Eine qualitativ hochwertige Messung des tatsächlichen Verhaltens ist für eine glaubwürdige Forschung von grundlegender Bedeutung. Der Einsatz von MotionTag war entscheidend für die genaue und detaillierte Erfassung des Reiseverhaltens über alle Verkehrsträger hinweg. Dieser Ansatz reduziert Fehler und Verzerrungen im Vergleich zu selbst gemeldeten Messungen erheblich und ermöglicht es uns, tatsächliche Verhaltensänderungen statt nur erklärter Absichten zu beobachten. In Kombination mit einem randomisierten kontrollierten Rahmen hat uns diese Strategie ermöglicht, die kausalen Auswirkungen verschiedener Verkehrspolitiken (wie Straßenbenutzungsgebühren und Subventionen) abzuschätzen und zu ermitteln, wie Einzelpersonen ihre Mobilitätsentscheidungen über alle Verkehrsträger hinweg als Reaktion auf wirtschaftliche Anreize anpassen.

Im Laufe der Jahre hat sich die traditionelle Methode der Datenerhebung mittels Papier-und-Bleistift-Umfragen hinsichtlich der Datenqualität und der Rücklaufquoten als weniger produktiv erwiesen. Die Entscheidung zwischen den beiden wichtigsten passiven Alternativen, GSM- und GPS-Daten, ist schwierig, da Zugang, Kosten und Datenvolumen stark variieren. Hier erleichtern die Fähigkeiten und die Qualität der bewährten Technologie von motiontag häufig die Entscheidung. Sie ermöglicht es uns, uns auf die neuen Umfrageelemente Zeitnutzung und Ausgaben zu konzentrieren.

Durch die Integration der Mobilitätserkennung von MotionTag in die Plattform Klima-Taler.com können klimafreundliche Wege automatisch gemessen und ausgewertet werden. Mehr als 50 teilnehmende Kommunen erhalten dadurch belastbare Daten zu eingespartem CO₂ und zur Nutzung nachhaltiger Mobilitätsformen. Diese Daten bilden die Grundlage für die Vergabe von Klima-Talern und zeigen, wie sich das Mobilitätsverhalten im Alltag positiv verändert.

Im Rahmen unserer Forschung zur Geschlechtermobilität in den Favelas von Curitiba konnten wir dank der smartphonebasierten Ortung von motiontag detaillierte Daten zu Routen, Verkehrsmitteln und Reisezeiten direkt in diesen Gemeinden erfassen. Im Gegensatz zu herkömmlichen Herkunft-Ziel-Erhebungen, die häufig zu großen räumlichen Zonen zusammengefasst werden, oder groß angelegten Big-Data-Erhebungen über Mobiltelefone, denen es in der Regel an soziodemografischen Details mangelt, konnten wir mit diesem Ansatz individuelle Mobilitätsverläufe erfassen, die mit Schlüsselmerkmalen wie Haushaltszusammensetzung, Geschlecht, Einkommen und ethnischer Zugehörigkeit verknüpft sind. Diese Kombination lieferte beispiellose Einblicke in geschlechtsspezifische Mobilitätsungleichheiten und förderte die Entwicklung einer inklusiveren städtischen Mobilitätspolitik.