Autonomous cars and artificial intelligence that beats humans in Jeopardy or Go are glamorous examples of the so-called Second Machine Age that involves the automation of cognitive tasks [Brynjolfsson and McAfee, 2014]. However, the larger impact in terms of increasing the efficiency of industry and the productivity of society might come from computers that improve or take over business decisions by using large amounts of available data. This impact may even exceed that of the First Machine Age, the industrial revolution that started with James Watt’s invention of an efficient steam engine in the late eighteenth century. Indeed, the prevalent phrase that calls data “the new oil” indicates the growing awareness of data’s importance. However, many companies, especially those in the manufacturing and traditional service industries, still struggle to increase productivity using the vast amounts of data [for Economic Co-operation and Development, 2018]. One reason for this struggle is that companies stick with a traditional way of using data for decision support in operations management that is not well suited to automated decision-making. In traditional inventory and capacity management, some data – typically just historical demand data – is used to estimate a model that makes predictions about uncertain planning parameters, such as customer demand. The planner then has two tasks: to adjust the prediction with respect to additional information that was not part of the data but still might influence demand and to take the remaining uncertainty into account and determine a safety buffer based on the underage and overage costs. In the best case, the planner determines the safety buffer based on an optimization model that takes the costs and the distribution of historical forecast errors into account; however, these decisions are usually based on a planner’s experience and intuition, rather than on solid data analysis. This two-step approach is referred to as separated estimation and optimization (SEO). With SEO, using more data and better models for making the predictions would improve only the first step, which would still improve decisions but would not automize (and, hence, revolutionize) decision-making. Using SEO is like using a stronger horse to pull the plow: one still has to walk behind. The real potential for increasing productivity lies in moving from predictive to prescriptive approaches, that is, from the two-step SEO approach, which uses predictive models in the estimation step, to a prescriptive approach, which integrates the optimization problem with the estimation of a model that then provides a direct functional relationship between the data and the decision. Following Akcay et al. [2011], we refer to this integrated approach as joint estimation-optimization (JEO). JEO approaches prescribe decisions, so they can automate the decision-making process. Just as the steam engine replaced manual work, JEO approaches replace cognitive work. The overarching objective of this dissertation is to analyze, develop, and evaluate new ways for how data can be used in making planning decisions in operations management to unlock the potential for increasing productivity. In doing so, the thesis comprises five self-contained research articles that forge the bridge from predictive to prescriptive approaches. While the first article focuses on how sensitive data like condition data from machinery can be used to make predictions of spare-parts demand, the remaining articles introduce, analyze, and discuss prescriptive approaches to inventory and capacity management. All five articles consider approach that use machine learning and data in innovative ways to improve current approaches to solving inventory or capacity management problems. The articles show that, by moving from predictive to prescriptive approaches, we can improve data-driven operations management in two ways: by making decisions more accurate and by automating decision-making. Thus, this dissertation provides examples of how digitization and the Second Machine Age can change decision-making in companies to increase efficiency and productivity. / Diese Dissertation besteht aus fünf inhaltlich abgeschlossenen Teilen, die ein übergeordnetes Thema zur Grundlage haben: Wie können Daten genutzt werden, um bessere Bestands- und Kapazitätsplanung zu ermöglichen? Durch die zunehmende Digitalisierung stehen in verschiedensten Wirtschaftsbereichen mehr und mehr Daten zur Verfügung, die zur besseren Planung der Betriebsabläufe genutzt werden können. Historische Nachfragedaten, Sensordaten, Preisinformationen und Daten zu Werbemaßnahmen, sowie frei verfügbare Daten wie z.B. Wettervorhersagen, Daten zu Schulferien, regionalen Events, Daten aus den Sozialen Medien oder anderen Quellen enthalten potentiell relevante Informationen, werden aber häufig noch nicht zur Entscheidungsunterstützung genutzt. Im ersten Artikel, ”Privacy-preserving condition-based forecasting using machine learning”, wird aufgezeigt, wie sensitive Zustandsdaten zur Nachfragevorhersage von Ersatzteilbedarfen nutzbar gemacht werden können. Es wird ein Modell entwickelt, das es erlaubt, Vorhersagen auf verschlüsselten Zustandsdaten zu erstellen. Dies ist z.B. in der Luftfahrt relevant, wo Dienstleister für die Wartung und Ersatzteilversorgung von Flugzeugen verschiedener Airlines zuständig sind. Da die Airlines befürchten, dass Wettbewerber an sensitive Echtzeitdaten gelangen können, werden diese Daten dem Wartungsdienstleister nicht im Klartext zur Verfügung gestellt. Die Ergebnisse des implementierten Prototyps zeigen, dass eine schnelle Auswertung maschineller Lernverfahren auch auf großen Datenmengen, die verschlüsselt in einer SAP HANA Datenbank gespeichert sind, möglich ist. Die Artikel zwei und drei behandeln innovative, datengetriebene Ansätze zur Bestandsplanung. Der zweite Artikel ”Machine learning for inventory management: “Analyzing two concepts to get from data to decisions” analysiert zwei Ansätze, die Konzepte des maschinellen Lernens nutzen um aus historischen Daten Bestandsentscheidungen zu lernen. Im dritten Artikel, ”Machine learning for inventory management: Analyzing two concepts to get from data to decisions”, wird ein neues Modell zur integrierten Bestandsoptimierung entwickelt und mit einem Referenzmodell verglichen, bei dem die Schätzung eines Vorhersagemodells und die Optimierung der Bestandsentscheidung separiert sind. Der wesentliche Beitrag zur Forschung ist hierbei die Erkenntnis, dass unter bestimmten Bedingungen der integrierte Ansatz klar bessere Ergebnisse liefert und so Kosten durch Unter- bzw. Überbestände deutlich gesenkt werden können. In den Artikeln vier und fünf werden neue datengetriebene Ansätze zur Kapazitätsplanung vorgestellt und umfassend analysiert. Im vierten Artikel ”Datadriven capacity management with machine learning: A new approach and a case-study for a public service office wird ein datengetriebenes Verfahren zur Kapazitätsplanung eingeführt und auf das Planungsproblem in einem Bürgeramt angewandt. Das Besondere hierbei ist, dass die spezifische Zielfunktion (maximal 20% der Kunden sollen länger als 20 Minuten warten müssen) direkt in ein maschinelles Lernverfahren integriert wird, womit dann ein Entscheidungsmodell aus historischen Daten gelernt werden kann. Hierbei wird gezeigt, dass mit dem integrierten Ansatz die Häufigkeit langer Wartezeiten bei gleichem Ressourceneinsatz deutlich reduziert werden kann. Im fünften Artikel, ”Prescriptive call center staffing”, wird ein Modell zur integrierten Kapazitätsoptimierung für ein Call Center entwickelt. Hier besteht die Innovation darin, dass die spezifische Kostenfunktion eines Call Centers in ein maschinelles Lernverfahren integriert wird. Die Ergebnisse für Daten von zwei Call Centern zeigen, dass mit dem neuentwickelten Verfahren, die Kosten im Vergleich zu dem gängigen Referenzmodell aus der Literatur deutlich gesenkt werden können.

