Die Sanierung notleidender Kredite ist in den Banken und in der Wissenschaft ein prominentes Thema. Banken installieren eigene Abteilungen, denen Aufgabe die Betreuung solcher in Zahlungsverzug befindlicher Engagements obliegt. Die Wissenschaft untersucht den Themenkomplex in allen Facetten, das weithin bekannteste Gebiet sind die prognostizierten Ausfallwahrscheinlichkeiten für Unternehmen und Staaten, gemeinhin Ratings. Neben der Ermittlung der Wahrscheinlichkeit eines Zahlungsverzuges widmen sich andere Autoren den Maßnahmen, welche während einer Sanierung ergriffen werden. So auch die hier vorliegende. Einem Kreditinstitut steht im Rahmen einer Sanierung eine Vielzahl an Maßnahmen zur Verfügung. Wie wirken diese Maßnahmen auf das angestrebte Ziel der Sanierung? Unterscheiden sich Maßnahmen, die einen gleich gelagerten Fokus haben, in ihrem Einfluss auf das Ergebnis der Sanierung? Läßt sich also eine Empfehlung ableiten, welche Maßnahmen ergriffen werden sollen, um beispielsweise das Überleben eines Unternehmens zu erreichen? Der Arbeit liegt ein Datensatz zugrunde, der Daten zu deutschen Unternehmen enthält, die dem Segment der Klein- und mittelständischen zuzuordnen sind. Die verwendeten Daten wurden nicht, wie sonst üblich, aus teils frei verfügbaren Datenbanken abgerufen, sondern konnten aus den Unterlagen eines Kreditinstitutes erhoben werden. Sie bieten damit ein breiteres Spektrum als bereits aufbereitete Daten. Zum anderen konnten Informationen verarbeitet werden, die nur dem Kreditinstitut zur Verfügung stehen und im Regelfall nicht an Dritte zur Veröffentlich weitergegeben werden. Die Auswertung der erhobenen und aufbereiteten Daten erfolgt in zwei Stufen. In einem ersten Schritt werden durch univariate logistische Regressionen die aussagekräftigen Maßnahmen identifiziert. Diese Variablen werden in einem zweiten Schritt in multivariaten logistischen Regression überprüft. Das Ergebnis dieses Schrittes sind Modelle, die den Einfluss bestimmter Maßnahmen auf den jeweiligen Ausgang einer Sanierung beschreiben. Die Aufbereitung und Auswertung der Maßnahmen erfolgt hier in einem sehr hohen Detailgrad, der in anderen Arbeiten nur teilweise anzuztreffen ist. Es lassen sich anhand des Datensatzes Maßnahmen identifizieren, deren Ergreifen einen Einfluss auf den Ausgang der Untersuchung hat. Durch die aufgestellten Modelle ist es nicht ur möglich, diese Maßnahmen zu identifizieren, sondern auch ihren Einfluss zu quantifizieren. Dies erfolgt über die sog. „odd ratios“, die eine Aussage darüber liefern, wie sich das Chancen-Verhältnis einer Zielgröße ändert, wenn die im Fokus stehende Variable um eine Einheit geändert wird. Neben einer Ergänzung der bestehenden Literatur zu diesem Thema schafft diese Arbeit auch konkrete Handlungsempfehlungen für die Praxis.:Tabellenverzeichnis V Abbildungsverzeichnis VIII 1 Ziel und Gang der Untersuchung 1 2 Theoretischer Rahmen der Arbeit 6 2.1 Die Krise eines Unternehmens 7 2.2 Die Sanierung als Bewältigung einer Unternehmenskrise 14 2.3 Maßnahmen in einer Krisenbewältigung 16 2.4 Der Einfluss der Lage des Unternehmens auf das Ergebnis einer Sanierung 41 2.5 Ansätze zur Weiterentwicklung der bestehenden Literatur 64 3 Methodik der Untersuchung 68 3.1 Erhebung der Daten und Transformation in Variablen 68 3.2 Überblick über die angewandten statistischen Maße 80 3.3 Überblick über die Methoden zur Auswertung 91 3.4 Grundsätzliches Vorgehen bei der Auswertung 120 4 Beschreibung des Datensatzes 124 4.1 Herkunft der Daten 124 4.2 Ergebnis der Sanierung 125 4.3 Durchschnittliche Größe der untersuchten Unternehmen 126 4.4 Erfasste Rechtsformen 128 4.5 Erfasste Branchen 129 5 Auswertung der ermittelten Variablen 132 5.1 Auswirkung der quantitativen und qualitativen Variablen auf den Ausgang der Sanierung 132 5.2 Auswirkung der Maßnahmen auf den Ausgang der Sanierung 180 5.3 Auswirkungen der qualitativen und quantitativen Variablen auf die