Thema 46 von 64· Öffentlicher Wert in der digitalen Verwaltung
Wert offener Daten
Der Wert offener Daten ist das Problem, zu schätzen, was staatliche und öffentliche Daten wert sind, wenn sie keinen Preis haben: Sie werden nicht verkauft, es gibt also keine Umsatzzeile, doch ihre Veröffentlichung (Wetteraufzeichnungen, Fahrpläne, Postleitzahlgrenzen, Unternehmensregister) erzeugt nachweislich nachgelagerte wirtschaftliche und soziale Aktivität. Sie gut zu bewerten ist wichtig, weil sowohl "kostenlos zu veröffentlichen" als auch "wertlos" falsch sind, und eine Softwareentwicklerin oder ein Softwareentwickler, die oder der entscheidet, ob eine API oder ein Datensatz geöffnet werden soll, braucht ein besseres Argument als beides.
Warum das wichtig ist
Die am häufigsten zitierte Top-down-Schätzung stammt aus dem Bericht "Open data: Unlocking innovation and performance with liquid information" des McKinsey Global Institute von 2013, der den potenziellen jährlichen Wert offener Daten über sieben Bereiche hinweg — Bildung, Verkehr, Konsumgüter, Elektrizität, Öl und Gas, Gesundheitswesen und Verbraucherfinanzen — weltweit auf 3 bis 5 Billionen US-Dollar pro Jahr bezifferte, durch Mechanismen einschließlich erhöhter Transparenz, effizienterem Abgleich von Angebot und Nachfrage und der Ermöglichung neuer, auf den Daten aufbauender Produkte und Dienste. Diese Zahl ist eine Szenarioschätzung, kein gemessenes Ergebnis, und wird routinemäßig falsch zitiert, als wäre sie Umsatz, den die Regierung direkt einnehmen könnte, während der Wert größtenteils Dritten zufließt — Unternehmen, Forschenden, Bürgerinnen und Bürgern —, die die Daten nutzen, was genau der Sinn ihrer Öffnung statt ihres Verkaufs ist. Das britische Open Data Institute, 2012 mitgegründet von Sir Tim Berners-Lee und Sir Nigel Shadbolt, hat seither eine Sammlung granularerer Bottom-up-Fallstudien aufgebaut — Sektor für Sektor, Datensatz für Datensatz —, die für einen echten Business Case weit nützlicher sind als die McKinsey-Schlagzeilenzahl, weil sie den Mechanismus der Wertschöpfung zeigen, nicht nur ihre aggregierte Größe.
Die Berechnung
Offene Daten haben keinen Marktpreis, sodass Bewertungsmethoden einen ersetzen; drei Ansätze kehren wieder, und keiner reicht allein aus:
1. Vermiedene-Kosten-/Ersatzkostenmethode:
Wert ≈ was Nutzende bezahlt hätten, um die äquivalenten Daten
selbst zu produzieren oder zu lizenzieren — eine Untergrenze,
ignoriert Wert, der durch vom ursprünglichen Produzenten nie
erwartete Nutzungen entsteht
2. Marktanalogon-/Nachgelagerte-Aktivitäts-Methode:
Wert ≈ Umsatz oder Einsparungen, die von auf den Daten aufbauenden
Unternehmen/Diensten erzeugt werden (z. B. Navigations-Apps, die
auf offenen Karten- und Verkehrsdaten aufbauen) — erfasst echte
wirtschaftliche Aktivität, ist aber schwer sauber der
Datenveröffentlichung selbst zuzurechnen (siehe
additionality-and-deadweight)
3. Kontingente/Präferenzangabe-Methode:
Wert ≈ was Nutzende angeben, zahlen zu würden, oder die Zeit, die
sie angeben, dadurch zu sparen — siehe stated-preference-valuation
für die allgemeine Methode und ihre Verzerrungen
Keine dieser Methoden erzeugt eine so saubere Zahl wie ein Marktpreis;
glaubwürdige Business Cases für offene Daten triangulieren über zwei
oder mehr und machen ausdrücklich, welcher Mechanismus die Arbeit
leistet.