Digitization and artificial intelligence are radically changing virtually all areas across business and society. These developments are mainly driven by the technology of machine learning (ML), which is enabled by the coming together of large amounts of training data, statistical learning theory, and sufficient computational power. This technology forms the basis for the development of new approaches to solve classical planning problems of Operations Research (OR): prescriptive analytics approaches integrate ML prediction and OR optimization into a single prescription step, so they learn from historical observations of demand and a set of features (co-variates) and provide a model that directly prescribes future decisions. These novel approaches provide enormous potential to improve planning decisions, as first case reports showed, and, consequently, constitute a new field of research in Operations Management (OM). First works in this new field of research have studied approaches to solving comparatively simple planning problems in the area of inventory management. However, common OM planning problems often have a more complex structure, and many of these complex planning problems are within the domain of capacity planning. Therefore, this dissertation focuses on developing new prescriptive analytics approaches for complex capacity management problems. This dissertation consists of three independent articles that develop new prescriptive approaches and use these to solve realistic capacity planning problems. The first article, “Prescriptive Analytics for Flexible Capacity Management”, develops two prescriptive analytics approaches, weighted sample average approximation (wSAA) and kernelized empirical risk minimization (kERM), to solve a complex two-stage capacity planning problem that has been studied extensively in the literature: a logistics service provider sorts daily incoming mail items on three service lines that must be staffed on a weekly basis. This article is the first to develop a kERM approach to solve a complex two-stage stochastic capacity planning problem with matrix-valued observations of demand and vector-valued decisions. The article develops out-of-sample performance guarantees for kERM and various kernels, and shows the universal approximation property when using a universal kernel. The results of the numerical study suggest that prescriptive analytics approaches may lead to significant improvements in performance compared to traditional two-step approaches or SAA and that their performance is more robust to variations in the exogenous cost parameters. The second article, “Prescriptive Analytics for a Multi-Shift Staffing Problem”, uses prescriptive analytics approaches to solve the (queuing-type) multi-shift staffing problem (MSSP) of an aviation maintenance provider that receives customer requests of uncertain number and at uncertain arrival times throughout each day and plans staff capacity for two shifts. This planning problem is particularly complex because the order inflow and processing are modelled as a queuing system, and the demand in each day is non-stationary. The article addresses this complexity by deriving an approximation of the MSSP that enables the planning problem to be solved using wSAA, kERM, and a novel Optimization Prediction approach. A numerical evaluation shows that wSAA leads to the best performance in this particular case. The solution method developed in this article builds a foundation for solving queuing-type planning problems using prescriptive analytics approaches, so it bridges the “worlds” of queuing theory and prescriptive analytics. The third article, “Explainable Subgradient Tree Boosting for Prescriptive Analytics in Operations Management” proposes a novel prescriptive analytics approach to solve the two capacity planning problems studied in the first and second articles that allows decision-makers to derive explanations for prescribed decisions: Subgradient Tree Boosting (STB). STB combines the machine learning method Gradient Boosting with SAA and relies on subgradients because the cost function of OR planning problems often cannot be differentiated. A comprehensive numerical analysis suggests that STB can lead to a prescription performance that is comparable to that of wSAA and kERM. The explainability of STB prescriptions is demonstrated by breaking exemplary decisions down into the impacts of individual features. The novel STB approach is an attractive choice not only because of its prescription performance, but also because of the explainability that helps decision-makers understand the causality behind the prescriptions. The results presented in these three articles demonstrate that using prescriptive analytics approaches, such as wSAA, kERM, and STB, to solve complex planning problems can lead to significantly better decisions compared to traditional approaches that neglect feature data or rely on a parametric distribution estimation. / Digitalisierung und künstliche Intelligenz führen zu enormen Veränderungen in nahezu allen Bereichen von Wirtschaft und Gesellschaft. Grundlegend für diese Veränderungen ist die Technologie des maschinellen Lernens (ML), ermöglicht durch ein Zusammenspiel großer Datenmengen, geeigneter Algorithmen und ausreichender Rechenleistung. Diese Technologie bildet die Basis für die Entwicklung neuartiger Ansätze zur Lösung klassischer Planungsprobleme des Operations Research (OR): Präskriptive Ansätze integrieren Methoden des ML und Optimierungsverfahren des OR mit dem Ziel, Lösungen für Planungsprobleme direkt aus historischen Observationen von Nachfrage und Features (erklärenden Variablen) abzuleiten. Diese neuartigen Lösungsansätze bieten ein enormes Potential zur Verbesserung von Planungsentscheidungen, wie erste numerische Analysen mit historischen Daten gezeigt haben, und begründen damit ein neues Forschungsfeld innerhalb des OR. In ersten Beiträgen zu diesem neuen Forschungsfeld wurden präskriptive Verfahren für verhältnismäßig einfache Planungsprobleme aus dem Bereich des Lagerbestandsmanagements entwickelt. Häufig weisen Planungsprobleme aber eine deutlich höhere Komplexität auf, und viele dieser komplexen Planungsprobleme gehören zum Bereich der Kapazitätsplanung. Daher ist die Entwicklung präskriptiver Ansätze zur Lösung komplexer Probleme im Kapazitätsmanagement das Ziel dieser Dissertation. In drei inhaltlich abgeschlossenen Teilen werden neuartige präskriptive Ansätze konzipiert und auf realistische Kapazitätsplanungsprobleme angewendet. Im ersten Artikel, „Prescriptive Analytics for Flexible Capacity Management”, werden zwei präskriptive Verfahren entwickelt, und zwar weighted Sample Average Approximation (wSAA) und kernelized Empirical Risk Minimization (kERM), um ein komplexes, zweistufiges stochastisches Kapazitätsplanungsproblem zu lösen: Ein Logistikdienstleister sortiert täglich eintreffende Sendungen auf drei Sortierlinien, für die die wöchentliche Mitarbeiterkapazität geplant werden muss. Dieser Artikel ist der erste Beitrag, in dem ein kERM-Verfahren zur direkten Lösung eines komplexen Planungsproblems mit matrixwertiger Nachfrage und vektorwertiger Entscheidung entwickelt, eine Obergrenze für die erwarteten Kosten für nichtlineare, kernelbasierte Funktionen abgeleitet und die Universal Approximation Property bei Nutzung spezieller Kernelfunktionen gezeigt wird. Die Ergebnisse der numerischen Studie demonstrieren, dass präskriptive Verfahren im Vergleich mit klassischen Lösungsverfahren zu signifikant besseren Entscheidungen führen können und ihre Entscheidungsqualität bei Variation der exogenen Kostenparameter deutlich robuster ist. Im zweiten Artikel, „Prescriptive Analytics for a Multi-Shift Staffing Problem”, werden wSAA und kERM auf ein Planungsproblem der klassischen Warteschlangentheorie angewendet: Ein Dienstleister erhält über den Tag verteilt Aufträge, deren Anzahl und Zeitpunkt des Eintreffens unsicher sind, und muss die Mitarbeiterkapazität für zwei Schichten planen. Dieses Planungsproblem ist komplexer als die bisher mit präskriptiven Ansätzen gelösten Probleme: Auftragseingang und Bearbeitung werden als Wartesystem modelliert und die Nachfrage innerhalb einer Schicht folgt einem nicht stationären Prozess. Diese Komplexität wird mit zwei Näherungsmethoden bewältigt, sodass das Planungsproblem mit wSAA und kERM sowie dem neu entwickelten Optimization-Prediction-Verfahren gelöst werden kann. Die in diesem Artikel entwickelte Methode legt den Grundstein zur Lösung komplexer Warteschlangenmodelle mit präskriptiven Verfahren und schafft damit eine Verbindung zwischen den „Welten“ der Warteschlangentheorie und der präskriptiven Verfahren. Im dritten Artikel, „Explainable Subgradient Tree Boosting for Prescriptive Analytics in Operations Management”, wird ein neues präskriptives Verfahren zur Lösung der Planungsprobleme der ersten beiden Artikel entwickelt, das insbesondere durch die Erklärbarkeit der Entscheidungen attraktiv ist: Subgradient Tree Boosting (STB). Es kombiniert das erfolgreiche Gradient-Boosting-Verfahren aus dem ML mit SAA und verwendet Subgradienten, da die Zielfunktion von OR-Planungsproblemen häufig nicht differenzierbar ist. Die numerische Analyse zeigt, dass STB zu einer vergleichbaren Entscheidungsqualität wie wSAA und kERM führen kann, und dass die Kapazitätsentscheidungen in Beiträge einzelner Features zerlegt und damit erklärt werden können. Das STB-Verfahren ist damit nicht nur aufgrund seiner Entscheidungsqualität attraktiv für Entscheidungsträger, sondern insbesondere auch durch die inhärente Erklärbarkeit. Die in diesen drei Artikeln präsentierten Ergebnisse zeigen, dass die Nutzung präskriptiver Verfahren, wie wSAA, kERM und STB, bei der Lösung komplexer Planungsprobleme zu deutlich besseren Ergebnissen führen kann als der Einsatz klassischer Methoden, die Feature-Daten vernachlässigen oder auf einer parametrischen Verteilungsschätzung basieren.