ergriffenen Maßnahmen 222 5.4 Überprüfung der aufgestellten Thesen 227 6 Einflussfaktoren auf den Erfolg einer Sanierung 234 6.1 Einfluss der Variablen auf Basis quantitativer und qualitativer Daten 235 6.2 Einfluss der Variablen auf Basis der Maßnahmen 236 7 Fazit 241 8 Anhang IX 8.1 Überblick über die aufgestellten Thesen IX 8.2 Branchenklassifikation nach destatis XI 8.3 Methoden zur Auswertung der Variablen XIII 8.4 Bezeichnung der Variablen zur Kennzeichnung der Branche XV 8.5 Variablen auf Basis der Daten zu den Maßnahmen XVI 8.6 Variablen auf Basis der qualitativen Daten XXVII 8.7 Signifikante Variablen in anderen Untersuchungen XXXIII 8.8 Variablen auf Basis der quantitativen Daten XL 8.9 Herleitung der Formel für Durchschnittswerte LXVI 8.10 Validierung der Ergebnisse bereits erfolgter Studien LXVIII 8.11 Univariat signifikante Variablen auf Basis der Maßnahmen LXX 8.12 Vergleich der Modelle auf Basis der qualitativen und quantitativen Variablen LXXI 8.13 Vergleich der Modelle auf Basis der Variablen zu den Maßnahmen .LXXII 8.14 Überprüfung der Thesen LXXV 8.15 Wirkung der Variablen auf Basis der Maßnahmen LXXXI 8.16 Überblick über den Einfluss der Variablen auf Basis der Maßnahmen XCII Literaturverzeichnis XCII

Background: When assessing the association between a factor X and a subsequent outcome Y in observational studies, the question that arises is what are the variables to adjust for to reduce bias due to confounding for causal inference on the effect of X on Y. Disregarding such factors is often a source of overestimation because these variables may affect both X and Y. On the other hand, adjustment for such variables can also be a source of underestimation because such variables may be the causal consequence of X and part of the mechanism that leads from X to Y. Methods: In this paper, we present a simple method to compute control variables in the presence of age at onset data on both X and a set of other variables. Using these age at onset data, control variables are computed that adjust only for conditions that occur prior to X. This strategy can be used in prospective as well as in survival analysis. Our method is motivated by an argument based on the counterfactual model of a causal effect. Results: The procedure is exemplified by examining of the relation between panic attack and the subsequent incidence of MDD. Conclusions: The results reveal that the adjustment for all other variables, irrespective of their temporal relation to X, can yield a false negative result (despite unconsidered confounders and other sources of bias).

Background: When assessing the association between a factor X and a subsequent outcome Y in observational studies, the question that arises is what are the variables to adjust for to reduce bias due to confounding for causal inference on the effect of X on Y. Disregarding such factors is often a source of overestimation because these variables may affect both X and Y. On the other hand, adjustment for such variables can also be a source of underestimation because such variables may be the causal consequence of X and part of the mechanism that leads from X to Y. Methods: In this paper, we present a simple method to compute control variables in the presence of age at onset data on both X and a set of other variables. Using these age at onset data, control variables are computed that adjust only for conditions that occur prior to X. This strategy can be used in prospective as well as in survival analysis. Our method is motivated by an argument based on the counterfactual model of a causal effect. Results: The procedure is exemplified by examining of the relation between panic attack and the subsequent incidence of MDD. Conclusions: The results reveal that the adjustment for all other variables, irrespective of their temporal relation to X, can yield a false negative result (despite unconsidered confounders and other sources of bias).

