Mobilitätsforschung in Zeiten der Digitalisierung Chancen und Herausforderungen im Umgang mit digitalen Mobilitätsdaten am Beispiel Radverkehr

Transkript

1 Praxisforum Verkehrsforschung 23. September 2016 Berlin Mobilitätsforschung in Zeiten der Digitalisierung Chancen und Herausforderungen im Umgang mit digitalen Mobilitätsdaten am Beispiel Radverkehr Dr. Robert Schönduwe Dr. Christian Hoffmann

2 2 Inhalt Neue Methoden und Daten zum Radverkehr Das Projekt Radspurenleser Fazit

3 Neue Methoden und Daten zum Radverkehr

4 4 Neue Datenquellen und Methoden der Datenanalyse und Visualisierung in der Mobilitätsforschung Vielfältige Datenquellen Daten Datenanalyse, Visualisierung, Modellierung

5 5 More is more and less is a bore? Das Versprechen großer Datenmengen Merkmale Traditionelle Datensets Big Data Physische Merkmale Aussagekraft Erweiterbarkeit Volumen Limitiert bis groß Groß Geschwindigkeit Langsam Schnell Umfang Stichproben Vollständige Populationen Vielfältigkeit Limitiert Verschiedenartig Granularität Grob Fein Relationalität Schwach bis stark Stark Skalierbarkeit Gering Hoch

6 6 Datenerhebungen und Datenquellen im Mobilitätsbereich Die 4V des Big Data: Volume, Velocity, Variety, Veracity MiD - Mobilität in Deutschland (Mehrere) Millionen Webscraping Floating Phone Data Apps Erhebungsfrequenz (Mehrere) Jahre Sekunden SrV Bewegungen (mehrere) Tausend Mobilitätspanel Zählschleifen

7 7 Bsp.1: Webscraping zur Ermittlung von Buchungshäufigkeiten im Bikesharing

8 8 Bsp.1: Räumliche Darstellung der Nachfrage nach Bikesharing und Free-floating Carsharing in Düsseldorf

9 9 Bsp.2: Daten von Zählschleifen als Open Data bereitstellen Quelle:

10 10 Bsp.2: Daten von Zählschleifen als Open Data bereitstellen - Detailansicht Quelle:

11 11 Bsp.3: Logfiles zur Abbildung der Nachfrage: Bsp. Bike Citizens App

12 12 Bsp.3: Logfiles zur Abbildung der Nachfrage: Bsp. Visualisierung und Analyse mittels BikePrint Von GPS-Daten zu planungsrelevanten Informationen über den Radverkehr

13 13 Bsp.4: GPS-Tracking

14 14 Bsp.4: GPS-Tracking Echtzeit-Analysefunktionen

15 15 Bsp.4: GPS-Tracking Methodenvergleich mit Online-Wegetagebuch aus dem Projekt multimo Zuverlässigkeit der Wegeerfassung Etappenerfassung Routing Entfernungen pro Weg Wegezeiten Verkehrsmittelbestimmung Ableitung / Erfassung der Wegezwecke Tracking über APP geräteabhängig, Aussetzer durch Akkulaufzeit und GPS-Module, Verbesserungen zu erwarten Verkehrsmittelerkennung noch zu unsicher noch nicht sicher genug, längere Nachbearbeitung durch Probanden erforderlich grundsätzlich nur eingeschränkt, teilweise über Zielerkennung und POI-Infos möglich Online- Wegetagebuch grundsätzlich in Ordnung, allerdings Einschränkung durch vergessene Wege, Rückwege etc. zurzeit nicht vorgesehen, aber umsetzbar, allerdings Vergessen von kurzen Abschnitten möglich exakt nicht umsetzbar, nur ex post über Algorithmen besser als erwartet: subjektive Schätzungen, passend zum Tracking ungefähre Angaben durch Probanden, ebenfalls passend Hintergrundvariablen auf Wegeebene im Basisansatz nicht vorgesehen, durch Zusatzaufwand für Probanden möglich Handhabbarkeit Aufwand für den Probanden noch zu hoher Nachbearbeitungsaufwand, Akkumanagement, bisher keine reine Hintergrundaufzeichnung im Tagebuch täglicher Aufwand von 10 bis 15 Minuten, Gefahr von Auslassungen und Abbrüchen

16 Das Projekt Radspurenleser

17 17 Studienübersicht Anzahl Teilnehmer: 151 Methoden: smartphonegestütztes GPS-Tracking und Onlineumfrage Zeitraum: t1: t2: Getrackte Distanz: km Anzahl Wege: Getrackte Tage: 1.068