Der Wandel von konventionellen Antriebskonzepten hin zu Alternativen wie der Brennstoffzellentechnologie vollzieht sich in einem sehr dynamischen Umfeld. Entsprechend komplex gestaltet sich die Problemstellung, eine Fabrik zum gegenwärtigen Zeitpunkt mit langfristigem wirtschaftlichem Erfolgspotential zu dimensionieren. Im folgenden Beitrag wird ein Ansatz vorgestellt, der die Einbeziehung der Umweltsituation in den Fabrikplanungsprozess ermöglicht. Unter Anwendung des System Dynamics-Ansatzes wird ein Simulationsmodell aufgebaut, welches die Auswirkungen von Umwelteinflüssen auf die Kapazitätsdimensionierung darstellt. Dabei werden Umweltdaten aus dem öffentlichen, technologischen und wirtschaftlichen Umfeld der Brennstoffzellenfertigung erhoben. Die so erhobenen Daten dienen als Grundlage für die Bestimmung von Modellierungsparametern, welche die wesentlichen Umwelteinflüsse repräsentieren. Im anschließenden Simulationslauf wird das dynamische Zusammenspiel der Einflüsse betrachtet und mit einer monetären Bewertung untersetzt. Die aus dem Simulationsmodell gewonnenen Ergebnisse belegen, dass die weitgehende Berücksichtigung von Umweltdaten im Umfeld der Brennstoffzellenfertigung praktikabel ist und zu vorteilhafteren Planungsergebnissen beitragen kann. / The shift from conventional drive concepts to alternatives such as fuel cell technology is taking place in a very dynamic environment. The problem of dimensioning a factory with long-term economic success potential is correspondingly complex. In the following paper an approach is presented which allows the inclusion of environmental factors into the factory planning process. Using the System Dynamics approach, a simulation model is built which represents the effects of environmental influences on capacity dimensioning. Environmental data from the public, technological and economic environment of fuel cell manufacturing are collected. The collected data serves as a basis for the determination of modeling parameters, which represents the main environmental influences. In the subsequent simulation run, the dynamic interaction of the influences is considered and underpinned with a monetary evaluation. The results obtained from the simulation model prove that the extensive consideration of environmental data in the environment of fuel cell production is practicable and can contribute to more advantageous planning results.

Aktuelle Entwicklungen führen zu komplexeren Produktionssystemen, insbesondere in der variantenreichen Serienfertigung. Als Folge bestehen erhebliche Herausforderungen darin, die technische Kapazität mit strategischem Zeithorizont effizient, transparent und flexibel zu planen. Da zahlreiche Abhängigkeiten berücksichtigt werden müssen, ist in der Praxis festzustellen, dass sich Vollständigkeit und Verständlichkeit der Modelle ausschließen. Zur Lösung dieses Zielkonflikts wird ein softwaregestützter Workflow vorgeschlagen, welcher in der neu entwickelten Software AURELIE realisiert wurde. Der Workflow basiert auf der grafischen Modellierung eines geplanten Systems von Wertströmen, der automatischen Validierung und Transformation des grafischen Modells und der automatischen Optimierung des resultierenden mathematischen Modells. Den Ausgangspunkt bildet ein grafisches Modell, das nicht nur verständlich ist, sondern auch das System in seiner Komplexität vollständig widerspiegelt. Aus Sicht der Forschung liegt der wesentliche Beitrag neben einer formalen Systembeschreibung und dem Aufzeigen der Forschungslücke in der Entwicklung der notwendigen Modelle und Algorithmen. Der Neuheitsgrad ist durch den ganzheitlichen Lösungsansatz gegeben, dessen Umsetzbarkeit durch die Software AURELIE belegt wird. Aus Sicht der Praxis werden die Effizienz, Transparenz und Flexibilität im Planungsprozess signifikant gesteigert. Dies wird durch die weltweite Einführung der Software AURELIE an den Standorten der Bosch Rexroth AG bestätigt.:Vorwort Referat Abbildungsverzeichnis Tabellenverzeichnis Algorithmenverzeichnis 1 Einführung 1.1 Ausgangssituation: Potenziale in der Planung 1.2 Problembeschreibung und Einordnung der Dissertation 1.3 Lösungsansatz: softwaregestützter Workflow 1.4 Forschungsfragen und Aufbau der Arbeit 2 Lösungsvorbereitung: Systemanalyse 2.1 Kontext: strategische Planung technischer Kapazität in der Serienfertigung 2.2 Systemstruktur: rekursive Zusammensetzung von Wertströmen 2.2.1 Prozessschritte, Stückzahlverteilung und Verknüpfungstypen 2.2.2 Prozesse und Wertströme 2.3 Systemschnittstelle: Funktionen der Eingaben und Ausgaben 2.3.1 Materialfluss: Bereitstellung von Komponenten für Produkte 2.3.2 Informationsfluss: Planung der Produktion 2.4 Grundlagen der Kalkulation: einfacher Fall eines Prozessschritts 2.4.1 Taktzeiten, Nutzungsgrad und Betriebsmittelzeit 2.4.2 Kapazität, Auslastung und Investitionen 2.5 Erweiterung der Kalkulation: allgemeiner Fall verknüpfter Prozessschritte 2.5.1 Sequenzielle Verknüpfung Beispiel SQ1 Beispiel SQ2 Beispiel SQ3 2.5.2 Alternative Verknüpfung Beispiel AL1 Beispiel AL2 Beispiel AL3 2.5.3 Selektive Verknüpfung Beispiel SL1 Beispiel SL2 2.6 Anforderungen in Bezug auf die Modellierung und die Optimierung 2.6.1 Kategorisierung möglicher Anforderungen 2.6.2 Formulierung der essenziellen Anforderungen 3 Stand der Technik 3.1 Auswahl zu evaluierender Softwaretypen 3.2 Software zur Erstellung von Tabellenkalkulationen 3.2.1 Beispiel: Microsoft Excel 3.2.2 Erfüllungsgrad der Anforderungen 3.3 Software zur Materialflusssimulation 3.3.1 Beispiel: Siemens Plant Simulation 3.3.2 Erfüllungsgrad der Anforderungen 3.4 Software für Supply Chain Management 3.4.1 Beispiel: SAP APO Supply Network Planning 3.4.2 Erfüllungsgrad der Anforderungen 3.5 Software zur Prozessmodellierung 3.5.1 Beispiel: BPMN mit idealem Interpreter und Optimierer 3.5.2 Erfüllungsgrad der Anforderungen 3.6 Fazit: Bedarf nach einer neuen Entwicklung 4 Lösungsschritt I: grafische Modellierung und Modelltransformation 4.1 Kurzeinführung: Graphentheorie und Komplexität 4.1.1 Graphentheorie 4.1.2 Komplexität von Algorithmen 4.2 Modellierung eines Systems durch Wertstromgraphen 4.2.1 Grafische Modellstruktur: Knoten und Kanten 4.2.2 Modellelemente: Quellen, Senken, Ressourcen und Flusspunkte 4.3 Validierung eines grafischen Modells 4.3.1 