No description available.

No description available.

In der Mobilitätsforschung entstand in den vergangenen Jahrzehnten eine breite Wissensbasis für das Verständnis von Verkehrsursachen und Zusammenhängen, die das Verkehrsverhalten determinieren. Mit der Entwicklung von Verkehrsmodellen lag das Forschungsinteresse zunächst primär bei Ökonomen und Ökonometrikern sowie Verkehrsingenieuren. Bald kamen andere Wissenschaftsbereiche wie die Psychologie oder die Geowissenschaften hinzu, welche sich in der Folge zunehmend mit dem Thema Mobilität befassten und die zur Erklärung des menschlichen Verhaltens ganz unterschiedliche Methoden und Maßstäbe nutzten. Heute versuchen zumeist handlungsorientierte Ansätze, auf Individualebene, Faktoren zu bestimmen, die Aufschluss über die Verhaltensvariabilität in der Bevölkerung geben und damit einen möglichst großen Beitrag zur Varianzaufklärung leisten. Werden Einflussfaktoren in geeigneter Weise identifiziert und quantifiziert, können Defizite und Chancen erkannt und das Verhalten steuernde Maßnahmen entworfen werden. Mit deren Hilfe wird ungewollten Entwicklungen entgegengesteuert. Junge Erwachsene stellen aufgrund ihrer sehr unterschiedlichen Phasen im Lebenszyklus, z. B. gerade anstehender oder abgeschlossener Ausbildung, Umzug in eine eigene Wohnung, Familiengründung, Neuorientierung in Arbeitsroutinen oder das Einleben in ein anderes Lebensumfeld einer fremden Stadt, intuitiv eine sehr heterogene Gruppe dar. Die Modellierung des Verhaltens ist für diese Altersgruppe besonders schwierig. Aus der Komplexität dieser Problemstellung heraus ist ersichtlich, dass fundierte Analysen zur Mobilität junger Erwachsener notwendig sind, um verkehrsplanerische Defizite aufzudecken und Chancen zu erkennen. Der methodische Schwerpunkt des Beitrages liegt auf der Bildung einer Typologie des Verkehrsverhaltens junger Erwachsener. Die verwendete Datengrundlage ist das „Deutsche Mobilitätspanel – MOP“. Dabei wird der Versuch unternommen, zunächst Variablen aller relevanten Dimensionen des handlungsorientierten, aktivitätsbasierten Verkehrsverhaltens zusammenzustellen und für eine entsprechende Analyse aufzubereiten. Im Anschluss werden geeignete und in den Sozialwissenschaften erprobte Verfahren zur Ähnlichkeitsmessung eingesetzt, um möglichst verhaltensähnliche Personen zu typologisieren. Im Weiteren finden konfirmatorische Analysetechniken Anwendung, mit deren Hilfe Verhaltenshintergründe erklärt und inferenzstatistisch geprüft werden. Als Ergebnis wird eine clusteranalytische Typologisierung vorgestellt, die im Anschluss anhand soziodemografischer Indikatoren und raumstruktureller Kriterien der Lagegunst beschrieben wird. Aufgrund der gewonnenen Erkenntnisse können objektive und im Idealfall quantifizierbare, d. h. prognosefähige Merkmale zur Bildung verkehrssoziologischer und weitgehend verhaltensähnlicher Personengruppen genutzt werden. / Over the last few decades of mobility research, a wide base of knowledge for understanding travel determinants and causal relationships in mobility behavior has been established. The development of travel models was at first of interest primarily to economists and econometricians as well as transportation engineers. They were soon joined by other scientific areas such as psychology or the geosciences, which as a result increasingly addressed the theme of mobility and used quite different methodologies and criteria for explaining human behavior. Today, activity-oriented approaches generally attempt to determine individual-level factors that provide information on behavioral variability within the population, thereby contributing greatly to explaining variances. If explanatory factors can be properly identified and quantified, then deficiencies and opportunities can be recognized and measures for influencing behavior can be conceptualized. With their help, undesirable developments can be avoided. Because of their highly differing stages in life, e.g. upcoming or recently completed education, moving into their own apartment, starting a family, becoming oriented in a work routine or adapting to a new environment in a different city, young adults are intuitively a very heterogeneous group. Modeling the behavior of this age group is particularly difficult. This problem makes it clear that founded analysis of the mobility of young adults is necessary in order to recognize deficiencies and opportunities in transportation planning. The methodological focus of this work is on creating a typology of young adults’ travel behavior. The base data is from the “Deutsches Mobilitätspanel – MOP” (German Mobility Panel). An attempt is made to gather and prepare all relevant dimensions of decision-oriented, activity-based travel behavior for a corresponding analysis. Afterward, appropriate and proven methods from the social sciences are used to test for similarity in order to identify groups of persons which are as behaviorally homogeneous as possible. In addition, confirmatory data analysis is utilized which helps explain and test, through inferential statistics, determinants of behavior. The resulting typology from the cluster analysis is presented and followed by a description using sociodemographic indicators and spatial criteria of accessibility. The findings make it possible to use objective and, ideally, quantifiable and therefore forecastable characteristics for identifying sociological population groups within which similar travel behavior is displayed.

