Prof. Dr.-Ing. Payam Dehdari über CO₂-Bilanzen, Datenqualität, KI und die Zukunft der Transportlogistik
Prof. Dr.-Ing. Payam Dehdari beschäftigt sich an der Hochschule für Technik Stuttgart mit nachhaltiger Logistik und der datenbasierten Analyse von Transportprozessen. Im Interview mit TruckLab spricht er darüber, warum Transparenz trotz wachsender Datenmengen noch immer fehlt, weshalb belastbare CO₂-Bilanzen vor allem von der Qualität der zugrunde liegenden Daten abhängen und welche Kompetenzen Unternehmen im Umgang mit Daten und KI künftig brauchen.
TruckLab: Herr Professor Dehdari, mit welchen Themen beschäftigen Sie sich aktuell in Ihrer Forschung besonders intensiv und wie haben sich Ihre Schwerpunkte in den vergangenen Jahren verändert?
Prof. Dr.-Ing. Payam Dehdari: Als ich an der Hochschule für Technik angefangen habe, war für mich ein wesentliches Ziel, Nachhaltigkeit und CO₂-Reduktion in der Logistik voranzutreiben. Der Klimawandel wird inzwischen auch bei uns sehr konkret spürbar, etwa durch vertrocknende Flüsse oder Waldbrände. Gleichzeitig beobachte ich, dass das gesellschaftliche und politische Interesse an Maßnahmen zur Vermeidung des Klimawandels teilweise wieder abnimmt.
Das zeigt sich für mich auch in der aktuellen Diskussion um Klimaziele. Selbst in Stuttgart wird inzwischen darüber diskutiert, ob das Ziel der Klimaneutralität bis 2035 in dieser Form aufrechterhalten werden soll. Dahinter steht häufig die Wahrnehmung, dass Nachhaltigkeit zunächst einmal Geld kostet. Genau deshalb beschäftigt mich zunehmend die Frage, wie sich Nachhaltigkeit und wirtschaftlicher Erfolg miteinander verbinden lassen.
Unternehmen geben bereits viel Geld für CO₂-Kompensation, Book-and-Claim-Ansätze oder nachhaltigere Transporte aus. Dann muss aber auch klar sein, wofür eigentlich bezahlt wird und wie belastbar die zugrunde liegenden Emissionswerte sind. Deshalb beschäftige ich mich heute verstärkt damit, wie Emissionen im Transport überhaupt berechnet werden und wie zuverlässig diese Berechnungen sind. Denn nur auf einer belastbaren Datengrundlage lässt sich beurteilen, wie mit jedem eingesetzten Euro eine möglichst große CO₂-Wirkung erzielt werden kann.
TruckLab: Wo sehen Sie heute noch die größten ungenutzten Potenziale in der Transportlogistik?
Dehdari: Ich glaube, dass in der Transportlogistik noch erhebliche wirtschaftliche Potenziale liegen. Ein Beispiel ist der weiterhin hohe Leerfahrtenanteil. Natürlich lassen sich Leerfahrten nicht vollständig vermeiden, weil Warenströme geografisch nicht gleichmäßig verteilt sind. Trotzdem gibt es erhebliche Möglichkeiten, Transporte effizienter zu organisieren.
Um solche Potenziale zu heben, müssen Unternehmen ihre eigenen Transportprozesse zunächst genau kennen. Erst wenn klar ist, wie Waren tatsächlich fließen und wo Ineffizienzen entstehen, können Prozesse gezielt verbessert werden.
TruckLab: Sie haben Transparenz als wichtige Voraussetzung genannt. Woran fehlt es heute noch?
Dehdari: Daten zu haben bedeutet noch nicht, die eigenen Prozesse zu verstehen. In der Praxis sehen wir selbst bei großen Unternehmen, dass teilweise nicht vollständig bekannt ist, über welche Hubs Transporte laufen oder wie einzelne Transportketten tatsächlich aufgebaut sind.
Die Informationen sind häufig vorhanden, liegen aber in unterschiedlichen Systemen, stammen aus verschiedenen Quellen oder sind nicht so miteinander verknüpft, dass daraus unmittelbar ein Gesamtbild entsteht. Es können also sehr viele Transportdaten vorliegen und trotzdem fehlt die Antwort auf eine eigentlich einfache Frage: Wie läuft meine Ware tatsächlich durch die Transportkette?
Die Herausforderung besteht deshalb nicht nur darin, Daten zu sammeln, sondern sie so aufzubereiten und zusammenzuführen, dass daraus ein verständliches Bild des realen Prozesses entsteht.
TruckLab: Wie gut funktioniert die CO₂-Bilanzierung im Straßengüterverkehr heute in der Praxis?
Dehdari: Da gibt es noch sehr viel Verbesserungspotenzial. Wir haben uns beispielsweise in einer Untersuchung die Geschäftsberichte von 121 Unternehmen angesehen. Nur ein Bruchteil hat transparent ausgewiesen, mit welchen Methoden oder Annahmen die Transportemissionen tatsächlich berechnet wurden.