Ziel, Grundidee und Datenstrukturen 4.3.2 Beschreibung der Algorithmen 4.3.3 Beweis der Zeitkomplexität 4.4 Transformation eines grafischen Modells in ein mathematisches Modell 4.4.1 Mathematische Modellstruktur: Matrizen und Folgen 4.4.2 Ziel, Grundidee und Datenstrukturen 4.4.3 Beschreibung der Algorithmen 4.4.4 Beweis der Zeitkomplexität 4.5 Umsetzung in der Software AURELIE 4.5.1 Funktionsübersicht und Benutzerführung 4.5.2 Erfüllungsgrad der Anforderungen 4.6 Fazit: Erreichen des vorgegebenen Entwicklungsziels 5 Lösungsschritt II: mathematische Optimierung 5.1 Kurzeinführung: lineare Optimierung und Korrektheit 5.1.1 Lineare Optimierung 5.1.2 Korrektheit von Algorithmen 5.2 Maximierung der Kapazitäten 5.2.1 Ziel, Grundidee und Datenstrukturen 5.2.2 Beschreibung des Algorithmus 5.2.3 Beweis der Korrektheit und Zeitkomplexität 5.3 Minimierung der Investitionen 5.3.1 Ziel, Grundidee und Datenstrukturen 5.3.2 Beschreibung des Algorithmus 5.3.3 Beweis der Korrektheit und Zeitkomplexität 5.4 Optimierung der Auslastung 5.4.1 Ziel, Grundidee und Datenstrukturen 5.4.2 Beschreibung des Algorithmus 5.4.3 Beweis der Korrektheit und Zeitkomplexität 5.5 Umsetzung in der Software AURELIE 5.5.1 Funktionsübersicht und Benutzerführung 5.5.2 Erfüllungsgrad der Anforderungen 5.5.3 Wesentliche Erweiterungen 5.5.4 Validierung der Optimierungsergebnisse 5.6 Fazit: Erreichen des vorgegebenen Entwicklungsziels 6 Schluss 6.1 Zusammenfassung der Ergebnisse 6.2 Implikationen für Forschung und planerische Praxis 6.3 Ausblick: mögliche Weiterentwicklungen A Technische Dokumentation A.1 Algorithmen, Teil I: grafische Modellierung und Modelltransformation A.1.1 Nichtrekursive Breitensuche von Knoten in einem Graphen A.1.2 Rekursive Breitensuche von Knoten in einem Graphen A.1.3 Nichtrekursive Tiefensuche von Knoten in einem Graphen A.1.4 Rekursive Tiefensuche von Knoten in einem Graphen A.1.5 Traversierung der Kanten eines grafischen Modells A.1.6 Validierung eines grafischen Modells A.1.7 Traversierung der Knoten eines grafischen Modells A.1.8 Transformation eines grafischen Modells A.2 Algorithmen, Teil II: mathematische Optimierung A.2.1 Minimierung einer allgemeinen linearen Zielfunktion A.2.2 Maximierung der technischen Kapazitäten A.2.3 Minimierung der Überlastung (Komponenten größer als eins) A.2.4 Optimierung der Auslastung (alle Komponenten) Abkürzungsverzeichnis Symbolverzeichnis Index Literaturverzeichnis / Recent developments lead to increasingly complex production systems, especially in the case of series production with a great number of variants. As a result, considerable challenges exist in planning the technical capacity with strategic time horizon efficiently, transparently and flexibly. Since numerous interdependencies must be considered, it can be observed in practice that completeness and understandability of the models are mutually exclusive. To solve this conflict of objectives, a software-based workflow is proposed, which was implemented in the newly developed software AURELIE. The workflow relies on the graphical modeling of a planned system of value streams, the automated validation and transformation of the graphical model and the automated optimization of the resulting mathematical model. The starting point is a graphical model, which is not only understandable, but also reflects the system completely with respect to its complexity. From a research perspective, the essential contribution, besides a formal system description and the identification of the research gap, lies in the development of the required models and algorithms. The degree of novelty is given by the holistic solution approach, which is proven feasible by the software AURELIE. From a practical perspective, efficiency, transparency and flexibility in the planning process are significantly increased. This is confirmed by the worldwide implementation of the software AURELIE at the locations of Bosch Rexroth AG.:Vorwort Referat Abbildungsverzeichnis Tabellenverzeichnis Algorithmenverzeichnis 1 Einführung 1.1 Ausgangssituation: Potenziale in der Planung 1.2 Problembeschreibung und Einordnung der Dissertation 1.3 Lösungsansatz: softwaregestützter Workflow 1.4 Forschungsfragen und Aufbau der Arbeit 2 Lösungsvorbereitung: Systemanalyse 2.1 Kontext: strategische Planung technischer Kapazität in der Serienfertigung 2.2 Systemstruktur: rekursive Zusammensetzung von Wertströmen 2.2.1 Prozessschritte, Stückzahlverteilung und Verknüpfungstypen 2.2.2 Prozesse und Wertströme 2.3 Systemschnittstelle: Funktionen der Eingaben und Ausgaben 2.3.1 Materialfluss: Bereitstellung von Komponenten für Produkte 2.3.2 Informationsfluss: Planung der Produktion 2.4 Grundlagen der Kalkulation: einfacher Fall eines Prozessschritts 2.4.1 Taktzeiten, Nutzungsgrad und Betriebsmittelzeit 2.4.2 Kapazität, Auslastung und Investitionen 2.5 Erweiterung der Kalkulation: allgemeiner Fall verknüpfter Prozessschritte 2.5.1 Sequenzielle Verknüpfung Beispiel SQ1 Beispiel SQ2 Beispiel SQ3 2.5.2 Alternative Verknüpfung Beispiel AL1 Beispiel AL2 Beispiel AL3 2.5.3 Selektive Verknüpfung Beispiel SL1 Beispiel SL2 2.6 Anforderungen in Bezug auf die Modellierung und die Optimierung 2.6.1 Kategorisierung möglicher Anforderungen 2.6.2 Formulierung der essenziellen Anforderungen 3 Stand der Technik 3.1 Auswahl zu evaluierender Softwaretypen 3.2 Software zur Erstellung von Tabellenkalkulationen 3.2.1 Beispiel: Microsoft Excel 3.2.2 Erfüllungsgrad der Anforderungen 3.3 Software zur Materialflusssimulation 3.3.1 Beispiel: Siemens Plant Simulation 3.3.2 Erfüllungsgrad der Anforderungen 3.4 Software für Supply Chain Management 3.4.1 Beispiel: SAP APO Supply Network Planning 3.4.2 Erfüllungsgrad der Anforderungen 3.5 Software zur Prozessmodellierung 3.5.1 Beispiel: BPMN mit idealem Interpreter und Optimierer 3.5.2 Erfüllungsgrad der Anforderungen 3.6 Fazit: Bedarf nach einer neuen Entwicklung 4 Lösungsschritt I: grafische Modellierung und Modelltransformation 4.1 Kurzeinführung: Graphentheorie und Komplexität 4.1.1 Graphentheorie 4.1.2 Komplexität von Algorithmen 4.2 Modellierung eines Systems durch Wertstromgraphen 4.2.1 Grafische Modellstruktur: Knoten und Kanten 4.2.2 Modellelemente: Quellen, Senken, Ressourcen und Flusspunkte 4.3 Validierung eines grafischen Modells 4.3.1 Ziel, Grundidee