, dass sie sich bewegen, ermöglicht proaktivere und gezieltere Entscheidungen.
Für Versicherer unterstützen Mobilitätsdaten bereits Risikoprävention und Expositionsanalyse. In Krisensituationen können dieselben Fähigkeiten Entscheidungsträgern und Institutionen helfen, schneller und mit größerer Sicherheit zu reagieren.
Eine Technologieperspektive, die in Verantwortung verankert ist
Die COVID-19-Krise hat sowohl das Potenzial als auch die Verantwortung hervorgehoben, die mit der Analyse großer Datenmengen einhergehen. Der Beitrag von Dolphin Technologies konzentrierte sich darauf, vorhandene Fähigkeiten dort einzusetzen, wo sie unmittelbaren, praktischen Nutzen stiften konnten – ohne neue Risiken oder Abhängigkeiten einzuführen.
Mobilitätsdaten allein können eine Pandemie nicht lösen. In durchdachter Kombination mit epidemiologischer Expertise und staatlicher Politik können sie jedoch einen früheren Blick darauf ermöglichen, was als Nächstes kommen könnte.
