Mobidrive: Dynamik und Routinen im Verkehrsverhalten - ETH ...

Band Ι

MobidriveDynamik und Routinen im Verkehrsverhalten

- Pilotstudie Rhythmik -

Abschlussbericht

Karlsruhe, April 2001

PTV AGKarlsruhe

Institut für Stadtbauwesenund StadtverkehrRWTH Aachen

Institut für VerkehrsplanungTransporttechnik, Straßen-

und EisenbahnbauETH Zürich

Band Ι



Auftraggeber:

Bundesministerium für Bildung und Forschung– BMBF

Auftragnehmer:

PTV AG, Stumpfstr. 1, D-76131 Karlsruhe

Institut für Stadtbauwesen und Stadtverkehr-ISB,RWTH Aachen, Mies-van-der-Rohe-Str. 1, D-52074 Aachen

Institut für Verkehrsplanung, Transporttechnik, Strassen- und Eisenbahnbau-IVT,ETH Zürich, CH-8093 Zürich


PTV AGKarlsruhe




Band Ι



Auftraggeber:

Bundesministerium für Bildung und Forschung– BMBF

Autoren:

Thomas Haupt, Andrea Zimmermann, Anja Kübel (PTV AG, Karlsruhe)

Klaus J. Beckmann, Guido Rindfüser, Thomas Wehmeier, Judith Beckmann,Michael Düsterwald (ISB, RWTH Aachen)

Kay W. Axhausen, Stefan Schönfelder, Arnd König, Robert Schlich, Anja Simma,Elena Fraschini (IVT, ETH Zürich)

Das diesem Bericht zugrundeliegende Vorhaben wurde mit Mitteln desBundesministeriums für Bildung und Forschung gefördert. Die Verantwortung für

den Inhalt dieser Veröffentlichung liegt bei den Autoren.


PTV AGKarlsruhe




Inhaltsverzeichnis I

Dynamik und Routinen im VerkehrsverhaltenPilotstudie Rhythmik Mobidrive

Inhaltsverzeichnis

Tabellenverzeichnis ............................................................................................................V

Abbildungsverzeichnis ....................................................................................................VIII

1 Problemstellung und Projektziel.........................................................................1

2 Stand des Wissens und der Technik über die rhythmischen Muster derVerkehrsteilnahme auf Systemebene................................................................5

2.1 Einleitung .......................................................................................................... 5

2.2 Beobachtungsintervall..................................................................................... 6

2.3 Zeitbereich......................................................................................................... 8

2.4 Methoden zur Auswertung von Zeitreihen auf Systemebene ................... 12

2.5 Studien mit Bezug zu Zeitreihen (Rhythmik) der Ver-kehrsteilnahme aufSystemebene .................................................................................................. 15

2.5.1 Typisierung von Verkehrsstärkeganglinien ............................................. 15

2.5.2 Verkehrsentwicklung auf Bundesfernstraßen......................................... 17

2.5.3 Analysen des Straßenverkehrs auf Außerortsstraßen in Nordrhein-Westfalen: 1980-1990 ............................................................................. 21

2.5.4 Analyse der ‘National and Regional Travel Trends‘ (USA): 1970-1995. 24

2.5.5 Weitere Arbeiten ...................................................................................... 29

2.6 Fazit.................................................................................................................. 32

3 Stand des Wissens und der Technik über die rhythmischen Muster derVerkehrsteilnahme auf Haushalts- / Personenebene..................................33

3.1 Einleitung ........................................................................................................ 33

3.2 Rhythmische Muster des Verkehrsverhaltens............................................ 34

3.2.1 Der Kontext der aktivitäten-basierten Verkehrsforschung...................... 34

II Inhaltsverzeichnis

Dynamik und Routinen im VerkehrsverhaltenPilotstudie RhythmikMobidrive

3.2.2 Komplexe Phänomene des Verkehrsverhaltens: Routinen, Variablitätund Rhythmen: Definitionen.................................................................... 38

3.2.3 Determinanten routinisierten und insbesondere rhythmischen Verkehrs-verhaltens ................................................................................................ 42

3.3 Methodische Voraussetzungen für die Analyse rhythmischer Muster ... 53

3.4 Empirische Studien zu Routinen und Variabilität des Verkehrsverhaltens ............................................................................................................. 63

3.4.1 Uppsala Household Travel Survey.......................................................... 64

3.4.2 Weitere empirische Studien .................................................................... 68

3.5 Diskussion der dargestellten Ergebnisse ................................................... 75

4 Systemebene – Vorbereitung und Analyse aggregierter Daten ...............77

4.1 MIV-Daten........................................................................................................ 77

4.1.1 Datenbeschreibung und Aufbereitung..................................................... 78

4.1.2 Spezifikation der saisonalen ARIMA-Modelle......................................... 79

4.2 ÖV-Daten ......................................................................................................... 88

4.2.1 Datenbeschreibung und Aufbereitung..................................................... 88

4.2.2 Modellierung der saisonalen ARIMA-Modelle......................................... 89

4.3 Kontinuierliche Erhebung zum Verkehrsverhalten (KONTIV) ................... 95

4.3.1 Datenaufbereitung................................................................................... 96

4.3.2 Spezifikation der ARIMA-Modelle.......................................................... 100

5 Individuelle Ebene – Hauptstudie ...................................................................105

5.1 Erhebungsablauf und Durchführung......................................................... 106

5.1.1 Die Referenzerhebung: Uppsala Household Travel Survey 1971........ 106

5.1.2 Mobidrive 1999: Die Hauptstudie .......................................................... 107

5.1.3 Erhebungsorganisation.......................................................................... 117

5.1.4 Codierung, Non-Response und Imputation........................................... 123

5.1.5 Ermüdung.............................................................................................. 124

Inhaltsverzeichnis III


5.1.6 Schlussfolgerung und Ausblick ............................................................. 128

5.2 Deskriptive Auswertungen.......................................................................... 130

5.2.1 Vergleich mit anderen Erhebungen....................................................... 130

5.2.2 Auswahl der Variablen........................................................................... 132

5.2.3 Darstellung............................................................................................. 134

5.2.4 Zusammenfassung und Ausblick .......................................................... 168

5.3 Stabilität und Variabilität.............................................................................. 170

5.3.1 Stabilität ................................................................................................. 170

5.3.2 Variabilität.............................................................................................. 176

5.3.3 Zusammenfassung und Ausblick .......................................................... 182

5.4 Ähnlichkeit täglicher Aktivitätensequenzen (-muster) ............................ 184

5.4.1 Ziele der Analysen................................................................................. 184

5.4.2 Einfache Darstellung von Wiederholung und Frequenzen................... 186

5.4.3 Berechnung der Ähnlichkeitsmaße in Anlehnung an das Verfahren nachJones und Clarke................................................................................... 191

5.4.4 Berechnung der Ähnlichkeitsmaße mit dem Verfahren der Sequenz-ausrichtung (sequence alignment)........................................................ 198

5.4.5 Fazit ....................................................................................................... 215

5.4.6 Ausblick.................................................................................................. 217

5.5 Wechselbeziehungen im Verkehrsverhalten zwischen den Wochentagen– Anwendung von Structural equation modelling (SEM)........................ 219

5.5.1 Methode - Structural Equation Modeling (SEM) ................................... 219

5.5.2 Modellaufbau ......................................................................................... 221

5.5.3 Ergebnisse............................................................................................. 221

5.5.4 Ausblick.................................................................................................. 225

IV Inhaltsverzeichnis


5.6 Hazardmodell ................................................................................................ 226

5.6.1 Auswahl und Grundlagen eines geeigneten Analyseinstruments zurAnalyse der rhythmischen Muster des Verkehrsverhaltens: SurvivalAnalysis ................................................................................................. 226

5.6.2 Deskriptive Analyse der Daten (Non-parametrisches Hazardmodell).. 232

5.6.3 Erste Modellergebnisse mit dem semi-parametrischen Coxmodell ..... 235

5.6.4 Methodischer und inhaltlicher Ausblick................................................. 246

5.7 Abhängigkeiten im Verkehrsverhalten von Tag zu Tag – Untersuchungenmit der Zeitreihenanalyse ............................................................................ 248

5.8 Perspektiven für räumliche Analysen auf der Ebene von Personen undHaushalten .................................................................................................... 252

5.9 Werteinventar................................................................................................ 259

5.9.1 Theoretischer Hintergrund..................................................................... 259

5.9.2 Erste Ergebnisse................................................................................... 261

5.9.3 Imputierte Daten .................................................................................... 272

6 Zusammenfassung .............................................................................................274

7 Ausblick .................................................................................................................278

Literaturverzeichnis .....................................................................................................281

Veröffentlichungen im Rahmen des Projekts........................................................291

Vorträge im Rahmen des Projekts............................................................................293

Projektbearbeitung.......................................................................................................294

Tabellenverzeichnis V


TabellenverzeichnisTab. 1: Studien zum gewohnheitsmäßigen Verhalten von Personen und Haushalten

(Auswahl)............................................................................................................... 38

Tab. 2: Erzeugung beispielhafter repräsentativer Aktivitätenmuster durch Musterer-kennung auf der Basis einer Verkehrserhebung (Quelle: Nach Recker et al.,1983, S. 425) ......................................................................................................... 55

Tab. 3: Kontingenztabelle zweier Wegecharakteristika (Eigene Darstellung).................. 58

Tab. 4: Vollständige ‚Treffertabelle‘ für die Zuordnung von W A I T E R undW A T E R (Quelle: Nach Wilson, 1998, S. 1021)............................................ 60

Tab. 5: Geschätzte AR- und SMA Parameter ................................................................... 85

Tab. 6: Geschätzte AR- und SMA- Parameter sowie Verkehrsstärkenveränderungaufgrund eines Sonn- bzw. Feiertages ................................................................. 87

Tab. 7: Vergleich der analysierten Parameter................................................................... 98

Tab. 8: Zeitrahmen der Mobidrive Erhebung 1999 in Karlsruhe und Halle .................... 110

Tab. 9: Inhalt des Haushaltsfragebogens (Hauptstudie)................................................. 112

Tab. 10: Inhalt des Personenfragebogens (Hauptstudie) ................................................. 113

Tab. 11: Inhalt des Fahrzeugfragebogens (Hauptstudie) ................................................. 114

Tab. 12: Inhalt des Wegetagebuchs (Hauptstudie)........................................................... 116

Tab. 13: Screening-Ergebnisse......................................................................................... 119

Tab. 14: Struktur der Auswahl je Haushalttyp ................................................................... 119

Tab. 15: Soziodemographische Vergleiche zwischen an der Erhebung teilnehmenden undnicht teilnehmenden Haushalten......................................................................... 121

Tab. 16: Soziodemographische Vergleiche zwischen den für die Befragung ausgewähltenbzw. nicht ausgewählten Haushalten je Haushalttyp.......................................... 122

Tab. 17: Rücklaufquoten der Zusatzerhebung [%]............................................................ 123

Tab. 18: Anteil fehlender Angaben bezogen auf das Befragungsinstrument undausgewählte Variablen (nach erster Bearbeitung).............................................. 124

Tab. 19: Anteile der Berichtstage je Stadt, Welle und Mobilitätsgrad [%] ........................ 125

Tab. 20: Vergleich von Mobilitätskennziffern1 ................................................................... 131

Tab. 21: Varianztest........................................................................................................... 133

Tab. 22: Bestimmtheitsmaß bei unterschiedlichen Betrachtungszeiträumen .................. 133

Tab. 23: Durchschnittliche Anzahl der Wege pro Tag nach Geschlecht und Verkehrsmittel .................................................................................................................... 135

Tab. 24: Durchschnittliche Wegelänge nach Verkehrsmittelwahl..................................... 136

VI Tabellenverzeichnis


Tab. 25: Durchschnittliche Wegelänge nach Wegezweck und Geschlecht ..................... 137

Tab. 26: Durchschnittliche Wegelänge nach Wegezweck und Geschlecht ..................... 139

Tab. 27: Häufigkeit verschiedener Altersklassen.............................................................. 144

Tab. 28: Durchschnittliche Anzahl der Wege pro Tag nach Alter und Verkehrsmittel ..... 145

Tab. 29: Durchschnittliche Wegelänge nach Wegezweck und Alter ................................ 146

Tab. 30: Durchschnittliche Wegedauer nach Alter und Verkehrszweck .......................... 147

Tab. 31: Häufigkeit der PKW-Bestände ............................................................................ 150

Tab. 32: Durchschnittliche Anzahl der Wege pro Tag nach PKW-Bestand und Verkehrs-mittel .................................................................................................................... 151

Tab. 33: Durchschnittliche Anzahl der Wege pro Tag nach PKW-Bestand und Verkehrs-zweck................................................................................................................... 153

Tab. 34: Durchschnittliche Reisezeit nach Wegezweck und Autoanzahl ......................... 154

Tab. 35: Durchschnittliche Wegelänge nach Wochentag und Autoanzahl....................... 155

Tab. 36: Häufigkeit verschiedener Wohnstandorte........................................................... 158

Tab. 37: Durchschnittliche Anzahl der Wege pro Tag nach Wohnort und Verkehrsmittel159

Tab. 38: Durchschnittliche Wegelängen nach Wohnstandort und Wegezweck............... 160

Tab. 39: Durchschnittliche Reisezeiten/Weg nach Wohnort und Verkehrsmittel ............. 161

Tab. 40: Häufigkeit verschiedener Arten der Berufstätigkeit............................................. 163

Tab. 41: Durchschnittl. Anzahl der Wege pro Tag nach Berufstätigkeit und Verkehrs-mittel .................................................................................................................... 163

Tab. 42: Durchschnittliche Wegedauern nach Beschäftigungsstatus und Wegezweck.. 165

Tab. 43: Durchschnittliche Wegezeiten nach Beschäftigungsstatus und Wegezweck.... 166

Tab. 44: Häufigkeit von Tagesaktivitätenketten ................................................................ 173

Tab. 45: Overall Repetition Index (nach Huff und Hanson 1986) der ErhebungenMobidrive (1999) und Uppsala (1971)................................................................. 178

Tab. 46: Similarity Index (nach Huff und Hanson 1986) der Erhebungen Mobidrive (1999)nach Wochentagen.............................................................................................. 180

Tab. 47: Zusammenstellung der Kennzeichnungen der 10 Personengruppen................ 197

Tab. 48: Tabellarische Distanzmaß berechnung .............................................................. 199

Tab. 49: Pfad der geringsten Änderungsaufwände........................................................... 199

Tab. 50: Güte der Personenmodelle.................................................................................. 222

Tab. 51: Direkte und totale (kursiv) endogene Effekts des Personen-Wegemodells ...... 224

Tab. 52: Kovarianzen zwischen den Residuen des Personen-Wegemodells................. 224

Tab. 53: Parameterschätzung für semi-parametrischen Cox-Ansatz (Aktivität: KurzfristigerEinkauf – Positiver Proportionalitätstest) ............................................................ 240

Tabellenverzeichnis VII


Tab. 54: Parameterschätzung für semi-parametrischen Cox-Ansatz (Aktivität: Sport (aktiv)– Positiver Proportionalitätstest) ......................................................................... 241

Tab. 55: Parameterschätzung für das voll-parametrischen Weibull-Modell (Aktivitäten:Kurzfristiger Einkauf und Aktiver Sport) .............................................................. 244

Tab. 56: Clusterstrukturen innerhalb der Aktionsräume ausgewählter Personen............ 255

Tab. 57: © Items und Skalen des allgemeinen Werte-Inventars (© Gawronski, Sydow,Bachmann, 1999) ................................................................................................ 261

Tab. 58: Erklärte Varianzanteile der rotierten Faktoren (allg. Werthaltungen KA) ........... 264

Tab. 59: Erklärte Varianzanteile der rotierten Faktoren (allg. Werthaltungen HAL)......... 265

Tab. 60: Ergebnisse Faktorenanalyse – Automobilität KA................................................ 266

Tab. 61: Ergebnisse Faktorenanalyse – Automobilität HAL ............................................. 267

Tab. 62: Ergebnisse Faktorenanalyse – Automobilität KA (nur für Autofahrer) ............... 268

Tab. 63: Ergebnisse Faktorenanalyse – Automobilität HAL (nur für Autofahrer) ............. 268

Tab. 64: Ergebnisse Faktorenanalyse – ÖPNV KA.......................................................... 269

Tab. 65: Ergebnisse Faktorenanalyse – ÖPNV HAL ........................................................ 269

Tab. 66: Ergebnisse Faktorenanalyse – Fahrradfahren KA.............................................. 270

Tab. 67: Ergebnisse Faktorenanalyse – Fahrradfahren HAL ........................................... 270

Tab. 68: Ergebnisse Faktorenanalyse – Zufußgehen KA................................................. 271

Tab. 69: Ergebnisse Faktorenanalyse – Zufußgehen HAL............................................... 271

VIII Abbildungsverzeichnis


AbbildungsverzeichnisAbb. 1: Darstellung zweier Wochenganglinien (Quelle: BASt 1996) .................................. 7

Abb. 2: Jahresganglinien der täglichen Kfz-Verkehrsstärken - Gesamtquerschnitt 1990der Zählstelle Heimbach (Quelle: Regniet und Schmidt, 1992) ........................... 10

Abb. 3: Jahresganglinien der Monatsmittelwerte des Kfz-Verkehrs 1990 ausgewählterZählstellen und mittlere Ganglinien des Gesamtnetzes je Straßenklasse in NRW(Quelle: Regniet und Schmidt, 1992).................................................................... 11

Abb. 4: Betrachtungsweisen der Zeitreihenanalyse.......................................................... 12

Abb. 5: Typisierte Ganglinien des Anteils des Stundenwertes am Kfz-Tagesverkehr/Di bisDo (Quelle: Heidemann, D. und P. Wimber, 1982) .............................................. 16

Abb. 6: Kfz-Verkehrsentwicklung 1954 – 1997 auf Autobahnen und außerörtllichenBundesstraßen in den alten Bundesländern (Quelle: BASt, 1999) ...................... 17

Abb. 7: Anteil des Wochenwertes am Jahresverkehr (Quelle: Nierhoff et al, 1999) ........ 18

Abb. 8: Anteil des Stundenwertes am Tagesverkehr/Sonntag (Quelle: Nierhoff et al,1999)...................................................................................................................... 19

Abb. 9: Dauerlinie der stündlichen Kfz-Verkehrsstärken (Quelle: Nierhoff et al, 1999).... 19

Abb. 10: Jahresganglinie der Monatsmittelwerte des Kfz-Verkehrs 1990 ausgewählterZählstellen und mittlere Ganglinie des Gesamtnetzes (Quelle: Regniet undSchmidt, 1992) ...................................................................................................... 22

Abb. 11: Kfz-Wochenganglinien 1990 ausgewählter Dauerzählstellen (Quelle: Regniet undSchmidt, 1992) ...................................................................................................... 23

Abb. 12: Mittlere Tagesganglinien Di-Do des stündlichen Kfz-Verkehrs (Quelle: Regnietund Schmidt, 1992) ............................................................................................... 24

Abb. 13: Wochenganglinie der Anteilswerte am Wochenverkehr für ländlichen undstädtischen Verkehr (Quelle: Festin, 1996)........................................................... 26

Abb. 14: Wochenganglinie der Anteilswerte der stündlichen Verkehrsstärken, Woche mitMemorial Day am Montag (Quelle: Festin, 1996) ................................................. 27

Abb. 15: Wochenganglinie der Anteilswerte der stündlichen Verkehrsstärken, Woche mitThanksgiving Day am Donnerstag (Quelle: Festin, 1996).................................... 27

Abb. 16: Anteile der monatlichen Verkehrsstärken im Jahresverlauf (Mittelwert der Jahre1970-1995) (Quelle: Festin, 1996) ........................................................................ 28

Abb. 17: Jahresganglinienverläufe bezogen auf das jeweilige Jahresmittel 1978, (Quelle:Beckmann, 1978) .................................................................................................. 30

Abb. 18: Jahresganglinienverläufe der Einzelzählwerte –Querschnitt Schuhstraße,Querschnitt Schuhstraße, Zählzeit 13-14 (Quelle: Beckmann, 1980).................. 30

Abbildungsverzeichnis IX


Abb. 19: Stundenfaktoren Tagesganglinien Mai (oben), Oktober (Mitte), und Dezember(unten); Querschnitt Schuhstraße (Quelle: Beckmann, 1978) ............................. 31

Abb. 20: Abbildung des Verkehrsverhaltens vom Standpunkt der aktivitäten-basierten Ver-kehrsforschung (Quelle: Nach Jones et al.,1983, S. 37) ...................................... 35

Abb. 21: Komponenten der Variabilität des Verkehrsverhaltens (Quelle: Nach Pas, 1987,S. 432) ................................................................................................................... 41

Abb. 22: Darstellung des Tagesablaufs in der Raum-Zeit-Geografie (Quelle: Nach Volkmar1984, S. 12) ........................................................................................................... 44

Abb. 23: Wirkungen von Restriktionen (constraints) auf das Raum-Zeit-Modell (a) und dieRaum-Zeit-Flexibilität außerhalb festgelegter Zeitkorridore (Zeit-Prismen) (b)(Quellen: a) Jones et al, 1983, S.44/45, b) Nach Volkmar, 1984, S. 12) ............. 45

Abb. 24: Human Activity Patterns in the City: Ablauf des Entscheidungsprozesses (Quelle:Nach Chapin, 1978, S. 15) .................................................................................... 46

Abb. 25: Sozial-ökologisches Modell des Verkehrsverhaltens (Basisschema) (Quelle:Nach Heidemann, 1981, S. 292)........................................................................... 47

Abb. 26: Situativer Ansatz: Verhalten als Resultat von Umweltwahrnehmung (Quelle: NachBrög und Erl, 1980, S. 2)....................................................................................... 48

Abb. 27: Rhythmische Muster und Raum-Zeit-Geographie: Wirkungen einzelner Restrik-tionen auf das Zeitbudget eines Haushalts im Wochenverlauf (Quelle: Verändertnach Shapcott und Steadman, 1978, S. 53)......................................................... 53

Abb. 28: Analytische Klassifizierung nach Pas (Quelle: Nach Pas, 1983, S. 410)............. 57

Abb. 29: Mögliches Ergebnis einer Sequenzzuordnung mehrerer Tagesprogramme(Quelle: Nach Wilson, 1998, S. 1029 und 1030) .................................................. 61

Abb. 30: Sequenzdiagramm der Verkehrsstärke an einem Tag......................................... 79

Abb. 31: Sequenzdiagramm der Verkehrsstärke in einer Woche....................................... 80

Abb. 32: Periodogramm der Zeitreihe der Zählstelle 38175103 (A30, Ri. O)..................... 80

Abb. 33: Autokorrelationsfunktion der Zählstelle A30 ......................................................... 81

Abb. 34: Partielle Autokorrelationsfunktion der Zählstelle A30........................................... 82

Abb. 35: ACF und PACF nach Anwendung des saisonalen Differenzenfilters undschematische Darstellung ..................................................................................... 83

Abb. 36: Partialkorrelationsfunktion der Residuen des SMA(1) 168 – Prozesses ............. 84

Abb. 37: Vergleich der Zeitreihe mit den ARIMA (1,0,0)(0,1,1)168 – geschätzten Werten.. 86

Abb. 38: AlpTransit Elemente des Schweizer Schienennetzes (Institut für Städtebau undLandesplanung der Universität Karlsruhe)............................................................ 88

Abb. 39: Sequenzdiagramm der Anzahl Reisender pro Woche in den Jahren 1995 bis1998....................................................................................................................... 89

Abb. 40: Periodogramm der Reihe der Reisenden pro Woche der Jahre 1991 bis 1998.. 90

X Abbildungsverzeichnis


Abb. 41: ACF und IACF der mit 52 saisonal differenzierten Reihe der Reisenden proWoche.................................................................................................................... 91

Abb. 42: Residualkorrelationen des angepassten ARIMA (1,0,0)(0,1,1)52 Prozesses ....... 92

Abb. 43: Vergleich der Reihe der Reisenden pro Woche mit den geschätzten Wertendurch ARIMA (1,0,0)(0,1,1)52................................................................................. 93

Abb. 44: Sequenzdiagr. der Anzahl Reisender pro Monat in den Jahren 1995 bis 1998... 94

Abb. 45: Periodogramm der Reihe der Reisenden pro Monat der Jahre 1991 bis 1998 ... 94

Abb. 46: Anzahl der befragten Personen pro Tag (bereinigter Datensatz) ........................ 98

Abb. 47: Wegdauer über alle Personengruppen für die gekürzte und ungekürzte ZR....... 99

Abb. 48: Wegeanzahl über alle Personengruppen für die gekürzte und ungekürzteZeitreihe................................................................................................................. 99

Abb. 49: ACF der Wegelänge aller Personen der nicht gekürzten Zeitreihe.................... 100

Abb. 50: ACF über Wegezahl der Erwerbtätigen mit Pkw der gekürzten Zeitreihe.......... 101

Abb. 51: ACF über die Wegeanzahl der Erwerbstätigen mit Pkw (saisonal einfachdifferenziert)......................................................................................................... 102

Abb. 52: PACF über die Wegeanzahl der Erwerbstätigen mit Pkw (saisonal einfachdifferenziert)......................................................................................................... 102

Abb. 53: Beobachtete und modellierte Zeitreihen der täglichen Wegeanzahl derErwerbstätigen mit Pkw....................................................................................... 103

Abb. 54: Beobachtete und modellierte Zeitreihen der täglichen Freizeitwege................. 104

Abb. 55: Vorgehensweise.................................................................................................. 110

Abb. 56: Durchschnittliche tägliche Fahrtenzahl je Welle an mobilen Tagen je Person undWoche.................................................................................................................. 126

Abb. 57: Durchschn. Reisezahl je Welle an mobilen Tagen je Person und Woche......... 127

Abb. 58: Verteilung der Anzahl der täglichen Wege, der Wegelänge und Wegedauer nachGeschlecht und Untersuchungsstadt.................................................................. 140

Abb. 59: Lorenzkurve Anteil Personen / Anteil der Wegelänge nach Geschlecht ........... 141

Abb. 60: Individuelle Verkehrsmittelnutzung über alle Untersuchungstage nachGeschlecht........................................................................................................... 142

Abb. 61: Individuelle Wegezwecke über alle Untersuchungstage nach Geschlecht........ 143

Abb. 62: Lorenzkurve Anteil Personen / Anteil der Wegelänge nach Altersgruppen ....... 148

Abb. 63: Streuung der Anzahl der täglichen Wege und der Wegelänge nach Alter undUntersuchungsstadt ............................................................................................ 149

Abb. 64: Individuelle Verkehrszwecke und Verkehrsmittelwahl über alle Untersuchungs-tage nach Alter..................................................................................................... 150

Abb. 65: Verteilung der Anzahl der täglichen Wege und der Wegelänge nach PKW-Bestand und Untersuchungsstadt....................................................................... 156

Abbildungsverzeichnis XI


Abb. 66: Lorenzkurve Anteil Personen / Anteil der Wegelänge nach PKW-Bestand....... 157

Abb. 67: Individuelle Wegezwecke und Verkehrsmittelwahl über alle Untersuchungstagenach PKW-Bestand............................................................................................. 157

Abb. 68: Verteilung der Anzahl der täglichen Wege und der Wegelänge nach Wohnort undUntersuchungsstadt ............................................................................................ 162

Abb. 69: Individuelle Wegezwecke und Verkehrsmittelwahl über alle Untersuchungstagenach Wohnort ...................................................................................................... 162

Abb. 70: Verteilung der Anzahl der täglichen Wege und der Wegelänge nach Beschäfti-gungsstatus und Untersuchungsstadt ................................................................ 167

Abb. 71: Lorenzkurve Anteil Personen / Anteil der Wegelänge nach Beschäftigungs-status ................................................................................................................... 167

Abb. 72: Mittlere Wegeanzahl nach Wochentag und Beschäftigungsumfang.................. 171

Abb. 73: Mittlere Wegelänge nach Wochentag und Beschäftigungsumfang ................... 171

Abb. 74: Verteilung der Häufigkeiten der Tagesaktivitätenketten ..................................... 174

Abb. 75: Individuelle Anteilskombination der Wegezwecke1 und Verkehrsmittelwahl2 anWerktagen und am Wochenende für Vollzeitbeschäftigte und Sonstige ........... 175

Abb. 76: Zeitanteile von Aktivitätengruppen an Wochentagen......................................... 176

Abb. 77: Anteil der fünf häufigsten Kernhalte pro Vollzeitbeschäftigtem.......................... 181

Abb. 78: Anteil der fünf häufigsten Kernhalte pro Vollzeitbeschäftigtem an Werktagen .. 182

Abb. 79: Raum-Zeit-Pfade einer Person für je einen Werktag, Samstag und Sonntag(Karlsruhe - Auswahl aus 42tägiger Erhebung).................................................. 184

Abb. 80: Häufigkeiten des Vorkommens der Aktivität „zu Hause“.................................... 186

Abb. 81: Häufigkeiten des Vorkommens der Aktivität „Arbeit“.......................................... 186

Abb. 82: Häufigkeiten des Vorkommens der Aktivität „Freizeit“ ....................................... 187

Abb. 83: Häufigkeiten des Vorkommens der Aktivität „Schule/Ausbildung“..................... 187

Abb. 84: Häufigkeiten des Vorkommens der Aktivität „Einkauf kurzfr. Bedarf“................ 188

Abb. 85: Häufigkeiten des Vorkommens der Aktivität „Einkauf langfr. Bedarf“ ................ 188

Abb. 86: Häufigkeiten des Vorkommens der Aktivität „priv. Erledigung/Dienstleistung“.. 189

Abb. 87: Häufigkeiten des Vorkommens der Aktivität „geschäftlich/dienstlich“ ............... 189

Abb. 88: Häufigkeiten des Vorkommens der Aktivität „Holen/Bringen“ ............................ 190

Abb. 89: Frequenz (Anzahl pro Woche) der Aktivitäten „zu Hause“ und „Arbeit“............. 190

Abb. 90: Frequenz (Anzahl pro Woche) der Aktivitäten „Freizeit“ und „Schule“ ............. 190

Abb. 91: Frequenz (Anzahl pro Woche) der Aktivitäten „Einkauf kurzfristiger Bedarf“ und„Einkauf langfristiger Bedarf“............................................................................... 191

Abb. 92: Frequenz (Anzahl pro Woche) der Aktivitäten „Erledigung/Dienstleistung“ und„geschäftlich/dienstlich“....................................................................................... 191

XII Abbildungsverzeichnis


Abb. 93: Beispiel zweier Ähnlichkeitsmatrizen ............................................................. 193

Abb. 94: Zeitbudgets alle Personen, Mobidrive, Karlsruhe - Haupterhebung.............. 195

Abb. 95: Darstellung der Zunahme der Fehlerquadratsumme..................................... 195

Abb. 96: Darstellung des Dendrogramms der hierarchischen Clusteranalyse............ 195

Abb. 97: Aufbereitung der Tagebuch-Daten in sequentieller Form.............................. 201

Abb. 98: Intrapersonelle Ähnlichkeitsmaße einer Person A......................................... 204

Abb. 99: Intrapersonelle Ähnlichkeitsmaße einer Person B......................................... 206

Abb. 100: Intrapersonelle Ähnlichkeitsmaße einer Person C......................................... 207

Abb. 101: Intrapersonelle Ähnlichkeitsmaße einer Person D......................................... 208

Abb. 102: Intrapersonelle Ähnlichkeitsmaße aller Personen der Karlsruher MobidriveErhebung (dargestellt sind die jeweils für eine Person über die 6 Erhebungs-wochen gemittelten Ähnlichkeitsmaße im Wochenverlauf - entspricht einerLinie im Diagramm) ........................................................................................ 209

Abb. 103: Mittelwerte der jeweiligen mittleren intrapersonellen Ähnlichkeitsmaße allerbeobachteten Personen der Mobidrive-Erhebung jeweils für Karlsruhe undHalle ................................................................................................................ 210

Abb. 104: Mittlere Ähnlichkeitsmaße aller Personen (6 Wochen überlagert) ................ 211

Abb. 105: Mittlere Ähnlichkeitsmaße innerhalb der Cluster ........................................... 212

Abb. 106: Zeitbudgetverteilung innerhalb der Cluster .................................................... 214

Abb. 107: Verteilung der Ausprägungen der soziodemographischen Merkmale innerhalbder Cluster ...................................................................................................... 215

Abb. 108: Visualisierung des raum-zeitlichen Verhaltens einer ausgewählten Person in1) der Aufsicht, 2) der Darstellung eines Tages je vertikaler Ebene und 3) der42 Raum-Zeit-Pfade (die Zeit ist in der Vertikalen aufgetragen) ................... 217

Abb. 109: Exogene Effekte in den Personenmodellen................................................... 223

Abb. 110: Strukturelle Elemente von Rhythmen............................................................. 226

Abb. 111: Intervalle zwischen gleichartigen Aktivitäten, Aktivität: Langfristiger Einkauf(Ausschnitt eines SAS-Output)....................................................................... 227

Abb. 112: Basiskonzept: Rhythmik des Verkehrsverhaltens .......................................... 229

Abb. 113: Wesentliche Funktionen der Survival Analysis: Alternative Verteilungsdar-stellungen von T.............................................................................................. 231

Abb. 114: Empirische Survival und Hazardraten ausgewählter Aktivitäten: (Daten beiderFallstudienstädte)............................................................................................ 234

Abb. 115: Wirkung erklärender Variablen der Zeitnutzung auf das Hazardmodell........ 236

Abb. 116: Mögliche Ausprägungen von Hazardfunktionen ............................................ 237

Abb. 117: Baseline hazards rates der geschätzten voll-parametrischen Dauermodelle(Intervalle mit mehr als vierzehn Tagen sind nicht dargestellt)...................... 245

Abbildungsverzeichnis XIII


Abb. 118: Häufigkeitsverteilung für Männer und Frauen bezogen auf die unterschied-lichen Modellategorien: (a) Anzahl der Wege pro Tag, (b) Anzahl der Wege zuFreizeitktivitäten .............................................................................................. 250

Abb. 119: Häufigkeitsverteilung verschiedener Modellkategorien zwischen den Alters-klassen: Anzahl der freizeitbezogenen Wege pro Tag .................................. 251

Abb. 120: Dispersionsniveaus von Aktionsräumen verschiedener sozio-demograhischerGruppen im Vergleich; Basis Mobidrive, Stichprobe Karlsruhe; alle Wegeinnerhalb der Stadt und des näheren Umlands (ca. 96% aller berichtetenWege); Mittel über alle Personen und Tage: 2881m / Standardabweichung:1146m;............................................................................................................ 253

Abb. 121: a) Anzahl der besuchten Gelegenheiten und deren Anteil an allen zurückge-legten Wegen; b) Schematische Darstellung von Besuchsintensitätenberichteter Aktivitätsstandorte einer Person .................................................. 254

Abb. 122: Travel probability fields in der Region Nürnberg (Zahavi, 1979, S. 230)....... 256

Abb. 123: Auswahl von Gebieten intensiver Nutzung einzelner Befragungsteilnehmer imzeitlichen Vergleich (nach Jennrich, 1969); Basis: Mobidrive, Daten KA...... 257

Abb. 124: Eigenwerte und Varianzanteile der allgemeinen Werthaltungen KA............. 262

Abb. 125: Screetest allgemeine Werthaltungen KA........................................................ 263

Abb. 126: Matrix der mit Varimax rotierten Faktoren (allgem. Werthaltungen KA)........ 264

Abb. 127: Matrix der mit Varimax rotierten Faktoren (allgem. Werthaltungen HAL)...... 265

XIV Abbildungsverzeichnis


Problemstellung und Projektziel 1


1 Problemstellung und Projektziel

Das Forschungsprogramm „Mobilität und Verkehr besser verstehen“ des Bundes-ministeriums für Bildung und Forschung verfolgt das Ziel, die individuellen und mobilitäts-relevanten Einflussgrößen im Verkehr deutlich zu machen. Dabei werden eine Reihe vonProjekten gefördert, die einerseits zur Weiterentwicklung des methodischen Analyse-instrumentariums beitragen und andererseits die Einflussgrößen der alltäglichen Mobilitätvertieft untersuchen bzw. bisher nicht berücksichtigte eruieren.

Mobidrive trägt zusammen mit seinem Schwesterprojekt Mobiplan1 dazu bei, dieseEinflussgrößen sichtbar zu machen und damit Mobilität und Verkehr besser zu verstehen.Während in Mobiplan die Entstehung langfristiger Entscheidungen von Personen undHaushalten und deren Auswirkungen auf die Alltagsmobilität von besonderem Interessesind, widmet sich Mobidrive den Hintergründen routinisierten, rhythmischen und durchäußere Einflüsse veränderten („dynamischen“) Verkehrsverhaltens.

Die Konzeption des Projekts Mobidrive sieht für eine umfassende Analyse und Erklärungder Veränderungsprozesse im Verkehrsverhalten vier Bausteine vor:

Rhythmik

Routinen

Zeitplanung

Dynamik

Die Komplexität jedes einzelnen Themas und ihrer Wechselwirkungen erlaubt es nicht –zumindest nicht bei annehmbaren Kosten – alle vier zeitlichen Aspekte mit einem einzigenempirischen Ansatz zu erfassen. Jeder der vier Bausteine hat seinen eigenen Stellenwert- Wechselwirkungen können jedoch erst in einem Modell, das diese explizit beschreibt,untersucht werden.

Die Strukturen und Hintergründe regelmäßig wiederkehrender zeitlicher Muster(Rhythmik) sind Gegenstand der Pilotstudie des Projekts Mobidrive – Dynamik undRoutinen im Verkehrsverhalten. Die rhythmischen Muster des Verkehrsverhaltens müssenzuerst identifiziert und verstanden werden, bevor die weiteren (komplexeren) Bausteineder Mobilitätsstrukturen sichtbar gemacht und untersucht werden können. Die Pilotstudieweist somit einen eher explorativen als konfirmatorischen Charakter auf.

Für verkehrsrelevante Planungen und Maßnahmen öffentlicher sowie privater Akteure istdas Verständnis individueller Mobilitätsgewohnheiten wie der rhythmischen Muster eine

1 ‚Mobiplan – Eigene Mobilität verstehen und planen – Langfristige Entscheidungen und ihreWirkung auf die Alltagsmobilität‘ - ebenfalls gefördert im Rahmen der Initiative ‚Mobilität undVerkehr besser verstehen‘ des BMBF und durchgeführt von ISB (RWTH Aachen), IVT (ETHZürich), PTV AG (Karlsruhe) sowie dem Institut für Soziologie der Universität Karlsruhe.

Simulation

2 Problemstellung und Projektziel


essentielle Entscheidungsgrundlage. Die Kenntnis von Elastizität und Variabilität derVerkehrsnachfrage ist dementsprechend von grundlegender Bedeutung u.a. für dieGestaltung des Verkehrsangebotes und die Entwicklung des Zukunftsmarktes Verkehrs-telematik.

Bisherige Untersuchungen zu diesen Themen betrachten im allgemeinen Mobilitäts-verhalten von Personen an Zeitquerschnitten, d.h. an einem oder zwei Stichtagen. Derindividuelle zeitliche Aspekt des Aktivitäten- und Verkehrsverhaltens wird darin jedoch nursehr eingeschränkt sichtbar.

Selbst bei der Betrachtung einer ganzen Woche (wie z.B. im deutschen Mobilitätspanel)ergeben sich Einschränkungen, da Wiederholungen von wöchentlichen Aktivitäten oderdie zeitlichen Profile im Wochenverlauf nicht identifiziert bzw. auf ihre Stabilität überprüftwerden können.

Die Identifikation der rhythmischen Komponenten und deren Einflussgrößen bezieht sichdeshalb innerhalb des Projektes Mobidrive zum einen auf die

• aggregierte, systembezogene Ebene (deskriptiv)

und zum anderen auf die

• disaggregierte, individuelle Ebene (deskriptiv und kausal).

Da der Identifizierung der Rhythmen auf individueller Ebene bisher die unzureichendeVerfügbarkeit von Langzeitbeobachtungen entgegenstand, wurde die Durchführung einerneuen Erhebung notwendig, die die Hauptstudie innerhalb des Projektes darstellt. Mit dersechswöchigen Haushalts- und Personenbefragung steht damit nun ein einzigartiger undaktueller deutscher Datensatz zum langfristigen Verkehrsverhalten zur Verfügung. DieserDatensatz eröffnet – aufgrund seines longitudinalen Charakters – die Möglichkeit, nebendem Einsatz bewährter Analysemethoden der Verkehrsforschung, erstmals auchMethoden aus anderen Forschungsbereichen zu übertragen und anzuwenden.

Der Schwerpunkt der Arbeiten im Rahmen der „Pilotstudie Rhythmik“ liegt damit auf derAnalyse der Rhythmen auf der Haushalts- und Personenebene. Dennoch ist die Kenntnisder Rhythmen auch auf der Systemebene für die im Gesamtprojekt Mobidrive angestrebteModellierung/Simulation zeitlicher Aspekte des Verkehrsverhaltens (Rhythmik, Routinen,Zeitplanung und Dynamik) von Bedeutung.

Dieser Abschlussbericht gibt einen Überblick über die im einzelnen erzielten Ergebnisse.Als Basis werden in Kapitel 2 und 3 die aktuellen Wissensstände bezüglich der beidenBetrachtungsebenen vorgestellt.

Im 2. Kapitel werden die Verkehrsstärkenverläufe auf Streckenabschnitten (an Quer-schnitten) analysiert. Dazu wird der Begriff „Systemebene“ verwendet. Ausgewertetwerden relevante Arbeiten zu zeitlichen Verläufen von Verkehrsbelastungen (teilweiseüber mehrere aufeinanderfolgende Jahre).

Problemstellung und Projektziel 3


Die Analyse von Rhythmen im Aktivitäten-/Verkehrsverhalten von Individuen in ver-schiedenen Aggregationsstufen (Einzelperson, Haushalt, Personengruppe, Bevölkerungs-teil) ist Gegenstand des Kapitels 3.

Im 4. Kapitel erfolgt die Darstellung der Analysen auf aggregierter Ebene. Hier werden dieErgebnisse von Querschnitten im IV und ÖV, sowie die Analyse der kontinuierlichenErhebung zum Verkehrsverhalten (KONTIV 1989) präsentiert.

Die Hauptstudie ist Gegenstand des folgenden Kapitels 5. Im Anschluss an die Be-schreibung der Erhebungsdurchführung folgen deskriptive Auswertungen des erhobenenVerkehrsverhaltens, wobei insbesondere das Verhalten von Personen unterschiedlichersoziodemographischer Ausprägungen verglichen wird. Es folgen Untersuchungen zurStabilität und Variabilität des Verkehrsverhaltens anhand von Ähnlichkeitsanalysen undSequenzausrichtungsverfahren, die die Unterschiede in den Tagesabläufen der Befragtenund deren Zeitbudgets herausarbeiten. Die dabei auftretende "Tag zu Tag"-Variabilitätwird u.a. als Hypothesengrundlage für die Anwendung der "Structural equation Modells"genutzt. Als innovativer Ansatz, die Rhythmen des Verkehrsverhaltens aufzudecken,werden Hazard-Modelle geschätzt, die im Mittelpunkt der Überlebenszeitanalyse (SurvivalAnalysis) stehen. Hazard-Modelle finden überall dort Verwendung, wo der Zeitpunkt desEintritts eines bestimmten Ereignisses - hier die Aufnahme einer Aktivität - prognostiziertwerden soll. Die Untersuchungen zu den zeitlichen Strukturen der Aktivitätenplanungwerden durch Zeitreihenanalysen abgeschlossen. Die Geokodierung der Wegedaten botdarüber hinaus die Möglichkeit auch die räumlichen Strukturen des Verkehrsverhaltens zuanalysieren - diese Methoden und Ergebnisse werden im Anschluss präsentiert. DenAbschluss der Analysen bildet die Faktorenanalyse der Zusatzerhebung zu denWerteeinstellungen und Einstellungen der Befragten gegenüber diversen Verkehrsmitteln.

Stand des Wissens und der Technik über die rhythmischen Muster derVerkehrsteilnahme auf Systemebene 5


2 Stand des Wissens und der Technik über dierhythmischen Muster der Verkehrsteilnahme aufSystemebene

2.1 Einleitung

Die Beobachtung und Analyse von zeitlichen Veränderungen des Verkehrsaufkommensauf der Systemebene ist seit vielen Jahren fester Bestandteil der Verkehrswissenschaft.Dabei steht die Auswertung der an Dauerzählstellen gewonnenen Daten im Mittelpunktdes Interesses.

Untersucht werden die Tages-, Wochen- und Jahresverläufe der Verkehrsstärken an denZählstellen in Bezug auf die Belastungsschwankungen, z. B. zur Gewinnung von Hoch-rechungsfaktoren für die Bestimmung durchschnittlicher täglicher Verkehrsstärken (DTV)oder der maßgebenden stündlichen Verkehrsstärke (MSV) aus Kurzzeitzählungen(Schmidt und Thomas, 1996). Durch die Darstellung der Daten in Ganglinien lassen sichtrendmäßige Veränderungen, regelmäßige Schwankungen und somit bei geeigneter Wahlvon Betrachtungsgrößen und Zeitbereichen Rhythmen erkennen. Durch den Bezug aufJahreszeiten, spezielle Tage wie z.B. Feiertage oder die Zuordnung zu Sonderereignissenwie z.B. Großveranstaltungen oder Baustellen, lassen sich spezielle Verläufe (Ab-weichungen) erklären. Untersuchungen zum zeitlichen Verlauf von Zählwerten könnensomit der Analyse von Langzeitveränderungen dienen und dazu beitragen, Frage-stellungen nach der Beurteilung der Repräsentanz von zeitlichen Stichproben zubeantworten. Hieraus können evtl. notwendige Normierungs- oder Umrechnungsfaktorenfür planungsrelevante Bemessungswerte abgeleitet werden (Regniet und Schmidt, 1992).

Die Darstellungen der Daten in der Form von Ganglinien lässt darüber hinaus eine ersteBeschreibung von Periodiken, Rhythmen und deren Veränderungen zu. So werden ineinigen Berichten (z.B. Bundesanstalt für Straßenwesen: jährliche Berichte zur Verkehrs-entwicklung) die erkennbaren Phänomene wie z.B. saisonale Schwankungen beschriebenoder Veränderungen von beobachtbaren Mustern dargestellt (Regniet und Schmidt,1992). Andere Fragen aber, wie z.B. die Veränderung der Wochen-, Monats- oder Jahres-muster bleiben offen. Eine vertiefende Analyse der Rhythmen des Verkehrsaufkommensauf der Systemebene über längere Zeiträume in den jeweiligen Zeitbereichen ist nichtGegenstand dieser Forschungen.

Aufgrund vorhandener oder gesellschaftlich vereinbarter Zeitstrukturen und Zeit-ordnungen, wie

- der Biorhythmen der Menschen,

- natürlicher Zeitstrukturen und zeitlicher Abläufe (Tag-, Nacht-, Jahreszeit), sowie

- gesellschaftlicher und kultureller Zeitordnungen (z.B. Schul- oder Arbeitszeit),

Stand des Wissens und der Technik über die rhythmischen Muster der6 Verkehrsteilnahme auf Systemebene


und der damit verbundenen Einflüsse auf das Verhalten von Menschen sind auch auf derSystemebene (der beobachtbaren Aggregation von Einzelverhalten) in der Betrachtungdes Verkehrsaufkommens und zeitlichen Verlaufes an Zählstellen die verschiedenenMuster und Rhythmen erkennbar. Vor dem Hintergrund dieser Zeitstrukturen erscheint dieWahl der Einheiten Tag (bei Sonderereignissen u.U. Stunden oder Stundengruppen),Woche, (Monat,) Jahr und die Reihung dieser Einheiten über Zeiträume der nächst-längeren Einheit als Beobachtungszeitbereiche für die Analyse der Rhythmen im Ver-kehrsaufkommen sinnvoll.

Der Schwerpunkt in diesem Teil der Arbeit liegt auf der Zusammenstellung derErgebnisse zu Untersuchungen der rhythmischen Muster auf der Systemebene. Hiermitist die Betrachtung von Zählwerten an Querschnitten im Verkehrsnetz gemeint. VonInteresse sind dabei Beschreibungen und wo möglich Erklärungen der Rhythmen undderen mögliche Veränderungen über die Zeit sowie potentielle Einflüsse externer Größen.Sind Rhythmen gefunden und erklärbar, so können die später im Gesamtprojektmodellierten/simulierten Verhaltensregelmäßigkeiten, -rhythmen aus der disaggregiertenEbene auf Plausibilität überprüft werden. Hierbei ist natürlich zu beachten, dass auf derSystemebene unter Umständen andere Rhythmen (Frequenzen etc.) als auf derPersonen- und Haushaltsebene beobachtet werden.

Auf der Ebene des Verkehrsverhaltens von Personen und Haushalten werden mit großerWahrscheinlichkeit keine ähnlich langen Zeitreihen wie auf der Systemebene zum Ver-kehrsverhalten erhebbar sein. Dies ist begründet in den Grenzen der Mitarbeit und Zumut-barkeit von Erhebungsdauern und –inhalten. Ziel ist es daher, über die Beschreibunglängerfristiger Phänomene (Monat, Jahr, mehrere Jahre) auf der Systemebene und einenherzustellenden Bezug zwischen Systemebene und Haushaltsebene, Grundlagen für dieModellierung von Rhythmen auf der Personen-/Haushaltsebene zu schaffen. Dies wirdallerdings erst in der Aufweitung der Pilotstudie zum Gesamtprojekt Mobidrive vertieftuntersucht, um die einzelnen Aspekt Rhythmik, Routinen, Dynamik und Zeitplanung ineine mögliche Simulation einzubinden. Die Auswertung bisheriger Arbeiten überRhythmen auf der Personen- und Haushaltsebene wird in Kapitel 3 vorgenommen.

2.2 Beobachtungsintervall

An dieser Stelle sei auf die Bedeutung der Auswahl der Beobachtungsintervallehingewiesen. Die Wahl des Intervalls ist zunächst abhängig von den Möglichkeiten dereingesetzten Zählgeräte, Beobachtungs- oder Erhebungsmethoden. Daten zu Verkehrs-stärken an Straßenquerschnitten können mit den heutzutage einsetzbaren Gerätenminütlich erhoben werden. Bei Befragungen sind eher nur Genauigkeiten von 5 Minutenoder sogar 15 Minuten (bevorzugtes Intervall bei Zeitangaben durch den Befragten)erreichbar.

In Abb. 1 sind zwei unterschiedliche Gangliniendarstellungen für eine Woche abgebildet.Hier wird erkennbar, wie wichtig das Zusammenspiel zwischen dem gewählten Zeit-bereich der Beobachtung (1 Woche) und den dargestellten Beobachtungsintervallen ist. InAbhängigkeit von der Auswahl werden Rhythmen in unterschiedlichen Zeitbereichen



erkennbar. Die Darstellung der stündlichen Verkehrsstärken im Wochenverlauf in Abb. 1oben (BASt, 1996), lässt deutlich einen Tagesrhythmus erkennen: fünf Tage ein ähnlichesMuster mit morgendlicher und nachmittäglicher Spitze, darauf folgend zwei Tage miteinem ähnlichen Muster einer einzelnen gemäßigten Spitze. Betrachtet man Abb. 1 unten,so sind wiederum diese sieben Tage abgebildet, allerdings wurden hier die Tageswerte imWochenverlauf aufgetragen (hier in Prozentanteilen des Wochenverkehrs). Jede Gang-linie entspricht dabei einem bestimmten „Typ“ von Ganglinie, abgebildet sind sechsverschiedene Typen mit unterschiedlichen Lagecharakteristika. Eine Rhythmik ist hiernicht zu erkennen. Diese, so kann vermutet werden, würde bei Verlängerung desbetrachteten Zeitbereiches auf mehrere aufeinanderfolgende Wochen, erkennbar (in denjeweiligen Ganglinientypen).

A: Deutliches Minimum am WochenendeB: Minimum am WochenendeC: Weitgehend ausgeglichene GanglinieD: Am Wochenende stärker, Maximum FreitagsE: Sonntags deutliche Spitze

F: Sonntags extreme Spitze, samstags deutlich stärkerer Verkehr als Montags bis Freitags

6

Abb. 1: Darstellung zweier Wochenganglinien. Unten der Anteil des Tageswertes amKfz-Wochenverkehr für die unterschiedlichen Ganglinientypen, oben die mittlereTagesganglinie der stündlichen Kfz-Verkehrsstärken einer ausgewähltenZählstelle (Quelle: BASt 1996)



2.3 Zeitbereich

Rhythmen im Verkehrsverhalten (-aufkommen) können in verschiedenen Zeitbereichenbeobachtet werden. So beeinflussen einerseits übergeordnete biologische wie auchastronomische Rhythmen, wie z.B. Wechsel der Jahreszeiten oder Tages- undNachtwechsel das menschliche Verhalten und somit die beobachtbaren Phänomene.Andererseits wird das individuelle Verhalten durch gesellschaftliche und sozialeRhythmen wie z.B. Ferien oder Geschäftsöffnungszeiten geprägt. Sehr eindrucksvoll sinddiese Einflüsse im Bereich der Systemebene anhand der Darstellung der Belastungen alsTages-, Wochen und Jahresganglinien erkennbar. Gängige deskriptive Auswertungenbeziehen sich daher auch auf die Zeitbereiche Tag, Woche und Jahr, da diese Einflüssedominieren. Die Auswertungen im Rahmen des Projektes Mobidrive beziehen sich auchauf diese Zeitbereiche. Zusätzlich wird jedoch versucht, jeweils über eine Analyse vonFolgen dieser Zeitabschnitte eventuelle Veränderungen von Rhythmen auf derSystemebene (über die entsprechenden Ganglinien) zu beschreiben.

Tagesrhythmus

Innerhalb dieses Projektes wird von Tagesrhythmus gesprochen, wenn die Tagesverläufeüber den Wochenverlauf betrachtet werden. Betrachtet man den einzelnen Tag oder dieeinzelnen Typen von Tagesganglinien (zur Typisierung siehe Heidemann, D. und P.Wimber, 1982), so kann nicht von einer Rhythmik gesprochen werden, da das konstitutiveElement der „Wiederkehr“ fehlt. Die Beschreibungen (Typisierungen) von Tagesganglinienstellen daher eher eine Musterbeschreibung dar. Bei der Betrachtung darf allerdings nichtvergessen werden, dass die verursachenden Größen die Aktivitäten bzw. dasVerkehrsverhalten sind. Morgen- und Nachmittagspitze haben somit unterschiedlicheUrsachen. Erst die Wiederholung der Morgenspitze am nächsten Tag kann als Rhythmusbezeichnet werden. Beschreibende Größen der rhythmischen Phänomene, wie z.B.Ereigniszahlen (Frequenzen), können erst bei der Betrachtung mehrerer Tage in Folgeangegeben werden.

Sehr deutlich sind diese Tagesrhythmen im Wochenmuster zu erkennen (siehe Abb. 1).Beispiele hierzu finden sich in Heidemann, D. und P. Wimber (1982) oder Regniet, G. undG. Schmidt (1992). So wiederholen sich bei der Betrachtung der stündlichen Verkehrs-stärken über die Woche die Tagesmuster von Montag bis Freitag, wobei der Freitaginsbesondere nachmittags und abends eine Sonderstellung einnimmt. Für Samstag undSonntag sind Änderungen deutlich zu erkennen.

Wochenrhythmus

In der Darstellung der Tageswerte am Kfz-Wochenverkehr ist zunächst keine Rhythmik zuerkennen (vgl. Abb. 1 unten). Hier müssten erst wieder mehrere dieser Ganglinien inFolge betrachtet werden, um eine Rhythmik (Wochenrhythmus) zu erkennen. In mehrerenArbeiten zur Analyse des Verkehrsverhaltens auf der Ebene von Personen undHaushalten wird aber gerade auf die Woche als Organisationseinheit hingewiesen (sieheKapitel 3). Auch nach Koch und Dollase (in Dollase, 1999) ist der Sieben-Tage-Wochenplan die vorherrschende gedankliche Strukturierung der Zeit. Dies ist vermutlichauf die kulturell tradierte, der christlich-abendländischen Lehre entstammende 7



Tagesrhythmik zurückzuführen. Aber auch die Vertrautheit mit dem Stundenplan, der inunserem Kulturkreis seit Beginn der Schulzeit den Menschen begleitet und die sozialenund gesellschaftlichen Zeitordnungen wie z.B. die Unterteilung der Woche in Arbeitstageund Wochenende haben großen Einfluss auf die Strukturierung der Zeit. Im Rahmen derPilotstudie werden daher vertieft Wochenrhythmen untersucht. Auf der Systemebenewerden daher für ausgewählte Zählstellen entsprechende Zeitreihen dargestellt undbeschrieben.

Monatsrhythmus

Der Betrachtung der kalendarischen Einheit „Monat“ ist bisher kaum Bedeutung in denAuswertungen der Ganglinien zugemessen worden. Wohl auf der einen Seite aufgrundder überdeutlichen Struktur der Woche als Organisationseinheit und der Woche alsüberschaubare Planungseinheit von Personen/Haushalten, auf der anderen Seite dendeutlichen Tagesrhythmen sind auf den ersten Blick kaum Rhythmen mit Monatsbezug zuerkennen (siehe z.B. Herz, 1980). Monate können aber vielleicht als „Zwischeneinheiten“der Versorgung und Freizeit im Bereich der Rhythmik Bedeutung erlangen. Aus diesemGrunde wird im Projekt Mobidrive dieser Zeitbereich auf der Personen/Haushaltsebeneeiner gesonderten Analyse unterzogen.

Jahresrhythmus

Üblicherweise ist die nächste betrachtete größere Einheit das Jahr. Hier sind aus denJahresganglinien wiederum Muster zu erkennen. Zumindest saisonale Schwankungensind mehr oder weniger gut ausgeprägt. Werden hier analog zur Tages- undWochenbetrachtung aufeinanderfolgende Jahre betrachtet, könnten evtl. vorhandeneJahresrhythmen erkannt werden. Allerdings fehlen in den üblichen Auswertungen wie z.B.Regniet und Schmidt (1992) die Darstellungen und Beschreibungen der Jahresganglinienüber mehrere Jahre. Regniet und Schmidt (1992) stellen aber zumindest Veränderungenvon Ganglinien über zwanzig Jahre dar. Eine Analyse der Rhythmen über diesen Zeit-raum fehlt jedoch, die Arbeiten fokussieren stark auf den Vergleich der Tagesganglinienfür 1970, 1980 und 1990. So ist aus den dargestellten Jahresganglinien (siehe Abb. 2)neben den erkennbaren Wochenrhythmen in der Überlagerung einer vermutbarenMonatsrhythmik eine Jahresrhythmik nur zu vermuten, ebenso wie aus den Abbildungender Zeitreihen der Monatsmittelwerte (siehe Abb. 3). Eine detaillierte Auswertung derDaten in Bezug auf Rhythmen ist nicht Bestandteil dieser Arbeiten gewesen. Diese Lückezu überbrücken wird in Kapitel 4 versucht. Ziel ist es die Daten ausgewählter Zählstellenüber zehn Jahre auszuwerten.



15000-Kfz/24h

12500-

5000-

2500-

0-Sonntag

Schulferien in NRW 1990

7500-

10000-

Neu

jahr

Kar

neva

l

Ost

ern

1. M

ai

Him

mel

fahr

t

Pfin

gste

n

Fron

leic

hnam

17. J

uni

3. O

ktob

er

Alle

rhei

ligen

Buß

- u.

Bet

tag

Wei

hnac

hten

DTV= 4905

Kf z

7. 14. 21. 28. 4. 11. 18. 25. 4. 11. 18. 25. 1. 8. 15. 22. 29. 6. 13. 20. 27. 3. 10. 17. 24. 1. 8. 15. 22. 29. 5. 12. 19. 26. 2. 9. 16. 23. 30. 7. 14. 21. 28. 4. 11. 18. 25. 2. 9. 16. 23. 30.

Abb. 2: Jahresganglinien der täglichen Kfz-Verkehrsstärken - Gesamtquerschnitt 1990der Zählstelle Heimbach. (Quelle: Regniet und Schmidt, 1992)

Zu beachten ist hier, dass die räumliche Lage der Zählstelle einen hohen Einfluss auf dieAusprägung der Ganglinien hat. So liegt die Zählstelle Heimbach in einer Ausflugsregion,woraus sich die starken Wochenendspitzen und der generelle Anstieg in den Sommer-monaten ableiten.



Abb. 3: Jahresganglinien der Monatsmittelwerte des Kfz-Verkehrs 1990 ausgewählterZählstellen und mittlere Ganglinien des Gesamtnetzes je Straßenklasse in NRW.(Quelle: Regniet und Schmidt, 1992)



2.4 Methoden zur Auswertung von Zeitreihen auf System-ebene

Zeitreihenanalysen werden zur Analyse von Wertverläufen, die Einflüssen über einengewissen zeitlichen Bereich ausgesetzt sind, herangezogen. Ziel ist dabei die Entdeckungvon Regelmäßigkeiten der Vergangenheit, von denen begründet zu vermuten ist, dass siesich in die Zukunft in Form von Trends extrapolieren oder als periodisch wiederkehrendeMuster übertragen lassen.

Als Zeitreihen (ZR) bezeichnet man dabei eine (zeitlich) geordnete Folge vonBeobachtungen einer Größe, d.h. für jeden Zeitpunkt t einer Menge T von Beobachtungs-zeitpunkten liegt dabei genau eine Beobachtung vor. I.d.R. ist bei Zeitreihen die sogenannte Parametermenge T eine endliche, diskrete Menge von gleichabständigen Zeit-punkten, die durchnummeriert werden können (T={1,2,3,...,N}).

Für das Gebiet der Zeitreihenanalyse ist die Dualität zweier Betrachtungsweisencharakteristisch. Zum einen kann eine Zeitreihe – bzw. ein stochastischer Prozess – imZeitbereich untersucht werden, d.h. als Folge von Zahlen bzw. Zufallsvariablen. Zumanderen existiert eine äquivalente Darstellung im Frequenzbereich, d.h. eine Darstellungals Überlagerung deterministischer oder stochastischer Schwingungen mit verschiedenenFrequenzen.

Zeitreihenanalyse

Zeitbereich Frequenzbereich

Klassischer Ansatz KomponentenModelle

Fourieranalyse

Stochastischer Ansatz StochastischeProzesse

Spektralanalyse

Abb. 4: Betrachtungsweisen der Zeitreihenanalyse

Im Zeitbereich kann die Analyse von Zeitreihen mit zwei unterschiedlichen methodischenAnsätzen erfolgen. Der historisch ältere Ansatz ist die Zerlegung in die Komponenten

Trend (langfristige systematische Veränderung des mittleren Niveaus der ZR),

Konjunktur (mehrjährige, nicht notwendig regelmäßige Schwankungen),

Saison (jahreszeitlich bedingte Schwankungskomponente, die sich relativ unverändertjedes Jahr wiederholt) und

Restkomponente (Zusammenfassung von nicht zu erklärenden Einflüssen oderStörungen).



Der zweite Betrachtungsansatz fasst eine ZR als Realisation eines stochastischenProzesses auf. Die Beobachtungswerte unterliegen i. d. R. zufälligen Schwankungen, diesich durch Glättungsverfahren korrigieren lassen. Dadurch sind Regelmäßigkeiten bessererkennbar und extrapolierbar. Für Prognosezwecke sind insbesondere autoregressiveGlättungsverfahren mit Hilfe sog. ARIMA (Autoregressive-Integrierte-Moving-Average)Modelle geeignet. Modellierung bedeutet hier also die Formulierung und Anpassung einesstochastischen Modells. Dabei wird eine ZR durch Rückgriff auf zurückliegende Werte(AR = AutoRegression) und gleitende Mittelwertbildung (MA = Moving Average) in dieZukunft fortgeschrieben. Instationäre Zeitreihen müssen dabei zuvor durchDifferenzenbildung in (schwach)stationäre Zeitreihen überführt werden (I = Integriert).Eine ZR wird als (schwach) stationär bezeichnet, wenn sich im Reihenverlauf derErwartungswert und die Varianz nicht ändern. Die Differenzenbildung kann folglich auchzur Trendbereinigung genutzt werden, da die Reihe der Differenzen zweier aufeinander-folgender Werte oftmals keinen Trend mehr besitzt. Saisonale Schwankungen stellen sichin der Differenzenreihe dann als periodische Schwankungen dar.

Als wichtiger stationärer Prozess ist das sog. "weiße Rauschen" zu nennen (white-noiseProzess), bei dem die Reihenwerte voneinander unabhängig sind und mit gleicherWahrscheinlichkeit jeden Wert zwischen -σ² und +σ² (mit Mittelwert 0 und Varianz σ²)annehmen. Der White-noise Prozess ist Bestandteil eines jeden Modells und alle ARIMA-Prozesse können durch geeignete Filterung des Trends und der saisonalen Bestandteilevon White-noise entstehen.

Die Modellierung von Zeitreihen durch ARIMA-Prozesse durchläuft nach dem Box-Jenkins-Ansatz die folgenden drei Schritte:

• Modell-Spezifikation, d.h. Bestimmung der Ordnung der Prozesse (MA-Prozesse derOrdnung q, AR-Prozesse der Ordnung p)

• Modell-Schätzung, d.h. Schätzung der Parameter des Prozesses bei vorgegebenerModellordnung

• Modell-Diagnose, d.h. Überprüfung der Gültigkeit des angepassten Modells.

Wichtigste Hilfsmittel zur Bestimmung von ARIMA-Modellen sind dabei verschiedenegrafische Darstellungen. Der erste Schritt zur Analyse und gleichzeitig die einfachsteMöglichkeit der grafischen Darstellung einer ZR ist das Sequenzdiagramm. Auf dieserGrundlage können häufig die ersten Hypothesen über Charakteristika formuliert werden.

Da in der Zeitreihenanalyse i. d. R. davon auszugehen ist, dass vorangehende Werteeinen Einfluss auf die Folgewerte haben, wird im zweiten Schritt das Korrelogramm(Graph der Autokorrelationsfunktion - ACF), das wesentliche Informationen über zeitlicheAbhängigkeiten in der beobachteten ZR gibt, hinzugezogen. Die darin abgebildeten Kor-relationskoeffizienten geben den Zusammenhang zwischen der eigentlichen Zeitreihe undeiner um einen oder mehrere Zeitpunkte verschobenen Kopie wieder. Dieser "Versatz",um den die ZR gegen sich selbst verschoben wird, wird auch als "lag" bezeichnet. Nimmtdie Autokorrelationsfunktion hohe Werte an, kann auf eine besonders hohe Abhängigkeitim Rhythmus geschlossen werden. Vor der unkritischen Verwendung der angegebenenMaßzahlen sei hier allerdings gewarnt, da Ausreißer einen starken Einfluss ausüben



können. Das Gleiche gilt ebenfalls für die partielle Autokorrelationsfunktion, die neben derAutokorrelationsfunktion auch zur Spezifikation der Modelle herangezogen wird(Schlittgen et al., 1999).

Die Schätzung der angepassten ARIMA-Modelle erfolgt durch die Maximum-Likelihood-Methode, die neben der exakten und bedingten Kleinste-Quadrate Schätzung in dengängigen Programmpaketen enthalten ist.

Zur Diagnose stehen neben diagnostischen Tests auch sogenannte „semiautomatische“Modellselektionen zur Verfügung, die aus mehreren geschätzten Modellen das Modellauswählen, das ein oder mehrere vorgegebene Gütekriterien optimiert.

Zu den diagnostischen Tests gehört zum Beispiel die modifizierte Box-Pierce Statistik, diedie Gültigkeit des Modells testet. Zu den Kriterien der Modellselektion gehören u.a.Akaike’s Informationskriterium (AIC) und ähnlich aufgebaute Kriterien wie das BayesianInformation Kriterium (BIC) – wobei das Modell auszuwählen ist, für welches das ver-wendete Kriterium minimal wird (Schlittgen et al. 1999).

Im Frequenzbereich entspricht die Untersuchung von Zeitreihen einer Darstellung alsÜberlagerung harmonischer Schwingungen von verschiedenen Frequenzen.

Zur direkten Betrachtung der Zeitreihe im Frequenzbereich muss die Zeitreihe durch eineFourieranalyse / harmonische Analyse in Frequenzkomponenten zerlegt werden. DieMethode zur Darstellung stochastischer Prozesse im Frequenzbereich wird Spektral-analyse genannt.

Mit der Fourieranalyse werden aus einer Zeitreihe unter Anwendung der Fouriertrans-formation Zyklen extrahiert. Dies geschieht in Form einer Fourierreihe als Summe vonsinus- bzw. kosinusförmigen Teilschwingungen. Diese Fourierreihe (harmonischeAnalyse) hat die Eigenschaft, dass ihre Varianz gleich der Summe der Einzelvarianzenihrer Schwingungskomponenten ist. Die Varianzen der Einzelamplituden geben dabei an,wie groß die Schwingungskomponente an der Prozessvarianz ist, was man auch als"Stärke" der Schwingungskomponente bezeichnet (Schlittgen et al. 1999).

Im Gegensatz zur harmonischen Analyse, die auf einem deterministischen Grundprozess(dessen Parameter feste Größen sind) basiert, unterstellt man bei der Spektralanalyseeinen stochastischen Grundprozess mit zeitinvariantem Wahrscheinlichkeitsverhalten. Dadie Zeitreihe als zufällige Realisation einer wahren Zeitreihe betrachtet wird, sind auch dieeinzelnen Komponenten und Parameter (zu denen auch die Amplitude, Frequenz undPhase gehören) als Zufallsgrößen aufzufassen.

Um den Einfluss der Schwingungen am Gesamtprozess differenziert analysieren zukönnen, muss die Autokovarianzfunktion aus dem Zeitbereich in den Frequenzbereichtransformiert werden, woraus das Spektrum des Grundprozesses resultiert. Um Zeitreihenunterschiedlicher Dimensionen miteinander vergleichen zu können, müssen die Spektren,mittels Division durch die Varianz, normiert werden. Dieses normierte Spektrum ist dieFouriertransformierte der Autokorrelationsfunktion und kann gleichzeitig auch als Wahr-scheinlichkeitsdichte verstanden werden.



Analyseverfahren im Zeitbereich und Analyseverfahren im Frequenzbereich dürfen nichtals konkurrierende Verfahren aufgefasst werden sondern als sich ergänzende Methodeneinen Prozess zu untersuchen. In den durchgeführten Untersuchungen wurden wegen derleichteren Handhabbarkeit vorwiegend saisonale ARIMA-Modelle verwandt, auf derenspezielle Identifikation in Kapitel 4 besonders eingegangen wird.

2.5 Studien mit Bezug zu Zeitreihen (Rhythmik) der Ver-kehrsteilnahme auf Systemebene

In der Literatur gibt es nur vereinzelt Hinweise auf das Thema: „Rhythmen derVerkehrsteilnahme auf der Systemebene“. In einigen Arbeiten werden Zeitreihen vonMesswerten dargestellt und beschrieben, siehe hierzu z.B. Nierhoff, G. et al (1999),Heidemann, D. und P. Wimber (1982) oder Regniet, G. und G. Schmidt (1992). Einegezielte Analyse in Bezug auf Rhythmen ist nicht zu finden.

Allen hier aufgeführten Arbeiten ist gemeinsam, dass Zähl- oder Messdaten längererZeiträume für bestimmte Streckenabschnitte von Straßennetzen (Querschnitten) undhauptsächlich für den motorisierten Individualverkehr ausgewertet wurden. Die Daten,meistens erhoben von automatischen Zählgeräten liefern ein zeitlich umfassendes Bildder Verkehrsmengen je Zeiteinheit während aller Tage des Jahres und über Jahre.Gegenüber Kurzzeitzählungen, meist manuellen Zählungen oder stichprobenartigenErhebungen, lassen erst solche permanenten Zählungen detaillierte Analysen vonzeitlichen Verläufen und Langzeitänderungen zu. Hierbei ist zu berücksichtigen, dass essich bei den ausgewerteten Daten stets um „bereinigte“ Daten handelt. Fehler oderUnregelmäßigkeiten, die auf Gerätestörungen, Veränderungen im Verkehrsablauf,straßenbautechnische Eingriffe, Veränderungen im Verkehrsablauf durch Sonder-ereignisse oder durch Störungen aufgrund von Verkehrsunfällen zurückzuführen sind,werden mittels spezieller Verfahren überprüft, bereinigt oder ergänzt. So entsteht nacheiner abschließenden visuellen Kontrolle ein lückenloses und plausibles Datengefüge.

2.5.1 Typisierung von Verkehrsstärkeganglinien

In den Arbeiten von Heidemann, D. und P. Wimber (1982) zur Typisierung vonVerkehrsstärkeganglinien (Tag, Woche und Jahr) durch clusteranalytische Verfahren sindzwar keine Hinweise auf Rhythmen zu finden, aber durch die Typisierung ist dieGrundlage geschaffen, die Variabilität des Verkehrsaufkommens in ihren wesentlichenAusprägungen zu verdeutlichen. Die in den Berichten zu Straßenverkehrszählungen (z.B.Blonien, P., D. Heidemann und P. Wimber, 1982) und in der Fortführung dieser Reihe,den Berichten zur Verkehrsentwicklung auf Bundesfernstrassen (z.B. Nierhoff, G. et al,1999), dargestellten Ganglinien bieten ein Höchstmaß an Genauigkeit (siehe Abb. 5).Aufgrund der Vielfalt der Ausprägungen der Ganglinien geht allerdings dieÜbersichtlichkeit, Vergleichbarkeit und Charakteristik verloren. Die Typisierung ist hier einwichtige Hilfsmittel. Mit Hilfe der normierten Ganglinien lassen sich über mehrere Jahrehinweg Vergleiche für Regionen oder Streckenzüge erarbeiten oder bei Betrachtung



mehrerer Jahre Veränderungen darstellen. In der Arbeit werden die Tages-, Wochen-,und Jahresganglinien typisiert, jeweils in die Typen A-F (siehe Abb. 5). DieTagesganglinien werden darüber hinaus unterteilt für Montag, Dienstag - Donnerstag,Freitag, Samstag und Sonntag betrachtet. Die Tagestypen gehen ursprünglich auf dieEinteilung von Marklein, K. (1978) zurück und betrachten i.d.R. die Fahrtrichtungengetrennt.

Bei der Analyse der Rhythmen sollten diese Typen zumindest Berücksichtigung finden.Die Gültigkeit dieser Typen muss jedoch aufgrund des Alters und der zwischenzeitlich invielen Lebensbereichen erfolgten strukturellen Änderungen eventuell überprüft werden.So haben sich unter anderem Arbeitsstrukturen (Arbeitszeiten, Gleitzeit, Verlagerung inden Dienstleistungssektor, ...), Zeitstrukturen (z.B. Geschäftsöffnungszeiten),Altersstrukturen und auch Angebotsstrukturen (z. B. Verbesserung des ÖV´s) usw. in denletzten Jahren stark verändert. Auch durch die zunehmende „Ausdifferenzierung“ derAktivitätenausübung, z.B. aufgrund der Vielfalt der Angebote im Bereich Freizeit, sind dieGanglinien Veränderungen unterworfen.

A: Ausgeprägte MorgenspitzeB: Überwiegende Morgenspitze, nachmittags ansteigende VerkehrsstärkeC: geringe Morgen- und NachmittagsspitzeD: Konstante Verkehrstärke tagsüberE: Erstes Ansteigen der Verkehrstärke morgens, dann weiter wachsend bis zur NachmittagsspitzeF:Über den Tag ansteigende Verkehsstärke bis zum sehr ausgeprägten Maximum am Nachmittag

Abb. 5: Typisierte Ganglinien des Anteils des Stundenwertes am Kfz-Tagesverkehr/Di bisDo (Quelle: Heidemann, D. und P. Wimber, 1982)

Da der Bildung der Typen jeweils Jahresauswertungen zugrunde liegen, die nun mehr alszwanzig Jahre alt sind (Tagestypen aus 1977, Wochentypen aus 1979 und Jahrestypenaus 1980), sollte zumindest an eine Überprüfung, evtl. Erneuerung gedacht werden. Beieinem solchen Zeitraum ist es zudem möglich, dass verbesserte oder neue methodischeVerfahren zur Verfügung stehen. Zudem sollte aufgrund der zunehmendenFreizeitverkehre auch die Typisierung für Ganglinien in entsprechenden Zeitbereichenuntersucht werden. Bisher werden 8 Wochen in einem sogenannten Normalzeitbereichmit „normalen verkehrlichen Gegebenheiten“ zugrundegelegt.



2.5.2 Verkehrsentwicklung auf Bundesfernstraßen

Das Zählstellennetz der automatischen Zählstellen auf Bundesfernstraßen in derBundesrepublik Deutschland umfasst mittlerweile rund 1100 Zählstellen. Die Zählstellenverteilen sich zu ~40% auf Autobahnen, zu ~45% auf Bundesstraßen, zu ~13% aufLandes- bzw. Stadtstraßen und zu ~2% auf Kreis- bzw. Gemeindestraßen. Der Aufbaudieses Zählstellennetzes begann im Jahre 1973 und die ersten Auswertungen liegen fürdas Jahr 1975 vor. Ab diesem Zeitpunkt erscheinen jährlich die Auswertungen zur„Verkehrsentwicklung auf Bundesfernstraßen“ (z.B. Nierhoff, G. et al, 1999).

In den Berichten sind unter anderem folgende Darstellungen zu finden:

- Methodik zur Datenaufbereitung, Auswertung und Kennwertermittlung,

- Kfz-Verkehrsentwicklung: DTV [Kfz/24h] (Ganglinie von 1954 bis zum entsprechendenJahr) wie z.B. in Abb. 13 dargestellt,

- Ganglinien: Anteil des Wochenwertes am Jahresverkehr (siehe Abb. 14), Anteil desTageswertes am Wochenverkehr, Anteil des Stundenwertes am Tagesverkehr (sieheAbb. 15), alle jeweils für die entsprechenden Ganglinientypen,

- erstmals 1997: Charakteristische Ganglinienverläufe: Jahresganglinie [Kfz/24h] (sieheAbb. 2), Wochenganglinie [Kfz/h] (siehe Abb. 1 oben) und Dauerlinie der stündlichenKfz-Verkehrsstärken für ausgewählte sich stark unterscheidende Zählstellen (sieheAbb. 9),

- Einzelergebnisse für alle Zählstellen.

Abb. 6: Kfz-Verkehrsentwicklung 1954 – 1997 auf Autobahnen und außerörtllichenBundesstraßen in den alten Bundesländern (Quelle: BASt, 1999)



Abb. 7: Anteil des Wochenwertes am Jahresverkehr (Quelle: Nierhoff et al, 1999)

Bei den Darstellungen sind die speziellen Richtungsganglinien einer Zählstelle den Gang-linientypen (A-F) zugeordnet (Heidemann, D. und P. Wimber, 1982). Die Typenbeschreiben dabei unterschiedliche Lagecharakteristika der beobachteten Aufkommens-spitzen und Unterschiede im Ganglinienverlauf. Diese Ganglinien sind grafisch inDiagrammen dargestellt. Die Einzelergebnisse sind tabellarisch abgebildet.

Die Auswertungen der Daten sind rein deskriptiv und nicht vor dem Hintergrund derFragestellung nach Rhythmen vorgenommen. So lassen sich in den AbbildungenTagesmuster und Tagesrhythmen für die unterschiedlichen Ganglinientypen guterkennen, hier dargestellt in den Abb. 8 und Abb. 1 oben. Weitere Rhythmen sindaufgrund der gewählten Darstellungen nur zu vermuten, allerdings nicht Untersuchungs-gegenstand dieser Arbeiten.



Abb. 8: Anteil des Stundenwertes am Tagesverkehr/Sonntag (Quelle: Nierhoff et al,1999)

Kfz/h

10000

8000

6000

4000

2000

0

1. 10. 30. 50. 100. 150. 200.

Stunde

Abb. 9: Dauerlinie der stündlichen Kfz-Verkehrsstärken (Quelle: Nierhoff et al, 1999)



Aus der Jahresganglinie sind saisonale Schwankungen abzulesen. Die Analyse geht überdie Darstellung der Dauerlinien jedoch nicht hinaus. Trotz der Unterschiede in denJahresganglinien der einzelnen Zählstellen, sind Einflüsse wie Ferienzeit, längere Feier-tagfolgen (z.B. Ostern) gut zu erkennen, besonders stark an Zählstellen in Ausflugs-regionen, weniger stark an Zählstellen in Stadtregionen. Insgesamt sind die Unterschiedeaufgrund der Lage der Zählstellen enorm. Aufgrund der vielfältigen Ausprägungen derGanglinien ist die Typisierung für die Analyse von Rhythmen hier sehr hilfreich.

Tagesrhythmen

Auf der Tagesebene sind selbstverständlich die Folgen des Tages- und Nachtwechselsdominant. Daneben werden durch die sozialen bzw. gesellschaftlichen Zeitordnungen, diesich grob an diesen natürlichen Vorgaben orientieren, „Zeitfenster“ für gewisse Aktivitätengeöffnet. Dass solche sozialen Zeitordnungen die Ganglinien prägen, kann intuitivvermutet werden. Würden die Tageslinien in unterschiedlichen Jahreszeiten (Sommer undWinter) verglichen werden, so dürften sich diese deutlich unterscheiden.

Die Tagesganglinie von Montag bis Freitag folgt einem starken Anstieg der Belastungenzwischen 5 und 7 Uhr und einer etwas weniger steilen Abnahme der Belastungenzwischen 17 und 21 Uhr. Im allgemeinen setzt die relative nachmittägliche Abnahme derVerkehrsstärke freitags ca. 1 Stunde früher ein als an den anderen Werktagen undverläuft weniger steil. In den Berichten sind sehr gut die Unterschiede zwischen denverschiedenen Typen der Tagesganglinien dargestellt. Erklärungen für die Verläufelassen sich aus den in den Berichten exemplarisch dargestellten charakteristischenVerläufen ableiten. Die Beschreibung der Lage und der Spezifika der Zählstelle er-möglichen eine Interpretation des vorgefundenen Tagesverlaufes.

Die Tagesverläufe der Belastungen für Samstag und Sonntag unterscheiden sich starkvon den Werktagen und teilweise auch erheblich untereinander. Die eher breit aus-geprägte Einzelspitze liegt Samstags eher in der Mittags- bis Nachmittagszeit, Sonntagsist diese noch weiter in den Nachmittag geschoben.

Allgemeingültige Angaben sind kaum zu treffen, da die Abhängigkeit der Muster von derräumlichen Lage der Zählstelle sehr groß ist. Die unterschiedlichen Raumstrukturenspiegeln sich in den Ausprägungen der Ganglinien wieder. So können z.B. die maximalenVerkehrsstärken der Wochenendverkehre nur halb so groß wie die der Werktage sein (zubeobachten eher in Stadtregionen und Ballungsräumen), in einigen Regionen kann diesesVerhältnis genau umgekehrt vorliegen (Ausflugsregionen). Die „Profile“ der Gangliniensind dabei durchaus ähnlich.

Wochenrhythmen

Aus den vorliegenden Berichten ist eine Wochenrhythmik nicht zu erkennen. Aufgrund derDarstellung der Anteile des Tageswertes am Kfz-Wochenverkehr (siehe Abb. 1 unten)lässt sich allerdings vermuten, dass ein ausgeprägter Rhythmus zu erkennen wäre, wennsich die Darstellung und Analyse über mehrere Wochen erstrecken würde. Hier werdenim Rahmen des Projektes für exemplarische Zählstellen weitere Auswertungen vor-genommen, siehe hierzu Kapitel 4.



Jahresrhythmen

Die Darstellung der Jahresganglinien lässt eine Beschreibung und Interpretation vonsaisonalen Schwankungen zu. Zur Darstellung von Jahresrhythmen müssten mehrereJahre dargestellt werden, was in den vorliegenden Berichten nicht vorgenommen wurde.Es ist aber aus der Betrachtung der Ganglinien zu vermuten, dass Rhythmen zu findensind. Zumindest saisonale Schwankungen sollten noch besser erkennbar werden, wennmehrere Jahre betrachtet würden. Im Rahmen des Projektes wird auch hier versucht fürexemplarische Zählstellen diese Rhythmen zu beschreiben (siehe hierzu Kapitel 4).

2.5.3 Analysen des Straßenverkehrs auf Außerortsstraßen inNordrhein-Westfalen: 1980-1990

Aufbauend auf den Daten der Dauerzählstellen in Nordrhein-Westfalen werden in diesemBericht ausführlich die folgenden Ganglinien für alle Zählstellen dargestellt:

Jahresganglinien der täglichen Kfz-Verkehrsstärken [Kfz/24h] für den Gesamtquerschnitt(bei Zählstellen mit getrennter Erfassung des Schwerverkehrs auch dessen täglicheVerkehrsstärken).

Wochenganglinien der stündlichen Kfz-Verkehrsstärken je Wochentag [Kfz/h] für denGesamtquerschnitt.

Im Textteil des Berichtes werden zudem Jahresganglinien der Monatsmittelwerte des Kfz-Verkehrs 1990 ausgewählter Zählstellen mit besonders hohen bzw. niedrigen Juli-/August-Werten und die mittleren Ganglinie des Gesamtnetzes je Straßenklassedargestellt und beschrieben. Die Ganglinien (in Abb. 10 dargestellt für die Autobahnenund Bundesstraßen) zeigen, dass nur an wenigen Querschnitten größere Abweichungender Monatsmittelwerte vom Jahresmittel im Verlauf des Jahres bestehen. Insgesamt sinddie jahreszeitlichen Verkehrsschwankungen auf dem überwiegenden Teil des Straßen-netzes als gering zu bewerten.

Trotzdem sind auch hier, wie oben schon beschrieben, Hinweise auf Rhythmen zu finden.Eine Darstellung dieser Werte für mehrere Jahre hintereinander würde vermutlich eineneindeutigen Rhythmus für die Einzelquerschnitte ergeben. Bei Betrachtung der Rahmen-bedingungen und äußeren Einflüsse würden sich daraus dann auch Veränderungen indiesen Ganglinien erklären lassen.



NRW (BAB)

A1 Aschenberg

A4 Kerpen

A45 Freudenberg

A46 NE-Holzheim

A59 Langenfeld

NRW (B-Str.)

B51 Telgte

B51 Brühl

B62 Siegen

B229 Delecke II

B258 Friesenrath II

Autobahnen

Bundesstraßen

Jahresmittel=100

Abb. 10: Jahresganglinie der Monatsmittelwerte des Kfz-Verkehrs 1990 ausgewählterZählstellen und mittlere Ganglinie des Gesamtnetzes (Quelle: Regniet undSchmidt, 1992)

Dasselbe gilt für die Darstellung der Wochenganglinien der täglichen Kfz-Verkehrs-stärken. Auch hier werden getrennt für verschiedenen Straßenkategorien die Gangliniendargestellt und beschrieben (in Abb. 11 für Straßen in Erholungsgebieten und imstädtischen Einzugsbereich dargestellt). So sind an vielen Zählstellen die Unterschiededer Verkehrsstärken der einzelnen Werktage (ohne Freitag und Samstag) relativ gering.An den Wochenendtagen (Freitag,) Samstag und Sonntag treten dagegen teils erheblicheAbweichungen auf. Wie bei den Jahresganglinien trifft die Zunahme der Verkehrsstärkeninsbesondere auf die Querschnitte der Ausflugsgebiete zu, eine Abnahme ist auf Straßenim städtischen Einzugsbereich zu beobachten. Auch hier würde vermutlich eine Rhythmikzu finden sein, wenn ein längerer Zeitraum betrachtet würde.



B229 B480 L218 L166 Delecke II Brilon I Heimbach Kesternich I

B51 B62 L232 L357 Brühl Siegen Richterich D-Gerresheim

Straßen in Erholungsbereich

Straßen im städt. Einzugsbereich

Wochenmittel = 100Wochenmittel = 100

Abb. 11: Kfz-Wochenganglinien 1990 ausgewählter Dauerzählstellen (Quelle: Regniet undSchmidt, 1992)

Darüber hinaus werden langfristige Entwicklungen betrachtet. Die Beobachtungenerstrecken sich teilweise über einen Zeitraum von 10 Jahren von 1965-1990 (bzw. 1970 –1990). So ist die Entwicklung von Größen wie des Pkw-, Lkw-, Krad-Bestandes, derAufteilung des Pkw-Bestandes nach Hubraum- und Schadstoffklassen, des Nutzfahrzeug-bestandes, der generellen Verkehrsentwicklung (DTV), usw. ausführlich dargestellt. Andieser Stelle sei nur beispielhaft die Verkehrsentwicklung 1965 – 1990 in NRW und imBundesgebiet abgebildet. Alle weiteren Ganglinien und Ergebnisse sind im Bericht selberausführlich dargestellt und nachzulesen. Im Projekt Mobidrive sind diese Ergebnisse vonuntergeordneter Bedeutung, sie sind als Hintergrundinformation bei der Interpretation vonlangfristigen Rhythmen zu beachten.

Eine weitere interessante Auswertung zeigt für ausgewählte Zählstellen den Vergleich dermittleren Tagesganglinien für 1970, 1980 und 1990 einmal in Form der absoluten Werte,zum anderen in Form von Anteilswerten (ein Beispiel siehe Abb. 12). Trotz der an denmeisten Querschnitten zu beobachtenden Zunahme (Verdopplung) der absoluten Werte,sind die Muster (die %-Anteile am Tagesverkehr) überwiegend sehr stabil. Sind deutlicheVeränderungen zu erkennen, so sind diese in den meisten Fällen mit Netzänderungen imUmfeld des Querschnitts oder mit allgemeinen Veränderungen der Verkehrsstrukturen wiez.B. der Öffnung der deutsch-deutschen Grenze 1989/90 zu erklären.

Als weiteres wichtiges Ergebnis dieser Vergleiche ergibt sich, dass sich an vielenZählstellen die nachmittägliche Spitzenstunde von 17 – 18 Uhr (1970) auf 16 – 17 Uhr(1990) verschoben hat. In den meisten Fällen ist gleichzeitig eine Verbreiterung derNachmittagsspitze festzustellen. Dies dürfte zum einen auf Änderungen in dengesellschaftlichen Zeitstrukturen (wie z.B. die Verkürzung der wöchentlichen Arbeitszeitoder Einführung der Gleitarbeitszeit) und zum anderen vermutlich auf Kapazitätsengpässeund somit auf Veränderungen des individuellen Verhaltens zurückzuführen sein. Diesemöglichen Gründe bedingen sich allerdings in gewissem Maße, denn nur durch dieEinführung einer Gleitarbeitszeit wird der Person ermöglicht ihre Abfahrtszeit zu wählen



bzw. zu verändern.

Zählstelle: L233 FRIESENRATH I TK-/ Zst-Nr.: 5303/52081200

KFZ/h1000

800

600

400

200

0

10%

8%

6%

4%

2%

0%

1970 1980 1990

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Uhr 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Uhr

Abb. 12: Mittlere Tagesganglinien Di-Do des stündlichen Kfz-Verkehrs (Quelle: Regnietund Schmidt, 1992)

Wie schon in den Auswertungen auf Bundesebene lassen sich aus diesen Darstellungeneinige Rhythmen erkennen, andererseits ließen sich vermutlich bei weiterenandersartigen Darstellungsformen diese Rhythmen vertiefend analysieren und darüberhinaus weitere finden. So fehlt eine systematische Auswertung der Daten in Bezug aufmögliche Rhythmen auf den unterschiedlichen zeitlichen Ebenen.

2.5.4 Analyse der ‘National and Regional Travel Trends‘ (USA):1970-1995

Aufgrund sozio-kultureller, ethnischer, konfessioneller oder historischer Einflüsse sindForschungsergebnisse zu ähnlichen Fragestellungen aus anderen Ländern unter Vor-behalt zu vergleichen bzw. zu übertragen. Manche Sachverhalte lassen sich möglicher-weise gar nicht vergleichen. Bezogen auf die Frage der Rhythmen ist aber denkbar, dassähnliche Phänomene zu beobachten sind und Unterschiede vielleicht gerade aufgrund derverschiedenen Ausprägungen von Rahmenbedingungen wie z.B. der Zeitstrukturenerklärbar sind. Da das beobachtete Verkehrsaufkommen aus der Befriedigung derBedürfnisse (des Bedarfs) von Personen nach Teilnahme an wirtschaftlichen, sozialenund kulturellen Austauschprozessen resultiert, würde eine solche Beobachtung dafürsprechen, dass das Planungs-, Abstimmungs- und vielleicht Entscheidungsverhalten vonPersonen durchaus klassifizierbar (vergleichbar) und räumlich übertragbar ist. DieUnterschiede und verschiedenen Ausprägungen würden sich somit durch die sichunterscheidenden Sach- und Raumsysteme (Stadt/Verkehrsnetz, Strukturen, gesellschaft-liche/soziale Rahmenbedingungen) und die Unterschiede in den Zeitstrukturen (z.B.Geschäftsöffnungszeiten) ergeben. Dieses ist allerdings erst in der Fortführung desProjektes Thema, wenn die Zusammenführung der einzelnen Komponenten zu einerGesamtsimulation betrachtet wird.



In diesem an dieser Stelle beschriebenen Bericht werden getrennte Auswertungen zumnationalen und regionalen Verkehrsaufkommen dargestellt. Für beide Bereiche wurdensystematisch die Muster der Jahres-, Monats-, Wochen- und Tagesverkehre untersucht.Grundlage der Darstellungen sind die Daten der jährlichen Highway Statistik für denJahres- und Monatsverkehr, sowie die Daten der automatischen Zählgeräte der einzelnenStaaten für die wöchentlichen und täglichen Verkehre.

Neben den Darstellungen der Entwicklung der jährlichen Verkehrsstärke in den Jahrenvon 1970 bis 1995, der Tagesmuster in den Jahren 1978, 1983, 1992 und 1995 undanderer Entwicklungen sind zunächst die Darstellungen der stündlichen (täglichen)Verkehre im Wochenverlauf, in zweiter Linie die Darstellungen der monatlichen Verkehreim Jahresverlauf für dieses Projekt von Interesse.

Tagesrhythmen

Die Wochenganglinien der Anteilswerte der stündlichen Verkehre am Wochenverkehrzeigen wie in den deutschen Untersuchungen als auffälligste Befunde den Rhythmus desTag-Nacht-Wechsels (Abb. 13). Die Darstellung in Form der Ganglinien für ländlichen undstädtischen Verkehr lässt sehr gut die Unterschiede in den Tagesmustern erkennen. Derstädtische Verkehr hat ausgeprägte Vormittags- und Nachmittagsspitzen, der ländlicheVerkehr hat eine sehr kleine Vormittags- und eine ausgeprägte Nachmittagsspitze an denWerktagen von Montag - Donnerstag (Freitag gering abweichend). Samstag und Sonntagunterscheiden sich von den übrigen Tagen stark. Hier sind breitere Einzelspitzen gegenMittag (Samstag) bis Nachmittag (Sonntag) erkennbar. Ein Vergleich zwischen denJahren 1992 und 1995 ergab keine wesentlichen Veränderungen der Muster. DieSonntagsspitze hat sich mehr zum Nachmittag hin verlagert, bei den werktäglichenSpitzen im ländlichen Verkehr sind vormittags leichte Zuwächse zu beobachten.

Eine spezielle Auswertung dieser Wochenganglinien bezieht sich auf die Betrachtungzweier Wochen mit jeweils einem Feiertag. Im ersten Fall ist die Woche mit dem MemorialDay dargestellt (Abb. 14), im zweiten Fall die Woche mit dem Thanksgiving Day (Abb.15). Der Memorial Day fällt immer auf einen Montag, Thanksgiving Day ist immerdonnerstags.



1.00%

0.50%

Rural Urban

1995 Weekly Traffic Pattern

% o

f Wee

kly

Traf

fic

0.00%

Abb. 13: Wochenganglinie der Anteilswerte am Wochenverkehr für ländlichen undstädtischen Verkehr (Quelle: Festin, 1996)

Hier sind einige Effekte eines Einzelferientages (Feiertages) auch in Bezug auf Rhythmensehr gut zu erkennen:

Bei der Betrachtung der Wochenganglinie der Woche mit dem Memorial Day Montags istzu erkennen, dass sich der Freitag-Nachmittag verstärkt und dass das veränderteSamstagsmuster durch einen großen Morgen-Peak gekennzeichnet ist. Im weiterenVerlauf zeigt sich Sonntags ein eher „normales Muster, währenddessen der Feiertagselbst eindeutig ein wochenendähnliches Muster aufweist. Die Rückkehr in das „normale“Wochenmuster ist bereits Dienstags zu erkennen, Mittwoch gibt es keine Unterschiede zueinem Wochenverlauf ohne Feiertag.

Eine völlig andere Ausprägung der Wochenganglinie ist in der Woche mit demThanksgiving Day Donnerstags zu beobachten. Der Feiertag (Thanksgiving Day) erzeugtein typisches Freitag-Muster auf dem Mittwoch vor Thanksgiving, so als würde dasWochenende folgen. Der Feiertag (Donnerstag) selbst hat ein grundsätzlich anderesMuster als der Memorial Day (Montag), mit einer hohen Vormittagsspitze und einer wenigausgeprägten Nachmittagspitze. Der folgende Freitag und Samstag sehen ähnlich ausund haben eine gleichmäßig breite Mittagsspitze. Der Sonntag dagegen besitzt eine sehrausgeprägte Mittag- bis Nachmittagspitze. Montags hat sich das „normale“ Muster wiedereingestellt.



0.20%

0.40%

0.60%

0.80%

1.00%

1.20%

Rural Urban

1995 Memorial Day Week, Friday, May 26 - Friday, June 2

% o

f Tra

vel d

urin

g th

is p

erio

d

0.00%

Abb. 14: Wochenganglinie der Anteilswerte der stündlichen Verkehrsstärken, Woche mitMemorial Day am Montag (Quelle: Festin, 1996)

0.20%

0.40%

0.60%

0.80%

1.00%

1.20%

Rural Urban

1995 Thanksgiving Week, Monday, November 20 - Monday, November 27

% o

f Tra

vel d

urin

g th

is p

erio

d

0.00%

Abb. 15: Wochenganglinie der Anteilswerte der stündlichen Verkehrsstärken, Woche mitThanksgiving Day am Donnerstag (Quelle: Festin, 1996)



Diese Betrachtung zeigt wie die unterschiedlichen Lagen von Feiertagen die Ganglinien(und die Rhythmen) beeinflussen. Der Feiertag Montags hat Einfluss auf die Tage vorher,der Feiertag Donnerstag auf die Tage nachher. Anscheinend werden bei dem FeiertagDonnerstag längere Reisen unternommen, da der ausgeprägte peak am Sonntag auf denRückreiseverkehr schließen lässt, was bei der Feiertagslage Montag nicht so extrem zubeobachten ist. Voraussichtlich wird eine Analyse der Einflüsse solcher Feiertagslagenwird im Rahmen der Mobidrive-Untersuchungen durchgeführt.

Monatsrhythmen

Ähnlich dem Bericht zur Verkehrsentwicklung in NRW sind in dieser Arbeit die Anteile desmonatlichen Verkehrs über das Jahr aufgetragen (Abb. 16). Auch hier ist zu vermuten,dass Monatsrhythmen existieren. Die Ausprägung des Rhythmus wird allerdings ähnlichwie in NRW nicht besonders deutlich sein, denn die Einzelwerte schwanken nur geringum den Jahresmittelwert (beachte den Maßstab). Das Verkehrsaufkommen ist imDezember und Januar am niedrigsten und hat den Höhepunkt in den Monaten Juli undAugust. In den ländlichen Gebieten ist dies wesentlich stärker ausgeprägt. Im Vergleichzu NRW ergeben sich durchaus Unterschiede, die Darstellungen des NRW-Berichtes sindzudem detaillierter. So ist in NRW auf den Autobahnen eher ein gleich bleibendes Niveauzwischen März und November zu erkennen, die Höhe der Sommerspitze ist in den USAwesentlich ausgeprägter. Auf den Bundesstraßen ist ein kleiner Rückgang im Juni undAugust zu erkennen, so dass sich hier zwei kleine Spitzen bilden. Auf den Landesstraßenist dieser Effekt sogar noch deutlicher zu erkennen. In der hier beschriebenen Arbeit istdagegen nur der Unterschied zwischen ländlichem und städtischem Verkehr (Mittelwertfür 1970-1995) dargestellt.