und Datenstrukturen 4.3.2 Beschreibung der Algorithmen 4.3.3 Beweis der Zeitkomplexität 4.4 Transformation eines grafischen Modells in ein mathematisches Modell 4.4.1 Mathematische Modellstruktur: Matrizen und Folgen 4.4.2 Ziel, Grundidee und Datenstrukturen 4.4.3 Beschreibung der Algorithmen 4.4.4 Beweis der Zeitkomplexität 4.5 Umsetzung in der Software AURELIE 4.5.1 Funktionsübersicht und Benutzerführung 4.5.2 Erfüllungsgrad der Anforderungen 4.6 Fazit: Erreichen des vorgegebenen Entwicklungsziels 5 Lösungsschritt II: mathematische Optimierung 5.1 Kurzeinführung: lineare Optimierung und Korrektheit 5.1.1 Lineare Optimierung 5.1.2 Korrektheit von Algorithmen 5.2 Maximierung der Kapazitäten 5.2.1 Ziel, Grundidee und Datenstrukturen 5.2.2 Beschreibung des Algorithmus 5.2.3 Beweis der Korrektheit und Zeitkomplexität 5.3 Minimierung der Investitionen 5.3.1 Ziel, Grundidee und Datenstrukturen 5.3.2 Beschreibung des Algorithmus 5.3.3 Beweis der Korrektheit und Zeitkomplexität 5.4 Optimierung der Auslastung 5.4.1 Ziel, Grundidee und Datenstrukturen 5.4.2 Beschreibung des Algorithmus 5.4.3 Beweis der Korrektheit und Zeitkomplexität 5.5 Umsetzung in der Software AURELIE 5.5.1 Funktionsübersicht und Benutzerführung 5.5.2 Erfüllungsgrad der Anforderungen 5.5.3 Wesentliche Erweiterungen 5.5.4 Validierung der Optimierungsergebnisse 5.6 Fazit: Erreichen des vorgegebenen Entwicklungsziels 6 Schluss 6.1 Zusammenfassung der Ergebnisse 6.2 Implikationen für Forschung und planerische Praxis 6.3 Ausblick: mögliche Weiterentwicklungen A Technische Dokumentation A.1 Algorithmen, Teil I: grafische Modellierung und Modelltransformation A.1.1 Nichtrekursive Breitensuche von Knoten in einem Graphen A.1.2 Rekursive Breitensuche von Knoten in einem Graphen A.1.3 Nichtrekursive Tiefensuche von Knoten in einem Graphen A.1.4 Rekursive Tiefensuche von Knoten in einem Graphen A.1.5 Traversierung der Kanten eines grafischen Modells A.1.6 Validierung eines grafischen Modells A.1.7 Traversierung der Knoten eines grafischen Modells A.1.8 Transformation eines grafischen Modells A.2 Algorithmen, Teil II: mathematische Optimierung A.2.1 Minimierung einer allgemeinen linearen Zielfunktion A.2.2 Maximierung der technischen Kapazitäten A.2.3 Minimierung der Überlastung (Komponenten größer als eins) A.2.4 Optimierung der Auslastung (alle Komponenten) Abkürzungsverzeichnis Symbolverzeichnis Index Literaturverzeichnis

Deutlich ansteigende interkontinentale Handelsbeziehungen bilden die wesentliche Grundlage das Wachstum der Containerschifffahrt. Die Schnittstelle der Containerschifffahrt zu den landgebundenen Verkehrsträgern bilden Containerterminals. Deren Entwicklung muss im Zusammenhang mit der Containerschifffahrt gesehen werden. Die Entwicklung des Containerschifffahrtsmarktes wird sich auch in Zukunft weiter dynamisch fortsetzen. Prognosen zur Umschlagsentwicklung sind für die Containerterminals von besonderem Interesse, da die Containerterminals bestrebt sind, genügend Kapazitäten bereitzustellen. Im Umfeld eines Containerterminals sowie in ihnen selbst können diverse Kapazitätsengpässe entstehen. In vielen Fällen ist dringender Handlungsbedarf hinsichtlich der Beseitigung von potenziellen Engpässen gegeben. Eine Option stellt dabei der Neubau von Containerterminals dar. Der Hafenbau wird in dichtbesiedelten Räumen zunehmend schwieriger und teurer. Die aus heutiger Sicht zur Verfügung stehenden Flächen werden langfristig nicht ausreichen, um das Umschlagsaufkommen der Zukunft zu bewältigen. Deswegen kann die Errichtung von herkömmlichen Containerterminals langfristig nicht als ausschließliche Option zur Beseitigung von Umschlagsengpässen angesehen werden. Das Konzept eines Offshore-Containerterminals (OCT) stellt einen alternativen Ansatz dar, der zukünftige Engpässe vermeidet oder ihre Auswirkungen mindert. Ziel des Konzepts ist die Verlagerung von Transshipments von den herkömmlichen Containerterminals auf einen OCT. Dieses Konzept wird auf seine wirtschaftliche Tragfähigkeit untersucht. Letzlich stellt das Konzept des OCTs als Transshipment-Hub eine Möglichkeit dar, die unter heutigen Verhältnissen zwar unrentabel erscheint, unter zukünftigem Expansionsdruck und Kostensteigerungen bei der Erschließung neuer Terminalflächen jedoch als Konzept ökonomisch konkurrenzfähig sein kann und eventuell ohne Alternative ist.

Deutlich ansteigende interkontinentale Handelsbeziehungen bilden die wesentliche Grundlage das Wachstum der Containerschifffahrt. Die Schnittstelle der Containerschifffahrt zu den landgebundenen Verkehrsträgern bilden Containerterminals. Deren Entwicklung muss im Zusammenhang mit der Containerschifffahrt gesehen werden. Die Entwicklung des Containerschifffahrtsmarktes wird sich auch in Zukunft weiter dynamisch fortsetzen. Prognosen zur Umschlagsentwicklung sind für die Containerterminals von besonderem Interesse, da die Containerterminals bestrebt sind, genügend Kapazitäten bereitzustellen. Im Umfeld eines Containerterminals sowie in ihnen selbst können diverse Kapazitätsengpässe entstehen. In vielen Fällen ist dringender Handlungsbedarf hinsichtlich der Beseitigung von potenziellen Engpässen gegeben. Eine Option stellt dabei der Neubau von Containerterminals dar. Der Hafenbau wird in dichtbesiedelten Räumen zunehmend schwieriger und teurer. Die aus heutiger Sicht zur Verfügung stehenden Flächen werden langfristig nicht ausreichen, um das Umschlagsaufkommen der Zukunft zu bewältigen. Deswegen kann die Errichtung von herkömmlichen Containerterminals langfristig nicht als ausschließliche Option zur Beseitigung von Umschlagsengpässen angesehen werden. Das Konzept eines Offshore-Containerterminals (OCT) stellt einen alternativen Ansatz dar, der zukünftige Engpässe vermeidet oder ihre Auswirkungen mindert. Ziel des Konzepts ist die Verlagerung von Transshipments von den herkömmlichen Containerterminals auf einen OCT. Dieses Konzept wird auf seine wirtschaftliche Tragfähigkeit untersucht. Letzlich stellt das Konzept des OCTs als Transshipment-Hub eine Möglichkeit dar, die unter heutigen Verhältnissen zwar unrentabel erscheint, unter zukünftigem Expansionsdruck und Kostensteigerungen bei der Erschließung neuer Terminalflächen jedoch als Konzept ökonomisch konkurrenzfähig sein kann und eventuell ohne Alternative ist.

