Zusammenfassend lässt sich sagen, dass unter Beachtung der im folgenden Bericht beschriebenen Faktoren GPS-Daten, im vorliegenden Fall exemplarisch untersucht anhand von Daten der Firma Strava Inc., mit einigen Einschränkungen für die Radverkehrsplanung nutzbar sind. Bereits heute sind damit Auswertungen möglich, die zeigen, wo, wann und wie sich Radfahrende im gesamten Netz bewegen. Die mittels Smartphone-App generierten Daten können sehr sinnvoll als Ergänzung zu bestehenden Dauerzählstellen von Kommunen genutzt werden. Berücksichtigt werden sollten bei der Auswertung und Interpretation der Daten jedoch einige Aspekte, wie der eher sportlich orientierte Kontext der erfassten Routen in den untersuchten Beispielen. Des Weiteren werden aktuell die Daten zum Teil noch als Datenbank- oder GIS-Dateien zur Verfügung gestellt bzw. befinden sich Online- Masken zur einfacheren Nutzung im Aufbau oder einem ersten Nutzungsstadium. Die Auswertung und Interpretation erfordert also weiterhin Fachkompetenz und auch personelle Ressourcen. Der Einsatz dieser wird jedoch voraussichtlich durch die Weiterentwicklung von Web-Oberflächen und unterstützenden Auswertemasken abnehmen. Hier gilt es zukünftig, in Zusammenarbeit mit den Kommunen, die benötigten Parameter sowie die geeignetsten Aufbereitungsformen zu erarbeiten. Im Forschungsprojekt erfolgte ein Ansatz der Hochrechnung von Radverkehrsstärken aus Stichproben von GPS-Daten auf das gesamte Netz. Dieser konnte auch erfolgreich in einer weiteren Kommune verifiziert werden. Jedoch ist auch hier in Zukunft noch Forschungsbedarf vorhanden bzw. die Anpassung auf lokale Gegebenheiten notwendig.

Zugl.: Dresden, Techn. University, Fak. Wirtschaftswiss., Diss., 2008.

Psychological discussions of the background of risk behaviour in road traffic mainly point on two different theoretical approaches. First, risk behaviour may be understood as rational behaviour, trading off costs and benefits of alternative options. On the other hand, the motivational background of risk behaviour takes center stage which can not be described sufficiently by rational choice models. Both approaches are outlined and put into the context of traffic psychological behaviour and decision models. Successful intervention to risk behaviour in road traffic in particular has to include non rational background of behaviour. / Die psychologische Diskussion um Hintergründe des Risikoverhaltens im Straßenverkehr wird wesentlich durch zwei unterschiedliche theoretische Ansätze geleitet. Einmal wird Risikoverhalten als rationales Verhalten verstanden, das Kosten und Nutzen alternativer Möglichkeiten abwägt. Zum anderen stehen motivationale Hintergründe des Risikoverhaltens im Mittelpunkt, die nicht mit klassischen Rational-choice-Ansätzen zu beschreiben sind. Die Ansätze werden umrissen und in den Kontext verkehrspsychologischer Handlungs und Entscheidungsmodelle gestellt. Eine erfolgreiche Beeinflussung des Risikoverhaltens im Straßenverkehr muss gerade die nicht-rationalen Verhaltenshintergründe ansprechen.

Am 19. und 20. März 2012 trafen sich in Berlin auf Einladung der Unfallforschung der Versicherer (UDV) und des Deutschen Verkehrssicherheitsrates (DVR) internationale Fachleute, um sich über die sichere Verkehrsteilnahme von Radfahrerinnen und Radfahrern auszutauschen. 150 Experten unterschiedlichster Fachdisziplinen erarbeiteten in drei Foren Empfehlungen für Politik und Praxis. Sie sollen dazu beitragen, die Sicherheit von Radfahrenden heute und in der Zukunft zu erhöhen. Während in den letzten Jahren die Anzahl der Unfälle mit Verletzen deutschlandweit in aller Regel rückläufi g war, hat die Anzahl der Radunfälle mit Personenschaden zugenommen. Der demografi sche Wandel, der steigende Radverkehrsanteil und die zunehmende Anzahl elektrisch unterstützter Fahrräder werden zukünftig zu mehr Radverkehr, mehr Senioren im Radverkehr und zu höheren Geschwindigkeiten im Radverkehr führen. Daher sind Maßnahmen zur Verbesserung der Sicherheit des Radverkehrs unumgänglich, damit die politisch gewünschte und durchaus sinnvolle Förderung des Radverkehrs nicht von einer steigenden Anzahl Verletzter und Getöteter begleitet wird.

