FGSV-Nr. FGSV 002/116
Ort Stuttgart
Datum 22.03.2017
Titel Modellierung von Nutzungsprofilen und resultierenden Umweltwirkungen der deutschen Pkw-Flotte über ein Jahr
Autoren Prof. Dr.-Ing. Peter Vortisch, Dipl. rer. pol. techn. Christine Weiß, Dr.-Ing. Bastian Chlond, Dipl.Wi-Ing. Wolfram Knörr, M. A. Claudia Kämper, Dipl.-Ing. Fabian Bergk
Kategorien HEUREKA
Einleitung

Um die Nutzung des konventionellen Pkw zu substituieren und somit die Umweltwirkungen des Verkehrs zu reduzieren, sind technische, modale und organisatorische  Politikmaßnahmen denkbar. Für die Bewertung des Potenzials dieser Politikmaßnahmen und die Quantifizierung der daraus resultierenden Umweltwirkungen, wird eine umfassende
Datengrundlage zur Pkw-Nutzung benötigt. Diese Erkenntnislücke schließt das PkwNutzungsmodell CUMILE, welches für eine repräsentative Pkw-Flotte Fahrten über ein ganzes Jahr modelliert. Es wird weiterhin eine Datenschnittstelle mit dem Emissionsmodell TREMOD geschaffen, welche es ermöglicht, den in CUMILE modellierten Fahrten differenzierte Energieverbräuche und Emissionskennzahlen zu Luftschadstoffen (z. B. PM, NOx) und Treibhausgasen (z. B. CO2, CH4) zuzuordnen.

PDF
Volltext

Der Fachvortrag zur Veranstaltung ist im Volltext verfügbar. Das PDF enthält alle Bilder und Formeln.

1 Einleitung

Deutschland hat sich zum Ziel gesetzt, die Treibhausgasemissionen deutlich zu senken. Hierzu soll auch der Verkehrssektor einen Beitrag leisten. Derzeit wird rund 70 % der Verkehrsleistung im Personenverkehr mit dem motorisierten Individualverkehr zurückgelegt [1]. Um die Nutzung des konventionellen Pkw zu substituieren und Verkehrsemissionen zu reduzieren, stehen dem Verkehrsteilnehmer sowohl technische (z. B. Nutzung von Elektrofahrzeugen), modale (z. B. Verlagerung der Verkehrsnachfrage auf Bahn, Fahrrad oder Pedelec) oder organisatorische (z. B. Nutzung von Carsharing) Alternativen zur Verfügung. Im Forschungsprojekt „Substitutionspotenziale der Pkw-Nutzung“ im Auftrag des Ministeriums für Verkehr Baden-Württemberg wird das Potenzial und die daraus resultierenden Umweltwirkungen verschiedener Maßnahmen untersucht, die zu einer Substitution von konventionellen, privat genutzten Pkw beitragen. Um das Potential der Pkw- Substituierbarkeit überhaupt quantifizieren zu können, wird eine umfassende Datengrundlage zur Pkw-Nutzung, den daraus resultierenden Umweltwirkungen sowie den aus der Pkw-Nutzung resultierenden finanziellen Aufwände benötigt. Diese Analysen erfordern für die deutsche Pkw-Flotte repräsentative Nutzungsdaten über längere Zeiträume. Längere Zeiträume sind deshalb erforderlich, da üblicherweise Pkw nicht jeden Tag gleich genutzt werden, sondern die Nutzungscharakteristika über einen längeren Zeitraum stark variieren und in unterschiedlichen Zyklen erfolgen (z. B. alltägliches Pendeln versus seltene Urlaubsfernfahrten).

Originäre, repräsentative und längsschnittorientiere Daten zur Nutzung der Pkw-Flotte in Deutschland sind jedoch nicht verfügbar. Nationale Erhebungen zur Mobilität von Personen (z. B. Deutsches Mobilitätspanel (MOP), Mobilität in Deutschland (MiD)) und zur Nutzung von Kraftfahrzeugen (Kraftverkehr in Deutschland) werden nur über kurze Zeiträume (z. B. ein Tag, eine Woche) durchgeführt oder andere Untersuchungen zur Fahrleistung beschränken sich auf die Messung von Kilometerständen (z. B. Fahrleistungserhebung) [1 bis 4]. Anhand der bestehenden Datenquellen kann jedoch nicht untersucht werden, wie sich Pkw-Jahresfahrleistungen auf einzelne Fahrten im Jahresverlauf verteilen.

Im nachfolgenden Beitrag wird ein Ansatz vorgestellt, welcher diese Informations- und Datenlücken über Modellierungsansätze basierend auf empirischen Erhebungsdaten zum Mobilitätsverhalten und anderen statistischen Daten sowie über eine Zuordnung weiterer Informationen und Datenquellen schließt. Dabei werden bereits vorhandene Modelle oder Datengrundlagen sinnvoll mit den Daten aus der Pkw-Nutzung verknüpft, was gänzlich neue Anwendungsmöglichkeiten – insbesondere in Bezug auf die Wirksamkeit von Maßnahmen und deren Evaluierung und hier vor allem auch hinsichtlich Umweltwirkungen erlaubt.