Die verkehrliche Kapazitätsplanung ist für ÖPNV-Unternehmen ein wichtiger Geschäftsprozess. Die Planungsergebnisse entscheiden maßgeblich über den Einsatz kostenträchtiger Ressourcen und über den Erfolg der ÖPNV-Dienstleistung am Verkehrsmarkt. Trotz dieser Bedeutung beschränkt sich die Planung bisher noch weitgehend auf die Umsetzung von Aufgabenträgervorgaben und vernachlässigt ergänzende Anforderungen der Kunden und Unternehmen. Die vorliegende Arbeit ermittelt die Anforderungen aller relevanten Anspruchsgruppen und benennt Umsetzungsdefizite der heutigen Planungspraxis. Diese Defizite bilden die Grundlage für die Entwicklung einer neuen, anforderungsorientierten Planungsmethodik. Für diese Methodik wird die Qualität des Platzangebotes aus der Perspektive der Kunden definiert und ermittelt. Aus Kundensicht stellt dabei eine uneingeschränkte Sitzplatzverfügbarkeit das höchste Qualitätsniveau dar, während die zulässige Mindestqualität von der kundenseitigen Akzeptanzgrenze für Qualitätsverluste durch Sitzplatzmangel bestimmt wird. Unter Anwendung anerkannter Regeln der Risikobewertung werden zur Bestimmung dieser Qualitätsverluste die Risikoparameter ‚Stehdichte‘, ‚Stehdauer‘ und ‚Stehplatzwahrscheinlichkeit‘ für sämtliche Linienabschnitte und alle Kundenfahrten einer Fahrplanfahrt ermittelt. Dies geschieht auf der Grundlage realisierter Fahrten in Form von haltestellenbasierten Quelle/Ziel-Matrizen. Dem dynamischen Charakter der Risikoparameter im Fahrtverlauf folgend zeigen die Rechenergebnisse stark variierende Qualitätsverluste und liefern so ein transparentes Bild der von den Kunden erlebten Platzqualität. Damit ermöglichen sie die Ermittlung spezifischer Qualitätsniveaus für jede Quelle/Ziel-Gruppe der Matrix und, sofern im elektronischen Fahrgeldmanagementsystem eine Zuordnung von Fahrten zu Kunden erfolgt, auch für unterschiedliche Marktsegmente. Aus den detaillierten Ergebnissen lassen sich zielgerichtete Angebotsmaßnahmen ableiten, deren Realisierung eine bessere Erfüllung der Anforderungen der relevanten Anspruchsgruppen verspricht und Ansätze für ein stärker marktorientiertes Vorgehen bei der Angebotsgestaltung liefert.:Abbildungsverzeichnis VI Verzeichnis der Abkürzungen und Glossar XI Verzeichnis der Formelzeichen und Symbole XIII 1. Einleitung, Zielsetzung und Aufbau der Arbeit 1 2. Status Quo der verkehrlichen Kapazitätsplanung im ÖPNV 5 2.1. Verkehrliche und betriebliche Kapazitätsplanung 5 2.2. Ziele der verkehrlichen Kapazitätsplanung 7 2.3. Ermittlung der Platznachfrage 7 2.3.1. Manuelle Zählungen 8 2.3.2. Automatische Zählungen 9 2.3.3. Auswertung von Vertriebsdaten 9 2.3.4. Fahrgastbefragungen 10 2.3.5. Sonstige Erhebungsmethoden 10 2.4. Ergebnisse der Nachfrageerhebung 10 2.4.1. Verteilung und Schwankungen der Platznachfrage im Netz 10 2.4.2. Stochastische Nachfrageschwankungen 14 2.5. Einfluss der Erhebungsmethoden auf die Durchführung des Planungsprozesses 16 2.6. Ermittlung des Platzangebotes 17 2.6.1. Platzangebotes eines Fahrzeugs 18 2.6.2. Sitzplätze eines Fahrzeugs 18 2.6.3. Stehplätze eines Fahrzeugs 19 2.6.3.1. Ermittlung der Stehplatzfläche eines Fahrzeugs 19 2.6.3.2. Ermittlung der zulässigen Stehdichte im Fahrzeug 19 2.6.4. Sitzplatzanteil eines Fahrzeugs 21 2.6.5. Platzangebot eines Zeitintervalls 23 2.6.6. Vergleich von Platzangebot und Platznachfrage für ein Zeitintervall 24 2.7. Berücksichtigung von Schwankungen der Nachfrage 25 2.8. Begrenzung der Stehdauer der Fahrgäste 28 2.9. Prüfung der Ergebnisse und Anpassung des Platzangebotes 29 2.10. Auswirkung qualitätsbezogener Festlegungen auf das Planungsergebnis 30 2.11. Praxis der verkehrlichen Kapazitätsplanung in Verkehrsunternehmen 34 3. Anforderungen an die verkehrliche Kapazitätsplanung im ÖPNV 39 3.1. Bestimmung der Anspruchsgruppen 39 3.2. Struktur des Planungsprozesses 40 3.3. Anforderungen der Kunden 45 3.3.1. Anforderungen aus der Wahrnehmung von Dienstleistungsqualität 45 3.3.1.1. Anforderungen aus der Diskonfirmationstheorie 46 3.3.1.2. Anforderungen aus der Bildung von Erwartungen 47 3.3.1.3. Anforderungen aus der Wahrnehmung der Leistung 50 3.3.1.4. Anforderungen aus der Einteilung in Zufriedenheitsfaktoren 51 3.3.1.5. Anforderungen aus Einflüssen auf die Kundenzufriedenheit 53 3.3.1.5.1. Assimilations-Kontrast-Theorie 54 3.3.1.5.2. Attributionstheorie 54 3.3.1.5.3. Gerechtigkeitstheorie 55 3.3.1.5.4. Theorie des wahrgenommenen Risikos 56 3.3.1.5.5. Sitzplatz- und Stehflächenmangel als funktionales Risiko 58 3.3.2. Anforderungen der Kunden aus Kundenbefragungen 63 3.3.2.1. Befragungen zur Bevorzugung von Sitzplätzen 64 3.3.2.2. Untersuchungen zur Akzeptanz von Stehdichte 69 3.3.2.3. Untersuchungen zur Akzeptanz von Stehdauer 73 3.3.2.4. Untersuchungen zum Zusammenhang zwischen Stehdichte und Stehdauer 79 3.4. Anforderungen des Unternehmens 82 3.4.1. Anforderungen aus dem Leistungsaustausch am Markt 83 3.4.2. Anforderungen aus den Besonderheiten von Dienstleistungen 88 3.4.2.1. Anforderungen aus der Immaterialität/Intangibilität von Dienstleistungen 89 3.4.2.2. Anforderungen aus der Nichtlagerbarkeit/Nichttransportfähigkeit von Dienstleistungen 90 3.4.2.3. Anforderungen aus der Integration des externen Faktors von Dienstleistungen 90 3.4.2.4. Anforderungen aus der Heterogenität/Individualität von Dienstleistungen 92 3.4.2.5. Zusammenfassung der Anforderungen aus den Besonderheiten von Dienstleistungen 92 3.4.3. Anforderungen aus den Unternehmenszielen 93 3.4.3.1. Anforderungen aus den Marketingstrategien des Unternehmens 96 3.4.3.1.1. Anforderungen aus der Marktfeldstrategie 98 3.4.3.1.2. Anforderungen aus der Marktsegmentierungsstrategie 99 3.4.3.1.3. Anforderungen aus der auf die Abnehmer gerichteten Strategie 103 3.4.4. Anforderungen aus den Modellen der Dienstleistungsqualität 105 3.4.4.1. Anforderungen aus dem GAP-Modell 107 3.4.4.2. Anforderungen aus dem Dienstleistungsqualitätsmodell von Grönroos 110 3.4.4.3. Anforderungen aus dem Dienstleistungsqualitätsmodell von Meyer/Mattmüller 111 3.4.4.4. Anforderungen aus dem Dynamischen Prozessmodell von Boulding/Kalra/Staelin/Zeithaml 112 3.4.4.5. Anforderungen aus dem Beziehungs-Qualitätsmodell von Liljander/Strandvik 113 3.4.4.6. Anforderungen aus dem Qualitativen Zufriedenheitsmodell von Stauss/Neuhaus 115 3.4.5. Anforderungen aus dem operativen Qualitätsmanagement 115 3.4.5.1. Anforderungen aus der Qualitätsplanung 116 3.4.5.2. Anforderungen aus der Qualitätslenkung 117 3.4.5.3. Anforderungen aus der Qualitätsprüfung 118 3.4.5.4. Anforderungen der DIN EN 13816 2002 zur Messung der Dienstleistungsqualität 122 