18 18 Selektivität des Samples: Rad- und ÖV-Affinität der Teilnehmer zeigt sich in der Verkehrsmittelwahl 100% 80% % 40% 20% 0% Quelle: SrV 2013, TU Dresden Wege RSL Wege SrV Verkehrsleistung RSL n = 101 Personen (Tracking), Tage Verkehrsleistung SrV Sonstiges Auto ÖV Fahrrad zu Fuß

19 19 Aufzeichnung langer Zeiträume ohne zusätzliche Belastung der Teilnehmer Winter (t1) n = 45 Personen (Tracking) Frühling (t2) n = 45Personen (Tracking)

20 20 Fahrradfahrer wechseln in den Wintermonaten vom Rad auf den öffentlichen Verkehr 100% % % 40% 20% Sonstiges Auto ÖV Fahrrad zu Fuß 0% Winter (t1) Frühling (t2) n = 45 Personen (Tracking)

21 22 Radnutzungsztypen nach Intensität der Radnutzung: Zentrale Verkehrsachsen sind präferierte Routenwahl Wenignutzer n = 37 Personen (Tracking) Vielnutzer n = 24 Personen (Tracking)

22 23 Mit dem Rad durch die Stadt der kurzen Wege: Vielradler haben die geringsten Verkehrsleistungen Radnutzungstypen (Anzahl der Wege) Distanzen aller Verkehrsmittel Distanzen (km) Radetappen (km) Gesamt (n = 3.075) 12,1 3,3 Nichtnutzer (0%) (n = 247) Wenig (1-20%) (n = 1.238) Mittel (20-50%) (n = 977) 13, ,1 2,9 3,4 Viel (> 50%) (n = 613) 8 5,4 n = 101 Personen, Tage (Tracking), dargestellt ist jeweils der Mittelwert

23 24 In den Kiezen kommt man nur langsam voran im Gegensatz zu den Hauptverkehrsachsen Geschwindigkeit Radwege (km/h) Gesamt 15,2 Nichtnutzer 0,0 Wenig Mittel Viel 16,6 14,8 15,0 Hohe Geschwindigkeit Geringe n = 101 Personen, Wege (Tracking), Angaben in Prozent

24 25 Definition Inter- und Multimodalität: Multioptionalität und Mobilitätsoptimierung Die effiziente Reisekette In jeder Situation das passende Verkehrsmittel B B A C A D intermodales Verkehrsverhalten: Nutzung unterschiedlicher Verkehrsmittel auf einem Weg. multimodales Verkehrsverhalten: Nutzung unterschiedlicher Verkehrsmittel innerhalb eines Zeitraums (meist eine Woche)

25 27 Jeder 13. Weg ist intermodal: mehr als die Hälfte der Teilnehmer ist nicht oder nur selten intermodal Anteil mono- und intermodaler Wege Anteil intermodaler Wege an allen Wegen im Erhebungszeitraum (n = Anzahl der Personen) 7,8 92,2 monomodal intermodal ÖV aggregiert - Umstiege innerhalb des ÖVs führen nicht zu einem intermodalen Weg n = Wege (Tracking), Angaben in Prozent %

26 28 Rad-ÖV-Kombinierer meiden ÖV-Peakzeiten Werktage Wochenende n = Wege (Tracking) Angaben in Prozent

27 29 Rad-Anreisen zu Bahnhöfen im Durchschnitt ca. 10 Minuten: können aber auch sehr weit sein Bsp. Einzugsbereich Bahnhof Südkreuz Distanzen M: m SD: m Anreise Abreise H M: 11 min SD: 23 min Dauer n = 615 Wege (Tracking, alle Tracks), M = Mittelwert, SD = Standardabweichung

28 30 Bikesharing wurde kaum genutzt: Methode kann jedoch automatisiert Fahrten erkennen Bikesharing-Nutzung im Sample n = 33 Wege (Tracking)

29 Fazit

30 32 Fazit

31 33 Fazit Wie wird der Datenschutz sichergestellt? Unter welchen Nutzungsbedingungen werden die Daten bereitgestellt? Wie kann der Widerspruch zwischen Open Data und wirtschaftlichen Interessen gelöst werden? Big Data ist komplex, neue Ansätze zur Bearbeitung und Datenanalyse sind notwendig. Wie werden im Mobilitätsbereich die notwendigen Kompetenzen zur Anwendung und Entwicklung neuer Methoden vermittelt? Die visuelle Kommunikation komplexer Sachverhalte wird zukünftig wichtiger. Neue Ansätze zur Wissensvermittlung und Unterstützung der Umsetzung neuer Ideen sind notwendig.