Das Hauptanliegen dieser Arbeit besteht in der Erweiterung des Kenntnisstandes zur Bedeutung des Berufs im Hinblick auf Prävalenz bzw. Risiko einer Psychischen und Verhaltensstörung (PVS) bei Frauen. Es gibt zahlreiche deskriptive Aussagen von Krankenkassen zum Auftreten verschiedener Diagnosegruppen oder Einzeldiagnosen, die sich bezüglich der Berufe jedoch auf die Gesamtheit der PVS beschränken. Die Analysen im Rahmen dieser Arbeit beruhen auf den Daten der weiblichen Versicherten der AOK PLUS für die Jahre 2007 bis 2011 mit insgesamt 2.113.083 Versichertenjahren. Es werden inferenzstatistische Aussagen getroffen, die auf Ergebnissen explorativer Voranalysen beruhen. Den berufsbezogenen Analysen werden zunächst Auswertungen zum Alter vorangestellt (Abschnitt 4). Erwartungsgemäß sind die Unterschiede zwischen den Altersgruppen für jede betrachtete Diagnosegruppe signifikant, jedoch weisen die Diagnosegruppen nicht dieselbe Altersabhängigkeit auf. Mit zunehmendem Alter zeigen sich zudem längere Erkrankungsdauern. Die Berufe im Datenbestand der AOK PLUS sind mittels der Klassifikation KldB 1988 [1] codiert (ca. 330 3-Steller). Für die berufsbezogenen Analysen wird in Abschnitt 5 zunächst die Frage geklärt, ob sich mittels Aggregationen der 3-Steller eine geeignetere Systematik finden lässt. Bis auf die Zusammenfassung einiger weniger 3-Steller ist das nicht der Fall. Basierend auf diesen Ergebnissen wird in Abschnitt 6 ein zweistufiges Vorgehen gewählt. In einem ersten Schritt werden für jede betrachtete PVS-Diagnose (bzw. Diagnosegruppe) die 21 Berufe mit den größten Quoten (AU-Personen pro 1.000 Versichertenjahre) ermittelt. Dabei werden zusätzlich altersstandardisierte Quoten berechnet. In einem zweiten Schritt werden die Ergebnisse des ersten Schrittes mittels Binärer Logistischer Regression (BLR) mathematisch-statistisch abgesichert. Dabei wird die Gesamtheit der nicht ausgewählten Berufe (also alle außer den 21) als Referenzgruppe verwendet. Für alle 21 ausgewählten Berufe werden dann die Odds Ratios gegenüber der Referenzgruppe in Verbindung mit einer Aussage zur Signifikanz ermittelt. Daraus resultiert schließlich eine Rangreihe der „Risikoberufe“, sortiert nach den unteren Grenzen der Konfidenzintervalle. Das Alter wird in diesem Schritt durch Einbezug als potentielle Einflussgröße berücksichtigt. Die Ergebnisse (Abschnitte 6 und 7) zeigen, dass Frauen besonders von PVS betroffen sind, wenn sie als Schienenfahrzeugführer (711), Soldaten, Grenzschützer, Polizisten, Sicherheitskontrolleure (801, 803), Krankenversicherungsfachleute (693), Telefonisten (734) sowie als Fachschul-, Berufsschul- und Werklehrer (874) arbeiten. Für Einzeldiagnosen und Diagnosegruppen ergibt sich ebenfalls ein differenziertes Bild. Bei den Erkrankungsdauern in Abhängigkeit vom Beruf zeigen sich keine substantiellen Auffälligkeiten.:1 Einleitung 7 2 Problemlage und Fragestellungen 8 2.1 LITERATURÜBERSICHT 8 2.1.1 Allgemeine