Das Ziel vorliegender Untersuchung war es, die objektive Verkehrssicherheit und die Akzeptanz verschiedener Mischverkehrsführungen (ohne Markierung, mit Schutzstreifen, mit Piktogrammen) mit einer einheitlichen Methodik zu analysieren und zu bewerten. Dabei standen Hauptverkehrsstraßen im Fokus, die die Anordnung von Radverkehrsanlagen aufgrund räumlicher Restriktionen nicht möglich machen. Aufbauend auf einer Literaturrecherche zu den Vorgaben der Technischen Regelwerke national und international sowie zum internationalen Forschungsstand zu Unfällen (Sicherheitsbewertung unterschiedlicher Mischverkehrsführungen, Unfallkonstellationen, Einflussgrößen), zum Verhalten (Interaktionen, Akzeptanz unterschiedlicher Mischverkehrsführungen, seitliche Abstände zum Fahrbahnrand, Geschwindigkeiten) sowie zur subjektiven Verkehrssicherheit von Verkehrsteilnehmenden (präferierte Radverkehrsführungsform, Verhaltensweisen) wurden die folgenden Forschungsfragen für die vorliegende Untersuchung abgeleitet: Wie ist die objektive Verkehrssicherheit unterschiedlicher Mischverkehrsführungen (ohne Markierung, mit Schutzstreifen, mit Piktogrammen) unter Berücksichtigung der Exposition sowie weiterer signifikanter Einflussgrößen zu bewerten? Welchen Einfluss haben kritische Profile (Fahrbahnbreite = 6,00 m bis 7,00 m) bei der Führung des Radverkehrs im Mischverkehr ohne Schutzstreifen (vor dem Hintergrund der Vorgaben aus FGSV (2010a) und FGSV (2006)) sowie Sicherheitstrennstreifen auf Abschnitten mit Schutzstreifen auf das Unfallgeschehen? Wie ist die Akzeptanz unterschiedlicher Mischverkehrsführungen (ohne Markierung, mit Schutzstreifen, mit Piktogrammen) unter der Berücksichtigung weiterer Einflussgrößen zu bewerten? Welche Erkenntnisse für eine sichere und akzeptierte Führung des Radverkehrs im Mischverkehr lassen sich zusammenfassend ableiten, wobei gleichzeitig Aspekte der subjektiven Sicherheit berücksichtigt werden? Zur Beantwortung der Fragestellungen wurden Daten zu insgesamt 207 Streckenabschnitten in 24 Städten aus vier unterschiedlichen Forschungsprojekten (Schüller et al. 2020b; Ohm et al. 2015; Richter 2019; Koppers et al. 2021) zur Verfügung gestellt, die innerhalb vorliegender Arbeit vereinheitlicht, plausibilisiert und anschließend zusammenfassend ausgewertet wurden. Neben deskriptiven Analysen wurden die Akzeptanz (auf Basis linearer und logistischer Modelle) und das Unfallgeschehen (auf Basis von Poisson- und Negativ-Binomial-Modellen) statistisch analysiert. Im Ergebnis hat sich gezeigt, dass kein genereller Unterschied im Verkehrssicherheitsniveau zwischen den untersuchten Radverkehrsführungsformen abzuleiten ist, was den Rückschluss zulässt, dass die Anlage von Schutzstreifen nicht zweifellos geeignet ist, den Radverkehr auch bei höheren Kfz-Verkehrsstärken sicher zu führen. Als weitere Einflussfaktoren auf das Unfallgeschehen haben sich u.a. die Radverkehrsstärke, die zulässige Geschwindigkeit, die Anzahl der Knotenpunktarme, die Anzahl unvollständig signalisierter Knotenpunkte und das Vorhandensein von Gleisen (auf Abschnitten mit Mischverkehr ohne Schutzstreifen) als signifikante