3.4.5.5. Anforderungen aus der Qualitätsmanagementdarlegung 126 3.4.6. Anforderungen aus dem Prozessmanagement 127 3.4.7. Anforderungen an die Erbringung von Kompatibilitätsnachweisen 129 3.5. Anforderungen des Aufgabenträgers 129 3.6. Defizite bei der Erfüllung von Anforderungen durch den Status quo der verkehrlichen Kapazitätsplanung 132 4. Differenzierungsmodell für eine anforderungsorientierte verkehrliche Kapazitätsplanung im ÖPNV 138 4.1. Entwicklungslinien einer anforderungsorientierten Kapazitätsplanung 138 4.2. Entwicklungsschritte des Differenzierungsmodells 140 4.2.1. Stärkung der Nachfrageorientierung 140 4.2.2. Stärkung der Qualitätsorientierung 141 4.2.3. Stärkung der Marktorientierung 143 4.2.4. Stärkung der Kostenorientierung 144 4.3. Methodische Verbesserung der Prozesselemente 145 4.3.1. Arbeitsgrundlagen des Planungsprozesses 146 4.3.2. Prozesselement Planungsvorgaben 146 4.3.3. Prozesselement Nachfrage 146 4.3.4. Prozesselement Angebot 148 4.3.5. Prozesselement Messverfahren 148 4.3.5.1. Definition der zu messenden Platzqualität 150 4.3.5.2. Erläuterungen zur Messung der Platzqualität 152 4.3.5.3. Messung der Risikoparameter für Platzqualität 155 4.3.5.4. Ermittlung der Qualitätsverluste und der Platzqualität 158 4.3.5.5. Variation des Qualitätsziels im Hinblick auf Marktsegmente 162 4.3.6. Prozesselement Ermittlung der Planungsergebnisse 165 4.3.6.1. Ermittlung qualitätsbezogener Kennzahlen 165 4.3.6.2. Ermittlung von Kennzahlen zu Ressourceneinsatz, Betriebsleistung und Kosten 166 4.3.7. Prozesselement Prüfung 166 4.3.7.1. Prüfung der Konformität mit den Unternehmenszielen 167 4.3.7.2. Prüfung der Konformität mit Anforderungen des Aufgabenträgers 167 4.3.8. Prozesselement Veränderung 169 5. Anwendung des Differenzierungsmodells 171 5.1. Gestaltung des Anwendungsbeispiels 171 5.1.1. Festlegungen zur Infrastruktur 171 5.1.2. Festlegungen zum Fahrbetrieb 172 5.1.3. Festlegungen zum Platzangebot 173 5.1.4. Festlegungen zur Platznachfrage 173 5.1.5 Festlegungen zur Platzqualität 174 5.2. Ergebnisse der anwendungsorientierten Planung 175 5.2.1. Standardergebnisse 175 5.2.2. Relevante Einflüsse 182 5.2.2.1. Bemessungsnachfrage 182 5.2.2.2. Platzangebot 183 5.2.2.3. Taktverdichtung 184 5.2.2.4. Qualitätsziel 186 5.2.2.5. Sitzplatzanteil des Fahrzeugs 187 5.2.2.6. Beförderungsgeschwindigkeit 187 5.2.2.7. Fahrgastwechsel 188 5.2.3. Anforderungsorientierung 189 5.2.3.1. Verbesserung der Nachfrageorientierung 190 5.2.3.2. Stärkung der Qualitätsorientierung 190 5.2.3.3. Implementierung der Marktorientierung 191 5.2.3.4. Stärkung der Kostenorientierung 192 6. Fazit und Ausblick 195 Quellenverzeichnis 199 Verzeichnis der Anhänge 208 Anhang A: Befragung größerer Verkehrsunternehmen zur Praxis der verkehrliche Kapazitätsplanung im schienengebundenen ÖPNV 208 Anhang B: Befragung der Fahrgäste zum Sitzplatzwunsch und zur Fahrtdauer 211 Anhang C: Befragung der U-Bahn-Fahrgäste zum Sitzplatzbedarf im Zusammenhang mit der Beschäftigung während der Fahrt sowie mit dem Alter und dem Geschlecht 214 Anhang D: Befragung der U-Bahn-Fahrgäste zur akzeptierten Stehdauer im Zusammenhang mit der Stehplatzdichte sowie mit dem Alter und dem Geschlecht 216 Anhang E: Befragung der U-Bahn-Fahrgäste der Linie U3 zum Sitzplatzwunsch und zur akzeptierten Stehdauer im Zusammenhang mit der während der Befragung vorgefundenen Stehplatzdichte 217 / Transport related capacity planning constitutes an important business process for public transport companies. Respective results have a crucial impact on the allocation of costly resources and on public transport services. Despite this significance, planning is mostly limited to implementing standards put forth by authorities thereby neglecting to address complementary customer and corporate needs. The paper determines relevant stakeholder requirements and depicts implementation deficits of current planning methods. Furthermore, these deficiencies allow for laying the foundation to develop a new requirement based planning methodology. Against this backdrop the quality of available space from a customer perspective is defined and derived. Moreover, from the aforementioned perspective the ample provision of available space is brought to focus while bearing a minimal customer based quality threshold - determined by loss of seating capacity - in mind. By applying all renowned standards pertaining to risk assessment relevant parameters such as standing density, - duration and -probability are determined for all customer related trips of a schedule. The aforementioned approach is based on realized trips in relation to an underlying stop-oriented origin-destination-matrix. Following dynamic characteristics of risk parameters en route the calculation results depict a stark variation in outcome as to loss of quality. Hence, a vivid picture attributed to customer`s perceived seating quality emerges. In so far as an electronic fare management system is in place specific quality levels with regard to an underlying origin-destination-matrix based on assigned customer trips can be derived while also taking various market segments into consideration. Emphasis is laid upon a market-oriented approach bringing to focus enhanced services. Moreover, detailed results allow for deriving concise measures, which in turn improve compliance pertaining to relevant stakeholder requirements.:Abbildungsverzeichnis VI Verzeichnis der Abkürzungen und Glossar XI Verzeichnis der Formelzeichen und Symbole XIII 1. Einleitung, Zielsetzung und Aufbau der Arbeit 1 2. Status Quo der verkehrlichen Kapazitätsplanung im ÖPNV 5 2.1. Verkehrliche und betriebliche Kapazitätsplanung 5 2.2. Ziele der verkehrlichen Kapazitätsplanung 7 2.3. Ermittlung der Platznachfrage 7 2.3.1. Manuelle Zählungen 8 2.3.2. Automatische Zählungen 9 2.3.3. Auswertung von Vertriebsdaten 9 2.3.4. Fahrgastbefragungen 10 2.3.5. Sonstige Erhebungsmethoden 10 2.4. Ergebnisse der Nachfrageerhebung 10 2.4.1. Verteilung und Schwankungen der Platznachfrage im Netz 10 2.4.2. Stochastische Nachfrageschwankungen 14 2.5. Einfluss der Erhebungsmethoden auf die Durchführung des Planungsprozesses 16 2.6. Ermittlung des Platzangebotes 17 2.6.1. Platzangebotes eines Fahrzeugs 18 2.6.2. Sitzplätze eines Fahrzeugs 18 2.6.3. Stehplätze eines Fahrzeugs 19 2.6.3.1. Ermittlung der Stehplatzfläche eines Fahrzeugs 19 2.6.3.2. Ermittlung der zulässigen Stehdichte im Fahrzeug 19 2.6.4. Sitzplatzanteil eines Fahrzeugs 21 2.6.5. Platzangebot eines Zeitintervalls 23 2.6.6. Vergleich von Platzangebot und Platznachfrage für ein Zeitintervall 24 