1.40%

1.30%

1.20%

1.10%

1.00%

0.90%

35,000,000

30,000,000

25,000,000

20,000,000

15,000,000January February March April May June July August September October November December

Urban Rural

Urban and Rural Travel by Month, 1970-1995 (January = 1.0) Regional Average VMT per Day, 1970-1995

Rat

io o

f Mon

thly

Tra

vel t

o Ja

nuar

y

Trav

el p

er D

ay V

MT

West North Central South Gulf South Atlantic Northeast

Abb. 16: Anteile der monatlichen Verkehrsstärken im Jahresverlauf (Mittelwert der Jahre1970-1995) (Quelle: Festin, 1996)



2.5.5 Weitere Arbeiten

In einer Vielzahl von Arbeiten werden Zeitreihen als Ganglinien dargestellt undbeschrieben. Hauptsächliches Interesse dabei ist die Bestimmung verschiedensterFaktoren wie z.B. des Ferienfaktors, der angibt, um wie viel höher oder niedriger derVerkehr speziell zur Ferienzeit ist oder die unterschiedlichen Faktoren zur Bestimmungder Bemessungsverkehrsstärken, zur Bemessung von Straßen usw. (siehe z.B. Lensinget al., 1993 oder Steierwald et al., 1981).

Weiterführende Ergebnisse oder gar Darstellungen und Beschreibungen von Rhythmensind in allen diesen Arbeiten nicht zu finden.

Auch im Bereich der Zu- und Abgangszählungen zu öffentlichen oder privaten Ein-richtungen konnten keine Analysen von Rhythmen gefunden werden.

Dasselbe gilt für Daten des öffentlichen Verkehrs.

Für die Beobachtung des Fußgängerverkehrs gilt das oben beschriebene, hier ist jedochin Beckmann 1978 und 1980 eine Auswertung/Analyse von Fußgängerzählungen übereinen langen Zeitraum (1964-1976) dargestellt. So ist aus der Zusammenstellung derStundenfaktoren der Tagesganglinien Mai, Oktober und Dezember für die Jahre 1970 bis1976 (Dezember: 1976-1979), ein Tagesmuster mit einer breiten Morgen- und einerausgeprägten Nachmittagspitze zu erkennen (siehe Abb. 17). Die Betrachtung über dieJahre ergibt, dass sich die Ganglinien nur unwesentlich verändern. Aus der Darstellungder Jahresganglinie der Einzelwerte der Belastungen (siehe Abb. 18) und derMonatsanteile (siehe Abb. 19) lassen sich auch hier Rhythmen vermuten, eine Reihungund Auswertung in Bezug auf Rhythmiken ist auch hier nicht Gegenstand der Unter-suchung gewesen. Eine vorgenommenen Abbildung der Ganglinie mittels einerharmonischen Schwingung, dargestellt in Abb. 18, ist ein erster Versuch Rhythmen zuanalysieren. Allerdings werden auch Probleme der Abbildungsqualität deutlich. So sindEinflüsse wie z.B. der Sonderaspekt Innenstadt, durch Witterung, durch Feiertage unddurch Schlussverkäufe in der Modellierung nicht gut abbildbar gewesen.

Insgesamt bleibt festzustellen, dass Daten für die Beantwortung der speziellen Frage-stellung innerhalb des Projektes Mobidrive kaum verfügbar sind.



Belastungsfaktor

Neue StraßePoststraßeHutfilternFriedr.Wilh.Str.DammÖlschlägernBohlweg

Monat

Abb. 17: Jahresganglinienverläufe bezogen auf das jeweilige Jahresmittel 1978, (Quelle:Beckmann, 1978)

Zählwertganglinie

rekonstruierteGanglinie

Abb. 18: Jahresganglinienverläufe der Einzelzählwerte –Querschnitt Schuhstraße,Querschnitt Schuhstraße, Zählzeit 13-14 (Quelle: Beckmann, 1980)



12.5.197011.5.197123.5.1972 8.5.1973 7.5.197410.6.197510.5.1976

20.10.197019.10.197117.10.197216.10.197315.10.197414.10.197519.10.1976

Abb. 19: Stundenfaktoren Tagesganglinien Mai (oben), Oktober (Mitte), und Dezember(unten); Querschnitt Schuhstraße (Quelle: Beckmann, 1978)



2.6 Fazit

Die Zusammenstellung von Berichten/Arbeiten zum Thema Rhythmik des Verkehrs-verhaltens auf der Systemebene bzw. verwandten Aspekten hat gezeigt, dass nur wenigerelevante Forschungsergebnisse existieren. Die grafische Abbildung und die Be-schreibung/Interpretation von Ganglinien/Ganglinienverläufen ist in einigen Arbeiten aus-führlich dargestellt, eine systematische Analyse fehlt jedoch. So lassen sich aus einigenAbbildungen von Ganglinien das Vorhandensein von Rhythmen vermuten, es fehlenjedoch die auf Beobachtungsintervall und dargestelltem Zeitbereich abgestimmtenDarstellungen.

In vielen Berichten lässt sich überdeutlich der Tagesrhythmus ablesen. Der prägendeTag- / Nachtwechsel sowie die gesellschaftlichen Zeitordnungen bestimmen maßgeblichden Verlauf der Ganglinie. Was in Bezug auf die Folge von Tagesverläufen oft dargestelltwird, fehlt bei der Betrachtung der Wochen- /Monats- und Jahresmuster, jeweils mit ent-sprechendem Beobachtungsintervall. So werden oft Wochenganglinien der Tageswertedargestellt, allerdings nur für eine Woche, nicht für Wochenfolgen.

Der Vergleich verschiedener Zählstellen zeigt, dass die Ganglinienverläufe je nach Lageder Zählstelle sehr unterschiedliche Ausprägungen annehmen. So unterscheiden sichGanglinienverläufe von Zählstellen in Regionen mit hoher Bedeutung für Erholung undFreizeit deutlich von Ganglinienverläufen von Zählstellen in Ballungsräumen im Bereichvon Stadtzufahrten.

Aus der Betrachtung der Rhythmen des Verkehrsverhaltens auf der Systemebeneergeben sich somit zwar Hinweise auf den Aggregationseffekt individuellen Raum-Zeit-Verhaltens, aber leider keine Erklärungsmodelle, die für die Analysen oder Prognoseneinsetzbar sind.

Stand des Wissens und der Technik über die rhythmischen Muster derVerkehrsteilnahme auf Haushalts- / Personenebene 33


3 Stand des Wissens und der Technik über dierhythmischen Muster der Verkehrsteilnahme aufHaushalts- / Personenebene

3.1 Einleitung

Die Analyse zeitlicher Aspekte des Verkehrsverhaltens von Personen und Haushalten istseit vielen Jahren Schwerpunkt der aktivitäten-basierten Verkehrsforschung. Ins-besondere Routinen, Variabilität und Dynamik von Verhaltensmustern im Verkehr wurdeneingehend untersucht. Vom besseren Verständnis für individuelle und haushaltsbezogeneMobilitätsgewohnheiten gehen wichtige Impulse für die Entwicklung von Verkehrs-modellen sowie für die Konzeption verkehrspolitischer Maßnahmen aus (Jones undClarke, 1988).

Die vertiefende Untersuchung von rhythmischen Mustern des Verkehrsverhaltens nimmtin der Aktivitäten- und Verkehrsforschung bisher jedoch noch wenig Raum ein. Einer ein-gehenderen Analyse von Verhaltensregelmäßigkeiten insbesondere auf der dis-aggregierten Ebene stand bisher die unzureichende Verfügbarkeit von Langzeitdatenentgegen. Erst Beobachtungen über längere Zeiträume ermöglichen die Analyse vonWechselwirkungen der dynamischen Umwelt sowie Strukturänderungen im Haushalt undim Lebenszyklus mit dem persönlichen Verkehrsverhalten. Trotz der Ergebnisseverschiedener Studien, die wichtige Anhaltspunkte zur Entwicklung eines methodischenRahmens für die Untersuchung wiederkehrender Verhaltensmuster liefern (Huff undHanson, 1990; Wilson, 1998; Ettema, Borgers und Timmermans, 1995; Bhat, 1996a;1996b), ist der Kenntnisstand über rhythmisches Verkehrsverhalten und Zyklen derindividuellen Zeitnutzung für Wissenschaft und Praxis nicht ausreichend.

In der Gesamtkonzeption des Forschungsprojekts Mobidrive soll ein synthetisches, mikro-skopisches Modell der Zeitplanung erarbeitet werden, das es ermöglicht, die Periodizitätdes Verkehrsverhaltens auf der Grundlage von Beobachtungen abzubilden und zuprognostizieren. Im Mittelpunkt des disaggregierten Modells steht die Definition desVerkehrsverhaltens über die Zeitachse und die Identifizierung von Wechselwirkungen mitden aggregierten Kenngrößen des Verkehrs und den Rhythmen der dynamischen Umwelt(Wechsel von Tag und Nacht, Arbeitszeitrhythmen etc.). Dabei besteht die Heraus-forderung insbesondere darin, diejenigen Größen herauszuarbeiten, die Phasenverläufeund Amplituden der Rhythmen verändern können.

Im Mittelpunkt der folgenden Darstellung stehen die theoretischen Hintergründerhythmischer Muster des Verkehrsverhaltens auf der Personen- und Haushaltsebene,wichtige methodische Voraussetzungen zur Analyse sowie die Konzeption und dieErgebnisse bisheriger empirischer Studien zum Themenkomplex. Im Abschnitt 3.2 wirdeine kurze Einordnung des Projektschwerpunkts in den Rahmen der Aktivitätenforschungund eine grundlegende Begriffsdefinition vorgenommen. Des weiteren werden generelle

Stand des Wissens und der Technik über die rhythmischen Muster der34 Verkehrsteilnahme auf Haushalts- / Personenebene


Determinanten der Zeitnutzung sowie der Entstehung rhythmischer Muster desVerkehrsverhaltens diskutiert.

Im Kapitel 3.3 sollen grundlegende Ansätze zur Analyse gewohnheitsmäßigen Verhaltensvorgestellt werden. Im Vordergrund stehen dabei Methoden zur Identifizierung vonÜbereinstimmungen von Verhaltensaspekten.

Im letzten Abschnitt 3.4 wird eine Reihe von empirischen Forschungsergebnissenvorgestellt, die Hinweise zur Rhythmik und weiteren Aspekten routinisiertenMobilitätsverhaltens geben können. Dabei nimmt die Erläuterung der Forschungen zumUppsala Household Travel Survey als Referenzerhebung für Mobidrive eine zentrale Rolleein.

3.2 Rhythmische Muster des Verkehrsverhaltens

3.2.1 Der Kontext der aktivitäten-basierten Verkehrsforschung

Seit geraumer Zeit steht das zeiträumliche Alltagsverhalten (Herz, 1984; Beckmann,1983) von Verkehrsteilnehmern, d.h. die zeitlichen sowie räumlichen Aktivitätenmustervon Personen und Haushalten, im Mittelpunkt der Mobilitätsanalyse. Die theoretischenund methodischen Entwicklungen der aktivitäten-basierten Verkehrsforschung (Activity-based Travel Analysis) tragen dieser Tatsache seit Anfang der 70er Jahre Rechnung.Konzeptionelle Grundlage der aktivitäten-basierten Verkehrsforschung ist die Annahme,dass die Entscheidung für Ortsveränderungen Folge des Strebens nach Bedürfnis-befriedigung ist. Die Bedürfnisse sind gemeinhin physiologischer, kultureller oder sozialerNatur und äußern sich in diversen Aktivitäten, denen zu unterschiedlichen Zeiten und aneiner Reihe von Orten nachgegangen werden kann. Die Ausübung von Aktivitäten in Zeitund Raum rückt somit in das Zentrum des Interesses der Forschungen und stellt denVerkehr in einen weiten Kontext menschlichen Verhaltens und der umgebenden gesell-schaftlichen und räumlichen Rahmenbedingungen (Kutter 1972; Heidemann, 1981; Pas,1990).

Der vielfach beschriebene Paradigmenwechsel innerhalb des Forschungsfeldes Verkehrs-verhaltensanalyse und –modellierung seit Mitte der 70er Jahre führte dazu, dasskomplexe Verhaltensmuster sowie zeitliche Aspekte des Verhaltens wie Periodizität oderVariabilität zu zentralen Untersuchungsgegenständen avancierten (Kitamura, 1988;Mahmassani, 1988; Jones, Koppelman und Orfeuil, 1990; Pas und Harvey, 1997 u.a.).Die Methodik der aktivitäten-basierten Verkehrsforschung setzt sich grundlegend vondenen der üblichen Prognose-, Planungs- und Modellansätzen ab (siehe Oi undShuldiner, 1962; Hutchinson, 1974), die als Basis für die Voraussage von Verkehrs-volumina den Weg per se betrachten (Trip-based Analysis). Dabei werden diepersönlichen Umstände der Ortsveränderungen kaum berücksichtigt. Die weitestgehendAnfang der 50er Jahren in den USA entwickelten und bis heute eingesetzten vierstufigenPrognosemodelle der Verkehrsplanung zielen im Gegensatz zum Aktivitätenparadigma



hauptsächlich darauf ab, Verkehrsströme auf Grundlage einer stark aggregiertenDatenbasis zu analysieren (siehe Ortuzar und Willumsen, 1994). Dies ermöglichte, großeVerkehrsinfrastrukturprojekte wie Autobahnen auf ihre Kapazität hin zu konzipieren bzw.überprüfen. Aktivitäten-basierte Analyse strebt dagegen eine Integration des AspektesMobilität in die komplexen Zusammenhänge menschlicher Aktivitätenmuster, Bedürfnisseund Interaktionen an und versucht Verhalten zu erklären sowie auf dieser GrundlageNachfrage zu prognostizieren (Hanson und Burnett, 1981; Jones, 1981).

Das Projekt Mobidrive zielt auf die Untersuchung von rhythmischen Elementen innerhalbdes menschlichen Aktivitätensystems ab. Grundlage für die Analyse sind detaillierteVerhaltensbeobachtungen. Die Arbeiten im Forschungsprojekt Mobidrive werden sichwesentlich innerhalb des Kontextes der aktivitäten-basierten bewegen, was eineeinleitende Charakterisierung dieses Forschungsfeldes und dessen konzeptionellenRahmens sinnvoll erscheinen lässt. Das Gerüst grundlegender Annahmen und diemethodischen Entwicklungen des Aktivitätenparadigmas lassen sich in aller Kürze wiefolgt beschreiben (Hanson und Burnett, 1981; Jones, Dix, Clarke und Heggie, 1983;Kitamura, 1988; Jones, Koppelman und Orfeuil, 1990).

Konzeptionelle Grundlagen

• Die Induktion von Verkehr wird als abgeleitete Nachfrage nach außerhäuslichenAktivitäten verstanden. In bestimmten Fällen kann jedoch auch Verkehr (das Reisen)selbst primäre Aktivität sein (Ortsveränderung als Selbstzweck).

• Ortsveränderungen (Verkehr) erscheinen als Übergänge eines kontinuierlichenMusters täglichen Verhaltens (Tagesprogramm), das als Sequenz von Aktivitäten inZeit und Raum erklärt werden kann.

Abb. 20: Abbildung des Verkehrsverhaltens vom Standpunkt der aktivitäten-basiertenVerkehrsforschung (Quelle: Nach Jones et al.,1983, S. 37)

Essen

Filmschauen

Treffen

Hausarbeit Essen

Geschäft A

SchlafenEssenZu Hause

Geschäfte

Haus einesFreundes

KinoRau

m

Zeit

6 12 18



• Die Schwerpunkte aktivitäten-basierter Verkehrsforschung liegen auf der Analysekomplexer Verhaltensaspekte und der Entwicklung von Instrumenten zur Planungs-und Entscheidungsunterstützung. Bei der Untersuchung verkehrsrelevantenVerhaltens steht weniger die isolierte Betrachtung einzelner Wege im Mittelpunkt alsvielmehr die Identifizierung und Charakterisierung von Wege- bzw. Aktivitäten-sequenzen.

• Die Kombination von Aktivitäten in bestimmten Mustern wird als individuelle Reaktionauf bestehende Bedürfnisse vor dem Hintergrund eingeschränkter zeitlicher undräumlicher Flexibilität gekennzeichnet. Räumliche, zeitliche und interpersonelleRestriktionen finden explizite Berücksichtigung bei der Analyse und der Modell-entwicklung. Die aktivitäten-basierte Verkehrswissenschaft macht dabei Anleihen beiden grundlegenden Konzepten der Zeitbudgetforschung (siehe dazu Bhat undKoppelman, 1999) und der Raum-Zeit-Geographie (Hägerstrand, 1970 u.a.).

• Persönliche Reiseentscheidungen werden in den Haushaltszusammenhang gestellt.Damit werden dem Rollenverhalten der Haushaltsmitglieder sowie deren Interaktionenuntereinander ein hoher Stellenwert beigemessen.

• Die Konzentration auf Aktivitäten legt eine Klassifizierung der Verkehrsteilnehmer inGruppen mit übereinstimmenden Aktivitätsbedürfnissen nahe, wenn komplexes Ver-kehrsverhalten beschrieben, analysiert und simuliert werden soll. Die Einteilung vonPersonen nach Lebenszyklen oder Lebensstilen, mit denen Mobilitätsbedarfe oder -notwendigkeiten abgebildet werden können, ist eine in den meisten Studienverwendetes Konzept zur differenzierten Betrachtung von Verhaltensmustern.

• Innerhalb des Verkehrsverhaltens erfährt die Komponente Zeit eine besondereInwertsetzung, wobei ihre Rolle in den Untersuchungen und Modellen der aktivitäten-basierten Analyse über die des Optimierungs- bzw. Geschwindigkeitsaspekts hinaus-geht. Einerseits werden der genaue Zeitpunkt sowie die Dauer von Aktivitäten alswichtige erklärende Variable für das Verkehrsverhalten herangezogen, andererseitsgeraten sie selber zum zentralen Untersuchungsgegenstand bei der Analyse vonDynamik, Variabilität oder Rhythmik.

Methodische Grundlagen

• Aktivitäten-basierte Ansätze stellen zunächst besondere Anforderungen an dieMethodik von Erhebungen verkehrsrelevanter Daten. Vor dem Hintergrund, dass dasVerkehrsverhalten in seiner breiten Komplexität beschrieben werden soll, wird dieErfassung detaillierter Informationen zum Aktivitätensystem und den Mobilitäts-gewohnheiten der Reisenden über längere Zeiträume notwendig (siehe dazu Jones,1985). Langzeiterhebungen wie der Uppsala Household Travel Survey oder dieWegetagebucherhebungen in Mobidrive (sechs Wochen) sowie Mobiplan (eineWoche) werden zur wichtigen Basis für die Analyse bestimmter Verhaltensaspektewie Verhaltensgewohnheiten oder -variabilität.



Die Aussagekraft von Untersuchungsergebnissen, bei denen der zeitliche Aspekt unddie Dauer von Zuständen oder Prozessen bedeutend erscheinen, hängt wesentlichvon der Erhebungsmethodik und der Qualität aussagekräftiger longitudinaler Datenab (Hanson und Huff, 1982). Die Identifizierung rhythmischer Muster des Verkehrs-verhaltens erfordert insbesondere zweierlei:

1. Kontinuierliche Beobachtung des Verhaltens von Personen und Haushalten übereinen längeren Zeitraum: Die gewählte Dauer der Erhebung sollte es zulassen, dieWechselwirkungen menschlichen Verhaltens mit den rhythmischen Elemente derdynamischen Umwelt zu erfassen.

2. Möglichst große Detailgenauigkeit bei der Erfassung der Aktivitätenprogramme derVerkehrsteilnehmer und der Rahmendaten von Personen und Haushalten: Zu denRahmendaten gehören insbesondere die sozio-demographischen und sowiestrukturellen Charakteristika der Personen und Haushalte, der Besitz bzw. die Ver-fügbarkeit von Fahrzeugen und individuelle Werthaltungen sowie Einstellungen zurMobilität2. Diesen Anforderungen wird mit den verschiedenen Fragebögen im ProjektMobidrive Rechnung getragen (Personen-, Haushalts-, Fahrzeug- und Werthaltungs-fragebogen sowie Wegetagebuch).

• Die Analyse detaillierter aktivitäten-basierter Informationen stellt ebenso dieEntwicklung geeigneter Messmethoden für komplexes Verkehrsverhalten vor großeHerausforderungen. Allein für die Charakterisierung, Klassifizierung und denVergleich von Aktivitätensequenzen, die für die Identifikation von wiederkehrendenElementen oder von Variabilität innerhalb des Verhaltens über einen längerenZeitraum notwendig erscheinen, wurden eine Reihe von qualitativen und quantitativen(statistischen) Verfahren konzipiert, die z.T. von hoher Komplexität sind (sieheAbschnitt (3.3).

• Letztlich ergeben sich auch Implikationen für die Modellierung vonReisewahlentscheidungen und der Aktivitätenmuster von Personen und Haushalten(Jones et al., 1990, S. 39ff.). Gebräuchliche Entscheidungsmodelle, die wichtigeHilfestellungen bei der Konzeption verkehrspolitischer Maßnahmen liefern sollen,können unter dem Aktivitätenparadigma nur dann sinnvoll verwendet werden, wenndessen konzeptionelle Grundlagen in die Modellentwicklung modifizierend einfließen.So besteht die Notwendigkeit, neue unabhängige Variablentypen (z.B. Rollenmusterinnerhalb des Haushalts) und abhängige Variablen (Dauer von Aktivitäten etc.) zuintegrieren. Des weiteren sind Wechselwirkungen von üblichen und/oder bisherunbeachteten Parametern wie z.B. der Autoverfügbarkeit und der inner-familiärenKonkurrenz um das Automobil einzubeziehen.

2 Empfehlungen zum Design von geeigneten Erhebungsinstrumenten von Aktivitätenmustern,Inhalten von Wegetagebüchern und den Anforderungen an die Basis der sozio-demographischenRahmendaten sind bisher an vielen Stellen gegeben worden. Umfassende konzeptionelleAnforderungen entwickeln beispielsweise Brög, Meyburg und Wermuth (1983), Axhausen undAlves (1994), Axhausen (1995a, 1998; i.V.) oder Richardson, Ampt und Meyburg (1995).



3.2.2 Komplexe Phänomene des Verkehrsverhaltens: Routinen,Variablität und Rhythmen: Definitionen

Die Komplexität des Verkehrsverhaltens äussert sich in einer Reihe von Phänomenen,denen ein Set von erklärenden Größen zugrunde liegt (siehe Hanson und Burnett, 1981).Zu den komplexen Phänomen auf der Ebene von Personen und Haushalten gehöreneinerseits Gewohnheiten und Routinen sowie andererseits zufällige bzw. systematischeAbweichungen von gewohnheitsmäßigen Verhalten (Variabilität). Die aktivitäten-basierteVerkehrsforschung stellt seit Jahren diese Aspekte und deren Hintergründe in denMittelpunkt ihrer Diskussionen (Jones und Clarke, 1988). Dabei wurden unterschiedlichstePhänomene gewohnheitsmäßigen Verhaltens untersucht und eine Vielzahl von Analyse-methoden entwickelt (Tab. 1).

Untersuchungsgegenstand BeispieleStabilität Herz (1983)Variabilität (intra-personell, inter-personell,systematisch etc.)

Pas (1986 und 1987), Pas und Koppelman(1986), Pas und Sundar (1995), Hansonund Huff (1982, 1988a, 1988b), Huff undHanson (1986)

Flexibilität Herz (1983)Rhythmische Muster Shapcott und Steadman (1978)Repetitive Behaviour Huff und Hanson (1986), Huff und Hanson

(1990)Regelmäßigkeit (regularity) Jones und Clarke (1988)Dynamik von Pendlerverhalten, Day-To-Day Variability

Chang und Mahmassani (1989),Mahmassani (1997), Mahmassani, Hatcherund Caplice (1997), Mannering und Hamed(1990)

Tab. 1: Studien zum gewohnheitsmäßigen Verhalten von Personen und Haushalten(Auswahl)



Der Überblick zeigt, dass eine weite Spanne von Begriffen synonym verwendet wird.Andererseits werden übereinstimmende Bezeichnungen gewählt, mit denen unter-schiedliche Sachverhalte gemeint sind. Letzteres gilt insbesondere für den Terminus‚Variabilität‘: während in verschiedenen Studien Variabilität auf die unterschiedliche Aus-prägung üblicher Mobilitätskennziffern bei einzelnen Personen (intra-personelleVariabilität) oder zwischen einzelnen Mitgliedern bestimmter Bevölkerungsgruppen (inter-personelle Variabilität) bezogen wird, verbinden Huff und Hanson beispielsweise denBegriff mit der Beobachtung komplexer Tagesprogramme und deren Charakteristika.

An dieser Stelle werden prägnante Definitionen von wichtigen Kategorien gewohnheits-mäßigen Verkehrsverhaltens gegeben, um den Mobidrive-Forschungsschwerpunktbegrifflich einzugrenzen. Die Definitionen sollen im konzeptionellen und methodischenKontext der aktivitäten-basierten Analyse verstanden werden, was eine Schwerpunkt-setzung auf die Ausübung von Aktivitäten und deren Kombination in Sequenzen nahelegt.

Gewohnheiten und Routinen

Gewohnheitsmäßiges oder routinisiertes Verkehrsverhalten zeichnet sich durch dieWiederverwendung von bestimmten Verhaltenssegmenten bzw. -sequenzen (Lösungen)in identischen oder ähnlichen Situationen aus. Ein bewährtes Verhaltensmuster mitbekannten Kosten der Raumüberwindung, das sich bisher zur Befriedigung einesbestimmten Bedürfnisses nach außerhäuslichen Aktivitäten bewährt hat, wird immerwieder angewandt. Als Motiv gilt die Prämisse, Kosten für die neuerliche Beschaffung vonInformationen über die Lösung eines bestimmten Problems und insbesondere über dieeffiziente Bewältigung der Ortsveränderung zu minimieren oder gänzlich zu vermeiden(Goodwin, Kitamura und Meurs, 1990).

Gleichgewicht des Verhaltens

Von Verhaltensgleichgewicht kann dann gesprochen werden, wenn alle Faktoren, die dasVerkehrsverhalten einer Person oder eines Haushalts beeinflussen, über einen genügendlangen Zeitraum konstant bleiben und sich das Verhalten komplett an die gegebenenUmweltbedingungen anpasst (Goodwin, Kitamura und Meurs, 1990). Zu den wichtigenbeeinflussenden Faktoren gehört in der Hauptsache die Haushaltsstruktur, von derwichtige Impulse zur Gestaltung des Tagesablaufs des einzelnen ausgehen. Von derkompletten Anpassung an die Umwelt sind zufällige oder unerwartete Verhaltens-modifikationen ausgenommen, die keinen systematischen Charakter besitzen.

Eine interessante Frage ist, ob sich trotz eines gegebenen Sets äußerer Faktoren letztlichnur ein Gleichgewichtsstadium beobachten lassen kann. Es ist ohne weiteres vorstellbar,dass je nach Situation oder Ereignissen, die in der Vergangenheit in ähnlicher Weiseerlebt worden sind, Verhaltensgleichgewicht in unterschiedlichen Formen auftreten kann.

Anzumerken bleibt, dass komplettes Verhaltensgleichgewicht über den Lauf der Zeitpraktisch wohl kaum anzutreffen ist. Die umgebenden Faktoren der Umwelt, die dasVerkehrsverhalten wesentlich beeinflussen, unterliegen ihrerseits ständigen Wechsel(jahreszeitliche Rhythmen, aktuelle verkehrspolitische Ausrichtungen usw.). Dies wird



beispielsweise bei der Ausübung von Freizeitaktivitäten deutlich, die saisonal oderzumindest witterungsabhängig sind und nur in bestimmten Jahreszeiten – je nachgeographischer Lage des Standorts – ausgeübt werden können (z.B. Skifahren, Badenetc.). Des weiteren können auch die verhaltensrelevanten Determinanten des Lebens-zyklus wie Alter, Beschäftigungsstatus oder Wohnort nicht als vollkommen konstantangenommen werden. Sie unterliegen in der Regel (längerfristigen) Wechseln undEntwicklungen mit spürbaren Implikationen für die persönliche Mobilität. LangfristigesVerhaltensgleichgewicht bleibt somit eher ein theoretisches Konstrukt. Gleichgewicht stelltsich in der Realität, wenn überhaupt, vielmehr kurzzeitig bzw. punktuell ein.

Dynamik

Dynamik beschreibt die systematische Anpassung des Verhaltens auf sich änderndeUmstände und den situativen Kontext der Reiseentscheidung (Kitamura, 1988). Damitkönnen beispielsweise kurzfristige Reaktionen von Reisenden auf eine bestimmteVerkehrslage gemeint sein (Stau, Witterungsverhältnisse etc.) oder aber langfristige undstrukturelle Abstimmungen auf verhaltensdominierende Faktoren wie Arbeitszeiten,Haushaltszusammensetzung oder die Änderung des Arbeitsortes3.

Bei der Beschreibung und Untersuchung von Dynamik stehen die Prozesse der Gewohn-heitenbildung, der Trägheit bzw. des Beharrungsvermögens menschlichen Verhaltens(z.B. Hysterese-Effekt) und die Nachahmung von Handlungen im Mittelpunkt desInteresses (ebd.).

Variabilität

Das Phänomen der Variabilität des Verkehrsverhaltens kann aus zwei Blickrichtungendiskutiert werden: Zunächst unterscheidet sich das Verhalten von Personen oderHaushalten je nach Übereinstimmung oder Divergenz ihrer sozio-demographischenCharakteristika sowie ihrer Werthaltungen. Dieser Aspekt wird in der Regel als inter-personelle Variabilität bezeichnet (Pas, 1987) und kann als Abweichung des individuellenVerhaltens vom Durchschnitt der gezogenen Stichprobe, dem Durchschnitt derBevölkerung oder der entsprechenden sozio-demographischen Gruppe definiert werden.Andererseits gestaltet sich das Verhalten einer gegebenen Person oder eines gegebenenHaushalts in sich variabel, wenn Langzeitbeobachtungen, d.h. Beobachtungen, die übereinen Stichtag hinausgehen, angestellt werden (intra-personelle Variabilität). Variabilitätbezeichnet in diesem Fall die Abweichung des Verhaltens von den üblichen persönlichenRoutinen und Gewohnheiten, die über einen längeren Zeitraum festgestellt werdenkonnten.

Die Hintergründe für beide Kategorien der Variabilität können eher systematischer odereher zufälliger Natur sein und sind somit mehr oder minder prognostizierbar (Abb. 21).

3 Obwohl einige der Faktoren mit langfristigem oder strukturellem Einfluss auf das Verhalten ingewisser Regelmäßigkeit auftreten (z.B. Arbeitsplatzwechsel), soll hier keine begrifflicheVerschneidung mit dem Terminus Rhythmus vorgenommen werden. Sozio-demographischeVeränderungen bei den Verkehrsteilnehmern und deren Haushalten beeinflussen die Ausprägunggewohnheitsmäßiger Verhaltensaspekte, Rhythmen des Verkehrsverhaltens jedoch sollen imForschungsprojekt Mobidrive als Reaktion des Verhaltens auf die dynamische, soziale Umweltverstanden werden.



Im Kontext von Mobidrive wird die intra-personelle Variabilität eine entscheidende Rollespielen, da insbesondere individuell wiederkehrende Verhaltenselemente über einenlängeren Zeitraum und die möglichen erklärbaren bzw. zufälligen Abweichungen davonanalysiert werden sollen. Die Variabilität des Verhaltens gegebener Personen oderHaushalte ist im wesentlichen Ausdruck der Tatsache, dass sich die Bedürfnisse undWünsche von Reisenden von Tag zu Tag nicht konstant darstellen und unvorhersehbareEreignisse eine kurzfristige Anpassung des Verhaltens nötig machen (Pas und Sundar,1995). Intra-personelle Variabilität des Verkehrsverhaltens äussert sich vor dem Hinter-grund aktivitäten-basierter Verkehrsforschung insbesondere darin, dass entweder generellvon der Ausführung gewohnheitsmäßiger Aktivitätensequenzen oder aber von derenjeweiligen Attributen (z.B. Verkehrsmittelwahl, Start- und Ankunftszeit usw.) abgewichenwird.

Abb. 21: Komponenten der Variabilität des Verkehrsverhaltens (Quelle: Nach Pas, 1987,S. 432)

Rhythmik / Rhythmische Muster

Rhythmische Muster des Verkehrsverhaltens können als wiedererkennbare Elementedefiniert werden, die über einen längeren Zeitraum (z.B. über mehrere Wochen oder überden Jahreslauf) in regelmäßigen zeitlichen Abständen beobachtet werden können. Diessind insbesondere komplette Tagesprogramme mit übereinstimmenden Attributen oderaber Teilsequenzen bzw. einzelne Hauptaktivitäten oder -wege. Die wiedererkennbarenElemente erscheinen meist in periodischer, voraussagbarer Weise und können historischerklärt werden, d.h. sie werden durch fixe äußere Gegebenheiten oder Ereignissebestimmt (Shapcott und Steadman, 1978). Rhythmische Verhaltensmuster unterliegeneinem dem Verkehrsteilnehmer bekannten Fahr- bzw. Zeitplan und sind Folge vonroutiniertem Verhalten.

Gesamtvariabilität beobachtetenVerhaltens

Intra-personelle Variabilität(Abweichungen von

persönlichen Verhaltensroutinen)

Inter-personelle Variabilität(Verhaltensunterschiede

zwischen Personen)

ErklärbareVariabilität

ZufälligeVariabilität

SystematischeVariabilität(erklärbar)

IndividuelleRestvariabilität

(zufällig)



3.2.3 Determinanten routinisierten und insbesondererhythmischen Verkehrsverhaltens

Wird Verkehr als ein Mittel zur Befriedigung des Wunsches nach Ausübung außer-häuslicher Aktivitäten angesehen, stellt sich die Frage nach den Faktoren, die die Ent-scheidung über deren Ausübung und die Kombination in komplexen Mustern be-einflussen. Die Herausbildung von Verhaltensroutinen im Verkehr muss insbesondere alsFolge unterschiedlicher psychologischer Prozesse sowie umweltbedingter und sozialerEinflüsse gewertet werden. Für die Entstehung rhythmischer Muster des Verkehrs-verhaltens zeichnen vorrangig zeitliche Aspekte der sozialen Umwelt (Verpflichtungen wieArbeitszeiten, Aufgabenteilung im Haushaltszusammenhang, Verabredungen etc.) undpsychologische Aspekte beim Prozess der Entscheidungsfindung verantwortlich.Letzteres bezieht sich auf eine Reihe von Situationen im Alltag bzw. bei der Mobilität, indenen durch die Wahl einer bekannten, bewährten Handlungsalternative eine Entlastungvon Entscheidungserfordernissen angestrebt wird.

An dieser Stelle soll zwischen generellen Determinanten der Zeit- und Raumnutzung undspezifischen Determinanten rhythmischer Elemente des Verkehrsverhaltensunterschieden werden. Erstgenannte erklären schon einen beträchtlichen Teil gewohn-heitsmäßiger Verhaltensaspekte und bilden – wie beschrieben – den konzeptionellenHintergrund für das Erklärungsschema aktivitäten-basierter Verkehrsforschung.

Generelle Determinanten der Zeit- und Raumnutzung; die Entstehung vonAktivitätenmuster

Die Zeitbudget- bzw. Zeitnutzungsforschung gibt verschiedene Hinweise auf die Ursachenund Motive zeiträumlichen Alltagsverhalten, wobei die Erklärungsansätze ihre Wurzeln inverschiedenen Wissenschaftsbereichen haben4. Zu diesen gehören im wesentlichen dieRaum-Zeit-Geographie und die generelle Verhaltenspsychologie. Mobilitätsverhalten kannsicher umfassend nur unter Berücksichtigung einer Vielzahl von Erklärungsansätzenbeschrieben werden. Im folgenden sollen diejenigen umrissen werden, die als wesentlicheGrundlage aktivitäten-basierter Verkehrsforschung im oben beschriebenen Sinne gelten:

Mikroökonomische Theorie und Nutzenmaximierung

Ausgangspunkt des mikroökonomischen Erklärungsansatzes zum Gebrauch desZeitbudgets ist die Annahme, dass Haushalte ebenso wie Unternehmen als Produktions-einheiten angesehen werden müssen (Becker, 1965; 1976). Im Rahmen ihrerMöglichkeiten erstellen sie Gebrauchsgüter (commodities) wie haushaltsinterne Dienst-leistungen, für die finanzielle und zeitliche Ressourcen eingesetzt werden müssen.

4 Eine Übersicht über konzeptionelle und methodische Grundlagen der Zeitbudgetforschung unddie Überschneidungen mit der Verkehrsverhaltensforschung geben Bhat und Koppelman, 1999.

Stand des Wissens und der Technik über die rhythmischen Muster derVerkehrsteilnahme auf Haushalts-/Personenebene 43


Analog zu den Theorien über das Marktverhalten von Unternehmen kann somit auchprivaten Haushalten unterstellt werden, dass sie bei der Produktion der Gebrauchsgüterden Prinzipien der Kostenminimierung auf der einen und der Nutzen- bzw. Gewinn-maximierung auf der anderen Seite folgen. Damit unterliegen alle Aktivitäten einer fiktivenKosten- bzw. Nutzenrechnung, deren Resultat Einfluss auf das menschliche Verhaltenund die Planung sowie Umsetzung der täglichen Aktivitätenmuster besitzt. Aktivitäten, diezu einem größerem Nutzen führen, werden als wertvoller eingestuft als solche, dieweniger Nutzen generieren, und erhalten bei der persönlichen Zeitplanung größerePriorität.

Ein monetärer Aspekt des Zeitgebrauchs wird mit der Annahme eingeführt, dass sich dasverfügbare Einkommen von Haushalten im wesentlichen aus den Komponenten Geld-einkommen aus Erwerbsarbeit und entgangenes Geldeinkommen als Folge der Ausübungquasi unentlohnter Aktivitäten (Freizeit, Hausarbeit, Kindererziehung etc.) zusammen-setzt. Für die persönlichen Zeitbudgets bedeutet dies, dass die verfügbare Gesamtzeit indie zwei Blöcke produktive bzw. Geldeinkommen generierende Arbeitszeit undhaushaltsbezogene Reproduktionszeit (Eigenarbeit) zerfällt. Somit lassen sich Modelleentwickeln, die beispielsweise die Auswirkungen von Gehaltssteigerungen auf die Auft-eilung des Zeitbudgets prognostizieren oder die Zusammenhänge zwischen Preis-steigerungen bei Konsumgütern oder -dienstleistungen und deren Substitution durchEigenarbeit erklären.

Raum-Zeit-Geographie

Die meisten Ansätze zur Analyse und Prognose des persönlichen Zeitgebrauchs basierenauf der klassischen Raum-Zeit-Geographie der Lund-Schule (Hägerstrand, 1970;Carlstein, Parkes und Thrift, 1978) und auf verwandten Theorien zur Entstehung vonAktivitätenmustern (Chapin, 1965; 1974; 1978; Heidemann, 1981; Beckmann, 1983).Ihnen gemeinsam ist die Vorstellung, dass menschliches Verhalten sich in ein komplexesSystem von verschiedenen persönlichen sowie von außen gegebenen Restriktioneneinordnet und sich somit in einem eingeschränkten Entscheidungsraum bewegt.

Die Lund-Schule ordnet jeder Aktivität jeweils einen Raum- und einen Zeitaspekt zu, dieuntrennbar miteinander verbunden sind. Das Modell bildet die Raum-Zeit graphisch alsdreidimensionales System ab, bei dem die Komponente Raum eine zweidimensionaleEbene aufspannt und die Komponente Zeit auf die vertikale Achse angetragen wird (Abb.22). Die Folge der Aktivitäten einer Person über einen bestimmten Zeitraum (Tagesablauf,Wochenablauf, Lebensablauf o.ä.) kann als Pfad durch das Raum-Zeit-System dargestelltwerden, bei dem Ortsveränderungen eine Änderung der räumlichen und zeitlichenKoordinaten im dargestellten System mit sich bringen.



Abb. 22: Darstellung des Tagesablaufs in der Raum-Zeit-Geografie (Quelle: Nach Volkmar1984, S. 12)

Die Ausübung von Aktivitäten unterliegt diversen inneren und äußeren Zwängen(constraints), die den persönlichen Entscheidungsraum und die freie Einteilung desZeitbudgets einschränken. Sie ergeben sich aus den Bedürfnissen und Erfordernissen zurmenschlichen Interaktion sowie aus kulturellen und rechtlich-organisatorischen Regelnund Gesetzen. Hägerstrand definiert drei Hauptkategorien von Restriktionen, die eindichtes Netz von Wechselwirkungen knüpfen und deren Kumulation bei bestimmtenPersonen oder Personengruppen zu Beschränkung der räumlichen und zeitlichenAktivitätschancen führen kann. Im einzelnen gruppiert er die Vielzahl von verschiedenenRestriktionen in

• capability constraints (Kapazitätsrestriktionen): individuelle biologische und physio-logische Notwendigkeiten wie Schlafen oder Nahrungsaufnahme,

• coupling constraints (Koppelungsrestriktionen): Einschränkungen der freien Zeitein-teilung resultierend aus der Abstimmung mit Zeitplänen und Standorten vonEinrichtungen und den Interaktionen zwischen Personen (Verabredungen und Treffenmit anderen Haushaltsmitgliedern, Freunden, Geschäftspartnern etc.) und

• authority constraints (Institutionelle Restriktionen): formelle und informelle Regeln undGesetze ökonomischer und rechtlicher Natur wie Öffnungszeiten, Machtverhältnisseusw. (Hägerstrand, 1970).

Übertragen auf die graphische Raum-Zeit-Darstellung wirken die Restriktionen wiekonzentrische Röhren (Shapcott und Steadman, 1978), die die Gestaltung des zeitlichenund räumlichen Aktionsraums einschränken bzw. bestimmte Aktivitäten wie z.B. Arbeitfest im Tagesablauf verorten (Abb. 23a). Neben der festen Zeitplanung von Aktivitätenbleibt disponible Zeit als Restgröße übrig, die im Modell als Zeitinsel oder -prismaerscheint. Deren Ausprägungen und Freiheitsgrade werden durch die individuellenMobilitätsmöglichkeiten (körperliche Fitness, Motorisierung und sonstige Verkehrs-angebote, Entfernung der Wohnung zur Arbeitsstätte etc.) festgelegt (Abb. 23b).



a) b)

Abb. 23: Wirkungen von Restriktionen (constraints) auf das Raum-Zeit-Modell (a) und dieRaum-Zeit-Flexibilität außerhalb festgelegter Zeitkorridore (Zeit-Prismen) (b)(Quellen: a) Jones et al, 1983, S.44/45, b) Nach Volkmar, 1984, S. 12)

Human Activity Patterns in the City

Vor einem stärker planerischen Hintergrund entwickelt Chapin ein dreistufiges Modell zurErklärung von Aktivitätssystemen in Städten (Chapin, 1965; 1974; 1978). BesonderesInteresse gilt den Wechselwirkungen zwischen den Aktivitäten von Personen sowie Haus-halten und den Prozessen innerhalb von institutionellen Einrichtungen wie Arbeitsstätten,Behörden oder Schulen.

Der Entscheidungsprozess bei der Aktivitätenwahl im städtischen Kontext gliedert sich beiChapin konzeptionell in die Komponenten

• Motivation zur Ausübung einer Aktivität,

• Wahl einer möglichen Option zur Bedürfnisbefriedigung und

• Ergebnis des Entscheidungsprozesses (Chapin, 1978).

Die Wahrscheinlichkeit der Auswahl einer bestimmten Aktivität wird im wesentlichen durchdie persönlichen Neigungen, den situativen zeitlichen Rahmen der Entscheidung sowiedie wahrgenommenen räumlichen Möglichkeiten zur Teilnahme an der Aktivität bestimmt.

Neigungen gehen auf Motivationen und Einstellungen der Person zurück, Möglichkeitenauf den Einschätzungen und Wahrnehmungen der Erreichbarkeit und der Ausstattung vongegebenen Aktivitätsorten. Deutlicher als bei der Lund-Schule kommt der Wahrnehmungder Umwelt und der Einschätzung des situativen zeitlichen Kontextes bei der Reise-entscheidung eine entscheidende Rolle zu.



Wahrscheinlichkeitder Auswahl

Neigungen(Motivationen, Zuneigung,

Wertschätzungen undWunsch nach

Selbstverwirklichung)

Angemessene zeitliche Situation(Zeitpunkt der Entscheidung undäussere Umstände)

Wahrgenommene Möglichkeiten(Angemessene Erreichbarkeit und

Ausstattung )

Ausübung derAktivität

Unvorher-sehbare

Umstände

Wahrscheinlichkeitder Berücksichtigung

Abb. 24: Human Activity Patterns in the City: Ablauf des Entscheidungsprozesses (Quelle:Nach Chapin, 1978, S. 15)

Sozial-ökologischer Ansatz

Aufbauend auf Theorien zur Ökosystemforschung aus der Biologie entwickelt Heidemannseinen sozial-ökologischen Ansatz zur Erklärung des individuellen Mobilitätsverhaltens(Heidemann, 1981). Menschliches Verhalten wird darin als Resultat von Wechsel-wirkungen zwischen Individuen und Haushalten mit ihrer Umwelt, d.h. der technischenund sozialen Infrastruktur definiert. Interaktionen zwischen der Nachfrageseite(Haushalten) und dem Angebot an ‚Möglichkeiten‘ (Umwelt/Infrastruktur) führen Ent-scheidungssituationen herbei, bei denen die Bedürfnisse des einzelnen mit denangebotenen Optionen seiner Umwelt in Verbindung gebracht werden. Das Ergebnis derAbwägungsprozesse innerhalb der Entscheidungssituationen ist individuelles räumlichesVerhalten, das Ortsveränderungen und damit Verkehr induziert.

Ähnlich wie bei der Lund-Schule wird davon ausgegangen, dass eine Reihe vonRestriktionen regulierenden Einfluss auf das zeiträumliche Verhalten haben, wofür dieBegriffe Regime und Budgets eingeführt werden. Regime umfassen allgemeine Regelnund Gesetze und deren Einfluss auf die gesellschaftliche Organisation, wohingegenBudgets die persönlichen und gruppen-bezogenen Möglichkeiten und Kapazitäten zurindividuellen Nutzenmaximierung widerspiegeln. Gesellschaftliche sowie persönlicheRestriktionen des zeiträumlichen Verhaltens gliedert Heidemann weiterhin in dieKategorien Zeitrestriktionen, Mittelrestriktionen (means) sowie Informations- bzw.Wissensrestriktionen, womit ähnliche Zwänge (constraints) wie bei Hägerstrand gemeintsind.



Interaktion

Umwelt Bevölkerung

Verhalten

PersonenSituation

Aktivitäten

Abb. 25: Sozial-ökologisches Modell des Verkehrsverhaltens (Basisschema) (Quelle:Nach Heidemann, 1981, S. 292)

Zugehörigkeit zu einer bestimmten (verhaltenshomogenen) Bevölkerungsgruppe

Kutter stellt die demographischen Determinanten von Personen und Haushalten in denMittelpunkt seines Erklärungsansatzes für die Einteilung des Zeitbudgets und des darausresultierenden Verkehrsverhaltens (Kutter, 1972; 1973). Vor allem im deutschsprachigenRaum gilt dieses Konzept bis heute als Basis für die eingehende Analyse von komplexenVerhaltensmustern im Verkehr (siehe Lammers und Herz, 1979; Schmiedel, 1984). Einähnliches Konzept entwickelt auch Harvey zur Erklärung des Verwendung des täglichenZeitbudgets (Harvey, 1982).

Als theoretische Grundlage seines Ansatzes verwendet Kutter die in der Psychologie undder Soziologie verbreitete ‚Rollentheorie‘5, die Verhalten als Ausdruck eines sozialenLernprozesses beschreibt. Nach der Rollentheorie bewegen sich Individuen in festen,vorgefundenen Verhaltensweisen, die ihnen durch persönlichkeitsbildende Institutionenwie Schule oder Familie vermittelt werden und der sie sich mit hoher Wahrscheinlichkeitanpassen. Aufbauend auf dieser Theorie klassifiziert Kutter die Bevölkerung unter vor-rangiger Berücksichtigung sogenannter Schlüsselrollen in eine Reihe von verhaltens-homogenen Gruppen, deren Mitglieder sich in diversen demographischen Charakteristikaentsprechen. Zur Klassifizierung der Gruppen wurden die Attribute Berufstätigkeit,Stellung im Beruf, Geschlecht sowie die Verfügbarkeit eines Automobils verwendet.

Das für die Verkehrsforschung operationalisierte Konzept der Rollentheorie lehnt sichmethodisch stark an die Theorien der Raum-Zeit-Geographie an. Mit der Betonung einerHauptaktivität von Personen über die Attribute Berufstätigkeit und Stellung im Berufwerden sowohl das Zeitbudget als auch die Zeitplanung von Aktivitäten über den Tagschon von vornherein begrenzt und den Mobilitätsbedürfnissen aus der Beteiligung amErwerbsleben untergeordnet. Damit wird die Rolle von Individuen aus pragmatischenGründen auf ihre Hauptaktivität verkürzt, um eine Quantifizierung menschlichenVerhaltens zu ermöglichen. Die derartige Übertragung der Rollentheorie auf die

5 Eine zusammenfassende Übersicht gibt Wiswede, 1977.



Zeitbudgetforschung und die Verkehrsplanung wurde an vielen Stellen kritisch diskutiert(siehe Volkmar, 1984, 18ff.). Insbesondere wurden die immanente Hypothese desdauerhaft konstanten Verhaltens und die ausschließliche Konzentration des Konzeptesauf die Pflichtaktivität (meist Arbeit) in Frage gestellt.

Situativer Ansatz zur Erklärung von Wahlentscheidungen (Modell des individuellenVerhaltens)

Im situativen Ansatz zur Erklärung des Verkehrsverhaltens wird zusätzlich zu denFaktoren, die üblicherweise Reiseentscheidungen beeinflussen (persönliche und umwelt-bedingte Restriktionen, Leistungsfähigkeit der Verkehrssysteme und soziale Wert-haltungen und Einstellungen gegenüber der persönlichen Mobilität) die individuelleWahrnehmung des Verkehrsteilnehmers berücksichtigt (Brög und Erl, 1980; 1983).Ausgangspunkt des Erklärungsansatzes ist die Annahme, dass die objektiven Umständeeiner Reise (z.B. das Angebot an Einkaufsgelegenheiten und deren Erreichbarkeit durchverschiedene Verkehrsmittel) von jeder Person in eine subjektive Situation überführt wird,in der alle individuellen (Reise-)Entscheidungen getroffen werden. Wirklichkeit und diepersönliche Wahrnehmung der Umwelt können dabei teils wesentlich voneinander ab-weichen, da jeder einzelne die objektive Umwelt mehr oder minder bewusst verzerrt auf-nimmt und bewertet. (Verkehrs-)Verhalten ist demnach das letzte Glied in einer Kette vonWahrnehmungs- und Entscheidungsprozessen (siehe auch Beckmann, 1983).

Die Entscheidungsfindung unterliegt daneben einer subjektiven Logik des Verkehrs-teilnehmers, die unter Umständen im Gegensatz zur Politik und/oder der Wissenschaftsteht und eine detaillierte Analyse der Werthaltungen nötig macht, um Verhaltens-änderungen herbeizuführen. Brög und Erl schlagen aus diesem Grunde die Anwendungvon interaktiven Messmethoden vor, die es erlauben, die Komplexität der subjektivenEntscheidungsrationalität zu erfassen (Brög und Erl, 1980). Dies kann im wesentlichendadurch garantiert werden, dass die Zurückhaltung und Hemmnisse der Befragtenwährend der Interviewsituation durchbrochen wird und Informationen generiert werden,die über die Wahrnehmungsebene des Verkehrsteilnehmers hinausgehen.

ObjektiveUmstände

PersönlicheWahrnehmung

SubjektiveSituation

IndividuelleEntscheidung Verhalten

Abb. 26: Situativer Ansatz: Verhalten als Resultat von Umweltwahrnehmung (Quelle:Nach Brög und Erl, 1980, S. 2)



Spezifische Determinanten für die Entstehung gewohnheitsmäßigen Verkehrs-verhaltens und insbesondere rhythmischer Muster

Gewohnheitsmäßiges Verkehrsverhalten

Gewohnheitsmäßiges Verkehrsverhalten, also die Wiederverwendung von bekanntenLösungen in ähnlichen oder identischen Situationen, kann im wesentlichen alsmenschliche Strategie angesehen werden, die Komplexität und Vielfalt der städtischenUmwelt zu bewältigen.

„The point is that the process of adaptive routinization may be viewed as anentirely rational response to a highly complex situation. It is a way of negotiatinga tortuous path through a difficult environment and a wealth of commitments.Repetitive deliberation and choice are impossible luxuries when it comes to dayto day living in a post-industrial city“ (Cullen 1978).

Fast ebenso wichtig für die Herausbildung von Verhaltensroutinen ist sicher die Frage,wie Verkehrsteilnehmer das (wachsende) Angebot an Informationen über den zeitlichenund räumlichen Kontext des Reisens verarbeiten können und diese Informationen füralternative Entscheidungen nutzen. Die Möglichkeit für alternative Reiseentscheidungenwie z.B. der Entschluss, eine abweichende Routenoption zu wählen, sind zweifelsohnewichtig, um der Langeweile komplett automatisierten Verhaltens zu entkommen. Dieserfordert jedoch die Operationalisierung erworbener räumlicher Kenntnisse undInformationen (Huff und Hanson, 1986).

Als wesentliche Faktoren der Herausbildung von Verhaltensroutinen gelten die AspekteBounded Rationality und Kognitive Landkarten:

• Bounded Rationality

Trotz der im vorangegangenen Abschnitt beschriebenen Prämisse menschlichenVerhaltens, beim Einsatz ihrer Ressourcen (Zeit, Einkommen etc.) nutzen-maximierend zu agieren, kann nur selten davon ausgegangen werden, dass die besteAlternative des Verhaltens gewählt wird, wenn – möglichst schnell – wenigerprioritäre Entscheidungen getroffen werden müssen. Die letztlich gewählteVerhaltensoption weicht zum Teil grundlegend von der objektiv optimalen ab, je nachdem, welche Bedeutung der Entscheidung beigemessen wird oder welche Kosten-und Nutzenerwartungen geweckt werden. Dieses Verhaltensphänomen ist unter demSchlagwort Bounded Rationality bekannt geworden (Simon, 1955) und äußert sich imallgemeinen darin, dass häufig eine befriedigende, subjektiv ausreichende Lösungder optimalen vorgezogen wird. Die Akzeptanz zufriedenstellender Lösungen führtdazu, dass in der Vergangenheit adäquat angewandte (Routine-)Lösungen undVerhaltenselemente gewählt werden, um eine weitere Komplizierung derEntscheidungsfindung durch eine zusätzliche Suche, Organisation und Bewertungvon Informationen zu umgehen.

Die unzureichende Verfügbarkeit von zusätzlichen Informationen, die für das optimaleProblemlösen benötigt würden, sowie die eingeschränkte kognitive Verarbeitungs-



kapazität, ist eine weitere Ursache für routinisiertes Verhalten. Die Qualität derInformationen über Reisemöglichkeiten wie örtliche Angebote oder die Netzstrukturoder –leistungsfähigkeit von Verkehrssystemen besitzt wichtigen Einfluss auf dieReiseentscheidung (Schofer, Khattak und Koppelman, 1993). Je genauere, zeitlichnähere und verständlichere Informationen zur Verfügung stehen, desto größer wirdder Entscheidungsspielraum und die Wahrscheinlichkeit, dass von Verhaltens-routinen abgewichen werden kann.

Menschen benutzen daneben üblicherweise einfache Regeln zurEntscheidungsfindung (Simon 1979; Schofer, Khattak und Koppelman, 1993) undkombinieren ihre passiv gespeicherten Erfahrungswerte und ihr Wissen, umlangfristige (z.B. Autoerwerb) oder kurzfristige Entscheidungen (z.B. Abfahrtszeiteiner Reise) zu fällen. Da die Kombination aus zur Verfügung stehenden Wissensund zusätzlicher Informationen insgesamt zu komplizierten Entscheidungssituationenführen kann, vereinfacht das menschliche Gehirn die Substanz der Informationen, umin kurzer Zeit möglichst viele Entscheidungen treffen zu können (siehe Kahnemann,Slovic und Tversky, 1982). Folge dieses Prozesses ist das Zurückgreifen auf bishererfolgreiche Lösungen.

• Kognitive Landkarten bzw. die begrenzte Kenntnis der räumlichen Umwelt

Gewohnheitsmäßiges Verkehrsverhalten stellt sich auch dadurch ein, dass diemenschliche Kenntnis der räumlichen Umwelt und damit das Set von individuellwirksamen Optionen bei räumlichen Reiseentscheidungen wie der Routenwahl nichtunendlich groß sind, sondern Kapazitätsbeschränkungen unterliegen. Die Wahr-nehmung und Verarbeitung der räumlichen Informationen innerhalb kognitiverProzesse begrenzen die mentale Darstellungskapazität und die Auflösung des Wege-netzes sowie der physischen Umgebung. Die Abbildung der räumlichen Umwelt inden Vorstellungen des einzelnen erfolgt somit meist nicht wirklichkeitsnah (sieheDowns und Stea, 1977; Lynch, 1960). Die physische Umgebung wird vielmehr inkognitiven Landkarten (mental maps oder cognitive maps) festgehalten, die nur eineunvollständige, im Maßstab verzerrte und fehlerbehaftete Wiedergabe ermöglichen(siehe Downs und Stea, 1977; Lynch, 1960; Gould und White, 1986). KognitiveLandkarten haben demnach großen Einfluss auf Reise(ziel)entscheidungen, denn siespeisen den relevanten Pool an Entscheidungsoptionen bei der Routen- undVerkehrsmittelwahl. Beispielsweise kann nur dann die Entscheidung getroffenwerden, einen Stau zu umfahren, wenn die im Gehirn gespeicherte Kenntnis desStraßennetzes eine positive Bewertung der Abweichung von der üblichen Verhaltens-routine erlaubt. Zwischen Individuen bestehen große Unterschiede beim Verständnisund der Nutzung räumlicher Informationen, womit die unterschiedliche Neigung,räumlich variabel zu agieren, erklärt werden kann.



Rhythmische Muster des Verkehrsverhaltens

Rhythmische Muster des Verkehrsverhaltens sind im wesentlichen Ausdruck derWechselwirkungen routinisierten Verhaltens mit biologischen, kulturellen und sozialenRhythmen, die den Entscheidungsraum für das Aktivitäten- und Verkehrsverhaltenzusätzlich einschränken. Individuellen Entscheidungen über die Einteilung desverfügbaren Zeitbudgets, die Kombination von Aktivitäten und Wegen inTagesprogrammen und explizite Reisewahlentscheidungen steht eine meist von außenbestimmte koordinierte rhythmische Struktur gegenüber (Shapcott und Steadman, 1978).Sie setzt sich aus den unterschiedlichsten rhythmischen Veränderungen des Reise-kontextes sowie der Umwelt zusammen und wird hauptsächlich durch gleichmäßigeWechsel im Wochen- und Jahreslauf bestimmt. Zu den rhythmischen Veränderungengehören z.B.

• der Wechsel der Jahreszeiten mit Witterung und Helligkeit,

• die Aufteilung der Woche in die Blöcke Werktage und Wochenende,

• eine unterschiedliche Zugänglichkeit von Aktivitätszentren wie Geschäfte, Freizeit-einrichtungen, Behörden etc. (Regelung der Öffnungszeiten),

• die Tatsache fester Treffpunkte und Zeiten von Gruppen oder Vereinen,

• die Aufteilung der Ausbildungszeiten in Schuljahre und Semester und

• Urlaubsrhythmen und –regelungen.

Der Freiheitsgrad menschlichen Verhaltens unterliegt jedoch nicht nur den rhythmischenVeränderungen allgemeiner natürlicher Art (Jahreszeiten) und denen eines allseitsakzeptierten gesellschaftlichen Fahrplans (social timing) mit festen Öffnungszeiten,Maschinenlaufzeiten oder der Konvention, zu bestimmten Zeiten gemeinsam zu essen,sondern auch individuellen körperlichen Notwendigkeiten. Zusammenfassend lassen sichdrei Kategorien kurz- und mittelfristiger rhythmischer Veränderungen darstellen, dieEinfluss auf die Einteilung des Zeitbudgets haben (Shapcott und Steadman, 1978):

• physiologische Rhythmen der Körperfunktionen (z.B. Schlaf und Essensbedürfnisse),

• kulturelle sowie soziale Rhythmen (rechtliche Restriktionen, kulturelle Konventionenund zeitlich organisierte soziale Verträge etc.) und

• übergeordnete biologische und astronomische Rhythmen wie jahreszeitlicheBesonderheiten oder der Wechsel von Tag und Nacht.

Die individuellen und umweltbedingten Rhythmen beeinflussen sich meist gegenseitig undbesitzen in der Regel einen selbstverstärkenden Charakter („Restaurants haben danngeöffnet, wenn die Besitzer annehmen, es müsse gegessen werden – Menschen gehendann ins Restaurant, wenn die Restaurants geöffnet haben“).



Daneben existieren weitere langfristige Veränderungen, die meist über den Wechseleines Jahres hinausgehen und ebenfalls – wenn auch schwerer messbare und ehersinguläre – Implikationen für das Verkehrsverhalten von Personen und Haushaltenbesitzen. Dazu gehören beispielsweise kulturelle oder sportliche Großveranstaltungenoder der Wechsel in der politischen Führung eines Landes (Wahlrhythmen, Jubiläen etc.).

Mit diesen Erklärungsansätzen für rhythmische Elemente innerhalb gewohnheitsmäßigenVerkehrsverhaltens wird das im vorangegangenen Abschnitt beschriebene Set vonRestriktionen, das mit der Raum-Zeit-Geographie eingeführt wurde, um einenperiodischen Aspekt ergänzt (Abb. 23). Er trägt dazu bei, dass ein gewisser Anteil desroutinisierten Verhaltens zeitlich fixiert bzw. als regelmäßig wiederkehrend identifiziertwerden kann.

Rhythmische Muster als Ausdruck der Gleichzeitigkeit von Aktivitäten verschiedenerPersonen und Institutionen besitzen jedoch nicht nur eine zeitliche Komponente –vielmehr muss davon ausgegangen werden, dass die zeitliche Parallelität von Aktivitätenebenso Implikationen für die räumliche Verteilung von (Aktivitäts-)Standorten mit sichbringt. Die zu beobachtende Anordnung der räumlichen Nutzungen und die Nähebestimmter Einrichtungen zueinander (z.B. diejenige von Schnellrestaurants zu Arbeits-platzzentren) trägt dieser Tatsache Rechnung. Shapcott und Steadman (1978, S. 56)bemerken dazu:

„It is clear that in all these sorts of relationships what is important isthe combination of the relative phasing of the rhythmic constraints intime with the spatial distribution of the facilities or places involved, inrelation to each other. ... Thus we have the phenomenon, asremarked by Parkes, that ‚simultaneity in time encourages propinquityin place‘ (Parkes, 1974)...“

Die Herausbildung Zeit- oder Rhythmus-abhängiger räumlicher Nutzungsmuster kann alsFolge der Einheit von Zeit und Raum bei menschlichen Aktivitäten angesehen werden. Ihrgegenseitige Beeinflussung und ihre Wechselwirkungen werden insbesondere in denInnenstädten mit ihren Einkaufs-, Geschäfts-, Vergnügungszonen deutlich, wo je nachTageszeit unterschiedliche Nutzungsmuster und -intensitäten zu beobachten sind.



Eink

aufe

n

Frühes Schliessen

Wochenende

x

Zeit

yMontag

Dienstag

Mittwoch

Donnerstag

Freitag

Samstag

Sonntag

Montag

Dienstag Schu

le

Arb

eit

Ein

kauf

en Frei

zeit

2

Frei

zeit

1

Arb

eit

Ein

kauf

en

Abb. 27: Rhythmische Muster und Raum-Zeit-Geographie: Wirkungen einzelnerRestriktionen (Wochenende, Frühes Schließen der Geschäfte) auf dasZeitbudget eines Haushalts im Wochenverlauf (Quelle: Verändert nach Shapcottund Steadman, 1978, S. 53)

3.3 Methodische Voraussetzungen für die Analyserhythmischer Muster

Die Analyse von Verhaltensroutinen im Verkehr und insbesondere von rhythmischenMustern stellt die Aktivitätenforschung vor besondere methodische Herausforderungen.Die Untersuchung jener komplexen Verhaltensaspekte hat die Weiterentwicklung desSimulations- und Prognoseinstrumentariums der Verkehrsforschung und –planung nötiggemacht – häufig unter Einbeziehung von Techniken aus anderen Wissenschafts-bereichen. In diesem Abschnitt wird eine wesentliche konzeptionelle und methodischeEntwicklung näher beleuchtet: die Technik des Mustervergleichs.



Methoden zur Kategorisierung von Tagesprogrammen und zum Vergleich vonVerhaltensaspekten

Wesentliche Voraussetzung für die Analyse und Prognose von rhythmischen Mustern imVerkehrsverhaltens von Personen und Haushalten ist die Entwicklung geeigneterMethoden zur Messung und zum Vergleich von Verhaltensaspekten – insbesondere vonindividuellen täglichen Aktivitätenmustern und resultierenden Wegeketten. Während fürden Vergleich der gängigen Mobilitätskennziffern wie Wegehäufigkeit, Tagesdistanzen,Reisezeitbudget etc. grundlegende statistische Methoden angewendet werden können,besteht bisher noch kein allgemein anerkannter Ansatz zur Identifikation und Bewertungvon Übereinstimmungen bei Aktivitäten oder Aktivitätenprogrammen über längereZeiträume (siehe Hanson und Huff, 1988b; Jones und Clarke, 1988). Aktivitäten undAktivitätssequenzen enthalten eine Vielzahl von Dimensionen menschlichen Verhaltens(Zeit, Raum, individuelle Charakteristika der Person oder des Haushaltskontextes etc.),was die Klassifizierung in Untergruppen sowie die Vergleichbarkeit der Musteruntereinander erschwert. Die Operationalisierung und Quantifizierung dessen, wasChapin als „things people do in time and in space“ beschreibt (Chapin, 1974), erfordertoffensichtlich eine starke Abstraktion und Vereinfachung des beobachteten Verhaltens(Hanson und Burnett, 1981).

Die folgenden Ausführungen liefern eine Übersicht über bisherige Ansätze zurMusteridentifizierung und des Mustervergleichs für einzelne Aktivitäten und Wege oderSequenzen unterschiedlicher Länge. Sie basieren auf verschiedenen theoretischenGrundlagen und übernehmen grösstenteils Elemente aus fachfremden Disziplinen. Diedargestellten Ansätze unterscheiden sich nicht nur wesentlich in ihren konzeptionellenWurzeln, sondern weisen stark unterschiedliche Ausprägungen in ihrer Komplexität auf.Hanson und Burnett (1981) teilen die grundlegenden Verfahren zur Musteranalyse und –klassifizierung in zwei Kategorien ein:

1. Verfahren, bei denen Tagesprogramme oder Teile von diesen zunächst in ihreeinzelnen Elemente und Dimensionen zerlegt werden, um diese in der Folge separatzu untersuchen und zu vergleichen

2. Verfahren, bei denen Muster als komplette Einheiten betrachtet und als ganzesuntersucht oder gruppiert werden.

Im allgemeinen kann angenommen werden, dass die Komplexität der Methodik zurBestimmung und Bewertung der Ähnlichkeit unterschiedlicher Verhaltensmuster starkenEinfluss auf die Analyseergebnisse, d.h. auf die Aussagen über rhythmisches einerseits,oder variables Verkehrsverhalten andererseits hat. Bezugnehmend auf einen Vergleichihrer gewählten – verhältnismäßig komplexen – Methodik mit eindimensionalen Ansätzenzur Entwicklung von sogenannten Ähnlichkeitsmaßen stellen Huff und Hanson fest:

„In general, we would expect that the more detailed and complex the measureof behavior, the lower the level of repetition likely to be observed and the lesslikely a uniform (regular) temporal pattern is to revealed.“ (Huff und Hanson,1988b, 132).



Mustererkennungstheorie

Die Anwendung der Mustererkennungstheorie (pattern recognition theory) ermöglicht es,beobachtete Aktivitätenmuster zu analysieren und zu charakterisieren und dieVergleichbarkeit zwischen verschiedenen Tagesprogrammen herzustellen (Recker,McNally und Root, 1983; Recker und McNally, 1985). Sie bildet in diversen anderenBereichen der Wissenschaft wie der Bild- oder Charakteranalyse die theoretischeGrundlage für die Erforschung komplexer Zusammenhänge.

Bei der Übernahme des Konzeptes für die Zeitbudget- und Verkehrsverhaltensforschungwerden die Beschreibungsgrößen zeiträumlichen Verhaltens als n-dimensionaler Vektor(Mustervektor) definiert. Dessen Komplexität bestehend aus räumlichen, zeitlichen undanderen Elementen macht es nötig, einzelne Bestandteile des Vektors zu identifizierenund separieren, ohne dass wichtige Vergleichsinformationen verloren gehen. Diesgeschieht über komplexe mathematische Transformationen, deren Ablauf sich in dieEbenen Musterspezifizierung, Merkmalsauflösung und Musterklassizifierung gliedert.Generell wird angestrebt, die Mehr-Dimensionalität von Aktivitäten (Zeit – Raum –Aktivitätstyp etc.) in äquivalente Vektoren zu transformieren, die weniger Dimensionen(Charakteristika) enthalten. Jene weniger komplexen Strukturen lassen sich durch weitereReduktion sowie durch Inversion der Zwischenergebnisse in weitere Umwandlungs-prozesse als repräsentative Aktivitätenmuster abbilden (Tab. 2) und relativ einfachvergleichen.

Muster Aktivitäts- bzw.Wegcharakteristik

Sozio-ökonomischeCharakteristik

Siedlungsprofil derWohngegend

A Wohnung-Arbeitsstätte-Wohnung, etwa 25Meilen, keine Wege nachder Arbeit

Meist berufstätig,männlich,Haushaltsvorstand, Alter:25-34 Jahre, 97%Selbstfahrer (Auto)

GeringeSiedlungsdichte, hohesEinkommen

B Wohnung-Arbeitsstätte-Einkaufen-Wohnung;etwa 7 Meilen, abendlicheEinkaufsfahrt

Meist berufstätig,männlich,Haushaltsvorstand, Alter:35-44, 93% Selbstfahrer(Auto)

GeringeSiedlungsdichte, hohesEinkommen

C Jemanden bringen / holen(meist Schule oderArbeitsstätte) innerhalbvon 3 Meilen derWohnung, abendlicheFreizeit-/Besuchsaktivität

Nicht-berufstätige (Ehe-)Frauen mit (Klein-)Kindern als Begleitung,gleichmäßigeAltersverteilung, 57%Selbstfahrer (Auto)

Hohe Siedlungsdichte,geringes Einkommen

Tab. 2: Erzeugung beispielhafter repräsentativer Aktivitätenmuster durch Muster-erkennung auf der Basis einer Verkehrserhebung (Quelle: Nach Recker et al.,1983, S. 425)



Die Anwendung der Mustererkennungstheorie in der Mobilitätsverhaltensforschung bietetgegenüber den – teils im folgenden beschriebenen – weniger komplexen Methoden derMustererkennung zwei wesentliche Vorteile: Einerseits kann eine große Fülle vonVariablen menschlichen Verhaltens in den Klassifizierungsprozess einfließen,andererseits gehen nur wenige Informationen des ‚Inputs‘ im Prozess selber verloren, wasinsgesamt die Qualität der Vergleichbarkeit erhöht.

Einfache Kategorisierung von Wegeketten nach der Häufigkeit ihres Auftretens

Herz untersucht anhand des KONTIV-Datenbestands von 1976 die Häufigkeit desAuftretens aller beobachteten Tagesprogramme und definiert empirische Grenzen für diezwei Kategorien „Routine- oder Standard-Muster“ und „Seltenes Aktivitätenmuster“ (Herz,1983). Die Gruppierung der vollständigen Aktivitätssequenzen eines Tages basiert somitausschließlich auf dem Grad der Häufigkeit ihres Auftretens sowie auf dem MerkmalAktivitätstyp. Weitere Dimensionen von Wegen und Aktivitäten (Aktivitätsort, -zeit,Verkehrsmittelwahl etc.) bleiben unberücksichtigt. Zu den Standard-Mustern zählt Herz alldiejenigen Sequenzen, die in einer Häufigkeit von mehr als 1% aller Sequenzen auftreten.Alle Tagesprogramme, deren Anteil unter der 1-Prozent-Grenze liegt, werden als seltendefiniert. Der Anteil der Wegeketten, die in eine der beiden Kategorien fallen, dient Herzals Indikator für flexibles bzw. gewohnheitsmäßiges Verhalten (siehe auch Abschnitt3.4.2).

Analytische Klassifizierung täglicher Aktivitätenmuster

Pas entwickelt ein systematisches Verfahren zur Klassifizierung täglichenVerkehrsverhaltens, in dem einerseits ähnliche Tagesprogramme gruppiert werdenkönnen, um häufig wiederkehrende Sequenzen zu identifizieren, und andererseits diegebildeten Klassifizierungen geprüft und bewertet werden (Pas, 1983). Das Verfahrennimmt Bezug auf die konzeptionellen Überlegungen der Raum-Zeit-Geographie (s.o.)sowie auf bekannte Ansätze zur Analyse übereinstimmender Strukturen innerhalb desVerkehrsverhaltens, u.a. auf den Arbeiten von Recker und Kollegen (s.o.) sowie denAnalysemethoden zum Uppsala Household Travel Survey , die im Anschluss beschriebenwerden. Daneben basiert die Methodik auf Grundsätzen der numerischen Taxonomie, ausder als wesentliches Element das Primary-Secondary Attributes Concept übernommenwird. Hierbei werden Untersuchungsgegenständen primäre und sekundäre Merkmalezugeordnet, die sich wechselseitig bedingen. Kann eine Ausprägung des primärenAttributes nicht festgestellt werden, findet keine Zuordnung des / der sekundärenAttribute/s statt. Bei der Übertragung des Konzeptes auf den Vergleich vonTagesprogrammen erhält jeder beobachtete Weg ein primäres Attribut, nämlich einebinäre Variable, die anzeigt, ob der Weg tatsächlich zurückgelegt wurde oder nicht. Dazuwird den Wegen ein Set von sekundären Attributen wie Start- und Ankunftszeit, Art derAktivität am Zielort, Zieladresse etc. zugewiesen.

Die Systematik des entwickelten Klassifizierungsverfahrens basiert auf mehrerenkomplexen Arbeitsschritten, die wie im folgenden Verfahrensrahmen, siehe Abb. 28,zusammengefasst werden können.

Das Ergebnis des Klassifizierungsverfahren ist letztlich ein bzw. wenige Schlüsselmustermit repräsentativem Charakter für das Gros der beobachteten Ketten.



Trans-formation

Interpretationund Prüfung

Gruppierungder Muster

Die Methodik zur Kategorisierung der Tagesprogramme wurde vorrangig für Erhebungenentwickelt, bei denen die Analyse des Verkehrsverhaltens über einen längeren Zeitraumnicht im Mittelpunkt standen. Sie beschränkt sich auf die Identifizierung vonrepräsentativen Wegemustern (Pas, 1983, S. 426). Das Auftreten rhythmischer Musterinnerhalb eines mehrtägigen oder gar mehrwöchigen Untersuchungszeitraums wurdemittels dieses Ansatzes bisher noch nicht erforscht.

Eingabedaten / -muster

Beschreibung der AktivitätenmusterMatrix mit Musterbeschreibungen

Analytischer Vergleich der AktivitätenmusterÄhnlichkeitsmatrix

Verortung der Aktivitätenmuster im Euklidischen RaumReal Space Koordinatenmatrix

Clusterung der ähnlichen MusterMatrix mit Gruppenzugehörigkeiten

Interpretation und Überprüfung der identifizierten GruppenRepräsentative Mustermatrix

Klassifiziertes tägliches Reiseverhalten

Abb. 28: Analytische Klassifizierung nach Pas (Quelle: Nach Pas, 1983, S. 410)

Äquivalenzklassen, Repetition Measure und repräsentative Tage

Auch in den Untersuchungen zum Uppsala Household Travel Survey streben Huff undHanson eine Klassifizierung des Verhaltens in identifizierbare Elemente an, umgewohnheitsmäßiges bzw. variables Verkehrsverhalten analysieren zu können. Siegruppieren zunächst alle beobachteten Wege in sogenannte Äquivalenzklassen, die aufeiner, zwei oder mehr Charakteristika beruhen können (Hanson und Hanson, 1982;1986). Anhand des Datenmaterials der Uppsala-Studie ergeben sich diverseWegecharakteristika (Aktivität am Zielort, Verkehrsmittel, Ankunftszeit am Ziel, Distanzzwischen Quelle und Ziel etc.), die in den Äquivalenzklassen miteinander kombiniertwerden können.

Als Maß der Übereinstimmung in einem Wegepaar wird das sogenannte OverallRepetition Measure Rj (0< Rj < 1) eingeführt, das die Häufigkeit bzw. die Konzentrationder Wege in den jeweiligen Äquivalenzklassen (Zellen der Kontingenztabelle) beschreibt.

Mit dieser Methodik, die den einzelnen Weg und seine Attribute in den Mittelpunkt derAnalyse stellt, ist der Vergleich längerer Aktivitätensequenzen oder Wegeketten noch



nicht berücksichtigt. Der Aspekt der Planung verschiedenster Aktivitäten an einem Tagoder über längere Zeiträume (Stichwort: Tag-zu-Tag-Betrachtung) wird mit demvorgestellten Gesamtmaß für sich wiederholendes Verhalten noch nicht abgedeckt.Diesbezüglich entwickeln Huff und Hanson (1986, 107ff.) einen weiteren Index, der alsMaß der Ähnlichkeit zweier zu vergleichender Wegeketten oder Tagesprogramme dient(Similarity Measure, Sij, 0 < Sij < 1). Er beschreibt die Übereinstimmungen zwischen demMuster eines Tagesprogramms – basierend auf dessen Anteilen an Wegen in gegebenenÄquivalenzklassen – und einem Vergleichstag und setzt das Ergebnis in Relation zurWegehäufigkeit des Tages mit dem längeren Muster. Damit basiert der Wert auf zweiwichtigen Determinanten potentieller Variabilität beim täglichen Verkehrsverhalten:Reiseintensität (Wegehäufigkeit) und Komposition der Aktivitäten- bzw. Wegeketten.

Distance in km< 0.5 0.5 – 0.99 1 – 1.99 2 – 2.99 >3

Walk ||||| ||||||||

||||| |||| |||| ||||| |||

Bike || |||| ||||| ||| ||||| |||||||

||||| ||||||||||

Bus ||| ||||| ||| ||||| ||||||||||

||||| |||||||||| |||

||||| |||||||||| |||||||

Car | ||| ||||| ||||| ||||| |||||||||| ||||||||

||||| |||||||||| |||||||||| ||||

Mode

Other || ||||| ||| ||| ||||| ||||| Weg (Stop) mit übereinstimmenden Attributen

Tab. 3: Kontingenztabelle zweier Wegecharakteristika (Eigene Darstellung)

Huff und Hanson gehen weiterhin davon aus, dass unter allen möglichen Tages-programmen einige wenige zu finden sind, die man als am meisten repräsentativ für denjeweiligen Verkehrsteilnehmer bezeichnen kann ( Sa ). Sie sind charakteristisch für eineReihe anderer Tagesprogramme innerhalb des Untersuchungszeitraums und weisen diegrößte durchschnittliche Übereinstimmung mit allen anderen Tagesprogrammen auf. DieIdentifizierung einer Hierarchie von repräsentativen Tagen spielt in den Untersuchungenzu den Verhaltensroutinen und der -variabilität innerhalb der Uppsaladaten einebedeutende Rolle (siehe auch Abschnitt 3.4.1). Häufigkeit und Ausprägung derrepräsentativen Tagesprogramme dienen als Hauptindikatoren routinisierten Verhaltens.

Die hier dargestellte Klassifizierung des Verkehrsverhaltens bietet einen Ansatz,komplette Tagesprogramme untereinander zu vergleichen und die relative Häufigkeit vonRoutinemustern zu ermitteln. Die Qualität der Analyse hängt jedoch entschieden davonab, wie viele Wegecharakteristika in den ersten Schritt der Äquivalenzklassenbildungeinfließen. Im oben vorgestellten Fall werden die Klassen durch zwei Attribute (im BeispielVerkehrsmittel versus Wegelänge) gebildet, in weiteren Studien konnte das Konzept



durch die Berücksichtigung einer größeren Anzahl von Wegecharakteristika zurBerechnung des Overall Repetition Measures ausgebaut werden (siehe Huff und Hanson,1990).

Ähnlichkeitsindex

Jones und Clarke (1988, 73ff.) entwickeln einen einfachen Index zur Bewertung derÄhnlichkeit von Aktivitätenmuster von zwei aufeinanderfolgenden Tagen. Voraussetzungfür die Berechnung des Indizes sind die Resultate einer Wegetagbucherhebung, die eszulassen, die gesamte Dauer eines Tages als Folge von dokumentierten Aktivitätenabzubilden. Die beiden Referenztage werden in Intervalle von 15 Minuten resp. 45Minuten eingeteilt, denen jeweils eine oder mehrere Aktivitäten aus neun zuvor definiertenAktivitätenkategorien zugeordnet werden können. Der Basis-Index wird errechnet, indemfür jedes der analogen Intervalle der beiden Tage ein Abgleich über die jeweiligenAktivitäten durchgeführt wird. Wird eine Übereinstimmung einer Aktivität in einem 15-Minuten-Intervall festgestellt, wird eine ‚1‘ vergeben, liegt eine Übereinstimmung immerhinnoch im gleichen 45-Minuten-Intervall vor, so wird der Wert ‚0,5‘ zugeordnet und beikeinerlei Übereinstimmung 0. Die Werte werden über den ganzen Tag addiert und insVerhältnis zur maximalen Übereinstimmung gesetzt (i.e. 96), die sich ergibt, wenn für alleIntervalle eines Tage Übereinstimmung festgestellt werden kann. Letztlich kann darausein Index errechnet werden, dessen Höhe ein Maß für periodisches Aktivitäts- /Verkehrsverhalten über zwei Tage widerspiegelt – oder: je höher der Index, destoniedriger die beobachtete Variabilität zweier Tage.

Sequenzanalyse

Von der Anwendung der aus anderen Forschungsbereichen bekannten Sequenzanalysezum Vergleich von Aktivitätenmustern verspricht sich Wilson eine innovativeWeiterentwicklung der Aktivitätenforschung (Wilson, 1998). Die Technik derSequenzanalyse wurde in den 70er und 80er Jahren in der Informatik und der Biologieentwickelt, um komplexe zusammenhängende Folgen von zu untersuchenden Elementenaufzuschlüsseln und um die Systematik der Musteranordnung besser zu verstehen.Sequenzanalyse – und insbesondere die Methodik der Sequenzzuweisung (SequenceAlignment) – wird im großen Maßstab im Bereich der Molekularbiologie genutzt, wo siezur Analyse, Klassifizierung und dem Vergleich von Protein- oder DNA-Kettenherangezogen wird. Immer dann, wenn die Beziehungen zwischen den zu vergleichendenMustern im Vorfeld nicht ausreichend bekannt sind – beispielsweise wenn diebetrachteten Muster eine unterschiedliche Länge aufweisen – kann die Sequenzanalyseals sinnvolles Werkzeug eingesetzt werden (Sankoff und Kruskal, 1983). In den letztenJahren konnten in der Molekularbiologie leistungsfähige Entschlüsselungsprogramme wiedie Software CLUSTAL entwickelt werden (Wilson, 1998), die es erlauben, komplexeMuster mit bis zu eintausend Elementen zu vergleichen und zu entschlüsseln.

Den konzeptionellen Hintergrund für die Nutzung der Methodik in der Aktivitätenforschungbildet wiederum die Raum-Zeit-Geographie der Lund-Schule. Sie beschreibtmenschliches Verhalten als Sequenz von Handlungen über einen Tag bzw. als Pfade inRaum und Zeit (siehe Abschnitt 3.2.3).



Einfachste Anwendungsform der Sequenzanalyse ist die paarweise Zuordnung zweierähnlich langer Sequenzen. Tagesprogramme oder Wegeketten können als solcheSequenzen angesehen werden. Zur Veranschaulichung sollen an dieser Stelle jedoch zu-nächst zwei Buchstabensequenzen miteinander verglichen werden:

W A I T E R

W A T E R.

Die Sequenzen werden dazu in einer Kreuztabelle angeordnet, sodass die jeweiligenElemente paarweise miteinander verglichen werden können. Festgestellte Überein-stimmungen oder Abweichungen werden je nach Analyseinteresse, d.h. je nach Grad derverglichenen Ähnlichkeit der Elemente, deren Position innerhalb der Sequenz oder nachAnzahl bzw. der Typs der benachbarten Bausteine oder Lücken, gewichtet und in derMatrix festgehalten.

Im dargestellten Fall (Tab. 4) wird für Übereinstimmungen jeweils der Wert 1 vergeben,für Paare ohne Übereinstimmung bzw. für Lücken dagegen 0. Beginnend mit ersten Zelleder Tabelle (links oben) wird die Summe in den einzelnen Zellen durch den (Treffer-)Wertdes einzelnen Vergleichspaares (W versus W ergibt z.B. 1) plus den höchsten Wert dervorausgehenden Zuordnung bestimmt. Letzterer befindet sich in der Regel in der Reiheoder der Spalte über oder links der gerade betrachteten Zelle.

Der ersten Zelle ging kein weiterer Vergleich voraus, also ergibt sich eine Gesamtsummevon 1. In der Zelle [2,2] (hellgraue Schattierung) ergibt sich die Summe 2 aus dem Trefferfür A versus A plus den Wert der letzten Überprüfung aus der ersten Zelle (1). Dieverbleibenden Zellen der A-Spalte sowie der A-Reihe erhalten die Summe aus 0 für dienicht übereinstimmenden Paare und 1 für die letzte vorausgegangene Übereinstimmung.

Die Summe der Zelle [3,3] (dunkelgrau) ist folglich 2, zusammengesetzt aus 0 für dieKombination (T versus I) plus 2 für alle vorausgegangenen Übereinstimmungen. Die letzteder Zellen in der Kontingenztabelle erhält letztlich den Wert 4.

W A I T E RW 1* 0 0 0 0 0A 0 2* 1 1 1 1T 0 1 2 3* 2 2E 0 1 2 2 3* 2R 0 1 2 2 2 4*

Tab. 4: Vollständige ‚Treffertabelle‘ für die Zuordnung von W A I T E R undW A T E R (Quelle: Nach Wilson, 1998, S. 1021)

Die eigentliche Zuordnung bzw. Anordnung der Teilsequenzen, die eine optimaleÜbereinstimmung der beiden Ketten abbildet, erfolgt durch weitere Verfahrensschritte wiedem Traceback-Verfahren, bei dem innerhalb der resultierenden Wertetabelle ein Pfadverfolgt wird, der die größte Übereinstimmung, wiedergibt. Diese Prozesse berück-sichtigen die zuvor definierte Gewichtung von Treffern oder Abweichungen. Letztlichentstehen hier paarweise Anordnungen, die beispielsweise wiederkehrende Teil-sequenzen von Aktivitätenprogrammen aufdecken, die an diversen Tagen eines Unter-



suchungszeitraums auftreten können.

In unserem Beispiel führt die Spur vom Wert der letzten Zelle (4) über die höchsten Werteder vorausgehenden Reihen und Spalten bis zum Ausgangspunkt bzw. bis zu einemElement der ersten Reihe oder Spalte. Wird beim gefundenen Pfad eine oder mehrereReihen übersprungen, um Zellen in der vorausgehenden Spalte zu erreichen, entstehenLücken unterschiedlicher Länge. Die Spur ist in der Tabelle mit Sternen gekennzeichnet.Letztlich ergibt sich folgende Zuordnung:

W A I T E R

W A - T E R

Der Zuordnung von Mustern, die über die paarweise Betrachtung hinausgeht, steht nochimmer im Mittelpunkt der Methoden- und Softwareentwicklung. In der Biologie wurdenAlgorithmen entwickelt, die die paarweise Zuordnung zunächst beibehalten und nach-folgend verschiedene Formen von Gruppierungs- bzw. Clusterprozeduren anwenden. DieClusterung von DNA- oder Proteinsequenzen beruht auf evolutionstheoretischenModellen, allerdings steht die Diskussion über eine Übertragung dieser Hypothesen aufsozial-wissenschaftliche Fragen wie der Vergleichbarkeit von Tagesprogrammen nochaus (Wilson, 1998, 1025).

Ein mögliches Ergebnis des Vergleichs zweier Tagesprogramme mittels Sequenzanalysezeigt die folgende Abbildung:

Dokumentierte TagesprogrammeMittwoch R C E D E T S T O C E L P P R C E Q V C R

Donnerstag R P E D D S E D O I C E C G S G C E C Q V R

Freitag R P E C I D D P T N T O C E C I T S T D L C E C Q L D E P R

Samstag ...

Sequenzzuordnung (mittels CLUSTAL-Software)Mittwoch R C E - - - D E T S T C E L P P R C E E - - - - - Q V R C

Donnerstag R P E - D D - S E D I C E C G S G C E - C Q V - - - - - R

Freitag R P E C I D D P T N T C E C I T S T D L C E C Q L D E P R

Samstag ...

Schlüssel der Aktivitäten: R=rest and sleep; C=cooking and washingdishes; E=eating and drinking; D=domestic work; T=travel, private modes;S=shopping, use of servives; L=private leisure; P=personal care, hygiene;Q=watching television; V=casual social; I= information, reading, studyO Mittag (wird von der Software nicht als Aktivität erfasst; soll hiernur Einteilung des Tages verdeutlichen)

Abb. 29: Mögliches Ergebnis einer Sequenzzuordnung mehrerer Tagesprogramme(Quelle: Nach Wilson, 1998, S. 1029 und 1030)

Weiterer Forschungsbedarf besteht bei dem Ausbau des Konzeptes zu einem



Analysewerkzeug, das die Mehrdimensionalität von Aktivitäten und Aktivitätssequenzenberücksichtigen kann. Bisher konnten Muster nur aufgrund eines einzelnen Merkmals(hier: Aktivitätstyp) analysiert werden, ohne dass die wirkliche Komplexität menschlichenVerhaltens erfasst werden konnte.

Diskussion der Methoden

Die dargestellten Konzepte zur Klassifizierung und Kategorisierung von komplexenAktivitätenprogrammen geben Hinweise für die Entwicklung oder Adaption von ähnlichenMethoden im Forschungsprojekt Mobidrive. Jede von ihnen könnte aufgrund derverfügbaren Mobidrive-Datenstruktur zum Mustervergleich eingesetzt werden, der für dieIdentifizierung rhythmischer Elemente des Verkehrsverhaltens über einen mehrwöchigenErhebungszeitraum unerlässlich ist. Allerdings werden bei dem Vergleich der dar-gestellten Methoden wesentliche Fragen aufgeworfen, wie beispielsweise:

• Welche konzeptionellen Voraussetzungen müssen erfüllt sein, um die longitudinaleBetrachtung von Verhaltensaspekten zu ermöglichen? Reicht beispielsweise dieGruppierung der Tagesprogramme nach deren Häufigkeit aus (Herz: KONTIV), umeine Analyse kontinuierlichen Verhaltens über den Zeitraum von mehreren Wochen zubewerkstelligen? Wie können regelmäßige Verteilungen und Cluster-Effekte vonSequenzen abgebildet werden?

• Welche Komplexität der entwickelten Maße für die Übereinstimmungen zwischenMustern ist ausreichend, um die komplexen Phänomene gewohnheitsmäßigenVerkehrsverhaltens entsprechend zu erfassen? Ist es statthaft, komplexe Phänomenewie die Ausübung einer Aktivität in Raum und Zeit ausschließlich auf ein einzigesAttribut zu verkürzen (z.B. Jones und Clarke: Ähnlichkeitsindex, Wilson:Sequenzanalyse)? Welcher Verlust an Detailgenauigkeit, der zwangsläufig auf demAnspruch der Quantifizierung und der Abstraktion komplexer Verhaltensaspekteberuht, darf hingenommen werden, ohne dass eine verzerrte Abbildung menschlichenVerhaltens entsteht?

• Wie kann die Mehrdimensionalität von Wegen und Aktivitäten erfasst werden undwelche einzelnen Dimensionen werden als Untersuchungs- bzw.Identifizierungsgegenstand des Mustervergleichs ausgewählt? Die Auswahl voneinzelnen Dimensionen von Mustern wie bei der Entwicklung von Äquivalenzklassenfür den Uppsala Household Travel Survey (siehe Huff und Hanson, 1982 und 1986)erscheint als eine der Voraussetzungen für eine Operationalisierung derMusterklassifizierung und des Mustervergleichs. Die Selektion vonVerhaltensdimensionen im angewandten Konzept hat jedoch ohne Zweifel Einfluss aufdie Analyseergebnisse und die Reichhaltigkeit der Aussagen zum Charakter derrhythmischen Muster.

Letztlich sollte in Mobidrive Methoden der Musterklassifizierung und des Mustervergleichsangewendet werden, die folgenden Prämissen entsprechen:

• Gewährleistung eines Vergleichs der Muster über einen mehrtägigen bzw.mehrwöchigen Zeitraum

• Erfassung der strukturellen Komplexität der Muster



• Berücksichtigung der Mehrdimensionalität menschlichen Verhaltens und Auswahlgeeigneter Dimensionen bei der Operationalisierung des Vergleichs

• Konsistenz der theoretischen Grundlagen mit den angewandten Messverfahren (sieheProblem bei der Sequenzanalyse).

3.4 Empirische Studien zu Routinen und Variabilität desVerkehrsverhaltens

Der Charakter gewohnheitsmäßigen Verkehrsverhaltens auf der Ebene von Haushaltenund Personen wurde in den letzten Jahrzehnten auf die verschiedensten Aspekte hinuntersucht. In der Literatur finden sich eine Reihe von empirischen Studien, die sich einer-seits mit regelmäßig wiederkehrenden Elementen und andererseits mit der Variabilitätinnerhalb des zeiträumlichen Alltagsverhaltens von Personen und Haushalten befassen.Grössten Raum innerhalb der Untersuchungen nimmt dabei das Phänomen derVariabilität ein, nicht zuletzt, um differenziertere Aussagen zum landläufig als routiniertbeschriebenen Verkehrsverhalten machen zu können (Marble und Bowlby, 1968; Herz,1983; Jones und Clarke, 1988). Schwerpunkte bei der eingehenden Analyse derVariabilität sind die Identifikation von Bestimmungsgrößen für variables Verhalten und dasErkennen von systematischen und damit prognostizierbaren Anteilen der Variabilität.

Die Vergleichbarkeit der Untersuchungsergebnisse wird z.T. dadurch erschwert, dass aufstatistische Daten zurückgegriffen wird, die mittels stark variierender Erhebungsdesigns(Untersuchungszeitraum etc.) generiert worden sind. Ebenfalls wird deutlich, dass dieAnalyse der Phänomene Variabilität und Rhythmik mit unterschiedlicher Tiefe betriebenworden ist. Somit weichen – je nach Beschaffenheit und Qualität der verfügbaren Datensowie dem Forschungsinteresse der Studien – die Struktur und Aussagekraft derAnalyseergebnisse z.T. stark voneinander ab.

Im Mittelpunkt dieses Abschnitts stehen die Analyseergebnisse zum Uppsala HouseholdTravel Survey von 1971 (Hanson und Burnett, 1981; Hanson und Hanson, 1981a; 1981b;Hanson und Huff, 1982; 1986; 1988a; 1988b; Huff und Hanson, 1986; 1990). Aufgrundeines sich weitgehend entsprechenden Untersuchungsdesigns (insbesondere mehr-wöchiger Zeitraum der Wegetagebucherhebung) und der komplexen Methodik zurAnalyse von übereinstimmenden Elementen des Verkehrsverhaltens ist gerade dieseUntersuchung von besonderer Bedeutung für das Projekt Mobidrive und wird deshalbausführlich vorgestellt. In einer Reihe von Studien, die auf dem schwedischen Daten-material beruhen, werden im wesentlichen Resultate zur Variabilität innerhalb ge-wohnheitsmäßigen Verhaltens und deren systematische Komponente präsentiert.

An dieser Stelle werden daneben Ergebnisse von sechs weiteren relevanten Studiendiskutiert. Sie befassen sich teils mit ähnlichen Problemstellungen des gewohnheits-mäßigen Verhaltens, decken dazu aber weitere Aspekte wie den historischen Vergleichvon Tagesprogrammen über mehrere Jahre (Shapcott und Steadman, 1978), die Dynamikinnerhalb der Routinen von Berufspendlern (Mahmassani, Hatcher und Caplice, 1997



u.a.) oder die Zusammenhänge zwischen natürlichen bzw. kulturellen Rhythmen und derEinteilung des persönlichen Zeitbudgets (Kumar und Levinson, 1995) ab.

Vorausgeschickt sei, dass trotz der Fülle der dargestellten Studien keine identifiziertwerden konnte, deren Forschungsinhalte oder –methoden sich exakt im Rahmen desProjektes Mobidrive bewegen. Damit ergeben sich Aussage- und Bezugsgrenzen, vorallem dann, wenn es um einen Vergleich identifizierter Rhythmen, der Komplexität vonVerhaltensmuster und des Zusammenhangs zwischen Haushaltsstruktur undindividuellem Verkehrsverhalten geht. Darauf und auf die Implikationen für die Schwer-punkte in Mobidrive soll am Ende des Kapitels in Kürze verwiesen werden.

3.4.1 Uppsala Household Travel Survey

Die weitest gehenden Untersuchungen zur Periodizität und Variabilität im Verkehrs-verhalten wurden anhand der Daten des Uppsala Household Travel Survey aus dem Jahr1971 durchgeführt. Das schwedische Datenmaterial ist als bisher einzigartig einzustufen,da es aufgrund des mehrwöchigen, zusammenhängenden Erhebungszeitraums eineLangzeitanalyse individuellen Verkehrsverhaltens zulässt6.

Erhebungsdesign, Betreuung der teilnehmenden Haushalte und Schwerpunkte derAnalyse

Die Daten basieren auf einer Stichprobe von ursprünglich 296 Haushalten – zurAuswertung zur Verfügung stehen heute noch 144 repräsentativ ausgewählten Personenaus 93 Haushalten der Region Uppsala (Mittelschweden). Mittels des schwedischenEinwohnerregisters konnte vorab eine Schichtung der Stichprobe nach der Stellung derHaushalte im Lebenszyklus durchgeführt werden. Wesentliche Kriterien der Schichtungwaren demnach Variablen wie z.B. die Kinderzahl, die i.d.R. die Generierung und Gestaltder täglichen Aktivitätenmuster beeinflussen. Innerhalb des Einwohnerregisters wurdensechs Lebenszyklus-Gruppen gebildet, aus denen jeweils die Stichprobenhaushaltegezogen wurden. Der Anteil der Haushalte in der Stichprobe entsprach deren Anteil in derGesamtbevölkerung.