Aussagen und Kosten 8 2.1.2 Aussagen zu Diagnosegruppen und Einzeldiagnosen der PVS 10 2.1.3 Aussagen zum Alter 12 2.1.4 Aussagen zum Beruf 13 2.1.5 Berufe als Risikofaktor für psychische Fehlbelastung 19 2.1.6 Psychischen Gesundheit von Frauen: Der Beruf als Modulator 21 2.1.7 Gesamteinschätzung zum Kenntnisstand 21 2.2 FRAGESTELLUNGEN 23 2.2.1 Zum Alter 24 2.2.2 Zur Systematik der Berufe 25 2.2.3 Zum Beruf 26 2.2.4 Zur Relation der Frage- und Zielstellungen 26 3 Datenbasis und methodische Aspekte 27 3.1 DATENBASIS 27 3.2 INDIKATOREN, DESKRIPTIVE STATISTIKEN 28 3.3 SYSTEMATIK DER BERUFE 29 3.4 MATHEMATISCH-STATISTISCHE VERFAHREN 30 3.4.1 Altersstandardisierung 30 3.4.2 Chi-Quadrat- und MANTEL-HAENSZEL-Test 31 3.4.3 Binäre Logistische Regression (BLR) 31 3.4.4 Mathematisch-statistische Aussagen zu Erkrankungsdauern 33 3.4.5 Signifikanzniveau und Darstellung von Signifikanzaussagen 35 4 F-Diagnosen und Z73 nach Alter 36 4.1 BETROFFENENQUOTEN 36 4.2 ERKRANKUNGSDAUERN 39 5 Systematiken zum Beruf im Vergleich 43 5.1 BERUFSORDNUNG 44 5.2 SYSTEMATIK NACH BLOSSFELD 45 5.3 ZUSAMMENGEFASSTE BERUFSGRUPPEN NACH SUGA 46 5.4 BERUFSGRUPPEN 47 5.5 PARTIELL AGGREGIERTE BERUFE 48 6 F-Diagnosen und Z73 nach Beruf und Alter 49 6.1 DIAGNOSEHAUPTGRUPPE F00-99 PSYCHISCHE UND VERHALTENSSTÖRUNGEN 49 6.1.1 AU-Personen 49 6.1.2 Erkrankungsdauern 54 6.2 DIAGNOSEGRUPPEN IM VERGLEICH 55 6.3 DIAGNOSEGRUPPE F10-19 PSYCHISCHE UND VERHALTENSSTÖRUNGEN DURCH PSYCHOTROPE SUBSTANZEN 56 6.3.1 Gesamtgruppe F10-19 – AU-Personen 56 6.3.2 Diagnosen F10 und F17 – AU-Personen 59 6.3.3 AU-Personen – die auffälligsten Berufe 60 6.3.4 Erkrankungsdauern 61 6.4 DIAGNOSEGRUPPE F30-39 AFFEKTIVE STÖRUNGEN 62 6.4.1 Gesamtgruppe F30-39 – AU-Personen 62 6.4.2 Diagnosen F32 und F33 – AU-Personen 64 6.4.3 AU-Personen – die auffälligsten Berufe 66 6.4.4 Erkrankungsdauern 66 6.5 DIAGNOSEGRUPPE F40-48 NEUROTISCHE, BELASTUNGS- UND SOMATOFORME STÖRUNGEN 68 6.5.1 Gesamtgruppe F40-48 – AU-Personen 68 6.5.2 Diagnosen F41, F43, F45, F48 – AU-Personen 70 6.5.3 AU-Personen – die auffälligsten Berufe 73 6.5.4 Erkrankungsdauern 74 6.6 DIAGNOSE Z73 PROBLEME BEI DER LEBENSBEWÄLTIGUNG (BURN-OUT) 75 6.6.1 AU-Personen 75 6.6.2 Erkrankungsdauern 76 6.7 AU-PERSONEN – DIE AUFFÄLLIGSTEN BERUFE IM GESAMTKONTEXT 77 7 Diskussion der Ergebnisse 83 7.1 METHODISCHE ASPEKTE 83 7.1.1 Einordnung der Analysen im Sinne der Epidemiologie 83 7.1.2 Bezugsbasis Versichertenjahre versus Versicherte 85 7.1.3 Zur Altersstandardisierung 86 7.1.4 Zur Binären Logistischen Regression 88 7.1.5 Binäre logistische Regression versus MANTEL-HAENSZEL Test und Anmerkungen zum Signifikanzniveau 89 7.1.6 Zur Auswahl der Zielgrößen AU-Personen und Erkrankungsdauern 89 7.2 INHALTLICHE ASPEKTE 91 7.2.1 Zum Alter 91 7.2.1.1 Betroffenenquoten 91 7.2.1.2 Erkrankungsdauern 92 7.2.2 Zu den Berufen 93 7.2.2.1 Zu F00-99 – Gesamtheit der PVS – Erkrankungsrisiko 93 7.2.2.2 Zu F00-99 – Gesamtheit der PVS – Erkrankungsdauern 98 7.2.2.3 