2.7. Berücksichtigung von Schwankungen der Nachfrage 25 2.8. Begrenzung der Stehdauer der Fahrgäste 28 2.9. Prüfung der Ergebnisse und Anpassung des Platzangebotes 29 2.10. Auswirkung qualitätsbezogener Festlegungen auf das Planungsergebnis 30 2.11. Praxis der verkehrlichen Kapazitätsplanung in Verkehrsunternehmen 34 3. Anforderungen an die verkehrliche Kapazitätsplanung im ÖPNV 39 3.1. Bestimmung der Anspruchsgruppen 39 3.2. Struktur des Planungsprozesses 40 3.3. Anforderungen der Kunden 45 3.3.1. Anforderungen aus der Wahrnehmung von Dienstleistungsqualität 45 3.3.1.1. Anforderungen aus der Diskonfirmationstheorie 46 3.3.1.2. Anforderungen aus der Bildung von Erwartungen 47 3.3.1.3. Anforderungen aus der Wahrnehmung der Leistung 50 3.3.1.4. Anforderungen aus der Einteilung in Zufriedenheitsfaktoren 51 3.3.1.5. Anforderungen aus Einflüssen auf die Kundenzufriedenheit 53 3.3.1.5.1. Assimilations-Kontrast-Theorie 54 3.3.1.5.2. Attributionstheorie 54 3.3.1.5.3. Gerechtigkeitstheorie 55 3.3.1.5.4. Theorie des wahrgenommenen Risikos 56 3.3.1.5.5. Sitzplatz- und Stehflächenmangel als funktionales Risiko 58 3.3.2. Anforderungen der Kunden aus Kundenbefragungen 63 3.3.2.1. Befragungen zur Bevorzugung von Sitzplätzen 64 3.3.2.2. Untersuchungen zur Akzeptanz von Stehdichte 69 3.3.2.3. Untersuchungen zur Akzeptanz von Stehdauer 73 3.3.2.4. Untersuchungen zum Zusammenhang zwischen Stehdichte und Stehdauer 79 3.4. Anforderungen des Unternehmens 82 3.4.1. Anforderungen aus dem Leistungsaustausch am Markt 83 3.4.2. Anforderungen aus den Besonderheiten von Dienstleistungen 88 3.4.2.1. Anforderungen aus der Immaterialität/Intangibilität von Dienstleistungen 89 3.4.2.2. Anforderungen aus der Nichtlagerbarkeit/Nichttransportfähigkeit von Dienstleistungen 90 3.4.2.3. Anforderungen aus der Integration des externen Faktors von Dienstleistungen 90 3.4.2.4. Anforderungen aus der Heterogenität/Individualität von Dienstleistungen 92 3.4.2.5. Zusammenfassung der Anforderungen aus den Besonderheiten von Dienstleistungen 92 3.4.3. Anforderungen aus den Unternehmenszielen 93 3.4.3.1. Anforderungen aus den Marketingstrategien des Unternehmens 96 3.4.3.1.1. Anforderungen aus der Marktfeldstrategie 98 3.4.3.1.2. Anforderungen aus der Marktsegmentierungsstrategie 99 3.4.3.1.3. Anforderungen aus der auf die Abnehmer gerichteten Strategie 103 3.4.4. Anforderungen aus den Modellen der Dienstleistungsqualität 105 3.4.4.1. Anforderungen aus dem GAP-Modell 107 3.4.4.2. Anforderungen aus dem Dienstleistungsqualitätsmodell von Grönroos 110 3.4.4.3. Anforderungen aus dem Dienstleistungsqualitätsmodell von Meyer/Mattmüller 111 3.4.4.4. Anforderungen aus dem Dynamischen Prozessmodell von Boulding/Kalra/Staelin/Zeithaml 112 3.4.4.5. Anforderungen aus dem Beziehungs-Qualitätsmodell von Liljander/Strandvik 113 3.4.4.6. Anforderungen aus dem Qualitativen Zufriedenheitsmodell von Stauss/Neuhaus 115 3.4.5. Anforderungen aus dem operativen Qualitätsmanagement 115 3.4.5.1. Anforderungen aus der Qualitätsplanung 116 3.4.5.2. Anforderungen aus der Qualitätslenkung 117 3.4.5.3. Anforderungen aus der Qualitätsprüfung 118 3.4.5.4. Anforderungen der DIN EN 13816 2002 zur Messung der Dienstleistungsqualität 122 3.4.5.5. Anforderungen aus der Qualitätsmanagementdarlegung 126 3.4.6. Anforderungen aus dem Prozessmanagement 127 3.4.7. Anforderungen an die Erbringung von Kompatibilitätsnachweisen 129 3.5. Anforderungen des Aufgabenträgers 129 3.6. Defizite bei der Erfüllung von Anforderungen durch den Status quo der verkehrlichen Kapazitätsplanung 132 4. Differenzierungsmodell für eine anforderungsorientierte verkehrliche Kapazitätsplanung im ÖPNV 138 4.1. Entwicklungslinien einer anforderungsorientierten Kapazitätsplanung 138 4.2. Entwicklungsschritte des Differenzierungsmodells 140 4.2.1. Stärkung der Nachfrageorientierung 140 4.2.2. Stärkung der Qualitätsorientierung 141 4.2.3. Stärkung der Marktorientierung 143 4.2.4. Stärkung der Kostenorientierung 144 4.3. Methodische Verbesserung der Prozesselemente 145 4.3.1. Arbeitsgrundlagen des Planungsprozesses 146 4.3.2. Prozesselement Planungsvorgaben 146 4.3.3. Prozesselement Nachfrage 146 4.3.4. Prozesselement Angebot 148 4.3.5. Prozesselement Messverfahren 148 4.3.5.1. Definition der zu messenden Platzqualität 150 4.3.5.2. Erläuterungen zur Messung der Platzqualität 152 4.3.5.3. Messung der Risikoparameter für Platzqualität 155 4.3.5.4. Ermittlung der Qualitätsverluste und der Platzqualität 158 4.3.5.5. Variation des Qualitätsziels im Hinblick auf Marktsegmente 162 4.3.6. Prozesselement Ermittlung der Planungsergebnisse 165 4.3.6.1. Ermittlung qualitätsbezogener Kennzahlen 165 4.3.6.2. Ermittlung von Kennzahlen zu Ressourceneinsatz, Betriebsleistung und Kosten 166 4.3.7. Prozesselement Prüfung 166 4.3.7.1. Prüfung der Konformität mit den Unternehmenszielen 167 4.3.7.2. Prüfung der Konformität mit Anforderungen des Aufgabenträgers 167 4.3.8. Prozesselement Veränderung 169 5. Anwendung des Differenzierungsmodells 171 5.1. Gestaltung des Anwendungsbeispiels 171 5.1.1. Festlegungen zur Infrastruktur 171 5.1.2. Festlegungen zum Fahrbetrieb 172 5.1.3. Festlegungen zum Platzangebot 173 5.1.4. Festlegungen zur Platznachfrage 173 5.1.5 Festlegungen zur Platzqualität 174 5.2. Ergebnisse der anwendungsorientierten Planung 175 5.2.1. Standardergebnisse 175 5.2.2. Relevante Einflüsse 182 5.2.2.1. Bemessungsnachfrage 182 5.2.2.2. Platzangebot 183 5.2.2.3. Taktverdichtung 184 5.2.2.4. Qualitätsziel 186 5.2.2.5. Sitzplatzanteil des Fahrzeugs 187 5.2.2.6. Beförderungsgeschwindigkeit 187 5.2.2.7. Fahrgastwechsel 188 5.2.3. Anforderungsorientierung 189 5.2.3.1. Verbesserung der Nachfrageorientierung 190 5.2.3.2. Stärkung der Qualitätsorientierung 190 5.2.3.3. Implementierung der Marktorientierung 191 5.2.3.4. Stärkung der Kostenorientierung 192 6. Fazit und Ausblick 195 Quellenverzeichnis 199 Verzeichnis der Anhänge 208 Anhang A: Befragung größerer Verkehrsunternehmen zur Praxis der verkehrliche Kapazitätsplanung im schienengebundenen ÖPNV 208 Anhang B: Befragung der Fahrgäste zum Sitzplatzwunsch und zur Fahrtdauer 211 Anhang C: Befragung der U-Bahn-Fahrgäste zum Sitzplatzbedarf im Zusammenhang mit der Beschäftigung während der Fahrt sowie mit dem Alter und dem Geschlecht 214 Anhang D: Befragung der U-Bahn-Fahrgäste zur akzeptierten Stehdauer im Zusammenhang mit der Stehplatzdichte sowie mit dem Alter und dem Geschlecht 216 Anhang E: Befragung der U-Bahn-Fahrgäste der Linie U3 zum Sitzplatzwunsch und zur akzeptierten Stehdauer im Zusammenhang mit der während der Befragung vorgefundenen Stehplatzdichte 217