Die erwachsenen Haushaltsmitglieder der Stichprobe wurden gebeten, über einen Zeit-raum von 35 Tagen selbständig ein schriftliches Wegetagebuch zu führen, bei dem alleaußerhäusliche Aktivitäten berücksichtigt werden sollten. Das Wegetagebuch ließAngaben über die exakte Start- und Ankunftszeit der Touren, das benutzte Verkehrsmittel,die ausgeführte Aktivität am Zielort, dessen Typus (Geschäft, Wohnung etc.) sowiegenaue Adresse und Angaben zu den getätigten Ausgaben am Ziel zu. Alle außerhäus-lichen Aktivitäten wurden nach Beendigung der Umfrage zu insgesamt 70 Kategorien zu-

6 Abgesehen von den in diesem Abschnitt dargestellten Wegetagebucherhebungen werden eineReihe von Studien mit mehrtägigen Erhebungszeiträumen in der Literatur dokumentiert. Die‚übliche‘ Dauer der Untersuchungszeiträume beträgt eine Woche, nur wenige Studien wie dasHamilton Travel Diary (Webber, 1979) gehen über diese Dauer hinaus. Eine Zusammenschaurelevanter Verkehrserhebungen bietet Axhausen (1995b).



sammengefasst und die Ziele (Adressen) der Wege bis auf eine Genauigkeit von 10Metern geocodiert.

Zusätzlich zu den Informationen über die jeweiligen Wege der Befragten wurden imVorfeld Daten zu der sozio-demographischen Charakteristik des Stichprobenhaushaltsund der erwachsenen Mitglieder erhoben. Im einzelnen wurden neben allgemeinenMerkmalen wie Alter und Geschlecht der Befragten, Haushaltsstruktur etc. auchInformationen zu Beschäftigungsstatus und Arbeitsroutinen, Haushaltseinkommen und dieNutzung des Automobils zusammengetragen.

Die Betreuung der Befragten nahm bei der Konzeption und Durchführung der Uppsala-Erhebung großen Stellenwert ein (Hanson und Huff, 1982). Nachdem die Haushalte derTeilnahme an der Befragung zugestimmt hatten, wurde ihnen zunächst in einem aus-führlichen persönlichen Gespräch über etwa eine Stunde das Prinzip der Wegeprotokolleerklärt. Über den Untersuchungszeitraum von fünf Wochen wurde seitens der Mitgliederdes Forschungsteams enger Kontakt zu den Befragten gehalten: mindestens einmal proWoche wurden die Haushalte aufgesucht, um eventuelle Fragen zu beantworten sowiedie komplettierten Fragebögen zu überprüfen und einzusammeln. Zusätzlich wurdezwischen den persönlichen Besuchen telefonisch Kontakt mit den Befragten gehalten.Trotz des relativ langen Erhebungszeitraums konnte dadurch die Bindung der Haushaltegewährleistet werden – allenfalls bei 5% der befragten Personen musste ein stetigerAbwärtstrend bei der Anzahl der erfassten Wege festgestellt werden (Hanson und Huff,1982).

Die Uppsala-Daten wurden über die letzten Jahrzehnte auf verschiedene Fragestellungenzur Variabilität und zu wiederkehrenden Mustern des Verkehrsverhaltens hin untersucht.Insbesondere standen die Identifizierung systematisch geplanter bzw. zufälliger täglicherAktivitätenmuster, die Entwicklung von sog. ‚Ähnlichkeitsmaßen‘ für Aktivitäten bzw.Aktivitätenketten (s.o.) und die Analyse möglicher Einflussfaktoren aufgewohnheitsmäßiges Verkehrsverhalten im Mittelpunkt der Forschungen. Große Aufmerk-samkeit wurde dem Charakter der beobachteten Variabilität gewidmet, durch dieAuswertung des Datenmaterials konnten die Kategorien ‚systematische‘ bzw. ‚vorausseh-bare‘, ‚kurzfristige‘ und ‚langfristige‘ bzw. ‚strukturelle‘ Variabilität identifiziert werden.

Wesentliche Ergebnisse der Analysen zur Uppsala-Erhebung

Die Ergebnisse der Analyse basieren im wesentlichen auf der Identifizierung sowie derdetaillierteren Charakterisierung von repräsentativen Wegen oder Hauptwegen (corestops) innerhalb der Tagesprogramme der Verkehrsteilnehmer. Sie ergeben sich aus derKategorisierung aller dokumentierten Wege (Halte) in Äquivalenzklassen, bei denen dieMehrheit der möglichen Wegecharakteristika (Aktivität am Zielort, Start- und Ankunftszeit,Zieladresse usw.) übereinstimmen (zur Methodik siehe Abschnitt 3.3). Hauptwege werdenals diejenigen Wege innerhalb der Äquivalenzklassen definiert, die bei den einzelnenTeilnehmern der Befragung mindestens viermal im Untersuchungszeitraum von 35 Tagenauftreten.

Die Analyse des Uppsala Household Travel Surveys zeigt, dass das Verkehrsverhalten



generell eine hohe Stabilität aufweist und dass sich gewisse Verhaltensmuster inregelmäßigen Abständen wiederholen. Damit werden generell die Ergebnisse ältererStudien bestätigt (Marble und Bowlby, 1968; Herz, 1983; Jones und Clarke, 1988). FürUppsala wird zunächst festgestellt, dass eine relativ kleine Anzahl von repräsentativenWegen das Verkehrsverhaltens der Befragten bzw. essentielle Aspekte dessen inausreichender Genauigkeit beschreibt. Bei jedem einzelnen Befragten gehören alleinetwa 20 bis 25% aller beobachteten Wege zu der jeweils größten Äquivalenzklasse, d.h.dass diese Wege i.d.R. die selben Merkmale wie identische Start- und Ankunftszeit amZiel, Zieladresse oder Entfernung aufweisen (Huff und Hanson, 1986).

Damit ist jedoch die Frage nach der regelmäßigen Wiederkehr von einzelnen Elementendes Verkehrsverhaltens noch nicht beantwortet. Die angestellte Langzeitbetrachtungzeigt, dass sich zeiträumliches Verhalten keineswegs gänzlich stereotyp darstellt, sonderndass Reisende innerhalb ihres stabilen, gewohnheitsmäßigen Verhaltens variabelagieren. Werden die kompletten Tagesprogramme und deren Charakteristika über denUntersuchungszeitraum miteinander verglichen, so stellt sich heraus, dass derenÜbereinstimmungen eher gering sind. Der durchschnittliche Wert des in Abschnitt 3.3.beschriebenen Ähnlichkeitsmaßes Sij, das Werte in einer Spanne zwischen 0 und 1erreichen kann, nimmt für alle Befragten und über die gesamten 35 Tage der Unter-suchung einen verhältnismäßig niedrigen Wert an (x = 0.29, s = 0.079). Huff und Hansonkommen daher zu dem Schluss, dass ein einziges dokumentiertes Tagesprogrammkeineswegs repräsentativ für das gesamte Verhalten eines Reisenden sein kann und dassStichtagsuntersuchungen keine ausreichenden Erklärungsansätze zum komplexenVerkehrsverhalten liefern können (Huff und Hanson, 1986).

In weiteren Schritten der Analyse konnten ‚systematische‘ Elemente in der Variabilität desVerkehrsverhaltens erschlossen werden (Hanson und Huff, 1988b; Huff und Hanson,1990). Zur Untersuchung der systematischen Variabilität wurde wiederum das Analyse-konzept der Äquivalenzklassen für sich ähnelnde Wege und die Identifizierung vonrepräsentativer Wege mit übereinstimmenden Wegeattributen angewendet. Derenreguläre Verteilung innerhalb eines Zeitraums oder die Clusterung an bestimmten Stellendes Zeitraums wird als ‚systematisch‘ bezeichnet. Verkehrsverhalten, in dem bestimmteSequenzen und einzelne Wege von persönlichen Tagesprogrammen mit großerHäufigkeit auftreten und unter allen Umständen wahrscheinlicher sind als andere werdendagegen als ‚routinisiert‘ (repetitive) abgegrenzt (Huff und Hanson, 1990).

Huff und Hanson konnten erwartungsgemäß feststellen, dass es bei Verteilung derHauptwege zwischen Werktagen und Wochenende deutliche Unterschiede gibt. Bei 73%aller Befragten existieren Differenzen zwischen den Ausprägungen jener Wege in denbeiden Blöcken der Woche. An Werktagen treten im wesentlichen repräsentative Wegeauf, die hauptsächlich die Aktivitäten Einkaufen, Persönliche Erledigungen und Arbeitbeinhalten. Das Wochenende wird von den Kategorien Soziales und Freizeit geprägt.

Der Uppsala Household Travel Survey ließ daneben eine Analyse der Verteilung derHauptwege innerhalb eines längeren Zeitraums zu. Das Interesse richtete sich auf dieFrage, ob sie regelmäßig und damit systematisch auftreten oder sich in bestimmten Zeit-räumen der Erhebungsperiode ballen. Eine regelmäßige Verteilung – und damit ein



stärker gewohnheitsmäßiges Verhalten – liegt dann vor, wenn die Intervalle zwischen denjeweiligen Hauptwegen einer Klasse wenig variieren. Dagegen kann von einer Clusterunggesprochen werden, wenn die Wahrscheinlichkeit, dass ein Hauptweg kurz nach seinemletzten Auftreten wiederum beobachtet wird, höher ist als wenn keine zeitliche Abhängig-keiten zwischen den einzelnen Beobachtungen besteht. Zur Analyse der PhänomeneGleichverteilung und Clusterung wurden die beobachteten repräsentativen Wege einerWoche ausgezählt und die Wartezeiten (Dauer) zwischen ihrer Ausübung untersucht: DieVerteilung von 18% aller beobachteten Hauptwege wies eine überdurchschnittlicheClusterung auf, wobei insbesondere die Wege mit den Aktivitäten Arbeit und Einkaufenherausragen. Eine besonders regelmäßige Verteilung konnte bei 9% aller repräsentativenWege festgestellt werden, von denen erwartungsgemäß ein großer Teil die Aktivität Arbeitbeinhaltete. Der überwiegende Teil aller Befragten (68%) besitzt zumindest einen ‚ehergeclusterten‘ oder ‚eher regelmäßig verteilten‘ Hauptwegen, was die Bedeutung dersystematischen und damit voraussagbaren Variabilität innerhalb des Verkehrsverhaltensdes einzelnen hervorhebt. Auch die Analyse der Wartezeiten zwischen den beobachtetenHauptwegen einer Klasse unterstreicht mit ähnlichen Ergebnissen den Schluss, dass einbedeutender Anteil des Verkehrsverhaltens – auch außerhalb des erwartungsgemäßrhythmischen Berufsverkehrs – als ‚systematisch variabel‘ einzustufen ist.

Als weiteres Maß für sich wiederholendes Verkehrsverhalten wurden kompletteAktivitätenketten eines Tages identifiziert, die sich als besonders typisches Muster für dieBefragten herausstellen (Huff und Hanson, 1986). Die Analyse belegt, dass keiner derBefragten ausschließlich ein typisches Tagesprogramm besitzt, das sein individuellesVerkehrsverhalten hinreichend beschreiben würde. Im Schnitt repräsentiert das ammeisten repräsentative Aktivitätenmuster eines Befragten nur etwa ein Drittel allerdokumentierten Tage in der 5-Wochen-Periode, werden die 5 typischsten betrachtet, sostellen diese immerhin etwa 65% aller beobachteten Tagesprogramme. An keinem derWochentage konnte eine eindeutige Konzentration jener 5 am typischsten Tagefestgestellt werden: für die meisten der Befragten kristallisierte sich der Mittwoch als dermeist kennzeichnende Tag heraus.

Zwischen den repräsentativen Mustern einer Person bestehen z.T. erheblicheUnterschiede, ein weiteres Zeichen für Variabilität innerhalb gewohnheitsmäßigemVerhaltens. Sowohl die Länge der Ketten, d.h. die Anzahl der Wege, die über einen Tagzurückgelegt werden, als auch die Aktivität des ‚zentralen‘ Weges des Musters differierenzwischen den identifizierten repräsentativen Tagesprogrammen.

Die Methodik zur Identifizierung der Hauptwege (core stops) und deren Verteilung überden Untersuchungszeitraum wird von den Autoren der Studien zur Uppsala-Erhebung alsangemessenes Maß für gewohnheitsmäßiges Verhalten eingeschätzt. Es zeigte sich,dass diese zu den wesentlichen rhythmischen Elementen des zeiträumlichen Verhaltensgehören und ebenso eine wichtige strukturierende Variable für die Tagesprogramme vonReisenden und das generelle Verkehrsverhalten über längere Zeiträume darstellen.



3.4.2 Weitere empirische Studien

Regelmäßigkeiten und Rhythmen der Zeitnutzung: BBC 1962 / Reading 1973

In einer der ersten Studien über periodische Aspekte des täglichen Zeitgebrauchs ver-gleichen Shapcott und Steadman (1978) die Änderungen innerhalb der Aktivitätenmusterin Großbritannien zwischen 1961 und 1973. Grundlage der Ergebnisse ist einerseits eineeinwöchige Wegetagebucherhebung von Radio- und Fernsehnutzern, die im Auftrag derBBC durchgeführt wurde (1961) und eine analoge Erhebung unter 450 Personen im Alterzwischen 16 und Jahre der mittelenglischen Stadt Reading (Reading Activity DiarySurvey). Während in der BBC-Erhebung von 1961 alle Aktivitäten in Halbstundeninter-vallen zwischen 6 Uhr und Mitternacht dokumentiert worden waren, wurden die Befragtenin Reading gebeten, die exakte „Start- und Endzeit“ in den Wegetagebüchern zuvermerken. Trotz der Unterschiede im Erhebungsdesign und der signifikanten gesell-schaftlichen Änderungen in den 60er Jahren konnte eine große Stabilität zwischen denAktivitätenmustern von 1961 und 1973 festgestellt werden.

Neben den generellen Aussagen zum Aktivitätensystem im historischen Vergleich,werden Resultate zur Periodizität des Verhaltens auf der Tages- und Wochenbasispräsentiert. Wichtigstes Ergebnis der Reading-Erhebung ist die Tatsache, dass bei allenPersonen offensichtlich große Übereinstimmungen bei der Zeitnutzung aufeinander-folgender Tage bestehen. Dies gilt insbesondere für die Zeitbudgets der Aktivitäten, dielangfristig stark durch sogenannte Lebensentscheidungen (z.B. Heirat, Standortwahl derWohnung, Schulort der Kinder etc.) beeinflusst werden und deshalb räumlich- undzeitlich- fixierten Restriktionen unterliegen. Als weniger regelmäßig wiederkehrend inner-halb des Zeitraums von einer Woche werden die Aktivitätskategorien ‚Einkaufen‘ und‚Freizeit‘ identifiziert. Langfristige Wahlentscheidungen werden letztlich als signifikanteDeterminanten für weitere (sekundäre) Faktoren identifiziert, die routinisiertes Verhaltenbeeinflussen (z.B. die Organisation regelmäßiger Mahlzeiten über den Tag).

Rhythmen der Zeitnutzung: Adelaide Travel Demand and Time Allocation Study1986

Jones und Clarke (1988) untersuchen Routinen im täglichen sowie wöchentlichenVerkehrsverhalten anhand der Adelaide Travel Demand and Time Allocation Study von1986 (ATDATAS), in der eine Wegetagbucherhebung über eine Woche durchgeführtwurde. Die präsentierten Ergebnisse beruhen auf Stichprobendaten von 452 Befragtender Studie, die ausschließlich komplette Wegetagebücher für den Zeitraum Montag bisFreitag dokumentiert haben. Bezugnehmend auf den eigens entwickelten Ähnlichkeits-index für den Vergleich der Aktivitätensysteme zweier Referenztage (s.o.) stellen dieAutoren der Studie u.a. fest, dass zwischen den Geschlechtern und verschiedenenBevölkerungsgruppen unterschiedliche Ausprägungen des rhythmischen Zeitnutzungs-/Verkehrsverhaltens auftreten. So zeigen Männer innerhalb aller definierten Lebenszyklus-gruppen – v.a. aufgrund ihrer stärkeren Erwerbsbeteiligung – weniger variables



Verkehrsverhalten als Frauen in den selben Kategorien. Generell wird festgestellt, dassGruppen mit den größten Restriktionen bezüglich ihrer Aktivitätenmuster – i.d.R.Erwerbstätige – das am meisten routinisierte (periodische) Verkehrsverhalten besitzen.

Zyklen innerhalb der Aktivitätenmuster und der Zeitnutzung: Nationwide PersonalTransportation Surveys 1990/91

Kumar und Levinson (1995) zeigen in einer einfachen Analyse der US-amerikanischenNPTS-Daten (Nationwide Personal Transportation Survey) von 1990/91, dass empirischbelegbare Zusammenhänge zwischen Aktivitätenmustern bzw. Verkehrsnachfrage undnatürlichen sowie kulturellen Zyklen bestehen. Ausgehend von verschiedenenHypothesen zum Einfluss der verschiedenen Jahreszeiten, der gegebenen Aufteilung derWoche in Werktage und Wochenende, des Zeitbudgets von Beschäftigten im Vergleichmit nicht-arbeitenden Personen sowie der Verteilung der Aktivitäten über einen Tagkonnten eine Reihe von Ergebnisse zu rhythmischen Mustern der Zeiteinteilung und –planung konstatiert werden. Der direkte Vergleich der Ergebnisse mit den oben dar-gestellten Forschungen von Huff und Hanson wird jedoch dadurch erschwert, dass beimNTPS jeweils nur für einen Stichtag ein Wegetagebuch erstellt wurde, und die gemachtenAussagen somit auf stärker aggregierten Daten beruhen. Die Resultate der NTPS-Analyse können wie folgt in Kürze zusammengefasst werden:

Zwischen den einzelnen Monaten und Jahreszeiten des Jahres bestehen z.T. signifikanteUnterschiede bei der Nutzung der Zeit für einzelne Aktivitäten.

• Innerhalb der Woche können Differenzen bei der Nutzung der verfügbaren Zeitzwischen den Blöcken Werktage (Montag-Freitag) und Wochenende festgestelltwerden. Das Wochenende wird erwartungsgemäß für Einkaufs- und Freizeitaktivitätengenutzt.

• Unterschiede zwischen erwerbstätigen und nicht-erwerbstätigen Personen werdenv.a. durch die Hauptaktivitäten (Arbeit versus Nicht-Arbeit) und damit denHauptwegezielen deutlich. Tägliche Reisedistanz und –dauer für die Aktivität „Arbeit“sind verglichen mit den anderen Aktivitäten am größten, gefolgt von denAufwendungen für die Kategorien „Soziales / Freizeit“, „Persönliche Erledigungen“ und„Einkaufen“. Diese Reihenfolge gilt im wesentlichen für alle Tage der Woche, auch fürdas Wochenende.

• Bei der Zeitplanung für den Einkauf und andere Aktivitäten im Tagesverlauf ergibt sichein differenziertes Bild, wenn Personen mit und ohne Arbeit miteinander verglichenwerden. Während Arbeitspendler v.a. auf dem – meist nachmittäglichen – Weg nachHause ihre Einkäufe tätigen, meiden Reisende ohne Arbeitsverpflichtung diemorgendlichen und abendlichen Hauptverkehrszeiten. An Wochenenden dagegenunterscheiden sich die zeitlichen Einkaufsgewohnheiten von beschäftigten und nicht-beschäftigten Personen nur unwesentlich.



Stabilität, Variabilität und Flexibilität: KONTIV 1976

Herz (Herz, 1980; 1983) stellt die Variabilität des Verkehrsverhaltens sowie derenBestimmungsgrößen in den Mittelpunkt seiner Analyse der KONTIV-Daten von 1976.Dabei wird berücksichtigt, dass das Phänomen Variabilität durch verschiedene Aspekteumschrieben werden kann (s.o.). Herz unterscheidet im einzelnen die Elemente ‘Stabilität’der Nutzung verfügbarer Zeit über einen längeren Zeitraum, ‘Variabilität’ im Sinne voninter-personellen Unterschieden bei einer Reihe von Mobilitätskennziffern und ‘Flexibilität’bei der individuellen Generierung von Tagesprogrammen (intrapersonelle Unterschiede).

Unter dem Stichwort Stabilität wird zunächst die Aufteilung des täglichen Zeitbudgetszwischen den Aktivitätstypen ‘Zu Hause’ und ‘Reisen / Unterwegs’ über die Zeiträume einJahr sowie eine Woche betrachtet. Herz wendet hierzu Fouriers Technik derharmonischen Analyse an und ermittelt periodische Komponenten innerhalb derZeitnutzung. Es konnte festgestellt werden, dass bei allen Befragten wöchentlicheRhythmen – im wesentlichen die grobe Aufteilung in die Blöcke ‘Werktage’ und‘Wochenende’ – großen Einfluss auf die tägliche Variabilität der Zeitbudgets für die unter-suchten Aktivitäten hat. Insbesondere die täglich verbrachte Zeit zu Hause unterliegtallgemeinen wöchentlichen Periodizitäten. Weniger ausgeprägt sind dagegen jahres-zeitliche Einflüsse auf das tägliche Zeitbudget für die Aktivität ‚Reisen / Unterwegs‘. Beider saisonalen Variabilität der Zeitnutzung – oder genauer: bei den Unterschieden dertäglichen Zeitnutzung über die einzelnen Monate des Jahres gesehen – ist diebedeutende Bestimmungsgröße ebenfalls der wöchentliche Rhythmus. Der jahreszeitlicheWechsel als Determinante des Verkehrsverhaltens ist allein dann signifikant, wenn imeinzelnen das Zeitbudget für “Reisen / Unterwegs” betrachtet wird. Die größten positivensowie negativen Abweichungen vom Mittel des dafür eingesetzten Zeitbudgets erscheinenerwartungsgemäß an Wochenenden und an Feiertagen, die auf einem Wochentag fallen(z.B. Ostermontag oder Maifeiertag für besonders große positive Abweichungen,Reformationstag oder 26. Dezember für ein unterdurchschnittliches Reisezeitbudget). Desweiteren spielen die Tagesrhythmen (allgemeine Arbeits- und Öffnungszeiten, Trennungzwischen Tag und Nacht etc.) eine wichtige Rolle bei der Verteilung des Zeitbudgetsinnerhalb einer Stunde des Tages. Ein signifikanter Einfluss wöchentlicher oder saisonalerAspekte konnte für keine der beiden in der Studie explizit betrachteten Aktivitätstypen(‚Zeit zu Hause‘ und ‚Reise / Unterwegs‘) nachgewiesen werden.

Mit dem Vergleich der Ausprägung von Mobilitätskennziffern bei verschiedenenBevölkerungsgruppen konnte eine Analyse der inter-personellen Variabilität innerhalb desKONTIV-Datenbestands erzielt werden. Das Interesse richtete sich dabei auf dieIdentifizierung jener sozio-demographischen Determinanten, die zur unterschiedlichenAusprägung individuellen Mobilitätsverhaltens beiträgt. Ausgehend von den 271 a priorigebildeten Bevölkerungskategorien mit jeweils mindestens 50 Personen im KONTIVkonnten über Cluster-Analyse und der Methodik der Euklidischen Distanzen letztlichsieben verhaltenshomogene Gruppen herauskristallisiert werden, mit deren Hilfe sich 60bis 90% der Variabilität zwischen den Ausgangskategorien erklären lässt. DieHomogenität des Verhaltens bezieht sich dabei im wesentlichen auf Übereinstimmungen



• bei der Einteilung des verfügbaren Zeitbudgets für insgesamt 9 Aktivitäten,

• bei dem jeweiligen Reisezeitbudget für 3 gegebene Verkehrsmittel und

• bei der relativen Häufigkeit des Auftretens der 50 meist beobachteten Tages-programme.

Die Ergebnisse belegen, dass keine ‚feinere‘ Gruppierung der Stichprobe nötig ist, um dieVerhaltensunterschiede innerhalb der Bevölkerung beschreiben und erklären zu können.

Schließlich wird der Begriff Flexibilität in die Diskussion eingeführt, der die Generierungbestimmter Tagesprogramme (Wegeketten) berücksichtigt. Es werden insgesamt etwa 12verschiedene (Haupt-)Tagesprogramme identifiziert, die allein 70% aller Sequenzenrepräsentieren, wobei die Anzahl der individuellen ‚Routineprogramme‘ des einzelnenwahrscheinlich viel kleiner ist. Weniger repräsentative Aktivitätenketten spielen bei denmeisten Bevölkerungsgruppen nur eine untergeordnete Rolle. Seltene Sequenzen, derenAnteil an allen dokumentierten unter 1% bleibt, sind v.a. bei den Bevölkerungsgruppen zubeobachten, die ‚ökonomisch aktiv‘ sind und die i.d.R. über ein eigenes Fahrzeugverfügen. Bei der Gruppe der selbständigen Männern beispielsweise ist der Anteil derseltenen Tagesprogramme (1%-Level) mit 48,5% am größten, wohingegen wenigermobile Gruppen ein kleineres Spektrum von unterschiedlichen Aktivitätenmusternbesitzen bzw. ein routinisierteres Verhalten aufweisen.

Intra-personelle Variabilität: Verschiedene Studien (Reading 1973 und Seattle 1989)

Eine tiefere Einsicht in die eigentlichen Bestimmungsfaktoren variablenVerkehrsverhaltens steht im Mittelpunkt der Forschungen von Pas und Kollegen seit Mitteder 80er Jahre (Pas 1986; 1987, Pas und Koppelman, 1986; Pas und Sundar 1995 u.a.).Allgemein wird eine Einteilung der gesamten beobachteten Variabilität bei üblichenMobilitätskennziffern in eine inter-personelle und eine intra-personelle Komponentevorgenommen (siehe Abschnitt 3.2.2). Im wesentlichen wurden dabeiRegressionsmodelle und insbesondere die Methode der kleinsten Quadrate angewandt,um die angestrebte Dekomposition der Variabilität in ihre einzelnen Bestandteile und eineAnalyse möglicher Determinanten der Variabilität zu ermöglichen.

Pas (1986 und 1987) greift auf die Ergebnisse des 5-tägigen Reading Activity DiarySurvey von 1973 zurück, dessen Hintergründe schon weiter vorne beschrieben wordensind. In einer aktuelleren Untersuchung analysieren Pas und Sundar (1995) dieKomponenten variablen Verhaltens anhand des Puget Sound Panels, einer Wegetage-bucherhebung über drei aufeinanderfolgende Werktage im Großraum Seattle (US-Bundesstaat Washington) von 1989. Die Stichprobe umfasste 282 Personen über 16Jahren aus insgesamt 150 Haushalten. Die Autoren der Studie stellen fest, dass 38% dergesamten beobachteten Variabilität bei der Wegehäufigkeit, ein Anteil von 36% bei derdurchschnittlichen Dauer eines Weges und 42% beim Reisezeitbudgets pro Tag undBefragten auf intra-personeller Variabilität beruhen. Diese Anteile gehen somit nicht aufdie Unterschiede bei den sozio-demographischen Charakteristika zwischen denUmfrageteilnehmern zurück, sondern auf die Abweichungen von gewohnheitsmäßigen



Verhaltensmustern der einzelnen Personen von Tag zu Tag. In ähnlichenGrößenordnungen bewegen sich auch die Anteile der intra-personellen Variabilität bei denrelativen Häufigkeiten von Wegen, die von der Wohnung des Verkehrsteilnehmersausgehen (home-based trips, 42%) bzw. von anderen Standorten aus starten (non home-based trips, 38%).

Schließlich wurden noch die Anteile der jeweiligen Komponenten persönlicherVerhaltensvariabilität im Haushaltskontext untersucht, wobei im Mittelpunkt des Interessesdie Mitglieder der 69 Zwei-Personen-Haushalte der Stichprobe standen. Nur etwa einDrittel der beobachteten Variabilität bei der Wegehäufigkeit konnte durch die sozio-demographischen und strukturellen Unterschiede zwischen den 69 Haushalten erklärtwerden. Der weitaus größere Anteil ist der haushaltsinternen Variabilität zuzuschreiben,wobei die intra-personelle Variabilität in diesem Fall eine bedeutende Rolle spielt. Etwa73% der gesamten haushaltsinternen Variabilität bei der Wegehäufigkeit liegen in denindividuellen Abweichungen von routinisierten Verhalten begründet.

Die Ergebnisse der hier näher beschriebenen Studie und der Forschungen zum ReadingActivity Diary Survey (Pas, 1986 und 1987) bestätigen im wesentlichen die Bedeutung derintra-personellen Verhaltensvariabilität in Langzeitbeobachtungen. Ein großer Anteilvariablen Verhaltens zwischen Personen und Haushalten geht offensichtlich auf dieTatsache zurück, dass individuelles Verhalten nicht gänzlich automatisiert abläuft unddass die unterschiedlichen Aktivitäts- und Reisebedürfnisse von Tag zu Tag Ab-weichungen von persönlichen Verhaltensroutinen nötig machen.

„The results of this study appear to indicate that travel behavior, at theindividual level, is not repetitive from day-to-day. One might be tempted tointerprete this as indicating that daily urban travel is not habitual or „mindless“,and that it presents the outcome of an active decision making process.“ (Pasund Sundar, 1995, S. 148).

Die hier gezeigten Ergebnisse repräsentieren jedoch nur einen kleinen Ausschnitt vonVerhaltensvariabilität, da keine komplexen Aktivitätensequenzen, sondern ausschließlichübliche Mobilitätskennziffern betrachtet werden. Zudem werden die Abhängigkeitenzwischen den Kennziffern ignoriert, mit deren Hilfe eine tiefere Einsicht in den Prozess derReisewahlentscheidung erlangt werden könnte (z.B. das Verhältnis von Wegehäufigkeitund Verkehrsmittelwahl).

Dynamik innerhalb von Pendlerverhalten: Austin 1989

Besonderes Interesse der Verkehrspolitik und -planung in Ballungsräumen gilt der Frage,wie Berufspendler ihre Wegeketten auf dem Weg vom Wohnsitz zur Arbeitsstätte bzw. inder umgekehrten Richtung organisieren (Chang und Mahmassani, 1989, Mannering undHamed, 1990; Mahmassani, 1997; Mahmassani, Hatcher und Caplice, 1997; Mahmassaniund Hatcher, 1992 u.a.). Das Verständnis für die täglichen Reiseentscheidungen in denHauptverkehrszeiten und die dynamische Anpassung des Verhaltens an die aktuelleVerkehrssituation (Verkehrslage, Witterung, Baustellen etc.) sowie die Beeinflussung des



Verkehrsverhaltens von Pendlern werden als Schlüssel zu einer effizienten und umwelt-gerechten – weil Stau-vermeidenden – Verkehrskonzeption diskutiert (Mahmassani et al.,1997). Zudem wurden Berufspendler als besondere Zielgruppe für sogenannte On-Board-Informationssysteme identifiziert, deren Effektivität von der Kenntnis über die Dynamikdes Verkehrsverhaltens von Berufstätigen abhängt (ebd.).

Wesentliche Ergebnisse über Reiseentscheidungen von Berufspendlern konnten auseiner Untersuchung in der Stadt Austin aus dem 1989 gewonnen werden (Mahmassaniund Hatcher, 1992; Mahmassani et al., 1997). Die postalische Verkehrserhebunggliederte sich in zwei Stufen, wobei zunächst 3000 Personen aus zufällig ausgewähltenHaushalte im Nordwesten der texanischen Stadt über ihre generellen Pendel-gewohnheiten (gewöhnliche Ankunftszeit am Arbeitsplatz, Reisezeiten zur Arbeitsstätte,Erschließung von Information zur Verkehrslage etc.) und persönliche sowie haushalts-bezogene Charakteristika (Beruf, Geschlecht, Alter, übliche Arbeitszeiten etc.) befragtwurden. Aufbauend auf den Screeningergebnissen der ersten Stufe wurden 331Personen für die zweite Phase der Erhebung ausgewählt, die gebeten wurden, über einenZeitraum von zwei (Arbeits-)Wochen (10 Werktage) ein Wegetagebuch über die morgend-liche und abendliche Fahrt zur und von der Arbeit zu führen. Ausgewählt wurden aus-schließlich Berufstätige, die über ein Auto verfügen und dieses regelmäßig für den Wegzur Arbeit nutzen. Das Wegetagebuch ließ Eintragungen über die Start- und Ankunftszeitder Fahrten, genaue Routenwahl, Zieladresse, Wegezweck (Aktivitätstyp), sowieZwischenstops und der Zeitpunkt des (offiziellen) Beginns der Arbeit zu.

Unter Verwendung von allgemeinen Methoden beschreibender Statistik und der Ent-wicklung von Poisson-Regressionsmodellen wurden Reiseentscheidungen in Abhängig-keit von den Verkehrsbedingungen und insbesondere der Einfluss der persönlichenCharakteristika der Pendler auf das Verhalten analysiert. An dieser Stelle soll eineAuswahl der wichtigsten Untersuchungsergebnisse zur Regelmäßigkeit des Pendlerver-halten dargestellt werden (siehe Mahmassani et al. 1997):

• Zwischenstops auf dem Weg zur Arbeit:

25.2% aller morgendlichen Touren zur Arbeitsstelle enthalten mindestens einen Halt,nur etwa 5% der dokumentierten Wegeketten weisen mehr als einen Halt auf. 38.8%aller Befragten unterbrechen ihre Tour nie auf dem Weg von der Wohnung zurArbeitsstelle, ein Anteil von 6.1% dagegen legt dabei regelmäßig mindestens einenZwischenstop ein.

Von besonderem Interesse ist die Einteilung in gewohnheitsmäßige Halte(Routinestops) und solche mit zufälligen Charakter. Routinestops werden als solchedefiniert, die immer das gleiche Ziel (die gleiche Zieladresse wie z.B. die Schule desKindes) aufweisen und an mindestens 3 von 5 Tagen beobachtet werden können.Etwa ein Drittel aller Zwischenstops, die auf dem Weg zur Arbeitsstelle beobachtetwerden konnten, gehören zu dieser Kategorie. Von ihnen dienten erwartungsgemäßdie Mehrheit (53.2%) dem Zweck ‚Jemanden bringen / holen‘ und 25.5% dem Zweck‚Essen / Einkaufen‘. Bei den Halten, die als Extrastop oder nicht-routinisierter Haltbezeichnet werden, unterscheidet sich die Verteilung der Aktivitätszwecke oder –typen wesentlich: 41% der Extrastops dienten persönlichen Erledigungen wie



Bankgeschäfte etc., 24.1% dagegen ‚Essen / Einkaufen‘ und nur 19.1% dem Zweck,jemanden zu bringen oder zu holen. Ebenso bestehen Unterschiede bei der Dauerzwischen den beiden Kategorien. Während an Routinehalten durchschnittlich nur 5.7Minuten verbracht werden, erweisen sich die außerplanmäßigen Extrastops zeitlichals doppelt so lang (13.6 Minuten).

• Stabilität bzw. Regelmäßigkeit der Wegeketten:

Mahmassani und Kollegen identifizieren für jeden Pendler ausgeprägte Wegeketten(distinct trip-chains), um die Stabilität der morgendlichen Muster zu analysieren.Diese werden als Wegeketten mit einer eindeutigen bzw. konstanten Sequenz vonZieladressen in Austin definiert, die unabhängig von der gewählten Route gebildetwerden und bei den Befragten häufig auftreten. 42% aller Befragten haben nur eineeinzige ausgeprägte Kette, die an den insgesamt zehn Erhebungstagen dokumentiertwurde, und weisen somit ein stabiles, gewohnheitsmäßiges Verkehrsverhalten beider morgendlichen Fahrt zur Arbeit auf. 58% dagegen besitzen mindestens 2ausgeprägte Muster.

• Erklärungsansätze für die Häufigkeit von Halten auf dem Weg zur Arbeit:

Unter Anwendung eines Poisson-Regresionsmodells konnten Determinanten für dieHäufigkeit von Zwischenstops auf dem Weg zur Arbeitsstelle identifiziert werden.Insbesondere sozio-demographische Charakteristika der Verkehrsteilnehmer und dieDistanz der Wohnung zur Arbeitsstelle haben Einfluss auf die Entscheidung,Zwischenstops auf dem Weg zur Arbeit einzulegen. So korreliert die Häufigkeit vonZwischenstops positiv mit der Reisezeit, die die Pendler zurücklegen. Danebenneigen Frauen eher zur Kombination von Wegen und Aktivitäten in komplexerenMustern als Männer, ebenso wie Beschäftigte, die erst nach 8 Uhr morgens ihreArbeit antreten müssen, höhere Angestellte mit flexiblen Arbeitszeiten undAngestellte, die ihr Auto in unmittelbarer Nähe der Arbeitsstelle parken können(offensichtlich, weil sie im Gegensatz zu denen, die eine lange Distanz zwischenParkplatz und Arbeitsort zurücklegen müssen, die Dauer von Zwischenstops nicht alszusätzliche und unnötige Verlängerung ihres Reisezeitbudgets auf dem Weg zurArbeitsstelle empfingen).

• Variabilität der morgendlichen Startzeit und der Routenwahlentscheidung:

Die Variabilität bei der Wahl der morgendlichen Startzeit für den Weg zur Arbeit er-scheint sehr ausgeprägt. Durchschnittlich ein Drittel aller dokumentierten Wegeweicht bei seiner Startzeit von der jeweils errechneten mittleren Startzeit derBefragten mehr als 10 Minuten ab. Werden die Startzeiten der Sequenzen auf-einanderfolgender Tage miteinander verglichen, so erhöht sich dieser Wert sogar aufüber 40%.

Bei der Routenwahl konnte als Folge begrenzter Routenoptionen kein ähnlichvariables Verhalten analysiert werden. Abweichungen von der gewohnheitsmäßigenRoute (mode route), d.h. von einer individuellen, häufig wiederkehrenden Routenwahlim Straßennetz der Stadt Austin treten nur selten auf. Nur durchschnittlich etwa einFünftel aller morgendlichen Routen innerhalb der 10-Tage-Periode weichen von der



gewohnheitsmäßigen Route ab. Wenn der große Anteil derjenigen Tourenberücksichtigt wird, die keinen Halt zwischen Wohnung und Arbeitsstelle aufweisen,liegt dieser Anteil gar unter 10%. Wird eine Tag-zu-Tag-Betrachtung vorgenommen,d.h. die Routen aufeinanderfolgender Wegeketten verglichen, so weichen im Schnitt26% aller nachfolgenden Routen von der gewählten Route des letzten Tages ab.

Interessant erscheint auch das Ergebnis der Routenwahl bei Wegeketten mit undohne Zwischenstop(s) auf dem Weg zur Arbeitsstelle: 22% aller Routen mitZwischenstop(s) sind identisch mit denjenigen ohne Halt auf der Strecke.

3.5 Diskussion der dargestellten Ergebnisse

Die hier dargestellten Ergebnisse unterstützen im allgemeinen die These, dassVerkehrsverhalten auf der Personen und Haushaltsebene generell von großer Konstanzund der Wiederverwendung von Lösungen für bestimmte Bedürfnisse gekennzeichnet ist.Die Studien beleuchten eine Reihe von Teilaspekten gewohnheitsmäßigen Verhaltens mitunterschiedlich ausgeprägter Betonung des menschlichen Aktivitätenspektrums und derAktionsräume.

In fast allen Untersuchungen wird jedoch auch mehr oder minder ausführlich dasPhänomen des variablen Verhaltens, d.h. die Abweichung von generell konstanten undgewohnheitsmäßigen Verhaltensroutinen thematisiert. Die Ergebnisse belegen, dass trotzder konstanten Randbedingungen sowie der Restriktionen für die Einteilung des täglichenZeitbudgets und für Reisewahlentscheidungen Situationen entstehen, die variablesVerhalten zur Befriedigung von Aktivitätsbedürfnissen jeglicher Art nötig machen. Geradedie Frage nach der Variabilität scheint besondere Analyse- und Erklärungsanstrengungenbei den an den Studien beteiligten Wissenschaftlern hervorgerufen zu haben. Dies scheintzu belegen, dass die aktivitäten-basierte Verkehrsforschung ihre Hauptaufgabe darinsieht, komplexe Strukturen des Verkehrsverhaltens und deren Hintergründe aufzudecken,auch auf die Gefahr hin, die hintergründige Simplizität und Rhythmik menschlichenVerhaltens zu vernachlässigen (Mahmassani, 1988).

Die hier dargestellten Untersuchungen lassen sich grob in die Kategorien

• ‚Klassische Analysen von Mobilitätskennziffern‘ (Herz/KONTIV zum Teil, Pasu.a./Reading und Pughet Sound, Mahmassani/Austin) und

• ‚Analyse der täglichen Zeitbudgets mit starkem Bezug zum Aktivitätensystem,‘(Shapcott und Steadman/Reading, Kumar und Levinson/NTPS, Herz/KONTIV zumTeil und Jones und Clarke/ATDATAS)

einteilen. Mobidrive wird ähnlich wie die diversen Uppsala-Studien beide Aspekteabdecken und sowohl den komplexen Charakter der täglichen Aktivitätenprogramme alsauch die Ausprägungen und Hintergründe von Mobilitätskennziffern wie Wegehäufigkeit,Reisezeitbudget etc. analysieren.

Es bleibt anzumerken, dass die zusammengetragenen Studien in Teilbereichen des



Mobidrive-Forschungsinteresses bisher nicht oder nur unwesentlich zur Vergrößerung desKenntnisstandes über rhythmische Muster des Verkehrsverhaltens beitragen konnten.Mobidrive mit dem Ansatz, wiederkehrende (komplexe) Elemente des Verkehrsverhaltensüber einen mehrwöchigen Zeitraum zu identifizieren und zu analysieren, kann nurteilweise auf relevante Beobachtungen und Erklärungsansätze zurückgreifen. Selbst dieAnalyseergebnisse zum Uppsala Household Travel Survey decken das ForschungsfeldRhythmische Muster nicht genügend ab, da vorrangig die Ausprägung und der Charaktervariablen Verhaltens ergründet wurde und weniger die verkehrsrelevanten Einflüsse derdynamischen Umwelt und der Strukturveränderungen auf der Haushaltsebene.

Folgende drei Fragestellungen blieben in den dargestellten Studien insbesondereunberührt und bilden wesentliche Forschungsschwerpunkte im Projekt Mobidrive:

• Analyse der Aktivitätenmuster und des Verkehrsverhaltens am Wochenende und diewachsende Bedeutung der Freizeitgestaltung für die Verkehrsnachfrage: DieProblematik des Freizeit- und Versorgungsverkehrs nimmt bisher noch wenig Raumbei den Untersuchungen zum gewohnheitsmäßigen Verhalten ein. Bisher stand dieBerücksichtigung der Werktage und der Hauptaktivität Arbeit im Mittelpunkt desInteresses, ohne dass der Tatsache des wachsenden Freizeitverkehrs und dervergleichbar großen Komplexität der Tagesprogramme an Wochenenden Rechnunggetragen wurde (siehe Brannolte, Axhausen, Dienel und Rade, 1999). In ähnlicherWeise sind bisher auch Versorgungsfahrten (Einkauf) unberücksichtigt geblieben.

• Einfluss regelmäßig wiederkehrender struktureller Elemente der Umwelt (Rhythmen):Die rhythmischen Elemente des Verkehrsverhaltens standen bei den Unter-suchungen mit mehrtägigen bzw. mehrwöchigen Erhebungszeiträumen explizit nochnicht im Vordergrund. Bei den Paneluntersuchungen mit einem Stichtag wurde sichdiesem Phänomen schon angenommen, allerdings konnte die Mehrdimensionalitätder Aktivitätenprogramme und des resultierenden Verkehrsverhaltens bisher nichtausreichend berücksichtigt werden.

• Einfluss des Haushaltszusammenhangs auf die individuelle Mobilitätsgestaltung unddie Entstehung routinisierten Verhaltens: Als nicht befriedigend erscheint letztlichauch die Kenntnis über die Bedeutung der Haushaltsstruktur für die Herausbildungindividueller Mobilitätsroutinen und die Überlagerung dieser Faktoren mit denverkehrsrelevanten Rhythmen der dynamischen Umwelt. Obwohl der Haushalts-zusammenhang in der Verkehrswissenschaft als wichtige Verhaltensdeterminanteanerkannt wird – als Bespiele seien hier die verschiedenen Modelle zur Zeit- undRoutenplanung im Haushaltszusammenhang genannt (vgl. Gärling, Kalen, Romanusund Selart, 1998; Doherty und Axhausen, 1998) –, sind bisher keine Studien zumThemenkomplex Haushaltsstruktur und wiederkehrende Elemente desVerkehrsverhaltens bekannt.

Individuelle Ebene – Hauptstudie 77


4 Systemebene – Vorbereitung und Analyseaggregierter Daten

Für diesen Teil der Arbeiten wurden eine Reihe von systemweiten Datenquellenerschlossen, um rhythmische Muster über Personenaggregate zu ermitteln. Die Er-schließung der Daten, insbesondere der Verkehrszählungen erwies sich als überraschendschwierig, da eine unverhältnismäßige Anzahl bürokratischer Hürden und Verzögerungenüberwunden werden musste oder entsprechende Daten, wie im ÖV in Deutschland, nichtverfügbar sind.

Bei den Untersuchungen auf Verwendbarkeit der einzelnen Datensätze für die Erstellungvon Zeitreihenanalysen, haben sich ein Großteil der erworbenen bzw. vorhandenen Datenals nicht geeignet herausgestellt. Deshalb beschränken sich die Analysen auf folgendeDaten:

• Zählstellendaten von ausgewählten Dauermessstellen in NRW 1990 – 1999,

• Besetzungszahlen der Schweizer Bundesbahn für den Querschnitt Gotthard vonOktober 1988 bis April 1999,

• KONTIV 1989.

4.1 MIV-Daten

Ziel der Zeitreihenanalyse von Zähldaten automatischer Querschnittszählungen desmotorisierten Individualverkehrs ist zunächst die Identifizierung von Rhythmen. Nur wennRhythmen neben der individuellen Ebene (siehe Kapitel 5.7 Hazardmodelle) auch auf deraggregierten Ebene nachgewiesen werden können, ist es ggf. möglich, einen Bezugzwischen diesen Ebenen herzustellen und anschließend in die Simulation von Verkehrs-verhalten auf Personen- und Haushaltsebene einzubinden. Die auf der aggregiertenEbene identifizierten und mathematisch modellierten Rhythmen können dann ins-besondere zur punktuellen und querschnittbezogenen Kontrolle sowie Kalibrierung vonSimulationsmodellen der individuellen Ebene verwandt werden. Diese Verknüpfung ist fürdie Projektausweitung vorgesehen.

Zu betonen ist in diesem Zusammenhang, dass es sich bei den hier analysiertenZeitreihen nicht um kurze Zeitreihen handelt, wie dieses bei Verkehrsverhaltensdaten vonEinzelpersonen der Fall wäre. Für kurze Zeitreihen sind ggf. abgewandelte Methoden undModelle zu wählen. Auf die Methodik wurde bereits in Kapitel 2.4 eingegangen.

Prinzipiell sind die hier verwandten saisonalen ARIMA-Modelle zur Zeitreihenanalyseauch zur Kurzzeitprognose von Verkehrsbelastungen an Streckenabschnitten oder –quer-schnitten z. B. im Rahmen einer online-Steuerung anwendbar.



4.1.1 Datenbeschreibung und Aufbereitung

Zur Analyse von Rhythmen auf aggregierter Systemebene des MIV wurden inZusammenarbeit mit dem Unternehmen Heusch-Boesefeld 20 Straßenquerschnitteunterschiedlicher Straßenklassen, die vorzugsweise im Bereich von Stadtzufahrten inNordrhein-Westfalen liegen, ausgewählt. Diese Zählstellen lassen einen höheren Anteilan städtischen und regionalen Verkehren erwarten, wodurch eher ein Zusammenhang zuRegelmäßigkeiten auf der individuellen Ebene von Bewohnern städtisch geprägter Räume(z. B. Mobidrive-Befragte) hergestellt werden kann.

Nachfolgend sind diese 20 Querschnitte, unter Angabe der Straßenklasse und –nummer,des Zählstellennamens und der Fahrstreifenanzahl, aufgeführt.

Zählstellen-nummer

Straßenklasseund –nummer

Zählstellenname AnzahlFahrstreifen

38175103 A 30 Kirchlengern 4

45085037 A 40 Essen-Kray 6

45075028 A 52 Essen-Bredeney 4

46075027 A 52 Lintorf 6

47065031 A 52 Düsseldorf-Heerdt 6

51075036 A 555 Godorf 6

53085013 A 565 Meckenheim-Merl 4

40125330 B 51 Telgte 2

44105318 B 54 Dortmund-Brechten 2

51025213 B 57 Alsdorf-Often 2

51145332 B 62 Siegen 2

39115306 B 219 Greven 2

52075437 L 194 Weilerswist 2

51025411 L 232 Richerich 2

53035208 L 233 Friesenrath 2

47075416 L 357 Düsseldorf-Gerresheim 2

50085428 L 358 Bensberg-Refrath 2

46055434 L 475 Krefeld 2

43095526 L 511 Recklinghausen 2

44085523 L 608 Gelsenkirchen 4

Aus technischen Gründen konnten für die Autobahnquerschnitte keine über zehn Jahrekontinuierlich vorliegenden und fahrstreifengetrennten Zählwerte zur Verfügung gestelltwerden. Die Auswertungen können daher nur richtungsbezogen (d. h. jeweils aggregiertfür die Richtungsfahrbahnen) durchgeführt werden. Da insbesondere die Lkw-Verkehrs-stärkedaten Fehler und Inplausibilitäten aufwiesen, werden die Auswertungen nur für dierichtungsbezogenen Kfz-Verkehrsstärken durchgeführt.



Von den ursprünglich 20 Zählstellen erwiesen sich die Datensätze von fünf Zählstellen(2 ⋅ A52, A40, B57 und L233) als nicht brauchbar, da sie entweder zu große oder zu vieleLücken aufwiesen. Ein künstliches Füllen derartig großer Lücken hätte künstliche Regel-mäßigkeiten erzeugt, die eine Ergebnisverfälschung implizieren würden. Die restlichenDatensätze wurden vervollständigt und bereinigt sowie für eine Zeitreihenanalyse nach-teilige Unregelmäßigkeiten (z. B. durch die Zeitumstellung von Sommer- auf Winterzeit)manuell beseitigt. Abschließend wurden für die Auswertung notwendige Zeitvariablen mitder Periodizität 168 (= 24h ⋅ 7 Tage) erzeugt. Die Periodizität von einer Woche wurdegewählt, da die Querschnittsbelastungen im Wochenabstand engere Zusammenhängeaufwiesen als die Messwerte im Tagesabstand (s. hierzu auch die Abbildungen 30 und31).

4.1.2 Spezifikation der saisonalen ARIMA-Modelle

Zur ARIMA-Modellierung werden als Datenbasis über 10 Jahre automatisch gemesseneStundenwerte von Zählstellen verwendet. Aufgrund der umfangreichen Datenmengekönnen zur Darstellung daher häufig nur Ausschnitte (z. B. für das Sequenzdiagramm)oder abstrahierende Grafiken beispielhaft genutzt werden. Abb. 30 und Abb. 31 zeigenbeispielhaft die Verkehrsstärke für eine Fahrtrichtung über einen Zeitraum von einem Tagund von zwei Wochen . Es sind bereits sehr deutlich der Wochenrhythmus und die Tages-rhythmen mit ihren Vor- und Nachmittagsspitzen erkennbar. Zudem zeigen die Samstageund Sonntage eine – verglichen mit den Werktagen - abweichende Charakteristik,untereinander ähneln sich die Wochenendbelastungen dagegen sehr.

A30 Kirchlengern, Rtg. Bad Oeynhausen

Mo. 31.08.98

[h]

242322212019181716151413121110987654321

[Kfz

/h] 2000

1800

1600

1400

1200

1000

800

600

400

200

0

Abb. 30: Sequenzdiagramm der Verkehrsstärke an einem Tag




So. 30.08.98 - Sa. 12.09.98

Jahr Tag

Sa 98255

Fr 98254

Do 98253

Mi 98252

Di 98251

Mo 98250

So 98249

Sa 98248

Fr 98247

Do 98246

Mi 98245

Di 98244

Mo 98243

So 98242

Kfz

/h 2000

1500

1000

500

0

Abb. 31: Sequenzdiagramm der Verkehrsstärke in einer Woche

Ergänzende deskriptive Untersuchungen im Frequenzbereich mit Tagesdaten unter-stützen dieses Bild. Die folgende Periodogrammdarstellung zeigt eine ausgeprägte Spitzefür die Frequenz 0,14, was einer sehr häufigen Periodenlänge von 7 (eine Woche) ent-spricht.

Frequenz

,50,45,40,35,30,25,20,15,10,050,00

Per

iodo

gram

m

1000000000

100000000

10000000

1000000

100000

10000

1000

Abb. 32: Periodogramm der Zeitreihe der Zählstelle 38175103 (A30, Ri. O)



Abb. 33 zeigt für die gleiche Zählstelle die Autokorrelationsfunktion (ACF) (ohneAnwendung eines Differenzenfilters), die ebenfalls den starken Zusammenhang zwischenden Messwerten im Tagesabstand (jeweils bei einem Vielfachen des lag 24) undbesonders im Wochenabstand (jeweils bei einem Vielfachen des lag 168) verdeutlicht unddamit die Tages- und Wochenrhythmen unterstreicht. Diese Funktionen legen dieVermutung nahe, dass die Rhythmen auf aggregierter Ebene auf mittleren Verhaltens-wahrscheinlichkeiten von Individuen/Verkehrsteilnehmern beruhen.


Transformiert: Saisonale Differenz (0, Periode 168)

Lag-Nummer

6735053371691

AC

F 1,0

,5

0,0

-,5

-1,0

Abb. 33: Autokorrelationsfunktion der Zählstelle A30

Abb. 34 verdeutlicht durch die partielle Autokorrelationsfunktion (PACF) (ohneAnwendung eines Differenzenfilters) den direkten Zusammenhang zwischen Messwertenim Abstand von 24 Stunden und einer Woche (lag 168). Die Partialkorrelation bestimmtden Zusammenhang zwischen zwei Variablen (zwei variabel gegeneinander verschobeneZeitreihen) bei Eliminination des Einflusses einer dritten Variable (zwischen dengegeneinander verschobenen Zeitreihen liegende Werte). Abhängigkeiten zwischenWerten mit mehrtätigem Abstand oder Abhängigkeiten zwischen mehreren Wochen sinddagegen wesentlich geringer. Wesentlich geringere Partialkorrelationen sind zudem imZwei- und Drei-Wochen-Abstand erkennbar. Die Eliminierung/Filterung dieserSaisonalitäten (bzw. von zwei Saisonalitäten gleichzeitig) war edv-technisch nichtrealisierbar. Der Einfluss von Zwei- bzw. Drei-Wochen-Saisonalitäten wurde auch auf-grund der geringen Ausprägungen vernachlässigt.





Lag-Nummer

6735053371691

PA

CF 1,0

,5

0,0

-,5

-1,0

Abb. 34: Partielle Autokorrelationsfunktion der Zählstelle A30

Da die Maxima der ACF nicht schnell abklingen, müssen – um eine schwach stationäreZR zu erreichen – bei saisonalen ARIMA-Modellen zunächst die saisonalenSchwankungen gefiltert werden. Im Folgenden werden nur noch die Zeitreihen nach derAnwendung eines saisonalen Differenzenfilters mit der saisonalen Periode 168, was einerWoche entspricht, betrachtet. Die Untersuchungen haben gezeigt, dass ein einfachersaisonaler Differenzenfilter ausreicht und bereits einen schwach stationären Prozessliefert.





Lag-Nummer

6735053371691

AC

F 1,0

,8

,6

,4

,2

,0

-,2

-,4

-,6

-,8

-1,0



Lag-Nummer

6735053371691

PA

CF 1,0

,8

,6

,4

,2

,0

-,2

-,4

-,6

-,8

-1,0

Abb. 35: ACF und PACF nach Anwendung des saisonalen Differenzenfilters undschematische Darstellung

-1

Lag

1

0

ACF

Lag

1

-1

PACF



Mit Hilfe der saisonal differenzierten ACF (s. .Abb. 35) und PACF konnte anschließendaufgrund der deutlichen Spitze des ACF und der exponentiell abfallenden Form des PACF(analog der schematischen Darstellung eines reinen (saisonal nicht differenzierten)MA(1)-Prozesses) der saisonale Teil als saisonaler MA(1)-Prozess spezifiziert werden.

Anschließend wurden nach der Methode der Residualanalyse die Differenzen (error)zwischen den Zeitreihenwerten und den durch das Modell geschätzten Werte betrachtet.Zu Grunde liegende These dabei ist, dass die berechneten Residuen aufgrund dergeschätzten Modellparameter ebenfalls nur Schätzungen für die wahren Residuen sind.Da die Residuen laut Modellannahme ein white-noise Prozess sein müssen, werden sieauf Stationarität und Ausreißer analysiert und anschließend die ACF und PACF (s. Abb.36) untersucht (Schmitz (1989)).



Lag-Nummer

6735053371691

PA

CF

(Err

or (

000)

(011

))

1,0

,8

,6

,4

,2

0,0

-,2

Abb. 36: Partialkorrelationsfunktion der Residuen des SMA(1) 168 – Prozesses

Die Residuen konnten noch nicht als white-noise-Prozess interpretiert werden, sodassweitere Parameter in das Modell einbezogen wurden. Abschließen wurde das saisonaleARIMA-Modell der Form (1,0,0)(0,1,1)168 als Modell identifiziert, das die beste Anpassungan die Zeitreihe liefert. Die Parameter AR1 und SMA1 wurden mit Hilfe der t-Statistik alssignifikant bestätigt. Die Kriterien AIC und SBC lieferten bei der sog. „semiautomatischen“Modellselektionen, im Vergleich zu anderen Modellen, die niedrigsten Werte.

Die folgende Tab. 5 führt für die 15 untersuchten Zählstellen die o.g. Parameter auf.



Beispielsweise bedeutet ein AR-Wert (Auto-Regressiver Bestandteil) von 0,834 , dasssich ein Messwert zum Zeitpunkt t zu 83,4% durch den Messwert des Zeitpunktes t-1bestimmen lässt (häufig auch als "Gedächtnis" des Systems bezeichnet). Der SMA-Parameter (Saisonaler Moving-Average-Bestandteil) erklärt, wie der aktuelle Prozess vomvergangenen Zufallseinfluss/Störung (der Periode 168) mitbeeinflusst wird.

Zählstellen-nummer

Fahrt-richtung

AR SMA

38175103 O 0,834 0,940W 0,814 0,917

47065031 O 0,812 0,918W 0,856 0,937

51075036 N 0,839 0,956S 0,851 0,946

53085013 N 0,803 0,962S 0,816 0,926

40125330 N 0,753 0,957S 0,782 0,904

44105318 N 0,807 0,946S 0,857 0,928

51145332 N 0,859 0,927S 0,875 0,902

39115306 N 0,738 0,963S 0,773 0,969

52075437 N 0,772 0,856S 0,707 0,869

51025411 N 0,863 0,941S 0,815 0,951

47075416 O 0,805 0,952W 0,771 0,958

50085428 O 0,791 0,957W 0,746 0,959

46055434 N 0,729 0,894S 0,692 0,861

43095526 O 0,687 0,948W 0,703 0,950

44085523 N 0,827 0,943

S 0,829 0,964

Tab. 5: Geschätzte AR- und SMA Parameter

Abb. 37 zeigt die richtungsbezogenen Zählwerte (K1_K2) der Kfz-Belastung sowie dieARIMA-geschätzten Werte (Fit for ARIMA) und verdeutlicht eine gute Anpassung desProzesses. Einschränkend muss erwähnt werden, dass ARIMA-Modelle, die auch einegleitende Mittelwertbildung beinhalten, insbesondere die Spitzenwerte "herausfiltern", wasggf. in der praktischen Anwendung durch Korrekturfaktoren ausgeglichen werden könnte.




So. 30.08.98 - Sa. 12.09.98

Jahr Tag

9825598254

9825398252

9825198250

9824998248

9824798246

9824598244

9824398242

Kfz

/h 2000

1000

0

K1_K2

Fit for Arima

(100)(011)

Abb. 37: Vergleich der Zeitreihe mit den ARIMA (1,0,0)(0,1,1)168 – geschätzten Werten

Auf diesen Erfahrungen aufbauend wurden weitere Untersuchungen mit einer hinterlegtenPeriodizität von 24h (ein Tag) durchgeführt. Die dabei erzielten Ergebnisse konnten aller-dings keine derartig guten Schätzwerte liefern wie bei einer Saisonalität von einer Woche.

Wie beispielsweise bereits in Abb. 31 sichtbar wurde, weisen die Ganglinien insbesonderean Wochenenden differierende Charakteristika auf. Folglich wurde untersucht, welchenEinfluss eine zusätzlich einbezogene unabhängige Variable (als Regressor), die Sonn-und Feiertage berücksichtigt, auf den Prozess hat. Hierzu wurden zunächst dieStundenwerte zu Tageswerten aggregiert, da eine stundengenaue Betrachtung für denEinfluss von Feier- und Sonntagen nicht sinnvoll erschien.

Es konnte der gleiche ARIMA-Typ identifiziert werden. Die folgende Tab. 6 zeigt diegeschätzten Parameter der saisonalen ARIMA (1,0,0)(0,1,1)7 – Modelle, für dieSignifikanz nachgewiesen werden konnte. Die Variable "Feiert" beschreibt dabei diedurchschnittliche Veränderung der Verkehrsstärke an den jeweiligen Querschnitten auf-grund des Vorhandenseins eines Sonn- oder Feiertages für diese Tage im geschätztenARIMA-Modell (Veränderung der prognostizierten Werte). Zur Verdeutlichung derDimension der Verkehrsstärkeänderung sind zusätzlich die durchschnittliche Verkehrs-stärke pro Tag und die maximale Verkehrsstärke des Beobachtungszeitraumes an-gegeben.



Zählstellen-nummer

Fahrt-richtung AR SMA Feiert

∅ tägl.Verkehrs-

stärke

max.Verkehrs-

stärke

38175103 O 0,544 0,752 -4474 16378 24316W 0,531 0,758 -4197 16015 23792

47065031 O 0,474 0,988 -20465 51679 66956W 0,477 0,989 -21683 51360 68135

51075036 N 0,540 0,968 -11475 28651 39246S 0,564 0,975 -10326 29396 39709

53085013 N 0,546 0,737 -3212 16692 21922S 0,536 0,764 -3456 15904 26305

40125330 N 0,671 0,926 -2012 10277 14042S 0,630 0,862 -1674 10286 12887

44105318 N 0,415 0,971 -4322 9575 12128S 0,471 0,772 -4467 9892 15290

51145332 N 0,376 0,971 -5388 9388 13093S 0,325 0,953 -5945 9458 14688

39115306 N 0,498 0,987 -2206 5923 8923S 0,644 0,989 -1917 5905 10103

52075437 N 0,771 0,975 -928 3732 5958S 0,591 0,881 -1164 3536 5454

51025411 N 0,664 0,989 -4659 11096 15749S 0,440 0,943 -4951 11575 16698

47075416 O 0,427 0,984 -3163 6806 9223W 0,427 0,980 -3225 6754 9345

50085428 O 0,638 0,977 -1776 4684 8052W 0,676 0,982 -1697 4558 8152

46055434 N 0,594 0,962 -1580 4572 6560S 0,581 0,934 -1559 4553 7914

43095526 O 0,353 0,931 -2783 5499 8993

W 0,338 0,874 -2804 5485 8516

44085523 N 0,407 0,983 -9731 19310 26357S 0,433 0,981 -8926 18262 24849

Tab. 6: Geschätzte AR- und SMA- Parameter sowie Verkehrsstärkenveränderung auf-grund eines Sonn- bzw. Feiertages

Zusammenfassend lässt sich feststellen, dass die Zeitreihenanalyse als Verfahren undMethode geeignet ist, Rhythmen im Verkehrsgeschehen insbesondere auf aggregierterEbene zu modellieren. Die identifizierten Modelle für die an Autobahnen, Bundes- undLandesstraßen gelegenen Zählstellen beziehen sich dabei auf saisonal-differenzierteZeitreihen und beinhalten jeweils eine saisonale MA-Komponente zur Einschränkung derVariation der aktuellen Störungen aufgrund der saisonal wiederkehrenden Störungen(random disturbances) und eine nicht-saisonale AR-Komponente, die den Messwert zumZeitpunkt t-1 berücksichtigt. Mit den identifizierten Modellen ist folglich auch einePrognose der Verkehrsstärken an den entsprechenden Querschnitten und unter Berück-sichtigung von Sonn- und Feiertagen möglich.



4.2 ÖV-Daten

4.2.1 Datenbeschreibung und Aufbereitung

Zur Analyse von Zeitreihen auf aggregierter Ebene des ÖV wurden von der SchweizerBundesbahn Daten von Fernzug-Zählungen am Gotthard zur Verfügung gestellt. EinenÜberblick über das Schweizer Transit-Netz gibt die folgende Abbildung:

Abb. 38: AlpTransit Elemente des Schweizer Schienennetzes (Institut für Städtebau undLandesplanung der Universität Karlsruhe, www.isl.uni-karlsruhe.de/module/-schienennetze/schienennetz_ch/schienennetz_ch.html)

Die Daten beinhalteten tägliche Werte verschiedener Züge auf der Strecke zwischenBellinzona, Göschenen und Arth-Goldau, die zum Großteil durch Fahrberichte des Zug-begleitpersonals erfasst wurden und deckten eine Periode von Oktober 1988 bis April1999 ab. Am zahlreichsten erwiesen sich die Werte der Reisenden von bzw. nachBellinzona, so dass eine erste Beschränkung auf diese Daten erfolgte. Weitere Unter-suchungen hinsichtlich der Vollständigkeit der Werte über die einzelnen Tage der Jahre,erforderten zusätzliche Einschränkungen auf die Zeit von Anfang 1991 bis Ende 1998.Auch für diese Periode mussten allerdings sowohl vollständig fehlende Tage, als auchTage an denen ein oder mehrere Züge fehlten, manuell ergänzt werden. Auf eine Inter-polation wurde zugunsten des Ersetzens durch entsprechende Mittelwerte des Vorjahres



und des darauffolgenden Jahres – unter Berücksichtigung des Wochentages und desVorhandenseins von Feiertagen oder auch Schulferien – verzichtet. Aufgrund der hohenAnzahl von Imputationen, musste von einer Modellierung täglicher Daten abgesehenwerden, so dass die Tageswerte zu Wochenwerten aggregiert wurden.

4.2.2 Modellierung der saisonalen ARIMA-Modelle

Zur besseren Übersichtlichkeit werden auch hier – äquivalent zu den Darstellungen derZeitreihenanalyse der MiV-Daten – lediglich Ausschnitte des untersuchten Zeitbereichsdargestellt.

Die Vorgehensweise der Modellierung der Zeitreihen ist ebenfalls äquivalent und richtetsich nach dem im Kapitel 2.4 beschriebenen Ansatz von Box-Jenkins, in dem vor derSpezifikation der Modellordnung versucht wird, Zeitreihen mit z.B. deutlichen Rhythmendurch Anwendung geeigneter Filter in schwach stationäre Reihen zu überführen.

Der erste Ausgangspunkt ist demnach die graphische Darstellung der Reihe derReisenden pro Woche und Jahr in einem Sequenzdiagramm.

0

1000

2000

3000

4000

5000

6000

1 9 17 25 33 41 49 5 13 21 29 37 45 53 9 17 25 33 41 49 5 13 21 29 37 45 53

Woche und Jahr

Rei

send

e

Abb. 39: Sequenzdiagramm der Anzahl Reisender pro Woche in den Jahren 1995 bis1998

Deutlich ist der Jahresrhythmus zu erkennen – auch wenn die einzelnen Jahre sich etwasunterscheiden, treten Peaks jeweils in den April-Wochen (14-16), in den August-Wochen(31-32) und der letzten Dezember- bzw. der ersten Januarwoche auf.

1996 1997 1998



Bestätigt wird dieser erste visuelle Eindruck durch das Periodogramm der Reihe, dar-gestellt in der folgenden Abbildung:

0

20000000

40000000

60000000

80000000

100000000

120000000

0.00 0.05 0.10 0.16 0.21 0.26 0.31 0.36 0.41 0.47

Frequenz

Abb. 40: Periodogramm der Reihe der Reisenden pro Woche der Jahre 1991 bis 1998

Der erste deutliche Peak des Periodogramms liegt bei der Frequenz λ = 0,12. Dieentsprechende Periode P berechnet sich durch

λπ2

=P

und ergibt die erwartete Periodizität von 52 Wochen.

Die Nicht-Stationarität der Reihe wurde weiterhin durch die Berechnung der Autokorrela-tionsfunktion (ACF) bestätigt, so dass im nächsten Schritt ein saisonaler Differenzenfiltermit dem Saisonzyklus 52 angewandt wurde.



-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

0 10 20 30 40 50 60 70 80 90 100

Lag-Nummer

AC

F

-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

0 10 20 30 40 50 60 70 80 90 100

Lag-Nummer

IAC

F

Abb. 41: ACF und IACF der mit 52 saisonal differenzierten Reihe der Reisenden proWoche

Die Autokorrelationsfunktion zeigt zum einen durch den Peak bei Lag 52, dass dieDifferenzierung durchgeführt wurde und weist jetzt damit die Eigenschaften eines(schwach) stationären Prozesses auf. Zum anderen präsentiert die ACF die Charakteristikeines saisonalen Moving Average-Prozesses mit Lag 52.



Da die rein visuelle Untersuchung der partiellen Autokorrelationsfunktion keinen Beitragzur weiteren Spezifikation der Modellparameter leisten konnte, wurde die sogenannteinverse Autokorrelationsfunktion (IACF) berechnet, die eine exakte Dualität zur ACFdarstellt. Mit ihrer Hilfe kann - wie auch mit der PACF - die Ordnung eines autoregres-siven Prozesses bestimmt werden. Für multiplikative Modelle weist die IACF kleinerePeaks p Lags vor und nach dem Peak des saisonalen Lags auf. In dem hier vorliegendenFall wäre die Ordnung p des AR-Prozesses mit 1 anzunehmen. Wären auch P saisonaleautoregressive Parameter mit einzubeziehen, würden sich dieselben Eigenschaften beijedem der P saisonalen Lags wiederholen. Aufgrund dieser Überlegungen fiel die ersteEntscheidung für ein multiplikatives ARIMA-Modell der Ordnung (1,0,0)(0,1,1)52.

Die anschließende Schätzung des Modells führte zu den signifikanten Parametern

AR: 0,374 und

SMA: 0,577.

In einem nächsten Schritt war zu prüfen, ob die zugrundeliegende Reihe tatsächlich vondem ARIMA-Modell (1,0,0)(0,1,1)52 generiert wurde. Dies kann u.a. mit Hilfe eines Ver-gleichs der Kenngrößen der Residualreihe – Residuen sind die Abweichungen von dentatsächlichen Daten und den geschätzten Größen – mit denen eines White-Noise-Prozesses durchgeführt werden. Sowohl die visuelle Beurteilung der ACF der Residuen(siehe die folgende Abbildung), als auch die Ergebnisse eines statistischen Tests(modifizierte Box-Pierce Statistik) konnten die Hypothese, dass die Modell-ResiduenWhite-Noise sind, bestätigen. Vergleiche über Akaikes Informationskriterium (AIC) mitanderen testweise durchgeführten Modellschätzungen bestätigten ebenfalls dasausgewählte ARIMA-Modell.

-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

0 10 20 30 40 50 60 70 80 90 100

Lag-Nummer

AC

F de

r Res

idue

n ((

1,0,

0)(0

,1,1

)52)

Abb. 42: Residualkorrelationen des angepassten ARIMA (1,0,0)(0,1,1)52 Prozesses



Insgesamt lies sich eine recht gute Anpassung der Daten durch das Modell erreichen, wiedie nächste Abbildung zeigt.

0

1000

2000

3000

4000

5000

6000

1 17 33 49 13 29 45 9 25 41 5 21 37 53

Woche und Jahr

Rei

send

e

ReisendeFit for ARIMA

Abb. 43: Vergleich der Reihe der Reisenden pro Woche mit den geschätzten Wertendurch ARIMA (1,0,0)(0,1,1)52

Nachdem die Phasen der Modellspezifikation, Schätzung und Diagnose abgeschlossensind, steht die Interpretation des Modells noch aus: Der geschätzte AR-Parameterbedeutet, dass sich ein Wert zum Zeitpunkt t zu 37,4% durch den Wert des vorher-gehenden Zeitpunkts t-1 bestimmen lässt, d.h. die Anzahl Reisender in einer Woche lässtsich am besten durch den positiv gewichteten Vorwochenwert vorhersagen - z.B. der vonWoche 2 durch den Wert der Woche 1. Zusätzlich wird der Prozess jedoch noch von dem52 Wochen zurückliegenden Zufallsseinfluss durch ein Gewicht von 57,7% mitbeeinflusst(SMA-Parameter).

Wird zusätzlich eine Variable als Regressor mit einbezogen, die die Anzahl der Feiertagepro Woche angibt, so kann das ARIMA-Modell (1,0,0)(0,1,1)52 beibehalten werden. DieParameter für den AR- bzw. MA-Prozess ändern sich nur unwesentlich zu:

AR: 0,361 und

SMA: 0,547.

Der geschätzte Parameter für den Feiertagseinfluss ergibt sich zu 596 und beschreibtdamit den durchschnittlichen Zuwachs an Reisenden in einer Woche mit Feiertagen.

Ein Vergleich der semi-automatischen Kenngrößen und weiterer statistischer Maße ergabfür dieses Modell eine noch bessere Anpassung.

Um zu prüfen, wie sich die Zeitreihe auf monatlicher Datenbasis verhält, wurden die

1995 1996 1997 1998



Anzahl Reisender weiter aggregiert und graphisch dargestellt:

0

5000

10000

15000

20000

25000

30000

Jan 95

Mrz 95

Mai 95

Jul 95

Sep 9

5No

v 95

Jan 96

Mrz 96

Mai 96

Jul 96

Sep 9

6No

v 96

Jan 97

Mrz 97

Mai 97

Jul 97

Sep 9

7No

v 97

Jan 98

Mrz 98Mai 9

8Jul

98Se

p 98

Nov 9

8

Monat und Jahr

Rei

send

e

Abb. 44: Sequenzdiagramm der Anzahl Reisender pro Monat in den Jahren 1995 bis 1998

Auch hier wird nur ein Ausschnitt der Zeitreihe von Januar 1995 bis Dezember 1998visualisiert. Bei dieser Abbildung wird der rhythmische Verlauf der Daten sehr deutlichsichtbar. Entsprechend lies sich eine saisonale Periode von 12 Monaten über dasPeriodogramm leicht nachweisen (Frequenz ?=0,52 entspricht der Periode P=12):

0

50000000

100000000

150000000

200000000

250000000

300000000

350000000

400000000

0.00 0.09 0.17 0.26 0.35 0.44 0.52 0.61

Frequenz

Abb. 45: Periodogramm der Reihe der Reisenden pro Monat der Jahre 1991 bis 1998



Für die Modellspezifikation wurden – nach Herstellung der Stationarität der Reihe durchdie Anwendung eines saisonalen Differenzenfilters der Ordnung 12 – wieder ACF, PACFund IACF graphisch dargestellt und untersucht. Letztendlich konnte eine ARIMA (0,1,1)12

identifiziert werden, das eine signifikante Parameterschätzung für den MA-Prozess inHöhe von 0,417 ergab. Damit wirkt sich für die Monatsdaten der Reisenden lediglich der12 Monate zurückliegende Störeffekt aus.

Zusammenfassend lässt sich auch für diese ÖV-Daten festhalten, dass die ARIMA-Modelle geeignet sind, Rhythmen auf aggregierter Ebene zu visualisieren und zu quanti-fizieren. So konnten die Wochen- und Jahresrhythmen der Anzahl Reisender am Gotthardaufgedeckt werden und zusätzlich der Einfluss von Feiertagen modelliert werden.

4.3 Kontinuierliche Erhebung zum Verkehrsverhalten(KONTIV)

Wie schon beschrieben, setzt die Analyse der Rhythmik menschlichen VerhaltensBeobachtungen oder Befragungen über längere Zeiträume voraus. Sollen nicht nurTages- oder Wochenrhythmen erforscht werden, sondern z.B. auch jahressaisonaleSchwankungen beschrieben und erklärt werden, sind Erfassungszeiträume vonmindestens einem Jahr notwendig. Im Gegensatz zu reinen Querschnittzählungen setztein solch langer Zeitraum für die Erhebung der Verkehrsverhaltensdaten von Einzel-personen eine hohe Bereitschaft und Disziplin (Gewissenhaftigkeit) der Befragten unddamit auch entsprechende Anreize zur Teilnahme sowie angepasste Betreuungs-aufwendungen voraus, die normalerweise nicht zu erwarten sind.

Eine Möglichkeit, diese Schwierigkeiten hilfsweise zu überwinden, ist die Aneinander-reihung nur zeitlicher Teilabschnitte (Einzeltage, mehrere Tage, Wochen) umfassenderkurzer Tagebücher verschiedener Personen mit z.B. übereinstimmenden soziodemo-graphischen Merkmalen. Bei dieser Vorgehensweise werden nicht tatsächlich vor-kommende Zeitreihen von Aktivitätenabfolgen analysiert, sondern synthetische Zeitreihenfür die jeweiligen Personengruppen aufgebaut und einer Analyse zugeführt. So kann espassieren, dass für zwei verschiedene Tage der Woche, z.B. Montag und Dienstag,jeweils ein Tagebuch einer Person für die Zusammenstellung der Zeitreihe verwendetwird, welches (zufällig) jeweils den monatlichen Haupteinkauf beinhaltet. Die zusammen-gesetzten Zeitreihen können also nicht als durchgängige Aktivitätenfolge einesIndividuums betrachtet werden. Im Mittel können bei der Analyse aber Aussagen zurIntensität und Regelmäßigkeit des Vorkommens einzelner Aktivitäten zu bestimmtenZeiten gewonnen werden.

Herz (1980) hat auf der empirischen Basis der KONTIV `76 eine solche Aneinander-reihung vorgenommen und mit Methoden der Zeitreihenanalyse (harmonische Analyse)die Zeitnutzung im Hinblick auf Rhythmen analysiert. Wesentliches Ergebnis ist dieDominanz der Tages- und Wochenrhythmen, der eine relativ geringe Bedeutungsaisonaler Intensitätsschwankungen der Aktivitäten gegenüber steht.



Einen Vergleich der Kennwerte wie Wegeanzahl, Wegelänge oder Wegedauer auf derempirischen Basis der KONTIV´s haben bereits Kloas und Kunert (1994) vorgenommen,die auf die Schwierigkeiten eines solchen Vergleiches aufgrund z.B. der unterschiedlichenMethoden der Durchführung der Erhebung und der unterschiedlichen Verfahren zurErstellung von Gewichtungs- und Hochrechnungsfaktoren hinwiesen. Die Vergleichbarkeitder Erhebungen ist somit nur eingeschränkt gegeben, ist aber Grundvoraussetzung fürz.B. die Ableitung von Entwicklungstendenzen. Kloas und Kunert kommen unter anderemzu dem Fazit, dass „...die Vergleichbarkeit der Ergebnisse nach dem KONTIV-Muster, dieum Jahre auseinanderliegen, durch Veränderungen des Erhebungsdesign nachhaltigbeeinflusst werden kann.“

Trotz der erkannten und dokumentierten Schwierigkeiten bei einem solchen Vergleich sollim Rahmen des Projektes Mobidrive versucht werden, die Rhythmen der Zeitnutzung aufdieser "synthetisch" modifizierten empirischen Basis zu analysieren, zum einen, um eineBasis für die Beurteilung der später im Projektverlauf zu simulierenden individuellenTätigkeitenprogramme zu liefern, zum anderen, um Grundlagen für die „Einrechnung“längerfristiger (über den Zeitraum einer Woche oder eines Monats hinausgehender)Einflüsse aufzubauen.

4.3.1 Datenaufbereitung

Im Rahmen der KONTIV 1989 wurden zwischen dem 01.02.1989 und dem 31.01.1990 inüber 20.000 Haushalten Westdeutschlands alle Personen, die älter als 6 Jahre waren,nach ihrem Verkehrsverhalten befragt. Die Anzahl der Befragungen pro Woche solltekonstant sein, damit eine repräsentative Aussage für den gesamten Erhebungszeitraumgetroffen werden kann. Innerhalb der Woche wurden allerdings die Stichproben nichtkontinuierlich verteilt. Je 1/5 der Erhebung fand jeweils montags, freitags, samstags undsonntags statt. Die Stichtage Dienstag bis Donnerstag umfassen zusammen nur etwa 1/5der Erhebung, da man für diese Tage ein ähnliches Verkehrsverhalten unterstellte. DieStichprobe wurde als zweistufig geschichtete Zufallsstichprobe gezogen, d. h. dass imersten Schritt Befragungsbezirke mittels einer geschichteten Zufallsauswahl (nachRegierungsbezirk und Ortsgrößenklasse) ausgewählt und im zweiten Schritt dieHaushalte mittels eines Random-Route-Verfahrens bestimmt wurden. Da die Stichprobemit methodischen und ausschöpfungsbedingten Verzerrungen behaftet ist, wurden für dieHochrechnung des Datensatzes teilweise durch eine telefonische NacherhebungGewichtungsfaktoren zur

• Korrektur von Ausfällen,

• Korrektur der Verzerrungen durch ungleichgewichtige Rückläufe,

• Angleichung von Stichprobenparametern an existierende Verteilungen und zum

• Ausgleich der durch Vereinfachung des Stichprobenplans entstandenenVerzerrungen

bestimmt (s. KONTIV 1989 Bericht zur Methode).

Da die KONTIV 1989 das Verkehrsverhalten des gesamten Jahres widerspiegeln sollte



und sich die Gewichtungsfaktoren zur Hochrechnung folglich auf das gesamte Jahrbeziehen, sind diese Faktoren für eine Zeitreihenanalyse, für die tagesgenau entzerrteWerte benötigt werden, nicht verwendbar. In der Folge weisen die nicht gewichtetenErhebungswerte Ausreißer und Extremwerte auf. Die starken Schwankungen im Ver-kehrsverhalten zwischen Einzelpersonen von Personengruppen führen bei den er-hobenen Merkmalen zu hohen Standardabweichungen.

Für eine Zeitreihenanalyse mit synthetisch erzeugten Daten ist es notwendig, dass sichdie Beschaffenheit der Daten über die Zeit nicht verändert. Beispielsweise ist es bei derBetrachtung der Personengruppe „Erwerbstätige mit Pkw“ notwendig, Schwankungen inder Beschaffenheit dieser Gruppe zu vermeiden. Schwankungen können entstehen, wennz. B. die Anzahl der „mobilen“ Erwerbstätigen mit Pkw über die Zeit nicht konstant ist. DieStichprobe sollte an jedem Tag repräsentativ für alle Erwerbstätigen mit Pkw sein.

Ein großes Problem ist die an vielen Tagen sehr geringe Anzahl befragter Personen. Beider Betrachtung der Anzahl der befragten Personen pro Tag im fehlerbereinigtenDatensatz (s. Abb. 46) liegt das Minimum bei 6 befragten Personen pro Tag, dasMaximum bei 258 befragten Personen pro Tag. Das Problem liegt nicht in derSchwankung der Anzahl der befragten Personen, sondern darin, dass die Anzahl derbefragten Personen pro Tag an vielen Tagen sehr gering ist.

Dies beeinträchtigt aber nicht nur die Aussagefähigkeit der Zeitreihenanalysen, sondernes behindert die Analysefähigkeit an sich. Durch die geringe Anzahl der befragtenPersonen pro Tag beeinflussen Ausreißer (Personen deren Verkehrsverhalten unge-wöhnlich ist) die Analyse stark. Es können Rhythmen verloren gehen und somit eineModellschätzung erschwert werden. Die Aussagekraft dieser Zeitreihenanalyse ist dahernur beschränkt.

Datum (jjmmtt)

9001

29

8912

30

8911

30

8910

31

8910

01

8909

01

8908

02

8907

03

8906

03

8905

04

8904

04

8903

05

8902

03

Anz

ahl d

er b

efra

gten

Per

sone

n pr

o T

ag

300

200

100

0



Abb. 46: Anzahl der befragten Personen pro Tag (bereinigter Datensatz)

Der Hauptgrund für diese Schwankungen in der Anzahl der befragten Personen pro Tagliegt in der Beschaffenheit der Stichprobenerhebung, bei der die Tage Dienstag bisDonnerstag zusammen nur 1/5 der Erhebung ausmachten. Anhand dieser Gegebenheitenwird deutlich, dass es nur sinnvoll sein kann, für ausgewählte und ausreichend besetztePersonengruppen eine Zeitreihenanalyse zu erstellen. Es werden nur die Personen-gruppen ausgewählt, die mehr als 10 Prozent des wegebezogenen Datensatzes aus-machten, da Zeitreihen mit geringeren Anteilen an zu vielen Tagen Lücken aufweisen.

Wie sich in den anschließenden Untersuchungen zeigt, können diese Zeitreihen aufgrundder vielfach auftretenden Extremwerte nicht modelliert werden, sodass die Eliminierungder Extremwerte und teilweise auch der Ausreißer notwendig wird. Durch die Ausreißer-und Extremwertbereinigung sowie das Löschen von Personen, deren ErhebungsdatenFehler oder Lücken aufwiesen, reduzieren sich die auswertbaren Wege von 118.058Wegen auf 92.800 Wege (-21,4%) (nachfolgend "gekürzte Zeitreihe" genannt).

Die Analysen des bereinigten Datensatzes zeigen, dass die im weiteren Verlauf derUntersuchung verwendeten Parameter teilweise beträchtliche Reduzierungen erfahrenhaben. In Tab. 7 werden die Parameter "Wegedauer pro Person und Tag", "Wege proPerson und Tag" sowie "Weglänge pro Person und Tag" des für die Zeitreihenanalysebereinigten Datensatzes den Parametern, die vom DIW (aufgrund deren Gewichtung)ermittelten wurden, gegenübergestellt. Diese Reduzierungen müssen in dieser Formakzeptiert werden, da die ursprünglichen/nicht bereinigten Zeitreihen nicht modellierbarwaren. Die folgenden Zeitreihenanalysen können also nur eingeschränkt vor dem Hinter-grund einer überzufälligen Datenreduktion bewertet werden. Da durch die notwendigenKürzungen neben fehlerhaften Werten auch besonders mobile Personen eliminiertwerden mussten, stellen die untersuchten Zeitreihen keinen repräsentativen Querschnittder deutschen Bevölkerung im Jahr 1989 mehr da.

Eigene Bereinigung despersonenbezogenen Datensatzes

(gekürzte Zeitreihe)

KONTIV Daten mitDIW-Gewichten

Dauer aller zurückgelegtenWege je Person und Tag [min] x =45 s=37,4 x =62

Anzahl aller zurückgelegtenWege je Person und Tag x =2,39 s=1,65 x =2,75

Länge aller zurückgelegtenWege je Person und Tag [km] x =14,8 s=19,1 x =26,9

Tab. 7: Vergleich der analysierten Parameter

Die folgenden beiden Abbildungen zeigen beispielhaft, dass einerseits die Mittelwerte xder untersuchten Parameter für die gekürzte Zeitreihe sinken, andererseits aber auch dieStandardabweichungen s durch das Eliminieren der Ausreißer und Extremwerte geringerwerden.



Datum [jjmmtt]

9001

29

8912

30

8911

30

8910

31

8910

01

8909

01

8908

02

8907

03

8906

03

8905

04

8904

04

8903

05

8902

03

Dau

er a

ller

pro

Tag

zur

ückg

eleg

ten

Weg

e [m

in] 120,0

100,0

80,0

60,0

40,0

20,0

0,0

ungekürzte Zeitreihe

gekürzte Zeitreihe

Abb. 47: Wegdauer über alle Personengruppen für die gekürzte und ungekürzte Zeitreihe

Datum [jjmmtt]

9001

29

8912

30

8911

30

8910

31

8910

01

8909

01

8908

02

8907

03

8906

03

8905

04

8904

04

8903

05

8902

03

Anz

ahl a

ller p

ro T

ag z

urüc

kgel

egte

n W

ege 5,0

4,0

3,0

2,0

1,0

0,0

ungekürzte Zeitreihe

gekürzte Zeitreihe

Abb. 48: Wegeanzahl über alle Personengruppen für die gekürzte und ungekürzte Zeit-reihe

In den folgenden Analysen werden neben den über alle Personengruppen aggregiertenZeitreihen nur noch die Zeitreihen aller Wege mit dem Zweck "Freizeit", sowie die der



Personengruppe "Erwerbstätige mit Pkw" betrachtet. Alle übrigen Zielzwecke undPersonengruppen wiesen zu viele Extremwerte, Ausreißer bzw. Lücken auf, um eine"stabile" Analyse der Zeitreihen durchführen zu können. Zudem wird die Personengruppe"Hausfrauen ohne Pkw" analysiert, um einen Vergleich mit den Auswertungen von Herz(1980) herstellen zu können. Herz konnte bei dieser Personengruppe eine hoheVerhaltenshomogenität feststellen. Dies lässt diese Personengruppe besonders geeigneterscheinen.

Diese Zeitreihen werden hinsichtlich der Parameter "Wegdauer/Tag", "Wegeanzahl/Tag"und "zurückgelegte Entfernungen/Tag" ausgewertet.

4.3.2 Spezifikation der ARIMA-Modelle

Wie bereits oben erwähnt, zeigten die Autokorrelationsfunktionen (ACF) der nichtgekürzten Zeitreihen die Charakteristika eines white-noise-Prozesses (s. als Beispiel Abb.49 Auf Basis dieser Daten können somit keine Analysen durchgeführt werden.

ENTF

Lag-Nummer

35

33

31

29

27

25

23

21

19

17

15

13

11

9

7

5

3

1

AC

F 1,0

,5

0,0

-,5

-1,0

Konfidenzhöchst-

grenzen

Koeffizient

Abb. 49: ACF der Wegelänge aller Personen der nicht gekürzten Zeitreihe

Im gekürzten Zustand weisen dagegen alle Zeitreihen (mit Ausnahme der Hausfrauenohne Pkw) analysierbare Korrelationen auf (s. als Beispiel Abb. 50). Die ACF zeigendeutlich die Wochensaisonalität, da sie bei den lags 7, 14, 21 u. s. w. ein signifikantesMaximum besitzen.



WEGEZAHL

Lag-Nummer

35

33

31

29

27

25

23

21

19

17

15

13

11

9

7

5

3

1

AC

F 1,0

,5

0,0

-,5

-1,0

Konfidenzhöchst-

grenzen

Koeffizient

Abb. 50: ACF über Wegezahl der Erwerbtätigen mit Pkw der gekürzten Zeitreihe

Die Zeitreihen der Hausfrauen ohne Pkw weisen keine signifikanten Korrelationen auf,was eine Modellierung ausschließt. Die Anzahl der befragten Personen dieser Personen-gruppe ist insgesamt zu gering (und somit der Einfluss der Ausreißer zu groß), um darausmodellierbare Zeitreihen zu bilden.

Im Rahmen der Modellidentifikation wird zudem versucht, den Einfluss von Sonn- undFeiertagen auf das Verkehrsverhalten einzubeziehen (nachfolgend als M2 (Modell 2)bezeichnet).

Zur weiteren Identifizierung der ARIMA-Modelle ist aufgrund der ausgeprägtenSaisonalität von 7 eine saisonale Differenzierung notwendig. Die Analyse der ACF undder partiellen Korrelationsfunktionen (PACF) der saisonal differenzierten Zeitreihe deutenauf die saisonale Komponente (0,1,1) hin, da der ACF nach der ersten Saisonalitätabbricht und der PACF, wenn auch bei vielen Zeitreihen nicht eindeutig, gegen Null geht(s. hierzu beispielhaft Abb. 51, Abb. 52). Nicht saisonale ARIMA-Komponenten konntendagegen nicht identifiziert werden, woraus ein (0,0,0)(0,1,1)7 ARIMA-Modell resultiert.

Im Modell (und folglich auch in einer prinzipiell möglichen Prognose) werden also nur dieEinflüsse aus der Bildung des gleitenden Durchschnitts von der aktuellenStörung/Zufallsschock und der im Abstand von einer Woche vorausgehenden Störungberücksichtigt. Dabei ist immer die Anwendung eines saisonalen Differenzenfilters auf dieZeitreihe zu berücksichtigen.

Dieses Modell konnte prinzipiell sowohl bei den Erwerbstätigen mit Pkw als auch bei allenFreizeitwegen für die drei untersuchten Parameter beobachtet werden.



WEGEZAHL


Lag-Nummer

35

33

31

29

27

25

23

21

19

17

15

13

11

9

7

5

3

1

AC

F 1,0

,5

0,0

-,5

-1,0

Konfidenzhöchst-

grenzen

Koeffizient

Abb. 51: ACF über die Wegeanzahl der Erwerbstätigen mit Pkw (saisonal einfachdifferenziert)

WEGEZAHL


Lag-Nummer

35

33

31

29

27

25

23

21

19

17

15

13

11

9

7

5

3

1

Par

tielle

AC

F 1,0

,5

0,0

-,5

-1,0

Konfidenzhöchst-

grenzen

Koeffizient

Abb. 52: PACF über die Wegeanzahl der Erwerbstätigen mit Pkw (saisonal einfachdifferenziert)



Nachfolgend werden beispielhaft die modellierten Zeitreihen der Personengruppe"Erwerbstätige mit Pkw" (Abb. 53) sowie die Zeitreihe der Freizeitwege aller Personen(Abb. 54) für den Parameter "Wegeanzahl pro Person" den tatsächlichen Zeitreihengegenübergestellt. Der Plot ..._M1 (Modell 1) stellt dabei die modellierte Zeitreihe ohneFeiertagsberücksichtigung dar, das Modell 2 (..._M2) berücksichtigt das Vorhandenseineines Feiertages als Regressor. Die Testparameter weisen für die Modelle 2 i. d. R.geringfügig bessere Werte aus, was die bessere Anpassung dieses Modells bestätigt. Inden Abbildungen ist aber auch zu erkennen, dass sich besonders starke Abweichungender modellierten Werte von den Beobachtungswerten i. d. R. an Tagen mit besondershoher oder geringer Verkehrsnachfrage ergeben. Diese Abweichungen sind insbesonderedarauf zurückzuführen, dass ARIMA-Modelle bei der Schätzung von Einzelwerten auf-grund des "Zurückgreifens" vorhergehender Merkmalsausprägungen Spitzenwertefiltern/ausgleichen bzw. der Einbezug von vorausgehenden sog. starken Störungenzusätzliche Ausreißer erzeugen kann. Die Grundcharakteristik der untersuchten Zeit-reihen kann durch die ermittelten Zeitreihenmodelle allerdings sehr gut nachgebildetwerden.

Datum [jjmmtt]

8905

31

8905

26

8905

21

8905

16

8905

11

8905

06

8905

01

8904

26

8904

21

8904

16

8904

11

8904

06

8904

01

Anz

ahl a

ller p

ro T

ag z

urüc

kgel

egte

n W

ege 4,5

4,0

3,5

3,0

2,5

2,0

1,5

1,0

k_EmP_w

k_EmP_w_M1

k_EmP_w_M2

Abb. 53: Beobachtete und modellierte Zeitreihen der täglichen Wegeanzahl der Erwerbs-tätigen mit Pkw



Datum [jjmmtt]

8905

31

8905

26

8905

21

8905

16

8905

11

8905

06

8905

01

8904

26

8904

21

8904

16

8904

11

8904

06

8904

01

Anz

ahl a

ller

pro

Tag

zur

ückg

eleg

ten

Weg

e 6,0

5,0

4,0

3,0

2,0

1,0

k_F_w

k_F_w_M1

k_F_w_M2

Abb. 54: Beobachtete und modellierte Zeitreihen der täglichen Freizeitwege

Alle Plots über die Zeitreihen der Personengruppe Hausfrauen ohne Pkw (HfoP) unge-kürzt sowie gekürzt zeigen, dass diese aufgrund der geringen Besetzung der Personen-gruppe nicht modelliert werden können.

Insgesamt können die gefundenen Modelle allerdings nicht vollständig überzeugen, da dieResiduen der Modelle nur teilweise „weißes Rauschen“ zeigen. Der Test der Residuenauf Vorhandensein von weißem Rauschen kann folglich nicht immer "nicht abgelehnt"werden. Eine Struktur in den abzulehnenden Modellen und Zeitreihen ist allerdings nichteindeutig erkennbar. Die Zeitreihen über alle Freizeitwege für die tägliche Wegeanzahlkonnten tendenziell am besten modelliert werden.

Zusammenfassend lässt sich feststellen, dass es prinzipiell möglich ist Zeitreihen aufPersonengruppenebene zu modellieren. Die ausgeprägte Wochensaisonalität kann durchsaisonale ARIMA-Modelle sehr gut nachgebildet werden. Starke Abweichungen von regel-mäßig auftretenden rhythmischen Erscheinungen erschweren i. d. R. die Anpassung vonARIMA-Modellen. Als problematisch erweist sich die Zusammenstellung/Synthetisierungder Zeitreihe aus an Einzeltagen befragten verschiedenen Personen, die aufgrund ihrerPersonengruppenzugehörigkeit "aneinandergehängt" wurden. Daraus folgt ein starkvariierendes Verkehrsverhalten innerhalb der Personengruppe mit Extremwerten undAusreißern. Je mehr Personen/Befragungsdaten in jede Gruppe einbezogen werden,desto eher ist die ARIMA-Modellierung aufgrund der "aggregierteren" Ebene möglich.Aufgrund der eingeschränkten Aussagemöglichkeiten und Erfahrungen mit dem Daten-material der KONTIV 89 wird von der Zeitreihenanalyse weiterer KONTIVs aus denJahren 1976 und 1982 abgesehen. Eine Modellierung von Einzelpersonen scheint auf-grund der i. d. R. ausgeprägten intrapersonellen Schwankungen nur selten möglich zusein.



5 Individuelle Ebene – Hauptstudie

Die Verkehrsplanung hat sich auf einen repräsentativen Tag mit den entsprechendenBelastungen in den Spitzenstunden/Spitzenstundengruppen (Ortuzar and Willumsen,1994) konzentriert. Die Datensammlung und Modellierung war darauf ausgerichtet, dasVerkehrsverhalten dieses Tages auf best möglichem Wege zu analysieren. JüngsteÄnderungen in der Verkehrspolitik versuchen das Verkehrsverhalten, dessen Aus-wirkungen über diesen einen Tag hinausgehen (z.B. Spitzenstunden-Streckenmaut), aufeine Weise zu ändern, welche eine Verschiebung geplanter Aktivitäten bewirken könnteoder Informations-Bereitstellung, die das Lernen und die Veränderung zeitlicher Musterund Pfade beschleunigen könnte. Diese Erweiterung des zeitlichen Planungshorizontesund der Planungsmodelle wirft die Frage auf, welche Auswirkungen solche Änderungenauf die zugrunde liegenden Rhythmen des täglichen Lebens haben. Diese Rhythmen sindseit langem bekannt und auf einer aggregierten Ebene analysiert (z.B. langfristigeVerkehrs- oder Passagierzählungen). Auf der individuellen Ebene gelang dies bisher nurdurch die Erzeugung einer künstlichen Zeitreihe, indem die Tagebücher vonverschiedenen Personen aneinandergefügt wurden (Schmiedel, 1978; Herz, 1983), eineaus statistischer Sicht unbefriedigende Vorgehensweise (siehe auch Kapitel 3). Die injüngerer Zeit vermehrt eingesetzten Mehr-Tage-Befragungen (meist 2-3 Tage dauernd)sind ausgerichtet auf die Erfassung der Ausprägungen des Verhaltens, weniger auf diezeitliche Struktur (z.B. Cambridge Systematics, 1996). Sieben-Tage-Befragungen habeneine lange Tradition. Der UK National Travel Survey ist wohl der älteste und bekannteste(z.B. Department of Transport, 1994). Allerdings können hier nur kurze Rhythmenuntersucht werden.

