| Volltext |
Der Fachvortrag zur Veranstaltung ist im Volltext verfügbar. Das PDF enthält alle Bilder und Formeln.
1 Einleitung
Nicht-motorisierte Verkehrsträger wurden in der Vergangenheit in den USA bei der regionalen Verkehrsplanung meist ignoriert. In jüngster Zeit fangen Entscheidungsträger an, sich neu zu orientieren – hin zu einer nachhaltigen Verkehrsentwicklung und einer gesünderen Lebensweise, die auch Fuß- und Radverkehr beinhaltet.
Verkehrsprognosemodelle sind die grundlegende analytische Basis, wenn es um Entscheidungsprozesse in der regionalen Verkehrsplanung geht. Bei der Abbildung des motorisierten Individualverkehrs und des ÖVs sind sie weit entwickelt. Die Modellierung des nicht-motorisierten Verkehrs ist jedoch oft überraschend unrealistisch und hat oft nur geringe Detailtiefe.
In Portland im US-Bundesstaat Oregon wurde im Jahre 2007 die Routenwahl von 164 Radfahrern über mehrere Tage hinweg mit Hilfe von GPS-Tracking als Revealed- Preference-Daten erhoben. Diese Daten beinhalten nicht nur den räumlichen Verlauf der Route, der auf ein digitales Verkehrsnetz mit Radwegen und Radwanderwegen übertragen werden kann, sondern auch Höhenlinien und die Fahrtdauer. Darüber hinaus wurden von jedem Teilnehmer sozio-ökonomische Daten und Angaben zu Verhaltensparametern erfasst.
In diesem Dokument fassen wir die Ergebnisse unserer Entwicklung eines Modells zur Routenwahl für den Radfahrer sowie dessen Implementierung im regionalen Verkehrsmodell von Oregon Metro zusammen, der städtischen Planungsbehörde für Portland und Umgebung. Der Rat der Region Metro (Metro Council) hat großes Interesse an den Möglichkeiten, die solche Verkehrsmodellierungstools bieten, denn mit deren Hilfe lässt sich der Nutzen von Investitionen in Fahrradinfrastruktur als alternative Verkehrslösungen prognostizieren. Über Analysen lassen sich Maßnahmen mit wirtschaftlichem Nutzen ableiten. Die Vorteile eines regionalen Modells sind die genaueren Schätzungen von Radstrecken und Kosten, die Einfluss auf die Ziel- und Verkehrsmittelwahl haben. Verkehrsplaner können somit komplexe Fragestellungen hinsichtlich des Stadtbildes sowie zu Investitionen in die Radinfrastruktur beantworten. Dies wurde durch die vorhandenen regionalen Modelle bisher nicht unterstützt. Nach dem derzeitigen Kenntnisstand der Autoren ist dieses Modell das erste Routenwahl-Verfahren für den Radverkehr, das anhand von Revealed-Preference-Daten entwickelt wurde, die per GPS-Tracking erhoben wurden. Zudem wurde zum ersten Mal ein solches Modell in der Praxis für die Verkehrsplanung innerhalb einer großen US-Metropole eingesetzt.
Im Folgenden gehen wir kurz auf vorhandene Literatur zum Thema Routenwahlmodellierung im Radverkehr ein sowie auf die GPS- und Netzdaten, die wir für die Modellentwicklung verwendet haben. Anschließend beschreiben wir wichtige analytische Teile unserer Arbeit. Hierzu gehören die Entwicklung des Algorithmus zur Generierung des Alternativensatzes (Route Choice Set) und die Übernahme von Formeln aus einem Path-Size-Logit-Modell. Daraufhin beschreiben wir die Modellspezifikationen und Schätzergebnisse, einschließlich der abschließenden Segmentierungen nach Fahrtzweck und Geschlecht. In einem weiteren Schritt beschreiben wir, wie dieses Routenwahlverfahren in das übergeordnete regionale Verkehrsplanungssystem integriert wurde und dort genutzt werden kann. In einer abschließenden Bewertung erörtern wir die wichtigsten Ergebnisse dieser Studie und zeigen Möglichkeiten für weitere Untersuchungen auf.
2 Vorhandene Literatur zum Thema Routenwahl im Radverkehr
Bei den meisten Untersuchungen zum Thema Routenwahl im Radverkehr handelt es sich um kleine, gezielte Untersuchungen, die sich auf einige wenige Variablen konzentrieren. Sener et al. (2009) [15] bietet einen umfassenden Überblick über bisher veröffentlichte Arbeiten. Am häufigsten wurden zur Datenerhebung bisher Stated-Preference-Methoden eingesetzt, bei denen die Probanden zwischen zwei Alternativrouten wählen können, sowie Recalled-Paths-Verfahren (Erinnerung an Wege). Den Autoren ist nur eine unveröffentlichte Studie bekannt, die die beobachtete Routenwahl von Radfahrern einsetzt. Da diese Daten jedoch ursprünglich nicht für diesen Zweck erhoben wurden, hat die Studie einige Schwachpunkte (Menghini et al. 2009 [12]). ETH Zürich
2.1 Stated-Preference-Untersuchungen
In der Literatur trifft man häufig auf die Stated-Preference-Methode, da diese mehrere attraktive Eigenschaften hat. Genaue Verkehrsnetzdaten werden hierfür nicht benötigt. Das beachtliche Problem der Generierung von Alternativrouten braucht nicht gelöst zu werden. Die Modellspezifikation und -schätzung sind einfacher, weil bereinigte Daten und eine begrenzte Anzahl Alternativen vorliegen. Aus verfahrenstechnischer Perspektive bietet die Stated-Preference-Methode beim Prüfen seltener oder nicht real existierender Merkmale Vorteile.
Bei der Routenwahl im Radverkehr weisen Stated-Preference-Daten jedoch Schwachpunkte auf. Normalerweise werden den Befragten in diesen Studien mehrere Vorschläge mit jeweils zwei Alternativen unterbreitet, von denen sie eine auswählen müssen (siehe z. B. Krizek 2006, Hunt & Abraham 2007 [9], Tilahun et al. 2007 [17]).
Landis et al. (1997) [10] realisierte eine interessante Variante der gängigen Stated- Preference-Methode. Die Teilnehmer befuhren vorgegebene Alternativrouten, bevor sie sie bewerteten. Es mag problematisch sein, anzunehmen, dass Radfahrer eine unbekannte Strecke genauso gut bewerten können wie eine Strecke, mit der sie vertraut sind. Aber diese Methode liefert möglicherweise realistischere Ergebnisse.
Um Stated-Preference-Untersuchungen, die am ehesten mit unseren Untersuchungen vergleichbar sind, handelte es sich bei zwei ähnlichen Studien zur Routenwahl, die sich auf internetbasierten Umfragen stützten (Stinson & Bhat 2003 [16], Sener et al. 2009 [15]). Radfahrern wurden eine Basisroute und mehrere Alternativrouten mit sorgfältig ausgewählten Merkmalen vorgelegt. Mixed-Multinomial-Logit-Modelle wurden anhand von Stated-Preference-Daten und Persönlichkeitsmerkmalen der Teilnehmer geschätzt. Unter Berücksichtigung spezifischer Abweichungen bei den Daten und in der Modellierung stellten wir fest, dass die Ergebnisse im Allgemeinen mit unseren übereinstimmten. Einen genaueren Vergleich finden Sie im Abschnitt zur Modellschätzung weiter unten in diesem Dokument.