Einflussfaktoren gezeigt. Auf Abschnitten mit Mischverkehr ohne Schutzstreifen konnte den kritischen Profilbreiten (6,00 m bis 7,00 m) kein Einfluss auf das Unfallgeschehen nachgewiesen werden. Vielmehr sind es nutzbare Fahrstreifenbreiten von > 3,50 m, die die Unfallzahl signifikant erhöhen. Der Breite markierter Sicherheitsräume bei Schutzstreifen konnte innerhalb der Modellierung auch kein signifikanter Einfluss auf das Unfallgeschehen nachgewiesen werden. Allerdings kann nicht ausgeschlossen werden, dass (breitere) Sicherheitsräume auf Abschnitten markiert wurden, weil das Unfallgeschehen auffällig war und sich deshalb kein signifikanter Einfluss ergeben hat. Hinsichtlich der Akzeptanz ist festzustellen, dass sowohl die Markierung von Piktogrammen als auch von Schutzstreifen etwa im gleichen Maße zu einer signifikanten Erhöhung des Anteils der Radfahrenden auf der Fahrbahn führen. Bemerkenswert ist zudem, dass sich mit zunehmender Gesamtverkehrsstärke der Radfahrenden der Anteil der Fahrbahnnutzung erhöht – ein sog. Acceptance-in-Numbers-Effekt. Weitere signifikante Einflussgrößen auf den Anteil der Radfahrenden auf der Fahrbahn sind u.a. die zulässige Geschwindigkeit sowie die Anzahl lichtsignalgeregelter Querungsmöglichkeiten. Die übergreifende Bewertung der Erkenntnisse zur objektiven und subjektiven Verkehrssicherheit sowie zur Akzeptanz hat grundsätzlich ergeben, dass sich bei der Führung des Radverkehrs im Mischverkehr ohne Schutzstreifen sowohl eine niedrige zulässige Geschwindigkeit (< 50 km/h) als auch eine geringe Verkehrsstärke (bis 4.000 Kfz/24 h ohne und 6.000 Kfz/24 h mit Piktogrammen) als günstig erweist. Die Führung des Radverkehrs auf Schutzstreifen weist innerhalb der Modellanwendung bis zu einer Verkehrsstärke von 9.000 Kfz/24 h (bei vzul = 50 km/h) ein durchschnittliches Akzeptanz- und Verkehrssicherheitsniveau auf. Ein hohes Potential für die Erhöhung der Akzeptanz und der Verkehrssicherheit kommt zudem dem Radverkehrsaufkommen selbst zu, da die Akzeptanz mit steigender Radverkehrsstärke unmittelbar zunimmt (Acceptance-in-Numbers) und das Unfallgeschehen mit zunehmender Radverkehrsstärke unterproportional steigt (Safety-in-Numbers). Das heißt, je mehr Menschen Fahrrad fahren, desto höher ist die Akzeptanz und desto niedriger ist das Unfallrisiko der*des Einzelnen. Dies lässt nicht den Rückschluss zu, dass der Radverkehr bei hohen Radverkehrsstärken ohne Bedenken im Mischverkehr geführt werden kann. Vielmehr ist dies ein Hinweis darauf, dass die Führung des Radverkehrs im Mischverkehr attraktiver werden muss, damit diese Führungsform akzeptiert und gerne genutzt wird.:1 Einleitung 1.1 Ausgangssituation und Problemstellung 1.2 Vorgehen 2 Rechtliche Regelungen 3 Technische Regelwerke und Empfehlungen 3.1 National 3.2 International 4 Kenntnisstand Forschung 4.1 Unfälle 4.1.1 Erkenntnisse im Überblick 4.1.2 Radverkehrsführungsform 4.1.3 Unfallkonstellationen 4.1.4 Einflussgrößen 4.2 Verhalten 4.2.1 Erkenntnisse im Überblick 4.2.2 Interaktionen 4.2.3 Akzeptanz 4.2.4 Seitliche Abstände 4.2.5 Geschwindigkeiten 4.3 Subjektive Verkehrssicherheit und Präferenzen 4.3.1 Erkenntnisse