Das einzige bekannte Beispiel einer Erhebung über einen wesentlich längeren Zeitraumist die Uppsala Erhebung (Uppsala Travel Survey) von 1971, die mittlerweile unter einigenGesichtspunkten veraltet und zudem auch nur in Teilen verfügbar ist (siehe Kapitel 3.4.1und nächsten Abschnitt für Details)7. In anderen Beispielen wurden nur Teile der Musterausgewertet und analysiert, wie z.B. in verschiedenen Studien in Austin, Texas, zumArbeitsweg (Mahmassani, 1977; Mahmassani and Hatcher, 1992; Habeler and Caplice,1997). Aktuelle Forschungen zur Zeitverwendung (Doherty and Miller, 1997; Ettema,Borgers and Timmermans, 1995; Doherty and Axhausen, 1999) haben bestätigt, dass dieNutzenmaximierung als der am weitesten verbreitete Ansatz Verkehrsverhalten zumodellieren, unvollständig ist. Insbesondere fehlt hier die Berücksichtigung derPhänomene der Rhythmen, der Routinen und Gewohnheiten, die das tägliche Verhaltenbeeinflussen (Gärling et al., 1998). Ziel unserer Studie ist es, zur Verbesserung desVerständnisses dieser Phänomene durch Datenerhebung und Modellierung beizutragen.Im Mittelpunkt der Studie steht eine Befragung, die mit sechs Wochen einen Zeitraumabdeckt, der es ermöglicht, die Rhythmen des täglichen Verkehrs- und Aktivitäten-verhaltens im Detail zu untersuchen und monatliche Regelmäßigkeiten aufzuspüren.

7 Das Hamilton Wegetagebuch stellt mit seiner 2wöchigen Dauer eine partielle Ausnahme dar (Webber,1979).



5.1 Erhebungsablauf und Durchführung

Der Aufbau des Kapitels ist wie folgt: Zuerst wird das einzige vorangegangene Beispieleiner solchen Erhebung kurz vorgestellt und die Konsequenzen für das Erhebungsdesignder aktuellen Bemühungen abgeleitet. Die weiteren Punkte beschreiben die Erhebung(Instrument, Protokoll und erhaltene Daten), die Erhebungsorganisation und die erhalteneStichprobe. Anschließend werden die Themen Non-Response und Datenimputation,sowie eine Analyse möglicher Ermüdungserscheinungen in den Daten behandelt.Abschließend werden die Problematik der Modellierung und Fragen bezüglich der Unter-suchung angesprochen, die durch die Daten aufgeworfen werden und nun möglicher-weise beantwortet werden können.

5.1.1 Die Referenzerhebung: Uppsala Household Travel Survey1971

Für die Uppsala Studie wurde eine Stichprobe der Einwohner der schwedischenUniversitätsstadt Uppsala für 5 Wochen im Frühjahr 1971 befragt. Die Idee hierzuerwuchs aus einem Kontakt zwischen Wissenschaftlern der ansässigen Universität undWissenschaftlern der North-western University (Evanstone, Illinois). VerschiedeneBerichte von Susan Hanson8 (z.B. Hanson and Burnett, 1991), die die Daten ausgewertethat, sowie ausführliche Berichte der Feldarbeit, dokumentieren die Erhebung.

Einen großen Stellenwert bei der Durchführung der Erhebung nahm die Betreuung derBefragten ein. Ein einführendes persönliches Interview wurde genutzt, um die üblichenDaten der Soziodemographie aufzunehmen, das Tagebuch zu erklären und die Befragtenin die Handhabung einzuweisen. Die Tagebücher wurden wöchentlich vom Erhebungs-personal abgeholt, um so die Möglichkeit zur Überprüfung und zur Beantwortung vonFragen zu nutzen. Weitere telefonische Kontakte halfen die Befragten zu motivieren. DerAusfall teilnehmender Personen war, ebenso wie der Anteil der Personen, bei denen Er-müdungserscheinungen beobachtet wurden, gering.

Das Erhebungsinstrument basiert auf der Idee der Reise9. Für jeden Stop der Reiseberichteten die Befragten den Aktivitätentyp, die exakte Ortsangabe, Flächennutzungstyp,Ausgaben, Abfahrt und Ankunftszeit sowie das benutzte Verkehrsmittel. Für jedenAktivitätentyp wurde eine offene Frage verwendet, die in 70 Kategorien codiert wurde. DieOrtsangaben wurden auf 10 m genau geocodiert.

Aus dem schwedischen Einwohnerregister wurde eine repräsentative, geschichteteStichprobe gezogen. Insgesamt nahmen 296 Haushalte an der Erhebung teil. Die Anteileder Haushaltstypen nach ihrer Stellung im Lebenszyklus wurde mit der Stichprobe

8 Die Berichte über die Feldarbeit wurden den Autoren durch Susan Hanson zugänglich gemacht.9 Eine Reise ist eine Sequenz von Fahrten, die zu Hause beginnen und enden; eine Fahrt ist eine Sequenzvon Abschnitten zwischen zwei bedeutungsvollen Aktivitäten; ein Abschnitt ist eine kontinuierliche Bewegungmit einem einzigen Verkehrsmittel (siehe Axhausen, 1998 und weitere).



abgestimmt. Zwei von drei Haushalten nahmen teil10. Alle Haushalte, die die Erhebungkomplett durchführten, erhielten ein Lotterielos und eine Einladung zu einer Feieranlässlich der (vom Erhebungsteam organisierten) Ziehung des Gewinnes von damals900 US $ (heute annähernd 3300 US $).

Die Uppsala Studie ist der Beweis dafür, dass Erhebungen mit solch langenErhebungszeiträumen (in diesem Fall 5 Wochen) möglich sind, wenn den Befragten überdie Dauer der Berichtszeitraum die entsprechende Aufmerksamkeit zukommt. Die paper-pencil Methode ist nach wie vor durchaus praktikabel. Die fehlende Analyse der nichtteilnahmewilligen Haushalte erschwert die Einschätzung, ob dieHaushaltszusammensetzung bezüglich der Sozio-Demographie repräsentativ war. Dersehr geringe Ausfall während der Befragung und die wenig ausgeprägtenErmüdungserscheinungen können auf zwei Arten interpretiert werden: negativ mit derAnnahme, dass die Befragten unüblich engagiert veranlagt waren, was möglicherweisedie beobachteten täglichen Muster beeinflusst hat; positiv im Sinne, dass Personen –einmal angeworbenen und gut informiert über die bevorstehende Aufgabe – fähig undengagiert sind an Erhebungen mit einer solch langen Dauer teilzunehmen.

5.1.2 Mobidrive 1999: Die Hauptstudie

5.1.2.1 Entwicklung

Aufgrund der Projektfragestellung zur Rhythmik des individuellen Verkehrsverhaltens undder damit verbundenen Bedeutung von beeinflussenden Prozessen wie z.B. derpersönlichen Zeit- und Aktivitätenplanung oder den Verpflichtungen im Haushaltskontext ,begann der Entwicklungsprozess der Erhebung zunächst mit der Überlegung, eincomputerbasiertes selbst-organisierendes Instrument einzusetzen. Dieses bietetvermeintlich die beste Möglichkeit, die verschiedenen relevanten Variablen zu erheben.Der gegenwärtige Erfolg von derartigen Instrumenten wie CHASE (Doherty and Miller,1997) oder SMASH (Ettema, Borgers and Timmermans, 1995) unterstützte dieÜberlegungen. Beide Arbeiten berichten über erfolgreiche komplexe Erhebungen. ImFalle von CHASE konnte eine Erhebung über sieben Tage durchgeführt werden, bei derder Fokus auf dem Prozess der Aktivitätenplanung gelegt wurde (siehe Doherty andAxhausen, 1999 für den theoretischen Überblick oder Mühlhans und Rindsfüser, 2000 fürden ersten Einsatz in Deutschland). Für die Erhebung kamen Laptops der Wissen-schaftler zum Einsatz, zudem wurde den teilnehmenden Haushalten eine Prämie in Höhevon 50 Can $ überreicht. Rechnet man dies auf die Stichprobe und die Dauer dervorgesehenen Mobidrive-Erhebung hoch, wäre ein wesentlich höheres Budget als dasVerfügbare für die Erhebung erforderlich gewesen. Zusätzlich ließ die Zeitplanung desProjektes eine Modifizierung und einen erforderlichen Test eines angepassten CHASEnicht zu. Ein gesplittetes Konzept, die Nutzung von CATI und PAPI gemeinsam kam auf-grund der zeitlichen Einschränkungen und der Zeitressourcen des Erhebungspersonals

10 Persönliches Gespräch mit Susan Hanson.



nicht in Frage. Aus diesen Gründen basiert Mobidrive auf einem Tagebuch in Papierform,ergänzt mit persönlichen Interviews und weiteren schriftlichen Elementen.

Die folgenden Inhalte, die später im Detail beschrieben werden, wurden erhoben:

• Soziodemographische Eigenschaften der Haushalte und ihrer Mitglieder (persönlichesInterview)

• Verpflichtungen zu spezifischen regelmäßigen Aktivitäten, jeweils privat, sozial undehrenamtlich (persönliches Interview)

• Details zum Pkw-Besitz/Verfügbarkeit und der verfügbaren Zeitkarten für denöffentlichen Verkehr (persönliches Interview)

• Kontinuierliches sechswöchiges Wegetagebuch (jeweils als wöchentliches Tagebuchselbstständig ausgefüllt und zurückgeschickt)

• Mobilitätsorientierungs- und Werteinventar (Einstellungen bezüglich derverschiedenen Verkehrsmittel und bezüglich genereller Werte, selbstständigausgefüllt)

Zusätzlich wurden die folgenden Werte aus anderen Quellen zugespielt:

• Ausgewählte Wettervorhersageinformationen vom vorherigen Tag

• Details zum Wetter des jeweiligen Befragungstages

• Veranstaltungskalender mit sozialen, kulturellen, Musik-, Film-, Medien- undSportveranstaltungen

• Geokodierung aller erfassten Wege

• IV- und ÖV Routingdaten (Reisezeiten, Wegelängen)

5.1.2.2 Protokoll und Erhebungsdurchführung

Aus den Uppsala Erfahrungen wurde abgeleitet, dass eine Erhebung mit einer solchlangen Dauer nur erfolgreich sein kann, wenn das Erhebungspersonal zu den Befragteneine persönliche Beziehung aufbauen kann und wenn die Teilnahme durch ein Incentiveunterstützt wird. Das Incentive sollte dabei einerseits mehr als nur einen symbolischenCharakter haben, andererseits jedoch nicht eine dem Zeitaufwand entsprechendeEntschädigung sein. Aktuelle Praxiserfahrungen in Deutschland (z.B. Erl, 1998) aber auchanderorts unterstützen diese Annahme. Die notwendige Einführung und Erläuterung desAusfüllens der Tagebücher erfordern ein persönliches Eingangsinterview, bei demzusätzlich die soziodemographischen und andere sich wiederholende Ereignisse erhobenwerden. Aufgrund der Annahme, dass unterschiedliche Haushaltstypen verschiedenePräferenzen der Aktivitätenausübung besitzen, sowie speziell der Tatsache der hohenStudentenzahlen in beiden Städten und der beschränkten Zugriffsmöglichkeiten auf das



offizielle Einwohnerregister als Stichprobenquelle, wurde entschieden eine geschichteteStichprobe mit Hilfe des Telefonscreenings zu ziehen. Die betrachteten Haushaltstypenwaren Einpersonen-Haushalte, Zweipersonen-Haushalte und Mehrpersonen-Haushaltemit Kindern über 6 Jahren. Der Pre-Test zeigte, dass die Teilnehmergewinnungschwieriger war als zunächst angenommen. Aus diesem Grunde wurde eine zweite Wellezur Gewinnung von Teilnehmern für den Pre-Test notwendig. Diese Struktur zweier auf-einanderfolgender Wellen wurde für die Haupterhebung beibehalten: einmal aus demGrund des dadurch reduzierbaren Aufwands für die erhebungsdurchführenden Institute,zum zweiten um eine Kontrolle für den Test der Ermüdungserscheinungen zu schaffen -unabhängig von saisonalen Effekten.

Die Auswahl der für die Stichprobe benutzten Adressen wurde zufällig aus einerAdressdatenbank des Telefonbuches der Deutschen Telekom gezogen. Haushalte mit un-gültigen Telefonnummern im Juli 1999, dem letzten verfügbaren Monat für die Haupt-studie (Dezember 1998 für den Pre-Test), wurden herausgenommen.

Zur Unterstützung der Rekrutierung wurde jedem Haushalt ein Brief zugestellt, der dieZiele der Studie und den Ablauf selbst erklärte. Der Brief war ein offizielles, vom Bürger-meister der entsprechenden Stadt signiertes Anschreiben. Für jede Person des Haushaltswurde ein persönliches (mit dem Namen der entsprechenden Person versehenes) Wege-tagebuch für jede Woche erstellt. Zusätzlich wurde eine Haushaltsnummer und Personen-nummer vergeben und auf dem Fragebogen notiert. Die Rücksendung erfolgtewöchentlich (jeder Haushalt erhielt zu diesem Zweck einen bereits frankierten Rückum-schlag). Die Haushalte wurden wöchentlich telefonisch kontaktiert und hatten während derErhebungsperiode jederzeit die Möglichkeit, von sich aus sich an das Erhebungsinstitut zuwenden.

Das Incentive (in der Hauptstudie 100, 150 und 200 DM – ca. 50, 75 und 100 € –ausgezahlt) wurde nach der kompletten Erhebungsdauer ausgezahlt und beinhaltete nichtdie anschließende Werte- und Lebensstilerhebung. Um die Motivation für diesezusätzliche Erhebung der Mobilitätsorientierungen und Werteinventare zu unterstützenerhielten die Befragten einen Brief mit den Erläuterung zu diesen letzten Elementen derErhebung sowie ein vierseitiges Handout mit ersten Ergebnissen des Pre-Tests. DieSendung enthielt zusätzlich die Quittung für das Incentive, die die Befragten unter-schrieben an das Erhebungsinstitut zurückzusenden hatten.

Diese methodische Vorgehensweise wird graphisch in Abb. 55 veranschaulicht.

Der Zeitrahmen der Hauptstudie ist in der Tab. 8 abgebildet. Sie reflektiert dieunterschiedlichen Schulperioden in Halle und Karlsruhe sowie den Wunsch dieHaupterhebung rechtzeitig vor der Weihnachtszeit zu beenden. Die zweite Wellebeinhaltet eine einwöchige Schulferienzeit in beiden Städten. Die Termine für den Pre-Test in Karlsruhe wurden aufgrund des Sommerferienbeginns festgelegt.



Zufallsstichprobe

Offizielles Anschreiben

Telefonscreening

EinpersonenHH ZweipersonenHH MehrpersonenHH

6 Wochen Wege-Tagebuchführung

Betreuungs- und Motivierungskonzept: Rücklaufmanagement

• Angebot weiterer Besuchstermine

• Wöchentlicher telefonischer Kontakt

• Persönliche Anschreiben Datenerfassung

Zusatzerhebung Werthaltungen

Abschließender Versand:

• Incentives und Quittungen

• Zusatzfragebögen Werthaltungen

• Erste Auswertungen

Abb. 55: Vorgehensweise

Arbeitsschritt Pre-Test HaupterhebungKarlsruhe Halle/S. Karlsruhe

Versandder Ankündigungsschreiben Ab 15. 5. 18.8./2.9. 28.8./9.9.Start der Screening Periode(2 Wochen) Ab 22. 5. 23.8./6.9. 30.8./13.9.Start der persönlichen Interviews(2 Wochen) Ab 22. 5. 30.8./13.9. 6.9./20.9.Start/Ende der Berichtsperiode1. Welle 31.5.-11.7. 13.9.-24.10. 20.9.-31.10.Start/Ende der Berichtsperiode2. Welle 14.6.-25.7. 4.10.-14.11. 4.10.-14.11.

.Versand der Werteinventare - 13.10./3.11 5.11.-23.11.Eingangdes letzten Werteinventars - 29.11./15.12. 14.12.Tab. 8: Zeitrahmen der Mobidrive Erhebung 1999 in Karlsruhe und Halle



5.1.2.3 Instrumente und weitere Daten

Haushalt-, Personen- und Fahrzeugfragebögen

Die Entscheidung, ein persönliches Interview zu Beginn der Befragung durchzuführen,eröffnete die Möglichkeit, die üblichen Inhalte einer Befragung zum Mobilitätsverhalten zuüberprüfen (Axhausen, 1995b oder Richardson, Ampt und Meyburg, 1995).

Auf Haushaltsebene wurden deshalb Charakteristika, die einen hohen Einfluss auf dasVerhalten haben, wie z.B. Anzahl und Art sowie Entfernung zum Parkplatz, Mitgliedschaftin einem Car-Sharing-Verein und Ausstattung mit Kommunikationsgeräten, abgefragt.Zusätzlich wurde – für Deutschland eher untypisch - auch eine Frage nach der Höhe desmonatlichen Haushaltsnettoeinkommens gestellt. Die einzelnen im Haushaltsbogenerfassten Punkte sind in der Tab. 9 widergegeben.

Auf der Personenebene wurde eine detaillierte Bestandsaufnahme der Mobilitäts-Ressourcen, wie Führerscheinart, Besitz von Zeitkarten des ÖPNVs und der DeutschenBahn, Besitz einer BahnCard, vorgenommen. Zusätzlich wurden die Teilnehmer nachregelmäßigen festen Terminen, wie z.B. Vereins- oder Clubmitgliedschaft, ehrenamtlichenTätigkeiten oder Sport, gefragt. Ausbildung und Fort- bzw. Weiterbildung wurden getrennterfasst. Weitere Details sind der folgenden Tab. 10 zu entnehmen.

Die wesentlichen Kenngrößen der Fahrzeuge, die dem Haushalt zur Verfügung standen,wurden ebenfalls erfasst. Zusätzlich wurden auch noch Fragen zur Laufleistung derFahrzeuge in den letzten 12 Monaten, zum Eigentümer und zum Hauptnutzer gestellt,sowie für jedes Fahrzeug der meistgenutzte Parkplatz festgehalten. Tab. 11 gibt einenÜberblick aller Fragen.

Sämtliche Originalfragebögen befinden sich im Band III (Anhang 2-5).



Item Kodierung und KommentareAnzahl Personen gesamt Ohne Haushaltsmitglieder, die nur gelegentlich zu

Besuch kommenAnzahl unregelmäßig übernachtenderFamilienmitgliederAnzahl HundeZusammensetzung der Fahrzeuge desHaushalts

Anzahl der Autos, Fahrräder, Mopeds, Mofas,Motorräder, Lkw und sonstige (bitte angeben)

Car Sharing-Mitglied Ja, neinNutzung Pkw anderer Haushalte nachAbsprache und Nutzungshäufigkeit

Ja, nein: (nahezu) täglich, mehrmals pro Woche,einmal pro Woche, zwei bis drei mal pro Monat,einmal pro Monat, ein paar Mal pro Jahr

Anzahl privater Garagenstellplätze Anzahl; für bis zu drei Garagen: Art (Tiefgarageim Haus, Tiefgarage außerhalb, Einzelgarage amHaus, Einzelgarage weiter entfernt); Entfernung[m oder min]; Kosten pro Monat oder Kaufpreis

Anzahl privater Parkplätze Anzahl, für bis zu drei Parkplätze: Art (Hof,Einfahrt, Einzelparkplatz, Carport, Straßenrand);Entfernung [m oder min]; Kosten pro Monat oderKaufpreis

Entfernung nächstgelegeneBushaltestelle

[m oder min]

Entfernung nächstgelegene Straßen-/Stadtbahnhaltestelle

[m oder min]

Entfernung nächstgelegener Bahnhof derDeutsche Bahn AG

[m oder min]

Größe Haus/ Wohnung [m2]Art Wohnung/ Haus Mehrfamilienhaus (über 6 Parteien),

Mehrfamilienhaus (bis 6 Parteien), freistehendesHaus, Doppelhaushälfte, Reihenhaus,Einliegerwohnung

Eigentumsverhältnis Eigentum, MieteArt der Wohnungsförderung Keine, Firmenwohnung, öffentlich gefördertBaujahr der Wohnung/ des HausesJahr des EinzugsKaltmiete/ Tilgungsrate pro Monat [DM] (ohne Nebenkosten, Heizung und Strom)Nebenkosten [DM]In der Wohnung/ im Haus sind vorhanden Ein Balkon, zwei oder mehr Balkone, Terrasse,

Dachterrasse, Keller, Speicher, Waschküche,Trockenraum, Garten, sonstiges (bitte angeben)

Größe des Gartens [m2]Telekommunikation Anzahl Telefonnummern im Festnetz, privater

Mobilfunknummern, Faxgeräte, private e-mail-Adressen, geschäftliche e-mail-Adressen

Haushaltsnettoeinkommen pro Monat Unter 1.000, 1.000-1.799, 1.800-2.499, 2.500-2.999, 3.000-3.999, 4.000-4.999, 5.000-7.499,7.500 DM oder mehr

Tab. 9: Inhalt des Haushaltsfragebogens (Hauptstudie)



Item Kodierung und Kommentare

Vorname Abkürzungen waren möglichGeschlecht Weiblich, männlichVerhältnis zu den anderenHaushaltsmitgliedern

Ehegatte(in)/ Partner(in) , Vater/ Mutter, Sohn/ Tochter,sonstiges (bitte angeben)

verheiratet Ja, neinArt der abgeschlossenen Ausbildung Noch keine, Grundschule, Hauptschule, Mittlere Reife,

Fachabitur, Abitur, Polytechnische Oberschule, Lehre,Meister, Fachhochschule/ Pädagogische Hochschule,Universität (Natur-/ Ingenieurwissenschaften),Universität (Geistes-/ Sozialwissenschaften), sonstige(bitte angeben)

Status Schüler(in), Student(in), Auszubildende(r), Haus-frau(mann), teilzeitbeschäftigt, vollzeitbeschäftigt,selbstständig/ freiberuflich, im Ruhestand/ in Rente,mithelfendes Familienmitglied, arbeitslos

Anzahl abhängige Arbeitsverhältnisse/ArbeitgeberAnzahl ArbeitsplätzeAnzahl Arbeitsstunden pro Woche

Anschrift des am häufigsten besuchtenArbeitsplatzesBeschäftigungsverhältnis seit Beschäftigungsbeginn bei den verschieden

ArbeitgebernAusgeübter Beruf OffenIn Aus-, Fort-, oder Weiterbildung Ja, nein

Anzahl angestrebter QualifikationenAnzahl Stunden pro Woche für Aus-, Fort-oder Weiterbildung

Name und Anschrift der aus-/ fort-/weiterbildenden InstitutionRegelmäßige feste Termine/Verpflichtungen außer Haus

Ja, nein

Art der festen Termine/ Verpflichtungen Verein/ Club, ehrenamtlich, Partei/ Gewerkschaft/Interessenvertretung, karitativ/ Pflege einer odermehrerer Personen, Bildung, Unterstützung vonFreunden und Bekannten, sonstige (bitte angeben)

Anzahl regelmäßiger fester Termine/Verpflichtungen pro WocheAnzahl Stunden pro Woche für regel-mäßige feste Termine/ Verpflichtungen

Wochentag und Anschrift der Termine/VerpflichtungenFührerschein Ja, nein

Art des Führerscheine Mofa, Moped, Motorrad, Pkw; Lkw, BusBesitz BahnCard Ja, neinBesitz Zeitkarte der Deutschen Bahn AG Ja, nein; Art (offen) und Gültigkeitsbereich

Besitz Zeitkarte des KVV Ja, nein; Art (Umweltmonatskarte, Studierenden-ausweis, Seniorenkarte, Schülerkarte, sonstige (bitteangeben) und Gültigkeitsbereich

Staatsangehörigkeit Deutsch, sonstige (bitte angeben)

Tab. 10: Inhalt des Personenfragebogens (Hauptstudie)




Art des Fahrzeugs Fahrrad, Mofa, Moped, Motorrad, Pkw, Lkw,sonstiges (bitte angeben)

Hersteller Offen (nur Kraftfahrzeuge)Herstellungsjahr (nur Kraftfahrzeuge)Kaufjahr (nur Kraftfahrzeuge)Motorstärke [PS] (nur Kraftfahrzeuge)Hubraum [ccm] (nur KraftfahrzeugeKraftstoffart Benzin, Diesel, sonstiges (bitte angeben) (nur

Kraftfahrzeuge)Derzeitiger Kilometerstand [km] (nur Kraftfahrzeuge)Art des Fahrrads Mountainbike/ Trekkingrad, Rennrad, Cityrad,

Kinderrad, anderes (bitte angeben) (nurFahrräder)

Alter des Fahrrades Jünger als zwei Jahre, älter als zwei Jahre (nurFahrräder)

Fahrleistung in den letzten 12 Monaten [km]Eigentümer des Fahrzeuges Haushaltsmitglied (Name angeben); Arbeit-

geber (Name des beschäftigten Haushalts-mitglieds angeben), andere Personen/Institutionen (bitte angeben)

Hauptnutzer Name des HaushaltsmitgliedesSonstige Nutzer Namen der HaushaltsmitgliederMeistgenutzter Parkplatz Hof, Einfahrt, Parkplatz, Straßenrand, Garage/

Tiefgarage, Carport, Fahrradschuppen, Keller,sonstiges (bitte angeben)

Entfernung Parkplatz [m oder min]

Tab. 11: Inhalt des Fahrzeugfragebogens (Hauptstudie)

Die Inhalte der Fragebögen wurden während des Pre-Tests überprüft. Dabei konnte fest-gestellt werden, dass mit Ausnahme der Beschreibung der Fahrräder, die Fragestellungenden Teilnehmern keinerlei Schwierigkeiten bereitete,. Als Konsequenz daraus wurde derFahrzeugbogen für die Hauptstudie vereinfacht.

Wegetagebücher

Die in Deutschland praktizierte Erfassung von Verkehrsverhalten basiert auf Wegebezogenen Erhebungsformen (Axhausen, 1995). Ein Wechsel zu Etappen- oderAktivitäten orientierten Erfassungsvarianten wurde aufgrund der Länge der Berichts-periode nicht in Betracht gezogen. Ein reisebezogener Ansatz wurde für die Zwecke desForschungsprojektes als nicht detailliert genug eingestuft. Das letztlich angewandteErhebungsinstrument basiert auf einer Variante des KONTIV-Designs (siehe Brög,Meyburg und Wermuth, 1983 oder Axhausen, 1995), die von einem der Projektpartner,der PTV AG, bereits erfolgreich in diversen Studien zum Einsatz kam. Der Hauptunter-



schied zu der standardisierten Form liegt in der Erweiterung der Angaben der benutztenVerkehrmittel, da zusätzlich auch die in den einzelnen Verkehrsmitteln verbrachte Zeiterfragt wurde. Ferner wurde nicht nur die Möglichkeit des „Nur-zu-Fuß-Gehens“ hervor-gehoben, sondern auch die Zu- und Abgangszeiten der einzelnen Verkehrsmittel.

Die vielfach angewandte Aktivitätenkodierung ist gerade im Bereich der Identifizierungverschiedener Freizeitaktivitäten nicht detailliert genug, wie diverse Untersuchungen (z.B.Erl 1998, Götz, Jahn und Schultz, 1997) bilanziert haben. Eingeführt wurden deshalb dieoffenen Kategorien “Freizeit, und zwar:“ und “Sonstiges, und zwar:“. Die Einträge wurdenentweder den anderen vorhandenen Kategorien zugeordnet (in den Fällen, in denen dieBefragten die Aktivität falsch zugeordnet hatten) oder in zusätzliche Kategorien eingeteilt,die von dem Projekt City:mobil (Götz et al., 1997) entwickelt wurden. Diese detailliertenKategorien wurden auf Grund einer Zeitbudget Erhebung entwickelt und erfolgreich ineinem Wegetagebuch, das in einer West- und Ost-Deutschen Stadt zum Einsatz kam,getestet (siehe auch Band ΙΙΙ Anhang1 für die komplette Liste der 23 Kategorien).

Verkehrsteilnehmer sind nicht nur aufgrund ihres Zeitbudgets eingeschränkt, sondernauch aufgrund ihres Einkommens. Um diese Einkommensaspekte abbilden zu können,wurden die Teilnehmer zum einen nach den Ausgaben für Fahrschein, Taxi oder Park-platz gefragt und zum anderen nach den Ausgaben für bzw. während der folgendenAktivität. Aufgrund der zu erwartenden geringen Bereitschaft auf solche Fragen im Detailein zu gehen, wurden die Aktivitätenausgaben kategorisiert. Die zuerst angesetztenKategorien: bis 10,- DM, über 10,-DM bis 50,- DM, über 50,- DM bis 200,- DM und über200,-DM wurden entsprechend ihres relativen Auftretens im Pre-Test zu den Klassen: bis10,- DM, über 10,-DM bis 25,- DM, über 25,- DM bis 100,- DM und über 100,-DM umge-ändert. Einige der Teilnehmer zeigten sich anfangs nicht bereit diese Frage zu beant-worten, konnten aber mittels ausführlicher Erklärung der Hintergründe durch das Er-hebungsteam überzeugt werden.

Eine abschließende Erweiterung des KONTIV-Designs stellte die zusätzliche Möglichkeitdar, als Begleitung nicht nur Haushaltsmitglieder oder andere Personen an zu geben,sondern auch die Begleitung durch Hunde. Einen Überblick über die einzelnen Fragengibt die Tab. 12:




WochentagBeginnZiel/ Zweck Zum Arbeitsplatz, zur Ausbildung/ Schule, Einkauf

täglicher Bedarf, Einkauf langfristiger Bedarf, Erledigung/Dienstleistung, dienstlich/ geschäftlich, jmd. Abholen/Wegbringen, Freizeit (bitte angeben), sonstiges (bitteangeben)

Verkehrsmittel Nur zu Fuß, zu Fuß zum Verkehrsmittel, Fahrrad, Mofa/Moped/ Motorrad, Pkw als Fahrer, Pkw als Mitfahrer, Bus,Straßenbahn/ Stadtbahn, ,Eisenbahn, sonstige (bitteangeben); Dauer pro Verkehrsmittel

Anzahl begleitenderPersonen

Anzahl der Haushaltsmitglieder, Anzahl sonstigerBegleitpersonen

Hund ausführen Ja, neinZieladresse Straße und GemeindeAusgaben Keine Ausgaben, bis 10 DM, 10-25 DM, 25-100 DM, über

100 DMFahrtkosten OffenAnkunftEntfernung [m]

Tab. 12: Inhalt des Wegetagebuchs (Hauptstudie)

Die Anzahl an Fragen zu den einzelnen Wegen legte bereits das Format der Tagebücherauf DIN A4 fest, da der Lesekomfort durch eine zu klein gewählte Schriftgröße nichteingeschränkt werden sollte. Weitere Vorstellungen über den Komfort beim täglichenUmgang mit den Tagebüchern wurden in Form einer Spiralbindung, die ein mühelosesUmblättern ermöglicht, umgesetzt. Das Deckblatt wurde so gestaltet, dass neben derHaushalts- und Personennummer auch der Spitzname der jeweiligen Person eingetragenwerden konnte. Zur weiteren Orientierung wurde auf dem Deckblatt die jeweiligeBerichtswoche hervor gehoben. Auf der ersten Seite des Tagebuchs sollten die Tage, andenen das Haus/die Wohnung nicht verlassen wurde oder an denen man verreist war,angekreuzt und der entsprechende Grund und Ort angegeben werden. Beispiele zu deneinzelnen Kategorien der Wegezwecke wurden auf der Rückseite aufgelistet, so dass aufder nächsten Seite mit den Eintragungen des 1. Weges begonnen werden konnte. Jededer folgenden 17 Seiten bot Platz für 3 Wege im Spaltenformat.

Fragebogen zu Einstellungen und Werthaltungen

Sowohl aktuelle Studien in Deutschland (Gawronski und Sydow, 1999; Götz et al., 1997)als auch anderorts haben gezeigt, dass Einstellungen und Werthaltungen erfolgreich dazueingesetzt werden können, Verkehrsteilnehmer unter Berücksichtigung ihres Verkehrs-verhaltens zu klassifizieren. Diese zusätzliche Möglichkeit der Beschreibung der Ver-kehrsteilnehmer war anfangs nicht eingeplant. Kontakte zu den relevanten Wissen-schaftlern ermöglichten es dann allerdings, die von ihnen entwickelten Skalen einzu-setzen.



Mit den City:mobil Skalen werden die Einstellungen zu den verschiedenenVerkehrsmitteln (zu Fuß gehen, Fahrradfahren, ÖPNV, Mobilität und Auto, Autofahrenauszufüllen nur von Autofahrer) abgefragt. Das Allgemeine Werte-Inventar (AWI) vonGawronski und Sydow verwendet Items zu allgemeinen Werthaltungen und besteht ausSkalen wie Pflichtbewusstsein, Statusstreben, Leistung im Beruf, Starker Staat, Selbst-entfaltung, prosoziale Werte und Humanismus.

Die späte Einbeziehung dieser Instrumente bedeutete, dass sie im Pre-Test nicht getestetwerden konnten. Um den Erfolg der Tagebuchführung nicht zu gefährden, wurdebeschlossen die Instrumente als zusätzliche Erhebung an das Ende der eigentlichenStudie zu setzen. Der Fragebogen, der die verschiedenen Skalen beinhaltete, wurdegemeinsam mit ersten Ergebnissen des Pre-Tests als Handout zur zusätzlichenMotivation und mit der Quittung für die Incentives versandt.

Ergänzende Daten

Die Dauer der Erhebungsperiode (8 Wochen während des Pre-Tests, 9 Wochen währendder Hauptstudie) implizierte substantielle saisonale Wetteränderungen (Übergang vonFrühjahr zum Frühsommer, von Spätsommer zum Spätherbst). Analysen des Verkehrs-verhaltens sollten diese Effekte berücksichtigen. Aus diesem Grund wurde der Datensatzum die Wettervorhersage des vorangegangen Tages mit den Angaben: Temperatur,Niederschlag, Bewölkungsgrad und den Wetterdaten der berichteten Tage mit denWerten: Temperaturmittelwert bzw. – Maximalwert, durchschnittlicher Bewölkungsgrad,Niederschlagsmenge sowohl im ‚aktiven‘ Zeitraum von 6:00- 18:00 Uhr als auch alsTageswert, ergänzt.

Zusätzlich wurden für beide Städte Groß-Ereignisse, wie Fußballspiele, Stadtfeste,Konzerte usw. festgehalten, die ebenfalls einen Erklärungsbeitrag zum Verkehrsverhaltenliefern könnten.

5.1.3 Erhebungsorganisation

Die Erhebung in Halle und Karlsruhe bestätigte die aus der Uppsala-Studie resultierendeErfahrung, dass Teilnehmer, die sich einmal für eine Langzeit-Befragung zur Verfügunggestellt haben, selten wieder abspringen. Die Schwierigkeit besteht darin, bereitwilligeTeilnehmer zu finden, die den Screening-Kriterien entsprechen: alle Kinder über 9 Jahre(Pre-Test) bzw. 5 Jahre (Hauptstudie) und keine Abwesenheit von mehr als 7 auf-einanderfolgenden Tagen während des Untersuchungszeitraums. Diese Quoten erhöhtendie Schwierigkeiten für die Büros, die mit der Durchführung der Erhebung beauftragtwaren. Der Pre-Test sollte mit 20 Haushalten, die Hauptstudie mit jeweils mindestens 60Haushalten pro Stadt durchgeführt werden. Tab. 13 beschreibt Screening-Erfahrungen.

In erster Linie konnten mehr als 20% der geeigneten Haushalte gewonnen werden, wobeisich letztlich 20% zur Teilnahme bereiterklärten. Dies belegt, dass die Erhebungsbürosdie Aufgabe bereits am Telefon gut erläutert hatten. Bei den Haushalten, die sich



schließlich doch nicht beteiligen wollten, fiel die Entscheidung während des persönlichenGesprächs, kurz davor oder danach. Insgesamt haben sich in der Hauptstudie 39 nicht fürdie Teilnahme entschieden: 28 Haushalte vor der persönlichen Befragung daheim (Halle20, Karlsruhe 8), 7 Haushalte während des Gesprächs (Halle 2, Karlsruhe 5) und 4Haushalte danach (jeweils zwei).

Ob es sich bei diesen 20% um eine hohe oder eine geringe Anzahl handelt, ist schwierigzu beurteilen, da weder direkt vergleichbare Ergebnisse noch Erfahrungen bei der Vor-gehensweise vorliegen (veränderte Motivationsstrukturen, anderer Zeitbereich derBerichterstattung etc.). In der Regel erzielen deutsche Erhebungsinstitute Rücklaufquotenvon 60-70% für Wegetagebücher über einen Tag, nicht zuletzt durch intensivetelefonische Betreuung (Erinnerung bzw. Motivation). Das von der Bundesregierungfinanzierte Deutsche Mobilitätspanel (seit 3 Jahren jew. 1-Wochen-Wegetagebuch-führung) erreicht eine 19%ige Teilnahmequote, indem als Anreiz für jedes eingeschickteTagebuch ein Lotterielos zugeschickt wird. Bei diesen 19% traten über die 3 Jahrekeinerlei Ermüdungserscheinungen auf11. Hinsichtlich der jeweiligen Intentionen sind dasMobilitätspanel und die 6wöchige Befragung zwar kaum miteinander zu vergleichen, dieannähernd identische Erfolgsrate bei der Teilnehmergewinnung aber ist beruhigend,obwohl sie beträchtlich geringer ist als das 2-Drittel-Ergebnis, das in Uppsala erreichtwurde12.

Obwohl in der Hauptstudie in Karlsruhe und Halle die Teilnehmerquote annähernd gleichwar, unterscheidet sich das Screening in den beiden Städten doch beträchtlich: inKarlsruhe durch den höheren Anteil kontaktierter Personen, der telefonisch abgesagt hat,und in Halle durch den größeren Anteil an nicht herstellbaren Kontakten, unter denendurch Umzug o.ä. begründete erfolglose telefonische Kontaktversuche zu verstehen sind.

Insgesamt wurden in 5 von 6 Fällen die gewünschten Quoten erreicht oder übertroffen.Lediglich in Halle beteiligten sich nur 18 statt 20 Single-Haushalte, was nur einegeringfügige Abweichung darstellt (vgl. Tab. 14).

11 Hervorgehend aus einem persönlichen Gespräch mit Bastian Chlond – zuständig für die Auswertungen desMobilitätspanels (2.2. 2000)12 Das Bundesamt für Statistik der Schweiz erzielte einen Rücklauf von 37.4% der erreichten Haushalte (30.1% der Stichprobe) für seine sehr detaillierte vierwöchige Studie zum Konsumverhalten der Haushalte(Einkommens- und Verbrauchserhebung - BFS, 2000). Da weder Gegenstand noch Geldgeber direktvergleichbar sind, kann diese Information lediglich als Indikator für die Problematik im Zusammenhang mitnicht-offiziellen Statistiken genutzt werden.



Schritt Pre-Test HauptstudieKarlsruhe Halle Karlsruhe

Anz

ahl

% d

erS

tichp

robe

% d

erV

erfü

gbar

en

Anz

ahl

% v

onG

esam

t

% v

onV

erfü

gbar

Anz

ahl

% v

onG

esam

t

% v

onV

erfü

gbar

Stichprobe 240 - - 720 - - 720 - -Kontakt nicht möglich 40 16.7 - 98 13.6 - 34 4.7 -Von vornherein ab-lehnende Haushalte 12 5.0 - 21 2.9 - 87 12.1 -Nicht erreicht nach 7Versuchen 20 8.3 - 190 26.4 - 200 27.8 -Verfügbar für dasScreening 168 70.0 - 411 57.1 - 399 55.4 -

Nicht geeignet 26 10.8 15.5 77 10.7 18.7 59 8.2 14.8Nicht erhoben(Quotenüberschuss) - - - 4 0.6 1.0 5 0.7 1.3Absagen 116 48.3 69.0 238 33.1 57.9 249 34.6 62.4TeilnahmebereiteHaushalte 26 10.8 15.5 92 12.8 22.4 86 11.9 21.6

Beim / nach demInterview abge-sprungen 3 1.3 1.8 24 3.3 5.8 15 2.1 3.8Vollständig befragteHaushalte 23 9.6 13.7 68 9.4 16.6 71 9.9 17.8

Tab. 13: Screening-Ergebnisse

Haushaltsgröße Pre-Test Hauptstudie

Karlsruhe Halle Karlsruhe

Haushalte Personen Haushalte Personen Haushalte Personen

Einpersonen-Haushalte 11 11 18 18 22 22Zweipersonen-Haushalte 7 14 23 46 24 48Mehrpersonen-Haushalte 5 19 27 94 25 89

Gesamt 23 44 68 158 71 159

Tab. 14: Struktur der Auswahl je Haushalttyp



Das einleitende Screening-Interview diente u.a. auch dazu, zumindest ein Minimum anInformationen über die nicht-teilnahmewilligen Haushalte zu erhalten, um dieseanschließend mit den teilnehmenden Haushalten vergleichen zu können. Tatsächlichhaben sich dann allerdings viele Haushalte nicht einmal zu diesem Interview bereiterklärt.Die Vergleiche in Tab. 15 basieren auf diesen Informationen. Die Anzahl der Antwortenauf die einzelnen Fragestellungen ist variabel, da einige Fragen nicht beantwortet wurden.

Die für die Erhebung gewonnenen Haushalte haben ein höheres Haushaltsnettoein-kommen, mehr Autos und mehr arbeitende Mitglieder. Die detaillierte Darstellung in Tab.16 liefert durch die Betrachtung je Haushaltsgröße ein ausgewogeneres Bild. Zwar gibt esUnterschiede zwischen den für die Teilnahme gewonnenen und den Zwei- bzw.Mehrpersonen-Haushalten, doch sind diese nicht besonders signifikant – mit Ausnahmeder Anzahl an Monatskarteninhaber, die bei teilnehmenden Haushalten niedriger ist.Darüber hinaus haben die teilnehmenden Mehrpersonen-Haushalte, verglichen mit dennicht teilnehmenden, ein höheres durchschnittliches Monatseinkommen. Das ist ein Indizdafür, dass das persönliche Interesse am Untersuchungsgegenstand die Teilnehmerstärker motiviert hat als der in Aussicht gestellte finanzielle Anreiz.

Für Einpersonen-Haushalte fallen die Unterschiede in jeder Hinsicht stärker ins Gewicht.Für die Studie konnten hauptsächlich jüngere und wirtschaftlich besser gestellteHaushalte gewonnen werden, die sowohl über mehr Autos als auch mehr Monatskartenverfügten.

Diese Unterschiede machen deutlich, dass die Befragungsergebnisse für eineHochrechnung auf die Gesamteinwohnerzahlen der beiden Städte zusätzlich gewichtetwerden müssen (siehe bezüglich des Vergleichs mit bereits existierenden Daten zumVerkehrsverhalten der Einwohner in Karlsruhe und Halle).

Hinsichtlich des Schwerpunkts der Untersuchung, Rhythmen der Alltagsmobilität, sindVerzerrungen mangels geeigneter Vergleichsdaten möglich. In der Zukunft könnte diesesThema durch Vergleiche mit Daten aus der Uppsala-Studie näher beleuchtet werden.



Kontakt, aberFrage nichtbeantwortet

Frage beant-wortet, nicht fürTeilnahme aus-gewählt

Frage beant-wortet und fürdie Teilnahmeausgewählt

Alle AntwortenVariable

[ ] [ ] [%] [ ] [%]* [ ] [%]*

HaushaltgrößeEinpersonenhaushalte 64 23.4 50 28.1 114 25.2Zweipersonenhaushalte 103 37.6 67 37.6 170 37.6

Mehrpersonenhaushalte 54 19.7 59 33.1 113 25.0Andere** 53 19.3 2 1.1 55 12.1Gesamt 358 274 100.0 178 100.0 454 100.0

Anzahl motorisierter FahrzeugeKeine Angabe 18 18Keins 115 32.4 29 18.1 144 28.0

Eins 168 47.3 83 51.9 251 48.7Zwei 56 15.8 44 27.5 100 19.4Drei und mehr 15 4.5 4 2.5 20 3.9

Gesamt 277 355 100.0 178 100.0 533 100.0Haushaltseinkommen

Keine Angabe 36 36

Unter 1800 DM 63 22.7 20 14.1 83 19.81800 – 3000 DM 92 33.1 38 26.8 130 31.0Über 3000 DM 123 44.2 84 59.2 207 49.3

Gesamt 354 278 100.0 178 100.0 456 100.0Alter der ältesten Person

Keine Angabe 23 23

Unter 30 J. 29 8.1 21 13.5 50 9.731 – 45 J. 85 23.7 43 27.7 128 24.946 – 60 J. 84 23.4 52 33.5 136 26.5

Über 60 J. 161 44.8 39 25.2 200 38.9Gesamt 273 359 100.0 178 100.0 537 100.0

Anzahl berufstätiger Mitglieder

Keine Angabe 23 23Keins 151 44.7 42 27.1 193 39.1Eins 91 26.9 60 38.7 151 30.6

Zwei und mehr 96 28.4 53 34.2 149 30.2Gesamt 294 338 100.0 178 100.0 516 100.0

Anzahl Monatskarten

Keine Angabe 23 23Keine 172 52.9 86 55.5 258 53.8Eine 119 36.6 51 32.9 170 35.4

Zwei und mehr 34 10.5 18 11.6 52 10.8Gesamt 307 325 100.0 178 100.0 503 100.0

* Prozentuale Anteile [%] ohne Berücksichtigung von „Keine Angabe“** Die 2 irrtümlich für die Teilnahme gewonnenen “anderen” Haushalte wurden später nicht in die

Befragung einbezogen.

Tab. 15: Soziodemographische Vergleiche zwischen an der Erhebung teilnehmenden undnicht teilnehmenden Haushalten



Einpersonen-HH

Zweipersonen-HH

Mehrpersonen-HH mit Kindern

über 6

Bea

ntw

orte

t,ab

er n

icht

gew

ählt

Bea

ntw

orte

t und

gew

ählt

Bea

ntw

orte

t,ab

er n

icht

gew

ählt

Bea

ntw

orte

t und

gew

ählt

Bea

ntw

orte

t,ab

er n

icht

gew

ählt

Bea

ntw

orte

t und

gew

ählt

Variable

[%]* [%]* [%]* [%]* [%]* [%]*

Anzahl motorisierterFahrzeuge

Keins 82.6 42.6 19.7 11.5 9.8 3.4Eins 17.4 48.9 63.4 65.4 51.2 42.4Zwei und mehr 0.0 8.5 16.9 23.1 39.0 54.3

HaushaltseinkommenUnter 1800 DM 61.5 37.2 8.3 6.8 6.7 1.81800 – 3000 DM 35.9 41.9 36.7 31.8 26.7 10.9Über 3000 DM 2.6 20.9 55.0 61.4 66.7 87.3

Alter der ältesten PersonUnter 45 Jahre 10.6 28.3 8.5 11.3 9.8 1.831-45 Jahre 12.8 26.1 9.9 11.3 53.7 46.446 – 60 Jahre 14.9 15.2 32.4 37.7 31.7 42.9Über 60 Jahre 61.7 30.4 49.3 39.6 4.9 8.9

Anzahl berufstätigerMitglieder

Keins 77.5 42.2 40.0 40.4 9.8 1.8Eins 22.5 57.8 20.0 26.9 36.6 32.1Zwei und mehr - - 40.0 32.7 53.7 66.1

Anzahl MonatskartenKeins 46.3 66.7 46.8 61.5 50.0 35.7Eins 53.7 33.3 41.9 28.8 34.7 41.1Zwei und mehr - - 11.3 9.6 15.3 23.2

Anzahl Haushalte 64 50 103 67 107 61* Prozentuale Anteile [%] ohne Berücksichtigung von Keine Angabe

Tab. 16: Soziodemographische Vergleiche zwischen den für die Befragung ausgewähltenbzw. nicht ausgewählten Haushalten je Haushalttyp

Die Reaktion auf die zusätzliche Erhebung der allgemeinen Werthaltungen undEinschätzungen der unterschiedlichen Verkehrsmittel war mit 95% und 96% der befragtenPersonen bzw. mit 96% und 93% der befragten Haushalte in Karlsruhe und Halle sehrhoch. Diese Tatsache verstärkt den Eindruck, dass die Teilnehmer kooperativ und



interessiert waren. Den Rücklaufquoten je Haushalttyp (Tab. 17) ist zu entnehmen, dassdie Antwortbereitschaft bei Ein- und Zweipersonen-Haushalten am höchsten war,dagegen geringer bei den Familien. Insgesamt traten keine gravierenden Unterschiedezwischen den beiden Städten auf.

Basis und Stadt HaushalttypEinpersonen-

HHZweipersonen-

HHMehrpersonen-

HHAlle

Haushalte (Antwort von allen Mitgliedern über 16 J.)Halle 88.9 91.3 96.3 92.6Karlsruhe 100.0 100.0 88.0 95.8

Personen, die geantwortet haben (über 16 J.)Halle 88.9 93.5 98.6 95.6Karlsruhe 100.0 100.0 90.0 95.0

Tab. 17: Rücklaufquoten der Zusatzerhebung [%]

5.1.4 Codierung, Non-Response und Imputation

Die Kodierung der Daten wurde mit Hilfe von Microsoft Access Masken vorgenommen umdie einwandfreie Nutzung der Codes zu gewährleisten. Der Anteil der fehlenden Angabenbeim persönlichen Interview war gering (siehe Tab. 18). Soweit wie möglich wurdenlogische Korrekturen genutzt, ansonsten wurde die „hot deck imputation“ Methode(SOLAS, Statistical Solutions, 1999) angewandt um fehlende Angeben zu ersetzen.

Die Tagebücher wurden sehr gut ausgefüllt – die Erhebungsinstitute führten trotzdem dieüblichen Plausibilitätsprüfungen und logischen Korrekturen der wöchentlich erhaltenenTagebücher durch. Zur Klärung von Fehlern und Mehrdeutigkeiten wurden die Befragtentelefonisch kontaktiert. Anfangsprobleme einiger Befragten mit der Angabe mehrererFahrtzwecke zu einer Fahrt traten nach einer erneuten Erklärung des Fragebogens nichtmehr auf. Die verbleibenden Fehlangaben beruhten auf der Nichtangabe der Ausgaben(Kosten) für die Aktivität und den Fußwegen.

Die Adressen wurden mit der Geocode-Engine 2.0 – entwickelt von der PTV AG – alsgeographische Koordinaten im Dezimalformat geocodiert. Anschließend erfolgte eineZuspielung der alternativen Wege für den ÖV (Karlsruhe) und den IV (beide Städte).

Die generierten Datensätze und die Anzahl der Fälle sind im Band ΙΙ ausführlich darge-stellt.



Fragebogen/Variable Anteil [%]

HaushaltsbogenAlle Variablen 5.4Haushaltseinkommen 12.6

PersonenbogenAlle Variablen 1.7Führerscheinbesitz -Besitz von ÖV-Zeitkarten -

FahrzeugbogenAlle Variablen 5.1Eigentümer 0.7Hauptnutzer 3.7

Fragebogen zu den Einstellungen gegenüber den VerkehrsmittelnAlle Variablen (ausgenommen Nicht-Antworten) 2.2Nur fehlende Angaben zu Führerscheinbesitz 9.3Fehlende Angaben zu Verkehrsmittel (alle, ausgenommen derAngaben für nur Führerscheinbesitzer)

2.2

WerteinventarAlle Variablen 0.1Weiß nicht 6.6

Tab. 18: Anteil fehlender Angaben bezogen auf das Befragungsinstrument undausgewählte Variablen (nach erster Bearbeitung)

5.1.5 Ermüdung

Ein wichtiger Aspekt für die Qualität der Erhebung stellt der Grad der Ermüdung währendder Berichtsphase dar, da keine Probleme durch Ausscheiden aus der Untersuchung auf-traten. Im Pre-Test wurden keine Ermüdungserscheinungen beobachtet. Die deskriptiveAnalyse des Antwortverhaltens ist der 1. Schritt der Untersuchung. Tab. 19 weist – jeStadt und Woche im Untersuchungszeitraum - die Anteile der Tage aus, die mobil bzw.immobil oder vollständig außerhalb der Stadt verbracht wurden. Der geringe Prozentsatzvon Tagen, über die nicht berichtet wurde (1%), wird hier ignoriert, da es sich dabei umimmobile Tage handelt. Tage, an denen der Bericht sowohl Fahrten innerhalb vom Unter-suchungsraum als auch zu einem Ziel außerhalb enthält, werden als mobile Tagegewertet, wohingegen Tage, an denen nur eine Fahrt zu einem Ziel außerhalb stattfand,als vollständig außerhalb der Stadt verbracht gezählt wurden.



Halle KarlsruheMobil Immobil Vollständig

außerhalbMobil Immobil Vollständig

außerhalb

Wochen-beginnam

W1 W2 W1 W2 W1 W2 W1 W2 W1 W2 W1 W2

13. 09. 90 8 220. 09. 89 7 4 86 5 927. 09. 86 9 4 90 5 54. 10. 87 88 11 9 3 3 92 91 3 4 4 4

11. 10. 88 88 11 8 1 3 93 94 3 4 4 318. 10. 87 90 9 8 4 2 92 92 3 4 5 425. 10. 79 8 13 89 91 3 5 8 31. 11. 92 8 1 86 8 68. 11. 87 12 1 95 3 2

Schulferienwochen sind grau hinterlegt

Tab. 19: Anteile der Berichtstage je Stadt, Welle und Mobilitätsgrad [%]

Trends sind nicht erkennbar, aber es wird ersichtlich, dass die Teilnehmer in Halle mehrimmobile Tage aufweisen als die Teilnehmer in Karlsruhe. Bei den Teilnehmern der 2.Welle in Karlsruhe wiederum treten mehr immobile Tage auf als bei denen der 1. Welle.Der Zusammenhang mit den Schulferien ist offensichtlich. Insgesamt ist das Mobilitäts-niveau höher als bei Erhebungen zur Mobilität über nur einen Tag, was zum einen bereitsdurch das Screening begründet ist (Personen mit voraussichtlich längerer Abwesenheitwurden nicht als Teilnehmer gewonnen), zum anderen durch die bessere Motivation derteilnehmenden Haushalte.

Anhand der Anzahl berichteter Fahrten bzw. Reisen kann keinerlei Ermüdung festgestelltwerden, wie die Abb. 56 und Abb. 57 zeigen. Diese Graphiken basieren auf der durch-schnittlichen Anzahl Fahrten bzw. Reisen pro mobilem Tag je Person und Woche. DieBox Plots zeigen die 25%, 50%, 75% Quartile und die Anzahl der Werte außerhalb desersten und dritten Quartils je Erhebungswelle. Deutliche Unterschiede zwischen denWellen sind feststellbar, die Veränderungen von Woche zu Woche lassen jedoch keinMuster erkennen. Sichtbar sind auch die Schulferien in der 5. Berichtswoche der 2. Wellein Karlsruhe. Der Rückgang scheint aber durch mehr Fahrten in der vorhergehenden undin der nachfolgenden Woche ausgeglichen worden zu sein. Hinsichtlich der AnzahlFahrten ist das Muster sogar noch stabiler. In Halle ist die durchschnittliche AnzahlFahrten bzw. Reisen, ebenso wie die Variabilität im Verhalten, geringer.



Halle

Karlsruhe

Abb. 56: Durchschnittliche tägliche Fahrtenzahl je Welle an mobilen Tagen je Person undWoche



Halle

Karlsruhe

Abb. 57: Durchschnittliche Reisezahl je Welle an mobilen Tagen je Person und Woche

Zur Bestätigung des optischen Eindrucks wurden Probit-Modelle geschätzt, um eine evtl.Ermüdung über den Berichtszeitraum festzustellen. Durch die Länge des Berichtszeit-raums ist es möglich, Modelle sowohl je Teilnehmer als auch für die gesamte Unter-suchung zu bewerten. Die Modelle wurden für die Gesamtzahl aller Arten von Fahrtenund für alle Fahrten, die weder Arbeit noch Schule zum Ziel hatten, bewertet, da mandavon ausgehen kann, dass obligatorische Fahrten weniger kritisch sind und zuverlässigberichtet werden. Wie zuvor erläutert wurde, trat bei den Teilnehmern in dieser Unter-suchung die üblicherweise weniger gute Berichterstattung der immobilen Tage nicht auf.



Da das Interesse zeitlichen Trends galt, wurden die Daten standardisiert (Mittelwert gleichNull, Standardabweichungen gleich Eins für jede Person). Dadurch ist es möglich,Auswertungen je Wochentag13, für die Schulferien und unter Berücksichtigung desWetters vorzunehmen. Für das Wetter wurden herangezogen: Niederschlag über dengesamten Tag, Niederschlag tagsüber und deren Quadrat14. Jeder Tag im Verlauf desUntersuchungszeitraums wurde entweder als Dummy-Variable für die entsprechendeBerichtswoche oder durch die entsprechende fortlaufende Nummer über alle Tage desBerichtszeitraumes kodiert.

Die Schätzung der Parameter für Dummy-Variablen jeder Person ermöglicht es,Ermüdungserscheinungen festzustellen. Obwohl einige der Wochen deutliche Unter-schiede zum jeweiligen persönlichen Durchschnitt aufwiesen, zeigen die Muster nur insehr wenigen Fällen Ermüdungserscheinungen (3 Personen im Pre-Test, in der Haupt-Studie 3 in Karlsruhe und 9 in Halle). Dies bestätigt sich auch bei der Auswertung allerFahrten und bei der Auswertung von Nicht-Schul- bzw. Nicht-Arbeitsfahrten. Angesichtsder geringen Personenzahl können sich auch lediglich zufällige Ereignisse auf die letzteBerichtswoche ausgewirkt haben.

Unter Berücksichtigung des Tages im Berichtszeitraum und seines Quadrats konnte fürjede Stichprobe eine Anzahl Teilnehmer ermittelt werden, die eine Kombination von 2signifikanten Parametern aufwies: einen positiv linearen und einen negativen quadriertenTerm bzw. umgekehrt. Im ungünstigsten Fall addierten sich die kombinierten Effekte zu0.2 σ. Angesichts der geringen Anzahl von Fällen, in denen dies beobachtet wurde, fälltes schwer zu entscheiden, ob es sich hier um Ermüdungserscheinungen handelt oderandere Ursachen vorliegen.

Diese Ergebnisse bestätigen die Erfahrung aus der Uppsala-Studie, dass es möglich ist,die Haushalte über den gesamten Zeitraum der Berichterstattung zur Teilnahme zumotivieren.

5.1.6 Schlussfolgerung und Ausblick

Ergebnis dieser sechswöchigen Erhebung ist ein einzigartiger Datensatz, der die Basisbildet für eine Vielzahl wichtiger Forschungsfragen, die mit bestehenden Daten nicht be-antwortet werden können. Die bisherigen Tests und Analysen zeigen, dass die Qualitätder Daten, vor allem für die Wege sehr gut ist: geringe Anzahl an fehlenden Angaben,keine erkennbaren Ermüdungserscheinungen.

Der Datensatz ist ungewöhnlich umfassend, beinhaltet Informationen über Werthaltungenund Einstellungen, sowie externe Daten zum aktuellen Wetter und der Wettervorhersage.Die Verfügbarkeit der Informationen zu Fahrtkosten und Ausgaben (Kosten) für Aktivitätenist ebenso unüblich, aber auch sehr nützlich.

Die Analysen der Daten in Bezug auf die zeitlichen Muster des Verkehrsverhaltens der

13Feiertage, wie der 3. Oktober, wurden als Sonntag kodiert – unabhängig vom tatsächlichen Wochentag.14Komplexere Variablengruppen, die den Bewölkungsgrad, Temperatur und mögliche Interaktionenbeinhalten, wurden auf aggregiertem Level getestet, hatten aber keinen zusätzlichen Erklärungswert.



Befragten werden folgendes beinhalten (siehe auch die folgenden Kapitel):

• Identifizierung der Blockbildung der beobachteten Aktivitätenmuster (Hanson undHanson, 1981; Hanson and Huff, 1988b oder Jones and Clarke, 1988)

• Bestimmung der Ähnlichkeit zwischen den beobachteten Tagen (Kutter, 1973; Pas,1983 und 1987; Pas und Sundar, 1995; Pas und Koppelman, 1986; Hanson und Huff,1986, 1988a oder Huff und Hanson, 1982, 1986 bzw. 1990), falls möglich durchAnwendung multi-dimensionaler Sequenzanalyse (siehe Joh, Arentze undTimmermans, 1999) oder von Mustererkennung (Recker und McNally, 1985)

• Entwicklung von Hazard-Modellen der Aktivitäten und Wegelängen, der Intervallezwischen den Aktivitäten gleicher Kategorie und deren Interaktionen. Diese Modellewerden neben den Einflüssen der Ausgaben auch die Interaktionen in den Zwei- undMehrpersonen-Haushalten berücksichtigen.

Mit den Hazard Modellen lassen sich sowohl die Rhythmen der Aktivitätenteilnahmeidentifizieren, als auch Eingangsgrößen für zukünftige Modelle der Aktivitäten- und Zeit-planung schaffen, da sie das Entstehen von Aktivitätenbedürfnissen aufzeigen.

Die Daten ermöglichen die Analyse der Muster und Rhythmen mit Fourier-Analysen undähnlichen Methoden (Schmiedel, 1978 oder Herz, 1983).

Die Verfügbarkeit der Uppsala-Daten wird genutzt, um die beiden Datensätze zuvergleichen. Der Vergleich wird eine Identifizierung von Trends im Verkehrsverhaltenermöglichen, wie auch der Zeitnutzung über die letzten drei Jahrzehnte.

Ein breites Feld von Fragestellungen in Bezug auf Zeitnutzung von Individuen undHaushalten kann bearbeitet werden, z.B. unter Nutzung von Wahlmodellen oder„Structural Equation“ Modellen. So wird durch die Befragungsdauer z.B. die Schätzungvon zeitlichen Effekten während der Woche zwischen beispielsweise der Durchführungdes Weges und seiner verschiedenen Attribute oder Aktivitäten und ihrer Attributeermöglicht. Dies ist mit eintägigen, oder auch siebentägigen Befragungen nicht möglich(siehe ähnliche Arbeiten wie z.B. Pas und Harvey, 1997; Golob und Van Wissen, 1989oder Golob, 1996).

Die Modellierung der Dynamik von Fahrtenwahlen ist normalerweise durch die Lücke inder Information über Gewohnheiten und vorherige Entscheidungen limitiert (sieheSrinivasan und Mahmassani, 2000 als Beispiel). Die nun vorhandenen Daten ermöglichendiese Lücke zu schließen und die Fragestellung der Trägheit der Wahl in neuer Tiefe zustudieren. So können die Daten genutzt werden, die komplexen Nested-Logit Modelle fürdas Verkehrsverhalten, die aktuell als Ersatz für die Vier-Stufen-Modelle eingesetztwerden, zu verifizieren (z.B. Ben-Akiva, Bowman und Gopinath, 1996 oder Bradley,Bowman und Lawton, 2000).

Die Daten können ebenso genutzt werden, um die Frage nach der optimalenBefragungsdauer (ein, zwei oder mehrere Tage) neu zu stellen, die ursprünglich imKontext einer siebentägigen Befragung von Pas (1986) aufgeworfen wurde.

Vor diesen genannten Analyse, die zum Teil in den nächsten Abschnitten beschriebenwerden, steht jedoch die deskriptive Auswertung, die im folgenden präsentiert wird.



5.2 Deskriptive Auswertungen

Mit insgesamt über 50000 Wegen und mehr als 14000 Personentagen bietet dieMobidrive-Erhebung einen äußerst wertvollen Datensatz zur Alltagsmobilität vonVerkehrsteilnehmerinnen und –Verkehrsteilnehmern. Um diese Fülle von Datenübersichtlicher zu gestalten und um Auffälligkeiten im Verhalten der Befragtenaufzudecken, ist es notwendig, in einem ersten Schritt einige deskriptive Analysenvorzunehmen. Diese sollen einerseits den generierten Datensatz beschreiben, könnenaber auch andererseits Anregungen zur weiteren Analyse im Projektverbund oder fürandere Interessierte liefern.

5.2.1 Vergleich mit anderen Erhebungen

In einem ersten Schritt der Beschreibung sollen die erhobenen Daten mit früherenBefragungen über das Mobilitätsverhalten der Karlsruher und Hallenser verglichenwerden, um zu erkennen, ob die Ergebnisse trotz des langen Erhebungszeitraumsplausibel erscheinen.

Dieser Vergleich erwies sich als nicht einfach, da die vorhandenen Untersuchungenteilweise unterschiedlich aufgebaut waren und es nicht möglich war, die Originaldateienzu erhalten. In Halle lag Datenmaterial aus einer SrV-Befragung von 1998 (Systemrepräsentativer Verkehrsbefragungen, 1998), in Karlsruhe von einer Befragung derSocialdata GmbH, München (Verkehrsbetriebe Karlsruhe und Albtal VerkehrsgesellschaftmbH, 1992) vor. Bei beiden Befragungen handelte es sich um eintägigeTagebuchaufzeichnungen an einem Wochentag. Aufgrund unterschiedlicherZusammensetzungen der Stichproben war es nötig, die Mobidrive-Stichprobe hinsichtlichrelevanter Determinanten zu gewichten, um Unterschiede auszuschließen, die aus derverschiedenen Zusammensetzung resultieren könnten. Von den als relevanteingeschätzten Determinanten konnte hinsichtlich der Variablen Alter und Geschlechteine Gewichtung vorgenommen werden. Detailliertere Gewichtungen, die weitereVariablen mit einbeziehen würden, könnten möglicherweise die Unterschiede inverschiedenen Mobilitätskennziffern zwischen der Mobidrive- und denVergleichsbefragungen weiter verringern.

Die gewichteten Mobidrive-Daten (ohne Pretestdaten) wurden dann den Ergebnissen derbeiden anderen Befragungen gegenübergestellt (vgl. Tab. 20). Dabei zeigte sich, dass dieUnterschiede zwischen den Befragungen generell gering sind. Insgesamt ist die Anzahlder in Mobidrive berichteten Wege etwas höher als bei den vorherigen Untersuchungen inHalle und Karlsruhe. Dieses Resultat ist insofern nicht überraschend, als bei einerintensiven Betreuung einer Befragung generell von einer etwas höheren Anzahlberichteter Wege ausgegangen werden kann. Weitere Unterschiede zeigen sich in Halle,wo die mit dem PKW zurückgelegten Wege auffällig kurz sind.

Die geringen Abweichungen der erhobenen Daten gegenüber den repräsentativenBefragungen in Halle 1998 und Karlsruhe 1992 garantieren keine Repräsentativität. Sie



geben aber auch keinen Anlass zu der Vermutung, dass die Mobidrive-Erhebungverzerrte Ergebnisse liefert. Aufgrund der geringen Unterschiede zwischen gewichtetenund ungewichteten Daten können bei der folgenden Untersuchung die ungewichtetenDaten betrachtet werden.

Halle Karlsruhe

Kategorien SrV 1998 Mobidrive1 Socialdata1992

Mobidrive1

Anteil an allen Wegen [%]PKW 25.9 32.0 33 32.3Fußwege 30.8 31.0 23 22.3Radwege 9.1 8.6 17 16.6ÖPNV 22.3 13.9 16 15.2PKW-Mitfahrer 4.2 13.2 11 12.2

Durchschnittliche Wegelänge[km]

PKW 19.3 12.1 10.5 12.2Fußwege 1.1 1.2 0.9 0.9Radwege 2.5 2.6 2.6 2.2ÖPNV 5.6 6.0 6.8 9.9PKW-Mitfahrer 17.5 13.0 10.2 16.1

Alle Verkehrsmittel 9.2 7.5 6.3 8.2

Durchschnittliche Wegedauer[min]

PKW 28.3 21.5 20 19.1Fußwege 17.0 17.7 14 14.3Radwege 14.0 15.0 14 10.7ÖPNV 30.0 23.8 31 30.6PKW-Mitfahrer 31.1 23.1 19 22.6

Alle Verkehrsmittel 25.0 21.3 19 18.8

Anzahl der Wege pro Person/Tag [Wege/Tag]PKW 0.91 1.11 1.23 1.31Fußwege 1.08 1.09 0.86 0.90Radwege 0.32 0.30 0.64 0.67ÖPNV 0.78 0.48 0.60 0.64PKW-Mitfahrer 0.15 0.46 0.41 0.50

Summe aller Verkehrsmittel 3.50 3.54 3.75 4.051 Gewichtete Mobidrive-Daten hinsichtlich Alter und Geschlecht und ohne Ergebnisse

des Pretests

Quelle: Axhausen, Zimmermann, Schönfelder, Rindsfüser und Haupt (im Druck), S. 25

Tab. 20: Vergleich von Mobilitätskennziffern1



5.2.2 Auswahl der Variablen

Eine weitere wichtige Voruntersuchung ist die Frage, wie sich das Verkehrsverhalten beiPersonen unterschiedlicher soziodemographischer Situationen unterscheidet. Einedetaillierte Betrachtung unterschiedlicher Personengruppen soll zeigen, ob sich dieTendenzen anderer Untersuchungen mit dem vorliegenden Datenmaterial bestätigenlassen. Darüber hinaus sollen Unterschiede zwischen der ostdeutschen Stadt Halle undder westdeutschen Stadt Karlsruhe - falls vorhanden - aufgezeigt werden. Diese erstenBeschreibungen dienen als Grundlagen und Auswahlkriterien für anschließende weiter-gehenden Analysen.

Als Gruppierungsvariablen wurden die Merkmale Geschlecht, Alter, Erwerbstätigkeit,Autobesitz und Wohnstandort gewählt, bei denen aufgrund früherer Untersuchungen (z.B.Vaughan, Speckmann und Sun, 1999; Jones und Clarke 1988; Kitamura, 1998, Pas undKoppelmann, 1986; Pas, 1984; Hanson und Hanson, 1981; Schmiedel, 1984) ein starkerEinfluss auf das Verkehrsverhalten vermutet wird, so dass bei Personen mitunterschiedlichen Ausprägungen für diese Variablen auch unterschiedliches Verhalten zuerwarten ist. Eine Varianzanalyse dieser Variablen bestätigt die Auswahl. Alle genanntenVariablen weisen einen sehr stark signifikanten Einfluss auf die tägliche Anzahl zurück-gelegter Wege auf (vgl. Tab. 21). Einzig die Variable Geschlecht weist keinen signifi-kanten Haupteinfluss auf die Anzahl täglich zurückgelegter Wege auf. Betrachtet manjedoch die Wechselwirkungen des Geschlechtes mit anderen Variablen, wird für diesewiederum ein sehr stark signifikanter Einfluss auf das Verhalten sichtbar.

Insgesamt kann mit diesen Variablen und ihren Wechselwirkungen nur ein Bruchteil derGesamtvarianz der täglichen Anzahl zurückgelegter Wege pro Person erklärt werden. DasBestimmtheitsmaß R2 beträgt nur 0,15, so dass 85% der Streuung des Verhaltens aufnicht erfasste Einflüsse zurückzuführen ist. Ursache für den geringen Erklärungswert sinddie intrapersonellen Tag-zu-Tag-Variation. Bei isolierter Betrachtung für gleiche Wochen-tage müsste die Gesamtvariation des Verkehrsverhaltens geringer ausfallen und derAnteil der durch die betrachteten Variablen erklärten Variabilität steigen, - tatsächlichbestätigt sich diese Vermutung mit dem vorhandenen Datenmaterial bei einem R2 von0,20. Betrachtet man jeweils nur die Wege eines einzelnen Tages, hat das durchschnitt-liche Bestimmtheitsmaß aus allen 62 Tagen der Untersuchung den deutlich besserenWert von 0,50. Eine Verbesserung der Erklärungsgüte erreicht man auch dann, wennman als abhängige Variable nicht die Gesamtanzahl aller Wege, sondern die Anzahl dertäglich als PKW-Fahrer zurückgelegten Wege betrachtet - R2 beträgt dann 0,32. Auch indiesem Fall steigt R2 bei isolierter Betrachtung der einzelnen Wochentage auf 0,38 bzw.0,56 bei einzelnen Untersuchungstagen.



Wege pro Tag Wege pro Tagals PKW-Fahrer

UnabhängigeVariable

Kategorien F-Wert P-Wert F-Wert P-Wert

Untersuchungsstadt Karlsruhe, Halle 194.51 0.0001 12.22 0.0005

Beschäftigung Keine Arbeit, Teilzeit,Vollzeit, Selbständig,Haushalt

49.99 0.0001 101.62 0.0001

Alter Bis 25, 25-44, 45-64,mehr als 65 Jahre

25.74 0.0001 90.74 0.0001

Wohnort Innenstadt,Innere Stadt, Vororte,Außerhalb

35.16 0.0001 11.35 0.0001

Autoanzahl/Haushalt 0,1,2,3 14.79 0.0001 137.10 0.0001

Geschlecht Weiblich, männlich 1.88 0.1704 68.43 0.0001

Geschlecht – Alter 66.10 0.0001 80.51 0.0001

Geschlecht –Beschäftigung

34.27 0.0001 5.10 0.0016

Tab. 21: Varianztest

Wege/Tag Wege/Tag als PKW-Fahrer

Über alle Tage 0,15 0,32

Durchschnitt für alle gleichenWochentage

0,20 0,38

Durchschnitt für alle gleichenUntersuchungstage

0,50 0,56

Tab. 22: Bestimmtheitsmaß bei unterschiedlichen Betrachtungszeiträumen

Die Varianzanalyse bestätigt also den Einfluss der aufgrund empirischer Studienausgewählten Variablen. Diese werden im folgenden in jeweils drei Schritten untersucht:Zuerst werden zuerst rein deskriptiv die Mittelwerte verschiedener Mobilitätskennziffern



(Anzahl Wege/Tag, Wegelänge, Wegedauer) für die unterschiedlichen Ausprägungen derVariablen betrachtet und überprüft, ob es sich um signifikante Unterschiede zwischen denGruppen handelt. Nachfolgend wird die Verteilung der Ausprägungen für unterschiedlicheSubgruppen und damit das Ausmaß der Homogenität innerhalb dieser Gruppen unter-sucht. Abschließend werden auf der intrapersonellen Ebene für verschiedene GruppenAusprägungskombinationen über den ganzen Erhebungszeitraum dargestellt.

5.2.3 Darstellung

5.2.3.1 Geschlecht

Mit 3,9 Wegen pro Tag ergibt sich in der Mobidrive-Erhebung ein etwas höherer Wert alsin früheren Erhebungen, wie z.B. dem deutschen Haushaltspanel zum Verkehrsverhaltenmit 3,5 Wegen pro Tag (vgl. Bundesministerium für Verkehr 1999, S. 226). Dabei gibt esmit 4,11 täglich zurückgelegten Wegen in Karlsruhe gegenüber 3,63 in Halle einedeutliche Differenz zwischen den beiden Untersuchungsstädten (vgl. Tab. 23). Die inKarlsruhe gegenüber Halle zusätzlich zurückgelegten Wege ergeben sich vor allem auseiner erhöhten Anzahl von Fuß- und Radwegen, sowie Wegen mit dem PKW - während inbeiden Städten mit täglich je 0,55 Wege etwa die gleiche Anzahl an Wegen mit dem ÖVzurückgelegt wird. Dieses Grundmuster zeigt sich bei beiden Geschlechtern, wobei dieDifferenz zwischen den mit dem PKW zurückgelegten Wegen bei Karlsruher Frauen mit1,85 Wegen (gegenüber 1,35 Wegen der Hallenser Frauen) besonders groß ist; diesebenutzten statt dessen mit 0,76 täglichen Nutzungen gegenüber nur 0,58 in Karlsruhehäufiger den ÖV.

Obwohl sich die Gesamtanzahl täglich zurückgelegter Wege für beide Gruppen nichtsignifikant unterscheidet (bei einer Prüfgröße von t=1,94 in Karlsruhe und t=0,70 in Hallekann die Hypothese, dass der Unterschied zwischen beiden Gruppen nur zufällig ist, nichtverworfen werden), ergeben sich für einzelne Verkehrsmittel stark signifikante Ab-weichungen: Frauen unternehmen häufiger Wege mit dem ÖV, dem Velo oder zu Fuß,Männer benutzen dagegen häufiger den PKW als Frauen. Beide Trends sind in Halleausgeprägter, denn während sich in Karlsruhe die Anzahl der mit dem PKW zurück-gelegten Wege geschlechterspezifisch nur geringfügig unterscheidet, ist dies in Halle mit1,95 Wegen der Männer gegenüber 1,35 bei Frauen deutlich der Fall.



Fuß- undRadverkehr[Wege/Tag]

PKW1

[Wege/Tag]

ÖV2

[Wege/Tag]

Gesamt

[Wege/Tag]

Karlsruhe

Frauen 1,73 1,85 0,58 4,16

Männer 1,52 2,01 0,53 4,06

Gesamt 1,64 1,93 0,55 4,11

Signifikant unterschiedlichbei 95% Signifikanzniveau

Ja Ja Nein Nein

Halle

Frauen 1,53 1,35 0,76 3,65

Männer 1,30 1,95 0,36 3,61

Gesamt 1,42 1,65 0,56 3,63


Ja Ja Ja Nein

1 PKW als Fahrer, PKW als Mitfahrer, Motorrad

2 Bus, Straßenbahn, Eisenbahn und Sonstiges

Tab. 23: Durchschnittliche Anzahl der Wege pro Tag nach Geschlecht und Verkehrsmittel

Bei der Betrachtung der Wegezwecke wird deutlich, dass die von Karlsruher Frauengegenüber den Hallenser Frauen zusätzlich zurückgelegten Wege vor allem im Freizeit-verkehr stattfinden (mit 0,90 anstelle 0,50 Wege/Tag). Bei den Männern sind dieKarlsruher für alle Wegezwecke häufiger unterwegs, wobei im Freizeitverkehr mit einemMehr von täglich 0,23 Wegen ebenfalls ein etwas überdurchschnittlicher Unterschied zuverzeichnen ist. Zwischen den Geschlechtern gibt es keine starken Unterscheidungen -lediglich in Karlsruhe ist die Zahl der mit Arbeit verbundenen Wege bei den Männern undder mit dem Haushalt verbunden Wege bei den Frauen etwas größer.



Fuß- undRadverkehr[km/Weg]

PKW

[km/Weg]

ÖV

[km/Weg]

Gesamt

[km/Weg]

Karlsruhe

Frauen 1,5 11,5 10,7 7,2

Männer 1,9 16,1 13,1 10,4

Gesamt 1,7 13,9 11,9 8,8


Ja Ja Ja Ja

Halle

Frauen 1,4 12,5 8,5 7,0

Männer 1,6 12,4 9,2 8,2

Gesamt 1,5 12,4 8,8 7,6


Ja Nein Nein Ja

Tab. 24: Durchschnittliche Wegelänge nach Verkehrsmittelwahl

Für absolute Entfernungen (vgl. Tab. 24) bestätigen die Ergebnisse der Mobidrive-Erhebung die Position, dass Männer signifikant längere Entfernungen pro Wegzurücklegen als Frauen (10,4 km/Weg in Karlsruhe und 8,2 km/Weg in Halle gegenüber7,2 bzw. 7.0 km/Weg). Der Unterschied zwischen den beiden Geschlechtern ist dabei inKarlsruhe weit ausgeprägter als in Halle (1,2 km/Weg in Halle gegenüber 3,2 km/Weg inKarlsruhe). Die insgesamt längeren Wege in Karlsruhe ergeben sich vor allem aus dendeutlich größeren Distanzen der Männer– die durchschnittliche Wegelänge der Frauen istin beiden Städten etwa gleich lang und unterscheidet sich nicht signifikant. Bei einergenaueren Betrachtung der Verkehrsmittelwahl fällt auf, dass in Karlsruhe durchgehendmit allen Verkehrsmitteln signifikant längere Wege zurückgelegt werden – mit Ausnahmeder nicht motorisierten Wege. Im Gegensatz zu Karlsruhe ist in Halle kein signifikanterUnterschied zwischen Männern und Frauen bei den Wegelängen festzustellen, die mitdem PKW zurückgelegt wurden. In Karlsruhe existiert dort die absolut größte Differenz(16,1 gegenüber 11,5 km/Weg). Etwas ausgeglichener ist das Bild bei den mit dem ÖVzurückgelegten Wege. Hier sind – auf niedrigerem Niveau als beim PKW und statistischnicht signifikant - in beiden Städten die durchschnittlichen Wege der Männer länger als dieder Frauen.

Unterscheidet man die Wegelängen nach unterschiedlichen Verkehrszwecken (vgl. Tab.



25), wird deutlich, dass die Unterschiede zwischen den Geschlechtern und zwischen denStädten fast ausschließlich durch die Länge der Arbeitswege erklärt werden können.Während die durchschnittliche Distanz der Arbeitswege bei den Frauen 7,1 (Halle) bzw.7,7 km (Karlsruhe) beträgt, fahren Hallenser Männer durchschnittlich 9,5 km, KarlsruherMänner sogar 15,6 km zur Arbeit. Weniger starke Unterschiede gibt es im Freizeitverkehr.Mit 11,9 km/Weg werden in Halle in der Freizeit die längsten Wege zurückgelegt, inKarlsruhe sind Freizeitwege nur wenig kürzer als Arbeitswege. Sowohl für Männer undFrauen als auch für Karlsruher und Hallenser sind die unterschiedlichen Längen derFreizeitwege nicht statistisch signifikant. Auffallend ist hier, dass Hallenser Frauen mit12,3 km etwas längere Wege zurücklegen als Hallenser Männer, obwohl Männer bei allenanderen Wegezwecken in beiden Städten weiter unterwegs sind. Insgesamt gibt es beimFreizeitverkehr sowohl in der Häufigkeit als auch in der Länge überraschend weniggeschlechterspezifische Unterschiede.

Haushaltswege[km/Weg]1

Arbeit/Schule[km/Weg]2

Freizeit[km/Weg]3

Gesamt[km/Weg]

Karlsruhe

Frauen 5,9 7,1 11,0 7,2

Männer 8,3 15,6 11,7 10,4

Gesamt 7,0 12,2 11,3 8,8


Ja Ja Nein Nein

Halle

Frauen 5,9 7,7 12,2 7,0

Männer 7,0 9,5 11,5 8,2

Gesamt 6,4 8,6 11,9 7,6


Ja Ja Nein Nein

1 Abholen/Mitnehmen, Einkaufen, Erledigungen, nach Hause

2 Arbeit, Schule, dienstlich

3 Freizeit und Sonstiges

Tab. 25: Durchschnittliche Wegelänge nach Wegezweck und Geschlecht

Ausgeprägter sind die Differenzen zwischen den Städten: Der auffälligste Unterschied im



vorliegenden Datenmaterial bezüglich Freizeitverkehr besteht darin, dass die Hallenserzwar genauso weit, dafür aber seltener in ihrer Freizeit unterwegs sind als die Karlsruher.

Wenig aufschlussreich ist die Betrachtung der Gesamtreisezeiten (vgl. Tab. 26). Hier gibtes in den durchschnittlichen Gesamtsummen weder ausgeprägte Differenzen zwischenden Städten (mit 19,3 min/ Weg in Karlsruhe und 20,9 min/ Weg in Halle) noch zwischenden Geschlechtern (20,5 min/ Weg der Männer gegenüber 19,4 der Frauen).

Deutlichere Unterschiede in der Reisezeit lassen sich dagegen bei der Betrachtung derunterschiedlichen Wegezwecke insbesondere in Karlsruhe feststellen. Hier sind dieArbeitswege der Männer mit 23,4 Minuten/Weg signifikant länger als die der Frauen,während bei den Arbeitswegen in Halle wie auch bei allen anderen Wegen keinsignifikanter Unterschied zwischen den Geschlechtern auffällt. Insgesamt sind alle Wegein Halle bezüglich der Reisezeit ein wenig länger als in Karlsruhe, am stärksten ist dieserUnterschied bei den haushaltsbezogenen Wegen. Ein ähnliches Bild zeigt sich bei einerUnterteilung in verschiedene Verkehrsmittel: Wieder gibt es in Halle keinegeschlechterspezifischen Unterschiede. In Karlsruhe sind dagegen die Wege der Männermit dem Auto signifikant länger als die von Frauen (mit 22,1 min/Weg gegenüber 18,5 min/Weg).

Neben diesen Kennziffern für beide Geschlechter interessiert auch noch die Streuunginnerhalb der Gruppen. Diese lässt sich sehr anschaulich mit Boxplots darstellen, die denWertebereich darstellen, zwischen dem das 25% und 75% Quartil liegt. Der Median istzusätzlich gekennzeichnet. Die außerhalb liegenden Werte sind als einzelne Symbolegekennzeichnet, so dass man die Spannweite der Ausprägungen erkennen kann.

Diese Darstellung der täglichen Wege zeigt, dass sich nicht nur die Mittelwerte, sondernauch die Streuung zwischen den Geschlechtern nicht wesentlich unterscheidet und ca.50% aller Personen zwischen drei und fünf Wegen pro Tag zurücklegen. Eingeschlechterspezifischer Unterschied zeigt sich in Karlsruhe darin, dass ein geringerAnteil der Männer eine deutlich größere Anzahl an Wegen zurücklegt (bis zu neun Wegentäglich) als dies bei den Frauen der Fall ist. Geringe Unterschiede zeigen sich auch beider Verteilung der Wegelängen. Hier ist die Spannweite für beide Geschlechter etwagleich groß, allerdings ist der Abstand zwischen dem 25% und 75% Quartil bei Männerngrößer als bei Frauen, d.h. die Streuung ist hier etwas größer.



Haushaltswege[min/Weg ] 1

Arbeit/Schule[min/Weg ] 2

Freizeit[min/Weg ] 3

Gesamt[min/Weg ]

Karlsruhe

Frauen 15,7 18,7 25,7 18,3

Männer 17,6 23,4 25,9 20,3

Gesamt 17,3 21,5 24,3 19,3

Signifikantunterschiedlich bei 95%Signifikanzniveau

Ja Ja Nein Ja

Halle

Frauen 19,6 22,3 27,0 21,1

Männer 19,3 21,7 25,6 20,7

Gesamt 19,4 22,0 26,2 20,9

Signifikantunterschiedlich bei95% Signifikanzniveau

Nein Nein Nein Nein




Tab. 26: Durchschnittliche Wegelänge nach Wegezweck und Geschlecht



Anzahl Wege: Wegelänge:

Wegedauer:

Abb. 58: Verteilung der Anzahl der täglichen Wege, der Wegelänge und Wegedauer nachGeschlecht und Untersuchungsstadt

Die größte relative Spannweite (in Verhältnis zum Abstand vom 25% zum 75% Quartil)gibt es bei den Reisedauern, wo ein Teil der Beobachtungen weiter als das 1,5-fache derQuartilsabstände liegt und damit als Ausreißer gelten kann. Wiederum gibt es bei denMännern eine größere Streuung - sowohl was die absolute Spannweite als auch denAbstand vom ersten zum dritten Quartil angeht.

Eine weitere Darstellung der Streuung innerhalb der Gruppen erhält man mit derLorenzkurve (vgl. Herz, Schlichter und Siegener 1992). Die Lorenzkurve vergleichtgraphisch die Verteilung eines Merkmals mit der Gleichverteilung. Dabei werden diekumulierten Häufigkeiten der Ausprägungen einer Variablen auf der einen Achse dem ent-sprechenden Anteilswert einer anderen Variable auf der anderen Achse zugeordnet. EineDiagonale würde in diesem Fall bedeuten, dass der Anteil aller Wege an der Gesamt-summe der in Mobidrive zurückgelegten Wege von genau demselben Anteil an Personenzurückgelegt wird. Je stärker die Abweichungen von dieser Diagonalen, desto ungleicher



sind beide Verteilungen, d.h. um so kleiner ist der Anteil von Personen, der einenwachsenden Anteil an der Gesamtwegezahl hat. Der Abstand zwischen der Lorenzkurveund der Diagonalen wird mit dem Gini-Koeffizienten berechnet, der zwischen 0(Gleichverteilung) und 1 (maximale Konzentration) schwanken kann und ein Maß derUngleichheit ist.

Abb. 59: Lorenzkurve Anteil Personen / Anteil der Wegelänge nach Geschlecht

Die Darstellung der Konzentration der zurückgelegten Wege auf alle Personen zeigt einensehr flachen Verlauf der Lorenzkurve, ein Indiz für eine gleichmäßige Verteilung der Wegeüber alle Personen. Dieses Bild ändert sich nicht wesentlich, wenn man die Konzentrationder Anzahl der Wege geschlechterspezifisch betrachtet. Zwar weist der Gini-Koeffizientbei Frauen mit einem Wert von 0,161 eine etwas höhere Konzentration als bei Männernauf (G=0,131), dennoch weisen beide Werte auf eine insgesamt recht gleichmäßigeVerteilung der Wegeanzahl über alle Personen hin. Gegenüber der geringenKonzentration der Anzahl der Wege, lässt sich bei der Betrachtung der zurückgelegtenEntfernungen eine etwas stärkere Konzentration auf wenige Personen ausmachen (vgl.Abb. 59). Mit einem Gini-Koeffizienten von G=0,248 bei den Frauen und G= 0,291 bei denMännern bleibt die Konzentration allerdings moderat. Interessant ist, dass sich dieEntfernungen bei den Männern etwas stärker auf einige wenige Personen konzentrieren



als bei den Frauen, obwohl der Trend bei der Wegeanzahl umgekehrt war.

Die Besonderheit des Mobidrive-Datensatzes besteht darin, dass er einen Zeitraumabdeckt, der es ermöglicht, die Gesamtvariabilität in Unterschiede zwischen den Gruppenund intrapersonelle Tag-zu-Tag-Variabilität zu unterteilen. Einen ersten Anhaltspunktbezüglich der intrapersonellen Variabilität liefern die folgenden Abbildungen bei der fürjede einzelne Person dargestellt wird, mit welcher Kombination von Verkehrsmitteln oderWegewecken die Summe ihrer Wege zurückgelegt wurden.

2o%

4o%

6o%

8o%

2o

%

4o

%

6o

%

8o

%2o

%

4o %

6o %

8o %

ÖV: Bus, Straßen-/Stadtbahn, EisenbahnMIV: Mofa, Motorrad, Pkw als Fahrer oder MitfahrerNichtmotorisiert: zu Fuß, Fahrrad

Abb. 60: Individuelle Verkehrsmittelnutzung über alle Untersuchungstage nach Geschlecht

Abb. 60 verdeutlicht, dass der größte Anteil aller Personen im Untersuchungszeitraumverschiedene Verkehrsmittel nutzte. Allerdings spielt für einen weiteren Teil der Personender ÖV so gut wie keine Rolle: Weniger als 10% aller Wege werden mit diesenVerkehrsmittel durchgeführt (in der Abbildung ist dies die Konzentration der Punkte amrechten Schenkel des Dreiecks). Innerhalb dieser Gruppe gibt es sowohl Personen diefast alle Wege nichtmotorisiert zurücklegen, als auch Personen, die fast ausschließlichdas Auto benutzen. Der Anteil an Befragten, für die der MIV diese überragendeBedeutung hat, ist bei den Männern etwas größer als bei den Frauen.



2o%

4o%

6o%

8o%

2o

%

4o

%

6o

%

8o

%

2o %

4o %

6o %

8o %

Haushalt: Einkauf, Erledigung/Dienstleistung, jmd. abholen/wegbringenPflicht: zur Ausbildung/Schule, zum Arbeitsplatz, dienstlich/geschäftlichFreizeit: Freizeit

Abb. 61: Individuelle Wegezwecke über alle Untersuchungstage nach Geschlecht

Zwischen den Geschlechtern gibt es bei den individuellen Anteilen der Wegezweckekeine starken Unterscheidungen. Abb. 61 verdeutlicht, dass die Anteile der drei ver-schiedenen Wegezwecke Arbeit und Schule (Pflicht), Freizeit und haushaltsbezogeneWegen, die eine Person zurücklegt, bei beiden Geschlechtern beträchtlich variieren. Vonder Mehrzahl der Personen werden verschiedene Zwecke ausgeübt, für die wenigstenPersonen gibt es dagegen einen sehr dominanten Wegezweck. Eine Ausnahme bildet dieGruppe von Befragten, die keine oder seltener als in 10% aller Fälle Pflichtwegezurücklegen und sich gleichermaßen aus Männern und Frauen zusammensetzt. Zwischenden Geschlechtern fallen bei dieser Darstellung insgesamt wenig Unterschiede auf. Alleinder Anteil der Wege zur Arbeit oder Schule scheint bei den Frauen etwas geringer zusein.

5.2.3.2 Alter

Die Stellung im Lebenszyklus wurde aufgrund der mit ihr einhergehenden unterschied-lichen Sachzwänge vielfach als eine wesentliche Determinanten von Verkehrsverhaltenangesehen (z.B. Vaughan et al. 1999, Pas 1984). In diesem Arbeitsbericht wird dieStellung im Lebenszyklus im wesentlichen durch das Alter der Person angegeben unddurch die Frage, ob eine Person Kinder hat, ergänzt. Zur Untersuchung wurden im



folgenden vier Altersklassen gebildet, die einerseits eine ausreichend große Anzahl vonBefragten und andererseits möglichst homogene Lebensabschnitte gewährleisten sollen.Lediglich die Gruppe der Rentner ist mit 21 Personen in Karlsruhe bzw. 11 Personen inHalle etwas schwach besetzt.

Karlsruhe Halle

Alter [ % ] [ ] [ % ] [ ]

15-24 Jahre 26,1 53 27,2 43

25-44 Jahre 27,6 56 32,3 51

45-64 Jahre 36,0 73 33,5 53

Über 65 Jahre 10,3 21 7,0 11

Gesamt 100,0 203 100,0 158

Tab. 27: Häufigkeit verschiedener Altersklassen

Generell bestätigen die Mobidrive-Ergebnisse, dass die größte Anzahl an Wegen vonPersonen im Alter von 25 bis 44 Jahren zurückgelegt werden (durchschnittlich 4,49Wege/Tag in Karlsruhe und 3,92 Wege/Tag in Halle) - jüngere Personen (4,09 Wege/Tagbzw. 3,55 Wege/Tag) und Rentner (3,49 Wege/Tag bzw. 3,14 Wege/Tag) legen wenigertägliche Wege zurück. Dieser Trend gilt für beide Untersuchungsstädte gleichermaßen,wobei in Karlsruhe von allen Altersgruppen täglich ca. ein halber Weg mehr zurückgelegtwird als in Halle (vgl. Tab. 28). Die Elternschaft scheint die Anzahl täglicher Wege nocheinmal zu erhöhen. So ist die Anzahl der Wege von Eltern in den Altersgruppen 25 bis 44Jahre und 45 bis 64 Jahre in beiden Städten meistens etwa um 0,5 Wege/Tag größer alsdie der kinderlosen Personen. Einzige Ausnahme ist die Altersgruppe der 25- bis44jährigen, bei denen in Halle kinderlose Personen mit 4,0 Wegen/Tag mehr Wegezurücklegen als ihre Altergenossen mit Kindern (3,88 Wegen/Tag). Eine genauereBetrachtung der Verkehrsmittelwahl ergibt, dass in beiden Städten bei den aktivstenAltersgruppen weniger Wege zu Fuß oder mit dem ÖV zurückgelegt werden als bei denjüngeren oder älteren Altersgruppen, dagegen jedoch etwa doppelt so viel Wege mit demPKW (vgl. Tab. 28).



Alter Fuß- undRadverkehr[Wege/Tag]

PKW1

[Wege/Tag]

ÖV2

[Wege/Tag]

Gesamt

[Wege/Tag]

Karlsruhe

15-24 Jahre 1,93 1,30 0,86 4,09

25-44 Jahre 1,61 2,54 0,35 4,49

45-64 Jahre 1,38 2,19 0,44 4,00

Älter als 65 Jahre 1,70 1,06 0,72 3,49

Gesamt 1,62 1,93 0,55 4,11

Halle

15-24 Jahre 1,69 1,06 0,80 3,55

25-44 Jahre 1,45 2,04 0,43 3,92

45-64 Jahre 1,08 1,87 0,56 3,51

Älter als 65 Jahre 1,84 1,14 0,16 3,14

Gesamt 1,42 1,65 0,56 3,63



Tab. 28: Durchschnittliche Anzahl der Wege pro Tag nach Alter und Verkehrsmittel

Eine Aufteilung der täglichen Wege auf die verschiedenen Wegezwecke zeigtüberraschend wenig Unterschiede zwischen den Altersklassen. Die geringere Anzahl antäglichen Wegen bei den Jüngeren ergibt sich aus der Tatsache, dass weniger Aktivitätenmit Familien- oder Haushaltsbezug ausgeübt werden, während die Gruppe der Älterenweniger Pflichtwege zurücklegt. Insbesondere die Anzahl der Freizeitwege unterscheidetsich zwischen den Gruppen sehr wenig - lediglich die Gruppe der 15 bis 24jährigen legtetwas mehr Freizeitwege zurück als die anderen Gruppen. Bemerkenswert ist außerdem,dass bei der Anzahl der haushalts- und arbeitsbezogenen Wege kein großer Unterschiedzwischen den Städten zu erkennen ist - im Freizeitbereich dagegen sind die Karlsruhermit durchschnittlich 0,84 Wegen pro Tag deutlich aktiver als die Hallenser (0,53Wege/Tag). Diese Differenzen gibt es bei allen Altersgruppen. Die etwas höhere Anzahlan Wegen bei den Eltern gegenüber den Kinderlosen in ihren jeweiligen Altersklassen



ergibt sich in erster Linie aus einer erhöhten Anzahl von haushaltsbezogenen Wegen,während die Anzahl zurückgelegter Freizeitwege nur wenig unter der Anzahl vonPersonen ohne Kinder liegt (0,60 gegenüber 0,63 bei den 45 bis 65jährigen und 0,73 beiden 25 bis 45jährigen).

Die Untersuchung der Wegedistanzen nach Wegezwecken führt zu der Vermutung, dasseine kleine Gruppe von Personen für einen großen Anteil der zurückgelegten Ent-fernungen verantwortlich ist. Die Personengruppen, die insgesamt mehr Wege zurück-legen, bewegen sich dabei zudem noch über längere Strecken (vgl. Tab. 29). Dies giltinsbesondere für die Arbeitswege, die für die beiden mittleren Altersgruppen fast doppeltso lang sind, wie für die beiden anderen Gruppen. In Relation zu allen anderen Wegensind dabei die Karlsruher Arbeitswege noch einmal länger als in Halle. Aber auch diehaushalts- und freizeitbezogenen Wege dieser Gruppen sind länger als die der anderenGruppen. Dasselbe Muster (weniger, aber längere Freizeitwege) zeigt sich auch bei einerDifferenzierung nach Eltern und Kinderlosen: Mit durchschnittlich 15,3 gegenüber 13,2 kmje Weg (45 bis 64jährige) und 15,8 gegenüber 12,1 km/Weg (25 bis 44jährige) sind dieFreizeitwege der Eltern eindeutig länger. Gleichzeitig sind die Haushaltswege etwa gleichlang, während sich bei den Arbeitswegen kein eindeutiger Trend erkennen lässt.