Beispielrechnung
Illustrative Veröffentlichung nationaler Karten-/Adressdaten (Methodik nach ODI-artigen Fallstudien, Zahlen illustrativ für die Größenordnung, die solche Studien typischerweise finden):
Vermiedene-Kosten-Schätzung:
Unternehmen, die sonst äquivalente Adressabgleichsdaten kommerziell
lizenzieren würden, bei geschätzten durchschnittlichen
Lizenzkosten von 4.000 £/Jahr, über geschätzte 15.000 KMU, die nun
den kostenlosen offenen Datensatz nutzen
= 15.000 × 4.000 £ = 60.000.000 £/Jahr allein an vermiedenen
Lizenzkosten
Nachgelagerte-Aktivitäts-Schätzung (spekulativer, braucht ein
Kontrafaktum):
Neue Liefer-Routing- und Logistikprodukte, aufgebaut auf den offenen
Daten, die ohne sie nicht existieren oder wesentlich schlechter
wären — erfordert einen Vergleich gegen das Kontrafaktum der
geschlossenen oder kommerziell lizenzierten Daten
(counterfactual-analysis), weil ein Teil dieser Aktivität ohnehin zu
einem höheren Preis auf bezahlten Daten stattfinden würde, was im
Sinne von "durch die Öffnung geschaffener Wert" Mitnahmeeffekt ist
Ein vertretbarer Business Case berichtet die
Vermiedene-Kosten-Zahl als solide Untergrenze und behandelt die
Nachgelagerte-Aktivitäts-Zahl als Obergrenzen-Szenario, nicht als
Tatsache.
Bezug zur Softwareentwicklung
Für Ingenieurinnen und Ingenieure ist die praktische Frage nach dem Wert offener Daten meist enger gefasst als die nationalen Schlagzeilenzahlen: Erhöht die Öffnung dieser spezifischen API oder dieses Datensatzes (statt sie hinter einer Partnervereinbarung zu halten) die Wiederverwendung genug, um die laufenden Kosten der Dokumentation, Versionierung und Unterstützung als öffentliche Schnittstelle zu rechtfertigen? Diese Wartungskosten sind real und das Gegenstück zur Einmal-bauen-oft-wiederverwenden-Ökonomie von Government as a Platform — die beiden Themen sind enge Verwandte, eines über geteilten Code und Infrastruktur, das andere über geteilte Daten. Jede Behauptung zum Wert offener Daten sollte gegen Additionalität und Mitnahmeeffekte geprüft werden, bevor sie in einen Business Case einfließt: Aktivität, die ohnehin auf kommerziell lizenzierten Daten stattgefunden hätte, ist kein von der Öffnung geschaffener Wert.
Fallstricke
- Die McKinsey-Zahl von 3–5 Billionen US-Dollar als britisch-spezifisch oder als Anteil dieses Datensatzes zitieren: Es ist eine globale, siebensektorale Szenarioschätzung von 2013 — sie als präzisen Multiplikator für einen einzelnen nationalen Datensatz zu verwenden, stellt die Zahl falsch dar.
- Kein Kontrafaktum: sich alle nachgelagerte wirtschaftliche Aktivität, die auf offenen Daten aufbaut, anzurechnen, ohne zu fragen, wie viel davon ohnehin zu einem höheren Preis auf bezahlten oder lizenzierten Daten stattgefunden hätte (siehe Additionalität und Mitnahmeeffekte und kontrafaktische Analyse).
- Produktionskosten mit geschaffenem Wert verwechseln: Ein Datensatz, der teuer zu erheben war, ist nicht automatisch wertvoll zu veröffentlichen, und ein billiger ist nicht automatisch geringwertig — Wert folgt nachgelagerter Nutzung, nicht vorgelagerten Kosten.
- Die laufenden Wartungskosten von "offen" ignorieren: Einen einmaligen CSV-Export zu veröffentlichen ist nicht dieselbe Verpflichtung wie eine dokumentierte, versionierte, unterstützte offene API zu betreiben — Letztere nach der Startankündigung zu unterfinanzieren ist ein häufiges Fehlermuster.
Quellen
- McKinsey Global Institute, "Open data: Unlocking innovation and performance with liquid information" (2013). https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/open-data-unlocking-innovation-and-performance-with-liquid-information
- Open Data Institute. https://theodi.org/