Understanding the bias of mobile location data across spatial scales and over time: A comprehensive analysis of SafeGraph data in the United States

<!-- F-121 NOTE 2026-05-15: heading + quantitative claims below paraphrase the real paper (DOI 10.1371/journal.pone.0294430). Exact numeric magnitudes (2-3x underrepresentation factor) should be re-verified against the published Crossref article body during brief-level review. -->

Key Findings

• Analyse der SafeGraph-Mobilitätsdaten (kommerzieller GPS-Datensatz, USA) zeigt systematische demographische Unterrepräsentation: Hispanische Bevölkerungsgruppen und Haushalte mit niedrigem Einkommen sind im Datensatz signifikant unterrepräsentiert gegenüber ihrem tatsächlichen Bevölkerungsanteil (exakte Größenordnung im Volltext, DOI 10.1371/journal.pone.0294430).
• Der Bias entsteht strukturell durch Smartphone-Penetrationsrate, App-Nutzungsverhalten und Opt-in-Mechanismen, die sozioökonomisch selektieren — Personen ohne Smartphone oder mit niedrigem Datenvolumen-Budget werden systematisch nicht erfasst.
• Implikation für Verkehrsplanung: Wenn kommerzielle Mobilitätsdaten-Anbieter (Telco-Aggregate, GPS-Panel) als Grundlage für städtische Planungsentscheidungen genutzt werden, reproduzieren die daraus abgeleiteten Planungsempfehlungen die bestehende soziale Selektivität.
• Methodische Empfehlung: Bias-Korrektur-Verfahren (Post-Stratification, Synthetic Population Balancing) sind für jede KI-Anwendung auf kommerziellen Mobilitätsdaten zwingend erforderlich.

Relevance for WFK

K3-Quelle (Sample-Bias / Methodenkritik) zu WFK-4.2.1. Transferierbar auf Wien-Kontext: Kommerzielle Telco-Aggregate-Anbieter (A1, Magenta) für Trip-Rekonstruktion in der Wiener Gesamtverkehrsstudie (GVS) unterliegen analogen Sampling-Mechanismen. KI-Modelle, die auf solchen Daten trainiert werden, können Verkehrsmuster einkommensschwacher Haushalte (z. B. Gemeindebau-Gebiete, Wiener Peripherie) systematisch untergewichten. Für den Forschungs-Brief als D4-Ethik-Constraint zu positionieren: Bias-Audit vor jedem KI-Deployment auf Mobilitätsdaten.

Citation

@article{li2024safegraph,
  title   = {Understanding the bias of mobile location data across spatial scales and over time: A comprehensive analysis of SafeGraph data in the United States},
  author  = {Li, Zhenlong and Ning, Huan and Jing, Fengrui and Lessani, M. Naser},
  journal = {PLOS ONE},
  volume  = {19},
  year    = {2024},
  doi     = {10.1371/journal.pone.0294430},
  url     = {https://doi.org/10.1371/journal.pone.0294430}
}