Alter Haushaltswe-ge [km/Weg]1


Freizeit[km/Weg]3

Gesamt[km/Weg]

Karlsruhe

15-24 Jahre 5,6 5,0 9,3 6,5

25-44 Jahre 7,2 15,7 13,8 9,7

45-64 Jahre 8,5 15,9 14,1 10,7

Mehr als 65 Jahre 4,3 2,4 11,6 5,4

Gesamt 7,0 12,2 12,2 8,0

Halle

15-24 Jahre 4,9 4,7 9,3 5,7

25-44 Jahre 7,3 11,9 14,2 8,9

45-64 Jahre 6,9 8,8 14,0 8,2

Mehr als 65 Jahre 4,6 0,5 7,6 5,4

Gesamt 6,4 8,6 11,9 7,61 Abholen/Mitnehmen, Einkaufen, Erledigungen, nach Hause2 Arbeit, Schule, dienstlich3 Freizeit und Sonstiges

Tab. 29: Durchschnittliche Wegelänge nach Wegezweck und Alter



Die überproportionale Länge der Arbeitswege der mittleren Altersklassen spiegelt sichauch in der Wegedauer wieder (vgl. Tab. 30). In beiden Städten sind deren Wege deutlichlänger als die der beiden anderen Altersklassen, während die haushaltsbezogenen Wegesich wenig unterschieden. Bei den Freizeitwegen lässt sich keine klare Tendenzerkennen, in welcher Weise das Alter die Reisedauer beeinflusst: Während in Halle dieGruppe der Rentner die kürzesten Reisezeiten aufweist, legen die über 65jährigen inKarlsruhe die längsten Wege zurück. Eindeutig scheint nur, dass die unter 25jährigenjeweils deutlich kürzere Reisezeiten als die mittleren Altersgruppen aufweisen. Insgesamtsind die Schwankungen in der Reisezeit im Freizeitverkehr vor allem in Karlsruhebeträchtlich.

Alter Haushaltswege[min/Weg]1

Arbeit/Schule[min/Weg]2

Freizeit[min/Weg]3

Gesamt[min/Weg]

Karlsruhe

15-24 Jahre 16,5 18,0 21,8 18,3

25-44 Jahre 15,6 21,7 24,8 18,4

45-64 Jahre 17,9 24,6 29,4 21,1

Älter als 65 Jahre 15,5 15,5 32,4 18,6

Gesamt 16,6 21,5 25,8 19,3

Halle

15-24 Jahre 17,8 19,5 24,0 19,3

25-44 Jahre 18,6 23,8 28,2 20,6

45-64 Jahre 20,7 22,4 27,9 22,0

Älter als 65 Jahre 24,2 5,0 23,7 24,1

Gesamt 19,4 22,0 26,2 20,9




Tab. 30: Durchschnittliche Wegedauer nach Alter und Verkehrszweck

Die Vermutung, dass ein geringer Anteil der Verkehrsteilnehmer für einen großen Anteildes Verkehrsaufwands verantwortlich ist, wird durch die Untersuchung des Konzen-



trationsgrades nicht bestätigt. Erneut zeigt sich, dass die Verteilung der zurückgelegtenWege nur eine geringe Konzentration aufweist, was auf eine gleichmäßige Verteilunginnerhalb der Personengruppe hindeutet. In der Gruppe der 45- bis 64jährigen gibt es miteinem Gini-Koeffizienten von G=0,151 gegenüber G=0,128 (bei den 25- bis 44jährigen)und 0,142 (bei den bis 25jährigen) geringfügig mehr Variabilität als in den anderenGruppen, wenn man aufgrund der geringen Fallzahl die Gruppe der Rentner hier nichtweiter betrachtet. Die zurückgelegten Distanzen verteilen sich etwas ungleichmäßigerüber alle Personen bei einem allerdings immer noch niedrigen Konzentrationsgrad (vgl.Abb. 62). Beim Verkehrsaufwand existiert innerhalb der Gruppe der 15- bis 24jährigen diegeringste Variabilität (G=0,225 gegenüber G=0,271 bei den 25-44jährigen und 0,278 beiden 45- bis 64jährigen).

Abb. 62: Lorenzkurve Anteil Personen / Anteil der Wegelänge nach Altersgruppen

Diese Ergebnisse werden durch eine Betrachtung der Verteilung der Verkehrskennziffernbestärkt. Auch hier zeigt sich, dass die Wegelängen stärker streuen, als die Anzahl dertäglichen Wege. Sowohl die gesamte Spannweite, als auch der Abstand des 25% zum75% Quartils ist für alle Altersgruppen in beiden Städten für die Wegeanzahl geringer alsfür die Wegelänge. Ebenfalls für alle Altersgruppen zeigt sich in den beiden Unter-suchungsstädten jeweils eine ähnliche Verteilung. Die deutlich größere Wegeanzahl undgeringfügig größere Entfernung pro Weg in Karlsruhe ist somit nicht auf einige wenigeDatenausreißer zurückzuführen.



Zwischen den Altersgruppen existieren bezüglich der Streuung nur geringe Unterschiede.Sowohl die Gesamtspannweite als auch der Abstand vom ersten zum dritten Quartil sind(mit Ausnahme der Gruppe der über 65jährigen) für alle Altersgruppen etwa gleich.Abweichungen existieren hier bei der Wegelänge in beiden Städten, bei denen für diemittleren Altersgruppen, die die größten durchschnittlichen Wegelängen aufweisen, auchdie Streuung etwas stärker ausfällt, als bei den anderen Gruppen.


Abb. 63: Streuung der Anzahl der täglichen Wege und der Wegelänge nach Alter undUntersuchungsstadt

Die Betrachtung der individuellen Aufteilung der Wege nach Verkehrsmittelnutzung undVerkehrszweck offenbart große Schwankungen innerhalb der verschiedenenAltersgruppen. Bezüglich der Verkehrsmittelnutzung zeigt sich erneut eine dominanteRolle des MIV, dennoch werden von allen Altersgruppen auch alle Verkehrsmittel genutzt.Wenig überraschend ist, dass bei den unter 25jährigen der Anteil von Personen, der mehrals die Hälfte aller Wege nicht mit dem MIV zurücklegt, etwas größer ist als bei denanderen Gruppen. Für die Gruppe der Rentner ist die Nutzung des öffentlichen Verkehrsebenso wie für die Gesamtheit aller Personen von untergeordneter Bedeutung, währendnichtmotorisierte Wege für sie zumeist eine größere Rolle spielen.

Noch mehr individuelle Variabilität gibt es bei den Wegezwecken. Abb. 64 zeigt eineVerteilung der Personen über das ganze Dreieck. Eine große Anzahl anAnteilskombinationen existieren demnach in der Datengrundlage. Auffallend ist dabei einegrößere Gruppe an Personen, die größtenteils Haushaltswege zurücklegen. Bei ihnenhandelt es sich größtenteils um Vertreter der über 65jährigen. Ebenfalls eine sichtbareKonzentration weist die Gruppe der unter 25jährigen in der linken Hälfte des Dreiecks auf.Damit ist der Anteil an Freizeitwegen an ihren Gesamtwegen höher als bei den restlichenPersonen, während umgekehrt der Anteil an haushaltsbezogenen Wegen besondersniedrig ist.



Wegzweck:

20%

40%

60%

80%

20

%

40

%

60

%

80

%

20 %

40 %

60 %

80 %

Verkehrsmittelwahl

20%

40%

60%

80%

20 %

40 %

60 %

80 %

20 %

40 %

60 %

80 %Abb. 64: Individuelle Verkehrszwecke und Verkehrsmittelwahl über alle Untersuchungs-

tage nach Alter

5.2.3.3 PKW-Bestand

Ein weiterer als wichtig erkannter Prädiktor von Verkehrsverhalten (z.B. Hanson und Huff,1981) ist die Verfügbarkeit von verschiedenen Verkehrsmitteln und insbesondere desAutos, das hier vereinfacht als Anzahl der in einem Haushalt generell vorhandenen PKWdargestellt wird. Dabei ist die Gruppe der Personen ohne Autos mit 9,4% in Karlsruhebzw. 10,1% in Halle gegenüber dem Anteil autofreier Haushalte an der Gesamt-bevölkerung (nach Reutter und Reutter , 1996 26% in den alten und 34% in den neuenBundesländern) in der Befragung etwas unterrepräsentiert.

Karlsruhe Halle

PKW-Bestand im Haushalt [%] [ ] [%] [ ]

Kein Auto 9,4 19 10,1 16

1 Auto 64,0 130 68,4 108

2 oder mehr Autos 26,6 54 21,5 34

Gesamt 100,0 203 100,0 158

Tab. 31: Häufigkeit der PKW-Bestände

Die Mobidrive-Befragung ergibt, dass die Anzahl der im Haushalt vorhandenen Autos diedurchschnittliche Gesamtwegezahl pro Tag nicht wesentlich beeinflusst. So legen dieMitglieder autofreier Haushalte in Karlsruhe mit 4,54 Wegen/Tag mehr Wege zurück alsKarlsruher mit einem PKW, während in Halle mit steigender Autoanzahl auch dieWegeanzahl pro Tag ansteigt. Allerdings sind die Unterschiede nicht groß (zwischen 3,52



Wege/Tag ohne und 3,69 Wege/Tag mit zwei oder mehr Autos/Haushalt).

Differenzen gibt es hingegen bei den mit unterschiedlichen Verkehrsmittelnzurückgelegten Wegen. Wie erwartet, bestätigen die vorliegenden Daten bei steigenderAutoanzahl sowohl eine abnehmende Anzahl an nichtmotorisierten Wegen und Wegenmit dem ÖV als auch eine ansteigende Zahl an Wegen mit dem PKW (vgl. Tab. 32).Dabei unterscheidet sich die Anzahl der täglichen Wege für fast alle Gruppen in beidenStädten jeweils signifikant. Bemerkenswert ist darüber hinaus, dass auch Personen, dienicht über ein eigenes Auto verfügen, regelmäßig mit (fremden) Autos unterwegs sind.Ebenso wie die Wegeanzahl mit dem PKW wird auch die Wegelänge durch dieAutoanzahl beeinflusst: So nimmt bei zunehmender Autoanzahl sowohl die durchschnitt-liche Länge der Wege mit dem PKW (von 12,0 über 12,8 auf 14,6 km/Weg) als auch diemit dem ÖV (von 9,7 über 10,2 auf 12,5 km/Weg) stetig zu.

PKW-Bestand imHaushalt

Fuß- undRadverkehr[Wege/Tag]

PKW1

[Wege/Tag]

ÖV2

[Wege/Tag]

Gesamt

[Wege/Tag]

Karlsruhe

Kein PKW 2,87 0,53 1,14 4,54

1 PKW 1,61 1,88 0,54 4,04

2 oder mehr PKW 1,25 2,50 0,39 4,13

Gesamt 1,62 1,93 0,55 4,11

Signifikantunterschiedlich bei 95%Signifikanzniveau 3

Ja/Ja Ja/Ja Ja/Ja (Ja)/Nein

Halle

Kein PKW 1,64 0,45 1,43 3,52

1 PKW 1,49 1,67 0,46 3,62

2 oder mehr PKW 1,06 2,14 0,49 3,69

Gesamt 1,42 1,65 0,56 3,63

Signifikantunterschiedlich bei 95%Signifikanzniveau 3

Nein/Ja Ja/Ja Ja/Nein (Ja)/Nein

1 PKW als Fahrer, PKW als Mitfahrer, Motorrad2 Bus, Straßenbahn, Eisenbahn und Sonstiges3 Erste Angabe: Signifikanz 0 PKW / 1 PKW; zweite Angabe 1 PKW / 2+PKW

Tab. 32: Durchschnittliche Anzahl der Wege pro Tag nach PKW-Bestand und Verkehrs-mittel



Große Unterschiede in der Wegeanzahl zwischen den beiden Städten gibt es beiAutobesitzern bei den täglichen Wegen mit dem Auto. Während bei den anderenVerkehrsmitteln die Karlsruher je 0,1 Wege pro Tag mehr zurücklegen, beträgt dieDifferenz bei Wegen mit dem Auto 0,21 (ein Auto) bzw. 0,36 (zwei Autos) tägliche Wege.Bei autofreien Haushalten ist in Karlsruhe die Anzahl von täglichen Fuß- und Radwegenmit 2,87 gegenüber 1,64 in Halle auffallend hoch, während in Halle (gegen denallgemeinen Trend) von autofreien Haushalten absolut mehr Wege mit dem ÖVzurückgelegt werden als in Karlsruhe (1,43 gegenüber 1,14).

Eine Betrachtung der Wegeanzahl für unterschiedliche Aktivitäten verdeutlicht (vgl. Tab.33) zweierlei: Erstens fällt auf, dass die Wegeanzahl für Haushaltswege von Personenohne PKW signifikant größer ist, als von Personen mit Autos (in Karlsruhe 3,15gegenüber 2,57 Wegen pro Tag). Dies ließe sich möglicherweise mit einer verändertenHaushaltsorganisation beim Einkaufen erklären. Während in autofreien Haushalten öfter(aber jedes Mal weniger) eingekauft wird, neigen Haushalte mit Autos eher zu selteneren,aber größeren Einkäufen. Umgekehrt nimmt die Anzahl der Wege zur Arbeit mitsteigender Autoanzahl zu (in Karlsruhe von 0,42 über 0,65 zu 0,79). Ursache hierfür istmöglicherweise der überdurchschnittliche Anteil älterer Personen (Rentner) an derGruppe der Autolosen. Zweitens zeigt sich, dass die Differenz in der Wegeanzahlzwischen Karlsruhe und Halle auf größere Wegezahlen im Freizeitverkehr und beiHaushaltswegen zurückzuführen ist, während die tägliche Wegeanzahl zur Arbeit undSchule in beiden Städten etwa gleich hoch ist.

Die Wegelängen sind für alle Wegezwecke um so größer, je mehr Autos in einemHaushalt vorhanden sind. Am stärksten fällt dieser Trend für Arbeitswege (von 6,2 über9.8 zu 13.5 km/Weg) und Einkaufswege und am geringsten für Freizeitwege aus. Dabeizeigt sich, dass die zunehmende Wegelänge mit steigender Autoanzahl in Karlsruhe nochdeutlich ausgeprägter ist als in Halle. Hier betragen die Wegelängen zur Arbeitbeispielsweise 5,1 km/Weg für Personen in Haushalten ohne Auto, 11,1 km/Weg inHaushalten mit einem und 15,5 km/Weg in Haushalten mit mindestens zwei Autos. Füralle Gruppen lässt sich feststellen, dass die Freizeitwege mit durchschnittlich 11,5 km proWeg die längsten Wege sind.




Haushaltswege[Wege/Tag]1

Arbeit/Schule[Wege/Tag]2

Freizeit[Wege/Tag]3

Gesamt[Wege/Tag]

Karlsruhe

Kein PKW 3,15 0,42 0,97 4,54

1 PKW 2,64 0,65 0,74 4,03

2 oder mehr PKW 2,57 0,79 0,76 4,13

Gesamt 2,66 0,67 0,77 4,11

Signifikant unter-schiedlich bei 95%Signifikanzniv.4 Ja/Nein Ja/Ja Ja/Nein Ja/Nein

Halle-

Kein PKW 2,49 0,55 0,48 3,52

1 PKW 2,54 0,57 0,51 3,62

2 oder mehr PKW 2,20 0,87 0,62 3,69

Gesamt 2,46 0,63 0,53 3,63

Signifikant unterschiedlich bei 95%Signifikanzniveau4 Nein/Ja Nein/Ja Nein/Ja Ja/Nein

1 Abholen/Mitnehmen, Einkaufen, Erledigungen, nach Hause2 Arbeit, Schule, dienstlich3 Freizeit und Sonstiges4 Erste Angabe: Signifikanz 0 PKW / 1 PKW; zweite Angabe 1 PKW / 2+ PKW

Tab. 33: Durchschnittliche Anzahl der Wege pro Tag nach PKW-Bestand undVerkehrszweck

Sehr unterschiedliche Trends lassen sich in den beiden Untersuchungsstädten für dieReisezeiten ausmachen. Während in Karlsruhe die Reisezeit der PKW-Besitzer fürArbeitswege signifikant größer ist als für Personen aus autolosen Haushalten, ist dies inHalle genau entgegengesetzt. Hier sind autolose Personen signifikant länger zur Arbeitunterwegs. In Karlsruhe wird demnach die Verkehrsmittelwahl der Autobesitzer zuschnelleren Verkehrsmitteln durch lange Entfernungen kompensiert. In Halle ist das nichtder Fall (vgl. Tab. 34). In ähnlicher Weise zeigt sich auch für Haushaltswege mitsteigender Autoanzahl in Karlsruhe eine wachsende Wegedauer - in Halle dagegen nimmtdie Reisedauer mit der Autoanzahl ab. Im Freizeitverkehr unterschieden sich dieReisezeiten wiederum nicht signifikant voneinander.



PKW-Bestand im Haushalt Haushaltswege[min/Weg]

Arbeit/Schule[min/Weg]

Freizeit[min/Weg]

Gesamt[min/Weg]

Karlsruhe

Kein PKW 14,5 16,3 25,5 17,2

1 PKW 16,7 21,8 24,6 19,1

2 oder mehr PKW 17,3 21,9 21,9 21,5

Gesamt 16,6 21,5 25,8 19,3

Signifikant unterschiedlichbei 95% Signifikanzniveau Ja/ja Ja/Nein Nein/Ja Ja/Ja

Halle

Kein PKW 25,1 26,7 26,2 25,5

1 PKW 19,0 21,6 26,9 20,5

2 oder mehr PKW 18,4 21,5 24,7 20,2

Gesamt 19,4 22,0 26,2 20,9

Signifikant unterschiedlichbei 95% Signifikanzniveau Ja/Nein Ja/Nein Nein/Nein Ja/Nein

1 Abholen/Mitnehmen, Einkaufen, Erledigungen, nach Hause2 Arbeit, Schule, dienstlich3 Freizeit und Sonstiges4 Erste Angabe: Signifikanz 0 PKW / 1 PKW; zweite Angabe 1 PKW / 2+ PKW

Tab. 34: Durchschnittliche Reisezeit nach Wegezweck und Autoanzahl

Ein weiterer Unterschied zwischen Halle und Karlsruhe zeigt sich auch bei Betrachtungder Wegelängen an unterschiedlichen Wochentagen (vgl. Tab. 35). In Karlsruhe sind dieWege von Personen aus autofreien Haushalten am Wochenende (mit 11,6 bzw. 7,2km/Weg) gegenüber den Wegen an Wochentagen (mit 4,0 km pro Weg) wesentlichlänger. In Halle dagegen lässt sich kaum ein Unterschied in der Wegelänge feststellen(mit 5,5 bzw. 5,7 km/Weg). Für die anderen Gruppen lassen sich keine unterschiedlichenTendenzen zwischen den beiden Städten ausmachen. Generell zeigt sich, dass die Wegeam Wochenende länger sind als in der Woche, obwohl die Differenz nicht ganz so groß istwie bei der Gruppe der autofreien Haushalte in Karlsruhe. Überraschend, abermöglicherweise auch durch die geringe Fallzahl begründet, ist die Tatsache, dassPersonen aus Haushalten mit mindestens zwei PKW am Samstag die längsten Wege



zurücklegen, während für alle anderen Gruppen der Sonntag der Tag der längsten Wegeist.


Woche[km/Weg]

Samstag[km/Weg]

Sonntag[km/Weg]

Gesamt[km/Weg]

Karlsruhe

Kein PKWK 4,0 7,2 11,6 5,1

1 PKW 7,6 10,3 12,2 8,4

2 oder mehr PKW 10,5 14,0 11,9 11,1

Gesamt 8,0 11,1 12,0 8,8

Halle

Kein PKWK 5,5 5,7 5,7 5,5

1 PKW 6,3 10,7 11,7 7,3

2 oder mehr PKW 8,5 15,1 12,0 11,2

Gesamt 6,7 11,1 11,2 7,6

Tab. 35: Durchschnittliche Wegelänge nach Wochentag und Autoanzahl

Auffällige Unterschiede bei der Verteilung der Werte existieren in erster Linie für dieWegelängen. Der Boxplot zeigt an, dass sowohl Mittelwerte, als auch 75% Quartile,Minimal- und Maximalwerte mit wachsender Autoanzahl ansteigen. Gleichzeitig wächstauch die Gesamtspannweite für die untersuchten Gruppen. Etwas überraschend ist dieTatsache, dass es bei der Gruppe der Personen ohne PKW einige Personen gibt, die imDurchschnitt vier mal so weite Wege wie das Gruppenmittel zurücklegen. Ganz anderspräsentiert sich dagegen die Verteilung der täglich zurückgelegten Wege - hier existierenkaum große Unterschiede in Abhängigkeit von der Autoanzahl. Auch die Unterschiedezwischen den beiden Untersuchungsstädten sind nicht gravierend. In Karlsruhe ist dieGesamtspannweite der Wegeanzahl für alle drei Untersuchungsgruppen größer, währendin Halle die Quartilsabstände etwas größer sind. Insgesamt ist die Streuung für dieWegeanzahl weniger ausgeprägt als für den Gesamtverkehrsaufwand.




Abb. 65: Verteilung der Anzahl der täglichen Wege und der Wegelänge nach PKW-Bestand und Untersuchungsstadt

Innerhalb der durch die Autoanzahl gebildeten Gruppen existiert sowohl bezüglich derVerteilung des Verkehrsaufwandes als auch der Gesamtwegezahl etwas mehr Variabilitätals bei den zuvor betrachteten Unterscheidungsmerkmalen Alter und Geschlecht. Für denVerkehrsaufwand ist interessanterweise das Maß der Konzentration mit einem Gini-Koeffizienten von 0,311 bei autofreien Haushalten am größten, gefolgt von der Gruppeder Haushalte mit mindestens 2 Wagen (G=0,288). Die vergleichsweise hoheKonzentration auf einige Personen in dieser Gruppe ist durch die bereits in Abb. 65dargestellten Datenausreißer und die geringe Fallzahl dieser Gruppe bedingt. Mit einemGini-Koeffizienten von 0,135 und 0,171 ist die Konzentration der Wege bei den hiergebildeten Gruppen nur minimal höher als bei den zuvor untersuchten Variablen. Erneutist die gruppeninterne Variabilität innerhalb der Gruppe der autolosen Haushalte amhöchsten, gefolgt von der Gruppe der Haushalte mit einem Wagen.

Bezüglich der intrapersonellen Anteile an verschiedenen Verkehrszwecken zeichnet sichfür die durch die Autoanzahl gebildeten Gruppen noch größere Schwankungen als beiden bisher betrachteten Unterscheidungsmerkmalen ab. Innerhalb der verschiedenenGruppen werden alle Verkehrsmittel genutzt und für fast alle Anteilskombinationen gibt esauch Vertreter aus allen Gruppen. Einzig die Gruppe der Autolosen weist - wenig über-raschend - eine Konzentration unterhalb der 20% MIV-Anteilsmarke auf. Dagegen findensich bei den Anteilskombination mit mehr als 60% ÖV oder nichtmotorisierten Wegenauch Personen mit zwei oder mehr Autos.



Abb. 66: Lorenzkurve Anteil Personen / Anteil der Wegelänge nach PKW-Bestand

Wegezwecke:

20%

40%

60%

80%

20

%

40

%

60

%

80

%

20 %

40 %

60 %

80 %

Verkehrsmittelwahl:

20%

40%

60%

80%

20

%

40

%

60

%

80

%

20 %

40 %

60 %

80 %

Abb. 67: Individuelle Wegezwecke und Verkehrsmittelwahl über alle Untersuchungstagenach PKW-Bestand



5.2.3.4 Wohnort

Vielfach steht der Wohnort im Zentrum der Verkehrsforschung. Ursache hierfür ist dieGrundlage der aktivitätenbasierten Verkehrsforschung, die Raum-Zeit-Geographie, nachder das räumliche Angebot die Auswahl von Aktionen, die zur Befriedigung einesbestimmten Bedürfnisses durchgeführt werden können, wesentlich beeinflusst (vgl.Hägerstrand 1970, Chapin 1974). Empirisch lies sich der Einfluss des Wohnstandortesauf das Verkehrsverhalten ebenfalls nachweisen (z.B. bei Pas 1984).

Karlsruhe Halle

Wohnstandorte [%] [ ] [%] [ ]

Innenstadt 3,0 6 9,5 15

Kernstadt 19,7 40 33,5 53

Stadtrand 76,8 156 55,7 88

Sonstiges 0,5 1 1,3 2

Gesamt 100,0 203 100,0 158

Tab. 36: Häufigkeit verschiedener Wohnstandorte

In der folgenden Analyse ist zu beachten, dass die Kategorie „Innenstadt“ mit insgesamt21 Personen nur schwach besetzt ist. Bei der Kategorie „Kernstadt“ handelt es sich umdie jeweils an den statistischen Bezirk Innenstadt unmittelbar angrenzenden statistischenBezirke (vgl. Stadt Halle 1999, Amt für Stadtentwicklung, Statistik und Stadtforschung derStadt Karlsruhe 2000).

Erneut zeigt sich für die Gesamtwegezahl die betrachtete Variable als wenigaussagekräftig. Wenn auch die Unterschiede zwischen den drei Gruppen größtenteilsstatistisch signifikant sind, so sind sie doch gering (vgl. Tab. 37). Erst die Betrachtung derWegeanzahl mit unterschiedlichen Verkehrsmitteln offenbart deutliche Unterschiede. Soist die Anzahl an nichtmotorisierten Wegen in der Innenstadt mit 2,69 Wegen/Tag inKarlsruhe und 2,56 Wegen/Tag in Halle deutlich größer als in anderen Stadtviertel undnimmt zum Stadtrand hin ab (bis zu 1,56 in Karlsruhe und 1,18 in Halle). Umgekehrtnimmt die Anzahl an Wegen mit dem MIV- und in Halle auch mit dem ÖV zum Stadtrandhin stetig zu. Anders als bei anderen bisher betrachteten Variablen, bei denen in Halleund Karlsruhe häufig ähnliche Tendenzen auf unterschiedlichem Niveau für verschiedeneGruppen zu beobachten waren, sind für unterschiedliche Wohnstandorte in den Städtenteilweise auch gegensätzliche Tendenzen zu beobachten. Diese Tatsache spiegeltvermutlich die verschiedenen räumlichen Gestaltungen der Städte wider. Am auffälligstenist dies in den Innenstädten, bei der in Karlsruhe die tägliche Wegeanzahl mit 0,79 gegen-über der in Halle mit 1,31 weit geringer ist. Gleichzeitig ist der ÖV in Halle für Bewohner



der Innenstadt von geringerer Bedeutung als in Karlsruhe, wobei aber auch die geringeFallzahl beachtet werden muss. Dagegen lassen sich keine durch den Wohnstandort ver-ursachten Unterschiede bei den zu verschiedenen Zwecken zurückgelegten Wegenerkennen. Erstens sind weder die Differenzen zwischen der Gruppen sehr gering undzweitens gibt es in Halle und Karlsruhe keine ähnlichen Tendenzen.

Wohnstandorte Fuß- undRadverkehr[Wege/Tag]

PKW1

[Wege/Tag]ÖV2

[Wege/Tag]Gesamt

[Wege/Tag]

Karlsruhe

Innenstadt 2,69 0,71 0,61 4,02

Kernstadt 1,76 1,86 0,73 4,34

Stadtrand 1,56 1,99 0,51 4,06

Gesamt 1,62 1,93 0,55 4,11

Signifikantunterschiedlich bei 95%Signifikanzniveau 3 Ja/ja Ja/Ja Nein/Ja Ja/Ja

Halle

Innenstadt 2,36 1,39 0,12 3,87

Kernstadt 1,61 1,76 0,54 3,91

Stadtrand 1,18 1,61 0,65 3,44

Gesamt 1,42 1,65 0,56 3,63

Signifikantunterschiedlich bei 95%Signifikanzniveau 3 Ja/Ja Ja/Ja Nein/Ja Nein/ja

1 PKW als Fahrer, PKW als Mitfahrer, Motorrad2 Bus, Straßenbahn, Eisenbahn und Sonstiges3 Erste Angabe: Innenstadt / Kernstadt; zweite Angabe Kernstadt / Stadtrand

Tab. 37: Durchschnittliche Anzahl der Wege pro Tag nach Wohnort und Verkehrsmittel

Deutliche, aufgrund der geringen Fallzahl jedoch nur teilweise signifikante Unterschiedegibt es in der Wegelänge für verschiedene Wohnstandorte. Dabei finden sich zum Stadt-rand hin generell zunehmende Wegelängen (von 7,1 km/Weg in der Innenstadt über 8,1km/Weg in der Kernstadt zu 9,0 km/Weg in den Vororten in Karlsruhe und 5,3 km/Weg in



der Innenstadt zu 7,8 bzw. 7,9 km/Weg in der Kernstadt und den Vororten in Halle). DieseUnterschiede sind in erster Linie auf kürzerer nichtmotorisierte Wege in der Innenstadtzurückzuführen, während es für die anderen Verkehrsmittel keine signifikanten wohn-standortspezifischen Differenzen gibt.

Deutlicher zeigen sich die Unterschiede an verschiedenen Wohnstandorten bei ver-schiedenen Wegezwecken. So nimmt die Wegelänge von haushaltsbezogenen Wegenzum Stadtzentrum hin ab (vgl. Tab. 38), was als Indiz gewertet werden kann, dass dieräumliche Nähe von Infrastruktureinrichtungen auch zu deren Nutzung und so zu kürzerenWegen führt. Auch die Arbeitswege von Personen aus der Innenstadt sind kleiner (inHalle statistisch signifikant) als die von Personen aus anderen Stadtteilen, was ebenfallsauf eine räumliche Nähe von Wohn- und Arbeitsort hindeutet. Dagegen gibt es keinenauffälligen oder signifikanten Unterschied in der Wegelänge zwischen den anderenStadtteilen. Für den Freizeitverkehr lässt sich überhaupt keine wohnortspezifischeTendenz erkennen.

Wohnstandorte Haushaltswege[km/Weg]1


Freizeit[km/Weg]3

Gesamt[km/Weg]

Karlsruhe

Innenstadt 5,2 8,7 11,1 7,1

Kernstadt 5,8 12,7 12,4 8,1

Stadtrand 7,5 11,9 11,1 9,0

Gesamt 7,1 8,1 9,0 8,8

Signifikant unterschiedl.bei 95% Signifikanzniv. 4 Nein/Ja Nein/Nein Nein/Nein Nein/ja

Halle-

Innenstadt 4,4 6,1 9,5 5,3

Kernstadt 6,4 9,4 12,2 7,9

Stadtrand 6,7 8,6 11,9 7,8

Gesamt 6,4 8,6 11,8 7,6

Signifikant unterschiedl.bei 95% Signifikanzniv. 4 Ja/Nein Ja/Nein Nein/Nein Ja/Nein

1 Abholen/Mitnehmen, Einkaufen, Erledigungen, nach Hause2 Arbeit, Schule, dienstlich3 Freizeit und Sonstiges4 Erste Angabe: Innenstadt / Kernstadt; zweite Angabe Kernstadt / Stadtrand

Tab. 38: Durchschnittliche Wegelängen nach Wohnstandort und Wegezweck

Auch die Boxplots zeigen die schon bekannte größere Streuung bei der Betrachtung derWegelängen (vgl. Abb. 68). Auffällig sind hier jedoch die weit größeren Streuungen in derKarlsruher Innenstand und am Stadtrand. Sowohl die absolute Spannweite als auch der



Abstand vom 75% zum 25% Quartil ist hier deutlich höher, was auf eine höhereHomogenität der Wohnortgruppen in Halle (gegenüber Karlsruhe) schließen lässt. Für dieWegeanzahl sind die Unterschiede weniger ausgeprägt. Hier gibt es keine nennenswertenDifferenzen zwischen Halle und Karlsruhe. Auch unterscheidet sich die Streuung derGruppen nur gering, während für die Wegelänge die Streuung bei den Gruppen aus Kern-stadt und Stadtrand größer ist als bei der Innenstadtgruppe.

Wohnstandorte Fuß- undRadverkehr[min/Weg]

PKW1

[min/Weg]ÖV2

[min/Weg]Gesamt

[min/Weg]

Karlsruhe

Innenstadt 10,3 29,9 28,4 16,6

Kernstadt 13,3 19,2 30,1 18,6

Stadtrand 13,2 20,6 35,2 19,6

Gesamt 13,1 20,5 33,6 19,3

Signifikant unterschiedlichbei 95% Signifikanzniveau 3

Ja/Nein Ja/Ja Nein/Ja Ja/Ja

Halle

Innenstadt 14,2 19,9 28,3 16,7

Kernstadt 16,6 21,5 33,2 21,1

Stadtrand 16,5 22,1 29,4 21,5

Gesamt 16,2 21,6 30,6 20,9

Signifikant unterschiedlichbei 95% Signifikanzniveau 3

Ja/Nein Nein/Nein Nein/Ja Ja/Nein



3 Erste Angabe: Innenstadt / Kernstadt; zweite Angabe Kernstadt / Stadtrand

Tab. 39: Durchschnittliche Reisezeiten/Weg nach Wohnort und Verkehrsmittel




Abb. 68: Verteilung der Anzahl der täglichen Wege und der Wegelänge nach Wohnort undUntersuchungsstadt

Für die Betrachtung der individuellen Kombination von Verkehrszwecken oder Verkehrs-mittel über alle Untersuchungstage ist der Wohnort eine wenig aussagekräftige Analyse-variable. So gibt es bei den Wegezwecken überhaupt keine Zusammenballungen vonMerkmalskombinationen von Personen gleicher Wohnstandorte und auch bei den Ver-kehrsmitteln sind kaum Konzentrationen auszumachen. Lediglich für die Gruppe vonPersonen mit Wohnstandort Innenstadt gibt es eine Konzentration unterhalb der 40% An-teilsmarke für den MIV und ÖV.

Wegezwecke:

20%

40%

60%

80%

20

%

40

%

60

%

80

%

20 %

40 %

60 %

80 %

Verkehrsmittelwahl:

20%

40%

60%

80%

20

%

40

%

60

%

80

%

20 %

40 %

60 %

80 %

Abb. 69: Individuelle Wegezwecke und Verkehrsmittelwahl über alle Untersuchungstagenach Wohnort



5.2.3.5 Berufstätigkeit

Abschließend wird dargestellt, wie sich die Mobilitätskennziffern für Personen mitunterschiedlichen Berufstätigkeiten auswirken. Erneut kann wegen der räumlichen undzeitlichen Sachzwänge, die mit der Untersuchungsvariable einher gehen, angenommenwerden, dass diese das Verkehrsverhalten maßgeblich beeinflusst (Pas und Koppelmann1986, Vaughan et al. 1999).

Karlsruhe Halle

Status [%] [ ] [%] [ ]

Keine Erwerbsarbeit 44,3 90 46,8 79

Teilzeitstelle 14,8 30 10,5 8

Volle Stelle 35,5 72 38,2 66

Selbstständig 5,4 11 3,2 5

Gesamt 100,0 203 100,0 158

Tab. 40: Häufigkeit verschiedener Arten der Berufstätigkeit

Status Fuß- undRadverkehr[Wege/Tag]

PKW1

[Wege/Tag]

ÖV2

[Wege/Tag]

Gesamt

[Wege/Tag]

Karlsruhe

Keine Erwerbsarbeit 1,89 1,34 0,58 3,81

Teilzeitstelle 1,55 2,42 0,4 4,36

Volle Stelle 1,32 2,23 0,65 4,21

Selbstständig 1,73 3,25 0,09 5,07

Gesamt 1,62 1,93 0,55 4,11

Halle



Volle Stelle 1,15 2,08 0,42 3,66

Selbstständig 1,06 3,9 0,11 5,06

Gesamt 1,53 1,65 0,56 3,631 PKW als Fahrer, PKW als Mitfahrer, Motorrad2 Bus, Straßenbahn, Eisenbahn und Sonstiges

Tab. 41: Durchschnittl. Anzahl der Wege pro Tag nach Berufstätigkeit und Verkehrsmittel



Diese Vermutung lässt sich durch das vorhandene Datenmaterial bei Betrachtung der mitverschiedenen Verkehrsmitteln zurückgelegten Wege bestätigen. In beiden Städten ist dieAnzahl der nichtmotorisierten und mit dem ÖV zurückgelegten Wege für die Gruppe derNichterwerbstätigen am höchsten, gleichzeitig legt keine andere Gruppe so wenig Wegemit dem MIV zurück wie sie. Umgekehrt legen Vollzeitbeschäftigte fast einen Weg pro Tagund Selbstständige sogar 2 Wege pro Tag mit dem PKW mehr zurück als Nicht-beschäftigte. Selbständige haben so eine Gesamtanzahl pro Tag von mehr als 5 Wegen,was den höchsten Wert aller bisher untersuchten Gruppen bedeutet. Gleichzeit benutzensie mit 0,09 täglichen Wegen in Karlsruhe und 0,11 Wegen in Halle den ÖV nahezuüberhaupt nicht. Interessant ist, dass in beiden Städten die Teilzeitbeschäftigtem mehrWege zurücklegen, als die Vollzeitbeschäftigten. In Karlsruhe legen sie mehr Wege mitdem PKW und nichtmotorisiert zurück als Vollzeitbeschäftigte, während sie in Hallewesentlich mehr mit dem ÖV unterwegs sind, als andere Gruppen. Sie legen hier mehrWege mit dem ÖV zurück als jede andere Gruppe. Im Gegensatz zu Karlsruhe sind inHalle die Vollzeitbeschäftigten öfter mit dem PKW unterwegs als die Teilzeitbeschäftigten.

Auch für die Wegelänge erweist sich die Art der Berufstätigkeit als wichtige Unter-suchungsvariable und zwar nicht nur für die Arbeitswege (Tab. 42). Die Wege von Voll-zeitbeschäftigten und Selbständigen sind durchgängig für alle Wegezwecke signifikantgrößer, in Karlsruhe sogar fast doppelt so groß, wie die von anderen Untersuchungs-gruppen. Auch im Freizeitverkehr sind die Wege von Vollzeitbeschäftigten mit 14,0km/Weg gegenüber 9,3 km/Weg der Nichtbeschäftigen in Karlsruhe und 15,4 km/Wegund 9,7 km/Weg in Halle signifikant größer. Teilzeitbeschäftigte in beiden Städten weisenähnliche Wegelängen wie Nichtbeschäftigte auf und sind damit ebenfalls sowohl imArbeitsverkehr als auch in der Freizeit und bei haushaltsbezogenen Wegen kürzereStrecken als Vollzeitbeschäftigte unterwegs. Die Betrachtung der Wegeanzahl fürverschiede Zwecke zeigt dagegen keine großen Unterschiede für die verschiedenenBerufstätigkeiten. Einziger nennenswerter Unterschied sind Differenzen in der Anzahl derArbeitswege (mit 0,66 Wegen/Tag in Karlsruhe bzw. 0,73 Wegen in Halle von Teilzeit-beschäftigten und 0,95 bzw. 0,81 von Vollzeitbeschäftigen und 1,30 bzw. 1,68 Wegen/Tagbei Selbständigen).



Status Haushaltswege

[km/Weg]1Arbeit/Schule

[km/Weg]2Freizeit

[km/Weg]3Gesamt

[km/Weg]

Karlsruhe



Volle Stelle 9,9 17,1 14,0 12,3


Gesamt 7,1 12,2 11,3 8,8

Halle



Volle Stelle 7,7 10,3 15,4 9,3


Gesamt 6,4 8,6 11,8 7,6

1 Abholen/Mitnehmen, Einkaufen, Erledigungen, nach Hause2 Arbeit, Schule, dienstlich3 Freizeit und Sonstiges

Tab. 42: Durchschnittliche Wegedauern nach Beschäftigungsstatus und Wegezweck

Die starken Unterschiede für verschiedene Wegezwecke nivellieren sich weitestgehend,wenn man sich die Reisezeiten ansieht (vgl. Tab. 43). Die längsten Reisezeiten werden inallen Gruppen jeweils im Freizeitverkehr gefolgt vom Arbeitsverkehr erzielt. Die Haus-haltswege sind jeweils am kürzesten. Für unterschiedliche Verkehrszwecke sind dieDifferenzen in beiden Untersuchungsstädten wesentlich geringer. Im Freizeitverkehr sindSelbstständige und Vollzeitbeschäftigte in beiden Städten etwas länger unterwegs alsTeilzeitbeschäftigte und Erwerbslose, während es im Arbeitsverkehr und Haushaltswegenkeinen einheitlichen Trend in beiden Städten gibt.



Status Haushaltswege

[min/Weg]1Arbeit/Schule

[min/Weg]2Freizeit

[min/Weg]3Gesamt

[min/Weg]

Karlsruhe



Volle Stelle 18,4 25,0 25,9 21,3

Selbstständig 16,1 19,5 30,8 19,8

Gesamt 16,6 21,5 25,8 19,3

Halle



Volle Stelle 19,2 22,0 27,9 20,9

Selbstständig 19,0 19,8 35,4 20,4

Gesamt 19,4 22,0 26,2 20,9

1 Abholen/Mitnehmen, Einkaufen, Erledigungen, nach Hause2 Arbeit, Schule, dienstlich3 Freizeit und Sonstiges

Tab. 43: Durchschnittliche Wegezeiten nach Beschäftigungsstatus und Wegezweck

Bereits bei den vorherigen Betrachtungen der Streuung wurde festgestellt, dass dieWegelängen eine deutlichere Streuung aufweisen, als die Anzahl der täglichen Wege.Auch die durch die Art der Berufstätigkeit gebildeten Gruppen machen hier keine Aus-nahme. Für die Wegelänge gilt, dass die Gruppen mit größerem Median auch größereMaximalwerte und Quartilswerte haben. Dabei ist die Gesamtspannweite für die Gruppeder Selbständigen und Teilzeitbeschäftigten vor allem in Halle geringer als bei den beidenanderen Gruppen. Zu beachten ist dabei jedoch auch, dass die Anzahl der Personen indiesen Gruppen sehr viel geringer ist. Neben der deutlich geringen Spannweite in Hallegibt es keine wesentlichen Unterschiede zwischen den Untersuchungsstädten.

Auch für die Wegeanzahl gehen bei den Gruppen in Karlsruhe mit wachsendenMedianwerten steigende Werte aller anderen Lageparameter einher. Anders in Halle: hiersind trotz unterschiedlicher Medianwerte, die Maximal- und Minimalwerte sowie Quartils-werte aller Gruppen mit Ausnahme der Selbständigen sehr ähnlich. Für die Selbständigenexistiert auch bei der Wegeanzahl nur eine sehr geringe Streuung (vgl. Abb. 70).



Anzahl Wege: Weglänge:

Abb. 70: Verteilung der Anzahl der täglichen Wege und der Wegelänge nachBeschäftigungsstatus und Untersuchungsstadt

Die geringen Streuungen der täglichen Wegeanzahl in der Gruppe der Selbständigenwerden auch durch die Lorenzkurve verdeutlicht (vgl. Abb. 71). Für keine andere unter-suchte Gruppe verläuft die Kurve so nahe an der Gleichverteilungsgeraden. Entsprechendbeträgt der Gini-Koeffizient 0,08. Auch für die anderen Gruppen ist er mit Wertenzwischen 0,13 und 0,15 extrem niedrig, was auf eine recht hohe gruppeninterneHomogenität bezüglich dieser Mobilitätskennziffer schließen lässt. Etwas ungleicher istder Verkehrsaufwand auf die Personen verteilt. Insbesondere in den Gruppen der Nicht-bzw. Vollzeitbeschäftigten ist die Konzentration auf wenige Personen etwas stärker(G=0,25 bzw. 0,26), stellt aber immer noch keine ausgeprägte Ungleichverteilung dar.

Abb. 71: Lorenzkurve Anteil Personen / Anteil der Wegelänge nach Beschäftigungsstatus



5.2.4 Zusammenfassung und Ausblick

Dieser Abschnitt beschreibt das Verkehrsverhalten der im Rahmen des ProjektesMobidrive befragten Personen. Dabei wurde insbesondere das Verhalten von Personenunterschiedlicher Ausprägungen der Variablen Geschlecht, Alter, Autoanzahl, Wohn-standort und Berufstätigkeit verglichen. Ein weiterer Schwerpunkt lag bei einer Gegen-überstellung des Verkehrsverhaltens in der ostdeutschen Stadt Halle und der west-deutschen Stadt Karlsruhe. Die Beschränkung auf diese Untersuchungsvariablen erfolgteaufgrund empirischer Ergebnisse bereits vorhandener Studien und einer Varianzanalyse,bei der sich diese Variablen als statistisch signifikant erwiesen.

Insgesamt bestätigen die vorliegenden Ergebnisse die Resultate anderer Erhebungen.Weder die durchschnittlichen Reiselängen noch die Anzahl der täglich berichteten Wegeweichen stark von anderen Erhebungen ab, wobei die Anzahl täglicher Wege etwas höherist als bei anderen Befragungen. Wichtigstes Verkehrsmittel die Wegeanzahl undWegelänge betreffend ist der PKW, wobei eine beachtliche Anzahl von Wegen mit demRad oder zu Fuß berichtet werden. Ebenfalls im Trend liegt die Tatsache, dass imFreizeitverkehr die längsten Wege zurückgelegt werden.

Zusammenfassend lässt sich ein geschlechterspezifisch differenziertes Verhaltenausmachen. Insgesamt legen Männer mehr Wege mit dem PKW zurück als Frauen, diewiederum öfter den ÖV oder nichtmotorisierte Verkehrsmittel benutzten. Dieser Trendzeigte sich vor allem in Halle. Darüber hinaus legen Männer generell längere Wegezurück, was insbesondere für Arbeitswege zutrifft. Dieser Trend war in Karlsruhebesonders stark ausgeprägt.

Bei verschiedenen Altersgruppen erweisen sich die mittleren Altersgruppen als dieverkehrsintensivsten. Sowohl die Anzahl der täglichen Wege als auch die Wegelängensind bei den 25- bis 44- und den 45- bis 64jährigen am größten, was vor allem auf diehohe Anzahl und Länge von Arbeitswegen zurückzuführen ist. Die Wegelänge dieserGruppen ist aber auch für Haushalts- und Freizeitwege größer als die der anderen Alters-gruppen. Innerhalb der beiden mittleren Altersgruppen legen Eltern pro Tag noch mehrWege zurück als Personen ohne Kinder. Diese Wege fallen vor allem im Bereich derHaushaltsorganisation an, während sich die Anzahl der Freizeitwege kaum unterscheidet.

Unterschiede im Verkehrsverhalten von Personen mit unterschiedlicher Autoanzahl warenzu erwarten und lassen sich ebenfalls nachweisen. Sowohl die Länge als auch die Anzahltäglicher Wege wächst mit steigender Autoanzahl im Haushalt in beiden Untersuchungs-städten. Dies gilt verstärkt für die Arbeitswege, während die Anzahl der Haushaltswegeumgekehrt mit steigender Autoanzahl sinkt.

Auch für die Variable Berufstätigkeit konnten die erwarteten Unterschiede aufgezeigtwerden. Berufstätige legen mehr Wege zurück als Erwerbslose, wobei Selbständige diegrößte Wegeanzahl aller untersuchten Gruppierungen aufweisen. Die unterschiedlichenWegezahlen zwischen den Gruppen werden dabei in erster Linie im Berufsverkehrzurückgelegt. Die Wegelängen der Berufstätigen sind durchgängig für alle Verkehrs-zwecke und alle Verkehrsmittel größer als die Erwerbsloser.



Nicht ganz so eindeutig sind die Trends für den Wohnstandort. Zwar zeichnet sich hier ab,dass von Bewohnern im Stadtzentrum mehr Fußwege und somit kürzere Wege vor allemim Einkaufs- und Arbeitsverkehr zurückgelegt werden, als von den anderen Gruppen.Leider sind diese Aussagen aufgrund der geringen Fallzahl aber nicht statistischsignifikant.

Für alle Untersuchungsvariablen gilt, dass die Streuung der Werte gering ist. Der Gini-Koeffizient als Maß der Gleichverteilung von Personen und Wegeanzahl bzw. Verkehrs-aufwand ist generell sehr gering. Dabei konzentriert sich der Verkehrsaufwand stärker aufeinige wenige Personen als die Wegeanzahl. Die stärksten Konzentrationen wurden fürdie Variablen Autoanzahl und Wohnort gemessen, während innerhalb der durch die Artder Beschäftigung gebildeten Gruppen nahezu eine Gleichverteilung vorlag.

Dieser erste deskriptive Auswertungsschritt legt weitere Untersuchungsschritte nahe.Zunächst könnte mit einer Regressionsrechnung die Stärke des Einflusses der hier alsrelevant überprüften Determinanten auf das mit einfachen Variablen gemesseneVerhalten genau bestimmt werden. Hierfür erscheint aber eine Unterscheidung in Freizeit-und Arbeitsverkehr, bzw. Werktag- und Wochenendverkehr notwendig. Die hierbetrachteten Determinanten offenbaren zumeist große Unterschiede in Wegeanzahl oderKilometerlänge im Arbeitsverkehr, jedoch nicht im Freizeitverkehr. Es ist zu vermuten,dass das Freizeitverhalten und der Verkehr am Wochenende durch die genanntenFaktoren nur wenig erklärt werden kann. Zu überprüfen ist deshalb auch, ob sichkomplexer gemessenes Verkehrsverhalten, das z.B. auch intrapersonelle Variabilitätberücksichtigt, auch im Freizeitverkehr auf soziodemographische Variablen zurückführenlässt.



5.3 Stabilität und Variabilität

Wesentliche Grundannahme der Mobilitätsforschung und der Verkehrsmodellierung istdas hochgradig routinisierte Verkehrsverhalten, das darüber hinaus in kurzen Abständenwiederholt wird. Diese Annahme scheint sowohl den eigenen Erfahrungen als auch derTheorie der bounded rationality (Simon, 1955) zu entsprechen. Hier wird davonausgegangen, dass Personen nicht immer die persönlich optimale Aktion wählen, sondernum Zeit zu sparen, bekannte Handlungen wiederholen solange diese ein befriedigendesNutzenniveau versprechen. Diese bereits früh akzeptierte Annahme (z.B. Heidemann,1981) hat für die Verkehrsplanung den Vorteil, dass mit steigendem Grad der Routinen-bildung das Verkehrsverhalten besser prognostiziert werden kann (Gärling, Gilholm undGärling, 1998). Allerdings gibt es zu der Frage, wie sehr sich das Verhalten von Tag zuTag ähnelt und in welcher Weise es zu regelmäßigen Wiederholungen kommt nach wievor eine große Ungewissheit. Es hat zwar seit den 80er Jahren eine Reihe von Unter-suchungen zum Thema Stabilität und Variabilität gegeben (siehe z.B. Pas, 1988; Pas undSundar, 1995; Pas und Koppelmann, 1987; Hanson und Huff, 1982 und 1988; Huff undHanson, 1986 und 1990), mangels ausreichender Daten gibt es zu diesem Themen-komplex bislang jedoch wenig fundierte Erkenntnisse. Hauptursache für diese Wissens-lücke ist die Tatsache, dass der überwiegende Teil der Untersuchungen in Form von Ein-tageserhebungen durchgeführt wurde.

Im folgenden sollen drei Ansätze zur Erfassung von Stabilität und Variabilität vorgestelltwerden. Zunächst wird mit einigen rein deskriptiven Kennziffern der Unterschied imaggregierten Verhalten von Wochenende und Werktagen aufgezeigt. Anhand dieserUnterteilung werden anschließend das Zeitbudget und Aktivitätenketten untersucht, umabschließend mit verschiedenen Berechnungsmethoden das Ausmaß der Variabilität zuerfassen.

5.3.1 Stabilität

Die Notwendigkeit einer sechswöchigen Erhebung von Verkehrsverhalten wurde damitbegründet, dass die intrapersonelle Variabilität nur dann erklärt werden kann, wenn manindividuelles Verhalten unter verschiedenen Rahmenbedingungen und entsprechendunterschiedlichen Handlungsspielräumen betrachtet. Zu den wichtigsten gesellschaft-lichen Rahmenbedingungen die alltägliches Leben strukturieren, gehört die Einteilung inWerktage und Wochenende bzw. Feiertage. Es ist anzunehmen, dass sich der Einflussdieser Unterteilung in den Mobidrive-Daten sowohl auf der aggregierten Ebene als auchauf mikroskopischer Ebene für Individuen nachweisen lässt.



0

1

2

3

4

5

6

Erwerbslos Teilzeit Vollzeit Selbständig

Weg

e/T

ag

Halle Werktag

HalleWochenende

KarlsruheWerktag

KarlsruheWochenende

Abb. 72: Mittlere Wegeanzahl nach Wochentag und Beschäftigungsumfang

0

5

10

15

20

25

Erwerbslos Teilzeit Vollzeit Selbständig

[km

/Weg

]

Halle Werktag

HalleWochenende

KarlsruheWerktag

KarlsruheWochenende

Abb. 73: Mittlere Wegelänge nach Wochentag und Beschäftigungsumfang

In einem ersten Schritt wurden zunächst die mittleren Wegelängen und Wegezahlendifferenziert nach Wochentagen betrachtet (siehe Abb. 72 und Abb. 73). Wie erwartetzeigen sich dabei jeweils Unterschiede, die für die beiden Untersuchungsstädte Karlsruheund Halle und verschiedenen Beschäftigungsgruppen gleichartig waren. So werden von



allen Beschäftigungsgruppen in beiden Städten an einem Werktag jeweils etwa ein Wegpro Tag mehr zurückgelegt als am Wochenende. Die einzige Ausnahme bildet hierbei dieGruppe der Selbständigen, bei der insbesondere in Halle der Unterschied zwischenWochenende und Werktag noch größer ist. Auch die Wegelänge unterscheidet sich nachTagestyp: Generell werden am Wochenende deutlich längere Wege zurückgelegt als inder Woche. Allerdings gibt es hier Unterschiede in der tagesspezifischen Differenz fürunterschiedliche Beschäftigungsgruppen. Während Erwerbslose und Selbstständige amWochenende etwa doppelt so lange Wege zurücklegen wie während der Woche, istdieser Unterschied vor allem bei Vollzeitbeschäftigten erheblich geringer, in Karlsruhesogar überhaupt nicht vorhanden. Darüber hinaus ist die Differenz zwischen Wegelängenan Wochenenden und Werktagen für die anderen Gruppen in Karlsruhe ausgeprägter alsin Halle.

Obwohl der Anteil an berufstätigen Personen in der Mobidrive-Befragung nur 53% beträgt,verändert sich mit dem Wechsel von Werktag zum Wochenende auch das Verkehrs-verhalten der Gesamtbevölkerung. Erwerbslose sind ebenso wie Erwerbstätige wochen-ends seltener, dafür aber weitere Strecken unterwegs. Ursachen hierfür sind neben denArbeitszeiten die Geschäftsöffnungszeiten und soziale Koordinationszwänge.

Deutliche Unterschiede im Wochenverlauf entdeckt man auch, wenn man sich nichteinzelne Wege, sondern Häufigkeit und Zusammensetzung von Aktivitätenprogrammeneines Tages ansieht. Zu diesem Zweck wurden Ketten gebildet, die für jeden der unter-nommenen Wege den Verkehrszweck angeben. Auffallend ist dabei, dass die amhäufigsten vorkommenden Tagesprogramme zumeist aus zwei, teilweise aus vier Wegenbestehen, die in der Woche von Arbeits- und Schulpflichten dominiert sind. Am Wochen-ende überwiegen dagegen Freizeitaktivitäten, zu denen auch jene Ketten gezählt werdenmüssen, die aus einem einzigen Gang nach Hause - also einem Spaziergang, o.ä.bestehen. Dabei ist der Anteil der drei häufigsten Aktivitätenketten in der Woche sehrgering, während die drei häufigsten Programme wochenends immerhin je nach Stadt biszu 50% der Wegeketten ausmachen. Die Gesamtanzahl in der Woche ausgeübterAktivitätenketten beträgt in Karlsruhe 1868 und in Halle 1296 und verdeutlicht die Vielfaltan Tagesprogrammen.



Karlsruhe Halle

Kettenart Häufigkeit [%] Aktivitäten-tageskette

Häufigkeit [%]

Werktage

Häufigste Kette ah1............ 8,43 ah............ 13,23

Zweithäufigste Kette sh............ 4,68 sh............ 7,66

Dritthäufigste Kette shfh.......... 4,16 eh............ 4,29

Summe 17,26 25,18

Samstage

Häufigste Kette fh............ 11,51 fh............ 15,40

Zweithäufigste Kette eh............ 7,83 eh............ 7,57

Dritthäufigste Kette ehfh.......... 5,13 h............. 5,26

Summe 24,47 28,24

Sonntag

Häufigste Kette fh............ 29,31 fh............ 30,65

Zweithäufigste Kette fhfh.......... 9,37 h............. 15,17

Dritthäufigste Kette h............. 6,98 fhfh.......... 4,64

Summe 45,66 50,21

1 e: täglicher Einkauf, h: Heimweg, f: Freizeit, a: Arbeit, s: Schule

Tab. 44: Häufigkeit von Tagesaktivitätenketten

Der unterschiedliche Anteil verschiedener Ketten wird auch in der folgenden Abbildungdeutlich. Sie zeigt den Prozentsatz an, den eine auf der Abszisse festgesetzte Zahl anKetten an allen Aktivitätenketten hat. Neben der sinkenden Anzahl verschiedener Kettenan Samstagen und vor allem an Sonntagen fällt der Unterschied zwischen den beidenUntersuchungsstädten auf. So wurden in Halle generell eine geringere Anzahl ver-schiedener Tagesprogramme berichtet.



0,00

20,00

40,00

60,00

80,00

100,00

1 10 100 1000ln (Rang der Tagesaktivität)

Su

mm

enh

äufi

gke

it [

%]

Werktag - KarlsruheSamstag - KarlsruheSonntag - KarlsruheWerktag - HalleSamstag - HalleSonntag - Halle

Abb. 74: Verteilung der Häufigkeiten der Tagesaktivitätenketten

Auch bei Eintagsbefragungen an mehreren Stichtagen ist ein ähnlicher Vergleich aufaggregierter Basis theoretisch möglich. Unterschiede im individuellen Verhalten könnendamit aber im Detail nicht aufgedeckt werden, da beispielsweise nicht klar ist, ob einebeobachtete Veränderung aufgrund leichter Veränderungen im Verhalten aller odermassiver Änderungen einiger weniger zurückzuführen ist (siehe Hanson und Huff, 1990;Zumkeller und Chlond, 1995). Die sechswöchige Mobidrivebefragung ermöglicht es aberauf mikroskopischer Basis unterschiedliche Verhaltenscharakteristika an verschiedenenTagestypen zu analysieren. Abb. 75 zeigt in diesem Zusammenhang die Verteilung derHauptwegezwecke und die Verkehrsmittelwahl jedes einzelnen Befragten über alleBefragungswochen getrennt nach Werktag und Wochenende.

Auch in dieser Grafik stellt wieder jeder Punkt bzw. Kreis die Anteilskombination einerPerson dar. Aus den Skalen entlang der Schenkel ergibt sich die personenspezifischeKombination von Wegezwecken und Verkehrsmitteln getrennt für beide Tagestypen. Inden Bereichen, in denen eine hohe Dichte der Werte erreicht wird, finden allerdings Über-lappungen statt, so dass nicht alle Personen sichtbar sind. Dennoch gibt die Abbildungeinen anschaulichen Eindruck der individuellen Verteilung von Verkehrsmittelwahl undWegezwecken innerhalb der Stichprobe.



Wegezweck Werktag

20%

40%

60%

80%

20 %

40 %

60 %

80 %

20 %

40 %

60 %

80 %

Verkehrsmittelwahl Werktag

20%

40%

60%

80%

20

%

40

%

60

%

80

%

20 %

40 %

60 %

80 %

20%

40%

60%

80%

20

%

40

%

60

%

80

%

20 %

40 %

60 %

80 %

20%

40%

60%

80%

20

%

40

%

60

%

80

%

20 %

40 %

60 %

80 %

1 Wegezwecke:

Haushalt: Einkauf, Erledigung/Dienstleistung, jmd. abholen/wegbringen

Pflicht: zur Ausbildung/Schule, zum Arbeitsplatz, dienstlich/geschäftlich

Freizeit: Freizeit2 Verkehrsmittel:

ÖV: Bus, Straßen-/Stadtbahn, EisenbahnMIV: Mofa, Motorrad, Pkw als Fahrer oder MitfahrerNichtmotorisiert: zu Fuß, Fahrrad

Abb. 75: Individuelle Anteilskombination der Wegezwecke1 und Verkehrsmittelwahl2 anWerktagen und am Wochenende für Vollzeitbeschäftigte und Sonstige

Die Abbildungen zeigen für das individuelle Verhalten am Wochenende und anWerktagen sowohl Parallelen als auch große Unterschiede. Als unabhängig vom Tages-typ erweisen sich haushaltsbezogene Aktivitäten wie Einkauf und Erledigungen. Siebesitzen über alle Tage hinweg eine relativ gleichmäßige Verteilung und werden dement-sprechend kontinuierlich durchgeführt. Erwartungsgemäß sinkt dagegen der Anteil derPflichtaktivitäten wie Arbeit und Schule werktags während der Anteil der Freizeitaktivitätenam Wochenende bei den meisten Personen größer ist als Werktags. Überdeutlich ist dieFunktion des öffentlichen Verkehrs als werktägliches Transportmittel erkennbar. Währendeinige Personen den ÖV an Werktagen für mehr als 80% ihrer Wege nutzen, verringertsich dieser Anteil am Wochenende dramatisch. Die Gründe hierfür dürften vielschichtigsein. Eine Rolle spielt das reduzierte ÖV-Angebot insbesondere für die geänderteZielwahl am Wochenende. Ebenso wirkt sich vermutlich die am Wochenende höherePkw-Verfügbarkeit innerhalb der Haushalte zugunsten des MIV-Anteils aus. Eine

Wegezweck Wochenende Verkehrsmittelwahl Wochenende



genauere Betrachtung der Verkehrsmittelwahl nach Wegezwecken ergibt, dass die MIV-Anteile bei allen Wegezwecken wochenends zunehmen, während der ÖV ebenso beiallen Wegezwecken an Bedeutung verliert.

5.3.2 Variabilität

Mit der sechswöchigen Wegetagebucherhebung in den Städten Karlsruhe und Halle/S.steht in Mobidrive nunmehr ein Datensatz zur Verfügung, der die Analyse langfristigerrhythmischer Strukturen des Verkehrsverhaltens und die Wechselwirkungen zwischenunterschiedlichen Aktivitäten insbesondere im Freizeit- und Versorgungsverkehr erlaubt.Die ersten deskriptiven Ergebnisse zum rhythmischen Charakter des Verkehrsverhaltensbelegen einerseits den prägenden Einfluss gewachsener zeitlicher Strukturen innerhalbeines Tages und im Wochenverlauf (Werktage versus Wochenende) und andererseits dieWirkungen von besonderen Ereignissen oder Zeitperioden (z.B. Ferienzeiten) in derlongitudinalen Betrachtung.

Aktivitätengruppen:Freizeit/Einkauf: Einkauf, Erledigung/Dienstleistung, jmd. abholen/wegbringen, FreizeitPflicht: zur Ausbildung/Schule, zum Arbeitsplatz, dienstlich/geschäftlichZu Hause: Zu Hause

Abb. 76: Zeitanteile von Aktivitätengruppen an Wochentagen



Variabilität und Routinen des täglichen Verhaltens können sich regional stark unter-scheiden. Für unsere Fallstudienstädte Halle/S. und Karlsruhe konnten beispielsweiseUnterschiede bei der zeitlichen Struktur der Wochenverläufe festgestellt werden. In dervorstehenden Abb. 76 sind die Anteile verschiedener Aktivitätenkategorien in 3-Stunden-Intervallen über eine Woche dargestellt. Die Grundlage bildet dabei die Summe derAktivitätendauern aller Befragten. Bestätigt wird durch diese Darstellung unter anderemder stufige Verlauf von Freitag bzw. Werktag über Samstag zu Sonntag insbesondere beiden Aktivitäten Pflicht und Freizeit/Einkauf.

Auch wenn die vorherige Abbildung zeigt, dass es im Zeitbudget regelmäßige Rhythmengibt, so sind damit noch keine ausreichenden Aussagen über die Variabilität des Ver-kehrsverhaltens getroffen. Diese werden durch weit mehr Attribute als nur das Zeitbudgetcharakterisiert, wie z.B. die Verkehrsmittelwahl, den Zielort oder die Reisedistanz. DieFrage, welche Attribute zur Verhaltensmessung herangezogen werden, verändert aberwesentlich das Ergebnis, wobei man generell feststellen kann, dass mit erhöhter Anzahlan berücksichtigten Variablen und Ausprägungskategorien immer weniger Überein-stimmungen festgestellt werden können (vgl. Huff und Hanson, 1990). Im folgendenwerden nun einige Analysen, die im Rahmen der Uppsala-Erhebung angestellt wurden,mit den Mobidrive-Daten durchgeführt (Huff und Hanson, 1986 und 1990; Hanson undHuff 1988a/b).

In einem ersten Schritt wird untersucht, wie viele verschiedene Ausprägungen dasVerhalten für jede Person über den gesamten Untersuchungszeitraum hinsichtlich ver-schiedener Attribute annimmt. Zu diesem Zweck werden jeweils für alle Kombinationenvon Ausprägungen zweier Attribute die Häufigkeit in einer Kontingenztabelle ausgezählt,mit denen die entsprechenden Wege vorkommen. Eine Konzentration aller Wege in einereinzigen Zelle wäre dann die völlige Wiederholung des immer gleichen Weges, eineGleichverteilung auf alle Zellen die geringst mögliche Wiederholung.

Durch das zugehörige Maß Ri (overall repitition measure), das die Summe der Ab-weichungen von der Gleichverteilung berechnet und zu der Konzentration aller Aktivitätenin einer einzigen Zelle in Beziehung setzt, wird ein Wiederholungsindex eingeführt. Jenäher der Wert des Index Ri an 1 heranreicht, desto höher ist der Anteil gleicher Wege fürdiese Person. Rj errechnet sich mit

(1)

mit n : Anzahl der Zellen der Kontingenztabelle

Pi : Anteil der Aktivitäten in Zelle i

Ei : 1/n oder der Anteil der Aktivitäten in Zelle i, wenn eine Gleichverteilung

innerhalb der Tabelle vorliegen würde

Mn : Maximale Wert für das Maß für eine Kontingenztabelle mit

n Zellen = 2(n-1)/n

n

n

iii

j M

EPR

∑=

−= 1



Diese Berechnungen wurden für alle Kontingenztabellen der Variablen Verkehrsmittel (9Kategorien), Wegezweck (10 Kategorien), Wegedistanz (5 Kategorien), Ankunftszeit (4Kategorien) und Ort (4 Kategorien) gebildet und die Mittelwerte über alle Personenwiedergegeben.

Uppsala Mobidrive

Kontingenztabelle

(mit n Zellen)

RMittelwert

RMittelwert

Rj

Standard-Abweichung

Anteil derhäufigsten Zellen [%]

Art derhäufigsten

Zelle

Verkehrsmittel -Zielort (36)

0,80 0,87 0,07 56,1 PKW (Fahrer)- Vorort

Verkehrsmittel -Wegezweck(90)

0,76 0,84 0,05 28,2 PKW (Fahrer)-nach Hause

Wegezweck -Zielort (36)

0,77 0,84 0,08 54,2 Nach Hause-Vorort

Verkehrsmittel -Distanz (45)

0,71 0,82 0,07 48,2 PKW (Fahrer)> 3 km

Distanz - Zielort(20)

0,75 0,80 0,10 54,5 > 3 km -Vorort

VerkehrsmittelAnkunftszeit (36)

0,73 0,76 0,08 33,8 PKW (Fahrer)9.00-16.00

Uhr

Ankunftszeit -Zielort (16)

0,75 0,75 0,12 51,6 9.00-16.00Uhr -

nach Hause

Distanz -Wegezweck (50)

0,61 0,72 0,08 28,2 > 3 km –nach Hause

Ankunftszeit-Wegezweck (36)

0,64 0,70 0,08 24,6 9.00-16.00Uhr -

nach Hause

Distanz -Ankunftszeit (16)

0,64 0,60 0,11 31,6 > 3 km -9.00-16.00

Uhr

Tab. 45: Overall Repetition Index (nach Huff und Hanson 1986) der ErhebungenMobidrive (1999) und Uppsala (1971)



Die vorliegenden Ergebnisse bestätigen weitestgehend die Untersuchungen von Huff undHanson. Das Verhalten einzelner Personen konzentriert sich jeweils auf sehr wenigeKombinationen zweier Attribute mit einem Ri zwischen 0,60 und 0,84 und ist somit sehrstark wiederholend. Dabei liegen die anhand der Mobidrive-Daten ermittelten Maßzahlengenerell nur wenig höher als bei der Uppsala-Erhebung. Bei der häufigsten Kombinationvon Ausprägungen hat es gegenüber der Erhebung von 1971 eine Verschiebunggegeben. 1999 wurden Kombination mit Auto und Wegen mit Entfernungen von mehr alsdrei Kilometer häufiger durchgeführt als alle anderen Kombinationen, während in Uppsalakurze Fußwege eine höhere Dominanz zeigten. Für die Interpretation bezüglich Stabilitätdes Verkehrsverhaltens ist aber zu beachten, dass eine Messung anhand von lediglichzwei Attributen sehr grob ist. Die gleichzeitige Betrachtung weiterer Merkmale würde denWiederholungsanteil beträchtlich senken.

Ri sagt darüber hinaus nichts über die Regelmäßigkeit aus, mit der Aktionen wiederholtwerden, sondern betrachtet lediglich die Konzentration über den gesamten Zeitraum. Fürden Vergleich von Aktionsketten in gleichen Abständen, z.B. Tagesprogramme müssendie Wege nicht nur hinsichtlich verschiedener Attribute verglichen werden, sondernzusätzlich noch die Anzahl täglicher Wege berücksichtigt werden. Huff und Hanson (1986)entwickelten deshalb ein zweites Maß, dass die Ähnlichkeit aller Tage für jede Personmisst. Es beschreibt die Übereinstimmungen zwischen den Mustern zweier Tage i und jbasierend auf den Kontingenztafeln und setzt das Ergebnis in Beziehung zur Wege-häufigkeit des Tages mit der größeren Anzahl an Wegen. Sij ist demnach definiert durch:

nj = ni (2)

mit Pik : Anteil der Wege in Äquivalenzklasse k am i-ten Tag

i,j : Index der Vergleichstage (mit i,j = 1,2,.....42)

ni,nj : Anzahl der Wege an Tag i und j

Ein Wert von 1 bedeutet die völlige Übereinstimmung zweier Tagesprogramme, während0 das Fehlen jeglicher Übereinstimmungen anzeigt. Aus den Mobidrive-Daten wurde diedurchschnittliche Ähnlichkeit aller Tagespaare einer Person aus verschiedenen Zeit-räumen für die Attribute Wegezweck und Verkehrsmittel betrachtet (vgl. Tab. 46).

j

i

kjkikij n

nPPS

−−= ∑2

11



Sij über alle Tage Sij über alle Tage Sij über alleWerktage

Sij über alle Wochenendtage

Erwerbslose 0,19 0.25 0,08

Teilzeitbeschäftigte 0,19 0.25 0,09

Vollzeitbeschäftigte 0,23 0,32 0,09

Selbständige 0,21 0,29 0,06

Alle 0,21 0,28 0,08

Tab. 46: Similarity Index (nach Huff und Hanson 1986) der Erhebungen Mobidrive (1999)nach Wochentagen

Der Vergleich ganzer Tagesprogramme verdeutlicht, dass trotz wiederkehrender Aktionendie Ähnlichkeit von einem Tag zum anderen nur sehr gering ist. Erneut ähneln dievorliegenden Daten im wesentlichen den Ergebnissen der Uppsala-Erhebung, bei der einsimilarity index von 0,29 gemessen wurde (Huff und Hanson, 1986). Damit hat seit 1971der tägliche Wiederholungsanteil von Verkehrsverhalten weiter nachgelassen. Diesbestätigt ein weiteres Mal die Notwendigkeit, Verkehrsverhalten über längere Zeiträumezu betrachten, da die durchschnittliche Ähnlichkeit eines zufällig gewählten Tages zu denanderen Tagen sehr gering ist. Es gibt offensichtlich nicht den typischen Tag, anhanddessen sich das Verhalten einer Person charakterisieren lässt. Um zu untersuchen, in wieweit der geringe Ähnlichkeitsindex durch die erwarteten Unterschiede zwischenWochenende und Werktagen bestimmt ist, wurde untersucht, wie sehr sich dieTagesprogramme an Werktagen bzw. an Wochenenden ähneln. Wie erwartet ist dieÄhnlichkeit von Werktagen etwas höher als über den gesamten Untersuchungszeitraum,während die Ähnlichkeit von Wochenendtagen kleiner als bei einer Betrachtung über alleWochentage ist. Mit einem Wert von Sij = 0,28 ist aber auch an Werktagen nur einegeringe Ähnlichkeit auszumachen, so dass es in der Regel auch keinen einzelnenWerktag gibt, der werktägliches Verhalten einer Person ausreichend charakterisiert.

Bestätigt werden diese Überlegungen, wenn man den Tag mit dem geringsten Abstand zuallen anderen Tagen untersucht. Sein durchschnittlicher Abstand (gemessen nach Formel2) beträgt lediglich 0,34. Huff und Hanson (1986) vermuten, dass es verschiedenetypische Tage gibt, die sich untereinander zwar sehr unterscheiden, aber dennochregelmäßig mit großer Häufigkeit ausgeübt werden. Auch dieses Ergebnis kann mit dervorliegenden Arbeit unterstützt werden. Ein Vergleich der drei Tage mit dem geringstenAbstand zu allen anderen Tagen, gemessen nach dem obigen Prinzip, ergibt unter-einander eine Ähnlichkeit von durchschnittlich 0,56. Es handelt sich also nicht um dreiTagesprogramme, die nur minimal voneinander abweichen, sondern um deutlichverschiedene Programme.

Das Ergebnis schließt aber nicht aus, dass es trotz des hohen Anteils an Variation feste



bzw. immer wiederkehrende Teilprogramme oder Wege gibt. Dieser feste Verhaltenskernwürde dann je nach Kontext durch verschiedene andere Handlungen ergänzt. Für dieIdentifizierung eines solchen regelmäßig ausgeführten Verhaltenskerns müsste sichergestellt sein, dass es sich bei ihm um tatsächlich ähnliche Wege handelt. Aus diesemGrund reicht die bisherige Messung von Ähnlichkeit nicht aus, die nur auf zwei Attributenberuht. Im folgenden wird deshalb als genauere Maßzahl eine abgewandelte Version desKernhalts (core stops) von Huff und Hanson (1986 und 1988) übernommen, der durchÜbereinstimmung von vier Attributen gekennzeichnet ist. Als Attribute zur Identifizierunggleicher Wege wird hier festgelegt, dass Wege mit gleichen Ausgangs- und Zielort (je vierKategorien), mit dem gleichen Verkehrsmittel (10 Kategorien) und gleichemVerkehrszweck (9 Kategorien) als Kernhalte definiert werden sollen. Für diese Wegekonnte dann betrachtet werden, wie hoch ihr Anteil an allen von einer Personzurückgelegten Wegen ist. Je höher der Anteil der core stops ist, um so eher kann mandavon sprechen, dass es in täglichen Programmen einen festen Bestandteil gibt, der danndurch andere Aktivitäten ergänzt wird.

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

1 11 21 31 41 51 61 71 81 91 101 111 121 131

Person

An

teil

[%]

Fünfthäufigster Kernhalt

Vierthäufigster Kernhalt

Dritthäufigster Kernhalt

Zweithäufigster Kernhalt

Häufigster Kernhalt

Abb. 77: Anteil der fünf häufigsten Kernhalte pro Vollzeitbeschäftigtem

Insgesamt zeigt sich, dass der Anteil der jeweils fünf wichtigsten Kernhalte für die Gruppeder Vollzeitbeschäftigten, für die der höchste Anteil an regelmäßigen Wegenangenommen wurde durchschnittlich bei ca. 51% liegt. Demnach sind mit der Hälfte derWege fünf immer wiederkehrenden Kernhalte verbunden (siehe Abb. 77 und Abb. 78).Der Anteil der fünf wichtigsten Wochentagsmuster ist erwartungsgemäß noch etwashöher und beträgt durchschnittlich 56%. Hier spielen insbesondere Wege zur Arbeit eine



noch größere Rolle. Allerdings ist auffällig, dass die Dominanz der fünf wichtigsten corestops für verschiedene Personen bei Berufstätigen sehr unterschiedlich ausfällt. Selbstbei Vollzeitbeschäftigten, denen aufgrund von Sachzwängen ein hoher Anteil von immerwiederkehrenden Wege unterstellt werden kann, ist für etwa 25% der Befragten wenigerals ein Drittel der Wege durch diese fünf Wege festgelegt.

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

1 11 21 31 41 51 61 71 81 91 101 111 121 131

Person

An

teil

[%]

Fünfthäufigster Kernhalt

Vierthäufigster Kernhalt

Dritthäufigster Kernhalt

Zweithäufigster Kernhalt

Häufigster Kernhalt

Abb. 78: Anteil der fünf häufigsten Kernhalte pro Vollzeitbeschäftigtem an Werktagen

5.3.3 Zusammenfassung und Ausblick

Die vorliegenden Analysen bestätigen einmal mehr die Bedeutung vonLangzeiterhebungen für die Beschreibung von Verkehrsverhalten und Aufdeckung vonWirkungszusammenhängen. So zeigen sich bei den Untersuchungen auf der aggregiertenEbene sowohl in der Anzahl und Länge der zurückgelegten Wege, als auch in der Art derzurückgelegten Tagesprogramme und des Zeitbudgets große Unterschiede - auch bei dernicht erwerbstätigen Bevölkerung. Ebenso lassen sich auf individueller Ebene Differenzenin Verkehrsmittel- und Aktivitätenwahl an Woche und Wochenende erkennen.

Die weiteren Berechnungen zeigen darüber hinaus, dass eine Ausweitung der gängigenErhebungstechnik auf einen zweiten Stichtag pro Person alleine nicht ausreichen würde.Die vorliegen Ergebnisse weisen nach, dass es auch innerhalb der Werktage oder Tageam Wochenende nur geringe Ähnlichkeiten gibt - insbesondere unterschieden sich auchTage mit dem geringsten durchschnittlichen Abstand zu allen anderen Tagenuntereinander. Es gibt also keinen Tag, der das Verhalten hinreichend beschreibt, so dasseine mehrwöchige Erhebung neue Ergebnisse aufdecken kann. Diese Befunde decken



sich mit den Ergebnissen aus Uppsala (Huff und Hanson 1986, 1990) - zu beachten istdabei jedoch, dass die Kategorienbildung teilweise nicht völlig synchron verlief. EineAufarbeitung der Uppsala-Daten könnte hier noch einmal interessante Ergebnisseaufdecken.

Die Ähnlichkeitsberechnungen sind insbesondere vor dem Hintergrund zu sehen, dass dieverwendeten Ähnlichkeitsmaße weiterentwickelt werden müssen. Bei den hier ange-stellten Berechnungen werden jeweils nur ganze Tagesprogramme miteinander ver-glichen - die Rangfolge von Aktivitäten oder die zeitliche Dauer müsste aber auch berück-sichtigt werden. Zu diesem Zweck werden in sollen auch Methoden der Sequenzanalyse(vgl. Wilson, 1998) angewandt werden, bei denen Ähnlichkeiten nicht aufgrundeuklidischer Entfernungen, sondern der Levenstheindistanz berechnet werden (Sankoffund Kruskal, 1983). Darüber hinaus müssen auch die Auswahl der zu betrachtendenAttribute und deren Kategorisierung weiter verbessert werden. Erste Analysen in dieseRichtung befinden sich im folgenden Kapitel.



5.4 Ähnlichkeit täglicher Aktivitätensequenzen (-muster)

5.4.1 Ziele der Analysen

Werden Prozesse mit Angabe von Zeitpunkten aufgezeichnet, so liegen die Ergebnisseals zeitliche Folge (Sequenzen) vor, wobei die Ereignisse entweder einzeln in ihrerzeitlichen Lage und Dauer oder aufgeteilt auf Zeitintervalle dargestellt werden können. Sokann auch das Verhalten von Personen als eine Abfolge von Tätigkeiten (Aktivitäten) inRaum und Zeit betrachtet werden (vgl. Abb. 79). Hägerstrand (1970) illustrierte dies alsRaum-Zeit-Pfad. Dabei legt er die Annahme zugrunde, dass die Ausübung von Aktivitätenaus dem Bestreben der Realisierung persönlicher „Projekte“ entsteht - ermöglicht odereingeschränkt durch eine Umwelt, die durch andere Individuen, soziale oder wirtschaft-liche Institutionen geprägt wird. Hägerstrand unterscheidet hierbei -capability constraints(d.h. individuelle Leistungsgrenzen, ...) -coupling constraints (Kopplungsbedingungen, wiez.B. Öffnungszeiten oder Abstimmungserfordernisse gemeinsamer Handlungen) -authority constraints (Ordnungsbedingungen, Zugangsregelungen, ...).

Für eine Analyse der Sequenzen dieser Projekte können sowohl kurze (Minuten, einzelneTage) wie auch sehr lange Zeiträume (Jahre, Generationen) von Interesse sein. Letzt-endlich kann das gesamte menschliche Leben (oder mehr) als Sequenz betrachtetetwerden.

Abb. 79: Raum-Zeit-Pfade einer Person für je einen Werktag, Samstag und Sonntag(Karlsruhe - Auswahl aus 42tägiger Erhebung)

Vorteil einer Betrachtung von Sequenzen ist der Gewinn an Information z.B. gegenüberZeitbudgetstudien. So sind gerade in der aktuellen Verkehrsforschung und für dasbeschriebene Rahmenkonzept innerhalb des Gesamtprojektes Mobidrive nicht nur dieAnzahl der Aktivitäten oder die Dauer verschiedener Aktivitäten je Tag (Monat, ...) vonInteresse, sondern die Informationen, die in der zeitlichen Abfolge der Aktivitäten ent-halten sind, wie z.B. welche Aktivität folgt einer anderen oder wie verändert oder wieder-holt sich Verhalten im Laufe der Zeit. Daher sollen hier die aus den Wegetagebüchernerstellten Sequenzen (auf die Bildung dieser Sequenzen wird später eingegangen) mitgeeigneten Verfahren der Sequenzanalyse im Hinblick auf Wiederholung und Ähnlichkeitvon Aktivitätenabfolgen untersucht werden.

Werktag Samstag Sonntag



Im Rahmen der Verkehrsnachfragemodellierung wird Aktivitäten-(Verkehrs-)verhalten alszeitlich sehr stabil angenommen: man geht von einem hohen Grad der Wiederholung unddamit einer geringen intrapersonellen Variation aus. Diese Annahme empirisch zubelegen und mit einem Maß zu versehen ist bisher nur ansatzweise gelungen. Wie weiteroben schon beschrieben haben Hanson and Huff auf der empirischen Basis der Uppsala-Erhebung verschiedenen Analysen vorgestellt, unter anderem ein Wiederholungsmaß(„overall repitition measure“) und ein Ähnlichkeitsmaß („similarity measure“). Ein wichtigesErgebnis ist die Erkenntnis, dass für jede Person mehrere „repräsentative“ Tages-programme bestehen, die in ihrer Zusammensetzung und Länge sehr unterschiedlichsind. Einige „Teile“ des Verhaltens, z.B. die Fahrt zur Arbeit, wiederholen sich sehr stabilbei Tag zu Tag Betrachtungen. Bei Betrachtung kompletter Tagesmuster des Verhaltensals Einheit wird jedoch erkennbar, dass ein einzelner Tag nicht repräsentativ für dasroutinemäßige Verhalten einer Person ist. Hanson und Huff (1986) kommen sogar zu demSchluss, dass selbst bei Betrachtung der fünf häufigsten Tagesmuster der Großteil derVariabilität im individuellen Verhalten nicht erfasst wird. Letztendlich zeigen sie in einemBeitrag, dass nur kleine Anteile der Tag zu Tag Variabilität in individuellen Verkehrs-/Aktivitätenmustern als regelmäßig systematisch bezeichnet werden können. Einzusammenfassender Überblick über Analyseergebnisse von Tag zu Tag Variabilitäten istin Pendyala (2000) zu finden. Es kann aus diesen Darstellungen gefolgert werden, dassStichtagserhebungen nicht ausreichen, das komplexe Aktivitäten-(Verkehrs-) verhaltenausreichend abzubilden. Die Annahme der Stationarität des Aktivitäten-(Verkehrs-)verhaltens ist demnach nur teilweise begründet.

Auf der Grundlage der in Mobidrive erhobenen Daten und der erstellten einmaligen(deutschen) Datenbasis sollen mit Hilfe geeigneter Verfahren der Sequenzanalyse dieÄhnlichkeiten der Aktivitätenmuster (-sequenzen) bestimmt werden. Die Analyse vonSequenzen umfasst eine Vielzahl möglicher Verfahren (Übersichten finden sich z.B. inBakeman and Gottman 1986 oder spezieller auf Algorithmen bezogen in Gusfield 1997).Neben der einfachen Darstellung von Häufigkeiten des Auftretens verschiedenerAktivitäten, einfachen Frequenzdarstellungen verschiedener Aktivitäten und einer erstenvereinfachten Berechnung von Ähnlichkeitsmaßen (in Anlehnung an Jones und Clarke,1988) stand das Verfahren der Sequenzausrichtung „sequence alignment“ im Mittelpunktdes Interesses dieses Arbeitspaketes.

Die Ergebnisse sollen in einer 2. Phase des Projektes Mobidrive in Form von Verhaltens-parametern in die Simulation individueller Aktivitätenpläne einfließen. Aufgrund derangestrebten Modellierung individuellen Verhaltens und des zeitlich wie auch räumlichhohen Grades der Disaggregierung wird es notwendig, Verteilungen vonVerhaltensparametern als Modellgrundlage zu erstellen, um somit Variationen desmodellierten Verhaltens zu ermöglichen.



5.4.2 Einfache Darstellung von Wiederholung und Frequenzen

Wiederholung

Eine einfache deskriptive Darstellung des Vorkommens bestimmter Merkmale zubestimmten Zeiten kann einen ersten Eindruck des Phänomens der Wiederholungverschaffen. In den folgenden Abbildungen sind für Karlsruhe für die unterschiedlichenAktivitäten die Anzahl der Personen aufgetragen, die diese Aktivität an x Tagen (1=x=42)ausgeführt haben. Zusätzlich ist in den Kreisdiagrammen der Anteil der Personenangezeigt, der während des Erhebungszeitraums diese Aktivität ausgeführt oder nichtausgeführt hat.

So ist in Abb. 80 zu erkennen, dass fast 80 (~50%) der 159 Personen im beobachteten 42Tage umfassenden Beobachtungszeitraum durchgängig wenigstens einmal pro Tag zuHause waren. Im Erhebungszeitraum gab es eine Woche Ferien in Karlsruhe, die aus derAbbildung gut abzulesen ist. Erkennbar ist, dass der größte Teil der verbleibendenPersonen vermutlich wenigstens einen Kurzurlaub durchgeführt hat (3-4 Tage), einigePersonen waren die gesamte Woche nicht zu Hause. Es gibt nur sehr wenige Personen,die öfter bis viel öfter von zu Hause abwesend waren.

HO

0

10

20

30

40

50

60

70

80

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42

Anzahl Tage

AnzahlPersonen

Anteil der Personenmit Teilnahme an HO

ja100%

Abb. 80: Häufigkeiten des Vorkommens der Aktivität „zu Hause“

WO

0

5

10

15

20

25

30

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 21 22 2 3 24 25 26 27 28 29 30 31 32 33 3 4 35 36 3 7 38 39 4 0 41 42

Anzahl Tage

Anz

ahl P

erso

nen

Anteil der Personen mit Teilnahme an WO

ja52%

nein48%

Abb. 81: Häufigkeiten des Vorkommens der Aktivität „Arbeit“



Aus dem selben Grund, der eingeschlossenen Ferienwoche, und natürlich dereingeschlossenen Wochenenden, liegen die Mehrzahl der Angaben für die Häufigkeit derAktivität Arbeit zwischen 25 und 31 Tagen.

Der Abb. 82 ist zu entnehmen, dass alle Personen wenigstens an einem Tag der 6Wochen eine Freizeitaktivität ausgeübt haben. Es ist aber keine Häufung in der Verteilungüber die Tage zu erkennen. Die meisten Nennungen liegen zwischen 2-5 mal eineFreizeitaktivität pro Woche, d.h. 12 - 30 Aktivitäten im Sechswochenzeitraum.

LE

0

5

10

15

2 0

2 5

3 0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 21 22 2 3 24 25 26 27 28 29 3 0 31 32 3 3 34 35 3 6 37 38 3 9 40 41 42

Anzahl Tage

Anz

ahl P

erso

nen

Anteil der Personen mit Teilnahme an LE

ja100%

Abb. 82: Häufigkeiten des Vorkommens der Aktivität „Freizeit“

Die Grafik für die Aktivität „Schule/Ausbildung“ ist nicht einfach zu interpretieren. Diesresultiert aus der Zusammenfassung der Aktivitäten Schule, Ausbildung, Weiterbildungund berufliche Fortbildung (26% der 159 Befragten). So waren 10 der beteiligtenPersonen vermutlich Schüler, die an 5 Tagen in der Woche in den 5 Wochen (1 WocheFerien) zur Schule gegangen sind. Die Personen im näheren Umfeld dieser Häufungkönnten ebenfalls Schüler sein, die vielleicht aufgrund von Krankheit o.ä. an ein bis zweiTagen nicht die Schule besuchten. Der zweite Schwerpunkt lässt sich vermutlich aufPersonen in einer beruflichen Ausbildung zurück führen, auf die Schulferien keinenEinfluss haben.

SC

0

5

10

15

20

25

30

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 21 22 2 3 24 25 2 6 27 28 29 30 31 32 33 3 4 35 36 3 7 38 39 4 0 41 42

Anzahl Tage

Anz

ahl P

erso

nen

Anteil der Personen mit Teilnahme an SC

ja26%

nein74%

Abb. 83: Häufigkeiten des Vorkommens der Aktivität „Schule/Ausbildung“



Die beiden Abbildungen Abb. 84 und Abb. 85 für die Aktivitäten kurzfristiger undlangfristiger Einkauf zeigen wie erwartet, dass langfristige Einkäufe seltener als kurz-fristige Einkäufe getätigt werden. Erstaunlich ist dagegen, dass kein ausgeprägterSchwerpunkt der Häufigkeit bei den kurzfristigen Einkäufen zu erkennen ist (vielleichthätte man ein vermehrtes Auftreten jeden zweiten oder dritten Tag erwartet). WiderErwarten zeigt sich eine nahezu gleichverteilte Häufigkeit für einmal innerhalb diesesZeitraumes und an jedem 2. Tag der Erhebungsdauer (ca. 20 mal im Erhebungszeit-raum).

SD

0

5

10

15

20

25

30

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 21 22 2 3 24 25 26 27 28 29 30 31 32 33 3 4 35 36 3 7 38 39 4 0 41 42

Anzahl Tage

Anz

ahl P

erso

nen

Anteil der Personen mit Teilnahme an SD

ja94%

nein6%

Abb. 84: Häufigkeiten des Vorkommens der Aktivität „Einkauf kurzfr. Bedarf“

SL

0

5

10

15

20

25

30

35

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 4 0 41 42

Anzahl Tage

Anz

ahl P

erso

nen

Anteil der Personen mit Tei lnahme an SL

ja94%

nein6%

Abb. 85: Häufigkeiten des Vorkommens der Aktivität „Einkauf langfr. Bedarf“

Langfristige Einkäufe werden überproportional zwischen einmal pro Woche (6-7 Tage)und ein- bis dreimal in 6 Wochen (1-3 Tage) durchgeführt.



PB

0

5

10

15

2 0

2 5

3 0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 3 1 32 33 34 35 36 37 38 39 40 41 42

Anzahl Tage

Anz

ahl P

erso

nen

Anteil der Personen mit Teilnahme an PB

ja99%

nein1%

Abb. 86: Häufigkeiten des Vorkommens der Aktivität „private Erledigung/Dienstleistung“

In Abb. 86 ist zu erkennen, dass die Aktivität „private Erledigung/Dienstleistung“, also z.B.der Besuch eines Amtes, von fast allen Personen zwischen 1-3 mal pro Woche durch-geführt wird (über die Betrachtungsdauer 5/6 bis 18 mal).

Die Durchführung der Aktivität „dienstlich/geschäftlich“ wurde nur von rund 44% der be-fragten Personen durchgeführt - hauptsächlich 1 oder 2 mal in den 6 Wochen, von einigenwenigen Personen bis zu 1-2 mal pro Woche (Abb. 87).

WB

0

5

10

15

2 0

2 5

3 0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 1 7 18 19 2 0 21 22 2 3 24 25 26 27 28 29 30 31 32 3 3 34 35 3 6 37 38 39 40 41 42

Anzahl Tage

Anz

ahl P

erso

nen

Anteil der Personen mit Teilnahme an WB

nein56%

ja44%

Abb. 87: Häufigkeiten des Vorkommens der Aktivität „geschäftlich/dienstlich“

Ein ähnliches Bild zeigt die Grafik für die Aktivität „Holen/Bringen“, wobei hier ein größererTeil der Befragten (67%) diese Aktivität wenigstens einmal ausgeübt hat. Erstaunlich ist,dass nur wenige Personen diese Aktivität wöchentlich ausüben. Dies widerspricht derVermutung, dass wöchentliche Aktivitäten, wie z.B. Sportaktivitäten der Kinder, Grund fürdie Ausübung der „Holen/Bringen“-Aktivität bei den Eltern sein könnten.

Insgesamt weisen diese einfachen Darstellungen bei Interpretationen Probleme auf. Siezeigen, dass aggregierte Verhaltenskenngrößen sehr schwer auf das tatsächlicheVerhalten und damit auf die Verursachung schließen lassen.



PD

0

5

10

15

20

25

30

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 21 22 23 2 4 25 26 2 7 28 29 30 3 1 32 33 34 3 5 36 37 38 3 9 40 41 4 2

Anzahl Tage

Anz

ahl P

erso

nen

Anteil der Personen mit Teilnahme an PD

nein33%

ja67%

Abb. 88: Häufigkeiten des Vorkommens der Aktivität „Holen/Bringen“

Frequenzen

Die einfache Auszählung von Frequenzen der Aktivitäten aller Personen imWochenvergleich, zeigt, dass das beobachtete Verhalten auf aggregiertem Niveau überdie 6 Wochen sehr stabil ist. So sind in den folgenden Abbildungen für die betrachtetenAktivitäten die Vorkommen je Woche im Vergleich über die 6 Wochen dargestellt. Einzigauffallend ist der geringe Rückgang bei der Aktivität Schule in der 5. Woche, der in derFerienwoche begründet ist (Abb. 90).

HO - a l le - Kar lsruhe-Main

0,00

1,00

2,00

3,00

4,00

5,00

6,00

7,00

1. Woche 2. Woche 3 . W o c h e 4. Woche 5. Woche 6. Woche

Anz

ahl

W O - a l l e - K a r l s r u h e - M a i n

0,00

1,00

2,00

3,00

4,00

5,00

6,00

7,00

1. Woche 2. Woche 3. Woche 4. Woche 5. Woche 6. Woche

Anz

ahl

Abb. 89: Frequenz (Anzahl pro Woche) der Aktivitäten „zu Hause“ (HO) und „Arbeit“ (WO)

L E - a l l e - K a r l s r u h e - M a i n

0 , 0 0

1 , 0 0

2 , 0 0

3 , 0 0

4 , 0 0

5 , 0 0

6 , 0 0

7 , 0 0

1 . W o c h e 2 . W o c h e 3 . W o c h e 4 . W o c h e 5 . W o c h e 6 . W o c h e

Anz

ahl

S C - a l l e - K a r l s r u h e - M a i n

0 ,00

1 ,00

2 ,00

3 ,00

4 ,00

5 ,00

6 ,00

7 ,00

1 . Woche 2 . Woche 3 . W o c h e 4 . Woche 5 . W o c h e 6 . W o c h e

Anz

ahl

Abb. 90: Frequenz (Anzahl pro Woche) der Aktivitäten „Freizeit“ (LE) und „Schule“ (SC)



S D - a l l e - K a r l s r u h e - M a i n

0 ,00

1 ,00

2 ,00

3 ,00

4 ,00

5 ,00

6 ,00

7 ,00

1 . W o c h e 2 . W o c h e 3 . W o c h e 4. Woche 5 . W o c h e 6 . W o c h e

Anz

ahl

SL - a l le - Kar lsruhe-Main

0,00

1,00

2,00

3,00

4,00

5,00

6,00

7,00


Anz

ahl

Abb. 91: Frequenz (Anzahl pro Woche) der Aktivitäten „Einkauf kurzfristiger Bedarf“ (SD)und „Einkauf langfristiger Bedarf“ (SL)

PB - alle - Karlsruhe-Main

0,00

1,00

2,00

3,00

4,00

5,00

6,00

7,00


Anzahl

WB - alle - Karlsruhe-Main

0,00

1,00

2,00

3,00

4,00

5,00

6,00

7,00


Anzahl

Abb. 92: Frequenz (Anzahl pro Woche) der Aktivitäten „Erledigung/Dienstleistung“ (PB)und „geschäftlich/dienstlich“ (WB)

Diese sehr einfachen Auszählungen verdeutlichen, dass für eine vertiefte Analysezumindest die Unterteilung in soziodemographische Gruppen notwendig ist. So ist dieAussage, dass über alle Personen durchschnittlich 1,9 mal pro Woche (über einen Zeit-raum von 6 Wochen) stabil die Aktivität Arbeit ausgeübt wird, für eine angestrebteModellierung individuellen Verhaltens nicht hinreichend. Entstehen z.B. bei einer Tages-planung von Aktivitäten „zeitliche Überlappungen“ durch Planung einer weiteren Aktivität,so werden Verhaltenskenngrößen z.B. zur Verschiebbarkeit oder Ersetzbarkeit vonAktivitäten benötigt. Für eine Einschätzung der Stabilität, Variabilität oder Flexibilität desVerhaltens, und die Entwicklung von Maßen dieser Größen aus Ähnlichkeits-betrachtungen wird es notwendig, geeignete Verfahren zur Analyse des individuellenVerhaltens zu nutzen und ggf. zu entwickeln.

5.4.3 Berechnung der Ähnlichkeitsmaße in Anlehnung an dasVerfahren nach Jones und Clarke

Der von Jones und Clarke (Jones and Clarke, 1988) entwickelte einfache Index zurBewertung der Ähnlichkeit von Aktivitätenmustern zweier Tage wurde genutzt, um dieintrapersonellen Ähnlichkeiten zwischen allen Aktivitätensequenzen der 42 Tage aus derMobidrive-Erhebung zu berechnen. Anschließend wurde auf der Basis dieser Ähnlich-keitsmaße (similarity index) eine Clusterung der Datensätze vorgenommen (siehe auchBeckmann J., 2000).



Jones und Clarke definierten ein Ähnlichkeitsmaß (similarity index) auf der Basis einespaarweisen Vergleiches von Aktivitätensequenzen. Hierbei wurde jeder Tag in 15-Minuten-Intervalle unterteilt und jedem Intervall eine Aktivität zugewiesen. Die so ent-standenen Sequenzen wurden paarweise verglichen, indem jedes 15-Minuten-Intervall-Paar bei Übereinstimmung mit einer 1 bewertet wird. Stimmten die Aktivitäten innerhalbeines 45-Minuten-Zeitfenster überein wurde diese Übereinstimmung mit dem Wert 0,5bewertet, bei Ungleichheit wurde dem 15-Minuten-Intervall der Wert 0 zugewiesen. DieSumme über den Tag (24 Stunden) dividiert durch 96 ergab das Ähnlichkeitsmaß Sij:

96

96

1n

n

ij

xS

∑== mit xn=1 wenn Ai=Aj

xn=0,5 wenn Ai≠Aj und (Ai=Aj-1 oder Ai=Aj+1)xn=0 wenn Ai≠Aj und Ai≠Aj-1 und Ai≠Aj+1

Die höchstmögliche Übereinstimmung würde zu dem Wert 96 führen, zu dem dergemessenen Wert ins Verhältnis gesetzt wird. Das Ähnlichkeitsmaß kann somit Wertezwischen 0 (völlige Ungleichheit) und 1 (totale Übereinstimmung) annehmen.