2.2 Revealed-Preference-Untersuchungen
Zu diesem Thema wurde eine Hand voll Revealed-Preference-Untersuchungen durchgeführt. Bei den meisten handelte es sich um eingeschränkte Untersuchungen, bei denen kein vollständiges Modell zur Routenwahl geschätzt wurde. In der Regel wurden Radfahrer gebeten, sich an Routen zu erinnern. Die angegebenen Routen wurden dann mit vorab ausgewählten Routen verglichen, die auf dem kürzesten Weg oder anderen Definitionen einer optimalen Route basieren (Aultman-Hall et al. 1997 [1]). Diese Untersuchungen haben den Vorteil, dass reale Routen und Netzwerkdaten verwendet werden.
Menghini et al. (2009) [12] werteten GPS-Daten von Radfahrern in Zürich (Schweiz) aus, um ein vollständiges Entscheidungsmodell für die Routenwahl zu schätzen, das unserem ähnlich ist. Zeitliche und räumliche Daten zu 636 ausgewählten Routen wurden aus einer größeren Routendatenbank extrahiert. Hierbei handelte es sich um allgemeine GPS-Datensätze, die nicht speziell für Radfahrer konzipiert waren.
Zusätzlich wurden Alternativensätze (Choice Sets) generiert. Hierfür wurden mithilfe eines umfassenden Suchalgorithmus für jede Fahrt nach dem Zufallsprinzip 20 Alternativrouten ausgewählt. Im Durchschnitt war eine nicht gewählte Alternativroute 2,4-mal länger als die im Durchschnitt gewählte Route. Ihre Steigung übertraf die der durchschnittlich gewählten Route im Durchschnitt um das Doppelte oder mehr. In unserem Sample erscheint es unwahrscheinlich, dass Routen in Erwägung gezogen werden, die Umwege bedeuten.
3 Beschreibung der Daten
Die vorliegende Untersuchung stützt sich in erster Linie auf GPS-Daten, die von März bis November 2007 von 162 Radfahrern erfasst wurden. Alle Radfahrer waren in der Metropolregion Portland (Oregon, USA) unterwegs. Außerdem stützt sich diese Untersuchung auf genaue GIS-Daten (GIS, Geographic Information System) des städtischen Straßennetzes und separater Radwege. Sie basiert darüber hinaus auf einer Zusammenstellung von Attributdaten zu Infrastrukturtypen, Verkehrsvolumina pro Tag und Steigungen.
3.1 Personenbezogene Attribute
Die Teilnehmer der GPS-Studie wurden mit kleinen, tragbaren Geräten ausgestattet, die sie an ihren Fahrrädern befestigten. Sie wurden aufgefordert, Daten zum Wetter sowie Streckenattribute einzugeben. Außerdem mussten sie Anfang und Ende einer Strecke aufzeichnen, wobei das Ende mit dem Erreichen eines bestimmten Ziels definiert war. Zusätzlich beantworteten sie demographische Fragen und Fragen zu ihren persönlichen Einstellungen.
Bei den Teilnehmern an der Studie handelte es sich in erster Linie um Personen, die regelmäßige Rad fahren. Sie hatten sich nach einer Reihe telefonischer Befragungen bereit erklärt, am GPS-Teil der Studie teilzunehmen. Obwohl regelmäßige Radfahrer mit höherer Wahrscheinlichkeit männlich sind (laut Telefonumfrage 80 Prozent), konnten wir für die GPS- Untersuchung eine Gruppe zusammenstellen, in der 44 Prozent weiblich waren. 89 Prozent der Personen, die an der Befragung teilnahmen, waren zwischen 25 und 64 Jahre alt.
Während der Teilnahme an der Studie unternahmen die GPS-Träger im Durchschnitt 1,6 Radfahrten pro Tag. Die meisten Teilnehmer (77 %) unternahmen im Durchschnitt zwei oder weniger Fahrten mit dem Fahrrad pro Tag, während sie in Besitz des GPS-Geräts waren. Die Teilnehmer fuhren im Schnitt ca. 10 km (6,2 Meilen) pro Tag. Die durchschnittliche Länge einer Radstrecke betrug 4,5 km (2,8 Meilen). Nur fünf Prozent der Fahrten diente ausschließlich zu Trainingszwecken. Neben der Fahrt nach Hause war die Fahrt zur Arbeit der häufigste Fahrtzweck (25 Prozent aller Fahrten).
3.2 Datensätze der GPS-Datenerhebung
Wenn die Radfahrer zweckgebundene Fahrten unternahmen, nutzten sie hauptsächlich Wege mit Fahrradinfrastruktur. Über die Hälfte (52 %) der Kilometer, die auf zweckgebundenen Fahrten gefahren wurden, wurden auf Fahrradinfrastruktureinrichtungen absolviert, wie Radfahrstreifen, abgesetzte Fahrradwege oder ausgewiesene Fahrradstraßen. Über ein Viertel der Kilometer (28 %) wurde auf Straßen (Haupt- oder Nebenstraßen) mit Radfahrstreifen gefahren. Etwa der gleiche Anteil Kilometer (28 %) wurde auf Nebenstraßen ohne Radwege gefahren. Hierbei handelte es sich in der Regel um Straßen in Wohngebieten mit wenig Verkehr. Dementsprechend wurden nur 19 Prozent der Kilometer auf Straßen gefahren, die hohe Volumina an motorisiertem Verkehr aufwiesen und keine separate Infrastruktur für Radfahrer hatten.
Durchschnittlich betrug die Abweichung zwischen dem tatsächlich gefahrenen Weg und dem kürzesten Weg zwischen einem Start- und Zielpunkt 1,53 km (0,95 Meilen), wobei der Median bei 0,43 km (0,27 Meilen) lag. Der Unterschied zwischen dem kürzesten Weg und der beobachteten Route stieg mit der Gesamtlänge der Strecke an. Wenn man nur Strecken von 16 km (10 Meilen) oder kürzer betrachtet, dann betrug der Median der Abweichung zwischen der tatsächlich gefahrenen Route und dem kürzesten Weg knapp unter 0,4 km (0,24 Meilen). Legt man die durchschnittliche Geschwindigkeit zugrunde, bedeutet dies einen zeitlichen Mehraufwand von 1,5 Minuten pro Fahrt.
3.3 Netzstruktur und Attribute
Die Fahrradinfrastruktur in der Region Portland umfasst ungefähr 885 km (550 Meilen) markierte Radstreifen, 210 km (130 Meilen) abgesetzte Radwege und 48 km (30 Meilen) Fahrradstraßen. Bei den Fahrradstraßen handelt es sich um Nebenstraßen in Wohngebieten, die häufig parallel zu einer Hauptstraße verlaufen und bei denen bauliche Maßnahmen zur Verkehrsberuhigung und Priorisierung des Radverkehrs vorgenommen wurden. Ein Beispiel hierfür sind Barrieren an Kreuzungen, die Autos zum Abbiegen zwingen, während Fahrradfahrer ungehindert weiterfahren können. Dank Lichtsignalanlagen können Radfahrer, die auf dem Radweg fahren, verkehrsreiche Straßen sicher überqueren. Die Routen sind beschildert und häufig an andere Infrastruktureinrichtungen für Radfahrer angebunden, wie Fahrspuren oder Überbrückungen.
