Zur Seitenansicht

Titelaufnahme

Zugriffsbeschränkung
  •  Das Dokument ist frei verfügbar
Links
Dateien
Klassifikation
Zusammenfassung
  • Elektrische Fahrräder (Pedelecs, umgangssprachlich "E-Bikes") treiben derzeit einen tiefgreifenden Wandel in der aktiven Mobilität voran. Sie verringern die körperliche Anstrengung, machen auch längere Strecken im Alltag mit dem Fahrrad bewältigbar, erleichtern das Fahren in hügeligem Gelände und erschließen neue Nutzergruppen und Wegezwecke wie Arbeitswege oder den Weg zum Einkaufen. In der Forschung wie auch in der Praxis unterscheiden die meisten Verkehrsnachfragemodelle jedoch nicht zwischen elektrischem und konventionellem Radverkehr, mit potentiell negativen Folgen für ihre Prognosefähigkeit und die Möglichkeit, pedelecspezifische Fragestellungen zu untersuchen. Diese Arbeit geht daher zwei zentralen Forschungsfragen nach: Wie kann die Elektrifizierung des Radverkehrs in Verkehrsnachfragemodellen abgebildet werden? Und verbessert dies tatsächlich die Modellqualität und ihren praktischen Nutzen? Die vorliegende Dissertationsschrift ist entlang von vier Fachartikeln strukturiert. Der erste Artikel präsentiert eine Übersichtsarbeit zum aktuellen Stand der makroskopischen Modellierung der Radverkehrsnachfrage und angrenzender Forschungsbereiche, darunter Einflussfaktoren auf den Besitz von Pedelecs, auf die Modus- und Routenwahl sowie Unterschiede zwischen konventionellen und elektrischen Fahrrädern in diesen Bereichen. Der zweite Artikel modelliert den Besitz von konventionellen und elektrischen Fahrrädern in Deutschland auf Basis von Daten der Studie „Mobilität in Deutschland“. Es kommen sowohl Nested-Logit- als auch multivariate Probit-Modelle zum Einsatz. Der dritte Artikel verwendet ähnliche Daten und ein Nested-Logit-Modell zur Analyse der Moduswahl. Dabei werden Unterschiede und Gemeinsamkeiten zwischen den beiden Fahrradtypen sowie Elastizitäten und Substitutionsmuster untersucht. Der vierte Artikel stellt das erste makroskopische Verkehrsmodell vor, das den elektrischen und konventionellen Radverkehr dynamisch über Besitz-, Modus- und Routenwahl hinweg differenziert abbildet und Unterschiede in den Präferenzen verschiedener Personengruppen berücksichtigt. Die Qualität dieses differenzierten Modells wird mit einem undifferenzierten Modell verglichen, das auf denselben Standard kalibriert wurde. Anhand pedelecspezifischer Fallstudien wird ein analytische Mehrwert demonstriert. Die zentralen Ergebnisse zeigen, dass Besitz und Nutzung von elektrischen und konventionellen Fahrrädern auf Ebene der Individuen zwar durch ähnliche Faktoren beeinflusst werden, eine getrennte Modellierung dieser Entscheidungsstufen jedoch zu differenzierteren Einblicken in Verhaltensmuster führt und eine Szenarioanalyse in Verkehrsmodellen ermöglicht. Unsere Resultate belegen zudem, dass Pedelecs häufig Autofahrten ersetzen, insbesondere in Kontexten mit zuvor geringem Radverkehrsanteil. Für pedelecspezifische Widerstandsfunktionen in der Modus- und Routenwahl ist es wichtig zu beachten, dass elektrische Fahrräder nicht einfach nur schneller als konventionelle Fahrräder sind. Für eine realitätsnahe Modellierung sollten Unterschiede hinsichtlich Weglängen, Nutzergruppen, Wegezwecken und Steigungsaversion berücksichtigt werden. Weitere Einflussfaktoren wie die Infrastruktur zeigen ebenfalls Potenzial zur Differenzierung, jedoch ist der Forschungsstand hierzu bislang uneindeutig. Die Fallstudien zeigen, dass eine differenzierte Modellierung analytische Vorteile gegenüber traditionellen undifferenzierten Modellen bietet. Allerdings deuten die Ergebnisse auch darauf hin, dass die resultierende Verbesserung der Modellqualität insgesamt sehr gering ausfällt. Dies liegt zumindest teilweise daran, dass die Modellqualität auf aggregierter Ebene verglichen werden muss, ohne pedelecspezifische Modellergebnisse berücksichtigen zu können. Auf Basis dieser Erkenntnisse werden praxisorientierte Empfehlungen gegeben, ob und wie elektrischer Radverkehr in die Verkehrsmodellierung integriert werden sollten.Die Modellierung des elektrischen Radverkehrs bleibt herausfordernd, insbesondere aufgrund großer Datenlücken in Mobilitätsbefragungen und Verkehrszählungen. Weitere Forschung ist notwendig, um verhaltensbezogene Unterschiede zwischen Nutzenden elektrischer und konventioneller Fahrräder besser zu verstehen. Dennoch lässt sich bereits anhand der heutigen Datenlage zeigen, dass die Elektrifizierung des Radverkehrs in der Verkehrsmodellierung berücksichtigt werden sollte, mindestens als Szenarioparameter, um die zukünftige Bedeutung des Radverkehrs nicht systematisch zu unterschätzen.