Für eine erste Berechnung wurde ausschließlich der Karlsruher Datensatz (153Personendatensätze) verwendet. Ziel der Arbeiten war es, das Verfahren zu testen unddie Aussagefähigkeit zu überprüfen. Die Daten wurden wie folgt aufbereitet:

- Bildung von Aktivitätensequenzen (aus dem ursprünglichem Wegetagebuch),

- Aufbau der Sequenzen in 15-Minuten-Intervallen (dem Intervall wird diejenige Aktivitätzugeordnet, die den größten Zeitanteil innerhalb des Intervalls einnimmt).

Die folgenden Aktivitäten wurden unterschieden (inkl. Kennung):

- Bringen/Holen PD- Erledigung/Dienstleistung PB- dienstliche/geschäftliche Aktivitäten WB- Ausbildung/Schule SC- Arbeit WO- Einkauf täglicher Bedarf SD- Einkauf langfristiger Bedarf SL- Freizeit LE- häusliche Aktivitäten HO- Sonstiges OT- Weg zurücklegen TR- Keine Angabe KA

Über den paarweisen Vergleich wurden die Sequenzen aller Tage miteinander verglichenund die Ähnlichkeitsmaße für alle 42 Tage für jede Person berechnet. Im Gegensatz zuClarke und Jones wird jedoch kein Mittelwert der Ähnlichkeitsmaße gebildet, sondern eineÄhnlichkeitsmatrix für jede Person. Die so entstehende Matrix ist symmetrisch (in denBeispielen sind die Werte nur in der oberen Hälfte eingetragen) mit dem Wert 1 auf derDiagonalen.



In den Beispielen (Abb. 93) einer solchen Matrix sind die Ähnlichkeitsmaße aus Gründender Erkennbarkeit nach folgender Vorschrift eingefärbt:

- 0,00 ≤ Sij < 0,50 grün- 0,50 ≤ Sij < 0,75 blau- 0,75 ≤ Sij < 1,00 orange- = 1,00 schwarz

101

102

103

104

105

106

107

201

202

203

204

205

206

207

301

302

303

304

305

306

307

401

402

403

404

405

406

407

501

502

503

504

505

506

507

601

602

603

604

605

606

607

101

1,00

0,78

0,77

0,76

0,77

0,69

0,63

0,97

0,78

0,78

0,68

0,73

0,61

0,67

0,90

0,86

0,78

0,84

0,78

0,66

0,58

0,85

0,85

0,75

0,8

20,

770,

660,

700,

810,

830,

760,

830,

760,

67

0,58

0,84

0,86

0,83

0,84

0,77

0,68

0,69

102

1,00

0,86

0,83

0,89

0,61

0,69

0,80

0,90

0,85

0,59

0,89

0,54

0,65

0,81

0,86

0,86

0,84

0,95

0,57

0,51

0,76

0,83

0,82

0,8

40,

900,

590,

610,

820,

840,

830,

840,

890,

60

0,52

0,82

0,85

0,84

0,86

0,96

0,59

0,61

103

1,00

0,76

0,86

0,66

0,57

0,79

0,96

0,99

0,64

0,88

0,58

0,63

0,87

0,86

0,92

0,88

0,90

0,58

0,61

0,71

0,81

0,95

0,8

90,

840,

550,

580,

820,

900,

960,

910,

830,

55

0,59

0,86

0,85

0,90

0,88

0,91

0,55

0,66

104

1,00

0,82

0,66

0,71

0,79

0,79

0,76

0,64

0,81

0,62

0,69

0,73

0,82

0,73

0,83

0,85

0,68

0,58

0,69

0,78

0,75

0,8

30,

750,

730,

710,

740,

820,

740,

830,

740,

74

0,55

0,74

0,82

0,82

0,83

0,84

0,72

0,66

105

1,00

0,63

0,62

0,79

0,90

0,87

0,61

0,85

0,53

0,66

0,78

0,89

0,84

0,89

0,92

0,57

0,54

0,78

0,89

0,84

0,9

10,

820,

640,

590,

870,

910,

850,

910,

820,

62

0,53

0,88

0,85

0,91

0,93

0,91

0,60

0,63

106

1,00

0,85

0,73

0,69

0,69

0,72

0,65

0,84

0,97

0,66

0,72

0,67

0,75

0,67

0,80

0,84

0,65

0,73

0,68

0,7

20,

720,

880,

930,

730,

740,

670,

740,

700,

83

0,81

0,75

0,71

0,74

0,71

0,66

0,84

0,99

107

1,00

0,68

0,61

0,57

0,60

0,65

0,78

0,89

0,65

0,65

0,59

0,63

0,69

0,73

0,72

0,66

0,67

0,56

0,6

10,

730,

850,

920,

650,

600,

550,

600,

710,

82

0,66

0,65

0,65

0,60

0,64

0,67

0,80

0,84

201

1,00

0,80

0,80

0,68

0,75

0,61

0,69

0,93

0,88

0,80

0,85

0,80

0,65

0,59

0,85

0,88

0,77

0,8

30,

790,

680,

730,

830,

850,

780,

850,

780,

69

0,60

0,86

0,88

0,85

0,85

0,79

0,67

0,71

202

1,00

0,95

0,65

0,90

0,56

0,65

0,83

0,88

0,89

0,89

0,93

0,59

0,58

0,74

0,83

0,92

0,9

00,

880,

570,

590,

850,

920,

930,

930,

860,

57

0,58

0,88

0,86

0,92

0,88

0,94

0,56

0,67

203

1,00

0,65

0,87

0,59

0,64

0,88

0,88

0,93

0,89

0,89

0,59

0,62

0,71

0,81

0,96

0,8

90,

830,

550,

590,

820,

900,

970,

910,

820,

55

0,60

0,85

0,86

0,90

0,88

0,90

0,56

0,67

204

1,00

0,63

0,66

0,68

0,64

0,70

0,64

0,73

0,65

0,70

0,67

0,58

0,67

0,66

0,7

00,

610,

630,

680,

670,

720,

650,

720,

600,

65

0,63

0,69

0,70

0,72

0,69

0,64

0,67

0,73

205

1,

000,

560,

650,

760,

830,

830,

860,

930,

540,

570,

700,

790,

880,

85

0,84

0,55

0,56

0,82

0,84

0,87

0,84

0,84

0,5

50,

570,

810,

810,

840,

840,

920,

550,

6120

61,

000,

790,

580,

610,

650,

610,

540,

800,

890,

550,

570,

630,

58

0,56

0,81

0,84

0,56

0,60

0,62

0,60

0,55

0,7

60,

740,

570,

610,

600,

590,

530,

830,

8220

71,

000,

630,

700,

630,

740,

690,

760,

800,

660,

740,

640,

71

0,74

0,90

0,90

0,72

0,72

0,63

0,71

0,72

0,8

50,

770,

720,

680,

720,

710,

680,

850,

9530

11,

000,

790,

850,

770,

780,

570,

570,

820,

810,

830,

77

0,81

0,60

0,65

0,79

0,77

0,84

0,78

0,80

0,6

00,

560,

820,

800,

770,

790,

790,

590,

6330

21,

000,

881,

000,

900,

650,

590,

750,

890,

840,

93

0,80

0,64

0,69

0,83

0,93

0,85

0,93

0,79

0,6

40,

590,

850,

960,

930,

960,

890,

650,

7030

31,

000,

840,

830,

570,

620,

700,

800,

940,

83

0,79

0,54

0,61

0,78

0,84

0,95

0,85

0,78

0,5

50,

610,

820,

850,

840,

850,

840,

550,

6430

41,

000,

900,

660,

620,

740,

890,

880,

95

0,80

0,65

0,67

0,87

0,95

0,86

0,94

0,79

0,6

60,

630,

860,

920,

950,

960,

890,

660,

7330

51,

000,

580,

540,

740,

850,

850,

90

0,90

0,59

0,60

0,84

0,90

0,86

0,90

0,89

0,6

00,

540,

860,

860,

900,

900,

990,

600,

6530

61,

000,

730,

570,

610,

590,

64

0,56

0,80

0,82

0,60

0,66

0,58

0,66

0,55

0,8

10,

640,

620,

660,

660,

640,

580,

830,

7930

71,

000,

520,

570,

650,

59

0,57

0,74

0,78

0,58

0,61

0,64

0,61

0,56

0,6

90,

770,

590,

580,

610,

580,

540,

760,

8240

11,

000,

780,

680,

74

0,82

0,66

0,64

0,79

0,74

0,69

0,73

0,81

0,6

60,

550,

780,

730,

740,

740,

740,

610,

6340

21,

000,

780,

91

0,84

0,68

0,68

0,90

0,90

0,79

0,90

0,83

0,6

70,

600,

910,

850,

900,

910,

840,

650,

7140

31,

000,

86

0,80

0,54

0,58

0,81

0,87

0,99

0,88

0,79

0,5

40,

640,

820,

830,

870,

850,

860,

550,

6640

41,

00

0,81

0,63

0,63

0,89

0,98

0,87

0,97

0,80

0,6

10,

590,

890,

900,

980,

940,

900,

610,

7040

51,

000,

650,

650,

830,

800,

810,

800,

980,

66

0,61

0,84

0,77

0,80

0,80

0,91

0,63

0,70

406

1,00

0,91

0,66

0,66

0,54

0,64

0,64

0,9

30,

680,

650,

630,

660,

650,

590,

920,

8640

71,

000,

650,

660,

580,

660,

650,

87

0,73

0,67

0,71

0,66

0,68

0,61

0,86

0,91

501

1,00

0,88

0,80

0,88

0,84

0,6

40,

610,

960,

800,

880,

840,

850,

620,

7150

21,

000,

880,

980,

800,

64

0,61

0,90

0,92

1,00

0,95

0,90

0,63

0,72

503

1,00

0,89

0,80

0,5

30,

630,

830,

840,

880,

860,

880,

540,

6550

41,

000,

800,

62

0,61

0,92

0,92

0,98

0,94

0,90

0,61

0,72

505

1,00

0,6

40,

610,

830,

760,

790,

790,

910,

630,

6850

61,

00

0,70

0,65

0,64

0,65

0,64

0,60

0,89

0,81

507

1,00

0,64

0,59

0,63

0,59

0,55

0,65

0,80

601

1,00

0,84

0,90

0,85

0,85

0,61

0,73

602

1,00

0,92

0,92

0,85

0,64

0,69

603

1,00

0,95

0,90

0,63

0,72

604

1,00

0,90

0,63

0,68

605

1,00

0,59

0,64

606

1,00

0,82

607

1,00

101

102

103

104

105

106

107

201

202

203

204

205

206

207

301

302

303

304

305

306

307

401

402

403

404

405

406

407

501

502

503

504

505

506

507

601

602

603

604

605

606

607

101

1,00

0,60

0,56

0,74

0,75

0,72

0,65

0,8

80,

670,

66

0,67

0,76

0,60

0,65

0,70

0,77

0,63

0,70

0,75

0,65

0,68

0,64

0,74

0,57

0,63

0,61

0,51

0,61

0,75

0,75

0,76

0,60

0,79

0,60

0,52

0,72

0,39

0,76

0,76

0,63

0,65

0,64

102

1,00

0,58

0,71

0,59

0,63

0,54

0,6

00,

710,

67

0,56

0,61

0,58

0,61

0,65

0,64

0,63

0,56

0,63

0,71

0,49

0,55

0,55

0,63

0,57

0,60

0,48

0,54

0,48

0,60

0,62

0,66

0,65

0,53

0,55

0,52

0,48

0,63

0,64

0,58

0,57

0,60

103

1,00

0,65

0,57

0,52

0,51

0,5

70,

650,

50

0,44

0,60

0,39

0,52

0,59

0,58

0,53

0,67

0,57

0,55

0,56

0,48

0,58

0,45

0,45

0,50

0,38

0,39

0,60

0,57

0,60

0,48

0,57

0,52

0,41

0,51

0,71

0,60

0,60

0,43

0,52

0,52

104

1,00

0,74

0,65

0,52

0,7

80,

710,

78

0,73

0,81

0,60

0,63

0,81

0,83

0,78

0,76

0,83

0,77

0,59

0,71

0,77

0,71

0,74

0,65

0,39

0,53

0,68

0,82

0,83

0,76

0,85

0,54

0,43

0,53

0,41

0,85

0,84

0,64

0,54

0,63

105

1,00

0,58

0,70

0,7

50,

660,

65

0,65

0,85

0,54

0,55

0,68

0,72

0,63

0,73

0,76

0,64

0,65

0,59

0,73

0,57

0,60

0,56

0,46

0,46

0,73

0,71

0,73

0,61

0,79

0,68

0,52

0,59

0,39

0,76

0,72

0,61

0,67

0,55

106

1,00

0,82

0,6

50,

660,

56

0,57

0,60

0,57

0,86

0,64

0,69

0,56

0,64

0,66

0,59

0,73

0,53

0,64

0,50

0,59

0,56

0,70

0,82

0,53

0,67

0,70

0,54

0,69

0,80

0,69

0,78

0,39

0,70

0,72

0,60

0,80

0,86

107

1,00

0,5

80,

580,

45

0,45

0,60

0,54

0,84

0,52

0,56

0,43

0,55

0,53

0,48

0,73

0,41

0,56

0,37

0,41

0,44

0,67

0,70

0,55

0,53

0,55

0,41

0,57

0,81

0,71

0,83

0,38

0,55

0,55

0,49

0,87

0,84

201

1,0

00,

700,

72

0,73

0,80

0,55

0,57

0,80

0,85

0,68

0,74

0,77

0,72

0,66

0,71

0,78

0,63

0,68

0,57

0,43

0,53

0,77

0,79

0,82

0,67

0,80

0,56

0,45

0,67

0,39

0,81

0,82

0,60

0,58

0,57

202

1,00

0,6

80,

680,

660,

580,

640,

710,

750,

650,

730,

740,

680,

650,

570,

670,

600,

630,

610,

430,

570,

640,

700,

730,

640,

770,

590,

470,

560,

470,

750,

740,

610,

560,

6420

31,

00

0,78

0,73

0,72

0,55

0,75

0,80

0,91

0,73

0,78

0,82

0,51

0,68

0,72

0,85

0,73

0,74

0,46

0,55

0,63

0,75

0,77

0,90

0,80

0,44

0,52

0,45

0,34

0,78

0,80

0,78

0,45

0,54

204

1,00

0,69

0,66

0,52

0,71

0,81

0,72

0,68

0,74

0,68

0,52

0,63

0,66

0,72

0,87

0,67

0,42

0,73

0,56

0,70

0,73

0,71

0,79

0,45

0,39

0,45

0,45

0,77

0,76

0,71

0,42

0,52

205

1,

000,

560,

560,

770,

810,

760,

760,

790,

730,

590,

690,

790,

690,

690,

640,

400,

480,

740,

820,

840,

720,

830,

570,

480,

560,

400,

820,

820,

590,

600,

5520

61,

000,

630,

600,

610,

680,

550,

650,

670,

510,

560,

510,

760,

610,

770,

650,

600,

530,

540,

570,

710,

660,

450,

560,

530,

350,

620,

580,

820,

470,

6220

71,

000,

660,

650,

590,

550,

690,

590,

700,

540,

520,

460,

470,

580,

650,

780,

530,

550,

570,

490,

710,

710,

670,

790,

380,

610,

590,

600,

790,

9930

11,

000,

870,

790,

720,

830,

830,

580,

790,

720,

690,

680,

690,

370,

550,

660,

770,

800,

720,

840,

510,

400,

530,

380,

820,

820,

630,

510,

6530

21,

000,

781,

000,

810,

810,

640,

730,

780,

720,

730,

670,

400,

600,

690,

830,

860,

760,

840,

550,

410,

550,

370,

880,

890,

680,

520,

6230

31,

000,

720,

800,

780,

480,

720,

730,

810,

740,

760,

440,

520,

630,

770,

780,

840,

820,

440,

490,

420,

330,

780,

790,

700,

430,

5830

41,

000,

740,

670,

660,

610,

850,

650,

700,

550,

440,

480,

720,

830,

840,

690,

770,

580,

430,

540,

470,

820,

850,

580,

550,

5330

51,

000,

790,

600,

770,

720,

670,

690,

700,

400,

570,

710,

770,

780,

710,

920,

540,

450,

530,

370,

880,

790,

700,

540,

6830

61,

000,

560,

780,

670,

770,

660,

730,

420,

530,

650,

720,

760,

800,

760,

490,

470,

470,

340,

790,

770,

660,

480,

5730

71,

000,

470,

680,

440,

520,

520,

630,

570,

680,

660,

660,

480,

640,

700,

530,

760,

370,

660,

660,

570,

720,

6940

11,

000,

650,

630,

670,

600,

300,

440,

610,

710,

740,

710,

720,

400,

360,

410,

310,

730,

730,

560,

400,

5140

21,

000,

660,

730,

540,

450,

460,

750,

880,

880,

690,

760,

590,

460,

560,

390,

830,

870,

530,

550,

5140

31,

000,

760,

810,

530,

510,

560,

710,

750,

920,

710,

390,

490,

370,

360,

730,

760,

790,

380,

4540

41,

000,

640,

450,

640,

550,

770,

800,

750,

720,

460,

390,

400,

460,

740,

810,

640,

400,

4640

51,

000,

610,

590,

540,

590,

610,

730,

710,

400,

520,

440,

390,

650,

620,

810,

440,

5640

61,

000,

690,

420,

440,

430,

480,

430,

650,

720,

600,

330,

420,

430,

700,

680,

6240

71,

000,

400,

490,

510,

490,

590,

620,

630,

650,

430,

550,

530,

640,

670,

7650

11,

000,

710,

720,

580,

700,

550,

430,

700,

410,

740,

700,

530,

590,

5350

21,

000,

930,

770,

810,

570,

400,

530,

400,

880,

910,

580,

520,

5550

31,

000,

790,

840,

600,

420,

560,

390,

900,

960,

600,

550,

5750

41,

000,

750,

420,

530,

400,

360,

760,

780,

740,

420,

4850

51,

000,

570,

450,

580,

390,

860,

850,

700,

580,

7050

61,

000,

640,

720,

390,

600,

610,

490,

730,

7050

71,

000,

640,

320,

420,

420,

610,

730,

6560

11,

000,

390,

550,

550,

470,

800,

7860

21,

000,

410,

390,

380,

410,

3660

31,

000,

910,

660,

540,

6160

41,

000,

630,

530,

5960

51,

000,

520,

5860

61,

000,

7860

71,

00

Person X Person Y

Abb. 93: Beispiel zweier Ähnlichkeitsmatrizen



Diese Gruppierung ergab sich einerseits aus einer Betrachtung des Wertebereichs dervon Jones und Clarke berechneten Ähnlichkeitsmaße, die zwischen S=0,60 und S=0,78schwankten. Andererseits wurde mit Hilfe einer Betrachtung der häufigst auftretendenAktivitäten der Personen und des relativ „stabilen“ (kaum außerhäusige Aktivitäten imuntersuchten Datensatz) Zeitbereiches zwischen 22:00 und 07:00 Uhr diese Einteilunggestützt. Die farbliche Unterscheidung dient an dieser Stelle lediglich der Unterstützungder Lesbarkeit.

In Abb. 93 ist zu erkennen, dass das bei der betrachteten Person X beobachteteVerhalten ein eher als „stabil„ zu bezeichnendes Verhalten ist, das in der Ähnlichkeits-matrix als gleichförmiges Muster zu erkennen ist. Hier sind klar die Wochentage mithohen Ähnlichkeitsmaßen als Blöcke zu erkennen, und die Wochenenden als senkrechteund waagerechte Elemente mit geringeren Ähnlichkeitsmaßen. Im Kontrast dazu ist dasbeobachtete Verhalten der in Abb. 93 betrachteten Person Y als eher „flexibel“ zukennzeichnen. Die oben beschriebene Ausprägung ist nicht zu erkennen, es gibt keinausgeprägtes Muster. Die Betrachtung der Ähnlichkeitsmaße über den sechswöchigenZeitraum mit Hilfe der farbigen Unterscheidung lässt einen Rhythmus (hier ist derWochenrhythmus mit dem Wechsel vom Werktag zum Wochenende gut zu erkennen)allerdings nur erkennen, wenn er relativ stark ausgeprägt ist.

Bei der Betrachtung aller Ähnlichkeitsmatrizen fallen drei besondere Erscheinungen inden Mustern auf:

- Ein verstreutes unregelmäßiges Auftreten der verschiedenen Ähnlichkeitsgruppen:Es lassen sich keine erkennbaren Unterschiede in den Ähnlichkeitswerten vonWochentagen und Wochenendtagen erkennen. Es gibt einige Tage die als Streifen inden Matrizen erkennbar sind, deren Ähnlichkeit zu anderen Tagen sehr gering ist.Diese Tage nehmen eine Sonderstellung ein.

- Eine ausgeprägte Blockbildung:Die Werktage sind untereinander sehr ähnlich und grenzen sich von den Wochen-endtagen stark ab. Regelmäßig tritt an den Werktagen ein ähnliches Verhalten auf,das sich am Samstag und Sonntag in dieser Form nicht wiederholt.

- Gruppierung sehr hoher Ähnlichkeitsmaße:Bei einigen Personen sind mit geringen Ausnahmen sehr hohe Ähnlichkeiten über alleTage, sozusagen ein „stabiles“ Verhalten, zu beobachten. Tage mit geringererÄhnlichkeit sind nur vereinzelt vorzufinden. Außerdem sind die Ähnlichkeitswerte dernächsten Klasse zugeordnet.

Eine Betrachtung der Zeitbudgetanteile, dargestellt in Abb. 94 verdeutlicht den hohenAnteil der Aktivität „Zuhause“ am Tageszeitbudget und damit einer definitorischen„Grundähnlichkeit“. Diese „Grundähnlichkeit“ schränkt den Variationsbereich des Ähnlich-keitsmaßes stark ein, so dass geringe Unterschiede nicht erkennbar sind. Zudem erklärtes die insgesamt sehr oft vorkommenden und generell hohen Ähnlichkeitsmaße imBereich zwischen S=0,5 und S=1.



Zeitbudgets - alle Personen - Karlsruhe-Main

0

100

200

300

400

500

600

700

800

900

1000

1100

1200

1300

1400

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42

Tage

Zei

tan

teil

(Min

ute

n) KA

HO

OT

LE

SL

SD

WO

SC

WB

PB

PD

Abb. 94: Zeitbudgets alle Personen, Mobidrive, Karlsruhe - Haupterhebung

Für die weitere Analyse wurden die Ähnlichkeitsmaße mit Hilfe eines Clusterverfahrensgruppiert. Anhand der intrapersonellen Ähnlichkeiten wurde untersucht, ob sich die ge-bildeten Personengruppen auch aufgrund der soziodemographischen Eigenschaftenunterscheiden.

Zur Clusterung wurde das hierarchische Verfahren nach Ward gewählt. Für dieClusterung wurden ausschließlich die Ähnlichkeitsmaße Sij als Klassifikationsmerkmale(für jede Person somit 861 Merkmale) verwendet. Die Bestimmung der Anzahl derGruppen wurde anhand der Betrachtung des Verlaufes der Fehlerquadratsummevorgenommen. Hieraus ergab sich eine Anzahl von 10 Gruppen (vergleiche Abb. 95 undAbb. 96).

0

500

1000

1500

2000

2500

3000

3500

Clusterungs-Schritte

Fehl

erqu

adra

tsum

me

1848,54 10 Personen-gruppen

F1848,541848,541887,431930,481976,592036,422111,96

2196,08

2287,32

2509,55

3213,93

H A B C D E G J I

Abb. 95: Darstellung der Zunahme derFehlerquadratsumme

Abb. 96: Darstellung des Dendrogramms derhierarchischen Clusteranalyse

Die Zusammenstellung der markanten Kennzeichnungen des Aktivitätenverhaltens undder zugeordneten soziodemographischen Merkmale ist in Tab. 47 dargestellt. Zur



Erklärung wurden hier allerdings nur die Merkmale Geschlecht, Alter und Erwerbstätigkeitverwendet. Nicht alle Personengruppen sind in Bezug auf die soziodemographischenMerkmale und das beobachtete Verhalten vergleichsweise homogen. Als Beispiel für„homogene“ Gruppen seien hier die Gruppen H, I und J genannt, die eine hohen Grad anHomogenität aufweisen. Die Personen dieser Gruppen sind aufgrund ihrer Einbindung indie Erwerbstätigkeit und Ausbildung durch ein sehr „stabiles“ Verhalten, einen ähnlichenwiederkehrenden Tagesablauf ausgezeichnet. Es ist zu vermuten, dass der Anteil der„frei“ zur Verfügung stehenden Zeit gering ist, also „Pflichtaktivitäten“ (wiederkehrende,auch als „routinemäßig durchgeführt“ zu bezeichnende Aktivitäten) den Großteil der Zeitdes Tages beanspruchen.

Personengruppen

AnzahlPersonen

Kennnzeichnungen des Aktivitäten-(Verkehrs-)verhalten

Sozio-demographische Merkmale

A 20 -Blockbildung in denÄhnlichkeitsmatrizen

-überwiegend hohe Ähnlichkeitsindizes

-Arbeit, Ausbildung und häuslicheAktivitäten als vorwiegenddurchgeführte Aktivitäten

-14 Männer, 6 Frauen

-Personen sind zwischen 18 und 64Jahre alt, mit einer Ausnahme,diese Person ist jünger

-fast ausschließlichVollzeitbeschäftigte

B 20 -unregelmäßige, streuende Musterüberwiegen in der Ähnlichkeitsmatrix

-großer Anteil von Ähnlichkeitsindizesder Gruppen 2 und 3

-Arbeit, „Weg zurücklegen" undFreizeit sind dominierende Aktivitäten


-Personen sind in allen Altersklassenvertreten, hauptsächlich sind siezwischen 35 und 64 Jahre alt

-Hausfrauen und Teilzeitbeschäftigtebilden den Hauptanteil derPersonen

C 19 -unstrukturiertes Erscheinungsbild derÄhnlichkeitsmatrix

-23,1% der Ähnlichkeitsindizesgehören der Gruppe 1 an

-keine klare Dominanz einer Aktivitätals zweithäufigste, jedoch ist einenWeg zurückzulegen, diedominierende dritthäufigste Aktivität


-Personen sind zwischen 18 und 24Jahre oder zwischen 35 und 64Jahre alt

-es gibt keine klare Dominanz einerStellung im Ausbildungs- bzw.Berufsleben

D 3 -Sonderstellung des Verhaltens in derersten Erhebungswoche, imrestlichen Verlauf Blockbildung undUnregelmäßigkeiten im Muster derÄhnlichkeitsmatrix

-Ähnlichkeitsindizes nehmenüberwiegend Werte zwischen 0,50und 1,00 an

-Arbeit als zweithäufigste Aktivitätdominant

-2 Männer, 1 Frau

-Personen sind zwischen 55 und 64Jahre alt

-Zwei Personen sindvollzeitbeschäftigt, eineteilzeitbeschäftigt

Fortsetzung...



Personengruppen

AnzahlPersonen

Kennnzeichnungen des Aktivitäten-(Verkehrs-)verhalten

Sozio-demographische Merkmale

E 4 -Abgrenzung der Wochenenden, keineBlockbildung in den Matrizen

-größter Anteil an Ähnlichkeitsindizesder Gruppe 1 (28,3%)

-die häufigste ausgeführte Aktivität istArbeit


-Personen sind zwischen 18 und 54Jahre alt

-alle Personen sindvollzeitbeschäftigt

F 18 -Blockbildung in den Matrizen, nichtimmer mit klaren Grenzen

-überwiegender Anteil derÄhnlichkeitsindizes ist sehr hoch

-Aktivität Ausbildung ist die dominantezweithäufigste Aktivität


-Personen verteilen sich über alleAltersklassen, sind aber vorwiegendjünger als 18 Jahre

-die meisten Personen sind Schüler,Hausfrauen oder/undteilzeitbeschäftigt

G 13 -keine Struktur der Matrix für allePersonen festlegbar, die meisten sindteilweise strukturiert, teilweiseunregelmäßig

-die Ähnlichkeitsindizes deuten auf einwenig stabiles Verhalten hin

-große Bandbreiten an Aktivitäten


-Personen sind bis zu 64 Jahre alt

-hauptsächlich Vollzeitbeschäftigte,jedoch überwiegt der „gemischte“Anteil

H 11 -Blockbildung, nicht immer klarumrissen

-fast ausschließlichÄhnlichkeitsindizes, die über 0,5liegen, davon liegen ~2/3 über 0,75

-Ausbildung ist dominierendezweithäufigste Aktivität


-bis auf eine Ausnahme, sind allejünger als 18 Jahre

-bis auf eine Ausnahme, sind alleSchüler

I 22 -Gruppierungen treten häufig auf

-66% der Ähnlichkeitsindizes sindgrößer als 0,75

-Aktivität „Weg zurücklegen“dominiertals zweithäufigste Aktivität


-Personen sind älter als 35 Jahre

-Hausfrauen und Rentner bildenüberwiegend die Personengruppe

J 19 -starke Gruppierungen in denÄhnlichkeitsmatrizen

-90% der Ähnlichkeitsindizes sindgrößer als 0,75

-Aktivität „Weg zurücklegen“ dominiertals zweithäufigste Aktivität


-Personen sind älter als 18 Jahre,vorwiegend älter als 45 Jahre

-Rentner und Hausfrauen bildenüberwiegend die Personengruppe

Tab. 47: Zusammenstellung der Kennzeichnungen der 10 Personengruppen

Insgesamt zeigt sich, dass die Berechnung von Ähnlichkeitsmaßen mit Hilfe derverwendeten Methode nach Jones und Clarke bei entsprechender Datenaufbereitungeinfach möglich ist. Eine Clusterung anhand der berechneten Ähnlichkeitsmaße und dieanschließende Analyse der Soziodemographie in den gebildeten Clustern ermöglicht es,Hypothesen über den Zusammenhang zwischen einigen soziodemographischen Merk-malen und der Stabilität/Variabilität im Verhalten aufzustellen.



Das Verfahren hat allerdings den Nachteil, dass jeweils nur die in gleichen Zeitintervallenvorkommenden Aktivitäten miteinander verglichen werden. In der Erweiterung trägt zwarder jeweilige Nachbarwert vor und nach dem betrachteten Zeitintervall zur Berechnungdes Ähnlichkeitsmaßes bei, eine weitergehende Berücksichtigung der zeitlichen Ver-schiebung ansonsten gleicher oder ähnlicher Aktivitäten erfolgt nicht. Aus diesem Grundist anzunehmen, dass auf diese Weise berechnete Ähnlichkeitsmaße eine Unter-schätzung in Bezug auf die tatsächliche Ähnlichkeit darstellen.

5.4.4 Berechnung der Ähnlichkeitsmaße mit dem Verfahren derSequenzausrichtung (sequence alignment)

Die Analyse von Sequenzen oder Zeichenfolgen mit dem Verfahren der Sequenz-ausrichtung findet ihre Hauptanwendung in den Bereichen der Textanalyse (Vergleich vonWorten oder Textstrings; z.B. sehr notwendig bei Suchvorgängen in umfangreichenTexten oder Informationsangeboten wie dem Internet) und im Bereich der Molekular-biologie (Vergleich von DNA- und RNA-Sequenzen zur Bestimmung von Ähnlichkeitenoder Unähnlichkeiten, zur Gruppenbestimmung und zur Einsortierung neuer Sequenzen).In diesem Beitrag wird die Methode der Sequenzausrichtung eingesetzt, um die aus denerhobenen Daten erzeugten Aktivitätenabfolgen zu analysieren.

Ziel dieser Methode ist es, die Ähnlichkeit oder Unähnlichkeit (mindestens) zweierSequenzen zu bestimmen. Erreicht wird dies durch die Veränderung der Sequenzen mitHilfe verschiedener Operationen, wobei diese immer paarweise auftreten, vereinbarungs-gemäß aber die Quellsequenz s (source sequence) mithilfe der Operationen in dieZielsequenz g (target sequence) überführt wird (s=s[s0....s m] und g=g[g0...gn]; m=0 undn=0). Die Elemente s0 und g0 sind Nullelemente und dienen der Initialisierung desAlgorithmus. Die Ausrichtung der Sequenzen basiert auf dem Vergleich aller Einzel-elemente.

Werden zwei Sequenzen ausgerichtet, wird der Begriff „Pairwise Alignment“, beisimultaner Ausrichtung mehrere Sequenzen der Begriff „Multiple Alignment“ verwendet.Da ein Multiple Alignment je nach Länge und Spezifikation der Sequenzen auch beiheutiger Rechnerleistung an Kapazitätsgrenzen stoßen kann, werden üblicherweisesequentielle Verfahren eingesetzt. Hierbei wird in einem ersten Schritt ein PairwiseAlignment eingesetzt, um Ähnlichkeitsmaße für alle Paarungen zu bestimmen. DieErgebnisse sind Eingangsgrößen für ein Clusterverfahren, mit dessen Hilfe Gruppengebildet werden. Das erstellte Dendrogramm dient dabei als „Wegweiser“. Zunächstwerden die Sequenzen mit der höchsten Ähnlichkeit untereinander ausgerichtet, bevornach und nach die nächst ähnlichen Sequenzen(gruppen) zu der Ausrichtung hinzu-genommen werden.

Für den Vergleich der Einzelelemente können folgende Grundoperationen verwendetwerden: i) Ersetzung, ii) Einfügung iii) Löschung. Jede Operation bedeutet dabei einen„Aufwand“ zu Erreichung der Übereinstimmung der betrachteten Sequenzen. Diese„Aufwände“ können gewichtet werden. So können durch die unterschiedliche Behandlungder „Aufwände“ Ähnlichkeiten oder Differenzen zwischen Sequenzen berechnet werden.



Die Verfahren der Sequenzausrichtung basieren üblicherweise auf der LevenshteinschenDistanz, welche als kleinste notwendige Anzahl von Operationen zur Überführung derSequenz s in die Sequenz g definiert ist. Einige Verfahren berechnen in der Umkehrungdie maximale Ähnlichkeit. Eine einfache Annahme für die Berechnung eines Distanz-maßes wäre z.B. die Wertigkeit 0 für eine Übereinstimmung, die Wertigkeit 1 für alleanderen Operationen einzusetzen.

Einfache und anschauliche Beispiele finden sich z.B. in Arentze and Timmermanns 2000(Beispiel einer Distanzberechnung) oder Wilson 1998 (Beispiel einer Ähnlichkeitsmaß-berechnung). Zur Verdeutlichung des Vorgehens bei der Berechnung von Distanzmaßendienen die Tabellen 1 und 2. Um den Vergleich aller Elemente untereinander durch-zuführen, sind die beiden Sequenzen [AMUS] und [KAMPUS] wie abgebildet als Matrixangeordnet. Angenommen wird die einfache Wertung wie oben beschrieben. DasVerfahren startet in der linken oberen Ecke der Matrix in Zelle (1,1) mit der Bewertung 0(aus Gründen der Algorithmusinitialisierung). In Zelle (1,2) ist eine 1 einzusetzen, um dieBasisbestimmungen D(i,0) = i und D(0,j) = j einzuhalten. Im weiteren Verlauf werdennacheinander die Reihen von links nach rechts gefüllt. Dabei ergibt sich der in der Zelleeinzusetzende Aufwand aus der Summe des aktuellen Aufwandes plus dem minimalenvorhergehenden Aufwand. Die zuvor betrachteten Zellen sind die unmittelbar links,diagonal nach oben links und oberhalb liegenden Zellen. Zelle (5,3) erhält den Wert 2, da[P] und [M] nicht identisch sind, und der minimale vorhergehende Aufwand eine 1 (Zelle(4,3)) ist.

Verfolgt man den Weg von der letzten Zelle (m,n) zurück zur ersten Zelle (1,1), und suchtden Weg der „geringsten Aufwände“, so erhält man den Pfad (in der Tabelle mit „*“gekennzeichnet) des geringsten Gesamtaufwandes. Es können auch mehrere Pfade sein.Mit Hilfe dieses als „trace-back“ benannten Prozesses wird letztendlich eine Ausrichtungs-vorschrift erzeugt. Interpretiert werden horizontale Bewegungen als Einfügung einesZeichens g(j) in s (die Zielsequenz ist in der vertikalen angeordnet), vertikaleBewegungen als ein Löschen von s(i) aus s, diagonale Bewegungen als Überein-stimmung wenn s(i) = g(j) und als Ersetzung wenn s(i) ? g(j) gilt.

taA M U S A M U S

0* 1 2 3 4

K 1* 1 2 3 4K

A 2 1* 2 3 4 A

M 3 3 1* 2 3 M

P 4 4 2* 2 3P

U 5 5 3 2* 3 U

S 6 6 4 3 2* S

Tab. 48: Tabellarische Distanzmaßberechnung

Tab. 49: Pfad der geringstenÄnderungsaufwände



Die optimale Ausrichtung der Sequenzen für dieses Beispiel wäre:

_AM_US

KAMPUS

Weitere Feinheiten, Möglichkeiten des Verfahrens und aktuelle Anwendungen sowieWeiterentwicklungen, wie z.B. zur Gewichtung von Aufwänden (Zuweisung unterschied-licher Gewichte beim Vergleich einzelner Aktivitäten miteinander), sind in den folgendenBeiträgen dargestellt und werden an dieser Stelle nicht weiter diskutiert. Wilson (1998)zeigt eine der ersten Arbeiten über die Verwendung der Methode der Sequenzausrichtung(Sequence Alignment) in der Verkehrsforschung, indem er zum einen die Aktivitäten-sequenzen eines Tages von einer Person für die Tage einer Woche und zum anderen dieAktivitätensequenzen einer Woche von vier Personen untereinander vergleicht. In einemzweiten Aufsatz von Wilson (2001) beschreibt er die Analysen des Verhaltenskanadischer Frauen unter Verwendung weiterer Aktivitätenmerkmale bei der Sequenz-analyse. Arentze and Timmermanns (2000) beschreiben im Rahmen des ModellsAlbatross die Entwicklung eines mehrdimensionalen Alignments und erläutern die Vorteileder Sequenzausrichtung zur Beschreibung von intra- und interindividuellen Verhaltens-ähnlichkeiten gegenüber der Berechnung Euklidischer Distanzen. Die Vorteile beruhen imwesentlichen auf dem Vergleich aller Einzelelementpaare untereinander. GenerelleBeschreibungen außerhalb des Einsatzes in der Verkehrsforschung lassen sich z.B. inGusfield (1997) oder Sankoff and Kruskal (1983) finden.

Datenaufbereitung/Software

Daten zum Aktivitätenverhalten liegen nur ansatzweise in sequenzartiger Form vor. Dieeinfachste Form einer Aktivitätensequenz sind die Aktivitätenketten, die bereitsempirische Grundlage von Modellen der Verkehrsnachfage sind (z.B. in Form von Über-gangswahrscheinlichkeiten). Die Ketten geben dabei die Abfolge der Aktivitäten über dieZeit wieder. Eine der möglichen vorkommenden Ketten ist z.B. HWSH (Home-Work-Shopping-Home). Bereits mit dieser Datengrundlage lassen sich Ähnlichkeitsbe-rechnungen durchführen. Als Beispiel seien die drei Sequenzen a) HWSH b) HWH und c)HWLH (L-Leisure) verglichen. Der paarweise Vergleich ergibt folgende Ähnlichkeitsmaße:

a-b 66%

a-c 75%

b-c 66%

Diese Berechnung von Ähnlichkeiten bleibt allerdings insofern „oberflächlich“, als eineeindimensionale Betrachtung des komplexen Aktivitätenverhaltens einschließlich derunterschiedlichsten Abhängigkeiten erfolgt. Zudem sind bei dieser Art der Datenauf-bereitung je nach verwendetem Algorithmus und verwendeter Wertung der OperationenFehlinterpretationen möglich. So kann durch stark unterschiedliche Längen derSequenzen und die damit verbundene mögliche Identität der kürzeren Sequenz mit einemTeilbereich der längeren Sequenz eine unrealistische Ähnlichkeit folgen (z.B. ist die



Sequenz HWH vollständig identisch mit einem Teilbereich der Sequenz HELHWHLH(E=Service). Je nach Verfahren und/oder Rechenvorschrift kann das Ergebnis eine100%ige Ähnlichkeit angeben.

Die Möglichkeit, eine weitere Dimension der Aktivität einzubinden und den Nachteil derunterschiedlichen Längen auszuschließen, liegt in der auf zeitliche Intervalle bezogenenAufbereitung der Daten. Der Wahl der Länge des Intervalls kommt hier eine ent-scheidende Bedeutung zu. Werden zu kleine Intervalle verwendet, kann das beizusätzlich großer Aktivitätenanzahl schnell zu langen Rechenzeiten führen, andererseitsführen zu grobe Intervalle zu Informationsverlusten und zur Unterrepräsentation kurzerAktivitäten, da für jedes Intervall eine einzige Aktivität festgelegt werden muss. Wilson1998 zeigt einige Versuche mit Aktivitätensequenzen sowohl in der Kurz- (ohne dieDimension Zeit über die Hilfsgröße der Intervallbildung) als auch in der Langform (die Zeitwird über die Intervallbildung berücksichtigt). Die teilweise großen Unterschiede in denÄhnlichkeitsmaßen erklärt er nicht. Die Tatsache jedoch, dass bei der „Langform“ (Wilsonverwendete 5-Minuten-Intervalle) im Prinzip viele kleine Anteile (insgesamt 288 Intervalle)zur Berechnung des Ähnlichkeitsmaßes beitragen und dieses sogar mit Bezug zur Anzahlder Elemente errechnet wird, ist es nicht verwunderlich, dass die Verwendung der„Langform“ durchweg höhere Ähnlichkeitsmaße als die „Kurzform“ ergibt. Zudem istanzunehmen, dass die Ähnlichkeit allein schon durch die „üblicherweise“ lange Zuhause-Periode über Nacht eine Niveauanhebung erfährt. So liegen in den später untersuchtenDaten diese Anteile in einer Größenordnung von ~30% der Tageszeit. Aufgrund dererläuterten Einschränkungen in der „Kurzform“, hauptsächlich der reduzierten Berück-sichtigung des Attributenspektrums der Aktivitäten (siehe hierzu auch Arentze andTimmermanns, 2000) wird in der hier vorgestellten Arbeit die „Langform“ benutzt, mit derEinteilung in 5-Minutenintervalle (Abb. 97).

time

breakfast work shopping

home working place shopping centertrip

means of transport,route

tripspace

means of transport,route

Abb. 97: Aufbereitung der Tagebuch-Daten in sequentieller Form

Ein Aspekt der gegen eine noch feinere zeitliche Einteilung spricht, ist dieBerücksichtigung der in Erhebungen durch die Befragten gemachten Angaben zu Start-und Endzeiten von Aktivitäten (und Wegen). In den meisten Fällen werden diese Zeitennicht auf die Minute bezogen angegeben, sondern eher auf die 5 minütige Einteilung,meist sogar auf die 15 Minuten bezogen (siehe z.B. Beckmann und Rindsfüser 1998). Fürdie Bevorzugung des 5-Minuten-Intervalls spricht allerdings der Verlust kurzer Aktivitätenbei gröberer Einteilung.

Die verwendete Software ist das Programm ClustalG, welches eine „Nebenentwicklung“ in



der Clustal-Weiterentwicklung (ClustalV, ClustalW und ClustalX) ist. Clustal ist einProgramm für die Bestimmung der Ähnlichkeiten von DNA- und RNA- Sequenzen in derMolekularbiologie (siehe z.B. Higgins and Sharp 1988, Thompson, Higgins and Gibson1994 und oder Wilson 1998). Clustal G ist eine generalisierte Version von Clustal X, in derdie Spezifika der Molekularbiologie aus der Software entfernt wurden und das Programmsomit universell einsetzbar ist. Unter anderem wurden die Möglichkeiten der Sequenz-eingabe wesentlich verbessert. So können anstatt des eingeschränkten AminosäurenABC´s (20 Buchstaben umfassend) Wörter mit einer Länge von bis zu 6 Zeichen alsEinzelelemente der Sequenz verwendet werden. Eine weitere wesentliche Änderung istdie voreingestellte Nutzung einer Identitätsmatrix zur Gleichgewichtung der zellenweisenOperationen (üblicherweise werden hier Ähnlichkeitsmatrizen verwendet, derenBedeutung in der Ähnlichkeit der verschiedenen Aminosäuren untereinander liegt, die aufandere Untersuchungsgegenstände aber nicht übertragbar ist). Die Erstellung der Soft-ware wurde im Rahmen des Forschungsprojektes „Activity settings, sequencing, andmeasurement of time allocation patterns“ (1998) durch das Social Science andHumanities Research Council of Canada gefördert und ist frei erhältlich unter: http://www-igbmc.u-strasbg.fr/BioInfo/.

Zur Nutzung dieser Software wurden die in dieser Arbeit verwendeten Daten unter derBerücksichtigung der oben erläuterten Rahmenbedingungen wie folgt aufgebaut:

• Aus den Daten wurden Aktivitätenketten inklusive der Start- und Endzeiten und beiOrtswechseln inklusive der Verkehrsmittel gebildet (eine Fahrt wurde hier als Aktivitätinterpretiert). Folgen zwei Fahrten aufeinander, so ist in der Codierung ohne Verkehrs-mittelnutzung diese als nur eine Fahrt erkennbar.

• Die Aktivitätenketten der Tage wurden in Sequenzen mit je 288 Elementen (5-Minuten-Intervalle) überführt, wobei bei Aktivitätenwechseln und bei kürzer als 5-minütigen Aktivitäten jeweils die Aktivität mit der längeren Dauer innerhalb des 5-Minuten-Intervalls als Element eingesetzt wurde.

• Die Einzelelemente der Sequenzen wurden bisher mit maximal 4 Buchstaben gebildet,wobei der erste Buchstabe zwischen Aktivität und Weg unterscheidet, die folgendenzwei Buchstaben bezeichnen die Art der Aktivität (aktuell wurde zwischen 10Aktivitäten unterschieden) und der vierte Buchstabe gibt das Verkehrsmittel an. Somitverbleibt die Möglichkeit, zwei weitere Angaben einzusetzen, wie z.B. eine Angabezum Ort der Ausübung oder eine Angabe zur Beteiligung anderer Personen.

Im Rahmen dieser Arbeit wurde die Möglichkeit, weitere Dimensionen in die Codierungder Einzelelemente aufzunehmen, nicht genutzt. Sie bietet aber die Chance der mehr-dimensionalen Betrachtung, die auch bei Arentze und Timmermanns 2000 ein wesent-licher Punkt von Interesse ist. Ihr Vorschlag für ein mehrdimensionales Alignment basiertauf der Bestimmung der optimalen Pfade der größten Übereinstimmung für jeweils daseindimensionale Alignment der Aktivitäten und zugehöriger eindimensionaler Alignmentsvon Attributen der Aktivität wie z.B. Orts- und Verkehrsmittelangabe. Die Zusammen-fassung der einzelnen Ausrichtungsvorschriften innerhalb aller möglichen Kombinationenergibt ein einzigartiges Ausrichtungsset für jede Kombination. Die Kostenbestimmung für



jedes dieser einzigartigen Ausrichtungssets führt zur Bestimmung des minimalenAufwandes. So gesehen ist die Methode eine Kombination der Aufwandswerte jeweilseinzelner unidimensionaler Alignments, die Abhängigkeiten gehen nicht direkt in dieBerechnung der Ähnlichkeitswerte ein, wie es hier in diesem Fall sein kann.

Darstellung und Diskussion der berechneten Ähnlichkeitsmaße

Die aufwendige Datenmodifikation zur Erstellung der täglichen Aktivitätensequenzenerforderte eine Auswahl der zu bearbeitenden Fragestellungen. An dieser Stelle werdendaher die Ergebnisse der Berechnung intrapersoneller Ähnlichkeiten täglicher Aktivitäten-sequenzen im wöchentlichen Zusammenhang vorgestellt (für die sechs Wochen derErhebung). Wochenübergreifende Tagesvergleiche sind nicht Gegenstand der hier vor-gestellten Ergebnisse. Ein Vergleich der wöchentlichen Ähnlichkeitsmaßverläufe derWochen untereinander wird vorgenommen. Detaillierte Darstellungen werden nur amBeispiel der Ergebnisse für die Erhebung in der Stadt Karlsruhe erläutert, da diegrundlegenden Erkenntnisse in den Erhebungen der beiden UntersuchungsstädteKarlsruhe und Halle/Saale gefunden wurden, und eine Vorstellungen aller einzelnenindividuellen Verhaltensweisen („Muster“) trotz des angestrebten disaggregiertenAnalyseansatzes nicht Ziel der Untersuchungen sein kann. Abschließend werden dieErgebnisse für die beiden Städte Karlsruhe und Halle/Saale verglichen.

In den folgenden Abbildungen ( Abb. 98 bis Abb. 101) werden jeweils für eineausgewählte Person entsprechend die mit der Methode der Sequenzausrichtungberechneten Ähnlichkeitsmaße dargestellt. In den vorgenommenen Analysen sind dieÄhnlichkeitsmaße der Vergleiche aller Tage mit allen Tagen der Erhebungsdauer jeweilsfür alle Personen berechnet worden. Die folgenden Diagramme zeigen dieÄhnlichkeitsmaße der Vergleiche der Werktage untereinander (Montag bis Freitag), darananschließend der Vergleiche der Wochenendtage mit den Werktagen und darauf folgenddes Vergleichs von Samstag und Sonntag. Zusätzlich sind in den überlagertenDarstellungen die Mittelwerte und die Standardabweichungen angegeben. Diese soausgewählte Zusammenstellung vernachlässigt zunächst die Vergleiche zwischen denunterschiedlichen Erhebungswochen. D.h. die abgebildeten Vergleiche finden hierzunächst nur innerhalb einer Woche statt. Was sich aus dieser Art der Darstellung sehrgut erkennen lässt, ist der wöchentliche Rhythmus des Verhaltens, dargestellt durch dieAusprägungen der Ähnlichkeitsmaße.

In Abb. 98 ist sehr deutlich der Niveauunterschied der Ähnlichkeitsmaße zwischen denVergleichen der Werktage untereinander (~90%) und den Vergleichen der Werktage mitden Wochenendtagen (~60%) zu erkennen.



Ähnlichkeitsmaße der Wochentage(6 Wochen in Folge)

Person A

0102030405060708090

100

1 M

o-M

o

1 D

i-Mi

1 D

o-F

r

1 S

a-Fr

1 S

o-Fr

2 M

o-D

o

2 M

i-Do

2 S

a-M

i

2 S

o-M

i

3 M

o-D

i

3 D

i-Do

3 S

a-M

o

3 S

o-M

o

3 S

o-S

a

4 M

o-F

r

4 M

i-Fr

4 S

a-D

o

4 S

o-D

o

5 M

o-M

i

5 D

i-Fr

5 S

a-D

i

5 S

o-D

i

6 M

o-M

o

6 D

i-Mi

6 D

o-F

r

6 S

a-Fr

6 S

o-Fr

verglichene Tage

Äh

nlic

hke

itsm

aß [

%]

Ähnlichkeitsmaße der Wochentage(6 Wochen überlagert)

Person A

0

10

20

30

40

50

60

70

80

90

100

Mo

-Di

Mo-

Mi

Mo

-Do

Mo

-Fr

Di-

Mi

Di-D

o

Di-F

r

Mi-

Do

Mi-F

r

Do-

Fr

Sa-

Mo

Sa

-Di

Sa-

Mi

Sa-

Do

Sa

-Fr

So-

Mo

So-

Di

So-

Mi

So-

Do

So-

Fr

So-

Sa

Woche 1

Woche 2

Woche 3

Woche 4

Woche 5

Woche 6

Mittel

Standardabw.

Äh

nlic

hke

itsm

aß [

%]

verglichene Tage

Abb. 98: Intrapersonelle Ähnlichkeitsmaße einer Person A

Das Ähnlichkeitsmaß des Vergleiches Samstag mit Sonntag liegt dann gegenüber demWerktag - Wochenendtag - Vergleich um ~10% höher, erreicht aber nicht das Werktag -Werktag - Niveau. Insgesamt lässt diese Art der Abbildung die Interpretation zu, dass hierein sehr stabiles Verhalten beobachtete wurde. Dies zeigt die geringe Variation um denMittelwert bei den einzelnen Vergleichen. Eine Ausnahme bildet Woche 2. Hier werdenbei den Vergleichen der Werktage mit dem Samstag Ähnlichkeitsmaße auf dem Niveauder Werktagsvergleiche untereinander erreicht. Dies würde, geht man davon aus, dassdie vorliegenden Ergebnisse einer „normalen“ vollerwerbstätigen Person zuzuordnen sind,die Interpretation zulassen, dass diese Person an dem betroffenen Samstag auch ehereinen „normalen“ Arbeitstag durchgeführt hat. Die Ferienwoche (5.Woche) scheint beidieser Person keinen großen Einfluss auf das Verhalten gehabt zu haben. Nur derMittwoch und der Freitag sind etwas schwächer ähnlich als in den anderen Wochen,wobei ein ähnliches Phänomen innerhalb der 2. Woche für den Mittwoch auftritt, wie auchin noch geringerem Maße in der ersten Woche für den Freitag.

Insgesamt könnte man bei der Betrachtung der Ähnlichkeitsmaße dieser Person dasbeobachtete Verhalten mit „regelmäßig“ oder „rhythmisch“ und „stabil“ bezeichnen. Undtrotz dieser Beschreibung ist erkennbar, dass innerhalb dieser sechs Wochen größere



Variationen im Verhalten zu erkennen sind (die Standardabweichung liegt im Mittel bei~10%).

Berücksichtigt man den erheblichen Beitrag der Grundähnlichkeit aufgrund des großenAnteils der „Zuhausezeit“ an der Gesamtähnlichkeit, so stärkt dies die Erkenntnis, dassselbst bei dieser Person mit vermeintlich stabilem und regelmäßigem Verhalten doch eingewisses Maß an Variation vorhanden ist. Zu beachten ist hierbei, dass die vorliegendeAuswertung sich auf einen „Wochenrhythmus“ bezieht, die Vergleiche der Tageuntereinander nur „wochenintern“ dargestellt sind. Die „wochenübergreifenden“Vergleiche wie z.B. Montag der ersten Woche mit Dienstag der 3. Woche sind nichtGegenstand dieser Betrachtung. Der beobachtete Rhythmus ist demzufolge als„Wochenrhythmus“ zu bezeichnen.

In Abb. 99 sind die Ähnlichkeitsmaße einer weiteren Person (B) abgebildet. In derTendenz kann das Verhalten dieser Person ähnlich beschrieben werden wie das vonPerson A, jedoch sind die Abweichungen innerhalb der Wochen größer. Die Variations-bereiche um den Mittelwert herum sind größer, wie auch die Standardabweichungerkennen lässt. Der „Wochenrhythmus“ ist zu erkennen, wird aber erst bei derBetrachtung des Mi ttelwertes richtig deutlich. Das Ähnlichkeitsniveau der Vergleiche derWerktage untereinander ist gegenüber Person A um 10% niedriger, das Niveau derVergleiche der Werktage mit den Wochenendtagen liegt mit ~55% ca. 5% tiefer.

Wie bei Person A scheint der Einfluss der Ferien in der fünften Befragungswoche beiPerson B nicht groß zu sein, lediglich am Montag wurde ein abweichendes Verhaltenbeobachtet (wenn man wiederum das beobachtete Verhalten als Verhalten einer erwerbs-tätigen Person interpretieren würde). Dieses Verhalten würde ebenfalls als stabil undregelmäßig oder rhythmisch zu bezeichnen sein, obwohl die Abweichungen deutlichausgeprägter sind (vgl. 3. und 4. Woche).

Ein völlig anderes Verhalten zeigt Person C (Abb. 100). Ein dem oben beschriebenenWochenrhythmus nahe kommendes Verhalten ist nur in Woche 4 und 6 tendenziell zuerkennen. Die Ähnlichkeitsniveaus (nur in Woche 6 kann man davon sprechen) liegenallerdings mit ~80% für den Vergleich der Wochentage untereinander und mit nur ~20%für den Vergleich der Wochentage mit den Wochenendtagen weit unter den Niveaus deroben beschriebenen Personen. Dies deutet zusätzlich zur Verhaltensvariabilität bei dentäglichen Aktivitäten auch auf zumindest „Verschiebungen“ der nächtlichen Aktivitäten,also starke Variabilitäten der sonst eher Zuhause verbrachten Zeiten in den Abend- undNachtstunden, hin.



0102030405060708090

100M

o-D

i

Mo-

Mi

Mo-

Do

Mo

-Fr

Di-M

i

Di-D

o

Di-F

r

Mi-D

o

Mi-F

r

Do-

Fr

Sa-

Mo

Sa

-Di

Sa-

Mi

Sa-

Do

Sa-

Fr

So-

Mo

So-

Di

So-

Mi

So-

Do

So-

Fr

So-

Sa

verglichene Tage

Äh

nlic

hke

itsm

aß [%

]

Woche 1

Woche 2

Woche 3

Woche 4

Woche 5

Woche 6

Mittel

Standardabw.

0102030405060708090

100

1 M

o-M

o

1 D

i-M

i

1 D

o-Fr

1 S

a-F

r

1 S

o-F

r

2 M

o-D

o

2 M

i-Do

2 S

a-M

i

2 S

o-M

i

3 M

o-D

i

3 D

i-Do

3 S

a-M

o

3 S

o-M

o

3 S

o-S

a

4 M

o-F

r

4 M

i-Fr

4 S

a-D

o

4 S

o-D

o

5 M

o-M

i

5 D

i-Fr

5 S

a-D

i

5 S

o-D

i

6 M

o-M

o

6 D

i-M

i

6 D

o-Fr

6 S

a-F

r

6 S

o-F

r

verglichene Tage

Äh

nlic

hke

itsm

aß [%

]


Person B


Person B

Abb. 99: Intrapersonelle Ähnlichkeitsmaße einer Person B

Auch bei einer vertieften Betrachtung der Verläufe und der Suche nachÜbereinstimmungen in den Verläufen lassen sich keine generellen Regelmäßigkeitenerkennen. Selbst der Vergleich der Sonntage mit den Samstagen (hier wurden diehöchsten Ähnlichkeitsmaße festgestellt) zeigt zwar die Werte der Wochen 1,3,4 und 5sehr nah beieinander und auf einem mit ca. 90% Ähnlichkeit sehr hohem Niveau, in denWochen 2 und 6 werden jedoch nur 50% bzw. 30% erreicht. Bei den Personen A und B,sowie bei der im folgenden gezeigten Person D sind die Streuungsbereiche wesentlichkleiner. Im Vergleich zu den Personen A und B würde man dieses Verhalten als variabelund unregelmäßig oder unrhythmisch bezeichnen.



0102030405060708090

100

1 M

o-M

o

1 D

i-Mi

1 D

o-F

r

1 S

a-F

r

1 S

o-F

r

2 M

o-D

o

2 M

i-Do

2 S

a-M

i

2 S

o-M

i

3 M

o-D

i

3 D

i-D

o

3 S

a-M

o

3 S

o-M

o

3 S

o-S

a

4 M

o-F

r

4 M

i-Fr

4 S

a-D

o

4 S

o-D

o

5 M

o-M

i

5 D

i-Fr

5 S

a-D

i

5 S

o-D

i

6 M

o-M

o

6 D

i-Mi

6 D

o-F

r

6 S

a-F

r

6 S

o-F

r

verglichene Tage

Äh

nlic

hke

itsm

aß [%

]

0102030405060708090

100

Mo-

Di

Mo-

Mi

Mo-

Do

Mo-

Fr

Di-M

i

Di-

Do

Di-

Fr

Mi-D

o

Mi-

Fr

Do-

Fr

Sa-

Mo

Sa-

Di

Sa-

Mi

Sa-

Do

Sa

-Fr

So-

Mo

So-

Di

So-

Mi

So-

Do

So-

Fr

So-

Sa

verglichene Tage

Äh

nlic

hke

itsm

aß [%

]Woche 1

Woche 2

Woche 3

Woche 4

Woche 5

Woche 6

Mittel

Standardabw.


Person C


Person C

Abb. 100: Intrapersonelle Ähnlichkeitsmaße einer Person C

In Abb. 101 sind abschließend für diese detaillierte Einzelfalldarstellung die Ähnlichkeits-maße einer Person D dargestellt. Diese weichen deutlich von allen bisher vorgestelltenÄhnlichkeitsmaßverläufen ab. Auf den ersten Blick könnte man diese Verhaltensweisesicherlich mit äußerst stabil bezeichnen. Der Eindruck, dass es sich eher um ein mit„langweilig“ oder „eintönig“ zu bezeichnendes Verhalten handelt drängt sich fast auf. Aberdies kann eine falsche Interpretation sein, wie die beiden unten skizzierten Inter-pretationen belegen. Ein Zutreffen dieser Interpretation kann jedoch nicht ausgeschlossensein.

Festzustellen ist, dass das Ähnlichkeitsniveau mit im Mittel 90% sehr hoch ist, und diesgleichbleibend über alle Tagesvergleiche. Zudem erreicht die Standardabweichunghöchstens Werte von 8%. Ein Wochenrhythmus ist nicht zu erkennen. Das hierbeobachtete Verhalten würde man im Vergleich mit den Personen A, B und C als stabilund unregelmäßig oder unrhythmisch bezeichnen.

Die Schwierigkeit der Interpretation des hier vorgestellten Verlaufs der Ähnlichkeitsmaßesei an dieser Beobachtung mit den folgenden zwei Interpretationen verdeutlicht:



Interpretation 1: Das beobachtete Verhalten charakterisiert eine nicht erwerbstätigePerson (eine Rentnerin). Die Person übt nur wenige Aktivitäten aus, die aber täglich,gelegentlich zeitlich versetzt, durchgeführt werden.

Interpretation 2: Die beobachtete Person ist ein voll Erwerbstätiger mittleren Alters inhoher beruflicher Stellung (hohe Zeitanteile für die Arbeit) mit einer Fülle an Aktivitäten,die aber täglich und zeitlich invariant auftreten.

0102030405060708090

100

1 M

o-M

o

1 D

i-M

i

1 D

o-F

r

1 S

a-F

r

1 S

o-F

r

2 M

o-D

o

2 M

i-D

o

2 S

a-M

i

2 S

o-M

i

3 M

o-D

i

3 D

i-Do

3 S

a-M

o

3 S

o-M

o

3 S

o-S

a

4 M

o-F

r

4 M

i-Fr

4 S

a-D

o

4 S

o-D

o

5 M

o-M

i

5 D

i-Fr

5 S

a-D

i

5 S

o-D

i

6 M

o-M

o

6 D

i-M

i

6 D

o-F

r

6 S

a-F

r

6 S

o-F

r

verglichene Tage

Äh

nlic

hke

itsm

aß [

%]

0102030405060708090

100

Mo-

Di

Mo-

Mi

Mo-

Do

Mo-

Fr

Di-M

i

Di-D

o

Di-F

r

Mi-D

o

Mi-F

r

Do

-Fr

Sa-

Mo

Sa-

Di

Sa-

Mi

Sa-

Do

Sa-

Fr

So-

Mo

So-

Di

So-

Mi

So-

Do

So-

Fr

So-

Sa

verglichene Tage

Äh

nlic

hke

itsm

aß [

%]

Woche 1

Woche 2

Woche 3

Woche 4

Woche 5

Woche 6

Mittel

Standardabw.


Person D


Person D

Abb. 101: Intrapersonelle Ähnlichkeitsmaße einer Person D

Aus der Betrachtung des Verhaltens dieser vier hier exemplarisch vorgestellten Personenlässt sich die Schwierigkeit der Verwendung der Begriffe stabil, variabel, regelmäßig,rhythmisch u.a. erkennen. Einerseits ist ein zeitlicher Bezug notwendig, hier die Woche,andererseits lassen die Begriffe selbst Interpretationsspielräume. Eindeutig ist jedochfestzustellen, dass die intrapersonelle Variabilität im Verhalten groß ist. Des weiteren istaus der Zusammenstellung aller Mittelwertsverläufe der wöchentlichen Ähnlichkeiten allerPersonen (Karlsruhe) in Abb. 102 zu erkennen, dass auch (oder noch deutlicher als beider intrapersonellen Betrachtung) die interpersonelle Verhaltensvariabilität groß ist. Diesbestätigt sich auch in den anderen Analysen der Mobidrive-Daten, die an verschiedenenStellen in diesem Bericht beschrieben werden.



Ähnlichkeitsmaße im Wochenverlauf(Mittel über 6 Wochen, alle Personen)

30

40

50

60

70

80

90

100

Mo-

Di

Mo-

Mi

Mo-

Do

Mo-

Fr

Di-M

i

Di-D

o

Di-F

r

Mi-D

o

Mi-F

r

Do-

Fr

Sa-

Mo

Sa-

Di

Sa-

Mi

Sa-

Do

Sa-

Fr

So-

Mo

So-

Di

So-

Mi

So-

Do

So-

Fr

So-

Sa

verglichene Tage

Ähn

lichk

eits

maß

[%

]

Mittelwert

Abb. 102: Intrapersonelle Ähnlichkeitsmaße aller Personen der Karlsruher MobidriveErhebung (dargestellt sind die jeweils für eine Person über die 6Erhebungswochen gemittelten Ähnlichkeitsmaße im Wochenverlauf - entsprichteiner Linie im Diagramm)

Charakteristisch an dem Verlauf des Mittelwertes ist die tendenzielle Abnahme derÄhnlichkeitsmaße bei dem Vergleich der Werktage untereinander über den Verlauf derWoche. So sinkt die Ähnlichkeit während der Betrachtung des Vergleiches Montag-Dienstag bis Montag-Freitag, ebenso wie bei den Vergleichen Dienstag-Mittwoch bisDienstag-Freitag und Mittwoch-Donnerstag bis Mittwoch-Freitag. Dies deutet auf einehöhere Ähnlichkeit benachbarter Tage hin, und lässt außerdem die Interpretation zu, dasssich das Verhalten im Verlauf der Woche zum Wochenende hin ändert. Eine möglicheInterpretation der Kontinuität dieses Prozesses lässt dabei eher auf eine Veränderung derDauern oder auf Verschiebungen von Aktivitäten schliessen, sowie eine stärkere Präsenzvon Freizeitaktivitäten wie z.B. Vereinsmitgliedschaften in der zweiten Wochenhälfte Auchvermehrte Einkaufsaktivitäten im Verlauf der Woche sind vorstellbar. Im Gegensatz dazusind die Ähnlichkeitsmaße der Vergleiche der Wochenendtage mit den Werktage eherkonstant im Verlauf. Eine Sonderstellung nimmt der Vergleich des Freitags mit denWochenendtagen ein, sowie der Vergleich des Samstags mit dem Sonntag, der um ca.10% höher liegt. Aus diesen Verläufen ist abzuleiten, dass der Freitag aufgrund seinerUnähnlichkeit mit den Werktagen und seiner höheren Ähnlichkeit mit den Wochenend-tagen eine Mittelstellung einnimmt, für einige Personen vermutlich schon teilweise alsWochenendtag eingeordnet werden könnte.

Vergleich der Berechnungsergebnisse für Karlsruhe und Halle/Saale

Bei der Betrachtung der Ähnlichkeitswertverläufe über alle Personen jeweils für die beidenUntersuchungsstädte zeigen sich sehr starke Ähnlichkeiten.



Mittlere Ähnlichkeitsmaße der Wochentage aller Personen(Mittel über 6 Wochen)

50

60

70

80

90

verglichene Tage

Ähn

lichk

eits

maß

[%]

Karlsruhe

Halle

Mittlere Ähnlichkeitsmaße der Wochentage aller Personen(6 Wochen in Folge)

50

60

70

80

90

verglichene Tage

Ähn

lichk

eits

maß

[%]

Karlsruhe

Halle

Abb. 103: Mittelwerte der jeweiligen mittleren intrapersonellen Ähnlichkeitsmaße allerbeobachteten Personen der Mobidrive-Erhebung jeweils für Karlsruhe und Halle(oben: gemittelt über die 6 Wochen, unten: im Verlauf der 6 Wochen)

Der Wochenrhythmus ist sehr deutlich, die jeweiligen Ähnlichkeitsniveaus für die Ver-gleiche der Werktage untereinander und für die Vergleiche der Werktage mit denWochenendtagen sind ähnlich, und sogar die kleinteiligen Schwankungen der Ähnlich-keitsmaße im Wochenverlauf (Abb. 103 unten) ähnlichen sich in ihrer Charakteristik(weniger auffällig in den Wochen 3 und 5 (Ferien in Baden-Württemberg)).

Der beim Vergleich der Werktage beobachtete Verlauf der Ähnlichkeitsmaße über dieWochen findet sich sowohl im Verhalten der Karlsruher als auch im Verhalten der HallerBefragten. Dieser Eindruck verstärkt sich durch den Verlauf der zunehmenden Ähnlichkeitbei den Vergleichen der Werktage mit den Wochenendtagen über die Woche. Auch diecharakteristische Sonderstellung des Freitags bei diesen Vergleichen ist ähnlich, inHalle/Saale sogar noch ausgeprägter.



Bemerkenswert ist die Tatsache, dass selbst auf diesem aggregierten Niveau (ähnlich wiebei der Betrachtung der Einzelpersonen) im Verlauf der 6 Beobachtungswochen dochdeutliche Variabilitäten der Ähnlichkeitsverläufe im Wochenvergleich zu erkennen sind. Esist also nicht nur eine Tag zu Tag Variabilität (gleichzusetzen mit einer Unähnlichkeiteinzelner Wochentage) zu beobachten, diese Tag zu Tag Variabilität ändert sich auch imWochenvergleich wie in Abb. 104 dargestellt.

Mittlere Ähnlichkeitsmaße der Wochentage aller Personen - Karlsruhe(6 Wochen überlagert)

50

60

70

80

90

Mo

-Di

Mo-

Mi

Mo

-Do

Mo-

Fr

Di-

Mi

Di-

Do

Di-

Fr

Mi-

Do

Mi-

Fr

Do

-Fr

Sa-

Mo

Sa

-Di

Sa-

Mi

Sa-

Do

Sa-

Fr

So-

Mo

So

-Di

So-

Mi

So-

Do

So-

Fr

So-

Sa

verglichene Tage

Äh

nlic

hke

itsm

aß [%

] Woche 1

Woche 2

Woche 3

Woche 4

Woche 5

Woche 6

Mittelwert

Mittlere Ähnlichkeitsmaße der Wochentage aller Personen - Halle/Saale(6 Wochen überlagert)

50

60

70

80

90

Mo

-Di

Mo-

Mi

Mo

-Do

Mo-

Fr

Di-

Mi

Di-

Do

Di-

Fr

Mi-

Do

Mi-

Fr

Do

-Fr

Sa-

Mo

Sa

-Di

Sa-

Mi

Sa-

Do

Sa-

Fr

So-

Mo

So

-Di

So-

Mi

So-

Do

So-

Fr

So-

Sa

verglichene Tage

Äh

nlic

hke

itsm

aß [%

] Woche 1

Woche 2

Woche 3

Woche 4

Woche 5

Woche 6

Mittelwert

Abb. 104: Mittlere Ähnlichkeitsmaße aller Personen (6 Wochen überlagert)

Die überlagerte Darstellung für die 6 Wochen zeigt, dass der charakteristische Verlauf fürjede Woche gegeben ist. Eine Ausnahme bildet die 5. Woche in Karlsruhe, in der dieÄhnlichkeitsmaße der Werktagsvergleiche am unteren Rand der Streuungsbereicheliegen, die Werte der Vergleiche zwischen Wochenendtagen und Werktagen eher amoberen Rand der Streuungsbereiche liegen. Dies deutet darauf hin, dass die in dieserWoche liegenden Ferien einen gewissen Einfluss auf das Verhalten hatten. Dass dieserEinfluss nicht ausgeprägter ist, liegt vermutlich daran, dass nur bei der Hälfte derBefragten diese Woche im Erhebungszeitraum lag und zudem Schulferien nur für einigeBevölkerungsgruppen (Haushalte mit Schulkindern) eine herausgehobene Rolle spielen.

Im Vergleich der beiden Städte fällt auf, dass die Streuungsbereiche der Werktag-vergleiche in Karlsruhe größer sind als in Halle/Saale, dass aber andererseits dieStreuungsbereiche der Vergleiche der Wochenendtage mit den Werktagen in Halle/Saalegrößer sind als in Karlsruhe. Die berechnete Ähnlichkeit für ein und den selben Tages-vergleich ist in den betrachteten sechs Wochen zwischen Karlsruhe und Halle/Saaleunterschiedlich ausgeprägt. Das spricht für eine höhere variable Tag zu Tag - Variabilität.Eine mögliche Interpretation, das Vorhandensein längerfristiger Rhythmen, könnte nurdurch noch längere Erhebungszeiträume überprüft werden. Vorstellbar ist aber, dassverschiedenen Aktivitäten seltener als einmal in der Woche (oder einmal in 1-6 Wochen)ausgeübt werden, und so zu dieser Streuung beitragen. Eine möglicher Grund für denUnterschied zwischen Karlsruhe und Halle/Saale -hauptsächlich im Wochenend-Werktag-Vergleich - könnten ausgeprägtere und intensivere Freizeitaktivitäten am Wochenendesein.

Gruppierung von Personen auf der Basis der individuellen mittleren Ähnlichkeits-maße des sechswöchigen Erhebungszeitraumes (Karlsruhe), Clusteranalyse

Die Mittelwerte der Ähnlichkeitsmaße der Tagesvergleiche (Werktage untereinander undWerktage mit Wochenendtagen) im Verlauf der 6 Wochen, ohne wochenübergreifende



Vergleiche wurden für eine Clusterung (nach Ward) der Daten genutzt (126 Werte fürjeweils eine Person). Im Gegensatz zur Clusteranalyse auf der Basis der 861Ähnlichkeitsindizes (berechnet mit der modifizierten Methode nach Jones and Clarke(1988); siehe weiter oben) wurde hier eine Auswahl der Berechnungsergebnisseverwendet. Aus dem Dendrogramm lassen sich 3 bzw. 5 Gruppen sehr gut, bzw. guttrennen. In Abb. 105 sind die mittleren Ähnlichkeiten der dem Cluster zugeordnetenPersonen und der Mittelwert über das Cluster dargestellt.

30

40

50

60

70

80

90

100

30

40

50

60

70

80

90

100

30

40

50

60

70

80

90

100

Mo-

Di

Mo-

Mi

Mo-

Do

Mo-

Fr

Di-M

i

Di-D

o

Di-F

r

Mi-D

o

Mi-F

r

Do-F

r

Sa-M

o

Sa-

Di

Sa-M

i

Sa-

Do

Sa-F

r

So-

Mo

So

-Di

So-

Mi

So

-Do

So

-Fr

So

-Sa

Cluster 1

Cluster 2

Cluster 3

Abb. 105: Mittlere Ähnlichkeitsmaße innerhalb der Cluster

Für die Einteilung in drei Cluster sind die Unterschiede zwischen den Clustern sehr gut zuerkennen:

Werktag-Werktag-Vergleiche:

Cluster 1: - Relativ konstantes und hohes Niveau der Ähnlichkeitsmaße auf ca.85%.- Nur geringer Abfall der Ähnlichkeitsmaße im gesamten Wochenverlauf.

Cluster 2: - Ähnlichkeitsniveau schwankt im Mittel um ca. 80% für Werktagsvergleiche.- Einzelverläufe mit ähnlicher Charakteristik aber höherer Variation (Bereich:

~52% bis 98%).- Ausgeprägter Abfall der Ähnlichkeitsmaße im Verlauf der Woche (Montag-

Dienstag-Vergleich folgt diesem Verlauf nicht).Cluster 3: - Ähnlichkeitsniveau schwankt im Mittel um ca. 70%.

- Einzelverläufe mit uneinheitlicher Charakteristik (Bereich: ~35% bis 95%).- Erkennbarer Abfall der Ähnlichkeitsmaße im Verlauf der Woche

(Donnerstag-Freitag-Vergleich folgt diesem Verlauf nicht).



Wochenendtag-Werktag-Vergleiche:

Cluster 1: - Relativ konstantes und hohes Niveau der Ähnlichkeitsmaße auf ca.80%.- Samstag-Werktag-Vergleiche ~3% höhere Ähnlichkeitsmaße als Sonntag-

Werktag-Vergleiche.Cluster 2: - Ähnlichkeitsniveau relativ konstant, schwankt im Mittel um ca. 63%, also

deutlich niedriger als Werktag-Werktag-Vergleiche (- ca. 20%).- Sonntag-Dienstag-Vergleich mit etwas niedrigerem Ähnlichkeitsmaß.- Sonntag-Samstag-Vergleich bei ca. 73%.

Cluster 3: - Ähnlichkeitsniveau relativ konstant, schwankt im Mittel um 51%, aufniedrigerem Niveau als Werktag-Werktag-Vergleich (- ca. 20%) nocheinmal - ca. 10% niedriger als Cluster 2.

- Samstag-Werktag-Vergleich mit leichtem Ähnlichkeitsanstieg im Wochen-verlauf, Sonntag-Werktag-Vergleich eher konstant (Samstag-Montag-Ver-gleich niedrig, Samstag-Donnerstag und Samstag-Freitag höher, wie auchSonntag-Freitag).

- Sonntag-Samstag-Vergleich bei ca. 70% mit ähnlichem Niveau wie Werk-tag-Werktag-Vergleiche.

Wie aus der Abbildung zu erkennen ist, ergeben sich erkennbare Unterschiede imVerhalten zwischen den Clustern, wobei die Unterschiede zwischen Cluster 2 und 3 nichtstark ausgeprägt sind. Die feinere Clusterung ergibt eine weitere Unterscheidung in denbeiden genannten Gruppen und weitere Differenzierungen in den im folgendenbeschriebenen Verteilungen der soziodemographischen Merkmalsausprägungen. Außerder Erkenntnis, dass erhebliche Unterschiede im Verhalten bestehen, würden diedetaillierteren Darstellungen keine grundlegend erweiterteten Erkenntnisse ergeben, sodass an dieser Stelle auf weitere Differenzierungen verzichtet wurde.

Zur weiteren Analyse wurden die Personendaten der Gruppenmitglieder in den Gruppenzusammengestellt und ausgewertet. In der Darstellung der Zeitbudgets für die Cluster inAbb. 106 ist wiederum deutlich der Unterschied zwischen Cluster 1 und den Clustern 2und 3 zu erkennen. Die Zuhause verbrachte Zeit hat in Cluster 1 mit im Mittel ca. 1200Minuten (ein Tag = 1440 Minuten) den größten Betrag. In Cluster 2 werden im Mittel ca.950 Minuten , in Cluster 3 im Mittel ca. 800 Minuten Zuhause verbracht.

Weitere deutliche Unterschiede sind bei den Zeitaufwänden für die Freizeitaktivitäten undArbeit zu erkennen. Während in Cluster 1 ein eher gleichbleibender Anteil (ca. 100Minuten an den Werktagen) für Freizeit aufgewendet wird (erhöht an den Wochenendenmit ca. 160 Minuten), unterscheiden sich die Anteile an den Werktagen und denWochenenden in Cluster 2 mit ca. 100/300 Minuten und in Cluster 3 mit ca. 180/650Minuten deutlich. Auffallend ist der hohe Anteil Freizeit in Cluster 3. Der Arbeitszeitanteilin Cluster 1 ist kaum zu erkennen, der Zeitanteil für Ausbildung liegt bei ca. 50 Minuten,ungefähr halb so groß wie in den beiden anderen Clustern. Die Arbeitszeit in den Clustern2 und 3 beträgt ca. 300 Minuten und ist in den beiden Clustern ähnlich ausgeprägt.

An dieser Stelle wird allerdings noch einmal erkennbar, welche Interpretations-schwierigkeiten sich bei solchen Betrachtungen der Zeitbudgets ergeben. Die hierdargestellten mittleren Zeitbudgets lassen keine Rückschlüsse auf tatsächliches Verhalten



zu. So ist z.B. für Cluster 2 bei der Arbeitszeit vorauszusetzen, dass ein Teil der Befragtenvoll erwerbstätig ist, somit also einen wesentlich größeren Anteil an Arbeitszeit aufwendet,andere Befragte gar nicht arbeiten. Eine weitere Unterteilung würde hier vermutlichbessere Ergebnisse liefern. In der vorliegenden Untersuchung sind allerdings „nur“ 159Personen befragt worden. Eine größere Anzahl von Gruppen würde eine geringeBesetzung innerhalb der Gruppen bedingen. Dies ist auch im Dendrogramm zu erkennen.Die so erzielten Ergebnisse wären somit kaum mehr interpretierbar.

200

400

600

800

1000

1200

1400

Min

200

400

600

800

1000

1200

1400

Min

200

400

600

800

1000

1200

1400

2 4 6 8 10 12 14 16 18 24 26 28 30 32 34 36 38 40 42day

Min

leisure education

missing item shopping long term work related businesshome daily shopping personal businessother work pick up/drop off

20 22

Abb. 106: Zeitbudgetverteilung innerhalb der Cluster

Die Darstellung der Ausprägungen der soziodemographischen Merkmale für die Clusterist in Abb. 107 dargestellt. Entsprechend der Erwartungen resultierend aus derBetrachtung der Zeitbudgets erwartet sind einige deutliche Unterschiede zu erkennen. DieErwerbstätigkeit beträgt in Cluster 1 ca. 20% (dies war aufgrund der extrem niedrigenZeitanteile hier vielleicht nicht zu erwarten), in Cluster 2 und 3 ist sie mit 62%/64% ähnlichhoch und gegenüber Cluster 1 deutlich höher.

Der Anteil älterer Personen (älter als 65 Jahre) ist in Cluster 1 mit ca. 34% sehr viel höherals in den Clustern 2 und 3 mit ca.2% bzw. ca. 5%. Der größte Anteil der 30-65 jährigen



ist in Cluster 2 zu finden, der größte Anteil 18-30 jähriger findet sich in Cluster 3, derkleinste Anteil in Cluster 1. Der größte Anteil 10-18 jähriger findet sich in Cluster 2, inCluster 1 und 3 ist der Anteil jeweils nur halb so groß. Die 6-10 jährigen sind in allenClustern nahezu mit gleichen Anteilen vertreten.

Bei der Ausbildung ist auffallend, dass ein sehr großer Anteil der Personen mit „höherer“Ausbildung (Hochschul- und Fachhochschulabschluss) mit ca. 65% in Cluster 3 vertretenist. In den beiden anderen Clustern ist der Anteil nur halb so groß, am kleinsten in Cluster1. Genau das umgekehrte Verhältnis ergibt sich bei Zusammenfassung der „niedrigeren“Schulabschlüsse. In Cluster 3 gibt es keine Person ohne Schulabschluss.

Nicht verwunderlich sind die Verteilungen des Beschäftigungsstatus. In Cluster 1 sind ca.45% der Personen Rentner, Vollzeitbeschäftigte sind nicht vertreten. Der größte AnteilVollzeitbeschäftigter ist in Cluster 3 mit ca. 65% zu finden, ebenso der größte AnteilStudenten. Der Anteil Teilzeitbeschäftigter ist in Cluster 1 und 2 mit ca. 18% doppelt sogroß wie in Cluster 3.

In den Ausprägungen der soziodemographischen Merkmale Geschlecht undFührerscheinbesitz sind keine ausgeprägten Unterschiede zwischen den Clusternfestzustellen.

Gender

0%

20%

40%

60%

80%

100%

Cluster1 Cluster2 Cluster3 Female Male

Age

0%

20%

40%

60%

80%

100%

Cluster1 Cluster2 Cluster3> 65 10 - 18 30 - 65 6 - 10 18 - 30 0 - 6

Education

0%

20%

40%

60%

80%

100%

Cluster1 Cluster2 Cluster3Full Highschool - East Intermediate -16 yearsFull Highschool Obligatory schoolingLimited Highschool Primary None

Employed

0%

20%

40%

60%

80%

100%

Cluster1 Cluster2 Cluster3

Employment status

0%

20%

40%

60%

80%

100%

Cluster1 Cluster2 Cluster3Self -employed Unemployed ApprentenceFull-time Retiree StudentPart-time Housemaker Pupil

Driver´s licence

0%

20%

40%

60%

80%

100%

Cluster1 Cluster2 Cluster3 no yes no yes

Abb. 107: Verteilung der Ausprägungen der soziodemographischen Merkmale innerhalbder Cluster

5.4.5 Fazit

Mit Hilfe der im Projekt Mobidrive erhobenen 6-Wochen-Wegetagebuchdaten der 159Personen aus Karlsruhe und 158 Personen aus Halle/Saale wurden tägliche Aktivitäten-sequenzen gebildet. Diese Sequenzen waren Grundlage für eine Analyse der Tages-



abläufe mit Hilfe verschiedener Sequenzanalysen.

Neben der einfachen Auszählung von Häufigkeiten und Frequenzen, welche ersteEinschätzungen der Rhythmik und Variabilität im Verhalten liefern und einen erstenEindruck der den Analysen zugrunde liegenden Daten vermitteln, wurden die Verhaltens-sequenzen mit zwei unterschiedlichen Verfahren analysiert. Die Berechnung mit demmodifizierten Jones- and Clarke-Verfahren ergibt Ähnlichkeitsindexbereiche, die mit denvon Jones and Clarke in ihren Analysen ermittelten Werten gut übereinstimmen. EineClusterung auf der Grundlage der berechneten Ähnlichkeitsindizes ergibt eineGruppeneinteilung, die aufgrund der anschließende Analyse der soziodemographischenMerkmale frühere Arbeiten zur Gruppeneinteilung in Bezug auf das Verkehrsverhaltenbestätigt. So ergeben sich Gruppierungen, die in ähnlicher Form in heutigen Verkehrs-nachfragemodellen die Grundlage zur Schätzung des Verkehrsaufkommens darstellen.

Die intra- und interpersonellen Vergleiche des beobachteten Verhaltens über 42Erhebungstage zeigen, dass einerseits größere Teile des Verhaltens als regelmäßig oderrhythmisch, stabil und/oder routinemäßig durchgeführt bezeichnet werden können. Siezeigen damit aber auch, dass existierende Verhaltensvariationen und -flexibilitäten inbisherigen Analysen und Grundlagen für Schätzungen des Verkehrsaufkommens durchQuerschnittsbetrachtungen (weil nicht erfasst) unzulässigerweise vernachlässigt wordensind. Langzeitbetrachtungen, wie hier im Projekt Mobidrive, zeigen aber, dassindividuelles Verhalten im Tag-zu-Tag Vergleich sehr variabel sein kann. Der hohe Gradder Ähnlichkeitsmaße auf der Basis der Berechnungen mit der Methode derSequenzausrichtung (vgl. Abb. 99 - Abb. 104) darf an dieser Stelle nicht überinterpretiertwerden. So ergeben sich diese hohen Ähnlichkeitsmaße methodisch bedingt aus denfolgenden Vorgaben:

- Die Grundähnlichkeit durch den Einbezug der Nachtstunden in die Analyse ergibt sichzu ungefähr 35%.

- Im Gegensatz zur Methode von Jones and Clarke werden beim Verfahren derSequenzausrichtung alle paarweisen Vergleiche der Sequenzeinzelelemente in dieBestimmung des Ähnlichkeitsmaßes einbezogen. Dies führt dazu, dass „lediglich“verschobene Teilsequenzen einen kleineren Beitrag zur Unähnlichkeit liefern.

- Bei der hier vorgestellten Anwendung wurden für Vergleichen unterschiedlicherAktivitäten keine aktivitätenspezifischen Gewichtungen verwendet. Dies bedeutet,dass sich rechnerisch genau derselbe Unterschied beim Vergleich der AktivitätArbeiten mit Zuhause und Arbeiten mit Dienstlich/Geschäftlich ergibt.

Dies führt zu der Einschätzung, dass die beobachteten (berechneten) Ähnlichkeiten ehernoch am oberen Rand des Ähnlichkeitsmaßbereiches liegen. Zusätzlich ist anzunehmen,dass die Verhaltensvariabilität in Zukunft - z.B. aufgrund der Ausdifferenzierung vonLebensstilen - noch zunimmt. Auch aufgrund der abnehmenden „Bindungswirkungen (z.B.durch die Verlängerung/Veränderung der Ladenöffnungszeiten oder durch die Flexibili-sierung von Arbeitszeiten) ist damit zu rechnen, dass eine Zunahme der Variabilität desindividuellen Verhaltens zu erwarten ist. Wie z.B. im Bereich der Freizeitaktivitäten gut zuerkennen ist, stellen die in ihren Merkmalen unterschiedlich ausgeprägten Aktivitätenjeweils spezielle Anforderungen in Bezug auf die Teilnahme in Form von Zugangs-



möglichkeit, Zeitpunkt, Dauer usw.. Zukünftige „maßnahmenreagible“ Modelle für dieSchätzung des Verkehrsaufkommens sollten daher in der Lage sein diese Veränderungabzubilden, und die Wirkungen der beobachteten Variabilität im individuellen Raum-Zeit-Verhalten zu berücksichtigen.

5.4.6 Ausblick

Die im Projekt Mobidrive durchgeführten sechswöchigen Erhebungen des Verkehrs-verhaltens und die durchgeführten Analysen zeigen deutlich, dass das individuelle Raum-Zeit-Verhalten „komplex ist“, also jeweils in Teilen gleichzeitig variabel und flexibel, wieauch rhythmisch, regelmäßig und stabil ist. Zur Verdeutlichung können die folgendenBilder dienen (Abb. 108).

1 2

3

Abb. 108: Visualisierung des raum-zeitlichen Verhaltens einer ausgewählten Person in 1)der Aufsicht, 2) der Darstellung eines Tages je vertikaler Ebene und 3) der 42Raum-Zeit-Pfade (die Zeit ist in der Vertikalen aufgetragen)

Aufgrund der eingeschränkten 3D-Visualisierungsmöglichkeiten in einem 2D-Medium



wurde eine Person ausgewählt, deren Verhalten eher als stabil, rhythmisch/regelmäßig zubezeichnen ist. Trotzdem ist die über die 42 Tage auftauchende Verhaltensvariabilität gutzu erkennen. Insbesondere in der räumlichen Ausprägung bestehen noch zusätzlicheWahlmöglichkeiten, die von anderen Personen auch genutzt werden. In der farbigenDarstellung sind insbesondere die Unterschiede zwischen Werktagen und Sams-tagen/Sonntagen sehr gut zu erkennen (in der schwarz-weiß-Darstellung sieheangenähert die Unterschiede in der linken (Werktage) und rechten Trennung des Bildesdurch die vertikale „Zuhause“-Achse in Bild 5.31-3).

Aufgrund der in diesem Projekt gewonnenen Erkenntnisse wird bestätigt, dass für dasVerständnis von Mobilität und für die Einschätzung und Beurteilung von Maßnahmen (z.B.zur Beeinflussung des Verkehrsverhaltens) die üblichen Querschnitssbetrachtungen nichtausreichen. Längsschnittbetrachtungen - wie die im Projekt Mobidrive durchgeführte -helfen das Verständnis zu verbessern und Möglichkeiten zur Verbesserung des Planungs-instrumentariums zu erarbeiten. Die in der hier vorgestellten Pilotstudie zur Rhythmik desVerhaltens durchgeführten Arbeiten und Erkenntnisse können dabei allerdings nur in derZusammenführung der für das Gesamtprojekt anvisierten weiteren Betrachtungsaspekteder Dynamik, der Routinen und der Zeitverwendung zu einem Gesamtbild führen.



5.5 Wechselbeziehungen im Verkehrsverhalten zwischenden Wochentagen – Anwendung von Structuralequation modelling (SEM)

Im folgenden wird eine weitere Methode vorgestellt und angewendet – Structural EquationModelling (SEM), die besonders geeignet ist, die Wechselbeziehungen zwischen denTagen darzustellen. Diese Fragestellung ist für die Verkehrswissenschaft deswegen vonRelevanz, weil Rückschlüsse auf den Planungshorizont und die Abhängigkeiten zwischenTagesabläufen möglich sind. Ausgangsüberlegung bei der Modellbildung ist, dass dasVerhalten an einem Tag das Verhalten am nächsten Tag und an den darauffolgendenTagen beeinflusst.

Der Forschungsprozess wird von folgenden Hypothesen begleitet.

• Montag: In den Modellen bildet der Montag den Ausgangstag und stellt somit eineArt Ursprungssituation dar. Es wird daher postuliert, dass der Montag alle anderenTage beeinflusst, allerdings im Laufe der Woche mit abnehmenden Einfluss.

• Vortag: Neben dem Montag spielt vor allem der Vortag eine wichtige Rolle in derAusprägung des Verhaltens an einem Tag. Idee dahinter ist, dass zum einenBeziehungen zwischen den Aktivitäten zweier aufeinander folgenden Tagebestehen und dass zum anderen auf diese Weise typenspezifische Verhaltens-weisen weitergegeben werden, wobei diese Tatsache mit Hilfe der Fehlervarianzenerfasst wird. Diese Hypothese hat für das Wochenende nur beschränkte Gültigkeit.

• Wochenende – Werktag: Andere Untersuchungen im Rahmen des ProjektesMobidrive (König, Schlich und Axhausen, 2000) haben gezeigt, dass es Unter-schiede im Verhalten an Werktagen und Wochenenden gibt – egal ob eine Personberufstätig ist oder nicht. Auch in diesen Modell wird erwartet, dass die Beziehungenzwischen den Werktagen enger ist als die Beziehung zwischen einem Werktag undeinem Samstag beziehungsweise Sonntag.

• Soziodemografie und Verkehrsverhalten: Generell wird angenommen, dass derEinfluss der Soziodemografie auf die Variabilität des Verkehrsverhaltens eher geringist. Im Hinblick auf die Gestaltung des Zusammenhanges wird eine Bestätigung derbereits im Zuge von anderen Mobidrive-Auswertungen erhaltenen Ergebnisseerwartet.

5.5.1 Methode - Structural Equation Modeling (SEM)

Die SEM-Modellierung ist eine Methode zur gleichzeitigen Analyse von Beziehungenzwischen mehreren Variablen (Bollen, 1989, Maruyama, 1998, Mueller, 1996). Auf Grunddieser Eigenschaft ist sie besonders dafür geeignet, komplexe Fragestellungen zuuntersuchen. Die Methode besitzt zwei herausragende Kennzeichen. Zum einen werden



im Modellbildungsprozess nicht die einzelnen Beobachtungswerte, sondern dieKovarianzen beziehungsweise Korrelationen zwischen den Variablen verwendet, zumanderen ist dieses Modell so generell, dass viele andere Methoden einen Spezialfall derSEM-Modellierung darstellen – wie zum Beispiel die Regression oder die konfirmatorischeFaktorenanalyse.

Ein SEM-Modell besteht aus drei Teilmodellen – aus zwei Messmodellen und einemStrukturmodell. Die Messmodelle enthalten die Beziehungen zwischen den latenten undden direkt beobachtbaren Variablen, das Strukturmodell die Beziehungen zwischen denexogenen beziehungsweise endogenen Variablen und den endogenen Variablen. Hierwerden nur Strukturmodelle verwendet, da das direkt beobachtbare Verhalten vonInteresse ist. Ein Strukturmodell ist folgendermaßen definiert:

η = Βη + Γξ + ζ

Variablen

η (eta) m*1 Vektor der latenten endogenen Variablen

ξ (ksi) n*1 Vektor der latenten exogenen Variablen

ζ (zeta) m*1 Vektor der Fehlervariablen

Koeffizienten

B (beta) m*m Koeffizientenmatrix der postulierten Beziehungen

zwischen den endogenen Variablen

Γ (gamma) m*n Koeffizientenmatrix der Beziehungen

zwischen den exogenen und endogenen Variablen

Der Anwender definiert, welche Elemente der drei Matrizen Β, Γ und Ψ (Kovarianzenzwischen den endogenen Fehlervariablen) frei sind. Die freien Parameter werdenanschließend simultan geschätzt. Voraussetzung für die Schätzung ist unter anderem,dass die Matrix (I - B) nicht-singular ist. Für die Modellschätzung stehen verschiedeneMethoden zur Verfügung, wobei hier die Maximum-Likelihood-Methode zur Anwendungkommt, da diese Methode bei großem Stichprobenumfang die präzisesten Schätzwerteliefert und relativ robust auch gegen starke Verletzungen der Normalverteilungsannahmeist.

Ergebnis der Schätzung sind zum einen sowohl die direkten als auch die totalen Effektezwischen den Variablen, wobei die Parameter der Matrizen Β und Γ den direkten Effektenzwischen den verschiedenen Variablen entsprechen. Die Parameter von Β und Γ könnenauch als unstandardisierte Regressionskoeffizienten interpretiert werden. Zum anderenliefert die SEM-Modellierung auch Kriterien zur Beurteilung der Modellgüte. Zu denwichtigsten Gütekriterien zählen die multiplen Korrelationskoeffizienten, der Chi-Quadrat-Test, der (Adjusted) Goodness-of-Fit Index, der (Non)normed Fit Index sowie der CriticalN.



5.5.2 Modellaufbau

Ein SEM-Modell besteht aus zwei Modellseiten – die exogene Seite enthält die Variablen,die die endogenen Variablen erklären, die endogene Seite enthält die Variablen, die durchdie exogenen und durch andere endogene Variablen erklärt werden. In den hiervorgestellten Modellen wird postuliert, dass das Verkehrsverhalten endogen und dieSoziodemografie exogen ist. Ein weitere wichtige Modellannahme ist, dass das Verhaltenvon einer Person während einer Woche und an dem folgenden Montag behandelt wird –das heißt, dass jede Beobachtungswoche als eine Beobachtungseinheit betrachtet wird.

Im Mittelpunkt des Modells stehen Variablen, die das Verkehrsverhalten beschreiben. Eswerden die Anzahl der Wege pro Tag und die zurückgelegten Distanzen gewählt, dadiese zwei Variablen zwei wichtige Dimensionen des Verkehrsverhaltens widerspiegeln(die Häufigkeit von Wegen als Maß des Mobilitätsniveaus, die Länge der Wege als Maßder Mobilitätsintensität). Da andere Untersuchungen gezeigt haben (siehe Simma, 2001),dass zwischen der Weganzahl und den zurückgelegten Distanzen enge Beziehungenbestehen, wird je Modell nur eine Verhaltensausprägung behandelt. Die Beschränkungauf eine Variablentyp pro Modell führt zu einer weitaus höheren Modellstabilität

Im Rahmen der SEM-Analyse werden die Variablen zentriert (zentrierte Variable = Wertder Variable bei einer Person – Mittelwert über alle Personen). Das heißt, dass nur dieDifferenzen zwischen den Tageswerten und den Mittelwerten betrachtet werden. Im Fallder Distanzen werden sowohl Modelle mit Ausreißern als auch Modelle ohne langeReisen („Ausreißer“) (Distanzen über 200 km) berechnet, da sich die Korrelationen unddie Mittelwerte sehr stark verändern – je nach dem ob Ausreißer berücksichtigt werdenoder nicht.

Die Auswahl der soziodemografischen Variablen orientiert sich an den Ergebnissenanderer Mobidrive-Untersuchungen (siehe Kapitel 5.2.2). Eine dort verwendete Varianz-analyse hat gezeigt, dass unter anderem die Variablen Geschlecht, Alter, Autoanzahl,Wohnstandort und Berufstätigkeit den größten Einfluss auf die exogenen Variablenbesitzen. Diese Variablen werden auch hier eingesetzt. Da diese Variablen allerdings nureinen kleinen Teil der Verhaltensvariabilität erklären können, wird erwartet, dass ihreErklärungskraft auch im SEM-Modell eher gering ist.

5.5.3 Ergebnisse

Der vorgeschlagene Modellaufbau führt dazu, dass drei Modelle geschätzt werden – einPersonen-Wegemodell und zwei Personen-Distanzenmodelle (mit und ohne Ausreißer).Da frühere Untersuchungen und ein fundiertes Wissen über die Beziehungen zwischenWochentagen fehlen, wird SEM nicht als rein strukturprüfende Methode angewendet,sondern einem interaktiven Prozess der Vorzug gegeben. Die ersten Modellversuchewerden beurteilt und basierend auf den Hypothesen und den Parameterwerten modifiziert.