Für diese Untersuchung wurde ein Netzmodell entwickelt, das über 90.000 ungerichtete Anbindungen und 70.000 Knoten umfasst. Das Verkehrsnetz wurde so konstruiert, dass es die verschiedenen Arten von Fahrradinfrastruktureinrichtungen beinhaltet, die oben beschrieben wurden. Dazu zählen auch Mehrzweckwege neben Straßen sowie Straßen in Wohngebieten mit wenig Verkehr. Ausgenommen vom Fahrradverkehrsnetz sind Bereiche, auf denen Radfahrer verboten sind, wie Auffahrten zu Schnellstraßen und Autobahnen.
Die Stadt Portland lieferte die interpolierten, durchschnittlichen Verkehrsvolumina pro Tag für fast alle Straßen im untersuchten Raum. Zusätzlich kodierten wir die Höhenangaben in die Netzknoten, um die Höhenveränderungen einer Strecke berechnen zu können.
4 Modellaufbau
4.1 Überlappungen bei Alternativrouten
Überlappende Routen haben vermutlich korrelierende Fehler. Dies widerspricht der Annahme des Multinomial-Logit-Modells (MNL) von unabhängig verteilten Fehlern über Alternativen hinweg. Statistisch betrachtet tendiert ein MNL-Modell zur Routenauswahl dazu, eine gegen die Intuition hohe Wahrscheinlichkeiten den Routen zuzuweisen, die gemeinsame Abschnitte im Netz haben. Aus der Verhaltensperspektive gesehen lässt sich behaupten, dass sich überschneidende Routen für das MNL-Modell als Alternativen gelten, während ein Radfahrer diese wohl eher als eine Route sieht, und zwar als mehrere Varianten einer Alternative.
Es gibt zwei Möglichkeiten, um das Problem sich überlappender Routen zu beheben (Frejinger & Bierlaire 2007 [7]). Ein Korrekturfaktor kann angewendet werden, um den Nutzen der Überlappungen teilweise anzupassen, die das MNL-Modell beibehält. Oder es werden komplexere Modellformen angegeben, die korrelierte Fehler zulassen. Dazu zählen das Multinomial-Probit-Modell, Mixed Logit-Modelle und die Mitglieder mit geschlossener Form der allgemeinen Klasse der GEV-Modelle (GEV, Generalized Extreme Value).
Aus Gründen der Einfachheit behielten wir die zugrunde liegende MNL-Spezifikation bei. Der Nutzen einer Route wurde mithilfe des Path-Size-Faktors korrigiert. Der Grund für diese Annahme der Modellform war, dass wir erkannten, dass wir in der Lage sein mussten, das Modell für die Prognose in einem hochkomplexen und detaillierten Netzwerk anzuwenden. Diese Anforderung sorgte dafür, dass die Spezifikationen für die Berechnungen überlappender Routen und Nest Memberships, die für die verschiedenen Probit-, Mixed- Logit- und GEV-Modelle erforderlich waren, für einen so großen zu berechnenden Raum nur schwer zu bewältigen waren.
Ein Path-Size-Faktor wird direkt aus den Routenalternativen und Netzwerkdaten berechnet. Vermieden wird hierbei die direkte Berechnung von Korrelationen über Alternativen hinweg. Die allgemeine Formel für j Alternativen im Alternativensatz Cn lautet folgendermaßen:
Formel (1) siehe PDF.
Hierbei steht Γi für die Strecken in Alternative i, la ist die Länge von Strecke a, Li ist die Länge von Alternative i und δaj ist gleich 1, wenn j Strecke a umfasst (Frejinger and Bierlaire 2007 [7]). Parameter γ ist ein positiver Skalierungsterm, der als Strafwert für sehr lange Routen in einem Alternativensatz dienen soll. Eine Festlegung oder Schätzung von γ>0 hat zu einer empirischen Verbesserung der Anpassung des Modells geführt (Hoogendoorn-Lanser et al. 2005 [8], Bekhor et al. 2006 [4], Prato & Bekhor 2006 [13], Prato & Bekhor 2007 [14]). Jedoch wurde kürzlich nachgewiesen, dass γ>0 zu fragwürdigen Korrekturen des Nutzens und unlogischen Wahrscheinlichkeiten bei Wegen führen kann (Frejinger and Bierlaire 2007 [7]). Die Methode zur Generierung des Alternativensatzes, die im nächsten Abschnitt beschrieben wird, macht es unwahrscheinlich, dass unverhältnismäßig lange Alternativrouten in die Analyse aufgenommen werden. Deshalb wird der Path-Size- Korrekturfaktor aus Gleichung 1 mit γ=0 verwendet. Damit wird im Grunde der Long-Path- Korrekturfaktor gesenkt und dem grundlegenden Path-Size-Logit-Modell entsprochen (Ben- Akiva & Bierlaire 1999 [5]).
Im Folgenden werden Ergebnisse präsentiert, die aus dieser Spezifikation der Path-Size- Logit-Wahrscheinlichkeit stammen.
Formel (2) siehe PDF.
Hierbei ist PS der Path-Size-Faktor aus Gleichung (1) mit γ=0. Da PS immer zwischen 0 und 1 liegt, wird ln(PS) negativ, und zwar konsistent mit der Senkung des Nutzens proportional zum Umfang der Überlappung.
5 Generierung des Alternativensatzes (Choice Set)
Die Generierung eines Satzes alternativer Routen, die für eine Fahrt vorgeschlagen wurden, war der schwierigste und zeitintensivste Teil unserer Analyse. Die Komplexität der Aufgabe erhöhte sich zusätzlich aufgrund der Größe und Dichte des Radnetzes in Portland, das annähernd 90.000 ungerichtete Strecken und fast 70.000 Knoten umfasst. Vorhandene Techniken zur Generierung mussten sorgfältig überdacht werden, weil keine veröffentlichten Untersuchungen zur Routenwahl bei Radfahrern vorlagen. Insbesondere konnten häufig verwendete Algorithmen, die auf Fahrtzeit und Straßenhierarchie basierten, nicht direkt übernommen werden. Wir experimentierten mit drei häufig verwendeten Methoden zur Generierung eines Alternativensatzes (Choice Set) und wählten schließlich eine modifizierte Methode des Routen-Labelings. Die Routenauswahl erfolgte durch die Maximierung individueller Kriterien und unterlag einer flexiblen, kalibrierten Streckenlängenbeschränkung.
5.1 Vorhandene Techniken
Die meisten Methoden zur Generierung von Auswahlgruppen für Routen basieren auf der wiederholten Suche nach dem kürzesten Weg, wobei bei jeder Wiederholung entweder die Netzattribute oder die Suchfunktion modifiziert wurden.
Wir experimentierten anfangs mit folgenden Methoden zur Generierung des Alternativensatzes: K-kürzteste Pfade, Simulated-Shortest-Paths und Route Labeling. Wir prüften jeweils mehrere Variationen jeder Methode. Jedoch waren die resultierenden Alternativensätze (Choice Sets) nicht zufriedenstellend. In Modellen zur automatischen Routenwahl sind bei parallelen Routen die Unterschiede in den Fahrtzeiten in der Regel erheblich größer als die Unterschiede bei den Streckenlängen. Beispiel: Eine Fahrt auf einer Hauptverbindungstrecke ist wahrscheinlich erheblich schneller als eine Fahrt auf einer parallel dazu verlaufenden Nebenstrecke, auch wenn beide Strecken ähnlich lang sind. Aber dieses Ergebnis gilt nicht notwendigerweise für Fahrten mit dem Rad. Die Strecke und Fahrtzeit sind für Radfahrer in beiden Fällen praktisch identisch, weil Geschwindigkeitsbeschränkungen, Beschaffenheit der Straße und Wartezeiten an Kreuzungen für die Durchschnittsgeschwindigkeit eines Radfahrers erheblich geringere Folgen haben. In Kombination mit unserem dichten Straßennetz waren dies Probleme für die Methoden K-kürzeste Wege und Simulated Shortest Paths, die dazu tendierten, Routen zu wählen, die nur kleinere Varianten voneinander sind und eine unverhältnismäßig große Anzahl Abbieger haben.