Mit der ISO 14083 gibt es inzwischen einen internationalen Standard. In der Praxis fehlen Unternehmen aber häufig die notwendigen Primärdaten. Dann wird mit sogenannten Defaultwerten gearbeitet. Das sind standardisierte Annahmen, beispielsweise zum Verbrauch eines bestimmten Fahrzeugtyps, zur Beladung oder zur Transportstrecke. Sie ermöglichen eine Berechnung auch dann, wenn keine realen Verbrauchsdaten vorliegen. Der tatsächliche Transport kann von diesen Annahmen allerdings deutlich abweichen. So kann ein Lkw auf einer anspruchsvollen Strecke über den Brennerpass mit demselben pauschalen Verbrauchswert angesetzt werden wie ein vergleichbares Fahrzeug auf einer flachen Strecke in den Niederlanden – obwohl sich der reale Kraftstoffverbrauch deutlich unterscheiden kann.
Bei einer Analyse von mehr als zwei Millionen Transportaufträgen ist uns beispielsweise aufgefallen, dass die berechneten Emissionen in einer bestimmten Region ungewöhnlich niedrig waren. Bei der Prüfung zeigte sich, dass ein Mitarbeiter bestimmte Zieladressen nicht korrekt in das Transportmanagementsystem eingeben konnte. Statt die tatsächliche Distanz auf anderem Wege zu hinterlegen, wurde für diese Transporte pauschal ein »Dummywert« von 777 Kilometern verwendet – unabhängig von der real gefahrenen Strecke.
Genau solche Inkonsistenzen sind besonders problematisch: Eine Null fällt sofort auf. Ein scheinbar plausibler Wert wie 777 Kilometer kann sich dagegen in mehr als zwei Millionen Transportaufträgen sehr gut verstecken und die Ergebnisse unbemerkt verzerren.
TruckLab: Es kommt dabei also immer auf die Qualität der Daten an?
Dehdari: Ja, die Berechnungsmethoden an sich sind grundsätzlich gut. Mit der ISO 14083 oder etablierten Frameworks stehen geeignete methodische Ansätze zur Verfügung. Aber auch die beste Methode kann nur so gut sein wie die Daten, die in sie eingehen.
Deshalb muss ich wissen, welche Qualität meine Daten haben und welche Fehler darin auftreten können. Sind Angaben unvollständig? Wurden Werte falsch übertragen? Muss ich Daten korrigieren, anreichern oder gegebenenfalls verwerfen? Bei großen Datenmengen lassen sich solche Fragen nicht mehr sinnvoll mit einzelnen Excel-Auswertungen beantworten. Dafür braucht es systematische, analytische und automatisierte Verfahren.
Datenqualität ist außerdem keine einmalige Aufgabe. Ich muss kontinuierlich überprüfen, ob bekannte Fehlerquellen beseitigt wurden oder neue Probleme entstehen. Dafür braucht es klar definierte Quality Gates, die regelmäßig durchlaufen werden.
TruckLab: Was können reale Verbrauchs- und Fahrzeugdaten besser leisten als pauschale Defaultwerte?
Dehdari: Defaultwerte haben ihre Berechtigung, wenn keine besseren Informationen vorhanden sind. Aber man muss sich bewusst machen, was dahintersteht. Ein solcher Wert beschreibt letztlich einen Durchschnitts-Lkw mit einer durchschnittlichen Beladung, auf einer Durchschnitts-Strecke mit einem durchschnittlichen Leerfahrtenanteil. Die Streuung der realen Transporte können erheblich davon abweichen.
Moderne Lkw senden bereits heute eine große Menge an Daten. Selbst Trailer liefern inzwischen eigene Informationen. Wenn ich daraus beispielsweise weiß, wie viel Kraftstoff ein bestimmtes Fahrzeug auf einer konkreten Strecke tatsächlich verbraucht hat, kann ich die Emissionen genau bestimmen.
Ich vergleiche das gerne mit einem einfachen Gegenstand: Warum brauche ich ein Modell, das mir berechnet, wie viel ein Objekt wahrscheinlich wiegt, wenn ich die Möglichkeit habe, es direkt auf die Waage zu legen? Wenn reale und belastbare Daten verfügbar sind, sollte man diese auch nutzen. Defaultwerte bleiben vor allem dort wichtig, wo diese Informationen fehlen. Man muss dann aber auch die damit verbundene Unsicherheit berücksichtigen.
TruckLab: Dann benötigen wir möglichst viele Daten?
Dehdari: Mehr Daten bedeuten nicht automatisch bessere Ergebnisse. Zunächst muss ich verstehen, welche Daten ich überhaupt vor mir habe, wie sie entstanden sind und ob sie für meine konkrete Fragestellung geeignet sind.