Zu den Diagnosegruppen F30-39 Affektive Störungen und F40-48 Neurotische, Belastungs- und somatoforme Störungen – Erkrankungsrisiko 99 7.2.2.4 Zur Diagnose F10 PVS durch Alkohol – Erkrankungsrisiko 103 7.2.2.5 Zur Diagnose F17 – PVS durch Tabak 106 7.2.2.6 Zu Diagnose Z73 – Burn-out-Syndrom 108 7.2.3 Zusammenfassung 109 7.3 AUSBLICK 110 8 Literatur 112 9 Verzeichnis der Abkürzungen 122 10 Verzeichnis der Abbildungen 124 11 Verzeichnis der Tabellen 126 Anlagen 128

In der Mobilitätsforschung entstand in den vergangenen Jahrzehnten eine breite Wissensbasis für das Verständnis von Verkehrsursachen und Zusammenhängen, die das Verkehrsverhalten determinieren. Mit der Entwicklung von Verkehrsmodellen lag das Forschungsinteresse zunächst primär bei Ökonomen und Ökonometrikern sowie Verkehrsingenieuren. Bald kamen andere Wissenschaftsbereiche wie die Psychologie oder die Geowissenschaften hinzu, welche sich in der Folge zunehmend mit dem Thema Mobilität befassten und die zur Erklärung des menschlichen Verhaltens ganz unterschiedliche Methoden und Maßstäbe nutzten. Heute versuchen zumeist handlungsorientierte Ansätze, auf Individualebene, Faktoren zu bestimmen, die Aufschluss über die Verhaltensvariabilität in der Bevölkerung geben und damit einen möglichst großen Beitrag zur Varianzaufklärung leisten. Werden Einflussfaktoren in geeigneter Weise identifiziert und quantifiziert, können Defizite und Chancen erkannt und das Verhalten steuernde Maßnahmen entworfen werden. Mit deren Hilfe wird ungewollten Entwicklungen entgegengesteuert. Junge Erwachsene stellen aufgrund ihrer sehr unterschiedlichen Phasen im Lebenszyklus, z. B. gerade anstehender oder abgeschlossener Ausbildung, Umzug in eine eigene Wohnung, Familiengründung, Neuorientierung in Arbeitsroutinen oder das Einleben in ein anderes Lebensumfeld einer fremden Stadt, intuitiv eine sehr heterogene Gruppe dar. Die Modellierung des Verhaltens ist für diese Altersgruppe besonders schwierig. Aus der Komplexität dieser Problemstellung heraus ist ersichtlich, dass fundierte Analysen zur Mobilität junger Erwachsener notwendig sind, um verkehrsplanerische Defizite aufzudecken und Chancen zu erkennen. Der methodische Schwerpunkt des Beitrages liegt auf der Bildung einer Typologie des Verkehrsverhaltens junger Erwachsener. Die verwendete Datengrundlage ist das „Deutsche Mobilitätspanel – MOP“. Dabei wird der Versuch unternommen, zunächst Variablen aller relevanten Dimensionen des handlungsorientierten, aktivitätsbasierten Verkehrsverhaltens zusammenzustellen und für eine entsprechende Analyse aufzubereiten. Im Anschluss werden geeignete und in den Sozialwissenschaften erprobte Verfahren zur Ähnlichkeitsmessung eingesetzt, um möglichst verhaltensähnliche Personen zu typologisieren. Im Weiteren finden konfirmatorische Analysetechniken Anwendung, mit deren Hilfe Verhaltenshintergründe erklärt und inferenzstatistisch geprüft werden. Als Ergebnis wird eine clusteranalytische