im Überblick 4.3.2 Präferierte Radverkehrsführungsform 4.3.3 Verhaltensweisen 4.4 Schlussfolgerungen & Forschungsfragen 5 Daten 5.1 Infrastruktur 5.1.1 Untersuchungsabschnitte 5.1.2 Räumliche Abgrenzung 5.1.3 Erhobene Merkmale 5.2 Verkehrsstärke 5.2.1 Erhebung 5.2.2 Hochrechnung Radverkehrsstärke 5.2.3 Hochrechnung Fußverkehrsstärke 5.2.4 Hochrechnung Kfz-Verkehrsstärke 5.3 Unfalldaten 6 Methodik 6.1 Prüfung innerer Abhängigkeiten 6.2 Akzeptanzmodell 6.2.1 Definitionen 6.2.2 Statistische Verteilung 6.2.3 Modellaufbau 6.2.4 Residuenanalyse 6.3 Unfallmodell 6.3.1 Statistische Verteilung 6.3.2 Modellaufbau 6.3.3 Residuenanalyse 7 Analyse Akzeptanz 7.1 Datengrundlage im Überblick 7.2 Innere Abhängigkeiten 7.3 Modelle Anteil Fahrbahnnutzung 7.3.1 Gesamtmodell Anteil Fahrbahnnutzung 7.3.2 Teilmodell Mischverkehr: Anteil Fahrbahnnutzung und Fahrstreifenbreite 7.3.3 Teilmodell Schutzstreifen: Anteil Fahrbahnnutzung und Schutzstreifen-/ Fahrstreifenbreite 7.4 Modelle Anteil linksfahrende Radfahrende auf dem Gehweg 7.5 Modellanwendung Anteil Fahrbahnnutzung in Abhängigkeit ausgewählter Merkmale 7.6 Fazit 8 Analyse Unfälle 8.1 Unfallkollektiv 8.2 Datengrundlage im Überblick 8.3 Innere Abhängigkeiten 8.4 Modelle 8.4.1 Gesamtmodell 8.4.2 Teilmodell Mischverkehr / Piktogramme 8.4.3 Teilmodell Schutzstreifen 8.4.4 Teilmodelle nach Unfalltypen 8.5 Modellanwendung Radverkehrsunfälle in Abhängigkeit ausgewählter Merkmale 8.6 Fazit 9 Synthese & Empfehlungen 10 Methodische Diskussion & Ausblick 11 Zusammenfassung Literaturverzeichnis

In den letzten Jahren hat die Verbreitung von stationsungebundenem Carsharing (Free- Floating-Carsharing) weltweit stark zugenommen. Aufgrund dessen wurden verschiedene Studien, welche die verkehrliche Wirkung von Free-Floating-Carsharing beschreiben, erstellt. Bisher unzureichend unter-sucht wurden jedoch die Nutzer von Free-Floating-Carsharing- Systemen. Im Rahmen der Mitarbeit der TU Dresden am Evaluationsbericht Carsharing in der Landeshauptstadt München standen für sämtliche Münchener Carsharinganbieter Daten zu Buchungen und Kunden zur Verfügung. Ziel dieser Arbeit war es nun, für die zwei Anbieter von Free-Floating-Carsharing eine Typisierung der Nutzer vorzunehmen. Für die Einteilung der Nutzer in Gruppen wurden zunächst Input-Variablen ausgewählt und erzeugt. Neben den zeitlichen Häufigkeiten der Nutzung für Monate, Wochentage und Zeitscheiben wurden zudem Gini-Faktoren berechnet, welche die Regelmäßigkeit der Nutzung abbilden. Außerdem wurden verschiedene Variablen aus den Buchungsdaten erzeugt. Dazu zählen Untersuchungen wie viele Fahrten amWohnort der Nutzer beginnen und/oder enden, ob Fahrten am gleichen Ort beginnen und enden und bei wie vielen Fahrten der Parktarif der Anbieter zum Einsatz kommt. Des Weiteren wurde untersucht, wie viele Fahrten den Flughafen als Start oder Ziel haben, wie der Einfluss des Wetters auf die Anzahl der Buchungen ist und wie hoch die mittlere Fahrtzeit pro Buchung je Nutzer ist. Alle Variablen dienten nun als Input für die Typisierung der Nutzer. Für die Typisierung wurde das Verfahren der Clusteranalyse ausgewählt. Dabei sind jedoch 