Nach den einzelnen Verarbeitungsschritten muss ich deshalb prüfen, welche Daten ausgeschlossen oder verändert wurden und ob anschließend noch eine ausreichende Datenbasis vorhanden ist, um belastbare Aussagen treffen zu können. Auch Unsicherheiten und Konfidenzen müssen berücksichtigt werden.
Es geht also nicht darum, möglichst viele Daten in ein Modell zu werfen. Entscheidend ist, die richtigen Daten in ausreichender Qualität für die jeweilige Fragestellung zu verwenden und nachvollziehen zu können, was während der Verarbeitung mit ihnen passiert ist.
TruckLab: Welche Rolle können KI und Large Language Models bei der Auswertung von Logistikdaten spielen?
Dehdari: Die Möglichkeiten sind groß. Was früher teilweise Spezialwissen und erhebliche manuelle Arbeit erforderte, wird durch KI und Large Language Models, kurz LLMs, zunehmend einfacher. Große Datenbestände aufzubereiten, zu strukturieren oder Informationen miteinander in Beziehung zu setzen, wird dadurch für viel mehr Unternehmen zugänglich.
Gleichzeitig darf man die Qualität eines Ergebnisses nicht mit der Qualität seiner Darstellung verwechseln. Gerade LLMs können sehr überzeugende und selbstbewusst formulierte Antworten liefern. Das heißt aber noch lange nicht, dass das Ergebnis stimmt.
Genau deshalb reicht es nicht, nur auf das produzierte Ergebnis zu schauen. Die Nachvollziehbarkeit muss erhalten bleiben: Welche Daten sind eingeflossen? Wie wurden sie verarbeitet? Und wie belastbar ist das Ergebnis? Eine wichtige Rolle spielen dabei auch geeignete KPIs. Wenn ich mit einer Auswertung einen Prozess verbessern möchte, brauche ich messbare Größen, anhand derer ich überprüfen kann, ob diese Verbesserung tatsächlich eingetreten ist. Sonst produzieren wir zwar immer mehr Ergebnisse, können ihre Qualität aber irgendwann nicht mehr beurteilen.
TruckLab: Neben der Auswertung bestehender Prozesse wird auch die Frage wichtiger, wie Unternehmen mit Störungen umgehen. Welche Bedeutung gewinnt Resilienz für die Transportlogistik?
Dehdari: Die Rahmenbedingungen für Unternehmen werden immer schwerer vorhersehbar. Früher hätte ich mir noch zugetraut, relativ klar fünf Jahre in die Zukunft zu schauen. Heute weiß man teilweise nicht, welche Veränderungen schon in sehr kurzer Zeit auf Unternehmen zukommen. Zölle, Kriege, politische Entscheidungen oder klimatische Ereignisse können Transportketten schnell beeinflussen.
Um mit solchen Veränderungen umgehen zu können, muss ich meine Transportketten zunächst kennen. Wo bestehen Abhängigkeiten? Welche Prozesse sind besonders anfällig? Welche Alternativen habe ich, wenn ein Teil der Transportkette nicht mehr wie geplant funktioniert? Auch hier ist Transparenz die Grundlage.
Daten können helfen, solche Abhängigkeiten sichtbar zu machen und die Auswirkungen von Veränderungen besser zu verstehen. Damit geht es nicht mehr ausschließlich darum, eine Transportkette möglichst effizient zu gestalten. Unternehmen müssen zunehmend auch beurteilen können, wie robust ihre Prozesse gegenüber veränderten Rahmenbedingungen sind.
TruckLab: Welche Kompetenzen brauchen Unternehmen künftig, um mit der wachsenden Menge an Daten sinnvoll umzugehen?
Dehdari: Das wird aus meiner Sicht eine der entscheidenden Fragen. Ich glaube, dass wir künftig eher von Daten überflutet werden, als dass wir zu wenige haben. Die Kernkompetenz liegt dann darin, zu entscheiden: Welche Daten brauche ich für welchen Zweck und auf welche Fragestellungen konzentriere ich meine Ressourcen?
Durch KI wird diese Herausforderung noch größer. Wir werden mit immer mehr Auswertungen, Modellen und auch mit viel »AI-Slop« konfrontiert. Gleichzeitig kommen immer mehr Anbieter auf den Markt, die versprechen, Daten auszuwerten und anzureichern. Unternehmen müssen deshalb beurteilen können, wer tatsächlich die notwendige Kompetenz besitzt.
Am Ende braucht es aus meiner Sicht eine Art Dreifaltigkeit: Man benötigt Menschen, die Daten und Datenanalytik verstehen, Menschen, die die jeweilige Technologie verstehen, und Menschen, die die Logistikprozesse verstehen. Erst wenn diese drei Perspektiven zusammenkommen, kann aus Daten wirklich ein Mehrwert entstehen.
TruckLab: Vielen Dank Herr Dehdari für das interessante Gespräch!