5.2 Modifizierte, kalibrierte Labeling-Technik
Wir bauten auf dem relativen Erfolg der Route-Labeling-Methode auf und modifizierten die vorhandene Technik, indem wir parametrisierte Label-Funktionen aufnahmen. Die Labels, die in Tabelle 1 aufgeführt sind, wurden auf der Grundlage vorhandener Forschungsergebnisse und verfügbarer Netzdaten ermittelt. Die meisten Labels wurden aus den Antworten der Studienteilnehmer abgeleitet, die zur Gewichtung der Kriterien bei der Routenauswahl befragt wurden. Für eine Mehrheit der Befragten waren folgende Kriterien wichtig: maximale Nutzung von Radwegen, beschilderten Routen und Radwegen und Minimierung von Steigungen, hohen Verkehrsvolumina und Wartezeiten an Kreuzungen.
Wir versuchten, für jedes Label mehrere Alternativen zu generieren. Dazu wandten wir eine Kostenfunktion an, die für einen Abgleich zwischen dem Labelattribut und dem kürzesten Weg sorgte. Wenn der Algorithmus startet, liegt zunächst die gesamte Gewichtung auf dem Kriterium der Suche nach dem kürzesten Weg. Damit wird die kürzeste Strecke gefunden. Dann senkt der Algorithmus diese Gewichtung in kleinen Schritten (z. B. 0,1) und erhöht damit schrittweise die Gewichtung des Labelattributs. Mit jeder Absenkung der Gewichtung der Strecke entsteht die Möglichkeit, einen neuen Weg mit geringsten Kosten zu finden, indem versucht wird, die Verwendung von Strecken anhand des Attributwerts zu minimieren bzw. zu maximieren. Wird ein neuer Weg mit geringsten Kosten gefunden, wird er dem Alternativensatz hinzugefügt. Der Prozess wird eingeschränkt, indem ein unterer Grenzwert für den Mindestwert der Kostengewichtung festgelegt wird. Damit umfasst der Alternativensatz nur die Wege, die vom Weg mit der kürzesten Strecke um die Werte abweicht, die wir in unseren Daten beobachten können. Dieser Vorgang wird für jede Labelkategorie ausgeführt.
Tabelle 1: Attribut Bezeichnungen
Die Gewichtungen selbst haben nur die Bedeutung, dass sie verhindern, dass Alternativen in den Alternativensatz aufgenommen werden, deren Strecken unverhältnismäßig länger als die kürzeste Strecke sind. Der Bereich der Gewichtungsparameter für die Streckenlänge wurde auf die Verteilung der beobachteten Abweichungen vom kürzesten Weg innerhalb des gesamten Samples kalibriert, die in Abbildung 1 gezeigt wird.
Man kann sehen, dass Radfahrer sehr sensibel auf Umwege reagieren. Die Hälfte der Strecken waren weniger als 10 Prozent länger als der kürzeste Weg. Über 95 Prozent der beobachteten Routen waren maximal 50 Prozent länger als der kürzeste Weg.
Bild 1: Dichtefunktion der Abweichung vom kürzesten Weg
6 Spezifikation des Basismodells
Vier Kategorien von Variablen wurden berücksichtigt, um das Path-Size-Logit-Modell für die Routenauswahl zu spezifizieren
- Zeit/Anstrengung
- Navigation
- Wahrgenommene Sicherheit
- Spezielle Fahrradinfrastruktur
- Merkmale des angrenzenden Geländes
Eine Beschreibung dieser Variablen finden Sie in Tabelle 3. Tabelle 4 zeigt die vollständigen Ergebnisse der Schätzung. Alle Modellschätzungen wurden mit dem Softwarepaket BIOGEME durchgeführt (Bierlaire 2003 [2], 2008 [3]). Die Größen von Parameterschätzungen sind im Multinomial-Logit-Modell nicht direkt vergleichbar. Abbildung 3 zeigt einen Vergleich der Elastizität der Wahrscheinlichkeiten.
Bei der Berechnung von aggregierten Auswahlelastizitäten muss sorgfältig vorgegangen werden, um sinnvolle Ergebnisse im Kontext der Routenauswahl zu erhalten. Viele Netzattribute erscheinen relativ selten in Alternativen (z. B. Fahrradinfrastruktur, größere Kreuzungen ohne Signalisierung, Kategorie mit höchstem Verkehrsvolumen usw.). Die einfache Berechnung der aggregierten Auswahlelastizität entweder für den Sampledurchschnitt oder für eine Sampleenumeration führt zu einer Verzerrung nach unten für diese Attribute, weil das Ergebnis der meisten Berechnungen Null sein wird. Da Alternativen der Routenwahl ohne Labels sind (d. h. sie sind nicht gleich bei verschiedenen Fällen), sind aggregierte Anteile nicht von Bedeutung. Uns interessiert die Sensitivität für Attribute, wenn diese vorhanden sind. Aus diesen Gründen wurde folgende Formel verwendet, um aggregierte Auswahlelastizitäten zu berechnen:
Formel (3) siehe PDF.
Hierbei ist Attribut X, Auswahlsituation n, Alternative j, geschätzter Koeffizient β und geschätzte Wahrscheinlichkeit Pˆ. Die Variable δX,j ist 1, wenn Variable X vorhanden ist (d.h. nicht Null über einen Pfad) und anderenfalls 0. Die Grundform der Auflistung von Samples folgt Louviere et al. (2000) [11]. Wobei die zusätzliche Delta-Variable die Null-Attribut- Verzerrung anpasst. Die Denominatorsumme berücksichtigt mehrere Alternativen pro Fall im Kontext der Routenwahl. Louviere at al. (2000) [11] empfehlen Gewichtungsfälle für die Wahrscheinlichkeit der Auswahl einer Alternative, aber das macht natürlich keinen Sinn im Zusammenhang mit der Routenwahl, weil die Alternativen ohne Labels sind.
Für die beiden Dummy-Variablen für Überbrückungen wurden aus der Sampleenumeration Überbrückungselastizitäten berechnet, indem die Dummy-Variablen durch Fahrten ausgetauscht wurden, bei denen eine Brücke genutzt wurde. Die übliche Überbrückungselastizitätsformel für Änderungen in der Wahrscheinlichkeit wurde für Strecken mit Überbrückungen angewendet und Sampleenumeration erfolgte ählich wie in Gleichung 1 (Louviere et al. 2000 [11]).
Formel (4) siehe PDF.