Der Beitrag ist wie folgt strukturiert: In Kapitel 2 wird die Methodik der Modellierung von Pkw- Nutzungsprofilen über längere Zeiträume vorgestellt. Die Vorgehensweise der Umweltwirkungsmodellierung und der Zuordnung zu den Pkw-Nutzungsprofilen ist in Kapitel 3 beschrieben. Kapitel 4 beinhaltet erste Modellergebnisse, welche die Vorteile der entwickelten Schnittstelle der Modelle zu Pkw-Nutzung und Verkehrsemissionen auszeigen. Abschließend erfolgt in Kapitel 5 eine Perspektive auf weitere Anwendung sowie eine Zusammenfassung des Artikels.

2 Modellierung von Pkw-Nutzungsprofilen

Wie dargestellt, liegen repräsentative und längsschnittorientierte Daten zur Nutzung der Pkw-Flotte in Deutschland nicht vor. Um diese Lücke zu schließen, wurde am Institut für Verkehrswesen des Karlsruher Instituts für Technologie das Pkw-Nutzungsmodell CUMILE (Car Usage Model Integrating Long distance Events) entwickelt, welches Fahrten über ein ganzes Jahr für eine repräsentative Pkw-Flotte modelliert [5].

2.1 Eingangsdaten

Eingangsdaten des Modells CUMILE sind zwei Erhebungen zum Mobilitätsverhalten und zur Kfz-Nutzung in Deutschland: das Deutsche Mobilitätspanel (MOP) sowie die Fernverkehrserhebung INVERMO.

Das MOP ist eine im Auftrag des Bundesverkehrsministeriums durchgeführte Längsschnitterhebung zum Mobilitätsverhalten der in Deutschland lebenden Bevölkerung [1]. Seit 1994 berichten jedes Jahr etwa 1.000 bis 1.600 Haushalte über ihr Mobilitätsverhalten über den Verlauf einer Woche. Hierzu halten die Befragungsteilnehmer ihre getätigten Wege mitsamt Start- und Endzeitpunkt des Weges, Verkehrsmittel, Wegezweck und zurückgelegter Entfernung in Wegetagebüchern fest. Zudem werden sozioökonomische Informationen der Haushalte (z. B. verfügbares Einkommen, Anzahl der Pkw im Haushalt) und der im Haushalt lebenden Personen (z. B. Geschlecht, Alter) erfasst. Bestandteil des MOP ist eine Fahrleistungs- und Treibstoffverbrauchserhebung. Die Teilnehmer der Alltagsmobilitätserhebung führen über einen Zeitraum von acht Wochen ein sogenanntes Tankbuch für ihre Pkw, in dem sie über den Zeitpunkt, Kraftstoffmenge und Kilometerstand der getätigten Tankvorgänge berichten. Zudem werden Pkw-bezogene Informationen, beispielsweise Leistung und Marke des Pkw sowie Jahresfahrleistung erfasst. Für die Analyse und Modellierung der Pkw-Nutzung im Längsschnitt wurden die Daten der Erhebungswellen 2002/03 bis 2014/15 genutzt.

Die Daten der Erhebung INVERMO sind die bislang aktuellsten zum Mobilitätsverhalten der deutschen Bevölkerung im Fernverkehr [6]. Erhoben wurden Fernreisen einschließlich der genutzten Verkehrsmittel, die Entfernung zum Zielort, der Abfahrtstag sowie die Dauer der Reise. Fernreisen sind definiert als Wege von mindestens 100 km Länge. INVERMO wurde in den Jahren 2000-2002 durchgeführt und umfasst rund 17.000 Fernverkehrsereignisse.

2.2 Modellstruktur

Im Pkw-Nutzungsmodell CUMILE wird die Pkw-Nutzung einer repräsentativen Flotte über ein ganzes Jahr abgebildet. Modelliert werden die Nutzungscharakteristika von Pkw, deren Pkw- Besitzer sowohl an der Wochenerhebung des MOP als auch an der zusätzlichen Tankbucherhebung teilgenommen haben.

Der Modellalgorithmus von CUMILE besteht aus vier Schritten. Die Modellstruktur, die im jeweiligen Modellierungsschritt genutzten Eingangsdaten sowie Modelergebnisse am Beispiel eines Pkw sind in Bild 1 dargestellt.

Im ersten Schritt werden die Pkw-Fahrten an den Tagen der MOP-Alltagsmobilitätserhebung anhand der Wegetagebücher von Personen bestimmt. In den Wegetagebüchern des MOP berichten die Erhebungsteilnehmer, welche Verkehrsmittel sie für die im Laufe der Woche getätigten Wege nutzen, es wird jedoch nicht erhoben, welchen Pkw im Haushalt sie für ihre Pkw-Fahrt nutzen. Diese Information wird mittels einer Heuristik ergänzt. Hierfür werden alle Pkw-Nutzer und auch die Pkw im Haushalt in eine Reihenfolge gebracht – Pkw-Nutzer anhand ihrer Fahrleistung in der MOP-Woche und die Pkw anhand ihrer Jahresfahrleistung. Ausgehend von diesen Reihenfolgen wird zunächst jedem Pkw-Nutzer im Haushalt ein Pkw zugeordnet unter der Annahme, dass der Pkw-Nutzer diesen Pkw für all seine in der Erhebungswoche genutzten Wege genutzt hat. Betrachtet man nun Pkw anstatt die Pkw- Nutzer, können für jeden Pkw der Stichprobe Fahrt-Ketten der Erhebungswoche abgeleitet werden. Die resultierenden Pkw-Wegeketten werden anschließend hinsichtlich Plausibilität überprüft. Wenn Unplausibilitäten vorliegen, beispielsweise zwei Fahrten eines Pkw zur gleichen Zeit stattfänden, dann wird die Pkw-Zuordnungsheuristik angepasst. In diesem Beispiel könnte ein Pkw-Nutzer im Haushalt einen anderen im Haushalt verfügbaren Pkw für die Fahrt nutzen. Als Ergebnis des ersten Modellschrittes liegen für jeden Pkw plausible Fahrt-Ketten für die MOP-Erhebungswoche vor.