30 Variablen eine zu große Anzahl, weswegen zuerst eine Verdichtung der Input-Variablen durchgeführt wurde. Dabei kam eine sogenannte Hauptkomponentenanalyse zum Einsatz. Diese bietet die Möglichkeit, verschieden stark korrelierende Variablen zusammenzufassen und dabei den Informationsgehalt dieser zu erhalten. Aus den 30 einfließenden Variablen ergaben sich mit Hilfe der Hauptkomponentenanalyse vier Faktoren, welche anschließend für die Clusteranalyse genutzt wurden. Jeder Nutzer lässt sich durch die vier Faktoren in einem vierdimensionalen Koordinatensystem ein-tragen. Anschließend kann in diesem Raum eine Clusterung durchgeführt werden. Für diese Arbeit wurde sich für das k-Means-Verfahren entschieden. Mit diesem wurden fünf Cluster bestimmt, welche die 13 000 Nutzer abbilden. Jeder Cluster lässt sich durch die Mittelwerte der eingeflossenen sowie durch soziodemografische Variablen wie Alter und Geschlecht und die Wohnorte der Nutzer hinsichtlich seiner Aussage interpretieren. Die fünf Cluster können in zwei Cluster mit einer niedrigen (Nr. 1 und 2), einen mit einer mittleren (Nr. 3) und zwei mit einer hohen Nutzungsintensität einteilen werden (Nr. 4 und 5). Cluster 1 vereint Nutzer, die selten aber spontane Fahrten unternehmen. Dabei sind überdurchschnittliche viele Fahrten am Wochenende und abends zu verzeichnen. In Cluster 2 finden sich Nutzer, die vorwiegend Fahrten mit langen Fahrtzeiten unternehmen. Dabei werden innerhalb einer Buchung mehrere Wege zurückgelegt, was sich an der hohen Nutzung des Parktarifs zeigt und daran, dass der größte Teil der Fahrten am Ausgangsort wieder enden. Diese Gruppe besitzt unter allen Gruppen einen überdurchschnittlich hohen Anteil an Frauen. Cluster 3 beschreibt den normalen Nutzer hinsichtlich der Nutzungsintensität und der zeitlichen Nutzung. Er ist mit 41,4% der Kunden der größte aller Cluster. Cluster 4 und 5 vereinen Kunden mit einer hohen Nutzungsintensität. Obwohl nur ca. 5% der Kunden in diesen beiden Gruppen zu finden sind, werden jedoch ein Drittel aller Fahrten von diesen Nutzern zurückgelegt. Cluster 4 beschreibt Nutzer mit einem typischen Pendlerverhalten. Dabei werden Fahrten vorwiegend Werktags und während der Hauptverkehrszeiten unternommen. Eine abnehmende Nutzung von Januar zu Juni lässt vermuten, dass andere Verkehrsmittel wie das Fahrrad genutzt werden. In Cluster 5 finden sich Kunden, die häufig Carsharing in der Nacht nutzen. Dies lässt vermuten, dass Aktivitäten des Nachtlebens besucht werden. Dieser Cluster hat im Vergleich zum Durchschnitt den geringsten Anteil an Frauen. Da die Ergebnisse ausschließlich auf den Anbieterdaten basieren, ist es nicht möglich, konkrete Aus-sagen über Effekte und Wirkungen von Free-Floating-Carsharing zu treffen und zu bewerten. Dafür wäre weitere Daten zum Beispiel aus Umfragen notwendig. Die klar abgrenzbaren und gut interpre-tierbaren Nutzergruppen zeigen jedoch, dass die gewählte Methodik sich zur Typisierung von Carsha-ringnutzern eignet. Eine Wiederholung des Verfahrens mit anderen Daten, zum Beispiel aus einem späteren Untersuchungszeitraum oder einer anderen Stadt, ist zu empfehlen.