Hierbei gilt: n Fälle, bei denen ein Fluss überquert werden muss. X'j ist auf 1 gesetzt, falls Xj den Wert 0 hat und umgekehrt. Die Elastizitäten in beiden hier gezeigten Fällen lassen sich am besten interpretieren als Elastizität der Wahrscheinlichkeit für Attribut X, sofern es vorhanden ist. Da die Strecken in Log-Format eingegeben werden, werden Elastizitäten der Streckenlänge direkt aus der Funktion für den geschätzten Nutzen berechnet, und zwar: BX * (1 - P), hierbei ist P die Durchschnittswahrscheinlichkeit des Samples (Ben-Akiva & Lerman 1985 [6]).
6.1 Wartezeit und Anstrengung
Bei den Netzvariablen in dieser Kategorie wurde davon ausgegangen, dass sich durch sie hauptsächlich die Fahrzeit und Anstrengung eines Radfahrers erhöhen. Zusätzlich zur Strecke wurden Variablen eingeführt, die die Steigung sowie Wartezeiten an Kreuzungen berücksichtigen. Die Längen alternativer Strecken variierten zwischen 0,2 und 45 Kilometern (Durchschnitt 7,2 km). Deshalb bemühte man sich, sinnvolle den Bereich der Streckenlängen sinnvoll zu interpretieren und sich gegen Heteroskedastizität abzusichern.
Kreuzungsattribute umfassen die Signalisierung und Volumina von Längs- und Querverkehr. Neben der Richtung (längs, links oder rechts) ergibt sich daraus eine große Anzahl möglicher Kategorien. Die hier vorgestellten Kategorien sind das Ergebnis vieler Modelliterationen. Lineare Spezifikationen wurden nach und nach ausgewählt, und zwar auf Grund der besseren Modellanpassung und einfacheren Integration in das regionale Verkehrsmodell, in dem genaue Schätzungen der lokalen Verkehrsvolumina der Straßen sehr schwierig wären. Die separate Eingabe von Rechtsabbiegevorgängen an Lichtsignalanlagen und von verkehrsreichen Kreuzungen verbesserte die Modellanpassung. Das erscheint logisch, weil Radfahrer beim Rechtsabbiegen an vielen Kreuzungen Wartezeiten umgehen.
Wichtige Faktoren für Kreuzungen umfassen Stoppschilder, Lichtsignalanlagen und die Interaktion der Signalisierung mit dem Verkehrsfluss, Volumina von Längs- und Querverkehr, wie in Tabelle 4 und Abbildung 3 gezeigt. Die Überquerung nicht signalisierter Kreuzungen mit hohen Verkehrsvolumina hatte den größten geschätzten negativen Nutzen unter allen Kreuzungsvarianten. Hieraus lässt sich ableiten, dass Radfahrer bei einer durchschnittlichen Länge einer Alternativroute (7,2 km) einen Umweg von ca. 13 Prozent in Kauf nehmen, um eine nicht signalisierte Kreuzung zu vermeiden. Linksabbiegen auf nicht signalisierten, verkehrsreichen Kreuzungen hatte ebenfalls nach der Schätzung Auswirkungen auf die Wahrscheinlichkeit, wenn man die Bereitschaft impliziert, bei einer Fahrt eine Streckenverlängerung um 9 Prozent in Kauf zu nehmen, um einen schwierigen Linksabbiegevorgang zu vermeiden.
Eine Reihe von Formeln wurde für die Höhenunterschiede getestet. Es bestand eine hohe Korrelation zwischen Steigungen und Höhengewinnen und -verlusten in den Alternativen. Deshalb wurden nur Höhengewinne ausgewählt, um den Höhenunterschied einer Route zu messen. Man ging davon aus, dass der durchschnittliche Höhenunterschied einen relativ hohen Einfluss auf eine Entscheidung zur Routenwahl hat. Bei einer Zunahme der durchschnittlichen Steigung um ein Prozent (d. h. eine Änderung von 1 zu 1,01 Meter pro 100) wird erwartet, dass die Auswahlwahrscheinlichkeit um ca. 1,3 Prozent sinkt. Der Höhenunterschied und die Abbiegehäufigkeit waren nach der Streckenlänge die wichtigsten Einzelfaktoren. Bezogen auf die Strecke impliziert die Schätzung, dass Radfahrer bereit sind, einen Umweg von 27 Prozent in Kauf zu nehmen, um ein zusätzliches Prozent bei der durchschnittlichen Steigung zu vermeiden.
Die Ergebnisse hinsichtlich des Faktors Wartezeiten an Kreuzungen stimmen im Allgemeinen mit denen von Stated-Preference-Modellen überein. Jedoch kommt dem Höhenunterschied in einem Stated-Preference-Szenario eine erheblich größere Bedeutung zu (Stinson & Bhat 2003 [16], Sener et al. 2009 [15]). Sowohl Stinson und Bhat (2003) [16] als auch Sener et al. (2009 [15]) ermittelten signifikante positive Effekte von moderaten Steigungen auf die Routenwahl. Diese Ergebnisse konnten wir mit unseren Daten nicht reproduzieren. Es kann möglich sein, dass Radfahrer in einem Stated-Choice-Experiment eine abwechslungsreichere Route bevorzugen. In realen Situationen hingegen spielen die Faktoren Zeit und Anstrengung dann doch eine wichtigere Rolle.
6.2 Navigation
Die Kontiguität einer Route wurde anhand der Anzahl Abbiegevorgänge auf verschiedene Straßen oder Wege pro Kilometer ermittelt. Abbiegevorgänge bedeuten nicht nur Wartezeiten, die über die Kreuzungsvariablen abgedeckt werden. Sie bedeuten für einen Radfahrer auch zusätzliche Naviationsleistungen. Denn er muss sich die Abfolge von Abbiegevorgängen und Straßennamen merken. Abbildung 3 zeigt, dass die Anzahl Abbiegevorgänge direkt nach der Streckenlänge an zweiter Stelle rangierte. Wenn die Anzahl Abbiegevorgänge pro Kilometer um 1,0 Prozent zunahm, nahm erwartungsgemäß die Wahrscheinlichkeit der Auswahl der Route um 1,3 Prozent ab. Auf einer Strecke mit durchschnittlicher Länge würde ein Radfahrer einen Umweg von 1,5 Prozent in Kauf nehmen, um einen zusätzlichen Abbiegevorgang zu vermeiden. Diese Resultate entsprechen den Messungen von "Kontinuität" in Stated-Preference-Modellen (Stinson & Bhat 2003 [16], Sener et al. 2009 [15]).
6.3 Wahrgenommene Sicherheit
Die wahrgenommene Sicherheit oder wie angenehm eine Route empfunden wurde, wurde nicht direkt gemessen sondern aus den Verkehrsvolumina entlang der Route abgeleitet. Mehrere Formeln wurden hierfür getestet. Am Ende wurde der proportionale Anteil der Fahrtstrecke an jeder der drei Verkehrsvolumenkategorien ausgewählt. Diese Kategorien entsprechen in etwa den Straßenkategorien Nebenstraße, Hauptstraße und Fernstraße. Der Anteil der Fahrten auf Straßen mit einer Rate von weniger als 10.000 DTV (Durchschnittlicher täglicher Verkehr) umfasst die Referenzkategorie.