Aufbauend darauf wird im zweiten Schritt die Pkw-Nutzung in einer Woche mit typischer Pkw-Nutzung ermittelt. Der Erhebungszeitraum stellt einen Zeitraum mit typischer Pkw- Nutzung dar, sofern der Befragungsteilnehmer nicht berichtet, dass er krank oder im Urlaub oder sein Pkw in der Werkstatt war. Wenn der Befragungsteilnehmer ein solches Ereignis berichtet, der Erhebungstag also untypisch war, dann wird die typische Pkw-Nutzung an untypischen Tagen anhand von anderen typischen Wochentagen desselben Jahres oder gleichen typischen Wochentage eines anderen Jahres ermittelt. Wenn eine Person beispielsweise berichtet, dass sie an einem Tag des Berichtszeitraums, z. B. an einem Mittwoch, krank war, dann ist davon auszugehen, dass sie ihr Auto auch an diesem Tag nicht so genutzt hat, wie an einen typischen Mittwoch, da sie am Krankheitstag nicht mit dem Pkw zu ihrem Arbeitsplatz gefahren ist. Stattdessen wird angenommen, dass sie ihren Pkw an einen typischen Mittwoch ähnlich nutzt wie an einem typischen Donnerstag. Die resultierenden Fahrt-Ketten für eine Woche mit typischer Pkw-Nutzung werden, wie auch im ersten Schritt, hinsichtlich Plausibilität überprüft und gegebenenfalls angepasst. Eine zentrale Annahme der Modellierung ist, dass sich die Pkw-Nutzung in typischen Wochen im Jahresverlauf ähnlich ist. Dies ist dadurch begründet, dass das Tätigkeitsspektrum und auch die alltägliche Mobilität gewissen Rhythmen unterworfen sind, beispielsweise pendeln in Vollzeit berufstätige Personen in den meisten Wochen Montag bis Freitag zur Arbeit und auch Freizeitaktivitäten, beispielsweise Sport oder Treffen mit Freunden werden üblicherweise mit einer bestimmten Zyklizität regelmäßig wiederholt.

Im dritten Schritt werden die Informationen zur typischen Pkw-Nutzung, zum Pkw- Fernverkehr sowie die Daten des MOP-Tankbuches genutzt, um Fahrt-Ketten der Pkw im Zeitraum der Erhebung des MOP-Tankbuchs über den Zeitraum von acht Wochen zu reproduzieren. Ziel dieses Modellschrittes ist es, die tatsächlich zwischen zwei Tankvorgängen zurückgelegten Fahrleistungen auf einzelne Pkw-Fahrten aufzuteilen. Der Algorithmus prüft zunächst, ob die Summe der typischen Fahrleistungen zwischen zwei Tankvorgängen die gesamte berichtete Fahrleistung zwischen diesen erklärt. Lägen beispielsweise sieben Tage zwischen zwei Pkw-Tankvorgängen, dann wird zunächst geprüft, ob die zurückgelegte Strecke, wie im Tankbuch berichtet, der im zweiten Modellierungsschritt ermittelten Fahrleistung in einer typischen Woche entspricht. Wenn die Fahrleistungen an typischen Wochentagen nicht die gesamten tatsächlichen Fahrleistungen erklären, prüft der Algorithmus, ob ein Fernverkehrsereignis vorliegen könnte und ergänzt gegebenenfalls Urlaubs- und Ausflugsfahrten. Diese Urlaubs- und Ausflugsfahrten werden passend zu den sozio-demografischen Eigenschaften der Pkw-Halter (Haushaltstyp, Haushaltseinkommen, Lage des Wohnorts) sowie den Charakteristika der in INVERMO berichteten Fernreisen (Monat und Wochentage der Reise) ausgewählt. Wenn die tatsächlichen Fahrleistungen zwischen zwei Tankvorgängen niedriger sind als die Fahrleistungen an den typischen Wochentagen während des gleichen Zeitraums, dann wird angenommen, dass einzelne Ausgänge, d. h. Fahrt-Ketten von Pkw, die zu Hause starten und dort auch wieder enden, wegfallen.

Die Pkw-Nutzung an den restlichen Tagen des Jahres wird in Schritt 4 mit einem Algorithmus, ähnlich zu Schritt 3, reproduziert. Der Algorithmus ist beendet, wenn die gesamte aus dem MOP bekannte Pkw-Jahresfahrleistung auf einzelne Tage des Jahres verteilt wurde.

Bild 1: Visualisierung der CUMILE-Modellstruktur am Beispiel eines Pkw

Als Ergebnis von CUMILE liegen für jeden modellierten Pkw Informationen zu Abfahrts- und Ankunftszeit, Zweck und die zurückgelegte Strecke der modellierten Fahrt vor. Die Stichprobe umfasst rund 6.300 Pkw und 4,6 Millionen Fahrten. Zudem sind im MOP Informationen zur Soziodemografie der Pkw-Halter (z. B. Haushaltseinkommen) und Eigenschaften der Pkw (z. B. Segment, Treibstoffverbrauch) erfasst. Dieses Modell erlaubt es damit erstmals, die Unterschiedlichkeit einer Fahrzeugnutzung aufgelöst auf Einzelfahrten repräsentativ für die Deutsche Flotte abzubilden. Damit wird beispielweise -verdeutlicht, wie unterschiedlich die Nutzung von Pkw z. B. im Fernverkehr ist.