32 34 Kontakt Dr. Robert Schönduwe Dr. Christian Hoffmann +49(0) (0) Innovationszentrum für Mobilität und gesellschaftlichen Wandel (InnoZ) GmbH Torgauer Str Berlin Management: Dr. Jürgen Peters, Prof. Dr. Andreas Knie Gerichtsstand: AG Berlin Charlottenburg

33 35

34 36 Kernfragen: Inter- und multimodale Radnutzung in Berlin im Spiegel neuer Erhebungsmethoden Empirie zum Verkehrsverhalten Welche soziodemographischen und einstellungsbasierten Charakteristika zeichnen potentielle Zielgruppen für die Radnutzung allgemein und speziell die multimodale Rad- und ÖV-Nutzung in Berlin aus? Wie groß ist der inter- und multimodale Anteil an Wegen in Bezug auf die Kombination von Rad und ÖV in Berlin? Inwiefern bietet die Erhebung mittels smartphonebasiertem GPS-Tracking Vorteile für die Beantwortung dieser Fragestellungen? Bewertung und Handlungsempfehlungen Wie bewerten die Nutzer Möglichkeiten der Kombination von Rad und ÖV? Welche Empfehlungen für Maßnahmen zur Förderung der Rad- und ÖV- Nutzung lassen sich ableiten?

35 37 Studienübersicht Anzahl Teilnehmer: 151 Methoden: smartphonegestütztes GPS-Tracking und Onlineumfrage Zeitraum: t1: t2: Getrackte Distanz: km Anzahl Wege: Getrackte Tage: 1.068

36 Rekrutierung und Teilnehmer

37 39 Stichproben: Teilnehmer und aufgezeichnete Tage in zwei Erhebungswellen t 1 t 2 Teilnehmer Tage 1 min. 6 Tage min. 6 Tage n = 45 n = min. 6 Tage n = 56 3 min. 6 Tage min. 6 Tage n = 14 4 n = 36 Jan./Feb Apr./Mai 2016 n = 151 n = Tracking mit modalyzer CAWI

38 Charakterisierung der Teilnehmer

39 41 Teilnehmer sind überwiegend männlich, verfügen über hohen Bildungsabschluss und sind fahrradaffin Anderer Schulabschluss Schulabschluss 12% 0,5 Autos/Haushalt Berlin gesamt: 0,7 (SrV 2013) Berlin Innenstadt: 0,5 (SrV 2013) Hochschulreife/ Abitur 88% Berlin: Hochschulreife: 41,2 % 3,7 Fahrräder/Haushalt Berlin gesamt: 1,5 (SrV 2013) Berlin Innenstadt: 1,4 (SrV 2013) Geschlecht 29% Frauen 71% Männer Berlin: w: 51,4% m: 48,6 % Keine Radnutzung Radnutzung im Alltag 12% Radnutzung 88% n = 137 Personen (CAWI) Angaben in Prozent

40 42 Methode zur Bildung einstellungsbasierter Mobilitätstypen Sample Einstellungsdaten Faktorenanalyse Reliabilitätsanalyse Standardisierung (z-werte) Skalen Clusteranalyse (Ward, k means) Mobilitätstypen 6-stufige Likert-Skala Verkehrsmittel PKW, Fahrrad, öffentlicher Personennahverkehr, Bahn Mobilitätsdienstleistungen Innovation Technologien Smartphones, Apps Umwelt Wohnpräferenzen Traditionelle Auto-Affine Umweltbewusste Rad- und ÖV-Affine Flexible Auto-Affine Urban-orientierte ÖV-Affine Konventionelle Fahrrad-Affine Innovative technikaffine Multioptionale

41 43 Mobilitätstypen: Rad- und ÖV-Affine Im Vergleich zur repräsentativen Studie stark überrepräsentiert Repräsentative Studie: deutsche Großstädte Radspurenleser n = Personen (repräsentativ ausgewählt), Angaben in % Quelle: InnoZ-Mobilitätstypenstudie; Rhode et al (2015): Toward New Urban Mobility: The case of London and Berlin. Peter Griffiths (ed). LSE Cities/InnoZ. n = 87 Personen (CAWI), Angaben in %