Weil Radspuren eine separate Fahrspur für Radfahrer sind, ging man von der Hypothese aus, dass sie die Folgen höherer Verkehrsvolumina abschwächen. Die Modellanpassung wiederlegte die Hypothese nicht, dass Fahrradspuren die Folgen von Verkehrsvolumina in jeder Kategorie vollständig ausgleichen. In einer Weise ist es überraschend, dass verschiedene Verkehrsvolumina bei Straßen mit Fahrradspuren keinen Unterschied bewirken. Dafür können drei Erklärungen angeboten werden. Erstens ist es möglich, dass Fahrradwege bei steigenden Verkehrsvolumina höheren Standards entsprechen. Zweitens ist unter Umständen die Konkurrenz um Platz das wichtigere Kriterium bei steigendem Verkehrsvolumen, und Geschwindigkeit und Lärm spielen nur untergeordnete Rollen. Drittens ist bei hohem Verkehrsaufkommen die Wahrscheinlichkeit geringer, dass Autos an der Straße parken (dafür waren aber im Rahmen dieser Studie keine Daten verfügbar) und damit ein Puffer zugunsten des Vorfahrtsrechts entsteht. Auch Stated-Preference- Untersuchungen elegen, dass durch Fahrradspuren das Verkehrsvolumen einer Straße völlig an Bedeutung verliert (Stinson & Bhat 2003 [16]).
6.4 Fahrradinfrastruktur
Zu den spezielle Einrichtungen der Fahrradinfrastruktur in der Region Portland zählen Fahrradstraßen (Beschreibung in Tabelle 3), Radfahrstreifen auf Straßen, abgesetzte Radwege und beschilderte, nicht speziell optimierte Radrouten. Radinfrastruktureinrichtungen lassen sich am besten als Bündel anderer Attribute betrachten. So hat beispielsweise ein abgesetzter Radweg kein Verkehrsvolumen, relativ wenige Stopstellen und Stellen, an denen größere Straßen überquert werden – und er ist in der Regel durchgängig. Trotz der Kontrolle des Bereichs an Variablen, die bereits erwähnt wurden, ging man davon aus, dass spezielle Radwege und Radspuren signifikante Auswirkungen auf die Routenauswahl haben.
Wir nehmen an, dass der Grund für den Restnutzen von Fahrradinfrastruktureinrichtungen drei zusätzliche Faktoren sind, die nicht in der Studie untersucht wurden. Erstens sind Radfahrer einfach besser informiert über spezielle Fahrradrouten, weil sie ausgeschildert sind und auf häufig verwendeten Radkarten verzeichnet sind. Zweitens ist möglicherweise die wahrgenommene Sicherheit höher, weil man den Radweg zusammen mit vielen anderen Radfahrern benutzt. Drittens ist möglicherweise die Qualität des Straßenbelags auf speziellen Radwegen höher als auf konkurrierenden Routen.
Tabelle 4 bieten Schätzungen des Restnutzens von Fahrradinfrastruktureinrichtungen. Die Elastizität der Wahrscheinlichkeit ist ziemlich klein, was zur Annahme führt, dass die meisten Werte dieser Einrichtungen in anderen Modellvariablen erfasst werden. Mit einer Zunahme von 1,0 Prozent beim Anteil von Fahrradstraßen und abgesetzten Radwegen steigt die Auswahlwahrscheinlichkeit unseren Erwartungen nach um 0,16 und 0,249 Prozent. Hier sollte noch betont werden, dass die gesamte Gruppe von Attributen für die Fahrradinfrastruktur wahrscheinlich eine erheblich größere Wirkung haben wird, als aus dem Restnutzen abzuleiten ist.
Ähnlich wie Stinson and Bhat (2003) [16] stellten wir erheblich größere Effekte für Fahrradeinrichtungen auf Brücken fest. Aus unserem Modell lässt sich ableiten, dass Radfahrer bereit sind, einen Umweg von 34 Prozent in Kauf zu nehmen, um eine Brücke mit einem verbesserten, abgesetzten Radweg zu nutzen und einen Umweg von 19,5 Prozent, um eine Brücke mit einer Radspur zu nutzen. Unsere Ergebnisse liegen etwas unter denen der Stated-Preference-Untersuchung von Stinson & Bhat (2003) [16].
6.5 Path-Size-Parameter
Der positive Koeffizient der Schätzung des Path-Size-Parameters ist konsistent mit der Theorie. Er weicht signifikant von 1,0 ab. Das ist der erwartete Wert, wenn der Path-Size- Parameter nur den statistischen Fehler erfasst, der durch die IIA-Eigenschaft des MNL- Modells eingeführt wurde. Es wurde vorgeschlagen, dass der Path-Size-Parameter nicht willkürlich auf 1,0 festgelegt werden sollte, da seine Interpretation für das Verhalten von Bedeutung sein könnte (Frejinger und Bierlaire 2007 [7]).
In unserem Fall verbessert eine Schätzung des Parameters die Modellanpassung erheblich. Eine Korrektur des Path-Size-Parameters auf den Wert 1,0 hat den Effekt, dass die Größe des Streckenkoeffizienten verringert wird. Die anderen Parameter bleiben mehr oder weniger unverändert. Die generierten Alternativrouten haben die Tendenz, einen Cluster um den kürzesten Weg zu bilden. Deshalb kann die Path-Size-Korrektur, die größer als erwartet ist, auf nicht beobachtete Faktoren des negativen Nutzens entlang der Korridore des kürzesten Wegs hinweisen. Eine plausible Erklärung ist, dass viele kürzeste Wege in Portland eine kleine Anzahl verkehrsreicher, diagonaler Verbindungsstrecken sind, die quer zum ansonsten regelmäßigen Straßenraster verlaufen. Auf diesen Straßen herrschen in der Regel schlechtere Bedingungen für Radfahrer, die möglicherweise mit den von uns berücksichtigten Attributen nicht voll erfasst werden.
Eine weitere mögliche Interpretation ist, dass die Radfahrer in unserem Sample mit geringerer Wahrscheinlichkeit zwischen sich überlappende Routen unterscheiden als statistisch erwartet. Das heißt, dass für Radfahrer zwei Routen, die sich um nur 25 Prozent ihrer Strecken überlappen, ähnlicher sind als deren physikalische Überlappung suggeriert. Vielleicht haben sie besonders unattraktive Abschnitte gemeinsam, wie beispielsweise die quer verlaufenden Strecken, die weiter oben erwähnt wurden. Eine multimodale Untersuchung zur Routenwahl stellte fest, dass sich Streckenabschnitte (trip “legs”) in manchen Fällen besser als Maßstab für Überlappungen eignen als die Streckenlänge (Hoogendoorn-Lanser et al. 2005 [8]).
Tabelle 2: Variablenbeschreibungen
Tabelle 3: Ergebnisse der Schätzung nach dem Routenwahl Model
7 Streckenmodelle und Modelle der individuellen Segmentierung
Zusätzlich zum Basismodell wurde eine Reihe verschiedener Segmentierungsschemata angegeben. Hier möchten wir zwei vollständig segmentierte Modelle zur Routenauswahl präsentieren, die auf den Faktoren Fahrtzweck und Geschlecht basieren. Im Allgemeinen stimmten die Ergebnisse mit dem Basismodell überein. Pendler zur Arbeitsstelle hatten jedoch eine signifikant höhere Abneigung gegenüber Streckenlänge, Wartezeiten und Verkehr.
7.1 Berufspendler mit dem Rad
Fahrten zur Arbeit sind regelmäßige Fahrten. Häufig muss die Arbeitsstelle zu einem festen Zeitpunkt erreicht werden. Im Gegensatz dazu finden andere Fahrten wahrscheinlich eher unregelmäßig statt und die Ankunftszeiten sind flexibel. In unserem Sample waren die Fahrten zur Arbeit eher längere Strecken (durchschnittlich 25 Prozent länger). Bei diesen Fahrten liegt die Wahrscheinlichkeit höher, dass sie zu Hauptverkehrszeiten stattfinden. Tabelle 5 und Abbildung 4 zeigen die Modellergebnisse und Elastizitäten für die Segmente Pendlerfahrten und Nicht-Pendlerfahrten mit dem Rad.