5.5.3.1 Modellgüte

Die Ausgangsmodelle mussten modifiziert werden, um die Strukturen besser erklären zukönnen. Die unterschiedlichen Güteindexe zeigen, dass die modifizierten Personen-modelle eine verhältnismäßig hohe Qualität besitzen (siehe Tab. 50: Güte derPersonenmodelle

). Die beschreibenden Güteindexe (GFI, AGFI, NFI, NNFI, CFI) weisen fast optimaleWerte (optimaler Wert = 1). Die niedrigen R2s der reduzierten Form (siehe Tab. 51:

Direkte und totale (kursiv) endogene Effekts des Personen-Wegemodells

) können mit der geringen Bedeutung der Soziodemografie erklärt werden. Alle imfolgenden beschriebenen Effekte sind signifikant auf den 0.001 Niveau.

Personen-Wegmodell

Personen-Distanzenmodell(mit Ausreissern)

Personen-Distanzenmodell

(ohne Ausreisser)

Stichprobengrössse (Wochen) 1 407 1 407 1 263Anzahl der Iterationen 17 12 37

Freiheitsgrade 37 46 42Chi²-Wert 53.61 55.94 54.72Wahrscheinlichkeit vom Chi²-Wert 0.04 0.15 0.09

Goodness-of-Fit Index (GFI) 0.99 0.99 0.99Adjusted Goodness-of-Fit Index (AGFI) 0.99 0.99 0.99Critical N (CN) 1 572 1 791 1 528

Normed Fit Index (NFI) 0.98 0.97 0.98Nonnormed Fit Index (NNFI) 0.99 0.99 0.99

Tab. 50: Güte der Personenmodelle

5.5.3.2 Exogene Effekte

Die Auswirkungen der Variablen Geschlecht, Alter, Beschäftigung, Standort desHaushalts (Stadt) und die Autoanzahl auf das tägliche Verhalten sind ziemlich klein und inden drei Modellen sehr ähnlich gestaltet. Diejenigen Parameter, die in denPersonenmodellen frei sind, werden im folgenden Pfaddiagramm gezeigt (siehe Abb.109), wobei die Resultate der geschätzten Personenmodelle generalisiert wurden.

Erwerbstätigkeit und Geschlecht sind die einflussreichsten exogenen Variablen.Erwerbstätig zu sein, ist mit längeren Distanzen und mehr Wegen verbunden. Männlich zusein, hat positive Effekte auf die zurückgelegten Distanzen und auf die Weganzahlwährend des Wochenendes, aber negative Effekte auf die Weganzahl an Werktagen. DieErgebnisse zeigen auch, dass die Befragten in Karlsruhe im Durchschnitt mobiler sind als



die Befragten in Halle. Die Autoanzahl hat einen induzierenden Effekt auf dasVerkehrsverhalten, wobei diese Beziehung nicht so eng ist wie die Beziehung zwischenErwerbstätigkeit und Verhalten.

männlich

Alter

erwerbs-tätig

Karlsruhe

Autoanzahl

Wochentag

Samstag

Sonntag

VerkehrsverhaltenSoziodemografie

+

+

-

+/-

+

+

+

++

+

Abb. 109: Exogene Effekte in den Personenmodellen

5.5.3.3 Endogenen Effekte

In allen Modellen wurden neben den exogenen Effekten auch die endogenen Effekte unddie Beziehungen zwischen den Residuen geschätzt. Tab. 51: Direkte und totale (kursiv)endogene Effekts des Personen-Wegemodells

und Tab. 52 enthaltern das Personen-Wegemodell als Beispiel für ein in diesem Rahmenentwickeltes Modell. Alle Effekte innerhalb der Β-Matrix sind wie erwartet positiv(Weganzahl kann nicht negativ sein). Es bestehen signifikante direkt und totale Effektezwischen zwei aufeinander folgenden Tagen, wobei die β-Koeffizienten werktags Werteum 1 annehmen. Dies lässt den Schluss zu, dass das Verhalten während derArbeitswoche relativ konstant ist. Das Wochenende ist hingegen vom Rest der Wocheverschieden. Der Montag der folgenden Woche ist abhängig vom Verhalten in derVorwoche.



Zu VonMontag Dienstag Mittwoch Donners-

tagFreitag Samstag Sonntag Nächster

MontagMontagDienstag 1.29

1.29Mittwoch

1.270.990.99

Donnerstag1.33 1.04

1.051.05

Freitag1.29 1.00 1.01

0.970.97

Samstag 0,110.68 0.44

0.110.45

0.160.32

0.170.17

Sonntag0.45 0.34

0.080.34

0.080.23

0.100.13

0.160.16

NächsterMontag

0.230.91

0.110,54

0.150.43

0.130.27

0.140.14

R2 der redu-zierten Form

0.03 0.04 0.05 0.05 0.04 0.05 0.09 0.02

Tab. 51: Direkte und totale (kursiv) endogene Effekts des Personen-Wegemodells

Zu VonMontag Dienstag Mittwoch Donners-

tagFreitag Samstag Sonntag Nächster

Montag

Montag 4.72Dienstag -4.83 8.08Mittwoch -2.86 5.28Donnerstag -2.71 5.42Freitag -2.46 5.49Samstag 4.23Sonntag 2.53

NächsterMontag

3.47

Tab. 52: Kovarianzen zwischen den Residuen des Personen-Wegemodells

Bei den Personen-Distanzenmodellen sind zum einen modell-technische Ergebnisse vonInteresse. Erstens – die Unterschiede zwischen den Schätzwerte der Koeffizienten in denzwei Modellen (Modell mit und ohne Ausreißern) können auf die Größe derStandardabweichungen zurückgeführt werden. Zweitens – Nichtkonvergenz kann durchdie Ähnlichkeit von zwei Variablen verursacht werden ist. Dieses Problem kann nur durchdas Fixieren der entsprechenden Parameter gelöst werden.

Zum anderen konnten einige interessante theoretische Entdeckungen gemacht werden.Wieder wird der Einfluss des Vortages deutlich. Die Unterschiede zwischen den Wochen-tagen und dem Wochenende sind im Modell mit allen Beobachtungen nicht so starkausgeprägt wie im Modell ohne Ausreißer oder im Personen-Wegemodell. Grund dafür



ist, dass die Ausreißer die Koeffizientenschätzungen verzerren.

5.5.3.4 Prüfung der Hypothesen

Die aufgestellten Hypothesen können mit Hilfe dieser Modelle beantwortet werden.

• Montag: Diese Hypothese trifft zum Teil zu. Direkte Effekte von Montag zu denanderen Tagen bestehen zumeist zwischen Montag und Dienstag, zwischen Montagund Samstag und zwischen Montag und dem folgenden. Der häufig stark aus-geprägte Effekt zwischen zwei aufeinanderfolgenden Tagen ist der Hauptgrund fürden ersten Zusammenhang, ein typisches tägliches Verhalten der Hauptgrund fürden dritten Zusammenhang. Der zweite Zusammenhang kann als Mobilitätsindikatorverstanden werden.

• Vortag: Diese Hypothese wurde durch alle Modelle bestätigt. Die Parameter-schätzwerte innerhalb der B-Matrix sowie die Parameterschätzwerte innerhalb derΨ-Matrix zeigen die Bedeutung des Vortages für das Verhalten an einemspezifischen Tag. Die begrenzte Gültigkeit für das Wochenende ist auch sichtbar.

• Wochenende – Werktag: Die Ergebnisse deuten darauf hin, dass ein wöchentlicherRhythmus mit ähnlichen Wochentagen und Unterschieden zwischen den Wochen-tagen und dem Wochenende besteht.

• Soziodemografie und Verkehrsverhalten: Der Einfluss der Personen- und Haus-haltsvariablen auf die Variablen des Verkehrsverhalten ist wie erwartet ziemlichklein. Erwerbstätigkeit und Geschlecht sind die wichtigsten exogenen Variablen.

5.5.4 Ausblick

Die dargestellten Resultate sind ein erster Versuch, die Beziehungen zwischen unter-schiedlichen Tagen zu analysieren. Zwei sehr grobe Verkehrsverhaltensvariablen und nureinige sozio-demografische Eigenschaften wurden in den beschriebenen Modellenberücksichtigt. Dennoch konnte gezeigt werden, dass interessante Beziehungen zwischenden Tagen existieren. Zum Beispiel wurden Unterschiede zwischen Wochentagen undWochenenden oder die Bedeutung des Vortages und – mit Einschränkung – desMontages für das Verhalten an einem spezifischen Tag deutlich.

Diese Resultate sollten Ausgangspunkt für weitere Untersuchungen sein. ZukünftigeForschungen sollten andere endogene Variablen einbeziehen, insbesondere eineausführliche Untersuchung der Aktivitäten könnte interessant sein. Zusätzlich könntenunterschiedliche Modellsegmentationen das Verständnis des individuellen Verhaltensverbessern. Eine Vorbedingung für solche Untersuchungen sind allerdings größere Stich-proben.



5.6 Hazardmodell

5.6.1 Auswahl und Grundlagen eines geeigneten Analyse-instruments zur Analyse der rhythmischen Muster desVerkehrsverhaltens: Survival Analysis

Mit den rhythmischen Mustern des individuellen Verkehrsverhaltens soll im folgenden eineweitere zeitliche Perspektive im Vordergrund stehen, die in den bisherigen Analysen desaktivitäten-basierten Ansatzes erst wenig Beachtung gefunden hat.

Die im folgenden dargelegte Entwicklung eines stochastischen Modells zur Abbildung derRhythmik im Verkehr basiert auf den Daten der Hauptstudie – der sechswöchigen Wege-tagebucherhebung. Eine über die deskriptive Beschreibung hinausgehende Analyse desCharakters von rhythmischen Mustern des Verkehrsverhaltens und eine Identifizierungvon Determinanten stellt die Verkehrsforschung vor methodische Herausforderungen.

Auf der aggregierten Ebene der Zähldaten (Systemebene) wird seit langem mitZeitreihenmodellen gearbeitet, bei denen zeitlich geordnete Folgen von Beobachtungen(z.B. Verkehrsstärken an Zählstellen) einer Größe beschrieben, modelliert, prognostiziertund auf deren Konsistenz kontrolliert werden (siehe auch Kapitel 2). Für den aktivitäten-basierten Ansatz mit individuell-zuordbaren Werten und Kennziffern ist jedoch einemethodische Weiterentwicklung erforderlich.

Rhythmen können generell durch ihre Perioden und Amplituden typisiert werden (Abb.110). Dieser Abschnitt beschränkt sich auf die Analyse der Periodizität desVerkehrsverhaltens, die durch die Anordnung und Länge der Zeitintervalle zwischengleichartigen Mustern (hier: Aktivitäten) beschrieben werden kann. Die Ausprägungen derrhythmischen Muster (Amplituden) können beliebig komplex gewählt werden – von dereher eindimensionalen Betrachtung der Aktivitäten mit lediglich einem Attribut (z.B.Zweck) bis zu einer komplexen multiplen Charakterisierung von Mustern nachverschiedenen Attributen. Frühere Forschungsarbeiten stellen eine Reihe Muster-vergleichs- bzw. Musterklassifizierungsmethoden für Wege, Aktivitäten oder Sequenzenzur Verfügung (z.B. Pas, 1983; Hanson und Huff, 1986; Wilson, 1998), die in eine vertiefteAnalyse einfließen könnten.

Rhythmen

Amplitude

(Ausprägungen derrhythmischen Muster,z.B. Wegzweck)

Periodizität

(Intervalle zwischenVerhaltensmustern /Aktivitäten)

Abb. 110: Strukturelle Elemente von Rhythmen



Für die Analyse von Intervallen zwischen gleichartigen Verhaltensmustern wurden ausdem Mobidrive-Datenmaterial die Zeitdauern zwischen Aktivitäten gleicher Art – kate-gorisiert nach Aktivitätenzwecken – generiert (Abb. 111). In einem weiteren Schritt wurdendiese Daten mit sozio-demographischen Charakteristika der Reisenden und weiterenAttributen der Aktivitäten verknüpft, die als unabhängige Variablen in das vorgeschlageneModell eingehen.

No HH P ActivityStart Time

Day ActivityEnd Time

Day Interval[hours]

Interval[days]

1 3 1 15:35:00 1 17:00:00 1 . .2 3 1 08:30:00 3 09:15:00 3 40.917 1.70493 3 1 15:25:00 8 16:30:00 8 126.917 5.28824 3 1 09:35:00 12 10:30:00 12 90.167 3.75691 3 2 15:35:00 1 17:00:00 1 . .2 3 2 15:25:00 8 16:30:00 8 167.833 6.99313 3 2 15:30:00 9 16:30:00 9 24.083 1.00354 3 2 12:20:00 10 13:30:00 10 20.833 0.86815 3 2 09:35:00 12 11:00:00 12 45.250 1.8854

= Linkszensierte Beobachtungen, siehe unten; HH = Haushaltsnummer; P = Personennummer

Abb. 111: Intervalle zwischen gleichartigen Aktivitäten, Aktivität: Langfristiger Einkauf(Ausschnitt eines SAS-Output)

Besonderheiten bei der Analyse von Zeitdauerdaten

Lineare Regressionsmodelle und verwandte stochastische Werkzeuge bieten sich in derRegel zur Untersuchung von Verteilungen und den Einfluss bzw. die Korrelation vonDeterminanten eines bestimmten Phänomens an. Bei der Analyse von Dauerdaten ist dieAnwendung solcher Modelle mit Kleinster-Quadrate-Schätzung aufgrund von Annahmenzu den Modellergebnissen und aufgrund des besonderen Charakters der empirischenDaten jedoch problematisch (Hosmer und Lemeshow, 1999). Empirische Dauerdaten undsomit auch Ergebnisse von Schätzungen können ausschließlich positive Werte annehmen– negative Zeitdauern existieren nicht! Diese Annahme stellt eine wesentliche Restriktionfür den Einsatz klassischer Regressionen dar.

Zudem können Zeitdauern aus vielerlei Gründen häufig nur teilweise beobachtet undgemessen werden – eine Tatsache, die in der Literatur als censoring problem bekannt istund die die Anwendung klassischer Regressionsmodelle ausschließt. Die Dauer desBeobachtungszeitraums schränkt in der Regel die Plausibilität der Messungen ein, da dierelevanten Prozesse zum Teil schon vor dem Beginn der Untersuchungen eingesetzthaben oder über deren Ende hinausgehen können. Im ersten Fall spricht man von leftcensoring, d.h. dass der wahre Beginn einer Dauer ignoriert und dagegen der Start desBeobachtungszeitraums als Anfangszeitpunkt definiert (zensiert) wird. Über diebeobachtete Zeitdauer lässt sich lediglich aussagen, dass sie kleiner als der wahre Wert



ist. Right censoring beschreibt das Gegenteil, nämlich die Tatsache, dass der inWirklichkeit abgelaufene Prozess länger ist als der beobachtete bzw. definierte Prozessinnerhalb der Untersuchung (vgl. dazu Allison, 1995, 9ff.). Beispiel: Der zeitlich nichtpräzisierbare Tod eines Patienten nach dem Ende des Untersuchungszeitraums wirdignoriert und plausibel festgelegt. Herkömmliche statistische und stochastische Methodenerübrigen sich somit für ernstzunehmende Analysen, da beispielsweise eine Mittelwert-berechnung der Dauern quasi unmöglich ist oder Variablenausprägungen wie„mindestens 5 Monate Überlebenszeit“ nicht in stochastische Modelle einfließen können.

Survival Analysis

Diese statistischen und stochastischen Restriktionen haben zur Entwicklung dersogenannten Überlebenszeitanalyse oder Survival Analysis geführt, mit deren Hilfe hierauch ein geeignetes Modell für die in Mobidrive generierten Intervalldaten entwickeltwerden soll15 (Kalbfleisch und Prentice, 1980; Cox, 1984; Kleinbaum, 1996). Das Ziel vonSurvival Analysis ist die beobachtete Verteilung von Dauern mit Hilfe von sogenanntenHazardfunktionen abzubilden (siehe unten).

Survival analysis findet in anderen technischen und gesellschaftlichen Forschungsfeldernwie der Biometrie, dem Maschinenbau oder der Marktforschung schon länger An-wendung. Survival Analysis und insbesondere sogenannte hazard models werden überalldort eingesetzt, wo der Zeitpunkt des Eintritts eines bestimmten Ereignisses prognostiziertwerden soll. Als typische Anwendungsfälle gelten die Prognose des Andauerns vonArbeitslosigkeit bis zur Wiederaufnahme einer Beschäftigung, des Zeitraums bis zurMarktdurchdringung eines neuen Produktes oder der Länge eines Arbeitskampfes bis zudessen Schlichtung. Mit hazard models wird in der Verkehrsverhaltensforschung seit etwaEnde der 80er Jahre gearbeitet, z.B. in den Bereichen Aktivitätenwahlverhalten oder derAnalyse von Dauern in- und aushäusiger Aktivitäten (Mannering und Hamed, 1990;Hamed und Mannering, 1992; Mannering, Murakami und Kim, 1992; Hamed, Kim undMannering, 1992; Niemeier und Morita, 1994; Bhat, 1996a; 1996b; Ettema, Borgers undTimmermans, 1995; Reader und McNeill, 1999; Oh, 1999).

Konzeptionelle Grundannahmen zur Periodizität des Verkehrsverhaltens

Survival Analysis stellt unseres Erachtens einen lohnenden Ansatz zur Analyse derPeriodizität im Verkehrsverhalten dar. Konzeptionelle Grundlage des hier vorgestelltenAnsatzes ist die Vorstellung, dass rhythmische Muster als Ereignisse angesehen werdenkönnen, deren Eintrittswahrscheinlichkeiten über einen Zeitraum annähernd genaubestimmt werden können. In aller erster Linie werden die Wahrscheinlichkeiten über diezeitlichen Abstände (Intervalle) zum letztmaligen gleichartigen Muster bestimmt. WeitereVoraussetzung für die Schätzung der Ereigniszeitpunkte ist die Identifizierung vonweiteren Determinanten des Verhaltens, die Einfluss auf den zyklischen Charakter derAktivitätenausübung besitzen. Im (Zeit-)Intervall zwischen zwei Ereignissen findet ein

15 Im folgenden wird durchgehend der englische Begriff Survival Analysis benutzt.



Bedürfnisaufbau statt, der durch eine Wahrscheinlichkeitsfunktion ausgedrückt werdenkann und an dessen Ende (relatives Maximum) der Ereigniseintritt steht.

BedürfnisaufbauZusammenhang zwischen Dauer

und Eintrittswahrscheinlichkeit

Intervalldauer zwischenzwei Ereignissen

Eintritt x desMusters / Ereignisses

Eintritt x + 1 desMusters / Ereignisses

Ein

ritt

s-w

ahrs

chei

nlic

hke

it

Abb. 112: Basiskonzept: Rhythmik des Verkehrsverhaltens

Unbestrittenerweise enthält das hier vorgestellte Konzept diverse prokatischeEinschränkungen und vereinfachende Annahmen zum alltäglichen Aktivitätsverhalten. Esbasiert im wesentlichen auf der Annahme, dass der Bedürfnisaufbau zwischen derAusführung zweier gleichartiger Aktivitäten eine monotone Funktion der Zeit wider-spiegelt. Dies setzt vereinfachend voraus, dass individuelles Verhalten sich gänzlich voninternen als auch externen Einflüssen wie beispielsweise spontanen Änderungen derPlanung des persönlichen Tagesablaufs oder derer anderer Personen loslöst. Zudembleibt offen, ob ein solches Konzept des Bedürfnisaufbaus für alle denkbarenAktivitätenkategorien in gleicher Weise angewandt werden kann – unabhängig von derTatsache, ob es sich um verpflichtende oder Freizeitaktivitäten handelt oder möglicher-weise unterschiedlichen Reisekontexten der Wege wie flexiblen versus fixen Zugangs-zeiten der Aktivitätenstandorte. Die angesprochenen Restriktionen erfordern eine weiteremethodische Verfeinerung des Basiskonzeptes, es bietet jedoch ein erstes (ausbaubares)Analyseinstrument für wiederkehrende Verhaltensmuster im Verkehr.

Mathematische Grundlagen der Survival Analysis

Innerhalb der Survival Analysis wurden eine Reihe von Modellen entwickelt, die sichdurch die Verteilungsannahmen zur individuellen Ereigniszeit T unterscheiden. Die Zeit(Zeitpunkt) T ist auch die im Mittelpunkt stehende Zufallsvariable unseres Modells – siebeschreibt den Zeitpunkt des Beginns einer gleichartigen Aktivität bzw. den Endpunkt



[ ]tTtF <= Pr)(

[ ] )(1Pr)( tFtTtS −=≥=

( )dt

dttTtdttdStdtdFtf

dt

)Pr(lim/)()(/)(

0

+<≤=−==

→

eines Intervalls zwischen gleichartigen Mustern.

Für das bessere Verständnis des im folgendem Abschnitt beschriebenen stochastischenModells, sollen an dieser Stelle drei wesentliche Darstellungsformen der Wahrscheinlich-keitsverteilungen von T vorgestellt werden (Abb. 113):

Zunächst liefert uns die (kumulative) Verteilungsfunktion F(t) die Wahrscheinlichkeit, dassder Zeitpunkt des Ereigniseintritts vor oder genau an einem gewählten Zeitpunkt t liegt.Könnten wir den Wert von F für jeden Wert von t bestimmen, wüssten wir alleswesentliche über die Verteilung von T und damit über die allgemeine Verteilung der Inter-valldauern der entsprechenden Rhythmen.

(1)

Üblicherweise steht in Anwendungen von Survival Analysis das Überleben von Prozessenüber den gewählten Zeitpunkt – also beispielsweise dem Ende desUntersuchungszeitraums – im Mittelpunkt des Interesses. Die Survival Funktion S(t)drückt die Wahrscheinlichkeit des Überlebens über einen Zeitpunkt t hinaus aus. DieFunktion kann Werte zwischen 0 und 1 annehmen, und da Zeitdauern per Definition nicht-negativ sind, ergibt sich S(0) = 1. Die Form hat je nach Eigenschaft der beobachtetenProzesse verschiedenste Ausprägungen, ist aufgrund der beschriebenen Restriktionen inder Regel jedoch fallend.

(2)

In engem Zusammenhang mit (1) steht die unbestimmte Dichtefunktion bzw. ProbalilityDensity Function. Als erste Ableitung der Kumulativen Verteilungsfunktion entspricht sieweniger der intuitiven Vorstellung von Verteilungsausprägungen oder –kurven. Sie spieltjedoch bei der späteren Modellentwicklung eine wichtige Rolle, da Annahmen zurunbestimmten Verteilung von T wesentlichen Einfluss auf die auf die Schätzwerte für dieIntervalldauern haben. Sie ist gegeben durch

(3)

Die gängigste Darstellungsform für die Verteilungen von Zeitdauern ist die im weiterenVerlauf der Modellentwicklung wichtige Hazardfunktion h(t). Alle drei im vorausbeschriebenen Funktionen können auf die Hazardfunktion zurückgeführt werden. Sieschätzt die ‚Wahrscheinlichkeit‘ bzw. das unmittelbare Risiko, dass der Eintritt einesEreignisses in einer (kleinen) Zeitspanne zwischen t und dt zu erwarten ist – voraus-gesetzt, dass das Ereignis bis zum Zeitpunkt nicht eingetreten ist. Damit werden nur dieWahrscheinlichkeiten für Individuen geschätzt, die zur aktuellen Risikogruppe (risk set)gehören, d.h. die bis Beginn des Intervalls t+dt überlebt haben. Im Gegensatz zurProbability Density Function – man beachte die Ähnlichkeit der Terme – spricht manjedoch bei der Hazardfunktion von abhängiger (bedingter) Dichte, die sich aus derRestriktion zum risk set (s.o.) ergibt. In Anwendungsfällen, in denen wiederkehrendeEreignisse und abhängige Prozessdauern betrachtet werden, wird die Hazardfunktion oft



dt

tTdttTttStfth

dt

)Pr(lim)(/)()(

≥+<≤==

∞→

als Intensitätsfunktion bezeichnet.

(4)

Die Interpretation von Hazardfunktionen und Hazardraten ist aufgrund ihrer formalenDefinition nicht unkompliziert und erfordert eine gewisse Vorstellungskraft desBetrachters. Hazardraten sind keine Wahrscheinlichkeiten im eigentlichen Sinne, sondernlatente Variablen, die als Intensität des Übergangs von einem Zustand in einen weiterenaufgefasst werden können (Schneider, 1991). Je höher der Funktionswert, desto schnellerfindet im Durchschnitt der Übergang von Zustand A nach B statt.

f(t) Dichtefunktion

Dauer t

F(t) KumulativeVerteilungsfunktion

S(t) Survival Funktion

h(t) Hazard-Funktion0.8

0.6

0.4

0.2

0

1.0

Quelle: Verändert nach Hensher und Mannering (1994), S. 67

Abb. 113: Wesentliche Funktionen der Survival Analysis: Alternative Verteilungsdar-stellungen von T

Oft ist es von Interesse, nicht nur die Übergangswahrscheinlichkeit eines Zielzustandes(z.B. eines künftigen Aktivitätenzweckes) zu betrachten, sondern eine Reiheverschiedener. Dazu können Modelle mit multiplen Übergangswahrscheinlichkeiten(Konkurrierende Risiken) geschätzt werden, die an anderer Stelle schon zur Modellierungder individuellen Zeitplanung eingesetzt wurden (Ettema et al., 1995). Die Anwendungvon Hazardmodellen in dieser Form kann als erster Schritt in eine neue Richtung derSimulation und Prognose von Tagesprogrammen angesehen werden, wird an dieserStelle jedoch nicht weiter vertieft.



5.6.2 Deskriptive Analyse der Daten (Non-parametrischesHazardmodell)

Bevor auf die eigentliche Entwicklung eines semi-parametrischen Modells eingegangenwird, die die Untersuchung der Determinanten für rhythmisches Verkehrsverhalteneinschließt, erscheint zunächst eine Darstellung der univariaten Analyse der vorliegendenIntervall-Daten sinnvoll. Ziel ist hier, eine Schätzung der Survival Funktion (2) und derkorrespondierenden Hazardfunktion (4) zu erhalten – jeweils basierend auf denempirischen Beobachtungen zur rhythmischen Aktivitätenausübung.

Allgemein lässt sich für die (empirische) Survival Funktion folgendes formulieren:

t = 0 (5)

Empirische Survivalraten berechnen sich üblicherweise über den sogenannten Kaplan-Meier- (KM) oder Produkt-Limit-Schätzer, bei dem das Überleben von Prozessen bis zubeliebigen Punkten in der Zeit in eine Reihe von Schritten zerlegt wird. Die Schrittewerden entweder durch die gemessenen Zeiten selber oder aber durch plausibel fest-gelegte Intervalle definiert.

Letzteres ist als Sterbetafelmethode (life table method) bekannt und bietet sich immerdann an, wenn – wie bei den Mobidrive-Intervalldaten – viele Beobachtungen vorliegenund Dauern exakt gemessen werden konnten. Eine so festgelegte Gruppierung derEreigniszeiten in Intervalle (z.B. [0, 24 Stunden), [24, 48 Stunden), etc.) hat den Vorteil,dass die üblicherweise durch die KM-Methode generierten und wenig anschaulichenlangen Tabellen mit verschiedensten statistischen Parametern auf ein gut darzustellendesMaß limitiert werden können. Eine Interpretation der Modellergebnisse wird sovereinfacht.

Fundamentales Prinzip des Sterbetafelansatzes ist die Annahme, das Ereignis- undZensurzeitpunkte auf die jeweilige Intervallmitte zu datieren sind. Im Mobidrive-Fallberücksichtigen wir ausschliesslich unzensierte Dauern, d.h. dass die Zeitintervalle vorder ersten Aktivität einer Person über die 42 Tage des Beobachtungszeitraums derEinfachheit halber ignoriert werden (siehe Abb. 111, graue Schattierung). Die Wahl derGruppierungsintervalle stellt einen mehr oder weniger willkürlichen Prozess dar – bei derempirischen Analyse der vorliegenden Dauerdaten schien eine Gruppierung der Daten in24-Stunden-Intervalle (1 Tag) angemessen.

Die Survival Schätzung für das Intervall i via Sterbetafelmethode ist wie folgt definiert

(6)

mit ti = Startzeitpunkt des Intervalls iqj = Bedingte Wahrscheinlichkeit des Ereigniseintritts (conditional probability

of failure)

nteneobachtungAnzahlderB

tS≥

=)(ˆ

∏−

=

−=1

1

)1()(ˆi

jji qtS



Für i = 1 und ti = 0 ergibt sich für den Survivalschätzer ein Wert von 1.

Die conditional probability of failure ist dabei ein Schätzwert für die Wahrscheinlichkeit,dass ein Ereignis wie der Start einer Aktivität innerhalb des definierten Intervalls eintritt –wiederum vorausgesetzt, dass es bis ti noch nicht beobachtet wurde. Diese Schätzungerrechnet sich durch (Anzahl der Ereigniseintritte / Stichprobengröße).

Die korrespondierende Hazardfunktion ist gegeben durch

(7)

mit tim = Intervallmittebi = Intervallbreiteni = risk set am Beginn des Intervallsdi = Anzahl der Ereignisse im Intervallwi = Anzahl der zensierten

Beobachtungen (hier: 0!)

Die Anwendung des non-parametrischen Modells zur Analyse der Intervalle zwischengleichartigen Aktivitäten bietet erste interessante Einblicke in die Struktur der Zeitplanungund Aktivitätenausübung über die sechs Wochen der Mobidrive-Erhebung (Abb. 114). DieIntervalldauern wurden für alle Aktivitätenkategorien (siehe Codierung im Band IIIAnhang1) untersucht. An dieser Stelle soll nur ein Ausschnitt der (graphischen) Gesamt-ergebnisse präsentiert werden, bei dem besonderes Interesse den Freizeit- und Einkaufs-aktivitäten gilt. Im Gegensatz zu den Aktivitäten Arbeit und Schule/Ausbildung, bei denenvon vornherein große Regelmäßigkeit anzunehmen ist (vgl. Abb. 114f), steht eineUntersuchung derer periodischen Struktur über längere Zeiträume noch aus.

Im allgemeinen ist für die Periodizität von Aktivitäten, die über die ganze Stichprobe inunregelmäßigen zeitlichen Abständen ausgeübt werden, eine exponentiell-fallende Formder Survivalrate und eine konstante Hazardrate zu erwarten. Unsere Daten weisendagegen erwartungsgemäß merkliche Strukturen rhythmischen Charakters auf.

)22

()(

iiii

iim dw

nb

dth

−−=



a) Langfristige Einkäufe (n=1348) b) Kurzfristige Einkäufe (n=3761)

c) Verein, Initiative etc. (n=518) d) Sport (aktiv) (n=973)

e) Lokal, Kino, Theater etc. (n=956) f) Arbeit;Personen in Vollzeitbeschäftigungohne Intervalle über Sonntage (n=2569)

Abb. 114: Empirische Survival und Hazardraten ausgewählter Aktivitäten: (Daten beiderFallstudienstädte)



Am deutlichsten ist dies bei den Intervallen zwischen Arbeitsaktivitäten von Vollzeit-beschäftigten (f), bei denen der Median der Ereigniszeiten (Sterbezeitpunkt des Intervalls)bei fast genau einem Tag liegt (Median=0.99861). Dies ist aufgrund der generellenzeitlichen Struktur von Arbeitszeiten nicht verwunderlich. Interessanter ist sicher dieTatsache, dass Freizeitaktivitäten – werden sie nach feineren Kategorien aufgeschlüsselt– einem festen zeitlichen Rhythmus folgen. Dies kann bei den Aktivitäten Sport (aktiv) undVerein, Initiative etc. (Abbildungen 6c und d) gezeigt werden, bei denen imWochenrhythmus relative Maxima der Hazardraten, also der Intensitäten des Übergangsvon einem Zustand in einen nächsten, zu beobachten sind. Weniger sichtbar ist dies beiden weiteren Aktivitätenzwecken, obwohl auch bei Langfristigen Einkäufen beimAusgehen (Lokal, Kino, Theater etc.) ähnliche Tendenzen ohne Mühe festzustellen sind.

5.6.3 Erste Modellergebnisse mit dem semi-parametrischenCoxmodell

Mit der in 5.6.2 dargestellten Beschreibung der empirischen Daten sind noch keineAnnahmen über die Einflussgrößen der Periodizität des Verkehrsverhaltens getroffenworden, die über die Zeitabhängigkeit der Intervalldauer hinausgehen. Dies soll zunächstdurch die Entwicklung eines semi-parametrischen proportionalen Hazardmodells (Cox,1972) erfolgen. In weiteren Schritten der Projektarbeit wurde auch ein voll-parametrischesWeibullmodell geschätzt werden.

5.6.3.1 Proportional Hazard Models

Hazardmodelle berücksichtigen im allgemeinen nicht nur die aktuelle Dauer einesZustandes als wesentliche Determinante für die Eintrittswahrscheinlichkeit vonEreignissen, sondern auch weitere Bestimmungsgrößen. Bei der Entwicklung einesangemessenen Modells für die Periodizität des Verkehrsverhaltens spielen – wie obenangedeutet – sozio-demographische Charakteristika, Öffnungszeiten von Einrichtungen,Arbeitszeitstrukturen oder persönliche Prämissen des Reisenden etc. eine Rolle. Imweiteren sollen die bis dato verfügbaren personen- und haushaltsbezogenenDeterminanten des Mobilitätsverhaltens näher beleuchtet werden. Überlebenszeitmodelle,die den Einfluss solcher Determinanten schätzen können, fallen in die Klasse derProportional oder Parametric Hazard Models.

In Proportional Hazard Models werden die zusätzlichen erklärenden Variablen alsFunktion eines multi-dimensionalen Vektors definiert (X), die multiplikatorisch auf die zu-grundeliegende Hazardfunktion (baseline hazard) wirkt (Abb. 115). Bei dem in Abschnitt 2beschriebenen Basismodell wird dagegen angenommen, dass alle erklärenden (Ko-)-Variablen den Wert 0 und damit keinen Einfluss auf die Intervalldauern besitzen.



kkiii xxtth ββα +++= ...)()(log

)exp()()()()( 000 XthXgthXth β== (8)

mit X = Vektor der Kovariablenß = Vektor der Schätzparameterh0(t) = baseline hazard

Beide Seiten logarithmiert ergibt

(9)

Die Eigenschaften der Hazardfunktionen ändern sich somit proportional zur Ausprägungder Kovariablen, vorausgesetzt dass das Verhältnis verschiedener Hazardfunktioneneines Modells für bestimmte Sets von Kovariablen über die Zeit konstant bleibt (≈h1/h2).Anders ausgedrückt: Die Hazardrate eines Prozesses (eines Individuums) ist eine festerAnteil der Hazardrate aller anderen Prozesse.

(10)

Dauer

Haz

ards

h(t¦X)= h0(t)g0(X)

h0(t)

1

3

2

Quelle: Eigene Darstellung nach Hensher und Mannering (1994), S. 68

Abb. 115: Wirkung erklärender Variablen der Zeitnutzung auf das Hazardmodell

Eine Reihe von Modellen werden in der Klasse der Proportional Hazardszusammengefasst, bei denen der wesentliche Unterschied in den Verteilungsannahmenzur baseline hazard besteht (Annahmen zur Probability Density Function und a(t),Gleichungen 3 und 9). Die Gestalt von Hazardfunktionen kann somit für bestimmteProzesse zeitlicher Dauer verschiedene Formen annehmen (Abb. 116). Möglich sindunter anderem eine monton-steigende (a), eine U-förmige (b), eine monoton-fallende (c)oder eine konstante Ausprägung (d). Bei monoton-ansteigenden Hazardraten(Weibullverteilung) kann man von Prozessen wie Entscheidungsfindungen ausgehen,deren Beendigung immer wahrscheinlicher wird, desto länger sie dauern. Prozesse, derenBeendigung mit fortschreitender Dauer unwahrscheinlicher wird, erzeugen eine monoton-

{ })(...)(exp)()(

111 jkikkjij

i xxxxthth

−++−= ββ



fallende Hazardrate (ebenso Weibull). Eine konstante Ausprägung des Graphen(Exponentialverteilung) spiegelt dagegen Prozesse wieder, bei denen kein erkennbarerZusammenhang zwischen dem Andauern und dem Abbruch des Vorgangs besteht.Letztlich sind auch Verläufe (wie bei b) vorstellbar, die keinen monotonen Charakteraufweisen (Log-logistische Verteilung).

Hazard

Dauer

b (Log-logistisch)

c (Weibull, fallend)

d (Exponentiell)

a (Weibull, steigend)

Quelle: Nach Ettema et al. (1995), S. 102

Abb. 116: Mögliche Ausprägungen von Hazardfunktionen

5.6.3.2 Semi-parametrisches Cox-Modell

Semi-parametrische Cox-Modelle (vgl. Cox, 1972) nehmen innerhalb der Analyse vonZeitdauern eine herausragende Stellung ein. Schon an anderer Stelle konnten sinnvolleSchätzungen zu Aktivitätendauern im Rahmen der Verkehrsverhaltensforschungangestellt werden (Hensher und Mannering, 1994; Sueyoshi, 1992).

Der Grund für die Popularität des Cox-Regression-Ansatzes in vielen Forschungsfeldernbesteht darin, dass zur baseline hazard keine expliziten Verteilungsannahmen getroffenwerden müssen – deswegen der Begriff semi-parametrisch. Im Mittelpunkt des Interessessteht die Schätzung des Kovariatenparameters ß. In der Literatur besteht Einigkeit, dassder Verzicht auf Verteilungsannahmen davor schützt, falsche Schlüsse aufgrund einesunpassenden Modells zur baseline hazard zu ziehen. Damit gilt das Cox-Modell generellals robuster verglichen mit voll-parametrischen Modellen. Ein weiterer Vorteil des Cox-Modells ist die Möglichkeit, zeitvariate Determinanten zu integrieren, also solche, die jenach Zeitpunkt der Beobachtung verschiedene Werte annehmen können (z.B. Wetter-einflüsse oder Erfahrungszuwächse aufgrund von kognitiven Lernprozessen). Desweiteren können sowohl diskrete als auch stetige Zeitdauern analysiert werden.

Erwähnt sei, dass die Entwicklung eines Cox-Modells allerdings auch Nachteile mit sichzieht, vor allem deswegen, weil sogenannte heterogeneity effects nicht berücksichtigtwerden können. In Cox-Modellen wird implizit von der These ausgegangen, dass



∏ ∑= ∈

=

n

k Rj j

k

kX

XL

1

)

)exp(

exp()(

β

ββ

aufgrund der Proportionalität des Modells Individuen oder Prozesse mit identischenKovariablen auch identische Hazardraten aufweisen müssen. Werden keine Kovariablenberücksichtigt, existiert für die gesamte Stichprobe eine einzige Hazardrate. Dies istoffensichtlich eine unangemessene Voraussetzung, da sich Individuen und ihre Umwelt invielerlei Hinsicht unterscheiden und die gemessenen / gewählten Kovariablen kaum dasgesamte Spektrum der Heterogenität der Stichprobe abdecken können (vgl. Allison, 1995,233ff.). Eine Nicht-Berücksichtigung der Heterogenität kann zu Verzerrungen derSchätzergebnisse von Modellen führen. Modelle, in denen Verzerrungen auftreten,weisen für die Hazardrate häufig fallende Werte auf, obwohl die wahre Hazardrate fürkeines der Individuen rückläufig ist. Allerdings wird an vielen Stellen – wie auch hier –ausdrücklich auf eine Integration verzichtet, da über den Charakter der Ungleichmäßigkeitder Stichprobe oder der Umweltbedingungen Verteilungsannahmen getroffen werdenmüssten, die wiederum gewissen Unsicherheiten unterliegen. Zudem besteht auch imCox-Ansatz genügend Raum für Zufallseffekte in den Zusammenhängen zwischen denSchätzwerten und den empirischen Dauerdaten.

Cox-Modelle basieren auf dem Prinzip der Maximierung von partial likelihood, das andieser Stelle nicht vertieft erläutert werden soll. Partial likelihood ignoriert im wesentlichenden ersten Teil von (8) und behandelt den zweiten so, als ob es sich um eineherkömmliche Likelihood-Funktion handelt. Die Tatsache, dass im ersten Term (baselinehazard) zeitabhängige Informationen über den Schätzparameter ß enthalten sein könnten,führt in der Regel zu keinen großen Verzerrungen des Modells, wird aber zumindest imweiteren überprüft.

Für die Schätzparameter gilt nach partial likelihood:

(11)

mit L(ß) = partial likelihood von ßß = Vektor der Schätzparametern = Anzahl aller DauernX = Vektor der Kovariablen

Die Vielzahl der verfügbaren Aktivitätenkategorien in Mobidrive bringt unbestreitbareVorteile für den Detaillierungsgrad der Untersuchungen mit sich. Die Periodizität derAktivitätenausübung divergiert zwischen den einzelnen Kategorien deutlich und lässt eineweitere Aggregation der Kategorien – beispielsweise in Pflichtaktivitäten versus Nicht-Pflichtaktivitäten – als zweitbeste Lösung erscheinen. Dies macht jedoch eineumfassende Darstellung aller Teilmodelle in einem Aufsatz problematisch. In derfolgenden Darstellung der parametrischen Hazardmodelle kann nur ein Ausschnitt der



möglichen Ergebnisse gezeigt werden. Exemplarisch werden Modelle für dieIntervalldauern der Aktivitäten Kurzfristiger Einkauf sowie Sport (aktiv) vorgestellt – zweiKategorien, die bei der empirischen Untersuchung der Intervalle relativ deutlicheErgebnisse zur Periodizität gezeigt haben. Die Modelle wurden für die Befragten in denStädten Karlsruhe und Halle separat geschätzt.

Bevor auf die Schätzungen der entwickelten Regressionsmodelle eingegangen wird,sollen einige Anmerkungen zu den Spezifika der Statistik gemacht werden:

Zunächst ist darauf hinzuweisen, dass die Überprüfung der grundlegenden Annahme zurProportionalität der baseline hazard am Beginn jeder Schätzung mit Cox-Modellen stehensollte. Dazu existieren eine Reihe von unterschiedlichen Methoden (vgl. Kleinbaum, 1996,129ff.), die das grundlegende theoretische Konstrukt des Cox-Modells, d.h. diemultiplikative Wirkung eines zeit-unabhängigen Kovariablenvektors auf die baseline,bestätigen bzw. widerlegen sollen. Zur Evaluierung der hier vorgestellten Modelle wurdeeine übliche graphische Methode gewählt, nämlich der Vergleich von geschätzten log-logsurvival curves über die verschiedenen Ausprägungen der gewählten Kovariablen. Log-log survival curves sind einfache Transformationen der geschätzten Survivalfunktionen,wobei deren Ergebnisse logarithmiert und anschliessend mit dem Wert zwei multipliziertwerden (mathematisch: -ln(-ln S)). Soll die Annahme der proportionalen Hazardsbestätigt werden, müssen die Funktionsgraphen der log-log survival curves möglichstparallel verlaufen. Auf eine eingehende Herleitung der Teststatistik wird an dieser Stelleverzichtet. Nach der separaten Überprüfung der gewählten Kovariablen gehen wir davonaus, dass die gezeigten Modelle die Proportionalitätsannahme erfüllen.

Im jeweils oberen Teil der folgenden Tabellen sind die Koeffizientenschätzungen und diesogenannte risk ratio aufgeführt. Die Besonderheit von partial likelihood Modellen bestehtdarin, dass keine Schätzungen des konstanten Glieds der Gleichung ( intercept)durchgeführt werden. Die Konstante ist Teil der logarithmierten baseline Funktion (vgl.Gleichung 9).

Von größtem Interesse ist die risk oder hazard ratio, die für Cox-Modelle durch eß

errechnet werden kann. Sie ist ein Indikator dafür, wie sich die Hazardrate einesIndividuums (eines Prozesses) gegenüber anderen gestaltet, d.h. sie stellt denquantitativen Wert für die multiplikatorische Wirkung des Modells dar (siehe oben, Abb.115). Für Indikator- bzw. Dummyvariablen (beispielsweise Geschlecht: weiblich=0,männlich=1) kann die risk ratio als das Verhältnis der geschätzten Hazardrate fürIndividuen mit dem Wert 1 an der Hazardrate für Individuen mit dem Wert 0 interpretiertwerden. Beispielsweise ist die geschätzte risk ratio für die Befragten mit mehr als 30Stunden wöchentlicher Arbeitszeit beim Modell für kurzfristige Einkäufe (Karlsruhe) gleich0.62. Dies bedeutet, dass der Hazard für den Ereigniseintritt (Start der folgenden gleich-artigen Aktivität) nur bei etwa 66% derjenigen mit weniger als 30 Wochenarbeitsstundenliegt und damit die Intervalle zwischen den Einkaufsaktivitäten um etwa ein Drittel längersind – unter statistischer Berücksichtigung der anderen Kovariablen. Für kontinuierlicheVariablen ist eine sinnvolle Statistik durch die Subtraktion von 1 und einer an-schliessenden Multiplikation mit 100 zu erreichen. Dies ergibt die geschätzte prozentualeÄnderung der Hazardrate für jeden Anstieg der Kovariable um eine Einheit. Für die



Variable Anzahl PKW im Haushalt im gleichen Modell ergibt sich ein risk ratio von 0.85,was zu einer um etwa 15 Prozentpunkte niedrigeren Hazardrate für jedes zusätzlicheAutomobil im Haushalt führt.

Karlsruhe Halle

Parameter-schätzung (ß)

RiskRatio


RiskRatio

PersonenbezogenIst männlich -0.033 1.03 -0.139 0.87 *Alter 0.026 1.03 * 0.031 1.03 *Alter (quadriert) -0.000 1.00 * -0.000 1.00 *Hat PKW-Führerschein -0.167 0.85 * 0.103 1.11Ist Vereinsmitglied -0.009 1.00 -0.093 0.91Ist verheiratet 0.033 1.03 0.047 1.05Ist Vater / Mutter 0.240 1.27 * 0.105 1.11

HaushaltsbezogenAnzahl HH-Mitglieder -0.086 0.92 * -0.035 0.96Anzahl PKW -0.162 0.85 * -0.060 0.94Netto-Einkommen:> 2000DM / HH-Mitglied

0.305 1.36 * 0.211 1.24 *

BeschäftigungsstatusArbeitszeit > 30 h -0.475 0.62 * -0.257 0.77 *

N 2024 1737

LogLikelihood(0) 26781.452 22454.022

LogLikelihood(ß) 26565.906 22381.446

ChiSquare (DF=11) 215.546 72.575

R2 0.101 0.041

* Statistisch signifikant bei 95%-Konfidenzintervall

Tab. 53: Parameterschätzung für semi-parametrischen Cox-Ansatz (Aktivität: KurzfristigerEinkauf – Positiver Proportionalitätstest)



Karlsruhe Halle


RiskRatio


RiskRatio

PersonenbezogenIst männlich 0.392 1.48 * 0.319 1.38 *Alter 0.013 1.01 0.041 1.04Alter (quadriert) -0.000 1.00 -0.000 1.00Hat PKW-Führerschein 0.499 1.65 * 0.538 1.71 *Ist Vereinsmitglied 0.622 1.86 * 1.089 2.97 *Ist verheiratet 0.012 1.01 -0.410 0.66Ist Vater / Mutter -0.260 0.77 -0.180 0.83

HaushaltsbezogenAnzahl HH-Mitglieder 0.081 1.08 0.243 1.28 *Anzahl PKW 0.025 1.02 0.119 1.13Netto-Einkommen:> 2000DM / HH-Mitglied

-0.031 0.97 0.429 1.54 *

BeschäftigungsstatusArbeitszeit > 30 h -0.278 0.76 * -0.742 0.48 *

N 672 301LogLikelihood(0) 7417.353 2842.786LogLikelihood(ß) 7321.680 2755.406ChiSquare (DF=11) 95.673 87.38R2 0.133 0.252

* Statistisch signifikant bei 95%-Konfidenzintervall

Tab. 54: Parameterschätzung für semi-parametrischen Cox-Ansatz (Aktivität: Sport (aktiv)– Positiver Proportionalitätstest)

Bei der inhaltlichen Interpretation der Schätzergebnisse soll nur auf einige interessantePunkte eingegangen werden: Für die Modellschätzung beider Aktivitätenkategorien istanzunehmen, dass die Auswahl der Kovariablen nur bedingten Einfluss auf dieIntervalllängen hat (niedriges R2). Die Streuung im Modell für die Aktivität Sport (aktiv)kann für beide Städte jedoch erheblich stärker auf die gewählten Determinantenzurückgeführt werden. Insgesamt ist die Auswahl der Kovariablen aufgrund von Ad-hoc-Annahmen zu den Einflussgrößen von Mobilität und der Proportionalitätstests getroffenworden – sie wird in weiteren Modellschätzungen durch Tests zur Signifikanz einzelnerVariablen und ihrer Wechselwirkungen sowie einer Verfeinerung der konzeptionellenBasis modifiziert.

Generell lässt sich feststellen, dass zwischen den beiden Fallstudienstädten wesentlicheUnterschiede bei den Einflussgrößen auf das zeitliche Verhalten der Befragten bestehen.Eine grundlegende – allerdings eher quantitative als qualitative – Erklärung dafür sind dieetwa 20% mehr berichteten Wege pro Tag in der Karlsruher gegenüber der Hallenser



)()( tStS ijji φ=

Stichprobe über den Sechs-Wochen-Zeitraum. Anders ausgedrückt: Entwickelt man einbivariates Cox-Regressionsmodell für die Aktivität Kurzfristiger Einkauf, in demausschließlich eine Indikatorvariable für die Fallstudienstadt berücksichtigt wird, liegt dieHazardrate für Karlsruhe um etwa 15 Prozentpunkte über der von Halle.

Die berücksichtigten Einflussgrößen unterscheiden sich insbesondere beim Modell für dieAktivität Kurzfristiger Einkauf. Während in der Karlsruher Stichprobe längere Intervalle fürvermeintlich (auto-)mobilere Verkehrsteilnehmer festzustellen sind (Führerscheinbesitz /Autobesatz des Haushalts), ist dies in Halle nicht der Fall. Dort sind eher die längerenIntervalle der Männer auffällig. Parallele Tendenzen können in beiden Städten bei derSignifikanz der Vollzeitberufstätigkeit (deutlich längere Intervalle zwischen den Einkäufen)und beim Einfluss des höheren Haushaltseinkommens (höhere Frequenz derEinkaufsaktivitäten) beobachtet werden.

Beim Modell für die Aktivität Sport sind die Variablen Geschlecht, Führerscheinbesitz undVereinsmitgliedschaft signifikant für beide Städte. Insbesondere Männer und – wie zuerwarten war – Befragte, die in Vereinen organisiert sind, weisen kürzere Intervallezwischen den Sportaktivitäten auf. Interessant stellt sich auch die ‚große sportlicheAktivität‘ der Führerscheininhaber dar, die in beiden Städten gegenüber den anderenVerkehrsteilnehmerinnen und –teilnehmern eine fast zweimal höhere Intensität dieserAktivitätenausübung aufweisen. Deutlich fallen auch die risk ratios der Vollzeit-beschäftigten (mehr als 30 Stunden Wochenarbeitszeit) aus, die wesentlich unter denender Vergleichsgruppe liegen.

5.6.3.3 Voll-paramatrische Modelle

Voll-parametrische Modelle mit einer expliziten Verteilungsannahme für diezugrundeliegende Hazardfunktion (baseline hazard) können entweder als proportionalhazards oder als sogenannte accelerated lifetime models (AFT) gebildet werden. Diezweite Modellklasse beschreibt das Verhältnis zwischen der Survivalfunktion zweierbeliebiger Individuen oder Prozesse, so dass gilt

(12)

mit ? = Spezifische Konstante bezogen auf das Paar (i, j).

Werden die AFT-Modelle in Verbindung mit der Annahme zur Proportionalität der Hazards(s.o.) gesetzt, können sie folgendermassen definiert werden

(13)[ ])exp()( 0 ZtSZtS β=



Für die korrespondierende Hazardfunktion gilt somit

(14)

mit Z = Vektor der Ko-Variablen

In früheren Arbeiten, in denen Aktivitätendauern mit Hilfe der Survival Analysis untersuchtwurden, hat sich die Weibull-Verteilung als der beste Indikator für den Zusammenhangvon Verkehrsverhalten und der Dauer von Prozessen herausgestellt (vgl. Hamed undMannering, 1993; Hensher und Mannering, 1994; Bhat, 1996a, b). Auch für die Analyseder Periodizität wird diese Verteilungsannahme gewählt – sie zeigte insgesamt einedeutlichere Verbesserung des Loglikelihoods als getestete Modelle mit anderenVerteilungsannahmen (exponentiell, log-logistische Verteilung). Das Modell geht von einerWeibull-Verteilung für die Variable T aus (abhängig von den Ko-Variablen)

Weibull-Modelle besitzen eine einfache Survivalfunktion in der Form von

(15)

Da Weibull-Modelle sowohl zur Gruppe der AFT-Modelle als auch zu den proportionalhazards gehören, können die geschätzten Parameter ähnlich leicht interpretiert werdenwie die oben gezeigten Cox-Modelle. Die Weibull-Verteilung ist eine Modifizierung derExponentialverteilung, die durch einen konstanten Hazard h(t) = ? charakterisiert wird.Dies kann als Dauer-Unabhängigkeit interpretiert werden. Die Weibull-Verteilung selberteilt diese restriktive Annahme nicht, sie erzeugt vielmehr einen monotonen Charakter desHazards. Deren Dichtefunktion ist gegeben durch:

(16)

mit P = Weibull-Parameter

und der Hazardfunktion

(17)

Die Richtung des monotonen Verlauf ist dabei abhängig vom Wert des Weibull-Parameters P – monoton steigend bei P > 1 und monoton fallend bei P < 1. Das Weibull-Modell wird zur exponentiellen Form reduziert, wenn der Weibull-Parameter den Wert 0annimmt. Auch das Weibull-Modell besitzt aufgrund des monotonen Charakters derSteigung des Hazards einschränkenden Erklärungswert für die Dauerabhängigkeit desVerhaltens (vgl. Hensher und Mannering, 1994 und die abschließende Diskussion),erlaubt jedoch eine erste Annäherung an das zugrundeliegende Konzept des Bedürfnis-aufbaus zwischen gleichartigen Mustern.

[ ] )exp()exp()( 0 ZZthZth ββ=

[ ]

−= − σβ

1

exp)( ixii ettS

[ ]PP ttPtf )(exp)()( 1 λλλ −= −

1)()( −= PtPth λλ



Karlsruhe Halle

TäglicherEinkauf

Sport(aktiv)

TäglicherEinkauf

Sport(aktiv)

ß Surv.Ratio

ß Surv.Ratio

ß Surv.Ratio

ß Surv.Ratio

Baseline-Parameter

? 0.48 n.a. 0.32 n.a. 0.39 n.a. 0.24 n.a. *

P = 1/s 0.80 n.a. 1.04 n.a. 0.86 n.a. 1.21 n.a. *

Intercept 1.00 n.a. * 2.26 n.a. * 1.20 n.a. * 3.70 n.a. *

Personenbezogen

Ist männlich -0.04 0.96 -0.39 0.68 * 0.17 1.18 * -0.27 0.76 *

Alter -0.03 0.97 * -0.01 0.99 -0.03 0.97 * -0.03 0.97Alter (quadriert) 0.00 1.00 * 0.00 1.00 0.00 1.00 * 0.00 1.00Hat PKW-Führerschein

0.20 1.22 * -0.46 0.63 * -0.12 0.89 -0.49 0.61 *

Ist Vereinsmitglied -0.01 0.99 -0.63 0.53 * 0.11 1.12 -0.92 0.40 *

Ist verheiratet -0.02 0.98 -0.01 0.99 -0.05 0.95 0.38 1.46 **

Ist Vater / Mutter -0.29 0.75 * 0.25 1.28 -0.14 0.87 0.13 1.14Haushaltsbezogen

Anzahl HH-Mitglieder 0.11 1.12 * -0.08 0.92 0.05 1.05 -0.22 0.80 *

Anzahl PKW 0.19 1.21 * -0.01 0.99 0.08 1.08 -0.08 0.92Netto-Einkomen:>2000DM/HH-Mitglied -0.36 0.70 * 0.10 1.10 -0.23 0.79 * -0.39 0.68

*

BeschäftigungsstatusArbeitszeit> 30 h /Woche

0.57 1.77 * 0.26 1.30 * 0.29 1.34 * 0.60 1.82 *

N 2024 672 1737 301LogLikelihood(0) -3807 -1078 -3061 -460LogLikelihood(ß) -3707 -1025 -3025 -413ChiSquare (DF=11) 200 106 72 94R2 0.09 0.15 0.04 0.27

***

Statistisch signifikant bei 95%-KonfidenzintervallStatistisch signifikant bei 90%-Konfidenzintervall

Tab. 55: Parameterschätzung für das voll-parametrischen Weibull-Modell (Aktivitäten:Kurzfristiger Einkauf und Aktiver Sport)

Trotz der Unterschiede in der Modellbildung zwischen dem Cox-Modell und der voll-parametrischen Variante, weisen die Modellschätzungen große Übereinstimmungen auf.Statistische Signifikanz besteht bei den Variablen Einkommen und Berufstätigkeit imModell für die täglichen Einkäufe, im Modell für die Aktivität Sport (aktiv) sind es wiederumdie Variablen Geschlecht, Führerscheinbesitz, Vereinszugehörigkeit und Berufstätigkeit.Bei der Interpretation der Ergebnisse besteht der Unterschied darin, dass nunmehrpositive Koeffizienten längere Überlebenszeiten anzeigen, negative sind dagegen mitkürzeren verknüpft. In anderen Worten indizieren negative Vorzeichen höhere Übergangs-raten bzw. kürzere Intervalle zwischen zwei Verhaltensmustern gleicher Art. Dies basiert



auf der Formel des Hazards in voll-parametrischen Ansätzen mit ? = exp(-ßZi). DieModellschätzungen können durch eine einfache Berechnung wiederum in Werte mithöherem Informationsgehalt transformiert werden. Der multiplikative Effekt der binärenKo-Variablen (dummies) und damit der geschätzte Anteil der erwarteten mittleren Über-lebenszeiten (survival times ) für zwei Vergleichsgruppen ist gegeben durch die soge-nannte survival ratio eß (vgl. Allison, 1995, 65). Dabei sollte der Unterschied zur soge-nannten risk ratio im Cox-Modell beachtet werden. Für stetige Variablen errechnet sichder multiplikative Effekt analog durch 100(eß-1). Dieser Wert gibt den prozentualen An-stieg bei der erwarteten Überlebenszeit für jede Vergrößerung der Ko-Variable um eineEinheit.

Im Gegensatz zu den gezeigten Übereinstimmungen mit dem Cox-Ansatz liefert das voll-parametrische Modelle jedoch auch unerwartete, interessante Effekte bei der baselinehazard function. Im Modell für die (täglichen) Einkaufsaktivitäten stellen wir einenfallenden Funktionsgraphen (P<1) fest, der etwa nach einem Tag weitgehende Konstanzzeigt.

a) Täglicher Einkauf (Karlsruhe: n = 2024;Halle: n = 1737)

b) Aktiver Sport (Karlsruhe: n = 672;Halle: n = 301)

Abb. 117: Baseline hazards rates der geschätzten voll-parametrischen Dauermodelle(Intervalle mit mehr als vierzehn Tagen sind nicht dargestellt)

Dies steht zunächst im Widerspruch zu den intuitiven Erwartungen bezüglich desBedürfnisaufbaus zwischen zwei Verhaltensmustern – zumindest für diese Aktivitäten-kategorie. Durch weitere Untersuchungen der Modellschätzungen, konnte gezeigtwerden, dass alle Nicht-Pflichtaktivitäten mit trotz allem regulären Charakter der Aus-führung (z.B. langfristiger Einkauf) die gleiche Tendenz aufzeigen. Es kann angenommenwerden, dass beinahe konstante Hazards einen regulären Bedarf ohne signifikantesrhythmische Muster über den Zeitverlauf widerspiegeln. Dies kann an dieser Stelle aller-dings nur für die Daten der Gesamtstichprobe ausgesagt werden – eine gezieltereAnalyse der sozio-demographischen Gruppen und deren zeitliches Verhalten muss diesnoch bestätigen. Für alle anderen Aktivitäten, die entweder starken Rhythmen unterliegen(siehe aktiver Sport) oder in deutlich kürzeren, regelmäßigen Abständen ausgeführtwerden (z.B. Arbeit/Schule) erzeugt das Weibull-Modell erwartungsgemäß steigendebaseline hazards.



5.6.4 Methodischer und inhaltlicher Ausblick

Die hier entwickelte Methodik zur Analyse der Periodizität des Verkehrsverhaltens stellteine sinnvolle Erweiterung des Methodenpools innerhalb der aktivitäten-basiertenVerkehrsforschung dar. Das Basiskonzept bietet eine Reihe von Ansatzpunkten zurModifizierung, worauf hier abschließend in Kürze eingegangen werden soll.

Eine wesentliche konzeptionelle Fragestellung für die zukünftige Verfeinerung des hiervorgestellten Modells ergibt sich aus Annahme eines monoton-verlaufenden Bedürfnis-aufbaus. Des weiteren sollte in weiteren Arbeiten geprüft werden, ob für die unter-schiedlichen Aktivitätenkategorien eine separate Modellbildung unter Umständen bessereSchätzergebnisse liefert. Die Resultate des Weibull-Modells mit den differierendenVerläufen der baseline hazard weisen darauf hin. Offen bleibt bei diesem Stand derArbeiten auch, ob Modelle für verschiedene Personengruppen geschätzt werden sollten.

Aufgrund des vorläufigen Charakters der gezeigten Modelle sollten auch bei denModellierungsdetails wesentliche Aspekte genauer betrachtet werden. Dazu gehören

• die zweckmässige Auswahl der Ko-Variablen über detaillierte Signifikanztests,

• eine weitere Diskussion sinnvoller Verteilungsannahmen für den voll-parametrischenAnsatz,

• die Berücksichtigung „zensierter“ Dauern, die bisher ausgeschlossen worden sind,

• die Integration der sogenannten heterogeneity effects, also nicht erklärter Variabilitätinnerhalb der Stichprobe. Dabei ist nicht nur die allgemeine unbeobachteteHeterogenität zwischen den Befragten von Interesse, sondern auch nicht berück-sichtigte Effekte vorausgegangener Dauern von Intervallen (sogenanntes statedependence, vgl. Hensher und Mannering, 1994, S. 72ff),

• die Einbeziehung sogenannter Competing Risks und Anwendung der Modelle aufRhythmen zwischen komplexeren Verhaltensmustern: Nicht nur die Verbesserungder zugrundeliegenden Modellannahmen steht im Mittelpunkt der weiteren Arbeit,sondern auch die konzeptionelle Erweiterung der Modelle um Aspekte wiekonkurrierende Ereignisausgänge (siehe oben) oder die Berücksichtigung mehr-dimensionaler Verhaltensmuster als Analysegegenstand.

Letztlich bietet der vorgestellte Ansatz konzeptionell Anknüpfungspunkte mit parallelenEntwicklungen in der aktivitäten-basierten Verkehrsforschung. Insbesondere im Bereichder umfassenden Mikrosimulation des Aktivitätenwahl- und Zeitplanungsverhaltens vonPersonen und Haushalten (scheduling) kann eine Integration der Modellschätzungen zurVerbesserung der Werkzeuge führen.



Abschließende inhaltliche Bemerkungen zu den erschlossenen Modellergebnissen

Inhaltlich deutet die Auswahl der empirischen Ergebnisse darauf hin, dass Zeitplanungund Verkehrsverhalten zeitlichen Mustern folgen, die in weiten Teilen täglichen, bei einerReihe von Einkaufs- bzw. Freizeitaktivitäten jedoch wöchentlichen Strukturen ent-sprechen. Eingehendere Analysen werden zeigen, inwieweit rountinisiertes Verhalten derVerkehrsteilnehmer für diese Phänomene verantwortlich zeichnen und welchen AnteilUmweltrhythmen an der Periodizität des Verhaltens haben. Im wesentlichen bestätigendie Ergebnisse des semi-parametrischen Cox-Modells die generellen Annahmen zu denEinflussgrößen von Raum-Zeit-Verhalten:

Sozio-demograhische Attribute der Reisenden

Die Sozio-Demographie der Reisenden und insbesondere deren Rolle imHaushaltszusammenhang (Haushaltszusammensetzung, Kinder, Fahrzeugverfüg-barkeit, Aufgabenverteilung im Haushalt etc.) bestimmen nicht nur die quantitativeNachfrage nach Mobilitätsdienstleistungen sondern auch die Struktur der Zeit-planung außerhäuslicher Aktivitäten. Die vorgestellte Analyse erschließt zudeminteressante Resultate über die unterschiedlichen Bestimmungsgrößen des zeit-räumlichen Alltagsverhaltens in Ost und West.

Konsum und Freizeitstile

Der Charakter der individuellen Konsum- und Freizeitgestaltung von Personen undHaushalten wie Einkaufsgewohnheiten, Lebensstile, Einteilung des disponiblenEinkommens, Selbstverpflichtungen, Gruppen- und Vereinszugehörigkeit oderEinstellungen gegenüber Verkehrsmitteln sind bedeutende Faktoren der Mobilität.Sie treten insbesondere deswegen in den Vordergrund, weil der Freizeit- und Ein-kaufsverkehr einen größeren Anteil am Gesamtverkehrsaufkommen erlangt. DieVerknüpfung der hier vorgestellten Daten mit den zusätzlich erhobenenInformationen zu den Werthaltungen und Einstellungen der Befragten verspricht auf-schlussreiche Analysen zu alternativen Determinanten der Periodizität desVerhaltens.



5.7 Abhängigkeiten im Verkehrsverhalten von Tag zu Tag –Untersuchungen mit der Zeitreihenanalyse

Im folgenden sollen Ergebnisse für die disaggregierte Ebene gezeigt werden, die mit Hilfeder Zeitreihenanalyse gewonnen werden konnten. Für die Untersuchung vonVerkehrsdaten aus Wegetagebüchern wie dem Mobidrive-Datenmaterial ist dieseMethodik noch nicht zur Anwendung gekommen. Zeitreihenanalyse ist eine üblicheMethode für die Exploration von Daten aus Wirtschaft, Industrie und Naturwissenschaft.Im Rahmen der Projektarbeit konnte Zeitreihenanalyse schon erfolgreich bei derUntersuchung der Systemdaten (siehe Kapitel 4) eingesetzt werden.

Der längsschnitt-orientierte Charakter Mobidrive-Daten erlaubt es, eine Sequenz vonBeobachtungen einer Person als Zeitreihe zu definieren. Zeitreihen sind Sequenzen vonVariablenausprägungen, die in gleichen Zeitintervallen gemessen werden (z.B. Stunden,Tage, Wochen, Monate etc.). Die aufeinanderfolgenden Beobachtungen stehen dabei inAbhängigkeit voneinander. Die Identifizierung dieser Abhängigkeiten und die adäquatemathematische Modellierung der Sequenzen stehen dabei im Mittelpunkt des Zeitreihen-ansatzes. Ziele der Zeitreihenanalyse sind zusammenfassend

• die Identifizierung des Charakters bzw. der Struktur des Phänomens, das durch dieBeobachtungen repräsentiert wird

• die Prognose von zukünftigen Ausprägungen oder fehlenden Werten der gleichenVariable

• die Einschätzung von Effekten externer Interventionen auf das Gesamtsystem.

Dafür ist es notwendig, das Muster der Zeitreihen zutreffend zu beschreiben, so dassdiese interpretiert und gegebenenfalls in weiteres Datenmaterial integriert werden können.Mit der Identifizierung des Musters ist es möglich, zukünftige Variablenausprägungen zuextrapolieren sowie vorauszusagen und Ereignisse zu erschließen, die das Verhaltenbeeinflussen – all dies mit mehr oder weniger Vertrauen in die Gültigkeit der Muster-interpretation und des eigenen Verständnisses für die Zeitreihen.

Die Länge der Zeitreihen ist von großer Bedeutung, da sie die Verlässlichkeit der Muster-deutung und die Effizienz der Prognose stark beeinflusst. Im Fall der Mobidrive-Datenkorrespondiert die Länge mit dem insgesamt fortlaufenden sechswöchigenErhebungszeitraum (42 aufeinanderfolgende Beobachtungen / Tage je Befragtem). Diesefür Zeitreihen kurze Periode mit relativ wenigen Beobachtungen erfordert eine gewisseVorsicht bei der Deutung der Parameter und Funktionen der nachfolgenden Analyse – dieBewertung der Ergebnisse sollte sich daher eher an den relativen Größenordnungenorientieren und weniger an den absoluten Werten.

Insgesamt war es jedoch möglich, mittels der Zeitreihenanalyse interessanteInformationen aus dem Mobidrive-Datenmaterial zu extrahieren. Die vorgestellten nochvorläufigen Resultate weisen darauf hin, dass für bestimmte Personengruppen diese



Methode eine deutlichere Einsicht in deren zeitliches Verkehrsverhalten erlauben alsbisher angewandte Techniken der Verkehrsverhaltensforschung.

Dieser Beitrag im Mobidrive-Endbericht hebt die Ergebnisse einer umfassenderenAnalyse hervor, die an anderer Stelle ausführlicher berichtet werden (Fraschini undAxhausen, 2001).

Ergebnisse

Der ARIMA-Modellansatz (siehe auch Kapitel 2.4) wurde für die folgenden Variablen desMobidrive-Datensatzes angewandt:

§ Anzahl der Wege (pro Tag)

§ Anzahl der Reisen (pro Tag)

§ Gesamtdauer der außerhäuslichen Aktivitäten pro Tag

§ Gesamtdauer der (außerhäuslichen) Freizeitaktivitäten pro Tag

§ Tägliche Gesamtreisezeit

§ Tägliche Gesamtreisedistanz.

Jeweils ein Modell wurde für jede einzelne Person geschätzt und getestet. Eineprovisorische Prognose wurde für eine Auswahl von Befragten durchgeführt, bei denendie Modellschätzung besonders gute Ergebnisse gezeigt hat.

Die Personen wurden anschließend nach den folgenden Modellkategorien gruppiert:

§ Einfache autoregressive Modelle (AR, keine moving-average Komponente),

§ Einfache moving-average Modelle (MA, keine autoregressive Komponente),

§ Gemischte autoregressive moving-average Modelle (ARMA, mit beidenKomponenten),

§ Sogenannte white noise oder random behaviour Modelle (WN, für Personen, beidenen kein adäquates Modell mit ausreichender Konfidenz identifiziert werdenkonnte und bei denen die Beobachtungen keine Muster entsprechend der ARIMA-Klassifizierung gezeigt haben).

Der nächste Schritt der Modellbildung bezieht sich auf die Unterteilung und dieExtrahierung zusätzlicher Informationen. Abb. 118 zeigt beispielsweise die Kate-gorisierung der Personen bezüglich der unterschiedlichen benutzten Modelle. Es scheintklar, dass für beide Variablen – Anzahl der Wege pro Tag (a) und Anzahl der Wege zuFreizeitaktivitäten (b) – die Differenz der Häufigkeiten zwischen Männern und Frauenminimal ist und dass das Geschlecht somit keine zusätzlichen Informationen für dieModellklassifizierung bereitstellt.



05

101520253035

AR ARMA MA WNModelkategorie

[%]

Frauen

Männer

Anzahl der Wege pro Tag

05

101520253035

AR ARMA MA WNModellkategorie

[%]

Frauen

Männer

Anzahl der freizeitbezogenen Wege pro Tag

Abb. 118: Häufigkeitsverteilung für Männer und Frauen bezogen auf die unterschiedlichenModellategorien: (a) Anzahl der Wege pro Tag, (b) Anzahl der Wege zu Frei-zeitktivitäten

Eine erste Analyse bezüglich der Soziodemographie der Befragten hat gezeigt, dass dieZuordnung von Modellen beispielsweise mit bestimmten Alterklassen verbunden seinkann. Die Kategorie AR und ARMA sind besonders deutlich bei Personen im Alterzwischen 35 und 65 Jahren anzutreffen. Dies ist ein Hinweis auf ein regelmäßiges oderstrukturiertes Aktivitäts-verhalten, das sicher mit der Lebenssituation von Berufstätigen indieser Altersklasse einhergeht. Andererseits zeigten MA Modelle verstärkt bei jüngerenPersonen gute Ergebnisse. Diese spiegeln den Einfluss externer Faktoren auf dasVerhalten wider, da anhand dieser Modellklasse das beobachtete Muster der Zeitreihe miteiner linearen Kombination zufällig-auftretender Signale oder Störungen und geeignetenGewichten beschrieben werden kann. Dieser Modellansatz ist immer dann notwendig,wenn die Korrelation einer Zeitreihe von einem Tag zu nächsten nicht ausreicht, um eingeeignetes AR Modell zu definieren. Eine mögliche Interpretation dieses Ergebnisses istdie Tatsache, dass das Verhalten jüngerer Personen z.B. stärker durch dasjenige deranderen Haushaltsmitglieder, dem Wettergeschehen oder fester Verpflichtungen (Aktivitätim Sportverein etc.) beeinflusst wird. Die Verteilung des WN Modells scheint dagegenkeine Verknüpfung mit bestimmten Altersklassen zuzulassen – vielmehr trifft dieseKategorie für ein breites Spektrum der Altersklassen zu. Hier kann sicher die Eliminierungdes Wochentrends zu einer dezidierteren Zuordnung führen, wenn damit das Verhaltens-muster besser erfasst werden kann.



AR

-

5

10

15

20

25

30

0-17 18-24 25-34 35-44 45-54 55-64 >65

Alterklasse [Jahre]

[%]

ARMA

-

5

10

15

20

25

30

0-17 18-24 25-34 35-44 45-54 55-64 >65

Altersklasse [Jahre]

[%]

MA

-

5

10

15

20

25

30

0-17 18-24 25-34 35-44 45-54 55-64 >65


[%]

WN

-

5

10

15

20

25

30

0-17 18-24 25-34 35-44 45-54 55-64 >65


[%]

Abb. 119: Häufigkeitsverteilung verschiedener Modellkategorien zwischen den Alters-klassen: Anzahl der freizeitbezogenen Wege pro Tag

Die Untersuchungen der zeitlichen Strukturen des langfristigen Verkehrsverhaltens mitHilfe der Zeitreihenmethodik unterstreichen erneut die Ergebnisse, die mit den zuvorgezeigten Analyseansätzen (Ähnlichkeitsmaße, Sequenzanalyse, SEM und Hazards)erhalten wurden: Die Vorstellung, dass Verkehrsverhalten durch einfache zeitlicheStrukturen abgebildet werden kann, ist irreführend. Zeitliche Strukturen der individuellenMobilität sind das Resultat vielschichtiger äußerer Einflüsse, zeitlicher Beziehungen derAktivitätenplanung im Wochenkontext und haushaltsinterner oder innerfamiliärerFaktoren. Einzelne Entscheidungen des realisierten Raum-Zeit-Verhaltens wie dieVerkehrsmittel- oder Routenwahl sind nicht zuletzt von übergeordneten Entscheidungender Lebensführung bzw. des Lebensstils abhängig. Für die planerische und politischeEbene impliziert die Ausdifferenzierung der Reisenden in unterschiedliche "Gruppenzeitlicher Abhängigkeiten und Entscheidungen" (vgl. die Zuordnung der Personen zu denverschiedenen Modellansätzen), dass verkehrsrelevante Massnahmen wie das Auf-brechen von Verhaltensroutinen nur zielgruppenspezifisch erfolgreich sein können.



5.8 Perspektiven für räumliche Analysen auf der Ebene vonPersonen und Haushalten

Die längsschnittorientierte Struktur von Mobidrive bietet neben den Möglichkeiten zurIdentifizierung zeitlicher Strukturen der Aktivitätenplanung und damit des realisiertenVerkehrsverhaltens auf der disaggregierten Ebene interessante Ansatzpunkte für stärkerräumlich-orientierte Untersuchungen über die Zeitachse. Ein Großteil der über 40.000berichteten Wege und Aktivitäten der Hauptstudie konnten vom Projektpartner PTV AGgeocodiert werden. Für die Großräume Halle und Karlsruhe kann somit das zeit-räumlicheVerhalten der Erhebungsteilnehmer koordinaten- bzw. adressscharf sichtbar gemachtwerden. Hintergrund für die Geocodierung war die Generierung von kürzesten Wegen mitden entsprechenden theoretischen Reisezeiten für die beobachteten Quell-Ziel-Beziehungen, die in Entscheidungsmodelle der Ziel-, Routen- und Verkehrsmittelwahleinfließen werden.

Die Geocodierung der Mobidrive-Daten eröffnet interessante Möglichkeiten zur Analyseder Raumnutzung und –aneignung von Personen und Haushalten oder des Zusammen-hangs zwischen den Erreichbarkeiten städtischer Teilräume und dem individuellenVerkehrsverhalten. Dafür können bestehende Konzepte der quantitativen Geographieangewandt werden. Neu ist nunmehr die langfristige Perspektive solcher Untersuchungenund die höhere Aussagesicherheit für Personen und Personengruppen. An dieser Stellesoll gezeigt werden, wie Konzepte der Aktionsraumforschung in das Analyseschema derlaufenden Forschung integriert werden können (vgl. Horton und Reynolds, 1971; Klingbeil,1978; Kreibich, Kreibich und Ruhl, 1987). In künftigen Arbeiten wird der Aspekt derErreichbarkeiten und deren Einfluss stärker thematisiert.

Aktionsräumliche Analysen

Der Begriff Aktionsraum ist in der human-geographischen Forschung durch eine Reihevon Erklärungsansätzen charakterisiert, die u.a. die Konzepte des Wahrnehmungs- undKenntnisraums (Dürr, 1979; Horton und Reynolds, 1971) oder das der mental maps(Gould und White, 1986) einschließen. An dieser Stelle soll Aktionsraum im Sinne vonDürr als eine „Teileinheit des Wahrnehmungsraums, deren Einrichtungen das Individuumnicht nur kennt, sondern auch mehr oder weniger häufig aufsucht“ (Dürr 1979) angesehenwerden. Dabei verbinden wir diese Definition eng mit den Grundsätzen der Raum-Zeit-Geographie, die das menschliche Verhalten in ein komplexes System von individuellenund externen zeitlichen sowie räumlichen Restriktionen einordnen.

Anwendung 1: Point-Pattern analysis

Aussagen zur inneren Differenzierung des Aktionsraums erschließen sich mittelsquantitativer Analysemethoden aus der Geographie (vgl. dazu Fotheringham, Brundsdonund Charlton, 2000). Die Verteilung der Aktivitätsstandorte von Personen und Haushaltenim Raum lassen sich als Punktmuster oder -wolke beschreiben, deren innere Strukturunterschiedlichen Hierarchisierungen und Intensitäten unterliegt.



Dispersion

Als Indikator für die Ausprägung (Dispersion) des Aktionsraums gilt die Standarddistanzds, definiert als Quadratwurzel der Distanz jedes einzelnen Aktivitätsstandorts vomgewichteten arithmetischen Mittelpunkt des Aktionsraums (Gravitationszentrum).

),( ii yx Koordinate eines beobachteten Aktivitätsortes

)ˆ,ˆ( yx µµ Gewichteter arithmetischer Mittelpunkt

n Anzahl aller beobachteten Aktivitätsstandorte einer Person

Abb. 120 zeigt das Ausmaß der Dispersion von Aktionsräumen für verschiedene sozio-demographische Gruppen der Karlsruher Stichprobe. Die Mobidrive-Daten lassen eineDarstellung über die einzelnen Wochentage zu.

Die gezeigten Boxplots erlauben eine übersichtliche Darstellung der wichtigstenstatistischen Kenngrößen und damit eine vergleichende Beurteilung von Ausprägungender errechneten Standarddistanzen. Die Box, deren innere Linie den Medianrepräsentiert, wird vom ersten und dritten Quartil (25. Bzw. 75. Perzentil) begrenzt. Fernersind der kleinste und der größte Wert durch die sogenannten whiskers markiert, die dieAusläufer in den extremen Quartilen der Daten wiedergeben. Die whiskers erstrecken sichauf das 1,5-fache des Quartilabstandes. Ausreisser oder Extremwerte sind hier nichtdargestellt.

Tag der Woche

7654321

Sta

ndar

ddis

tanz

[m]

10000

5000

0

Vollzeit

Nein

Ja

--- Mittel alle Tage

Tag der Woche

7654321

Sta

ndar

ddis

tanz

[m]

10000

5000

0

>50% Auto

Nein

Ja


Tag der Woche

7654321

Sta

ndar

ddis

tanz

[m]

10000

5000

0

Geschlecht

Frau

Mann


Abb. 120: Dispersionsniveaus von Aktionsräumen verschiedener sozio-demograhischerGruppen im Vergleich; Basis Mobidrive, Stichprobe Karlsruhe; alle Wege inner-halb der Stadt und des näheren Umlands (ca. 96% aller berichteten Wege);Mittel über alle Personen und Tage: 2881m / Standardabweichung: 1146m;

Insgesamt variiert das Dispersionsniveau über die Gesamtstichprobe sowie über dieGruppen und Tage deutlich. Eine tendenziell extensive Raumnutzung ist an den Wochen-enden und insbesondere an Freitagen über alle Vergleichsgruppen zu erkennen.

∑−+−

=n

yxd yixi

s

222 )ˆ()ˆ( µµ



Zwischen den Ausprägungen der Aktionsräume von Männern und Frauen sind keinewesentlichen Unterschiede über die einzelnen Tage der Woche festzustellen, wohl aberbei denen der beiden anderen gezeigten Vergleichsgruppen. Die Aktivitätsstandorte vonVollzeitbeschäftigten mit mehr als 30 Stunden Wochenarbeitszeit und von eifrigenNutzern des Automobils, die mehr als 50% der berichteten Wegdistanzen mit dem Autozurückgelegt haben, verteilen sich weniger konzentriert im Stadtgebiet als die derVergleichspersonen über alle Wochentage. Die Ergebnisse deuten darauf hin, dass dieMöglichkeiten, die das Automobil zu einer extensiveren Nutzung des Raums bietet,wahrgenommen werden. Des weiteren weisen Vollzeitbeschäftigte trotz oder geradewegen ihrer festen wöchentlichen Zeitplanung größere Aktionsradien auf als Personen mitvermeintlich freierer Zeiteinteilung.

Clusterstrukturen

Die räumliche Variabilität des Verhaltens bzw. das Spektrum der besuchtenGelegenheiten bleibt über den langen Zeitraum der sechs Wochen gesehen überschau-bar (vgl. Abbildung 4) – zumindest dann, wenn die Gesamtstichprobe betrachtet und fürdie Wege jeweils nur das Attribut Aktivitätsstandort gewählt wird. Nur etwa 2-4 Haupt-gelegenheiten decken mehr als 70% des gesamten Spektrums der besuchten Standorteab. Selbst bei der separaten Berücksichtigung der nicht-obligatorischen und damitvermeintlich räumlich-variableren Aktivität Freizeit lassen sich keine wesentlichen Ab-weichungen vom Gesamtbild beobachten. Die zwei am meisten besuchte Gelegenheitenin der Freizeit erschliessen in Mobidrive rund zwei Drittel aller Wege mit dem ZweckFreizeit.

Anzahl der besuchten Aktivitätenstandorte

87654321

Kum

ulat

ive

Sum

me

der

Ant

eile

[%]

100

90

80

70

60

50

40

30

20

10

0

Alle Wege

Alle Freizeitwege

Wochentage

Wochenende

a) b)Abb. 121: a) Anzahl der besuchten Gelegenheiten und deren Anteil an allen zurück-

gelegten Wegen; b) Schematische Darstellung von Besuchsintensitäten be-richteter Aktivitätsstandorte einer Person

Diese Resultate deuten darauf hin, dass der strukturelle Charakter von Aktionsräumen imwesentlichen durch die Bedürfnisse und insbesondere die Verpflichtungen der Verkehrs-teilnehmer zur Ausübung bestimmter Aktivitäten an vorgegebenen Orten bestimmt wird.Damit bilden sich aufgrund von persönlichen Überlegungen zur Minimierung von Reisezeitund –distanzen unter Umständen Cluster von Standorten rund um die Gelegenheiten der



Pflichtaktivitäten und die Wohnung. Vorherrschend sind meist bipolare Strukturen derBesuchsintensität bzw. der Verkehrsnachfrage innerhalb des Aktionsraums (vgl. Abb. 121b).

Die Analyse der inneren Struktur solcher Cluster soll Aufschluss darüber geben, welcheArt von Bedürfnissen im Nahbereich der Zentroide befriedigt werden. Für eine ersteAnnäherung an diese Fragestellung wurden die Aktivitätsstandorte aller Personen auf-bauend auf den oben gezeigten Resultaten in drei räumliche Cluster kategorisiert(Clusteranalyse, Methode: Disjoint cluster analysis nach Anderberg, 1973). Gezeigtwerden die Ergebnisse zweier ausgewählter Befragten. Auf eine Unterscheidungzwischen Wochentage und Wochenende oder von Clustern über die Zeitachse wird andieser Stelle aufgrund der geringen Fallzahlen pro Person an den Wochenendenverzichtet.

Beispiel a) Karlsruhe, Mann, voll berufstätig, 42 Jahre, Führerschein, 4-Personen-Haushalt mit 2 minderjährigen Kindern

Anteile der Wege mit Wegzweck ... an allen Wegen mit dem Zweckdieser Art [%]

Anzahl zuge-ordneterWege

(Total=171)

Wohnen Arbeit Freizeit Einkaufentäglich

Einkaufenlangfristig

Erledi-gungen

Jmdbringenod.holen

Cluster 1 122 100 - 76 83 50 57 58

Cluster 2 39 - 100 24 17 - 14 5

Cluster 3 10 - - - - 50 29 37

Beispiel b) Halle, Frau, 69 Jahre, Führerschein, Rentnerin, 2-Personen-Renterhaushalt

Anteile der Wege mit Wegzweck ... an allen Wegen mit dem Zweckdieser Art [%]

Anzahl zuge-ordneterWege

(Total=100)

Wohnen Arbeit Freizeit Einkaufentäglich

Einkaufenlangfristig

Erledi-gungen

Jmd.bringenod.holen

Cluster 1 64 100 - 40 83 - 17 -

Cluster 2 28 - - 43 17 - 75 -

Cluster 3 8 - - 17 - - 8 -

Tab. 56: Clusterstrukturen innerhalb der Aktionsräume ausgewählter Personen

Die Clusterstrukturen für beide Beispielpersonen zeigen, dass der Wohnstandort alsZentrum für die meisten weiteren Aktivitäten dominiert. In beiden Fällen wird im Nah-bereich der Wohnung das Gros des täglichen Einkaufs absolviert sowie ein beträchtlicherAnteil an den (innerstädtischen) Freizeitaktivitäten. Signifikante Fallzahlen erreichen nurdie beiden ersten Cluster – der (willkürlich definierte) dritte Cluster spielt selbst im Beispielb) mit einer Person ohne feste Verpflichtung im Tagesverlauf (Arbeit oder Schule) nureine untergeordnete Rolle.



Anwendung 2: Das Prinzip der Travel-probability fields

Eine ähnliche Richtung der aktionsräumlichen Analyse schlagen die Arbeiten des UMOT-Projekts (Unified Mechanism of Travel) und nachfolgender Studien ein (Zahavi 1979;Beckmann, Golob und Zahavi 1983a; 1983b). Auch hier wurden räumliche Dichten vonAktivitätsstandorten untersucht und mit Hypothesen zum unterschiedlichen Charaktersolcher Verteilungen unter Berücksichtigung der Verkehrsmittelwahl und derRaumstruktur verknüpft. Im Zentrum des Konzeptes steht die Berechnung vonsogenannten travel fields, die als Indikator für den Aktionsraum von Verkehrsteilnehmernstehen (Zahavi, 1979). Travel fields sind Gebiete, in denen sich der überwiegende Teilaller beobachteten Wegziele (Aktivitätsstandorte) befinden. In den UMOT-Studien wurdeneinerseits regionale Verkehrsbeziehungen auf einer aggregierten Ebene untersucht,andererseits das Verkehrsverhalten von verschiedenen Bevölkerungssegmenten imVergleich. Mobidrive lässt es zu, an die differenzierteren Analysen unter Berücksichtigungvon Wegzwecken und sozio-demographischen Charakteristika der Reisendenanzuknüpfen.

Abb. 122: Travel probability fields in der Region Nürnberg (Zahavi, 1979, S. 230)

Für eine Annäherung an jenes Prinzips und deren graphische Darstellung wird an dieserStelle auf ein Tool der ARCVIEW-Extension Movement zurückgegriffen (Hooge, 2000),das vom Alaska Biological Science Centre ursprünglich für geographische Auswertungenin der Habitat-Forschung entwickelt wurde. Movement kommt vor allem deswegen hierzur Anwendung, weil es vollständig in eine GIS-Umgebung integriert ist und damit eineVerknüpfung zwischen räumlicher Statistik und anschaulicher Darstellung garantiert.

Aufgrund der Intensitäten der Nutzung bestimmter Standorte im Raum wird statistisch einellipsenförmiges (nicht-rundes) Gebiet ermittelt, in denen ein definierter Anteil derGesamtnutzung des Raumes stattfindet. Dem Tool liegt das Konzept der Non-CircularHome Range (Jennrich, 1969) zugrunde, das ähnlich wie bei den travel probability fields



von einer (räumlichen) Normalverteilung der Standorte ausgeht. Die Ellipsen basieren aufder Kovarianzmatrix der besuchten Standorte einer Person. Wesentlicher Unterschied zurUMOT-Konzeption ist die Tatsache, dass kein gewichtetes Zentrum für die Wegquellen(auf der Personen- und Haushaltsebene in der Nähe der Wohnung oder die Wohnungselber) separat betrachtet wird, sondern der Wohnstandort selbst als wichtigerAktivitätsstandort die Analyse eingeht. Sie rückt als am häufigsten frequentiertes Ziel nahans Zentrum der Ellipse. Damit gehen tendenziell Informationen über die räumlicheAusrichtung der Felder verloren, andererseits wird somit die stark einschränkendeAnnahme über die monozentrische Struktur der Stadt durch eine ggf. realistischereAnnahme zur Bedeutung des Wohnstandorts als Verkehrsnachfragequelle ersetzt.

Die folgende Darstellung (Abb. 123) bezieht sich auf einen Vergleich zweier ausgewählterPersonen aus Karlsruhe. In die Analyse sind alle Aktivitätsstandorte der Reisendeneingegangen, die in einem Radius von etwa 10 km um das Stadtzentrum der StadtKarlsruhe berichtet wurden.

Beispiel a) Vollzeitbeschäftigter, 45 Jahre,Fahrzeughalter, 3-Personen-Haushalt miteinem schulpflichtigen Kind im Haushalt

Beispiel b) Studentin, 21 Jahre, mitFahrzeug, alleinlebend

Abb. 123: Auswahl von Gebieten intensiver Nutzung einzelner Befragungsteilnehmer imzeitlichen Vergleich (nach Jennrich, 1969); Basis: Mobidrive, Daten Karlsruhe

Die hier dargestellten Felder decken 95% der individuellen Raumnutzung im Einzugs-bereich der Stadt Karlsruhe ab. Die Wahrscheinlichkeit, dass Gelegenheiten außerhalbder Ellipsen aufgesucht werden, ist aufgrund des realisierten Verkehrsverhalten über diesechs Wochen sehr gering.

Zwischen den ausgewählten Personen, jedoch auch im intra-personellen Vergleich überdie Zeitachse bestehen erkennbare Unterschiede im Ausmaß (Größe) des Aktionsraums,dessen Lage im Stadtgebiet und der Hauptachsen der Raumnutzung. Während im Fall b)

WochenendeWerktage

WochenendeWerktage



– trotz der Autoverfügbarkeit – ein überschaubarer Bereich in der Innenstadt abgedecktwird, erstreckt sich das Feld im ersten Fall auf ein vielfach größeres Gebiet im Westen derStadt Karlsruhe. Die Hauptachsen der Raumnutzung orientieren sich aufgrund deranzunehmenden bipolaren Struktur der Aktivitätsstandorte an der Verbindung zwischenWohnung und dem Standort der Hauptaktivität wie Arbeit oder Ausbildung. Besondersdeutlich wird dies im zweiten Beispiel, wo die Hauptachse sich an die infrastrukturelle Ost-West-Ausrichtung der Kernstadt anlehnt.

Interessant ist der intra-personelle Vergleich der Felder zwischen den Werktagen unddem Wochenende. Während im Beispiel der Stundentin keine wesentliche Variabilität inder Grösse und Ausrichtung des Aktionsraums festzustellen ist, verkleinert sich derBewegungsraum im ersten Fall deutlich – ohne jedoch seine Hauptausrichtung zuverlieren.

Insgesamt erscheint das Prinzip der travel fields als gute Technik der räumlichen Analyse,weil Interaktionen zwischen Verkehrsnachfrage, Infrastruktursystemangebot undstädtischer Struktur berücksichtigt werden können. Detailliertere Untersuchungen werdenzeigen, ob die Resultate der UMOT-Studien wie beispielsweise

• die Ausrichtung der Hauptachsen in Richtung des Stadtzentrums und an dergegebenen Netzinfrastruktur

• Unterschiede bei der Extensität der Raumnutzung je nach vorherrschenderVerkehrsmittelwahl und

• die Abhängigkeit der Grösse der Felder von der Entfernung des Wohnstandorts vomStadtzentrum

bestätigt werden können.



5.9 Werteinventar

Wie im Kapitel 5.1 „Erhebungsablauf und Durchführung“ schon beschrieben, wurde dieHauptstudie noch um einen Fragebogen zu den Einstellungen und Werthaltungen derteilnehmenden Haushalte ergänzt. Aus Gründen der Vergleichbarkeit mit früherenForschungsergebnissen und der Vermeidung zusätzlicher konzeptioneller Arbeit bot sichfür die Erfassung der Werthaltungen und Orientierungen die Übernahme der Erhebungs-und Analysedesigns des Forschungsprojektes City:mobil (Götz, Jahn und Schultz, 1997)und der Studien der DaimlerChrysler AG (Research and Technology) zum Mobilitäts-verhalten von Personen und Gütern (artop: Gawronski und Sydow, 1999) an. Dazugehörte auch die Verwendung der bereits erfolgreich angewandten Erhebungsbögen(siehe Band III Anhang5), die in leicht abgewandelter Form hier zum Einsatz kamen.

Im Anschluss an eine kurze Einführung der Faktorenanalyse werden die erstenErgebnisse vorgestellt.

5.9.1 Theoretischer Hintergrund

Das Ziel der explorativen Faktorenanalyse besteht darin, aus einer relativ großen Anzahlvon Variablen eine geringe Anzahl von - nicht direkt beobachtbaren (latenten), aber mitden ursprünglichen Variablen stark korrelierenden - gemeinsamen Faktoren zu erhalten,die wechselseitig voneinander unabhängig sind.

Das dabei am häufigsten eingesetzte Verfahren stellt die Hauptkomponentenmethode(principal components method) dar.

Der Ablauf einer Faktorenanalyse kann folgendermaßen veranschaulicht werden:

Berechnung der Korrelationsmatrix

Faktorenextraktion (PCM)

Faktorenrotation

Faktoreninterpretation

Berechnung der geschätztenFaktorenwerte



Im folgenden wird kurz auf die im weiteren Verlauf verwendete Terminologie eingegangen(für die Theorie der PCM als Extraktionsverfahren innerhalb der Faktorenanalyse sieheFahrmeir et al., 1996).

Die wichtigsten Kriterien zur Bestimmung der Anzahl der zu extrahierenden Faktoren sinddas Eigenwertkriterium und der Screetest.

Gemäß dem Eigenwertkriterium werden diejenigen Faktoren behalten, die Eigenwertegrößer gleich 1 aufweisen und damit mindestens eine Varianz von 1 erklären (einEigenwert <1 bedeutet, dass der Faktor weniger Varianz erklärt als das schon durch dieentsprechenden Variablen selbst geschieht).

Bei dem Screetest wird die Anzahl der Faktoren in einem Koordinatensystem auf der x-Achse gegen die entsprechenden Werte der Eigenwerte auf der y-Achse abgetragen.Werden diese Punkte verbunden, so lässt sich meist ein deutlicher Knick feststellen, biszu dem die Eigenwerte relativ große Werte annehmen. Die Auswahlregel lautet dann:Extrahiere so viele Faktoren, bis der Knick erreicht ist. Der kleinste gerade noch vor demKnick liegende Eigenwert gibt die Anzahl der zu extrahierenden Faktoren an.

Die Ladungsmatrix (factor pattern) gibt die Korrelationen zwischen den ursprünglichenVariablen und den ermittelten Faktoren wieder. Bei der Interpretation und Zusammen-fassung von mehreren Variablen zu einem Faktor wäre es wünschenswert, wenn jederFaktor von einigen Variablen hoch und von den restlichen Variablen wenig geladen wird,bzw. dass eine Variable nur auf einen Faktor hoch lädt und nicht auf mehreren. Dies ist inder Regel nicht der Fall, da die Faktorenwerte und Ladungsmatrizen nicht eindeutig sind.Zur besseren Bestimmung fordert man daher Faktorladungen, die gut interpretierbar undaussagekräftig sind, eine sogenannte Einfachstruktur, die man durch eine Faktorrotationerreichen kann. Dabei gilt, dass nur eine bereits vorhandene Einfachstruktur durchRotation sichtbar gemacht werden kann. Unterschieden wird hier zwischen orthogonalenund schiefwinkligen Faktorrotationen. Bei der orthogonalen Rotation wird die Ladungs-matrix so transformiert, dass die Orthogonalität der Faktoren erhalten bleibt und sichdamit auch die Korrelationsmatrix nicht ändert – im Gegensatz zur schiefwinkligenRotation. Für eine orthogonale Rotation, wird am häufigsten die Varimax-Methodeempfohlen, bei deren iterativer Durchführung die hohen Ladungen bei einem Faktorverstärkt und die niedrigeren verringert werden.

Um nun feststellen zu können, welche Variablen durch einen Faktor beschrieben werden,werden alle Variablen, die auf den selben Faktor mit einer Ladung > 0.6 hoch laden, zueiner Gruppe zusammengefasst. Anschließend kann anhand der sich in der jeweiligenGruppe befindlichen Variablen eine inhaltliche Interpretation der Faktoren vorgenommenwerden.

Um mögliche Zusammenhänge zwischen den Faktoren und anderen Variablenuntersuchen zu können, kann für jede Untersuchungsperson ein spezifischer Wert proFaktor berechnet werden. Diese Faktorenwerte repräsentieren die kumulierte undkombinierte Information der Quellvariablen je Befragungsperson und werdenregressionsanalytisch mit Hilfe der Korrelationsmatrix, der standardisierten Werte derVariablen und der Matrix der Strukturladungen geschätzt.



5.9.2 Erste Ergebnisse

Die ersten Analysen wurden mit den Originaldaten durchgeführt. Datensätze in deneneinzelne Aussagen fehlten, wurden von den Analysen ausgenommen.

5.9.2.1 Allgemeine Werthaltungen

Die verwendeten Items zu allgemeinen Wertorientierung wurden von Gawronski, Sydowund Bachmann übernommen. Die gestellten Fragen wurden mit „Wie wichtig ist für Sie“eingeleitet und lauteten:

Pflichtbewußtsein (Quelle: Klages, 1984)1. ...Gesetz und Ordnung zu respektieren.2. ...nach Sicherheit zu streben.3. ...fleißig und ehrgeizig zu sein.4. ...am Althergebrachten festzuhalten.

Statusstreben (Quelle: Klages, 1984)5. ...Macht und Einfluß zu haben.6. ...sich und seine Bedürfnisse gegen andere durchzusetzen.7. ...einen hohen Lebensstandard zu haben.