Abstract
  • Electric bicycles are rapidly transforming the active mobility landscape. They extend the practical range of cycling, facilitate travel in hilly terrain, open up cycling to new user groups, and reduce physical exertion, which is particularly relevant for trip purposes such as commuting or shopping. However, most travel demand models, both in research and practice, do not distinguish between electric and conventional bicycles. This lack of differentiation may compromise their predictive accuracy and limits their ability to evaluate e-bike-specific policies. This thesis therefore addresses two key research questions: How can the electrification of bicycle traffic be accounted for in travel demand models? And does doing so actually improve model quality and usefulness?To answer these questions, the thesis is structured around four journal articles. The first paper presents a literature review covering the current state of macroscopic bicycle travel demand modelling and related fields, including factors influencing electric bicycle ownership, mode choice, and route choice, as well as differences between conventional and electric bicycles in these domains. The second paper models conventional and electric bicycle ownership in Germany using large-scale survey data from the "Mobility in Germany" survey. Both nested logit and multivariate probit models are applied. The third paper uses similar data and a nested logit model to examine mode choice behaviour. It explores differences and similarities between the two bicycle types, along with associated elasticities and substitution patterns. The fourth paper introduces the first macroscopic travel demand model that dynamically differentiates between electric and conventional bicycle traffic across ownership, mode, and route choice and that accounts for differences in preferences between the two. This differentiated model's quality is benchmarked against an undifferentiated model that has been calibrated to the same standard and its value is demonstrated through e-bike-specific case studies. The central findings show that while electric and conventional bicycle ownership and mode choice are influenced by similar factors at the level of individuals, modelling these components separately yields richer insights into behavioural patterns and supports more nuanced scenario analysis in travel demand models. Our results also reveal that e-bikes often replace car trips, particularly in contexts with previously low levels of cycling. For e-bike-specific impedance functions used in mode and route choice, it is important to emphasize that electric bicycles are not simply faster versions of conventional bicycles. To model them accurately, modellers should account for differences in trip distances, user groups, trip purposes, and gradient. Other factors, such as infrastructure, also show potential for differentiation, but current research remains inconclusive. The case study demonstrates that a differentiated modelling approach offers analytical advantages over traditional undifferentiated models. However, our findings also indicate that the overall improvement in model quality resulting from this differentiation is marginal. This is at least partially due to model quality being assessed at an aggregate level, without distinguishing between model results regarding conventional and electric bicycles in the analysis. Based on these insights, practical recommendations on when and how to incorporate e-bikes in travel demand modelling are provided.Modelling electric bicycle traffic remains challenging, particularly due to persistent data limitations in travel surveys and count data. Further research is needed to fully understand behavioural differences between electric and conventional cyclists. Nonetheless, even with current data constraints, it is evident that the electrification of bicycle traffic should be accounted for in travel demand models, at the very least as a scenario parameter, to avoid systematically underestimating future levels of cycling.
Inhalt
Lizenz-/Rechtehinweis