Radfahrer, die zur Arbeit pendeln, reagieren erheblich sensibler auf Verzögerungsfaktoren, wie Streckenlänge, Steigung und Stoppschilder und Lichtsignalanlagen, als diejenigen, die nicht zur Arbeit fahren. Dieses Ergebnis entspricht der Hypothese zur festen Ankunftszeit. Berufspendler mit dem Rad haben auch eine erhöhte Abneigung gegen verkehrsreiche Straßen, vielleicht liegt das an den Verkehrsvolumina zu den Hauptverkehrszeiten. Die allgemeine Modellanpassung ist im Segment der Berufspendler besser, das Modell für Nicht- Pendler liefert hingegen bessere Vorhersagen. Nicht beobachtete Faktoren sind anscheinend wichtiger für Nicht-Berufspendler. Unsere Ergebnisse suggerieren für die Modellierung der Verkehrsnachfrage und für Richtlinienentscheidungen, dass direkte Routen mit minimalen Wartezeiten für Personen, die mit dem Fahrrad zur Arbeit fahren, signifikant attraktiver sind.
Tabelle 4: Ergebnisse der Schätzung nach Fahrtzweck (beruflich oder privat)
8 Implementierung
Das in diesem Dokument beschriebene Routenwahlmodell für Radfahrer wird im Rahmen des regionalen Metro-Verkehrsplanungssystems implementiert. Die Modelle für die Routenwahl von Radfahrern und für das Radnetz (im Folgenden "das Radroutenmodell") werden als unabhängige Systemkomponenten implementiert und im Rahmen eines in Phasen realisierten Implementierungsplans eingesetzt. Das Radverkehrsnetz umfasst nahezu alle lokalen Straßen der Region sowie abgesetzte Radwege – und ist damit erheblich detailgenauer als das Metro-Straßennetz.
Für die verschiedenen Nutzungsklassen von Radfahrern belegten unsere Analysen wichtige Unterschiede beim Fahrtenkontext. Dementsprechend wird im Metro-Modell eine Segmentierung zwischen Fahrten zur Arbeit (Berufspendlern) und nicht-berufsbezogenen Fahrten vorgenommen. Die Segmentierung nach Geschlechtern zeigte nur wenige Unterschiede zwischen männlichen und weiblichen Radfahrern und wird deshalb bei Metro in den aktuellen Radroutenmodellen nicht berücksichtigt.
In einem ersten Schritt hin zur Integration wird das Radmodell verwendet, um repräsentative, auf Zonen basierte, generalisierte Wegekostendaten zu generieren. Diese werden als Kostenmatrizen bezeichnet und verwendet, um das Moduswahlmodell von Metro neu zu schätzen. Metro verwaltet ein ziemlich detailliertes System mit 2032 Zonen. In jeder Zone wurden repräsentative Startpunkte für Radstrecken eingerichtet. Die Kostenmatrizen des Radmodells werden als generalisierte Kosten (negativer Nutzen) für die Fahrt von einer Zone zu einer anderen ausgedrückt. Sie werden direkt aus dem Routenwahlmodell ermittelt und als Durchschnitt der gewichteten Wahrscheinlichkeit konkurrierender Wege und Fahrtzeiten berechnet. Für diese Berechnung wird eine spezielle Funktion zur Berechnung von Fahrzeiten für Radfahrer auf die Wege mit den geringsten Kosten angewendet und sie wird stochastisch ähnlich gewichtet wie die Strecke.
Bei der Funktion zur Ermittlung der Fahrzeit für eine Radstrecke handelt es sich um ein lineares Modell für Fahrzeiten, das auf den generalisierten Weg mit den geringsten Kosten angewendet wird, der über das Routenauswahlmodell ermittelt wurde. Dieser wurde aus den gleichen GPS-Daten geschätzt, die für die Entwicklung des Routenwahlmodells verwendet wurde. Er umfasst Variablen wie Strecke, Steigung, Kreuzungen und Abbiegevorgänge sowie die Effekte von Längs- und Querverkehr.
In der zweiten Phase mit der vollständigen Implementierung wird das neu spezifizierte Moduswahlmodell bereitgestellt. Fahrten, die das Modell im Rahmen des Moduswahlprozesses als "Rad" vorhersagt, werden dem Radnetz in einer stochastischen Zuordnung zugewiesen. So kann Metro die Streuung unter konkurrierenden Wegen im Radnetz projizieren sowie die Nutzung vorhandener oder vorgeschlagener Radinfrastruktureinrichtungen auf diesen Wegen. Außerdem können Analytiker Verschiebungen bei der Förderung von Radfahrern erkennen, indem sie bei konkurrierenden Szenarios Nutzungsänderungen vergleichen. Dies ist anfangs auf Modifizierungen in der Radinfrastruktur selbst begrenzt sowie auf alle Verbesserungen der Anschlüsse, die sich aus Modifizierungen im Straßennetz ergeben.
Für diese zweite Phase ist der Hinweis wichtig, dass es sich um eine statische Zuweisung ohne Feedback handelt. Bei Fahrradinfrastruktureinrichtungen wird nicht davon ausgegangen, dass für sie Kapazitätseinschränkungen gelten. Die projizierten Volumina aus dem Bereich mit der automatischen Zuordnung des Modells werden nicht zurück in das Radmodellnetz geschrieben. Der wichtigste Grund für diese Einschränkung ist der rechnerische Aufwand bei den Iterationen zwischen den Komponenten automatische Zuordnung, Fahrradmodell und dem Modell auf Nachfrageseite. Eine weitere Ursache ist, dass für die Implementierung eines derartigen Feedback-Mechanismus die entstehenden Dynamiken weiter untersucht werden müssten. Der Wert des Feedbacks zur aktuellen Variablenspezifikation würde sich auf den Routennutzen auswirken, wobei der negative Nutzen von Längs- und Querverkehr nach Volumengruppen berücksichtigt werden könnte. Es ist geplant, in einer langfristig geplanten, dritten Phase dem Radmodell dieses vollständige Feedback bereitzustellen, sodass der negative Nutzen alternativer Radrouten durch die zugewiesenen Volumina beeinflusst wird. Zusätzlich zu den erhöhten Rechenzeiten müssten dann auch die Klassifizierungen von Volumengruppen überdacht werden, um mögliche "Cliff"-Effekte zu vermeiden, die zu Oszillationen im System führen könnten.
9 Fazit
Das regionale Radmodell, das in diesem Dokument vorgestellt wird, ist insofern neu, weil es Revealed-Preference-Daten aus GPS-Erhebungen verwendet. Diese Daten wurden speziell für den Zweck erfasst, das Routenwahlverhalten von Radfahrern zu ermitteln. Das Modell vereint in sich ein hochdetailliertes Radnetzmodell und die sorgfältige Kodierung der beobachteten Wege. Damit verfügt es über einen Datenbestand, der mit hoher Genauigkeit die Revealed Choices und Wegeattribute abbildet, die von den Teilnehmern festgestellt wurden. Im Modell werden primär zweckgebundene Fahrten dargestellt, mindestens ein Viertel der Fahrten entfällt auf Fahrten von und zur Arbeit.