Zugl.: Diss. Univ. Freiburg, 2005.

Für einen attraktiven Radverkehr bedarf es einer qualitativ hochwertigen Infrastruktur. Bisher liegen durch den hohen Aufwand von Vor-Ort-Erfassungen nur punktuelle Radverkehrsstärken vor. Die aktuell wohl zuverlässigsten und tauglichsten Werte liefern bisher fest installierte automatische Radverkehrszählstellen, wie sie bereits viele Kommunen installiert haben. Ein Nachteil ist hierbei, dass für eine flächige Abdeckung mit einer besseren Aussagekraft für die gesamte Stadt oder Kommune die Anzahl der Erhebungspunkte meist deutlich zu gering ist. Die Bedeutung des Nebennetzes für den Radverkehr wird somit nur unvollständig erfasst. Für weitere Parameter, wie Wartezeiten, Routenwahl oder Geschwindigkeiten der Radfahrenden, fehlen dagegen meist die Daten. Perspektivisch kann diese Lücke unter anderem durch GPS-Routendaten gefüllt werden, was durch die mittlerweile sehr hohe Verbreitung von Smartphones und den entsprechenden Tracking-Apps ermöglicht wird. Die Ergebnisse des im Leitfaden vorgestellten Projektes sind durch das BMVI im Rahmen des Nationalen Radverkehrsplans 2020 gefördert wurden. Das Forschungsprojekt untersucht dabei die Nutzbarkeit von mit Smartphones generierten Nutzerdaten einer App für die kommunale Radverkehrsplanung. Zusammenfassend lässt sich sagen, dass unter Beachtung der im folgenden Leitfaden beschriebenen Faktoren GPS-Daten, im vorliegenden Fall die der Firma Strava Inc., mit einigen Einschränkungen für die Radverkehrsplanung nutzbar sind. Bereits heute sind damit Auswertungen möglich, die zeigen, wo, wann und wie sich Radfahrende im gesamten Netz bewegen. Die mittels Smartphone-App generierten Daten können sehr sinnvoll als Ergänzung zu bestehenden Dauerzählstellen von Kommunen genutzt werden. Berücksichtigt werden sollten bei der Auswertung und Interpretation der Daten jedoch einige Aspekte, wie der eher sportlich orientierte Kontext der erfassten Routen in den untersuchten Beispielen. Des Weiteren werden aktuell die Daten zum Teil noch als Datenbank- oder GIS-Dateien zur Verfügung gestellt, bzw. befinden sich online Masken zur einfacheren Nutzung im Aufbau oder einem ersten Nutzungsstadium. Die Auswertung und Interpretation erfordert also weiterhin Fachkompetenz und auch personelle Ressourcen. Der Einsatz dieser sinkt jedoch voraussichtlich zukünftig durch die Weiterentwicklung von Web-Oberflächen und unterstützenden Auswertemasken. Hier gilt es zukünftig, in Zusammenarbeit mit den Kommunen, die benötigten Parameter sowie die geeignetsten Aufbereitungsformen zu erarbeiten. Im Forschungsprojekt erfolgte ein Ansatz der Hochrechnung von Radverkehrsstärken aus Stichproben von GPS-Daten auf das gesamte Netz. Dieser konnte auch erfolgreich in einer weiteren Kommune verifiziert werden. Jedoch ist auch hier in Zukunft noch Forschungsbedarf vorhanden bzw. die Anpassung auf lokale Gegebenheiten notwendig. In naher Zukunft ist es notwendig, den Praxisnachweis für die Nutzbarkeit von GPS-Daten zu erbringen. Vorbilder hierfür können die Städte Bremen, Dresden, Leipzig oder Mainz sein, die jeweils bereits erste Schritte zur Nutzung von GPS-Daten in der Radverkehrsplanung und -förderung unternehmen. Diese Schritte sind vor dem Hintergrund der weiteren Digitalisierung von Mobilität und Verkehrsmitteln und dem damit wachsenden Datenangebot – auch trotz der bisherigen Einschränkungen der Daten – sinnvoll, um in den Verwaltungen frühzeitig entsprechende Kompetenzen aufzubauen. Langfristig bietet die Nutzung von GPS-Daten einen Mehrwert für die Radverkehrsplanung. Der aktive Einbezug von Radfahrenden eröffnet zudem neue Möglichkeiten in der Kommunikation und der Bürgerbeteiligung – auch ohne Fachwissen vorauszusetzen. Der vorliegende Leitfaden liefert dafür einen praxisorientierten Einstieg in das Thema und weist umfassend auf Angebote, Hindernisse und Potenziale von GPS-Daten hin.