Typologisierung vorgestellt, die im Anschluss anhand soziodemografischer Indikatoren und raumstruktureller Kriterien der Lagegunst beschrieben wird. Aufgrund der gewonnenen Erkenntnisse können objektive und im Idealfall quantifizierbare, d. h. prognosefähige Merkmale zur Bildung verkehrssoziologischer und weitgehend verhaltensähnlicher Personengruppen genutzt werden. / Over the last few decades of mobility research, a wide base of knowledge for understanding travel determinants and causal relationships in mobility behavior has been established. The development of travel models was at first of interest primarily to economists and econometricians as well as transportation engineers. They were soon joined by other scientific areas such as psychology or the geosciences, which as a result increasingly addressed the theme of mobility and used quite different methodologies and criteria for explaining human behavior. Today, activity-oriented approaches generally attempt to determine individual-level factors that provide information on behavioral variability within the population, thereby contributing greatly to explaining variances. If explanatory factors can be properly identified and quantified, then deficiencies and opportunities can be recognized and measures for influencing behavior can be conceptualized. With their help, undesirable developments can be avoided. Because of their highly differing stages in life, e.g. upcoming or recently completed education, moving into their own apartment, starting a family, becoming oriented in a work routine or adapting to a new environment in a different city, young adults are intuitively a very heterogeneous group. Modeling the behavior of this age group is particularly difficult. This problem makes it clear that founded analysis of the mobility of young adults is necessary in order to recognize deficiencies and opportunities in transportation planning. The methodological focus of this work is on creating a typology of young adults’ travel behavior. The base data is from the “Deutsches Mobilitätspanel – MOP” (German Mobility Panel). An attempt is made to gather and prepare all relevant dimensions of decision-oriented, activity-based travel behavior for a corresponding analysis. Afterward, appropriate and proven methods from the social sciences are used to test for similarity in order to identify groups of persons which are as behaviorally homogeneous as possible. In addition, confirmatory data analysis is utilized which helps explain and test, through inferential statistics, determinants of behavior. The resulting typology from the cluster analysis is presented and followed by a description using sociodemographic indicators and spatial criteria of accessibility. The findings make it possible to use objective and, ideally, quantifiable and therefore forecastable characteristics for identifying sociological population groups within which similar travel behavior is displayed.