Die GPS-Umfrage wurde durch sozio-demographische Daten der Teilnehmer unterstützt und untermauert. Wir verwendeten diese zusätzlichen Daten, um deskriptive Profile der Präferenzen der Teilnehmer für Routenwahlattribute zu entwickeln. Und wir nutzten diese Erkenntnisse, um einen neuen Algorithmus zur Auswahl des Alternativensatzes zu entwickeln. Die Labeled-Attribute, die für die Teilnehmer wichtig waren, wurden mit den beobachteten Abweichungen vom kürzesten Weg abgeglichen, um Alternativensätze zu erstellen, die mehrere Permutationen jeder Label-Kategorie zuließen, die einer maximalen Abweichung vom kürzesten Pfad unterlag. Aus den Ergebnissen dieses Algorithmus zur Generierung von Alternativensätzen ließ sich eine höhere Leistungsfähigkeit gegenüber vergleichbaren Implementierungen ableiten, wie k-kürzeste Wege, Simulationsmethoden und Labeled-Konzepte mit einer Permutation.
Das Routenauswahlmodell wurde als Path-Size-Logit-Modell konzipiert. Es umfasst einen Path-Size-Korrekturfaktor, der sich überlappende Alternativen auf der Grundlage von Streckenlängen berücksichtigt. Nutzen-Funktionen wurden für die Wegelänge angegeben, sowie weitere Attribute, die sich auf die Gesamtlänge des Wegs beziehen. Damit umgeht das Modell Probleme der Heteroskedastizität und berücksichtigt intuitiv die Wahrnehmungsvarianz hinsichtlich der Streckenlänge. Die wichtigsten Ergebnisse weisen darauf hin, dass die gesamte Streckenlänge für Radfahrer sehr wichtig ist. Ebenso meiden Radfahrer Abbiegevorgänge über verkehrsreiche Straßen und sie meiden Durchgangsstraßen mit hohem Verkehrsaufkommen ohne separate Radwege. Signifikant waren auch die Minimierung von Steigungen, Stopps und Abbiegevorgängen im Allgemeinen.
Man kann Radinfrastruktureinrichtungen als Bündel von Attributen betrachten, wie die Vermeidung von Verkehrsvolumina und die Minimierung von Stopps und Abbiegevorgänge. Unsere Schätzergebnisse zeigen auch starke Restpräferenzen für die Bereitstellung separater Radwege auf Brücken, gefolgt von Radspuren auf Brücken, Mehrzweckwege, die nicht auf der Straße verlaufen und Radstraßen. Die Ergebnisse zeigen auch, dass gekennzeichnete Radstreifen den negativen Nutzen hoher Verkehrsvolumina vollständig aufheben, jedoch darüber hinaus keinen weiteren Nutzen bieten. Unsere Ergebnisse sind erstaunlich konsistent mit einigen neueren Stated-Preference-Untersuchungen, die andere durchgeführt haben.
Signifikantere Unterschiede gab es jedoch beim Fahrtzweck. Bei Berufspendlern waren bei den Elastizitäten erheblich sensiblere Reaktionen im Vergleich zu Nicht-Berufspendlern für folgende Bereiche zu erkennen: Gesamtlänge der Strecke, Vermeidung von Straßen mit hohen Volumina ohne Radspuren und Vermeidung von Steigungen. Mit den vorhandenen Daten war eine weitere Segmentierung nach Einkommen und anderen sozio-ökonomischen Attributen nicht möglich.
Das fertige Routenwahlmodell wird im Rahmen eines umfassenden Systems zur regionalen Verkehrsprognose in der Region Portland implementiert. Es wird eingesetzt, um das regionale Moduswahlmodell mit besseren Schätzungen der allgemeinen Fahrtkosten von Radfahrern zu versorgen. Außerdem wird es verwendet, um Radfahrten dem Radnetz zuzuordnen, um die Nutzung von Einrichtungen zu projizieren. Zukünftige Forschungsbereiche sind die unter anderem die vollständige Integration in das Verkehrsmodell des Metro-Bereichs. Dies ermöglicht ein Feedback zwischen den Straßenzuordnungen und dem Radmodell, sodass die Radroutenwahl variabel reagieren kann.
10 Literatur
[1] Aultman-Hall, L., F.L. Hall, and B.B. Baetz. (1998). Analysis of bicycle commuter routes using Geographic Information Systems: implications for bicycle planning. Transportation Research Record, 1578, 102-110.
[2] Bierlaire, M. (2003). BIOGEME: A free package for the estimation of discrete choice models , Proceedings of the 3rd Swiss Transportation Research Conference, Ascona, Switzerland.
[3] Bierlaire, M. (2008). An introduction to BIOGEME Version 1,7, http://biogeme.epfl.ch.
[4] Bekhor, S., M.E. Ben-Akiva, and M. Scott Ramming. (2006). Evaluation of choice set generation algorithms for route choice models. Annals of Operations Research, 144(1), 235-247.
[5] Ben-Akiva, M.E., and M. Bierlaire. (1999). Discrete choice methods and their applications to short term travel decisions. In Handbook of Transportation Science, Kluwer, Dordrecht, The Netherlands, 5-33.
[6] Ben-Akiva, M. and Lerman, S.R. (1985). Discrete choice analysis:theory and application to travel demand. Cambridge, MA: The MIT Press.
[7] Frejinger, E. and M. Bierlaire. (2007). Capturing correlation with subnetworks in route choice models. Transportation Research Part B, 41, 363-378.
[8] Hoogendoorn-Lanser, S. R. van Ness, and P. Bovy. (2005). Path size modeling in multimodal
[9] Hunt, J. D., and J.E. Abraham. (2007). Influences on bicycle use. Transportation, 34(4), 453-470.
[10] Landis, B.W., V.R. Vattikutti, and M. Brannick. (1997). Real-time human perceptions: towards a bicycle level of service. Transortation. Research Record. 1578, 119–126.
[11] Louviere, J.J., D.A. Hensher, and J.D. Swait. (2000). Stated choice methods: analysis and applications. Cambridge UP.
[12] Menghini, G., N. Carrasco, N. Schüssler, and K.W. Axhausen. (2008). Route choice of cyclists in Zurich: GPS-based discrete choice models. ETH: Swiss Federal Institute of Technology, Zurich, Working Paper No. 544, January 2009, Retrieved 1. Juni 2009, http://www.ivt.ethz.ch/vpl/publications/reports/ab544.pdf.
[13] Prato, C.G., and S. Bekhor. (2006). Applying branch-and-bound technique to route choice set generation. Transportation Research Record, 1985, 19-28.
[14] Prato, C.G., and S. Bekhor. (2007). Modeling route choice behavior: how relevant is the composition of the choice set? Transportation Research Record, 2003, 64-73.
[15] Sener, I.N., N. Eluru, and C.R. Bhat. (2009). An analysis of bicycle route choice preferencesin Texas, US. Transportation, 36, 511-539.
[16] Stinson, M.A., and C.R. Bhat. (2003). Commuter bicyclist route choice: analysis using a stated preference survey. Transportation Research Record, 1828, 107-115.
[17] Tilahun, N.Y., D.M. Levinson, and K.J. Krizek. (2007). Trails, lanes, or traffic: valuing bicycle facilities with an adaptive stated preference survey. Transportation Research Part A, 41(4), 287-301. |