2.3 Ergänzung von weiteren Informationen an die CUMILE-Fahrprofile

Um den Energieverbrauch und die Emissionen der modellierten Pkw-Fahrten ermitteln zu können, sind die Pkw-Nutzungsprofile mit weiteren Informationen zu ergänzen. Neben den Pkw-Eigenschaften (Segment, Antriebsart, Alter) beeinflussen dabei das Fahrverhalten, die Fahrtdistanz, die -Standzeiten zwischen Fahrten, die Außentemperatur und die Straßenkategorie maßgeblich das Emissionsverhalten.

Informationen zu Außentemperatur und Regenmenge werden anhand der öffentlichen Daten für ausgewählte Messstationen des Climate Data Centers (CDC) des Deutschen Wetterdienstes an die Pkw- Nutzungsprofile ergänzt [7]. In dieser Datenbank stehen stundenfeine, historische (teilweise ab dem Jahr 1950) Informationen und Regemenge und Außentemperatur von über 1.200 Wetterstationen im gesamten Bundesgebiet zur Verfügung. Bei der Ergänzung der Wetterinformationen an die Fahrprofile sollen der Standort der Pkw sowie Datum und Uhrzeit der Fahrten berücksichtigt werden. Um den Standort der Pkw einzubeziehen, wird das Bundesgebiet in 90 Bereiche, gemäß der ersten beiden Ziffern der Postleitzahl (PLZ) aufgeteilt und es wird für jeden PLZ-Bereich eine charakteristische Wetterstation bestimmt. Für die CUMILE-Pkw liegen ebenfalls die PLZ-Bereiche sowie das Erhebungsjahr aus dem MOP vor. Hieraus werden jedem CUMILE-Fahrprofil die Niederschlags- und Tempertaturdaten der Wetterstation des jeweiligen PLZ-Bereichs stundenfein zugeordnet.

Bei der Ermittlung der Fahrleistung auf verschiedenen Straßenkategorien ist ein Problem, dass in CUMILE und auch in den Eingangsdaten des MOP keine Geoinformationen zu Start und Ziel der Fahrt vorliegen – diese Informationen wären notwendig, um über eine explizite Routenwahl durchführen zu können und hieraus Informationen zu verschiedenen Straßenkategorien ableiten zu können. Da lediglich die Informationen zu Fahrtdistanzen der Pkw-Fahrprofile vorliegen, wird für die Ermittlungen der Fahrleistung auf verschiedenen Straßenkategorien (auf Bundesautobahn, innerorts, außerorts) ein heuristischer Ansatz genutzt, bei welchem die Ergebnisse des deutschlandweiten Verkehrsnachfragemodells VALIDATE [8] in CUMILE integriert werden. Hierfür werden aus einer in VALIDATE vorgenommenen Verkehrsumlegung, Nutzungshäufigkeiten und Nutzungsintensitäten der Bundesautobahn (BAB) abgeleitet und anhand dessen über eine Monte-Carlo-Simulation für alle in CUMILE abgebildeten Fahrten die auf der BAB zurückgelegte Fahrtstrecke bestimmt [9]. Für die Bestimmung der Fahrstrecken innerorts und außerorts wird in der bisherigen Implementierung vereinfachend angenommen, dass bei jeder Fahrt der erste Kilometer innerorts stattfindet und für die restliche Strecke der Fahrt, welche weder innerorts noch auf der Autobahn zurückgelegt wird, eine Außerortsstraße genutzt wird.

Zudem werden zu modellierten Fahrtprofilen in CUMILE die Standzeiten vor der Fahrt ermittelt, indem die Dauer in Minuten zwischen dem Ende der vorherigen Fahrt und dem Beginn der betrachteten Fahr des jeweiligen Pkw berechnet wird.

Eine weitere Ergänzung erfolgt perspektivisch in Bezug auf die aus Fahrzeugbesitz und -nutzung resultierenden Kosten. Mit der Kenntnis der Pkw-Eigenschaften und der tatsächlichen Fahrleistung lassen sich die Gesamtkosten des Pkw kalkulieren [10] und sinnvoll auf die Einzelfahrten eines Jahres verteilen. Damit wird jeweils klar, wie hoch der Fixkostenanteil (Abschreibung, Wertverlust, Steuern, Versicherung) gegenüber den vergleichsweise geringen variablen Kosten (Treibstoffverbrauch) aussieht. Anhand dieser Informationen ist es möglich, Substitutionspotenziale der privaten Pkw-Nutzung durch alternative Mobilitätsangebote (z. B. Carsharing, Pedelecs) unter ökonomischen Gesichtspunkten zu analysieren.