Die Windenergie an Land (Onshore-Windenergie) ist neben der Photovoltaik eine der tragenden Säulen der Energiewende in Deutschland. Wie schon in der Vergangenheit wird auch zukünftig der Ausbau der Onshore-Windenergie, mit dem Ziel eine umweltgerechte und sichere Energieversorgung für zukünftige Generationen aufzubauen, durch die Politik massiv vorangetrieben. Für eine planvolle Umsetzung der Energiewende, insbesondere im Bereich der Windenergie, müssen Kenntnisse über den zur Verfügung stehenden Raum und der Wirkungsweise standortspezifischer Faktoren auf planungsrechtlicher Ebene vorhanden sein. In der vorliegenden Arbeit wurde die Region Deutschland auf das für dieWindenergie an Land nutzbare Flächenpotenzial analysiert, von diesem allgemein gültige Energiepotenziale abgeleitet und in einer Sensitivitätsanalyse die Einflüsse verschiedener Abstände zwischen den Windenergieanlagen und Siedlungsstrukturen auf das ermittelte Energiepotenzial untersucht. Des Weiteren wurden für die beobachteten Zusammenhänge zwischen den Distanz- und Energiepotenzialänderungen mathematische Formeln erstellt, mit deren Hilfe eine Energiepotenzialänderung in Abhängigkeit von spezifischen Siedlungsdistanzänderungen vorhersagbar sind. Die Analyse des Untersuchungsgebiets (USG) hinsichtlich des zur Verfügung stehenden Flächenpotenzials wurde anhand eines theoretischen Modells, welches die reale Landschaft mit ihren unterschiedlichen Landschaftstypen und Infrastrukturen widerspiegelt, umgesetzt. Auf Basis dieses Modells wurden so genannte „Basisflächen“ sowie für die Onshore-Windenergie nicht nutzbare Flächen (Tabu- oder Ausschlussflächen) identifiziert und mittels einer GIS-Software (Geographisches Informationssystem) verschnitten. Die Identifizierung der Ausschlussflächen erfolgte über regionalisierte beziehungsweise im gesamten USG geltende multifaktorielle Bestimmungen für die Platzierung von Windenergieanlagen (WEA). Zur Gewährleistung einer einheitlichen Konsistenz wurden die verschiedenen Regelungen, welche aus den unterschiedlichsten Quellen stammen, vereinheitlicht, vereinfacht und in einem so genannten „Regelkatalog“ festgeschrieben. Die Berechnung des im USG maximal möglichen Energiepotenzials erfolgte durch eine Referenzanlage, welche im USG räumlich verteilt platziert wurde. Die Energiepotenziale (Leistungs- und Ertragspotenzial) leiten sich dabei aus der Kombination der räumlichen Lage der WEA, den technischen Leistungsspezifikationen der Referenzanlage und dem regionalem Windangebot ab. Eine wesentliche Grundvoraussetzung für die Berechnung der Energiepotenziale lag in der im Vorfeld durchzuführenden Windenergieanlagenallokation auf den Potenzialflächen begründet. Zu diesem Zweck wurde die integrierte Systemlösung „MAXPLACE“ entwickelt. Mit dieser ist es möglich, WEA unter Berücksichtigung von anlagenspezifischen, wirtschaftlichen und sicherheitstechnischen Aspekten in einzelnen oder zusammenhängenden Untersuchungsregionen zu platzieren. Im Gegensatz zu bereits bestehenden Systemlösungen (Allokationsalgorithmen) aus anderen Windenergie-Potenzialanalysen zeichnet sich die integrierte Systemlösung „MAXPLACE“ durch eine sehr gute Effizienz, ein breites Anwendungsspektrum sowie eine einfache Handhabung aus. Der Mindestabstand zwischen den WEA und den Siedlungsstrukturen stellt den größten Restriktionsfaktor für das ermittelte Energiepotenzial dar. Zur Bestimmung der Einflussnahme von Siedlungsdistanzänderungen auf das Energiepotenzial wurde mit Hilfe des erstellten Landschaftsmodells eine Sensitivitätsanalyse durchgeführt. In dieser wurden die vorherrschenden Landschafts- und Infrastrukturen analysiert und daraus standortbeschreibende Parameter abgeleitet. Neben der konkreten Benennung der Energiepotenzialänderungen, wurden für das gesamte USG mathematische Abstraktionen der beobachteten Zusammenhänge in Form von Regressionsformeln ermittelt. Diese Formeln ermöglichen es, ohne die in dieser Arbeit beschriebene aufwendige Methodik nachzuvollziehen, mit nur wenigen Parametern die Auswirkungen einer Siedlungsdistanzänderung auf das Energiepotenzial innerhalb des Untersuchungsgebiets zu berechnen.