Leistung im Beruf (Quelle: DFG-Projekt Sy 22)8. ...in Schule / Ausbildung / Beruf alle Anforderungen zu erfüllen.9. ...einen Beruf zu haben, der Ihren Fähigkeiten entspricht.10. ...einen sicheren Arbeitsplatz zu haben.11. ...im Konkurrenzkampf zu bestehen.

Starker Staat / Politische Macht (Quelle: Dickmeis, 1997)12. ...eine starke politische Macht in Ihrem Land.13. ...dass das Land, in dem Sie leben, stark und einflußreich ist.14. ...daß Ihr Vaterland in der Welt geachtet wird.

Selbstentfaltung / Engagement (Quelle: Klages, 1984)15. ...sich politisch zu engagieren.16. ...eigene Phantasie und Kreativität zu entwickeln.17. ...sozial benachteiligten Gruppen zu helfen.

Prosoziale Werte (Quelle: DFG-Projekt Sy 22)18. ...für andere Menschen nützlich zu sein.19. ...anderen Menschen zu helfen.20. ...für andere Menschen Verantwortung zu übernehmen.

Humanismus (Quelle: Dickmeis, 1997)21. ...die Natur und die Umwelt zu schützen.22. ...Menschen anderer Sprache / anderen Glaubens zu achten.23. ...ungefährdet für andere eintreten zu können, wenn Sie es für richtig halten.24. ...solidarisches Handeln in der Gesellschaft.25. ...dass der Lebensstandard in ihrem Land auch anderen zugute kommt.

Tab. 57: © Items und Skalen des allgemeinen Werte-Inventars (© Gawronski, Sydow,Bachmann, 1999)



Ergebnisse für Karlsruhe

Mit den Antworten von insgesamt 91 –von 141– Personen, die zu jeder Frage eineEinschätzung auf einer 5stufigen Skala abgaben, wurde eine Faktorenanalyse durch-geführt, die folgende Ergebnisse lieferte (Original SAS-Output):

Initial Factor Method: Principal Components

Eigenvalues of the Correlation Matrix: Total = 25 Average = 1

1 2 3 4 5 6 7 8 9Eigenvalue 5.6670 3.6161 2.1721 1.4868 1.4211 1.1420 1.0890 0.9040 0.8405Difference 2.0509 1.4440 0.6852 0.0657 0.2791 0.0530 0.1851 0.0634 0.0718Proportion 0.2267 0.1446 0.0869 0.0595 0.0568 0.0457 0.0436 0.0362 0.0336Cumulative 0.2267 0.3713 0.4582 0.5177 0.5745 0.6202 0.6638 0.6999 0.7335

10 11 12 13 14 15 16 17 18Eigenvalue 0.7687 0.6929 0.6559 0.5827 0.4980 0.4616 0.4339 0.3940 0.3644Difference 0.0758 0.0370 0.0731 0.0847 0.0364 0.0277 0.0399 0.0296 0.0294Proportion 0.0307 0.0277 0.0262 0.0233 0.0199 0.0185 0.0174 0.0158 0.0146Cumulative 0.7643 0.7920 0.8182 0.8416 0.8615 0.8799 0.8973 0.9131 0.9276

19 20 21 22 23 24 25Eigenvalue 0.3350 0.3182 0.2851 0.2441 0.2233 0.2221 0.1814Difference 0.0168 0.0331 0.0410 0.0208 0.0012 0.0407Proportion 0.0134 0.0127 0.0114 0.0098 0.0089 0.0089 0.0073Cumulative 0.9410 0.9538 0.9652 0.9749 0.9839 0.9927 1.0000

7 factors will be retained by the MINEIGEN criterion.

Abb. 124: Eigenwerte und Varianzanteile der allgemeinen Werthaltungen KA

Die Abbildung gibt die Eigenwertanalyse der Stichprobenkorrelationsmatrix wider. DieEigenwerte (entsprechend der Anzahl der Items 25) werden der Größe nach ausgegebenund die jeweilige relativen erklärenden Varianzanteile sind der Zeile ‚Proportion‘ zuentnehmen. Das bedeutet zum Beispiel, dass der erste Faktor 22.7 % der Gesamtvarianzaller Items erklärt, der 2. 14,5 % usw. .

Aufgrund des Eigenwertkriterium werden 7 Faktoren für die weiteren Analysenbeibehalten.

Der Screetest in der folgenden Abb. 125 weist auf nur 4 Faktoren hin, die allerdings nur51,8 % der Varianz erklären würden.



Scree Plot of Eigenvalues ‚ 6.0 ˆ ‚ ‚ ‚ 1 ‚ 5.5 ˆ ‚ ‚ ‚ ‚ 5.0 ˆ ‚ ‚ ‚ ‚ 4.5 ˆ ‚ ‚ ‚ ‚ 4.0 ˆ ‚ ‚ ‚ 2 ‚ 3.5 ˆE ‚i ‚n ‚v ‚a 3.0 ˆl ‚u ‚e ‚s ‚ 2.5 ˆ ‚ ‚ ‚ 3 ‚ 2.0 ˆ ‚ ‚ ‚ ‚ 1.5 ˆ 4 ‚ 5 ‚ ‚ 6 ‚ 7 1.0 ˆ ‚ 8 ‚ 9 ‚ 0 ‚ 1 ‚ 2 ‚ 3 0.5 ˆ 4 ‚ 5 6 7 ‚ 8 9 ‚ 0 1 ‚ 2 3 4 5 0.0 ˆ Šƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒƒˆƒƒƒˆƒƒˆƒƒˆƒƒˆƒƒˆƒƒˆƒ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Number

Abb. 125: Screetest allgemeine Werthaltungen KA

Der nächste Analyseschritt besteht aus der Faktorenrotation zur besserenInterpretierbarkeit der Faktoren, mit diesem Ergebnis:



Rotation Method: Varimax Rotated Factor Pattern

F1 F2 F3 F4 F5 F6 F7 L1 0.23424 0.58819 0.37715 -0.01767 0.19342 -0.04378 -0.14016 Gesetz und Or dnung L2 0.16983 0.77976 0.10151 0.11414 -0.20739 -0.01491 0.20482 Sicherheit L3 0.03299 0.68984 0.21214 0.27883 0.02126 -0.00185 -0.04454 Fleissig und ehrgeizig L4 -0.19271 0.33038 0.42369 -0.23475 -0.00437 -0.37777 0.19635 Althergebrachtes L5 -0.02306 -0.01761 -0.09879 0.85575 0.18233 -0.02217 0.05991 Macht und Einfluss L6 0.04037 -0.03259 0.01724 0.08641 0.07036 0.03811 0.89001 Bedürfnisse gegen andere L7 -0.16081 0.21014 0.09380 0.79330 -0.15760 0.10215 0.03749 Hoher Lebensstandard L8 0.12369 0.77747 0.10332 -0.04475 0.08833 0.25969 -0.03120 Anforderungen erfüllen L9 0.08615 0.23798 0.07303 0.18216 -0.14263 0.73006 0.14297 Beruf - Fähigkeiten L10 0.14025 0.35182 0.37696 0.23322 -0.42855 0.15330 0.07075 Sicherer Arbeitsplatz L11 -0.19117 0.32442 0.09096 0.47240 0.14276 0.24120 0.37855 Im Konkurrenzkampf bestehen L12 0.14870 0.14656 0.79950 0.16591 0.03674 0.02893 -0.07883 Starke Regierung im Land L13 0.07269 0.36959 0.56514 0.14300 0.09357 -0.04131 0.38503 Land: Stark und einflussreich L14 0.06957 0.17303 0.80088 -0.18936 -0.12335 0.06542 0.05687 Vaterland in der Welt geachtet L15 0.03994 0.04747 0.03854 0.15649 0.81071 -0.05777 0.12759 Politisch engagieren L16 0.27919 0.41623 -0.38646 -0.08347 0.35169 0.25011 0.20915 Eigene Phantasie und Kreativität L17 0.79015 0.02471 0.03764 0.10005 0.10218 -0.09679 -0.14731 Sozial benachteiligten helfen L18 0.78476 0.13002 0.01954 0.03511 -0.01984 0.00033 0.14040 Für andere nützlich L19 0.75190 0.16421 0.08986 -0.12214 0.01816 -0.03505 0.00556 Anderen helfen L20 0.56152 0.22706 0.09157 0.06715 0.21735 -0.28983 0.27125 Verantwortung übernehmen L21 0.71507 0.02208 0.11522 -0.11895 -0.11901 0.17703 0.12355 Natur und Umwelt schützen L22 0.64405 0.02367 -0.11062 -0.09205 0.25982 0.39890 -0.21269 Andere Sprache/Glauben achten L23 0.47683 0.27123 -0.02799 -0.26880 0.40459 0.38091 -0.09874 Für andere eintreten L24 0.73179 0.06865 0.01905 -0.10977 -0.10199 0.18722 -0.05820 Solidarisches Handeln L25 0.51710 -0.09291 0.38846 -0.11041 0.22217 0.39031 -0.03429 Lebensstandard anderen

Variance explained by each factor

FACTOR1 FACTOR2 FACTOR3 FACTOR4 FACTOR5 FACTOR6 FACTOR7 4.417898 3.022188 2.508957 2.093101 1.545899 1.529594 1.476513

Abb. 126: Matrix der mit Varimax rotierten Faktoren (allgemeinen Werthaltungen KA)

Markiert sind in der obigen Auflistung die Faktorenladung mit Werten größer 0.6. Dieersten beiden Faktoren lassen sich – in Anlehnung an den Artikel von Gawronski et al. -mit humanistischer Orientierung und Pflichtbewusstsein inklusive einem Item aus Leistungim Beruf umschreiben. Der 3. Faktor entspricht der Skala Starker Staat/Politische Macht,während der 4. Faktor Items der Skala Statusstreben betont. Bei den Faktoren 5 bis 7wird nur noch jeweils ein Item (Politisches Engagement, Beruf entsprechend eigenerFähigkeiten, Durchsetzung seiner Bedürfnisse) hoch geladen.

Insgesamt erklären die 7 Faktoren immer noch gut 2/3 der Varianz (dieser Anteil hat sichim Gegensatz zu den einzelnen erklärenden Varianzanteilen nicht geändert), wie derfolgenden Tabelle zu entnehmen ist:

Faktor1 Faktor2 Faktor3 Faktor4 Faktor5 Faktor6 Faktor7

"Eigenwert" 4,41790 3,02219 2,50896 2,09310 1,54599 1,52959 1,47651

erklärter Varianzanteil 17,67% 12,09% 10,04% 8,37% 6,18% 6,12% 5,91%

erklärter Varianzanteil kum. 17,67% 29,76% 39,80% 48,17% 54,35% 60,47% 66,38%

Tab. 58: Erklärte Varianzanteile der rotierten Faktoren (allgemeine Werthaltungen KA)



Ergebnisse für Halle

Die Ergebnisse der Auswertungen der allgemeinen Werthaltungen für Halle unterscheidensich z.T. deutlich von denen aus Karlsruhe. Zwar erhält man auch hier aufgrund desEigenwertkriterium 7 Faktoren und der 1. Faktor lässt sich ebenfalls als humanistischeOrientierung interpretieren (Items 16, 19, 21, 22, 25), dann jedoch folgt mit dem 2. Faktorder Starke Staat/ Politische Macht. Erst der 3. Faktor entspricht in etwa demPflichtbewusstsein incl. 2 Items aus der Kategorie Leistung im Beruf. Der 4. Faktor wirdvon Statusstreben und Bestehen im Konkurrenzkampf dominiert. Die Faktoren 5-7 ladenwieder nur jeweils 1 Item hoch (Übernahme von Verantwortung, sicherer Arbeitsplatz;politisches Engagement).

Rotation Method: Varimax Rotated Factor Pattern

F1 F2 F3 F4 F5 F6 F7

L1 0.07808 0.42228 0.65701 -0.22482 0.01533 0.26754 0.06159 Gesetz und Ordnung L2 -0.00938 0.44361 0.68777 -0.12379 -0.08408 0.35779 0.06513 Sicherheit L3 0.05302 0.45523 0.60442 0.18567 -0.14793 0.14534 0.06981 Fleissig und ehrgeizig L4 -0.07153 0.35057 0.00278 0.06513 -0.66305 -0.09230 0.15887 Althergebrachtes L5 -0.07631 0.06956 0.14956 0.74673 -0.02090 0.07142 0.24269 Macht und Einfluss L6 -0.22538 0.22905 -0.08355 0.70718 0.03765 0.13877 0.09793 Bedürfnisse gegen andere L7 -0.19211 -0.09155 0.45732 0.52013 0.29250 0.14049 0.00061 Hoher Lebensstandard L8 -0.17007 0.04060 0.75877 0.25947 -0.25262 -0.07822 -0.06059 Anforderungen erfüllen L9 -0.01535 -0.13011 0.63516 0.15853 0.33933 -0.04080 -0.07436 Beruf - Fähigkeiten L10 -0.02428 -0.03458 0.31211 0.26402 -0.02414 0.68264 -0.10188 Sicherer Arbeitsplatz L11 -0.07192 0.14264 0.23541 0.68844 -0.28816 -0.11267 -0.20498 Im Konkurrenzkampf bestehen L12 0.03584 0.85781 0.18810 0.01226 -0.06703 -0.14375 -0.04380 Starke Regierung im Land L13 -0.23954 0.79556 0.05458 0.12933 0.13164 -0.01212 0.19619 Land: Stark und einflussreich L14 -0.04217 0.77060 0.02294 0.19047 -0.16017 0.20548 -0.06178 Vaterland in der Welt geachtet L15 0.19138 0.08939 -0.06335 0.09352 0.03589 -0.10715 0.80076 Politisch engagieren L16 0.64913 -0.22016 -0.00537 0.28988 -0.10593 -0.32660 -0.08777 Eigene Phantasie und Kreativität L17 0.51120 0.02275 -0.47608 -0.11642 0.27292 0.12427 0.25657 Sozial benachteiligten helfen L18 0.50606 0.26016 0.07166 -0.37289 0.08736 -0.07412 -0.32447 Für andere nützlich L19 0.78264 0.04415 -0.04990 -0.23552 0.22523 -0.02091 -0.13346 Anderen helfen L20 0.34124 0.31040 -0.10741 -0.04771 0.64768 -0.21040 0.13945 Verantwortung übernehmen L21 0.66078 0.03167 -0.06934 -0.14549 -0.09066 0.55361 -0.04956 Natur und Umwelt schützen L22 0.75882 -0.14003 0.04349 -0.12846 0.14971 0.04540 0.05476 Andere Spache/Glauben achten L23 0.46611 -0.14706 0.04837 -0.08506 -0.07979 -0.44139 0.19721 Für andere eintreten L24 0.49881 -0.02959 -0.09924 -0.16400 0.24600 0.10904 -0.54566 Solidarisches Handeln L25 0.72449 -0.00714 -0.17738 -0.09229 -0.02084 -0.03555 0.29062 Lebensstandard anderen

Abb. 127: Matrix der mit Varimax rotierten Faktoren (allgemeinen Werthaltungen HAL)

Auch hier beträgt der insgesamt erklärte Varianzanteil mit 68% gut 2/3:

Faktor1 Faktor2 Faktor3 Faktor4 Faktor5 Faktor6 Faktor7

"Eigenwert" 3,91077 3,03975 2,97959 2,50553 1,52908 1,52316 1,4963

erklärter Varianzanteil 15,64% 12,16% 11,92% 10,02% 6,12% 6,09% 5,99%

erklärter Varianzanteil kum. 15,64% 27,80% 39,72% 49,74% 55,86% 61,95% 67,94%

Tab. 59: Erklärte Varianzanteile der rotierten Faktoren (allgemeine Werthaltungen HAL)

Vollständig beantwortet wurden die Fragen zur allgemeinen Werthaltungen im übrigenvon 81 Personen (von insgesamt 135).



Die nächsten 5 Fragenkataloge zu Einstellungen zu diversen Verkehrsmitteln wurden demForschungsprojekt City:mobil entliehen und die Interpretation z.T. in Anlehnung an diedort vergebenen Bezeichnungen vorgenommen (wenn mit * bzw. ** versehen).

Im folgenden werden nur noch die extrahierten Faktoren mit ihren erklärtenVarianzanteilen (VA) präsentiert.

5.9.2.2 Automobilität


Hier konnten insgesamt 111 Antwortsätze ausgewertet werden – mit folgenden Er-gebnissen:

Faktor 1: Das Auto als Bedingung des Dazugehörens*

(Kein Auskommen ohne Auto, Arbeitsmarkt-Auto, Kinder brauchenAuto, ohne Auto ständig Hilfe)

VA: 10,33%

Faktor 2: Ablehnung des Autos aus ökologischer Betroffenheit*

(Auto-schlechtes Gewissen, aus UmweltschutzgründenVerabschiedung vom Auto, Auto = Verbrechen an Umwelt)

VA: 8,92%

Faktor 3: Auto als Statussymbol und Prestigeobjekt*

(Auto besitzen, nachdem sich die Leute umdrehen, Auto soll sichvon der großen Masse unterscheiden)

VA: 7,91%

Faktor 4: Auto als Arbeitsplatzsicherung + technische Lösung derUmweltprobleme in naher Zukunft

VA: 7,49%

Faktor 5: Unter Kosten/Nutzen-Gesichtspunkt ist das Auto lohnend VA: 7,48%

Faktor 6: Auto zum Abschalten + als Aussage über finanzielle Situation

(durch die Gegend fahren, Alltagstrott hinter sich lassen, Autosagt etwas über finanzielle Situation aus)

VA: 6,66%

Faktor 7: Verlangsamung des Autoverkehrs*

(Einführung Tempolimit, Verlangsamung zur Abgasreduzierung)

VA: 6,09%

Faktor 8: Ablehnung des Autos

(Autos zu groß, zu schnell, Raserei der blanke Horror)

VA: 5,73%

Faktor 9: Auto als Bedingung von Unabhängigkeit

(Spontan wann und wohin, sich gehen lassen)

VA: 5,25%

Tab. 60: Ergebnisse Faktorenanalyse – Automobilität KA

Insgesamt beträgt die Varianzaufklärung 65,87% (City:mobil Freiburg: 57% mit 5Faktoren).




Auch hier werden 9 Faktoren auf Grundlage von 120 Datensätzen extrahiert, die sichfolgendermaßen bezeichnen lassen:

Faktor 1: Das Auto als Notwendigkeit für den Alltag**

(Kein Auskommen ohne Auto, ohne FS halber Mensch, ohne Auto

Hilfe notwendig, ohne Auto keine Alltagsorganisation)

VA: 10,73%

Faktor 2: Kritische Auseinandersetzung mit Autofahren

(Auto-schlechtes Gewissen, Benzinpreiserhöhung, ausUmweltschutzgründen Verabschiedung vom Auto)

VA: 9,45%

Faktor 3: Auto zum Abschalten

(durch die Gegend fahren, Alltagstrott hinter sich lassen, sich gehenlassen)

VA: 9,14%

Faktor 4: Auto als Statussymbol und Prestigeobjekt

(Auto besitzen, nachdem sich die Leute umdrehen, Auto soll sichvon der großen Masse unterscheiden)

VA: 8,99%

Faktor 5: Verlangsamung des Autoverkehrs*

(Einführung Tempolimit, Verlangsamung zur Abgasreduzierung,Autos zu groß/zu schnell)

VA: 7,99%

Faktor 6: Unter Kosten/Nutzen-Gesichtspunkt ist das Auto lohnend VA: 5,39%

Faktor 7: Raserei = Horror VA: 5,02%

Faktor 8: Interesse an Autotechnik + Auto für Arbeitsplätze VA: 4,86%

Faktor 9: Auto als Stressfaktor VA: 4,79%

Tab. 61: Ergebnisse Faktorenanalyse – Automobilität HAL

Hier beträgt die Varianzaufklärung insgesamt 66,37% (City:mobil Schwerin: 55% mit 5Faktoren).

Für die teilnehmenden Personen in beiden Städten stellt sich somit das Auto in ersterLinie als das Verkehrsmittel dar, das zum Leben dazu gehört, aber auch notwendig ist,um generell den Alltag organisieren zu können und nicht auf fremde Hilfe angewiesen zusein.



5.9.2.3 Automobilität (nur Autofahrer)


Diese Fragen wurde nur an Autofahrer/innen gestellt und von 85 Personen beantwortet:

Faktor 1: Aggressive Autofahrer*

(Über Autobahn jagen, Dampf ablassen, Lichthupe, scharf in dieKurve)

VA: 15,43%

Faktor 2: Emotionalisierte Autoaffinität

(Auto als Freund + Beschützter)

VA: 10,89%

Faktor 3: Ausgezeichneter Autofahrer VA: 10,89%

Faktor 4: Autofahren ohne Ziel VA: 9,97%

Faktor 5: Überlegung zur Abschaffung des Autos* VA: 9,59%

Faktor 6: Gleichgültigkeit gegenüber dem eigenen Auto* VA: 8,51%

Tab. 62: Ergebnisse Faktorenanalyse – Automobilität KA (nur für Autofahrer)

Der erklärte Anteil an der Gesamtvarianz beträgt 65,28% (City:mobil Freiburg: 74% mit 6Faktoren).


Die Berechnungen erfolgten aufgrund von 81 Antworten:

Faktor 1: Bekenntnis zu Risiko und Aggression beim Autofahren**

(Über Autobahn jagen, Dampf ablassen, Lichthupe, scharf in dieKurve, Reiz des Risikos)

VA: 22,25%

Faktor 2: Zeitersparnis durch Auto VA: 12,83%

Faktor 3: Keine Freizeit ohne Auto VA: 10,93%

Faktor 4: Reflexion der Notwendigkeit bei jeder Fahrt VA: 9,64%

Faktor 5: Autonutzung aus Bequemlichkeit + Überlegung zurAbschaffung des Autos**

VA: 8,18%

Tab. 63: Ergebnisse Faktorenanalyse – Automobilität HAL (nur für Autofahrer)

Der erklärte Anteil an der Gesamtvarianz beträgt 63,83% (City:mobil Schwerin: 62% mit 5Faktoren).

Auch hier ähneln sich die Einstellungen in Karlsruhe und Halle: in beiden Städten trifft aufdie Teilnehmer an erster Stelle die Bezeichnung als risikobereite, aggressive Autofahrerzu.



5.9.2.4 ÖPNV


Die Einstellungen zum ÖPNV wurden von 129 Personen in KA vollständig beantwortet.

Faktor 1: Straßenbahnfahren als angenehmes Erlebnis undFortbewegungsmittel der Zukunft

(Gut abschalten, Tram überlegen, OeV hervorragend, Tramzukünftig noch mehr Bedeutung)

VA: 18,16%

Faktor 2: Negatives OeV Image

(Gedränge, unangenehme Menschen, lästige Umsteigerei)

VA: 11,73%

Faktor 3: Vorfahrt + Ausbau OeV VA: 10,70%

Faktor 4: Festes Nutzerimage VA: 9,87%

Faktor 5: Bedrohung nachts VA: 7,83%

Tab. 64: Ergebnisse Faktorenanalyse – ÖPNV KA

Der erklärte Anteil an der Gesamtvarianz beträgt hier 58,30% (City:mobil Freiburg: 61%mit 4 Faktoren).


Diese Analyse wurde mit 123 Datensätzen durchgeführt und ergab folgende Faktoren:

Faktor 1: Straßenbahnfahren als Fortbewegungsmittel der Zukunft

(Tram überlegen, weiterer Ausbau, Fahrten in die City, Tramzukünftig noch mehr Bedeutung)

VA: 14,52%

Faktor 2: Festes Nutzerimage + Bedrohung nachts

(kein Auto leisten, unangenehme Menschen, typisch Hausfrau...,Bedrohung nachts)

VA: 14,27%

Faktor 3: OeV unflexibel + kompliziert VA: 13,81%

Faktor 4: Straßenbahnfahren als angenehmes Erlebnis

(gut abschalten, Tram angenehmer als Bus, viel zu sehen)

VA: 13,16%

Tab. 65: Ergebnisse Faktorenanalyse – ÖPNV HAL

Ingesamt ergibt sich ein erklärter Anteil an der Gesamtvarianz von 55,77% (City:mobilSchwerin: 67% mit 5 Faktoren).

Bei den Einstellungen zum ÖPNV fallen die Aussagen zwischen den beiden Städtenunterschiedlicher aus – so stellt zum Beispiel das Straßenbahnfahren als angenehmesErlebnis in Halle erst den 4. Faktor dar, während es in Karlsruhe als mit am wichtigstenangesehen wird. Darüber hinaus wird in beiden Städten ein festes Nutzerimage mit demÖPNV assoziiert.



5.9.2.5 Fahrradfahren


Hier wurden 125 Einstellungen vollständig angegeben:

Faktor 1: Radfahrbegeisterung*

(Unabhängig und frei, beste Fortbewegung, guter Freund, auch beischlechtem Wetter)

VA: 18,23%

Faktor 2: Rad als sportliches Vorzeigeobjekt und Spaß am Tempo

(neueste Technik, schönes Design und Tempo)

VA: 12,43%

Faktor 3: Gefährdung beim Radfahren

(Kinder gefährlich, ständig in Gefahr)

VA: 10,43%

Faktor 4: Fahrradfahren als Risikoerlebnis (schon mal bei Rot) VA: 8,74%

Faktor 5: Festes Nutzerimage (grüne Spinner) VA: 7,66%

Faktor 6: Mountainbikes unsympathisch und reines Sportgerät VA: 7,24%

Tab. 66: Ergebnisse Faktorenanalyse – Fahrradfahren KA

Die Varianzaufklärung beträgt insgesamt 64,72% (City:mobil Freiburg: 60% mit 4Faktoren).


Ausgewertet wurden 119 Angaben:

Faktor 1: Radfahrbegeisterung**

(Nähe zur Natur, unabhängig und frei, beste Fortbewegung, guterFreund, auch bei schlechtem Wetter)

VA: 20,95%

Faktor 2: Rad als sportliches Vorzeigeobjekt und Spaß am Tempo

(neueste Technik, schönes Design und Tempo)

VA: 13,55%

Faktor 3: Rücksichtslosigkeit und Forderung nach Konsequenzen VA: 10,46%

Faktor 4: Gefährdung beim Radfahren VA: 9,98%

Faktor 5: Mountainbikes unsympathisch VA: 8,83%

Tab. 67: Ergebnisse Faktorenanalyse – Fahrradfahren HAL

Die Varianzaufklärung beträgt insgesamt 63,77% (City:mobil Schwerin: 62% mit 5Faktoren).

In beiden Städten überwiegen die positiven Einstellungen gegenüber dem Radfahren.



5.9.2.6 Zu Fuß


Vollständig angekreuzt wurde dieser Teil von 130 Personen:

Faktor 1: Fußgänger als Benachteiligte

(grundsätzlich benachteiligt, es wird zu wenig für FG getan,Gesundheitsgefährdung)

VA: 17,67%

Faktor 2: Gesundheitsaspekt des Zufußgehens

(gesund, gerne längere Strecken)

VA: 16,45%

Faktor 3: Zufußgehen als Naturerlebnis und Genuss

(in Natur abschalten, Spaß zu Fuß)

VA: 16,20%

Faktor 4: Nächtliche Bedrohung VA: 9,88%

Faktor 5: Nur noch dort zu Fuß, wo interessant VA: 8,60%

Tab. 68: Ergebnisse Faktorenanalyse – Zufußgehen KA

Damit ergibt sich ein Gesamtanteil der Varianzaufklärung von 68,80% (City:mobilFreiburg: 66% mit 4 Faktoren).


Für die Faktorenanalyse standen hier 121 Datensätze zur Verfügung, die die folgendenFaktoren ergaben:

Faktor 1: Genuss des Zufußgehens

(gesund, gerne längere Strecken, Spaß)

VA: 20,95%

Faktor 2: Fußgänger als Benachteiligte

(grundsätzlich benachteiligt, es wird zu wenig für FG getan,Gesundheitsgefährdung)

VA: 13,55%

Faktor 3: Zufußgehen als Naturerlebnis

(in Natur abschalten, zu Fuß Natur intensiv)

VA: 10,46%

Faktor 4: Nächtliche Bedrohung VA: 9,98%

Tab. 69: Ergebnisse Faktorenanalyse – Zufußgehen HAL

Bei dieser letzten Analyse ergibt sich ein erklärter Gesamtvarianzanteil von 61,99%(City:mobil Schwerin: 68% mit 4 Faktoren).

Bei den Einstellungen zum Zufußgehen treten erneut Unterschiede zwischen den Städtenauf – während in Karlsruhe die Fußgänger eher als Benachteiligte angesehen werden,steht in Halle der Genuss im Vordergrund.



Fazit dieser ersten Faktorenanalysen ist, dass sich für jede der Skalen eine hohe Anzahlan Faktoren ergeben, die zum Teil nur aus einem Item bestehen. Bei einigenAuswertungen weisen zudem einzelne Faktoren ähnliche Varianzanteile auf und stellensomit ein nicht befriedigendes Ergebnis dar. Zurückzuführen ist dies in erster Linie auf diegeringe Anzahl an Beobachtungen (Antworten), so dass die Aussagen generell nur unterVorbehalt zu betrachten sind.

5.9.3 Imputierte Daten

Um die Anzahl der Datensätze zu erhöhen wurden Datensätze, d.h. Antworten, bei denennur zu einigen Items keine Einschätzung erfolgte, wieder anhand der „hot deckimputation“ Methode (SOLAS, Statistical Solutions, 1999) ergänzt. Im folgenden werdenausgewählte Ergebnisse zusammenfassend dargestellt – Einzelheiten zu diesen findensich im Anhang.

In bezug auf die generellen Einstellungen ändern sich für Karlsruhe die Ergebnisse derFaktorenanalysen nur unwesentlich, während für Halle einige Faktoren vertauscht sind.Besonders deutlich wird dies bei der Forcierung der Faktorenanalyse auf nur 2 Faktoren,bei der die Anzahl der Faktoren von vornherein vorgegeben.Entspricht für Karlsruhe der 1. Faktor wieder der humanistischen Orientierung, soverzeichnen bei dem 1. Faktor für die Hallenser Daten, Items der SkalenPflichtbewusstsein, Leistung im Beruf und politische Macht eine hohe Ladung. Für die 2.Faktoren gilt das Umgekehrte. Dieses Ergebnis bestätigt sich auch, wenn man dieeinzelnen Items entsprechend ihrer Skalenzugehörigkeit zusammenfasst und mit diesen 7Skalen eine Faktorenanalyse durchführt. Aufgrund des Eigenwertkriteriums werdenjeweils 2 Faktoren ausgewählt, die für Karlsruhe die humanistische Orientierung und dietraditionelle Orientierung widerspiegeln und für Halle in genau der umgekehrtenReihenfolge auftreten.Die Reliabilität, d.h. die interne Konsistenz des Antwortverhaltens bezüglich der Faktoren,lässt sich anhand eines Reliabilitätskoeffizienten – Cronbach’s Alpha – überprüfen undfällt mit 0,86 und 0,79 für die beiden Karlsruher Faktoren und 0,82 bzw. 0,81 für Hallehoch aus.

Während für Karlsruhe die ersten Analysen der Originaldaten noch das Auto alsBedingung des Dazugehörens als 1. Faktor bei den Einstellungen zur Automobilitätergaben, steht bei der 2-Faktorenanalyse die Ablehnung des Autos aus ökologischerBetroffenheit im Vordergrund und anschließend der Freizeit- und Sport-Effekt. Dagegensind bei den Faktoren der Daten aus Halle kaum Unterschiede festzustellen: hierdominieren die Notwendigkeit des Autos für den Alltag und die kritische Auseinander-setzung mit dem Autofahren.

Bei den imputierten Datensätzen der Einstellungen zu Automobilität von Autofahrernergab die auf 2 Faktoren beschränkte Faktorenanalyse für Halle den gleichen Hauptfaktorwie bei der ersten Analyse (Bekenntnis zu Risiko und Aggression), während der 2. Faktor– die emotionalisierte Autoaffinität – vorher keine Rolle spielte. In Karlsruhe ergab sicheine Vertauschung der beiden Faktoren.



Für die Einstellungen zum ÖPNV werden die Hauptfaktoren in beiden Städten bestätigt.Für Karlsruhe lässt sich der 1. Faktor wieder beschreiben mit Straßenbahn alsFortbewegungsmittel der Zukunft und als angenehmes Erlebnis, während der 2. Faktordas negative ÖV-Image betont. Für Halle ergeben sich nahezu identische Interpretationender Faktoren.

Als Ergebnisse der Einstellungen zum Fahrradfahren werden die 3-Faktorenanalysenvorgestellt. Auch hier hat sich an der Interpretation der Faktoren nichts geändert. Inbeiden Städten beschreiben die ersten beiden Faktoren die Radfahrbegeisterung und dasRad als sportliches Vorzeigeobjekt mit Spaß am Tempo. Der 3. Faktor lässt sich fürKarlsruhe erneut mit der Gefährdung beim Radfahren umschreiben, während sich in Halledie Vorurteile gegenüber Radfahrern herausbilden.

Auch bei den Einstellungen zum Zufußgehen werden die Ergebnisse der erstenUntersuchungen durch die 2-Faktorenanalysen bestätigt. Während in Karlsruhe dieFußgänger in erster Linie als Benachteiligte angesehen werden, steht in Halle wieder derGenuss und Gesundheitsaspekt im Vordergrund. Dieser Aspekt tritt in Karlsruhe beim 2.Faktor auf, während in Halle an zweiter Stelle die Benachteiligung der Fußgänger steht.

Zusammenfassend lässt sich festhalten, dass die Ergebnisse bezüglich der Einstellungenzum Zufußgehen, Radfahren und zum ÖPNV identisch mit den Ergebnissen derOriginaldaten sind – die jeweiligen erklärten Varianzanteile lassen sich jedoch durch dieImputation erhöhen. Die inhaltlichen Unterschiede in Karlsruhe und Halle bei denEinstellungen zum Zufußgehen lassen sich unter Umständen mit den jeweiligenSituationen in den Innenstädten erklären, da in Karlruhe die Straßenbahnen direkt durchdie Fußgängerzone fahren und damit ein Risiko darstellen.

Während sich die 2-Faktorenanalysen der Einstellungen gegenüber der Automobilitätsowohl im allgemeinen als auch nur für Autofahrer stärker von den Ergebnissen nach demEigenwertkriterium der Originaldaten unterscheiden, ergibt der direkte Vergleich mit einerebenfalls durchgeführten 2-Faktorenanalyse der Originaldaten nur noch minimaleinhaltlich Unterschiede.

Ergebnisse aus Regressionsanalysen und Clusteranalysen, die anhand der für jedePerson spezifischen Werte pro Faktor überprüfen, ob sich Personengruppen bildenlassen, die sich in ihren geäußerten Einstellungen und ihrem tatsächlich realisiertenVerkehrsverhalten ähneln, werden in die angestrebte Projektausweitung auf die anderenBetrachtungsaspekte einfließen und können damit einen weiteren Hinweis darauf geben,was nötig sein wird um Verhaltensroutinen zu ändern.

274 Zusammenfassung


6 Zusammenfassung

Die Kenntnis und das Verständnis der individuellen Mobilitätsgewohnheiten sowie derenVariabilität sind für verkehrsrelevante Planungen und Maßnahmen öffentlicher undprivater Akteure von grundlegender Bedeutung. Die Optimierung herkömmlicher verkehrs-planerischer Maßnahmen und die erfolgreiche Platzierung von neuen verkehrlichen undinformationstechnischen Angeboten wird um so besser gelingen, je mehr Kenntnisse überdie zugrunde liegenden Prozesse vorliegen. Bei den neuen Telematikanwendungenwerden die gewonnenen Einblicke in die Determinanten zeitlicher Strukturen der Mobilitätin das Produktdesign einfließen können.

Mit Mobidrive wurde erstmals der Versuch unternommen eine umfassende Analyse undErklärung der Veränderungsprozesse im Verkehrsverhalten durchzuführen. Hierzuerscheinen vier Bausteine als entscheidend:

Rhythmik

Routinen

Zeitplanung

Dynamik

In der hier vorgelegten Pilotstudie wurde schwerpunktmäßig der Aspekt der Rhythmikbetrachtet. Eine Fortsetzung des Projektes mit den anderen Schwerpunkten und einerzusammenfassenden Betrachtung ist beabsichtigt und zur Verbesserung der Arbeits-möglichkeiten der Planungspraxis erforderlich.

Die Identifikation der rhythmischen Komponenten und Einflussgrößen bezieht sich hierzum einen auf die aggregierte, systembezogene Ebene (deskriptiv) und zum anderen aufdie disaggregierte, individuelle Ebene (deskriptiv und kausal).

Aus der umfassenden Analyse bisheriger Arbeiten im nationalen und internationalenBereich wird deutlich, dass mangels Daten nur wenige Beiträge zur Beschreibung undpraktisch keine Beiträge zur disaggregierten Analyse und Modellierung von Rhythmenexistieren. Insbesondere bleibt die Frage nach der intra-personellen Variabiliät desVerkehrsverhaltens in einem längeren, unterbrechungsfrei betrachteten Zeitraum (>=2Wochen bis ca. 10 Wochen) unbeantwortet.

Aus der Betrachtung der Rhythmen des Verkehrsverhaltens auf der Systemebene könnenHinweise für den Aggregationseffekt des individuellen Raum-Zeit-Verhaltens gewonnenund mit ARIMA-Modellen grundlegende rhythmische Muster von Tages- und Wochen-ganglinien oder saisonalen Einflüssen nachgewiesen werden. Erkenntnisse, die über diezeitordnenden Elemente von Tag und Nacht oder die Bedeutung des Wochenverlaufs(Arbeitstage und Wochenende) hinausgehen, sind nur in begrenztem Umfang zugewinnen.

Simulation

Zusammenfassung 275


Die bekannten statistischen Analysemethode (ARIMA-Modelle etc.) konnten auf derSystemebene mit Längsschnittdaten aus Straßenverkehrszählungen, gruppierten Datender KONTIV, und ÖV-Längsschnitten vorgenommen werden, aber (fast erwartungs-gemäß) ohne hier zu grundlegend neuen Erkenntnissen zu gelangen. Die Erschließungder Daten erwies sich als äußerst schwierig, da u.a. geeignete ÖV-Daten der deutschenVerkehrsunternehmen nur unzureichend zur Verfügung stehen. Die Analysen dervorliegenden Daten, insbesondere der Zähldaten, konnten die früheren Ergebnisse hin-sichtlich der Tages, Wochen, Monats- und Jahresrhythmen jedoch bestätigen. Sie stellendamit einen notwendigen Rahmen für Ergebnisse auf der individuellen Ebene dar.

Die Untersuchung der individuellen Verhaltensvariabilität und -stabilität und die Auf-deckung periodischer Strukturen im täglichen Mobilitätsverhalten war dagegen nur durchdie Erhebung eines neuen eigenen Datensatzes möglich. Die wenigen früheren Studienzur Variabilität deuten darauf hin, dass der intra-personelle Anteil an der Gesamt-variabilität im Verkehr eine dominierende Rolle spielt und die Verhaltensunterschiedezwischen den Verkehrsteilnehmern nur einen kleinen Anteil dazu beitragen (Pas, 1986;Pas und Sundar, 1995). Dies galt mit einem aktuellen, weit über die übliche Befragungs-periode von Mobilitätsstudien hinausgehende Personen- und Haushaltserhebung zubelegen.

Mit der sechswöchigen Befragung von über 360 Personen in Karlsruhe und Halle zuderen Alltagsmobilität liegt ein in weiten Teilen einzigartiger Datensatz vor, der einerseitseinmal mehr die Bedeutung von Längsschnittstudien für die Beschreibung von Verkehrs-verhalten und deren Einflussgrößen bestätigt und andererseits eine außergewöhnlicheFülle von Analysen und Modellansätzen zulässt.

Aufbauend auf den Erfahrungen der 30 Jahre alten Referenzerhebung „UppsalaHousehold Travel Survey“ konnte eine Erhebungs- und Analysekonzeption entwickelt undangewendet werden, die einen wichtigen Beitrag zur Weiterentwicklung der Methoden-pools der Verkehrsverhaltensforschung in der Bundesrepublik leistet.

Die Sechs-Wochen-Erhebung basierte auf schriftlichen Wochenberichten in Wegetage-buchform, ergänzt durch persönliche Interviews und weitere schriftliche Elemente mit denfolgenden Inhalten:

• soziodemographische Eigenschaften der Haushalte und ihrer Mitglieder,

• Verpflichtungen zu spezifischen regelmäßigen Aktivitäten, jeweils privat, sozial undehrenamtlich,

• Details zum Pkw-Besitz/Verfügbarkeit und zu den verfügbaren Zeitkarten für denöffentlichen Verkehr,

• kontinuierliches sechswöchiges Wegetagebuch (erweitertes KONTIV-Design, jeweilsals wöchentliches Tagebuch selbstständig ausgefüllt und zurückgeschickt),

• Mobilitätsorientierungs- und Werteinventar (Einstellungen bezüglich derverschiedenen Verkehrsmittel und bezüglich allgemeiner Werthaltungen).

276 Zusammenfassung


Zusätzlich wurden die folgenden Werte aus anderen Quellen zugespielt:

• Wetterdaten,

• Geokodierung der erfassten Wege,

• IV- und ÖV Routingdaten (Reisezeiten, Wegelängen).

Das Mobidrive-Betreuungskonzept gewährleistete, dass die Motivation der Befragungs-teilnehmer auf einem vergleichsweise hohen Level über den gesamten Zeitraum dersechs Wochen gehalten werden konnte. Dies kommt zum einen durch die minimalen Er-müdungserscheinungen beim Berichten der Wege, zum anderen durch die hohe Rück-laufquote und die gute Antwortqualität der abschließenden Zusatzerhebung zu den Ein-stellungen und Werthaltungen der Befragten zum Ausdruck.

Seit der Generierung und Imputation des Mobidrive-Datensatzes mit mehr als 50.000berichteten Wegen sind eine Vielzahl von analytischen Ansätzen und z.T. innovativenModellen mit neuen Erkenntnissen entwickelt und auf den Mobilitätsdatensatz angewandtworden. Bei den drei Projektpartnern wurden Studien mit den folgenden Schwerpunktenabgeschlossen:

• Berechnung von Ähnlichkeitsmaßen der Alltagsmobilität über sogenannte Sequenz-analysen,

• Identifikation von Haushaltszusammenhängen bei der Alltagsmobilität durchStructural Equation Models (SEM),

• Analyse der Rhythmen mit Überlebenszeitmodellen, insbesondere Hazards,

• Aufzeigen der Zusammenhänge zwischen Wettereinflüssen und der Aktivitätenaus-übung über Dynamische Zeitreihen,

• Visualisierung und geostatistische Analyse der Aktivitätenräume der Befragungs-teilnehmer,

• Analyse der Werthaltungsmuster der Reisenden über Faktorenanalyse und Unter-suchung derer Einflüsse auf die individuelle Mobilitätsstrukturen.

Die Analyseergebnisse zeigen, dass die räumlich-zeitlichen Strukturen der Mobilität vonPersonen und Haushalten nicht durch einige wenige typische Muster beschrieben werdenkönnen – die Definition eines einzigen typischen Tages, anhand dessen sich dasVerhalten einer Person charakterisieren lässt, stellt sicher eine problematische Ver-kürzung der Variabilität des zeit-räumlichen Verhaltens dar. So zeigen die Art der Tages-programme und die individuellen Zeitbudgets über die Periode von sechs Wochen großeUnterschiede. Zeitplanung und Verkehrsverhalten folgen zeitlichen Mustern, die zwar inweiten Teilen täglichen Strukturen folgen, bei einer Reihe von Aktivitäten jedoch wöchent-lichen Mustern entsprechen.

Neben den Untersuchungen zu den zeitlichen Strukturen des Verhaltens wie Rhythmen

Zusammenfassung 277


oder Variabilität bot der Datensatz auch die Möglichkeit für stärker räumlich orientierteAnalysen, die eine hohe räumliche Stabilität ergaben. Auch hier wurden jedoch inter- undintra-personelle Variabilitäten sichtbar.

Insgesamt ist es innerhalb des Projekts gelungen, einen wichtigen Beitrag zurallgemeinen Methodenweiterentwicklung zu leisten – indem Methoden aus anderenForschungsbereichen erfolgreich adaptiert werden konnten – und neue Erkenntnisse überdie komplexen Zusammenhänge des täglichen Mobilitätsverhalten zu liefern. All diesverdeutlicht, dass Befragungen wie Mobidrive mit seinem Längsschnittsansatz imErhebungsdesign eine nötige Ergänzung zu den üblichen Stichtagsbefragungen wie derKONTIV sowie zu den Panelerhebungen darstellen.

Die in vielen Bereichen Einzigartigkeit des Mobidrive Datensatzes lässt natürlich - nebenden bislang im Rahmen dieser Pilotstudie durchgeführten Analysen - auch eine Vielfaltweiterer Auswertungsmöglichkeiten bzw. Weiterentwicklungen der bisher angewandtenMethoden zu. Um diese Arbeiten zu ermöglichen und Synergieeffekte auch für diegeplante Fortsetzung des Projekts zu nutzen, soll der Datensatz zu Forschungszweckenfrei gegeben werden.

278 Ausblick


7 Ausblick

Mit der durchgeführten Befragung, dem daraus resultierenden Datensatz, den Ergeb-nissen und Modellansätzen ist die Basis geschaffen worden, um wichtige weitere Einfluss-größen auf die alltägliche Mobilität, wie

• Zeit- und Aktivitätenplanung,

• Routinenbildung und

• Dynamik

und deren Zusammenfassung in einem mikroskopischen Simulationsmodell untersuchenzu können.

Die Beschreibung, vor allem aber auch die Erklärung und modellmäßige Abbildung desindividuellen Raum-Zeit-Verhaltens, des aktionsräumlichen Verhaltens sowie des darausresultierenden Verkehrsverhaltens haben in den letzten Jahren durch die gewandeltenplanungspraktischen Aufgabenstellungen der Verkehrsplanung an Bedeutung gewonnen.Unter den Anforderungen einer nachhaltigen Verkehrsentwicklung sind vermehrtKonzepte und Maßnahmen zur Information und Beratung der Verkehrsteilnehmer, zur(zeitlichen und räumlichen) Organisation der Verkehrsangebote, zur Entwicklungdifferenzierter Verkehrsangebote (insbesondere im ÖPNV), zum technikgestütztenVerkehrs-Systemmanagement sowie zur Veränderung von Zeitstrukturen (Betriebszeiten,Öffnungszeiten) entwickelt worden. Diese Maßnahmen sollen auf das Verkehrsverhaltenund die Verkehrsverhaltensorganisation der Individuen und Haushalte wirken. Um dieWirksamkeit und Effizienz der Maßnahmen abzuschätzen, bedarf es insbesondere derKenntnisse über

• die zeitlichen Regelmäßigkeiten und Muster des Raum-Zeit-Verhaltens undderen Ursachen bzw. Determinanten

• die Veränderung von Strukturen und Regelmäßigkeiten (Routinen) aufgrundäußerer Einflüsse (veränderte Zeitstrukturen, veränderte räumliche Einbindungen(Standorte), veränderte Lebensstile usw. (Dynamik)),

• die Prozesse der Entstehung, Stabilisierung und Veränderung von Routinen.

Eine besondere Bedeutung kommt dabei der Zeit- und Aktivitätenplanung von Individuenund Haushalten zu.

Die bisherige verkehrsplanerische Forschung hat das an Zeitquerschnitten beobachteteVerhalten als Gleichgewichtszustände und optimale Entscheidungen interpretiert und dieskizzierten dynamischen und rhythmischen Dimensionen des Verhaltens vernachlässigt.Dies hat zu Unzulänglichkeiten der Erklärungen und damit zu mangelnder Wirksamkeitund geringer Effizienz der verkehrsplanerischen Handlungskonzepte geführt. Die gegen-

Ausblick 279


wärtigen Anforderungen der Verkehrspolitik, insbesondere deren Interesse an zeitlich-räumlicher Steuerung der Nachfrage durch Information und Preise, aber auch durchVeränderungen im gesellschaftlichen Zeitregime (Arbeitszeiten, Öffnungszeiten, Schul-zeiten) und in der Verteilung der räumlichen Angebote (e-commerce und andereelektronische Dienstleistungen) erfordern nun, dass die bisherigen Ansätze entsprechendergänzt, erweitert und teilweise ersetzt werden.

Aus der Sicht des Mobidrive-Konsortiums bedürfen neben der Identifikation und Unter-suchung von Routinen vor allem die vermittelnden Prozesse der Zeitplanung (Haushalts-abstimmung, Wochenplanung, Tagesplanung und Umplanung des Tages) weitererForschung, da sie bisher weitestgehend vernachlässigt worden sind. Als besonderes Zieleiner Fortsetzung der Arbeiten soll ein Modell der Zeitplanung im Wochenkontextentstehen, das auf die Daten aus Mobidrive aber auch Mobiplan16 zurückgreift und sieum weitere Erhebungen zur Zeitplanung ergänzt. Das Modell soll auf den folgenden dreiBausteinen aufbauen:

• Aktivitätenpool,

• Zeitplaner und

• Aktivitätengerüst.

Für deren Aufgaben, Eingaben und Ausgaben gibt es überzeugende konzeptionelle Vor-stellungen, ihre funktionalen Zusammenhänge und ihre inneren Prozesse sind aber bisherunbekannt (siehe z.B. Gärling, Kalen, Romanus und Selart, 1998, Doherty und Axhausen,1999 oder Rindsfüser und Doherty, 2000). Das Aktivitätengerüst bildet die langfristigenVerpflichtungen und Aufgaben der Personen und des Haushalts als „gesetzte“ Aktivitätenab, wie zum Beispiel Arbeit, Schule, Ausbildung, Versorgung oder soziale Verpflichtungen(siehe Rindsfüser und Beckmann, 2001 für erste empirische Ergebnisse). Neben sozio-demographischen Merkmalen beruht es auch auf den Lebensstilentscheidungen desHaushalts. Der Aktivitätenpool stellt die Aktivitäten bereit, mit denen der Zeitplaner dasAktivitätengerüst ergänzt und vervollständigt (Tagesplanung), respektive umplant(Umplanung Tagesprogramm). Die Aktivitäten im Aktivitätenkalender ergeben sich ausder Wochenplanung des Haushalts und den individuellen Bedürfnissen der einzelnenPerson (siehe Schönfelder und Axhausen, 2001 für erste empirische Ergebnisse). DerZeitplaner, die Tagesplanung des konzeptionellen Modells, plant und managt den Tag imDetail. Die Entscheidungsmodelle und –regeln berücksichtigen dabei neben den zeitlichenZwängen und Möglichkeiten natürlich auch die generalisierten Kosten des Verhaltens,inklusive der direkten finanziellen Kosten.

Ein solches Modell hat als Aufgabenstellung die Bewertung komplexer verkehrs-planerischer Maßnahmenpakete, insbesondere Pakete die verbesserte externeInformationen, veränderte Preise und veränderte Zeitregimes miteinander kombinieren.Diese Pakete haben nicht nur unmittelbare Wirkungen, sondern auch Wirkungen in der

16 ‚Mobiplan – Eigene Mobilität verstehen und planen – Langfristige Entscheidungen und ihreWirkung auf die Alltagsmobilität‘ - ebenfalls gefördert im Rahmen der Projekte ‚Mobilität undverkehr besser verstehen‘ des BMBF.

280 Ausblick


Zeitplanung, die nicht zu vernachlässigen sind. Als dynamische Simulation kann einsolches Modell auch besser Auskunft über die mittelfristigen Anpassungs-geschwindigkeiten von Verhaltenssystemen geben als Gleichgewichtsmodelle. Dieweitere Gestaltung des Verkehrsmarktes durch nachfragegerechte Angebote und dieKenntnis der Wirkungen von politischen Entscheidungen können damit gleichermaßengefördert werden.

Literaturverzeichnis 281


LiteraturverzeichnisAchilles M., J. Bendisch und B. Hartkopf (1985) Einführung in die Zeitreihen-Analyse mit

ARIMA-Modellen, GMD-Studien, Nr. 107, Gesellschaft für Mathematik und Daten-verarbeitung mbH, Sankt Augustin.

Allison, P.D. (1995) Survival Analysis using the SAS system – A practical guide, SASInstitut Inc., Cary.

Amt für Stadtentwicklung, Statistik und Stadtforschung der Stadt Karlsruhe (Hrsg.) (2000):Statistisches Informationssystem Karlsruhe, http://www.karlsruhe.de/Statistik/siska/siska_inter.htm.

Anderberg, M.R. (1973) Cluster Analysis for Applications, Academic Press, New York.Arentze, T.A. and H.J.P. Timmermans (2000) ALBATROSS: A Learning Based Trans-

portation Oriented Simulation system, European Institute of Retailing and ServicesStudies (EIRASS), Technische Universiteit Eindhoven.

Axhausen, K.W. (1990) A Simultaneous Simulation of Activity Chains, in P.M. Jones (ed.),New Approaches in Dynamic and Activity-based Approaches to Travel Analysis,206-225, Avebury, Aldershot.

Axhausen, K.W. (1995a) The data needs of activity scheduling models, in D.F. Ettemaund H.J.P. Timmermans (Hrsg.) Activity-based Approaches to Travel Analysis, 229-241, Elsevier, Oxford.

Axhausen, K.W. (1995b) Travel Diaries: An Annotated Catalogue, 2nd Edition, WorkingPaper, Institut für Strassenbau und Verkehrsplanung, Leopold-Franzens-Universität,Innsbruck.

Axhausen, K.W. (1998) Can we ever obtain the data we would like to have? In T. Gärling,T. Laitila und T. Westin (Hrsg.) Theoretical Foundations of Travel Choice Modelling,305-324, Elsevier Science, Oxford.

Axhausen, K.W. (in Vorbereitung) Data needs for modelling, in Hensher, D.A. und M.Bonnet (Hrsg.) Handbooks in Transport: Transport Modelling, Elsevier, Oxford.

Axhausen, K.W. und M.J. Alves (1994) Taming travel diaries, paper presented at the 26thUTSG Annual Conference, Leeds.

Axhausen, K.W. und T. Gärling (1992) Activity-based approaches to travel analysis:conceptual frameworks, models and research problems, in Transportation Reviews ,12 (4) 323-341.

Axhausen, K.W. und R. Herz (1989) Simulating Activity Chains: A German Approach,ASCE Journal of Transportation Engineering, 115 (3) 316-325.

Axhausen K.W., A. Zimmermann, S. Schönfelder G. Rindsfüser and T Haupt (im Druck)Observing the rhythms of daily life: A six-week travel diary, Transportation.

Bakeman, R. und J.M. Gottman (1986) Observing Interaction: An Introduction toSequential Analysis, Cambridge University Press.

Becker, G.S. (1965) A theory of the allocation of time, Economic Journal, 75 (299) 493-517.

Becker, G.S. (1976) The Economic Approach to Human Behavior, University of ChicagoPress, Chicago/London.

Beckmann, K.J. (1978) Fußgängerbeobachtungen – Einsatzmöglichkeiten als Instrumentezur Entwicklungsbeobachtung, Schriftenreihe Stadt Region Land des Instituts fürStadtbauwesen, Heft46, Institut für Stadtbauwesen und Stadtverkehr, RWTHAachen, Aachen.

282 Literaturverzeichnis


Beckmann, K.J. (1980) Gesetzmäßigkeiten der zeitlichen und räumlichen Verteilung vonFußgängerströmen in der Innenstadt Braunschweig – Auswertung 1979 -, Bericht,Institut für Stadtbauwesen der Technischen Universität Braunschweig.

Beckmann, K.J. (1983) Untersuchung kleinräumiger Raum-Zeit-Verhaltensweisen alsGrundlage für Infrastrukturplanung in Innenstadtbereichen, Veröffentlichungen desInstituts für Stadtbauwesen, 36, Technische Universität, Braunschweig.

Beckmann, K.J. und G. Rindsfüser (1998) Zeitteilige Verkehrsnachfrageberechnung:Lösungsansätze – Anforderungen – Probleme, in: Schriftenreihe Stadt Region Landdes Instituts für Stadtbauwesen der RWTH Aachen, Heft 66, Tagungsband zumErgebnis-Workshop "NRW-FVU", Aachen.

Beckmann, J. (2000) Analyse des Aktivitäten-(Verkehrs-)verhaltens unter Berück-sichtigung der speziellen Fragestellung der Stabilität/Variabilität (Rhythmik),Diplomarbeit, Institut für Stadtbauwesen und Stadtverkehr, RWTH Aachen, Aachen.

Beckmann, M.J., T.F. Golob und Y. Zahavi (1983a) Travel probability fields and urbanspatial structure: 1. Theory, Environment and Planning A, 15, 593-606.

Beckmann, M.J., T.F. Golob und Y. Zahavi (1983b) Travel probability fields and urbanspatial structure: 2. Empirical tests, Environment and Planning A, 15, 727-738.

Ben-Akiva, M.E., J.L. Bowman und D. Gopinath (1996) Travel demand model system forthe information era, Transportation, 23 (3) 241-266.

Bhat, C.R. (1996a) A hazard based duration model of shopping activity with non-parametric baseline specification and nonparametric control for unobservedheterogeneity, Transportation Research B, 30 (3) 189-207.

Bhat, C.R. (1996b) A generalized multiple durations proportional hazard model with anapplication to activity behaviour during the evening work-to-home commute,Transportation Research B, 30 (6) 465-480.

Bhat, C.R. und F.S. Koppelman (1999) A retrospective and prospective survey of time-useresearch, Transportation, 26 (2) 119-139.

Birkenfeld, W. (1977) Methoden zur Analyse von kurzen Zeitreihen, Birkhäuser Verlag,Basel.

Blonien, P., D. Heidemann und P. Wimber (1982) Jahresauswertung 1981 -Langzeitzählstellen, Reihe Straßenverkehrszählungen, Bundesanstalt fürStraßenwesen BASt (Hrsg.), Heft 24, Köln.

Bollen, K.A. (1989) Structural Equations with Latent Variables, Wiley, New York.Box, G.E.P. und G.M. Jenkin (1976) Time Series Analysis: Forecasting and Control,

revised edition, Holden Day, San Francisco.Bradley, M., J.L. Bowman und K. Lawton (2000) Application of microsimulation techniques

in activity based transportation modelling, paper presented at the 79th AnnualMeeting of the Transportation Research Board, Washington, D.C, January 2000.

Brannolte, U., K.W. Axhausen, H.-L. Dienel und A. Rade (Hrsg.) (1999) Freizeitverkehr –Innovative Analysen und Lösungsansätze in einem multidisziplinärenHandlungsfeld, 77-88, Technische Universität, Berlin.

Brög, W. und E. Erl (1980) Interactive measurement methods: Theoretical bases andpractical applications, Transportation Research Record, 765, 1-6.

Brög, W. und E. Erl (1983) Application of a model of individual behaviour (situationalapproach) to explain household activity patterns in an urban area and to forecastbehavioural changes, in P.M. Jones (Hrsg.) Developments in Dynamic and Activity-Based Approaches to Travel Analysis, 350-370, Gower, Aldershot.

Brög, W., A.H. Meyburg und M.J. Wermuth (1983) Development of survey instrumentssuitable for nonhome activity patterns, Transportation Research Record, 944, 1-12.



Bundesamt für Statistik (BfS) (2000) Einkommens- und Verbrauchserhebung 1998 (EVE98): Erste Ergebnisse, BfS Aktuell, Bundesamt für Statistik, Neuenburg.

Bundesministerium für Verkehr (1999) Verkehr in Zahlen 1998, Deutscher Verkehrs-verlag, Hamburg.

Cambridge Systematics (1996) Data collection in the Portland, Oregon metropolitan area,report for the Travel Model Improvement Program, Department of Transportation,Cambridge Systematics, Oakland.

Carlstein, T., D. Parkes und N. Thrift (Hrsg.) (1978) Human Activity and Time Geography,Arnold, London.

Chang, G-L. und H.S. Mahmassani (1989) The dynamics of commuting decisionbehaviour in urban transportation networks, in The International Association forTravel Behaviour (Hrsg.) Travel Behaviour Research, 15-26, Avebury, Aldershot.

Chapin, F.S. (1965) Urban Land Use Planning, University of Illinois, Urbana.Chapin, F.S. (1974) Human Activity Patterns in the City, Wiley & Sons, New York.Chapin, F.S. (1978) Human time allocation in the city, in T. Carlstein, D. Parkes und N.

Thift (Hrsg.) Human Activity and Time Geography, 13-26, Arnold, London.Cox, D.R. (1972) Regression models and life tables, Journal of the Royal Statistical

Society, 26B, 186-220.Cox, D.R. (1984) Analysis of Survival Data, Chapman and Hall, New York.Cudeck, R., S. Du Toit und D. Sörbom (2000) Structural Equation Modeling: Present and

Future, Scientific Software International, Inc., Chicago.Cullen, I.G. (1978) Human time allocation explanation of spatial behaviour, in T. Carlstein,

D. Parkes und N. Thift (Hrsg.) Human Activity and Time Geography, 27-38, Arnold,London.

Department of Transport (1994) National Travel Survey 1991/93, Directorate of Statistics,Department of Transport, HMSO, London.

Doherty, S.T. und K.W. Axhausen (1998) A conceptual model of the weekly householdactivity-travel scheduling process, paper presented at the Network on the EuropeanCommunications and Transport Activities Research Euroconference, Tel Aviv.

Doherty, S.T. und K.W. Axhausen (1999) A unified framework for the development of aweekly household activity-travel scheduling model, in W. Brilon, F. Huber, M.Schreckenberg and H. Wallentowitz (eds.) Traffic and Mobility, 35-56, Springer,Heidelberg.

Doherty S.T. und E.J. Miller (1997) Tracing the household activity scheduling processusing a one week computer-based survey, paper presented at The Eighth Meetingof the International Association of Travel Behaviour Research: Challenges andOpportunities in Travel Behaviour Research and Applications, Austin, September1997.

Dollase, R. (1999) Zur Relevanz des Forschungsansatzes „Temporale Muster – Dieideale Reihenfolge der Tätigkeiten“ für das Projekt Mobiplan (Mobidrive),unveröffentliches Papier im Rahmen der Arbeiten zum Projekt Mobiplan, UniversitätBielefeld

Downs, R. und D. Stea (1977) Maps in Mind – Reflections on Cognitive Mapping, Harper& Row, New York.

Dürr, H. (1979) Planungsbezogene Aktionsraumforschung, Theoretische Aspekte undeine Pilotstudie, Beiträge der Akademie für Raumforschung und Landesplanung, 34,Hannover.

Düsterwald, M. (2001) Analyse von Zeitreihen und Rhythmen des Verkehrsverhaltens aufder Ebene von Personengruppen und Einzelpersonen, Diplomarbeit am Lehrstuhlfür Stadtbauwesen und Stadtverkehr der RWTH Aachen, Aachen.



Ebert, D. (1995) Gehen, atmen, Herzschlag – Von musikalischen und biologischenRhythmen, in: Held Martin und Karlheinz A. Geißler (Hrsg.) Von Rhythmen undEigenzeiten – Operspektiven einer Ökologie der Zeit, Edition Universitas, S. HirzelWissenschaftliche Verlaggesellschaft Stuttgart.

Erl, E. (1998) The new KONTIV-design, presentation at the 3rd MEST and TESTWorkshop, Pörtschach, September 1998.

Ettema, D., A. Borgers und H. Timmermans (1995) Competing risk hazard model ofactivity choice, timing, sequencing, and duration, Transportation Research Record,1493, 101-109.

Fahrmeir, L. und A. Hamerle (Hrsg.) (1996) Multivariate statistische Verfahren, deGruyter, Berlin.

Festin, S. M. (1996) Summary of National and Regional Travel Trends: 1970-1995,FHWA-PL-96-021, U.S. Department of Transportation, Federal Highway Admi-nistration, Office of Highway Information Management, Washington, DC 20590.

Fotheringham, A.S., C. Brunsdon und M. Charlton (2000) Quantitative Geography, Sage,London.

Fraschini, E.M. und K.W. Axhausen (2001) Day on Day Dependencies in Travel: FirstResults using ARIMA Modelling, Arbeitsberichte Verkehrs- und Raumplanung, 63,Institut für Verkehrsplanung, Transporttechnik, Strassen- und Eisenbahnbau derETH Zürich, Zürich.

Gärling, T., R. Gilholm und A. Gärling (1998) Reintroducing attitude theory in travelbehaviour research, Transportation, 25 (2) 120-146.

Gärling, T., T. Kalen, J. Romanus und M. Selart, (1998) Computer simulation of house-hold activity scheduling, Environment and Planning A, 30 (4), 665-679.

Gawronski, G. und H. Sydow (1999). Wertorientierungen und Präferenzmuster:Vorstellung eines zweidimensionalen Wertesystems zur Beschreibung potentiellerKundengruppen, Vortrag 20. Kongress für angewandte Psychologie, Oktober 1999,Berlin.

Geißler, K. A. und M. Held (1995) Grundbegriffe zur Ökologie der Zeit – Vom Finden derrechten Zeitmaße, in: Held Martin und Karlheinz A. Geißler (Hrsg.) Von Rhythmenund Eigenzeiten – Operspektiven einer Ökologie der Zeit, Edition Universitas, S.Hirzel Wissenschaftliche Verlaggesellschaft Stuttgart.

Götz, K., T. Jahn, und I. Schultz, (1997) Mobilitätsstile: Ein sozial-ökologischer Unter-suchungsansatz, Forschungsbericht Stadtverträgliche Mobilität, 7,Forschungsverbund City:mobil, Frankfurt am Main.

Golob, T.F. (1996) A model of household demand for activity participation and mobility, inT. Gärling, T. Laitilla and K. Westin, eds., Theoretical Foundations of Travel ChoiceModelling, 365-398. Oxford: Pergamon.

Golob, T.F. und H. Meurs (1986) Biases in response over time in a seven-day travel diary,Transportation, 13 (2) 163-181.

Golob, T.F. und L. van Wissen (1989) A joint household travel distance generation andcar ownership model, Transportation Research, 23B (6) 471-491.

Goodwin, P., R. Kitamura, und H. Meurs (1990) Some principles of dynamic analysis oftravel behaviour, in P. Jones (Hrsg.) Developments in Dynamic and Activity-BasedApproaches to Travel Analysis , 56-72, Gower, Aldershot.

Gould, P. und R. White (1986) Mental Maps, Routledge, London.Gusfield, D. (1997) Algorithms on Strings, Trees, and Sequences: Computer Science and

Computational Biology, Cambridge University Press.Hägerstrand, T. (1970) What about people in regional science?, Papers of the Regional

Science Association, 24 (1) 7-21.



Hamed, M.K., S.G. Kim und F. Mannering (1993) A note on travelers‘ home-stay durationand the efficiency of proportional hazard models, Working Paper, University ofWashington, Seattle.

Hamed, M.K. und F. Mannering (1993) Modelling travellers‘ post-work activityinvolvement: toward a new methodology, Transportation Science, zur Veröffent-lichung eingereicht.

Hanson, S. und K.O. Burnett (1981) Understanding complex travel behavior:Measurement issues, in P.R. Stopher, A.H. Meyburg und W. Brög, New Horizons inTravel-Behaviour Research, 207-230, Lexington, Massachusetts/Toronto.

Hanson, S. und P. Hanson (1981a) The travel-activity patterns of urban residents:Dimensions and relationships to sociodemographic characteristics, EconomicGeography, 57 332-347.

Hanson, S. und P. Hanson (1981b) The impact of married women’s employment onhousehold travel patterns: A Swedish example, Transportation, 10 165-183.

Hanson, S. und J.O. Huff (1982a) Assessing day-to-day variability in complex travelpatterns, Transportation Research Record, 891, 18-24.

Hanson, S. und J.O. Huff (1986) Classification issues in the analysis of complex travelbehaviour, Transportation, 13 (3) 271-293.

Hanson, S. und J.O. Huff (1988a) Repetition and day-to-day variability in individual travelpatterns : Implications for classification, in R. Golledge und H. Timmermans (Hrsg.)Behavorial Modelling in Geography and Planning, Croom Helm, New York.

Hanson, S. und J.O. Huff (1988b) Systematic variability in repetitious travel,Transportation, 15 (1-2) 111-135.

Harvey, A.S. (1982) Role and context: Shapers of behaviour, Studies of Broadcasting, 1869-92.

Heidemann, C. (1981) Spatial behaviour studies: Concepts and contexts, in P.R. Stopher,A.H. Meyburg und W. Brög (Hrsg.) New Horizons in Travel Behaviour Research,289-315, Lexington, Toronto.

Heidemann, D. und P. Wimber (1982) Typisierung von Verkehrsstärkeganglinien durchclusteranalytische Verfahren, Schriftenreihe Straßenverkehrszählungen,Bundesanstalt für Strassenwesen (Hrsg.) im Auftrag des Bundesministers fürVerkehr, Heft 26, Köln.

Hensher, D.A. und F.L. Mannering (1994) Hazard-based duration models and theirapplication to transport analysis, Transportation Reviews, 14 (1) 63-82.

Herz, R. (1980) Empirische Befunde zum Rhythmus der Zeitnutzung, Arbeitsbericht zumDFG-Projekt „Zeitbudget-Allokation und Infrastrukturbelastung“, Schriftenreihe desInstituts für Städtebau und Landesplanung, Universität Karlsruhe.

Herz, R. (1983) Stability, variability and flexibility in everyday behaviour, in S. Carpenterund P.M. Jones (Hrsg.) Recent Advances in Travel Demand Analysis, 385-400,Gower, Aldershot.

Herz, R. (1984) Verkehrsverhaltensänderungen 1976-1982, Ergebnisse einer ver-gleichenden Auswertung der KONTIV 76 und 1982, Institut für Städtebau undLandesplanung, Universität, Karlsruhe.

Herz, R., H.G. Schlichter und W. Siegener (1992) Angewandte Statistik für Verkehrs- undRegionalplaner, Werner Verlag, Düsseldorf.

Higgins, D.G. und P.M. Sharp (1988) CLUSTAL: a package for performing multiplesequence alignment on a microcomputer. Gene 73, 237-244.

Hooge, P.N. (2000) Movement, Animal Movement analysis arcview extension,http://www.absc.usgs.gov/glba/gistools/animal_mvmt.htm, Alasca Biological ScienceCenter, Glacier Bay.



Horton, F. und D.R. Reynolds (1971) Effects of Urban Spatial Structure on IndividualBehaviour, Economic Geography, 47, 36-48.

Hosmer, D. W. und S. Lemeshow (1999) Applied Survival Analysis: Regression Modelingof Time to Event Data, Wiley, New York.

Huff, J.O. und S. Hanson (1986) Repetition and variability in urban travel, GeographicalAnalysis, 18 (2) 97-114.

Huff, J.O. und S. Hanson (1990) Measurement of habitual behaviour: Examiningsystematic variability in repetitive travel, in P.M. Jones (Hrsg.) Developments inDynamic and Activity-Based Approaches to Travel Analysis, 229-249, Gower,Aldershot.

Hutchinson, B.G. (1974) Principles of Urban Transports Systems Planning, Scripta Books,Washington.

Jennrich, R.I. und F.B. Turner (1969) Measurement of non-circular home range, Journal ofTheoretical Biology, 22, 227-237.

Joh, C.H., T.A. Arentze und H.J.P. Timmermans (1999) Multidimensional sequencealignment methods for activity patterns analysis: a comparison of dynamicprogramming and genetic algorithms, paper presented at the 39th ERSAConference, Dublin, August 1999.

Jones, P.M. (1981) Activity approaches to understanding travel behaviour, in P.R.Stopher, A.H. Meyburg und W. Brög, New Horizons in Travel-Behaviour Research,253-266, Lexington, Massachusetts/Toronto.

Jones, P.M. (1985) Interactive travel survey methods: the state-of-the-art, in E.S. Ampt,A.J. Richardson und W. Brög (Hrsg.) New Survey Methods in Transport, VNUScience Press, Utrecht.

Jones, P.M. (ed.) (1990) Developments in Dynamic and Activity-Based Approaches toTravel Analysis , Avebury, Aldershot.

Jones P.M. und M.I. Clarke (1988) The significance and measurement of variability intravel behavior, Transportation, 15 (1) 65-87.

Jones, P.M., M.C. Dix, M.I.Clarke, und I.G. Heggie (Hrsg.) (1983) Understanding TravelBehaviour, Gower, Aldershot.

Jones, P.M., F. Koppelmann und J.O. Orfeuil (1990) Activity analysis: State-of-the-art andfuture directions, in P.M. Jones (Hrsg.) Developments in Dynamic and Activity-Based Approaches to Travel Analysis, 34-55, Gower, Aldershot.

Kahnemann, D., P. Slovic und A. Tversky (Hrsg.) (1982) Judgements under Uncertainty:Heuristics and Biases, Cambridge University Press, Cambridge.

Kalbfleisch, J.D. und R.L. Prentice (1980) The Statistical Analysis of Failure Time Data,Wiley, New York.

Kleinbaum, D. G. (1996) Survival analysis : A Self-learning Text, Springer, New York.König, A., R. Schlich, A. Aschwanden, A. Kaufmann und K.W. Axhausen (2000)

Mobidrive: Data format guide, Arbeitsberichte Verkehrs- und Raumplanung, 32,Institut für Verkehrsplanung, Transporttechnik, Strassen- und Eisenbahnbau derETH Zürich, Zürich.

Kitamura, R. (1988) An evaluation of activity-based travel analysis, Transportation, 15 (1)9-34.

Klingbeil, D. (1978) Aktionsräume im Verdichtungsraum, Zeitpotentiale und ihre räumlicheNutzung, Münchener Geographische Hefte, 41, Verlag Michael Lassleben, Kall-münz/Regensburg.

Kreibich, V., B. Kreibich und G. Ruhl (1987) Aktionsraumforschung in der Landes- undRegionalplanung, Entwicklung eines Raum-Zeit-Modells, Schriftenreihe Landes- undStadtentwicklungsforschung des Landes Nordrhein-Westfalen, 1041, Institut für



Landes- und Stadtentwicklungsforschung des Landes Nordrhein-Westfalen (ILS),Dortmund.

Kumar, A. und D. Levinson (1995) Temporal variations on allocation of time,Transportation Research Record, 1493, 118-127.

Kutter, E. (1972) Demographische Determinanten des städtischen Personenverkehrs, inVeröffentlichungen des Instituts für Stadtbauwesen der TU Braunschweig, Heft 9,TU Braunschweig, Braunschweig.

Kutter, E. (1973) A model for individual behaviour, Urban Studies, 10 (2) 235-258.Lammers, G. und R. Herz (1979) Aktivitätenmuster für die Stadtplanung, Seminarberichte,

Institut für Städtebau und Landesplanung der Universität Karlsruhe, UniversitätKarlsruhe, Karlsruhe.

Lensing, N., G. Mavridis und D. Täubner (1993) Typisierung von Dauerlinien stündlicherVerkehrsstärken des Kfz-Verkehrs nach Fahrtzweckgruppen und langfristigeVeränderungen, Schriftenreihe Forschung Straßenbau und Straßenverkehrstechnik,Bundesminister für Verkehr (Hrsg.), Heft 657, Bonn-Bad Godesberg.

Lynch D. (1960) The Image of the City, MIT-Press, Cambridge.Mahmassani, H.S. (1988) Some comments on activity-based approaches to analysis and

prediction of travel behavior, Transportation, 15 (1) 35-40.Mahmassani, H.S. (1997) Dynamics of commuter behaviour: Recent research and

continuing challenges, in P.R. Stopher und M.E.H. Lee-Gosselin (Hrsg.)Understanding Travel Behaviour in an Era of Change, 279-313, Pergamon, Oxford.

Mahmassani, H.S. und S.G. Hatcher (1992) Day-to-day variability of commuter behavior:Analysis of path selection, trip timing and trip chaining using two-week trip diaries,Paper presented at the 6th World Conference of Transportation Research (WCTR),Lyon, Juli 1992.

Mahmassani, H.S., S.G. Hatcher und D.G. Caplice. (1997) Daily variation of trip chaining,scheduling, and path selection behaviour of work commuters, in P.R. Stopher undM.E.H. Lee-Gosselin (Hrsg.) Understanding Travel Behaviour in an Era of Change,351-379, Pergamon, Oxford.

Mannering, F. und H. Hamed (1990) Occurrence, frequency and duration of commuters‘work-to-home departure delay, Transportation Research B, 24 (2) 99-109.

Mannering, F., E. Murakami und S.G. Kim (1992) Models of travelers‘ activity choice andhome-stay duration: analysis of functional form and temporal stability, WorkingPaper, University of Washington, Seattle.

Marble, D.F. und S.R. Bowlby (1968) Shopping alternatives and recurrent travel patterns,in F.E. Horton (Hrsg.) Geographic Studies of Urban Transportation and NetworkAnalysis, Northwestern University Press, Evanston.

Marklein, K. (1978) Jahresganglinien 1977 - Langzeitzählstellen, Reihe Strassen-verkehrszählungen, Bundesanstalt für Strassenwesen BAST (Hrsg.), Heft 9, Köln.

Maruyama, G.M. (1998) Basics of Structural Equation Modeling, Sage Publications,Thousand Oaks.

Mueller, R.O. (1996) Basic Principles of Structural Equation Modeling - An Introduction toLISREL and EQS, Springer, Heidelberg.

Mühlhans, H. und G. Rindsfüser (2000) Computergestütze Erhebung und Analyse desAktivitätenplanungsverhaltens, Schriftenreihe SRL - Stadt Region Land, Heft 68,Institut für Stadtbauwesen und Stadtverkehr, RWTH Aachen, Aachen.

Niemeier, D.A. und J. Morita (1994) Duration of trip-making activities by men and women:a survival analysis, Presented at the 73rd Annual Meeting of the TransportationResearch Board.



Nierhoff, G. et al (1999) Verkehrsentwicklung auf Bundesstraßen 1997, Berichte derBundesanstalt für Straßenwesen Teil Verkehrstechnik, Bundesanstalt fürStraßenwesen BASt (Hrsg.), Heft V61, Bergisch-Gladbach.

Oi, W. und P.W. Shuldiner (1962) An Analysis of Urban Travel Demand, NorthwesternUniversity Press, Evanston.

Oh, L. (2000) Identification of the causal factors of activity duration dynamics using hazardbased duration models, Working paper, London.

Ortuzar, J.de und L.G. Willumsen (1994) Modelling Transport, Wiley, Chichester.Parkes, D. (1974) Themes on time in urban social space, Seminar Paper, 26, Department

of Geography, University of Newcastle, Newcastle upon Tyne.Pas, E.I. (1983) A flexible and integrated methodology for analytical classification of daily

travel-activity behavior, Transportation Science, 17 (4) 405-429.Pas, E.I. (1984) The effect of selected socio-demographic characteristics on daily travel

activity behavior, Environment and Planning A, 16 571-581.Pas, E.I. (1985) State of the art and research opportunities in travel demand: another

perspective, Transportation Research A, 19 (5-6) 460-464.Pas, E.I. (1986) Multiday samples, parameter estimation precision, and data collection

costs for least squares regression trip-generation models, Environment andPlanning A, 18, 73-87.

Pas, E.I. (1987) Intrapersonal variability and model goodness-of-fit, TransportationResearch A, 21 (6) 431-438.

Pas, E.I. (1988) Weekly travel-activity behaviour. Transportation, 15 (1) 89-109.Pas, E.I. (1990) Is travel demand analysis and modelling in the doldrums?, in P.M. Jones

(Hrsg.) Developments in Dynamic and Activity-Based Approaches to TravelAnalysis, 3-27, Gower, Aldershot.

Pas, E.I. und A.S. Harvey (1997) Time use research and travel demand analysismodelling, in P.R. Stopher und M.E.H Lee-Gosselin (Hrsg.) Understanding TravelBehaviour in an Era of Change, 315-338, Pergamon, Oxford.

Pas, E.I. und F.S. Koppelman (1986) An examination of the determinants of day-to-dayvariability in individuals‘ urban travel behavior, Transportation, 13 (2) 183-200.

Pas, E.I. und S. Sundar (1995) Intrapersonal variability in daily urban travel behavior:Some additional evidence, Transportation, 22 (2) 135-150.

Pendyala, R. M. (2000) Measuring Day-to-Day Variability in Travel Behaviour Using GPSData. US Department of Transportation – Federal Highway Administration (FHWA),DTFH61-99-P-00266, (http://www.fhwa.dot.gov/ohim/gps/index.html).

Reader, S. und F.R. McNeill (1999) Hazard-rate modelling of store switching behaviour,Environment and Planning A, 31 (8) 1353-1370.

Recker, W.W. und M.G. McNally (1985) Travel / activity analysis: Pattern recognition,classification and interpretation, in Transportation Research A, 19 (4) 279-296.

Recker, W.W., M.G. McNally und G.S. Root (1983) Application of pattern recognitiontheory to activity pattern analysis, in S. Carpenter und P.M. Jones (Hrsg.) RecentAdvances in Travel Demand Analysis, 434-449, Gower, Aldershot.

Regniet, G. und G. Schmidt (1992) Analysen des Straßenverkehrs auf Außerortsstraßenin Nordrhein-Westfalen – Auswertung automatischer Dauerzählungen 1980-1990,Ministerium für Stadtentwicklung und Verkehr des Landes Nordrhein-Westfalen(Hrsg.), Düsseldorf.

Reutter, O. und U. Reutter (1996) Autofreies Leben in der Stadt - autofreie Quartiere imBestand, Verkehr Spezial, 2, Dortmunder Vertrieb für Bau und Planungsliteratur,Dortmund.



Richardson, A., E. Ampt und A. Meyburg (1996) Survey Methods for Transport Planning,Eucalyptus Press, Melbourne.

Sankoff, D. und J.B. Kruskal (1983) Time warps, string edits, and macromolecules: Thetheory and practice of sequence comparison, Addison-Wesley, Reading.

Schips, B. und W. Stier (1993) Saisonbereinigungsverfahren in der Preisstatistik - DasCENSUS-X-11-Verfahren, Darstellung, Kritik, Alternativen, Bundesamt für Statistik,Bern.

Schlich, R. (2001) Measurement issues in identifying variability in travel behaviour,Arbeitsberichte Verkehrs- und Raumplanung, 66, Institut für Verkehrsplanung,Transporttechnik, Strassen- und Eisenbahnbau der ETH Zürich, Zürich.

Schlittgen, R. und B.H.J. Streitberg (1999) Zeitreihenanalyse, Oldenburg-Verlag,München.

Schmidt, G. und B. Thomas (1996) Hochrechnungsfaktoren für manuelle undautomatische Kurzzeitzählungen im Innerortsbereich, Schriftenreihe ForschungStraßenbau und Verkehrstechnik, Bundesministerium für Verkehr (Hrsg.), Heft 732,Bonn-Bad Godesberg.

Schmiedel, R. (1978) Methoden zur Analyse periodischer Komponenten von Zeitreihen,Institut für Städtebau und Landesplanung, Universität Karlsruhe.

Schmiedel, R. (1984) Bestimmung verhaltensähnlicher Personenkreise für die Verkehrs-planung, Schriftenreihe des Instituts für Städtebau und Landesplanung der Uni-versität Karlsruhe, Heft 18.

Schmitz, B. (1989) Einführung in die Zeitreihenanalyse; Verlag Hans Huber, Bern, 89ff.Schneider, H. (1991) Verweildaueranalyse mit GAUSS, Campus, Frankfurt/New York.Schofer, J.L., A.J. Khattak und F.S. Koppelman (1993) Behavioural issues in the design

and evaluation of Advanced Traveller Information Systems, TransportationResearch C, 1 (2) 107-117.

Schönfelder, S. und K.W. Axhausen (2001) Analysing the rhythms of travel using survivalanalysis, Kaspar, C., C. Laesser und T. Bieger (2001) Jahrbuch 2000/2001Schweizerische Verkehrswirtschaft, 137-162, Universität, St. Gallen.

Schönwiese, C.D. (1995) Klima-Rhythmen – Phänomene, Ursachen und Störungen, in:Held Martin und Karlheinz A. Geißler (Hrsg.) Von Rhythmen und Eigenzeiten –Operspektiven einer Ökologie der Zeit, Edition Universitas, S. HirzelWissenschaftliche Verlaggesellschaft Stuttgart.

Shapcott, M. und P. Steadman (1978) Rhythms of urban activity, in T. Carlstein, D. Parkund N. Thrift (Hrsg.) (1978) Human Activity and Time Geography, 49-74, Arnold,London.

Simma, A. (2000) Verkehrsverhalten als eine Funktion soziodemografischer undräumlicher Faktoren, Dissertation an der Universität Innsbruck, Innsbruck.

Simon H. (1955) A behavior model of rational choice, Quarterly Journal of Economics, 69,99-118.

Simon, H. (1979) Models of Thought, Yale University Press, New Haven.Sparmann, Udo (1980) ORIENT – Ein verhaltensorientiertes Simulationsmodell zur Ver-

kehrsprognose, Schriftenreihe des Instituts für Verkehrswesen der UniversitätKarlsruhe, Heft 20.

Srinivasan, K.K. and H.S. Mahmassani (2000) Analyzing heterogeneity and unobservedstructural effects in route-switching behaviour under ATIS: a dynamic kernel logit(DKL) formulation, paper presented at the 79th Annual Meeting of theTransportation Research Board, Washington, D.C., January 2000.

Stadt Halle (Hrsg.) (1999) Statistisches Jahrbuch 1997/1998, Halle.



Statistical Solution (1999) SOLAS for missing data 2.0, Handbook, Statistical Solutions,Cork.

Steierwald, G., H.Heusch und J. Boesefeldt (1981) Beiträge zur Problematik derBemessung von Straßen, Schriftenreihe Forschung Straßenbau undStraßenverkehrstechnik, Bundesminister für Verkehr (Hrsg.), Heft 320, Bonn-BadGodesberg.

Sueyoshi, G.T. (1992) Semiparametric proportional hazards estimation of competing risksmodels with time varying covariates, Journal of Econometrics, 51(1), 25-58.

System repräsentativer Verkehrsbefragungen (Hrsg.) (1998) SrV-Erhebung der StadtHalle 1998, Tabellenband, Halle.

Thompson, J.D. et al. (1994) Clustal W: improving the senstivity of progressive multiplesequence alignment through sequence weighting, position-specific gap penaltiesand weight matrix choice. Nucleic Acids Research, 22: 4673-4680.

Twele, H. (2000) Methoden zur Modellierung von kurz- und mittelfristigenNachfrageschwankungen am Beispiel des Schienengüterverkehrs, Wissenschaft-liche Arbeiten Nr. 53 des Instituts für Verkehrswesen, Eisenbahnbau und –betriebder Universität Hannover; Dissertation 1999, Hestra-Verlag, Darmstadt.

Vaughan K.M., P. Speckmann and D. Sun (1999) Identifying relevant socio-demographicsfor distinguishing household activity-travel patterns: A multivariate regression treeapproach, paper prepared for the National Institute of Statistical Science, May 1999.

Verkehrsbetriebe Karlsruhe und Albtal Verkehrsgesellschaft mbH (Hrsg.) (1992)Tabellenband zu Zahlen und Fakten zur Mobilität, 1, Karlsruhe.

Volkmar, H.F. (1984) Räumliche und zeitliche Aktivitätschancen, Schriftenreihe desInstitus für Verkehrsplanung und Verkehrswesen, 14, Technische Universität, Berlin.

Webber, M.J. (1979) Urban Spatial Structure: An Information Theoretic Approach, Berichtan das Social Sciences and Humanities Research Council (Canada), Projekt 410-77, Department of Geography, McMaster University, Hamilton, Ontario.

Wermuth, M.J. (1978) Struktur und Effekte von Faktoren der individuellen Aktivitäten-nachfrage als Determinanten des Personenverkehrs, Bock und Herchen Verlag,Bad Honnef.

Wilson, W.C. (1998) Activity pattern analysis by means of sequence-alignment methods,Environment and Planning A, 30 (6), 1017-1038.

Wilson, W.C. (2001) Activity Patterns of Canadian Women: Application of ClustalGSequence Alignment Software, Paper presented at 80th TRB Annual Meeting, Jan7th-11th, Washington D.C.

Wiswede, G. (1977) Rollentheorie, Kohlhammer, Stuttgart.Wold, H.O., (1938) A Study in the Analysis of Stationary time series, Almqvist & Wiksell,

Uppsala, Sweden.Zahavi, Y. (1979) The 'UMOT' Project, US Department of Transportation RSPA-DPB, 20-

79-3, US Department of Transportation, Washington.Zumkeller, D. und B. Chlond (1995) Nutzen und Realisierungsprobleme einer

bundesweiten Paneluntersuchung zum Verkehrsverhalten, InternationalesVerkehrswesen, 47 (1-2) 20-25.

Veröffentlichungen im Rahmen des Projekts 291


Veröffentlichungen im Rahmen des ProjektsAxhausen K.W., A. Zimmermann, S. Schönfelder G. Rindsfüser und T Haupt (im Druck)

Observing the rhythms of daily life: A six-week travel diary, Transportation.Fraschini, E.M. und K.W. Axhausen (2001) Day on Day Dependencies in Travel: First

Results using ARIMA Modelling, Arbeitsberichte Verkehrs- und Raumplanung, 63,Institut für Verkehrsplanung, Transporttechnik, Strassen- und Eisenbahnbau derETH Zürich, Zürich.

König, A., R. Schlich, A. Aschwanden, A. Kaufmann und K.W. Axhausen (2000)Mobidrive: Data format guide, Arbeitsberichte Verkehrs- und Raumplanung, 32,Institut für Verkehrsplanung, Transporttechnik, Strassen- und Eisenbahnbau derETH Zürich, Zürich.

PTV AG, B. Fell, S. Schönfelder und K.W. Axhausen (2000) Mobidrive Questionaires,Arbeitsberichte Verkehrs- und Raumplanung, 52, Institut für Verkehrsplanung,Transporttechnik, Strassen- und Eisenbahnbau der ETH Zürich, Zürich.

Rindsfüser, G. (2000) Analytische Visualisierung georeferenzierter Aktivitätenräumemenschlichen Raum-Zeit-Verhaltens, Arbeitspapiere, F3, Lehrstuhl und Institut fürStadtbauwesen und Stadtverkehr, RWTH Aachen, Aachen.

Rindsfüser, G. (2001) Die Verwendung zeitbezogener Daten für die Analyse vonAktivitätensequenzen im Kontext der Verkehrsnachfragemodellierung,Schriftenreihe "Spektrum Bundesstatistik", Band 16/2001, Statistisches BundesamtDeutschland, Wiesbaden.

Rindsfüser, G, K.J. Beckmann (erscheint 2001) Analyse sechswöchiger Aktivitätenmustermit Verfahren der Sequenzanalyse, Arbeitspapiere, F7, Lehrstuhl und Institut fürStadtbauwesen und Stadtverkehr, RWTH Aachen, Aachen.

Rindsfüser, G., T. Wehmeier, K.J. Beckmann (2001) Rhythmen im Verkehrs- undMobilitätsverhalten - ausgewählte Ergebnisse des Projektes Mobidrive, Schriften-reihe SRL - Stadt Region Land, 70, Institut für Stadtbauwesen und Stadtverkehr,RWTH Aachen, Aachen.

Rindsfüser,G., T. Perian, S. Schönfelder (erscheint 2001) Raum-Zeit-Analyse individuellerTätigkeitenprofile - erste Annäherung auf der Basis einer Längsschnitterhebung(Mobidrive), Schriftenreihe SRL - Stadt Region Land, 71, Institut für Stadtbauwesenund Stadtverkehr, RWTH Aachen, Aachen.

Schlich, R. (2001) Measurement issues in identifying variability in travel behaviour,Arbeitsberichte Verkehrs- und Raumplanung, 66, Institut für Verkehrsplanung,Transporttechnik, Strassen- und Eisenbahnbau der ETH Zürich, Zürich.

Schlich, R., A. König, K.W. Axhausen (2000) Stabilität und Variabilität imVerkehrsverhalten, Strassenverkehrstechnik, 44 (9), 431-440.

Schlich, R., A. Zimmermann, S. Schönfelder, K.W. Axhausen (erscheint 2001) Werte,Einkommen, Status und Verkehrsverhalten, Schriftenreihe SRL - Stadt RegionLand, 71, Institut für Stadtbauwesen und Stadtverkehr, RWTH Aachen, Aachen.

Schönfelder, S. (2001) Some notes on space, location and travel behaviour, Arbeits-berichte Verkehrs- und Raumplanung, 67, Institut für Verkehrsplanung,Transporttechnik, Strassen- und Eisenbahnbau, ETH Zürich, Zürich.

Schönfelder, S. and K.W. Axhausen (2000) Periodizität im Verkehrsverhalten: ErsteErgebnisse mit Überlebenszeitmodellen, Schriftenreihe SRL - Stadt Region Land, 69,131-144, Institut für Stadtbauwesen, RWTH Aachen.

Schönfelder, S., K.W. Axhausen (2001a) Analysing the rhythms of travel using survivalanalysis, in Kaspar, C., C. Laesser und T. Bieger (2001) Jahrbuch 2000/2001

292 Veröffentlichungen im Rahmen des Projekts


Schweizerische Verkehrswirtschaft, 137-162, Universität, St. Gallen.Schönfelder, S., K.W. Axhausen (2001b) Mobidrive- Längsschnitterhebung zum

individuellen Verkehrsverhalten: Perspektiven für raum-zeitliche Analysen; inSchrenk, M., Tagungsband/Proceedings zur CORP 2001, Band2, S. 315-321,Technische Universität, Wien.

Simma, A., K.W. Axhausen (2001) Successive days, related travel behaviour? Arbeits-berichte Verkehrs- und Raumplanung, 62, Institut für Verkehrsplanung, Transport-technik, Strassen- und Eisenbahnbau, ETH Zürich, Zürich.

Vorträge im Rahmen des Projekts 293


Vorträge im Rahmen des ProjektsAxhausen K.W. (2000) Rhythmen des Alltags, Vortrag ARL Arbeitsgruppe "Zeitnutzung",

März 2000, Berlin.Axhausen, K.W (2000) Rhythmik und Dynamik im Verkehr: Neue Herausforderungen für

die Nachfragemodellierung, Anwendertreffen der PTV, Oktober 2000, PTV AGKarlsruhe.

Axhausen, K.W. (2000) Zeitaufteilung und Zeitplanung, IfMo-Workshop Freizeitverkehr:Theoretische und empirische Motivforschung, Dezember 2000, Berlin.

Axhausen, K.W. Mobidrive (2001) A six-week diary, Vortrag beim 80th Annual Meeting ofthe Transportation Research Board, Januar 2001, Washington D.C.

Beckmann, K.J. (2000) Mobiplan und Mobidrive - Panel und Längsschnittverhaltens-erhebungen als Grundlage der Mobilitätsforschung, Vortrag "WissenschaftlichesKolloquium", Deutsche Verkehrswissenschaftliche Gesellschaft e.V. (DVWG)-Verkehrswissenschaftliches Seminar und Institut fürVerkehrswesen der UniversitätKarlsruhe (TH), September 2000, Karlsruhe.

König, A. und K.W. Axhausen (2001) Modelling mode choice in the Mobidrive survey,Vortrag bei der 1. Swiss Transport Research Conference, März 2001, MonteVerita,Ascona.

Rindsfüser, G. (2001) Analysis of multi-week activity patterns usingsequence alignment,Vortrag beim 80th Transportation Research Board Annual Meeting, Januar 2001,Washington D.C.

Schlich, R. (2001) Measurement issues in identifying variability in travel behaviour, 1.Swiss Transport Planning Conference, März 2001, Monte Verita, Ascona.

Schönfelder, S. (2001) Some notes on space, location and travel behaviour, 1. SwissTransport Planning Conference, März 2001, Monte Verita, Ascona.

Schönfelder, S. und K.W. Axhausen (2000) Periodizität im Verkehrsverhalten: ErsteErgebnisse mit Ueberlebenszeitmodellen, 1. Aachener Kolloqium "Mobilität undStadt", August 2000, RWTH Aachen.

Schönfelder, S. und K.W. Axhausen (2001) Mobidrive - Längsschnitterhebungen zumindividuellen Verkehrsverhalten: Perspektiven für raum-zeitliche Analysen, 6.Internationales Symposion zur Rolle der Informationstechnologien in der und für dieRaumplanung (CORP 2001), Februar 2001, TU Wien.

Wehmeier, T. (2000) Analyse von Rhythmen auf aggregierter Ebene, Hochschultagungder Verkehrslehrstühle, September 2000, Herne.

Zimmermann, A. und T. Haupt (2001) Analysemethoden zur Identifizierung von Rhythmenim individuellen Verkehrsverhalten – Pilotstudie Mobidrive, Vortrag Workshop„Methoden der interdisziplinären Verkehrsforschung“, PT MVBW & BMBF, März2001, Bonn.

Zimmermann, A. und T. Haupt (2001) Rhythmic and non-rhythmic patterns of individualtravel behaviour and user segmentation by attitudes and values, Vortrag für denTHINK-UP Workshop D10, März 2001, Neapel.

294 Projektbearbeitung


Projektbearbeitung

Um die komplexe Aufgabenstellung des Projekts Mobidrive effizient und zielorientiertbearbeiten zu können, haben sich die folgenden Institutionen

• Planung Transport Verkehr AG – PTV AG, Karlsruhe als Projektkoordinator,

• Institut für Stadtbauwesen und Stadtverkehr – ISB, RWTH Aachen und

• Institut für Verkehrsplanung, Transporttechnik, Strassen- und Eisenbahnbau – IVT,ETH Zürich

zusammengeschlossen. Jeder der drei Partner ist in dem Themenfeld der Mobilität unddes Verkehrs aus verhaltens- und ingenieurs-/planungswissenschaftlicher Sicht wissen-schaftlich wie auch in praktischer Umsetzung ausgewiesen.

Der Erfolg der sachlichen Arbeit ist u.a. auch auf die sehr gute Zusammenarbeit zwischenden Projektpartnern zurück zu führen. Die Aufgabenteilung untereinander gliederte sichfolgendermaßen:

PTV AG:

• Umsetzung des von allen Partnern erarbeiteten Erhebungsdesigns; Erhebungs-instrument, Betreuungs- und Motivationskonzept

• Leitung und Durchführung der Erhebungen (Pretest, Hauptstudie)

• Erfassung und Plausibilisierung der Erhebungen

• Vorbereitung der aggregierten Daten (ÖV)

• Analysemethoden und Auswertungen auf aggregierter Ebene (ÖV)

• Analyse des in der Hauptstudie erhobenen Zusatzdatensatzes der Werthaltungen undEinstellungen gegenüber der diversen Verkehrsmittel

ISB:

• Darstellung des Stands des Wissens und der Technik über die rhythmischen Musterder Verkehrsteilnahme auf Systemebene

• Vorbereitung der aggregierten Daten (MIV)

• Analysemethoden und Auswertungen auf aggregierter Ebene (MIV)

• Analyse der Daten der Hauptstudie mittels Ähnlichkeitsmaßen mit Verfahren derSequenzanalysen und Sequenzausrichtung

• Analyse der Daten im Raum-Zeit-Bezug

Vorträge im Rahmen des Projekts 295


IVT:

• Darstellung des Stands des Wissens und der Technik über die rhythmischen Musterder Verkehrsteilnahme auf Personen- und Haushaltsebene

• Aufbereitung der Daten der Hauptstudie, Neucodierung, Imputation und Zuspielungvon Zusatzdaten

• Deskriptive Analysen der Daten der Hauptstudie

• Analysen der Daten mittels Ähnlichkeitsmaßen

• Analysen der Daten mittels Structural Equation Modeling

• Analysen der Daten mittels Hazardmodellen

• Analysen der Daten im Raum-Zeit-Bezug

Mobidrive: Dynamik und Routinen im Verkehrsverhalten - ETH ...

Documents

Transcript of Mobidrive: Dynamik und Routinen im Verkehrsverhalten - ETH ...