3 Modellierung von Umweltwirkungen

Die unterschiedlichen Nutzungsintensitäten von Pkw (in Bezug auf Fahrthäufigkeiten, Fahrtweiten, Standdauern zwischen Fahrten) haben erhebliche Auswirkungen auf deren (kumulierte) Emissionen: Jedoch erfolgt die Abbildung und Zuordnung von Emissionen in konventionellen Betrachtungen ausschließlich auf der Grundlage von Mittelwerten, die nicht den Spezifika einzelner Fahrten gerecht werden. Damit erfolgt in üblichen Evaluierungen von Maßnahmen die Abbildung von Pkw-Emissionen vielfach nur unzureichend. Um differenziert Umweltwirkungen einzelner Fahrten abbilden zu können, werden allen in CUMILE abgebildeten Fahrten unterschiedliche Emissionen zugeordnet: Hierfür wird das Emissionsberechnungsmodell TREMOD. genutzt und eine Datenschnittstelle zwischen den beiden Modellen, CUMILE und TREMOD, entwickelt.

3.1 Modellstruktur und Eingangsdaten

Das Emissionsberechnungsmodell „TREMOD“ (Transport Emission Model) bildet den motorisierten Verkehr in Deutschland hinsichtlich seiner Verkehrs- und Fahrleistungen, Energieverbräuche und den zugehörigen Luftschadstoffemissionen für den Zeitraum 1960 bis 2030 ab. Es wurde vom ifeu im Auftrag des Umweltbundesamtes entwickelt und wird seit mehreren Jahren kontinuierlich fortgeschrieben [9]. Mit TREMOD liegt ein Instrumentarium vor, welches erlaubt; Emissionen und den Energieverbrauch differenziert nach einer Reihe verschiedener Einflussparameter (Temperatur, Fahrtdistanz, Abstelldauer) zu berechnen. TREMOD verwendet als Basis für die Emissionsberechnung die hochdifferenzierte Datengrundlage „Handbuch Emissionsfaktoren des Straßenverkehrs“ [11], ergänzt um speziell für die deutsche Flotte abgeleitete spezifische Verbrauchswerte. Verkehrliche Grundlagen sind jährlich ermittelte differenzierte Bestands- und Fahrleistungsdaten für Deutschland.

Wesentliche Einflussparameter auf Verbrauch und Emissionen sind die Außentemperatur zu Beginn der Fahrt, die Abstelldauer vor Fahrtbeginn, die Fahrtdistanz, die typischen Pkw- Merkmale wie Antrieb, Segment, Emissionsstandard sowie das Pkw-Alter und nicht zuletzt das Fahrverhalten (Fahrdynamik und Geschwindigkeit) auf den verschiedenen Straßenkategorien. Somit kann das spezifische Emissionsverhalten jeder einzelnen Fahrt in Abhängigkeit der für die individuelle Fahrt zutreffenden Einflussparameter ermittelt werden.

3.2 Definition der Datenschnittstelle zwischen CUMILE und TREMOD

Die hohe Differenzierung der Emissionen und des Energieverbrauches in TREMOD ermöglicht eine Ausweisung auf Ebene von Einzelfahrten. Die Schnittstelle zwischen CUMILE und TREMOD kommt genau an dieser Stelle zum Tragen. Mit Hilfe von CUMILE werden Eigenschaften für jede einzelne Fahrt ausgewiesen, woraus sich Verknüpfungsvariablen ableiten, die ebenfalls in TREMOD zur Differenzierung der
 
Emissionen und des Energieverbrauches dienen. Diese lassen sich in fahrzeugspezifische Parameter (Segment1, Antriebsart, Baujahr) und externe Parameter der Fahrt (z. B. Tempe- ratur, Standzeit seit der letzten Fahrt, Fahrtdistanz, Straßenkategorien) untergliedern. Die Ausweisung und Differenzierung dieser Größen dient insbesondere der Ermittlung von Kaltstartemissionen, die einen erheblichen Einfluss auf die Bilanz gerade von Kurzstreckenfahrten haben können.

Mit Hilfe der Verknüpfungsvariablen werden mit TREMOD folgende Parameter für die Einzelfahrten berechnet: Energieverbrauch, CO2, N2O, CH4, NOx, PM10 und HC. CO2, N2O und CH4 sind relevant für die Diskussion zu dem Beitrag des Verkehrs zum Klimawandel. Die anderen Emissionen haben Auswirkungen auf die Luftqualität, die gerade in Bezug auf die Stickoxidbelastung in deutschen Großstädten wieder verstärkt in der Öffentlichkeit diskutiert wird. In einem letzten Berechnungsschritt der Schnittstelle werden über abgeleitete Funktionen die Emissionen und der Energieverbrauch für Einzelfahrten innerhalb von CUMILE berechnet. Bild 2 verdeutlicht den schematischen Berechnungsablauf der Schnittstelle.

Bild 2: Schematische Darstellung der Schnittstelle CUMILE-TREMOD

4 Ergebnisse

Mit Hilfe der CUMILE-TREMOD Schnittstelle, können den Einzelfahrten in der CUMILE Auswertung Energieverbräuche sowie Luftschadstoff- und Treibhausgasemissionen zugeordnet werden. Die Differenziertheit der Datenbasis erlaubt es dabei, fahrtspezifische Auswirkungen auf die Emissionen abzubilden: So werden die Emissionen in Abhängigkeit verschiedener Pkw-Nutzungscharakteristika, wie Fahrtdistanz, Außentemperatur und Standzeiten berechnet. Aggregiert, z. B. nach Fahrtdistanz, Fahrtzweck, Witterungsbedingungen, Pkw-Typ oder -Nutzungsmuster, liefert dies eine wichtige Entscheidungsgrundlage zur Beurteilung der Umwelteffekte von Maßnahmen zur Pkw-Substitution.