For cycling to be attractive, the infrastructure must be of high quality. Due to the high level of resources required to record it locally, the available data on the volume of cycling traffic has to date been patchy. At the moment, the most reliable and usable numbers seem to be derived from permanently installed automatic cycling traffic counters, already used by many local authorities. One disadvantage of these is that the number of data collection points is generally far too low to cover the entirety of a city or other municipality in a way that achieves truly meaningful results. The effect of side roads on cycling traffic is therefore only incompletely assessed. Furthermore, there is usually no data at all on other parameters, such as waiting times, route choices and cyclists’ speed. This gap might in future be filled by methods such as GPS route data, as is now possible by today’s widespread use of smartphones and the relevant tracking apps. The results of the project presented in this guide have been supported by the BMVI [Federal Ministry of Transport and Digital Infrastructure] within the framework of its 2020 National Cycling Plan. This research project seeks to investigate the usability of user data generated using a smartphone app for bicycle traffic planning by local authorities. In summary, it can be stated that, taking into account the factors described in this guide, GPS data are usable for bicycle traffic planning within certain limitations. (The GPS data evaluated in this case were provided by Strava Inc.) Nowadays it is already possible to assess where, when and how cyclists are moving around across the entire network. The data generated by the smartphone app could be most useful to local authorities as a supplement to existing permanent traffic counters. However, there are a few aspects that need to be considered when evaluating and interpreting the data, such as the rather fitness-oriented context of the routes surveyed in the examples examined. Moreover, some of the data is still provided as database or GIS files, although some online templates that are easier to use are being set up, and some can already be used in a basic initial form. This means that evaluation and interpretation still require specialist expertise as well as human resources. However, the need for these is expected to reduce in the future with the further development of web interfaces and supporting evaluation templates. For this to work, developers need to collaborate with local authorities to work out what parameters are needed as well as the most suitable formats. This research project carried out an approach to extrapolating cycling traffic volumes from random samples of GPS data over the whole network. This was also successfully verified in another municipality. Further research is still nevertheless required in the future, as well as adaptation to the needs of different localities. Evidence for the usability of GPS data in practice still needs to be acquired in the near future. The cities of Dresden, Leipzig and Mainz could be taken as examples for this, as they have all already taken their first steps in the use of GPS data in planning for and supporting cycling. These steps make sense in the light of the increasing digitisation of traffic and transport and the growing amount of data available as a result – despite the limitations on these data to date – so that administrative bodies can start early in building up the appropriate skills among their staff. The use of GPS data would yield benefits for bicycle traffic planning in the long run. In addition, the active involvement of cyclists opens up new possibilities in communication and citizen participation – even without requiring specialist knowledge. This guide delivers a practical introduction to the topic, giving a comprehensive overview of the opportunities, obstacles and potential offered by GPS data.

