Aktuelle Datenperle – Dark Stores

Einleitung

In den letzten Jahren sind Elektrofahrräder mit sperrigen Taschen und zugeklebte Schaufenster von Ladengeschäften immer häufiger im städtischen Raum anzutreffen. Diese sind sichtbare Teile von On-Demand Lieferplattformen für Lebensmittel. Die Warenlager (sogenannte Dark Stores) dieser Firmen, sind für die Öffentlichkeit unzugänglich und dienen ausschließlich der Erfüllung von Online-Bestellungen. Sie befinden sich meist in der Innenstadt, in ehemaligen Ladengeschäften, und tragen mit neuen Strukturen zu einer Transformation der Städte bei.

Fragestellung und Leitfragen

Um zu verstehen, wie Dark Stores den städtischen Raum verändern und wie die Unternehmen dahinter agieren, hat Antonia Gergs in ihrer Masterarbeit folgende Fragestellung untersucht: Wie verändern Micro-Fulfillment-Center, betrieben von On-Demand Lieferplattformen für Lebensmittel, den urbanen Raum? Dafür hat sie Handlungsbedarfe im stadtplanerischen Kontext und vorhandene stadtplanerische Instrumente betrachtet.

Erkenntnisse

Es wurden 57 Warenlager in Berlin ausfindig gemacht. Die Standortdaten der Dark Stores und Überlagerungen mit soziodemografischen Daten zeigen, dass im Gegensatz zum herkömmlichen Einzelhandel, neue Standortfaktoren für das Geschäftsmodell der Plattformunternehmen eine Rolle spielen. Die Plattformen zielen nicht darauf ab, eine Nahversorgungslücke zu schließen, sondern auf die Erfüllung neuer Kund:innenansprüche.

Über den Datensatz

Aufgrund fehlender öffentlich zugänglicher und verifizierter Standortdaten wurden die Standorte der Dark Stores durch eine aufwendige Recherche ermittelt, per Fahrrad überprüft und kartiert. Die Untersuchung konzentrierte sich auf die On-Demand Lieferplattformen für Lebensmittel der Firmen FLINK, GETIR und GORILLAS in Berlin. Antonia hat die Daten nun als Open Data veröffentlicht, um sie Interessierten auch für andere Forschungszwecke zu Verfügung zu stellen.

Der Datensatz kann als Grundlage für verschiedene Anwendungsfälle und Fragestellungen dienen. Dazu zählen zum Beispiel:

• Entwicklung der Lieferplattformen: Wie verändern sich die Standortwahl und -faktoren der On-Demand Lieferplattformen über mehreren Monate bzw. Jahre und warum?

• Auswirkungen auf die Gesamtstadt: Werden durch die Überlagerung mit Standortdaten weiterer Plattformunternehmen Segregationstendenzen oder andere Effekte auf gesamtstädtischer Ebene erkennbar?

• Zukunft der Nahversorgung: In welchem Verhältnis stehen Dark Stores zu Supermärkten und Spätkaufs?

Datensatz und Masterarbeit zum Downloaden

Der Datensatz steht als Open Data in einem public GitHub-Repository für alle frei zugänglich zum Download zur Verfügung. Die Masterarbeit liegt als PDF-Download bereit.

Außerdem wurde die Arbeit im Rahmen der ISR Impulse Online Reihe veröffentlicht und kann unter folgender DOI (Digital Object Identifier) aufgerufen und heruntergeladen werden.

Über die Visualisierung

Auf einer Symbolkarte können mehrere spezifische Orte visualisiert werden. Entsprechend der einzelnen Datenpunkte variieren die Symbole in Größe und/oder Farbe. In unserem Fall werden die unterschiedlichen Lieferdienste (FLINK, GORILLAS und GETIR) mit unterschiedlichen Farben kodiert (Pink, Grün und Lila).

Die hier präsentierte Datenvisualisierung haben wir mit dem kostenlosen Online-Tool Datawrapper erstellt. Wir haben die Daten zuvor zusammengeführt und mit Fotoaufnahmen der einzelnen Standorte angereichert. Um im Format “Symbolkarte” visualisiert werden zu können, müssen die Daten in einem bestimmten Datenschema vorliegen.

Die Visualisierung kann durch Klick auf “Einbetten” unter dem Diagramm auch per iFrame in andere Seiten integriert werden. Wie sich mit Datawrapper Charts und Tabellen unkompliziert aus eigenen Daten erstellen lassen, erklären wir auch in diesen Videotutorials.

Auf die Daten, fertig, los!

Die Erhebung von Daten und die Bereitstellung durch Forschung und Zivilgesellschaft ist eine Bereicherung des Datenangebots über unsere Stadt. Wir sind gespannt, welche weiteren Schlüsse aus den Daten gezogen werden können.