4.1 Pkw-Nutzungscharakteristika über ein Jahr

Das CUMILE-Modell erlaubt es erstmals, für eine repräsentative Pkw-Flotte Nutzungscharakteristika über den Zeitraum eines ganzen Jahres zu ermitteln. Anhand der so modellierten Ergebnisse ist die Betrachtung der deutschen Pkw-Flotte unter einen anderen Betrachtungswinkel möglich – dem sogenannten zeitlichen „Längsschnitt“. Exemplarisch wird in Tabelle 1 gezeigt, wie die deutsche Pkw-Flotte im Verlauf eines Jahres genutzt wird. Hierbei werden die Tage mit Pkw-Nutzung differenziert nach Tagesfahrleistung, Straßenkategorie und täglicher Nutzungszeit dargestellt; diese Analysen sind für die Gesamtflotte sowie für unterschiedliche Antriebsarten und Pkw-Segmente abgebildet. Aus der Analyse geht hervor, dass Pkw im Mittel nur an 225 von 365 Tagen eines Jahres genutzt werden. Dieselfahrzeuge weisen dabei eine höhere Nutzungshäufigkeit auf, als Pkw mit Ottomotor und werden auch häufiger für Fernfahrten eingesetzt (56 Tage mit einer Fahrleistung von über 100 km bei Diesel-Pkw vs. 22 Tage bei Benzin-Pkw). Folglich kommen Dieselfahrzeuge auch häufiger auf BAB als Pkw mit Ottomotor (95 Tage mit BAB- Nutzung bei Dieselfahrzeugen vs. 60 Tage bei Benzin-Pkw). Auf der anderen Seite der Nutzungsintensität stehen kleine Pkw, die zudem überdurchschnittlich oft Ottofahrzeuge sind.

Tabelle 1: Pkw-Nutzungscharakteristika über ein ganzes Jahr, gesamthaft, sowie differenziert nach Antriebsarten und Pkw-Segmente

4.2 Pkw-Nutzung und Außentemperatur

Die Außentemperatur hat einen relevanten Einfluss auf die zusätzlichen Emissionen beim Start des Pkw, bis der Motor seine Betriebstemperatur erreicht hat. Bei niedrigen Außentemperaturen sind die zusätzlichen Startemissionen besonders hoch. Die zusätzlichen Kaltstartemissionen in Abhängigkeit der Außentemperatur sind beispielhaft in Bild 3 dargestellt. Die ausgewiesenen Emissionszuschläge beziehen sich auf die mittlere Pkw- Flotte aller Fahrten bei mittlerer Abstelldauer und Fahrtdistanz in dem jeweiligen Temperaturbereich.

Bild 3: Zusätzliche CO2 und Feinstaub Emissionen in der Kaltstartphase differenziert nach Außentemperatur für die mittlere Pkw-Flotte und durchschnittliche Fahrt

Dem gegenüber ist in Bild 4 die Verteilung der in CUMILE modellierten Pkw-Fahrten nach Außentemperatur dargestellt. Hieraus zeigt sich, dass die Außentemperatur während der Fahrt einer großen Schwankungsbreite unterliegt. Ein Vorteil des präsentierten Modellansatzes ist es, dass Kaltstartemissionen nicht nur durch Mittelwerte abgebildet werden können, sondern diese für jede einzelne Fahrt könnten diese differenziert nach Außentemperatur ausgewiesen werden.

Bild 4: In CUMILE modellierte Pkw-Fahrten, differenziert nach Außentemperatur

4.3 Standzeiten vor Pkw-Fahrten

Neben der Außentemperatur und der Straßenkategorie beeinflusst auch die Standzeit des Pkw vor der eigentlichen Fahrt die durch diese Fahrt resultierenden Umweltwirkungen. Nach kurzer Abstelldauer ist der der Motor noch relativ warm und die zusätzlichen Kaltstartemissionen sind niedrig. Erst nach etwa zwölf Stunden ist der Motor ganz abgekühlt und die zusätzlichen Kaltstartemissionen am höchsten. Daher ist die Standzeit ebenfalls ein wichtiger Parameter für die Emissionsberechnung, die für jede einzelne Fahrt berücksichtigt wird.

Im Mittel beträgt die Standzeit vor einer Fahrt im CUMILE-Modell 11,5 Stunden; bei der Hälfte der Fahrten (Median) dagegen nur 3 Stunden oder weniger. Dies zeigt bereits, dass die Standzeit von Fahrt zu Fahrt sehr unterschiedlich ist und stark davon abhängt, wie intensiv der jeweilige Pkw genutzt wird. Je nach dem, wann im Laufe des Tages die Fahrt stattfindet, kann die Standzeit sehr unterschiedlich sein. In Bild 5 ist dargestellt, wie lange Pkw stehen, bevor sie für eine Fahrt genutzt werden, differenziert nach der Uhrzeit zu Beginn der Fahrt. Bei rund einen Drittel der Fahrten die zwischen 8:00 Uhr und 18:00 Uhr beginnen, ist die Standzeit vorher kürzer als eine Stunde. Der Anteil von Fahrten mit kurzer Standzeit sinkt danach stetig und steigt erst wieder am frühen Morgen. Fahrten, die am frühen Morgen starten, haben hingegen oft längere Standzeiten, beispielsweise sind standen zwei Drittel aller Pkw, die um 6:00 Uhr morgen eine Fahrt begannen, zuvor zwischen neun und 24 Stunden. Bei etwa einem Zehntel aller Fahrten beträgt die Standzeit mehr als 24 Stunden, dies deckt sich mit den in Tabelle 1 dargestellten Ergebnissen.