Für einen attraktiven Radverkehr bedarf es einer qualitativ hochwertigen Infrastruktur. Bisher liegen durch den hohen Aufwand von Vor-Ort-Erfassungen nur punktuelle Radverkehrsstärken vor. Die aktuell wohl zuverlässigsten und tauglichsten Werte liefern bisher fest installierte automatische Radverkehrszählstellen, wie sie bereits viele Kommunen installiert haben. Ein Nachteil ist hierbei, dass für eine flächige Abdeckung mit einer besseren Aussagekraft für die gesamte Stadt oder Kommune die Anzahl der Erhebungspunkte meist deutlich zu gering ist. Die Bedeutung des Nebennetzes für den Radverkehr wird somit nur unvollständig erfasst. Für weitere Parameter, wie Wartezeiten, Routenwahl oder Geschwindigkeiten der Radfahrenden, fehlen dagegen meist die Daten. Perspektivisch kann diese Lücke unter anderem durch GPS-Routendaten gefüllt werden, was durch die mittlerweile sehr hohe Verbreitung von Smartphones und den entsprechenden Tracking-Apps ermöglicht wird. Die Ergebnisse des im Leitfaden vorgestellten Projektes sind durch das BMVI im Rahmen des Nationalen Radverkehrsplans 2020 gefördert wurden. Das Forschungsprojekt untersucht dabei die Nutzbarkeit von mit Smartphones generierten Nutzerdaten einer App für die kommunale Radverkehrsplanung. Zusammenfassend lässt sich sagen, dass unter Beachtung der im folgenden Leitfaden beschriebenen Faktoren GPS-Daten, im vorliegenden Fall die der Firma Strava Inc., mit einigen Einschränkungen für die Radverkehrsplanung nutzbar sind. Bereits heute sind damit Auswertungen möglich, die zeigen, wo, wann und wie sich Radfahrende im gesamten Netz bewegen. Die mittels Smartphone-App generierten Daten können sehr sinnvoll als Ergänzung zu bestehenden Dauerzählstellen von Kommunen genutzt werden. Berücksichtigt werden sollten bei der Auswertung und Interpretation der Daten jedoch einige Aspekte, wie der eher sportlich orientierte Kontext der erfassten Routen in den untersuchten Beispielen. Des Weiteren werden aktuell die Daten zum Teil noch als Datenbank- oder GIS-Dateien zur Verfügung gestellt, bzw. befinden sich online Masken zur einfacheren Nutzung im Aufbau oder einem ersten Nutzungsstadium. Die Auswertung und Interpretation erfordert also weiterhin Fachkompetenz und auch personelle Ressourcen. Der Einsatz dieser sinkt jedoch voraussichtlich zukünftig durch die Weiterentwicklung von Web-Oberflächen und unterstützenden Auswertemasken. Hier gilt es zukünftig, in Zusammenarbeit mit den Kommunen, die benötigten Parameter sowie die geeignetsten Aufbereitungsformen zu erarbeiten. Im Forschungsprojekt erfolgte ein Ansatz der Hochrechnung von Radverkehrsstärken aus Stichproben von GPS-Daten auf das gesamte Netz. Dieser konnte auch erfolgreich in einer weiteren Kommune verifiziert werden. Jedoch ist auch hier in Zukunft noch Forschungsbedarf vorhanden bzw. die Anpassung auf lokale Gegebenheiten notwendig. In naher Zukunft ist es notwendig, den Praxisnachweis für die Nutzbarkeit von GPS-Daten zu erbringen. Vorbilder hierfür können die Städte Bremen, Dresden, Leipzig oder Mainz sein, die jeweils bereits erste Schritte zur Nutzung von GPS-Daten in der Radverkehrsplanung und -förderung unternehmen. Diese Schritte sind vor dem Hintergrund der weiteren Digitalisierung von Mobilität und Verkehrsmitteln und dem damit wachsenden Datenangebot – auch trotz der bisherigen Einschränkungen der Daten – sinnvoll, um in den Verwaltungen frühzeitig entsprechende Kompetenzen aufzubauen. Langfristig bietet die Nutzung von GPS-Daten einen Mehrwert für die Radverkehrsplanung. Der aktive Einbezug von Radfahrenden eröffnet zudem neue Möglichkeiten in der Kommunikation und der Bürgerbeteiligung – auch ohne Fachwissen vorauszusetzen. Der vorliegende Leitfaden liefert dafür einen praxisorientierten Einstieg in das Thema und weist umfassend auf Angebote, Hindernisse und Potenziale von GPS-Daten hin.