Bild 5: In CUMILE modellierte Pkw-Fahrten, differenziert nach Uhrzeit und Standzeit vor der Fahrt

Interessant wäre in diesem Zusammenhang ein Vergleich mit intensiver genutzten Carsharing-Pkw, die vermutlich zwischen einzelnen Fahrten generell kürzere Standzeiten aufweisen und für die dann schon aus diesem Grund geringere Emissionen aufgrund weniger Kaltstarts zu erwarten wären.

4.4 Emissionen in Abhängigkeit der Fahrtdistanz

CUMILE erlaubt eine Analyse der Fahrten nach genutzter Straßenkategorie und Fahrtdistanz. Straßenkategorie und Fahrtdistanz haben unmittelbare Auswirkungen auf die Emissionen und den Energieverbrauch. Dabei werden Strecken bis 10 km überwiegend außerorts zurückgelegt, haben jedoch einen relevanten Innerorts-Anteil von 24%. Je länger die Strecke ist, desto höher wird der Anteil der Fahrstrecke auf Autobahnen (siehe Bild 6).

Bild 6: In CUMILE modellierte Pkw-Fahrten, differenziert nach Fahrtdistanz und genutzte Straßenkategorien

Die Auswirkungen auf die Emissionen sind folgendermaßen: Im Innerortsverkehr sind die Treibhausgas- und Luftschadstoffemissionen je Fahrtstrecke aufgrund der unstetigen Fahrweise tendenziell höher als auf den Außerortsstraßen mit eher stetiger Fahrweise bei noch gemäßigten Geschwindigkeiten. Auf der Autobahn nehmen die Emissionen dann aufgrund der höheren Geschwindigkeiten wieder zu. Hinzu kommt, dass bei kürzeren Strecken der Anteil, den der Pkw mit noch nicht betriebswarmem Motor zurücklegt, höher ist als bei längeren Strecken und somit zusätzliche Emissionen durch den Kaltstart entstehen (siehe Kapitel 4.3 und 4.4). Bild 7 zeigt als Resultat die mittleren Emissionsfaktoren je zurückgelegten Kilometer für die verschiedenen Distanzbereiche. Dargestellt ist Kohlendioxid (CO2) und die Luftschadstoffe Partikelmasse (PM) und Kohlenwasserstoff (HC).

Bild 7: Emissionen mit betriebswarmen Motor und zusätzliche Emissionen beim Kaltstart, differenziert nach Fahrtdistanzen

Besonders deutlich zeigt sich dabei der Einfluss des Kaltstarts bei den HC-Emissionen, aber auch bei den CO2-Emissionen verursacht dieser relevante Mehremissionen. Bei den CO2- Emissionen zeigt sich zudem eine hohe Abhängigkeit von der Straßenkategorie: So führen die Mehremissionen auf der Autobahn trotz warmen Motor bei Strecken über 200 km zu höheren Emissionen als auf Strecken <10 km bei kaltem Motor.

5 Anwendung, Zusammenfassung und Ausblick

Es wurde eine Schnittstelle zwischen dem Pkw-Nutzungsmodell CUMILE und dem Transportemissionsmodell TREMOD geschaffen. Hierdurch ist es möglich, alle Fahrten einer repräsentativen Pkw-Flotte in Deutschland über den Zeitraum eines Jahres zu modellieren und zudem die resultierenden Emissionen und den Energieverbrauch für jede einzelne Fahrt abzubilden. Dadurch eröffnen sich neue Möglichkeiten für die Abbildung der Pkw-Mobilität und die Wirkungsabschätzung von Maßnahmen.

Prinzipielles Problem bei der Wirksamkeitsabschätzung von Maßnahmen auf der Ebene von Pkw-Fahrten ist, dass die Wahl des Verkehrsmittels für eine konkrete Fahrt aufgrund der Kostenstruktur des Pkw-Besitzes (hohe Fixkosten bei relativ geringen variablen Kosten) und der einfachen Verfügbarkeit bei gleichzeitig geringem Planungsaufwand für die Fahrt fast immer – auch bei relativ kurzen Fahrten – zugunsten des Pkw ausfällt.

Mit der Modellierung der Pkw-Nutzung über das gesamte Jahr, der Auflösung in Einzelfahrten und der Ermittlung der resultierenden Emissionen kann evaluiert werden, für welche Haushalte und deren Mobilität der Pkw mehr oder weniger unverzichtbar ist (z. B. tägliche Nutzung zum pendeln), wie hoch damit die „Notwendigkeit“ für einen Pkw-Besitz ist und welche Emissionen damit verbunden sind, die ggf. mit anderen Strategien (z. B. Effizienzsteigerung, Elektrifizierung, alternative Kraftstoffe) reduziert werden müssen.

Gegenwärtig erlebt das Carsharing einen Boom, der unter anderem darauf beruht, dass Menschen, die keinen Pkw besitzen oder für die ein Pkw-Besitz, etwa aufgrund der geringen Nutzungshäufigkeit, vergleichsweise unattraktiv ist, derartige Sharing-Angebote nutzen. Dabei wird die Nutzung genau dann interessant, wenn der Pkw im Alltag nicht regelmäßig, sondern für nur seltene Fahrtanlässe benutzt wird.

Mit der Kenntnis über die Nutzungsweise und -intensität der Pkws und ihrer Halter kann das Substitutionspotenzial durch Sharing-Modelle identifiziert und die Frage beantwortet werden, bei welchen Pkw und Haltern deren Nutzungsmuster ebenso mit Carsharing-Fahrzeugen sinnvoll bewältigt werden könnten. Zielsetzung des Projekts ist es daher auch, in Kooperation mit Carsharing-Anbietern, neue Angebote und Tarife zu entwickeln, der diesen bislang möglicherweise nicht im Fokus der Carsharing-Angebote stehenden Nutzern gerecht wird.

Neben dem Trend der Nutzung von Carsharing nimmt auch die Nutzung von Pedelecs in Deutschland weiter zu. Die Verkaufszahlen verzeichnen in den letzten Jahren hohe Wachstumsraten [12]. Aufgrund seiner Eigenschaften hat das Pedelec ein höheres Potenzial zur Substitution von Pkw-Fahrten als konventionelle Fahrräder, da mit weniger Krafteinsatz größere Distanzen und Höhenunterschiede überwunden werden können. Das macht es zu einer interessanten Alternative im Pendel-, Alltags- und Freizeitverkehr. Anhand vorliegender Erfahrungen aus anderen FE-Projekten wird abgeschätzt, welcher Anteil der in CUMILE modellierten Pkw-Fahrten auch mit dem Pedelec sinnvoll zurückgelegt hätten werden können. Für diese Abschätzung werden neben der Fahrtdistanz auch die Distanz des gesamten Ausgangs, der Zweck der Fahrt sowie Temperatur und Niederschlag berücksichtigt. Hieraus werden Substitutionspotenziale von Pkw-Fahrten durch Pedelecs ermittelt und auch deren positive Auswirkungen auf die Umwelt bestimmt werden.
Vor dem Hintergrund der Zielsetzung, Emissionen zu vermeiden, lässt sich mithilfe des Ansatzes bestimmen, welche Fahrten besonders hohe Emissionen aufweisen und welche Fahrten am ehesten verzichtbar oder durch alternative Nutzungsarten mit geringeren Emissionen substituierbar sind.

6 Danksagung

Dieser Beitrag entstand im Rahmen des Projektes „Substitutionspotenziale der Pkw- Nutzung“. Dieses Projekt wird vom Ministerium für Verkehr Baden-Württemberg im Rahmen des Förderprogramm "Wissenstransfer von der Forschung in die Praxis" gefördert.

7 Literatur

[1]    WEISS, C., CHLOND, B., HILGERT, T. u. VORTISCH, P.: Deutsches Mobilitätspanel (MOP) - Wissenschaftliche Begleitung und Auswertungen Bericht 2014/2015: Alltagsmobilität und Fahrleistung, Karlsruhe 2016

[2]    infas u. DLR: Mobilität in Deutschland (MiD) 2008: Ergebnisbericht Struktur - Aufkommen - Emissionen - Trends, Bonn und Berlin 2010

[3]    WERMUTH, M., NEEF, C., WIRTH, R., LÖHNER, H., HAUTZINGER, H., STOCK, W., PFEIFFER, M., FUCHS, M., LENZ, B., EHRLER, V., SCHNEIDER, S. u. HEINZMANN, H.-J.: Kraftfahrzeugverkehr in Deutschland 2010, Schlussbericht. Forschungsprojekt 70.0829/2008 im Auftrag des Bundesministeriums für Verkehr, Bau und Stadtentwicklung, Braunschweig, Heilbronn, Berlin, Flensburg 2012

[4]    HAUTZINGER, H., STOCK, W., MAYER, K., SCHMIDT, J. u. HEIDEMANN, D.: Fahrleistungserhebung 2002 – Inländerfahrleistung, Berichte der Bundesanstalt für Straßenwesen, V 120, Heilbronn, Mannheim 2005

[5]    CHLOND, B., WEISS, C., HEILIG, M., VORTISCH, P.: Hybrid Modeling Approach of Car Uses in Germany on Basis of Empirical Data with Different Granularities. Transportation Research Record: Journal of the Transportation Research Board (2014) 2412, S. 67–74

[6]    CHLOND, B., LAST, J., MANZ, W., ZUMKELLER, D.: Eckwerte des Personenfernverkehrs in Deutschland. Internationales Verkehrswesen 56 (2004) 10,
S. 430–435

[7]    DWD: Climate Data Center FTP-Server, Offenbach 2016. http://www.dwd.de/DE/leistungen/cdcftpmesswerte/cdcftpmesswerte.html?nn=17626

[8]    VORTISCH, P., WAßMUTH, V.: VALIDATE - A Nationwide Dynamic Travel Demand Model for Germany. Proceedings of the 11th National Transportation Planning Application Conference of the Transport Research Board. 2007

[9]    WEISS, C., CHLOND, B., HEILIG, M., WASSMUTH, V., VORTISCH, P.: Who Uses Freeways and Who Pays for Them? – A Model Based Analysis of Distribution Effects of Different Toll Tariff Systems in Germany. Transportation Research Record: Journal of the Transportation Research Board (2016) 2563

[10]    ADAC: ADAC Autokosten, 2017. https://www.adac.de/infotestrat/autodatenbank/autokosten/, abgerufen am: 25.01.2017

[11]    INFRAS: Handbuch Emissionsfaktoren des Straßenverkehrs, Version 3.2, Bern 2014

[12]    EISENBERGER, D.: Zahlen - Daten - Fakten zum Deutschen E-Bike-Markt 2014. Berlin 2015