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.

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.

Eine an den Bedürfnissen von Radfahrer*innen orientierte Planung ist für die Förde-rung des Radverkehrs unumgänglich. Um den Ausbau der Radverkehrsinfrastruktur ent-sprechend zu planen, sind jedoch Informationen zum Routenwahlverhalten der Radfah-renden und dessen Einflussfaktoren notwendig. Mit diesen Informationen können z.B. Wirkungen von Maßnahmen oder die zukünftige Nutzung von geplanter Radverkehrsinf-rastruktur abgeschätzt werden. Aus diesem Grund wurden vor allem in der letzten Dekade zahlreiche internationale Arbeiten vorangetrieben, die die Routenwahl auf Basis von GPS-basierten Daten zum real beobachteten Routenwahlverhalten untersuchten. Da die Studien meist für einzelne und nichtdeutsche Städte durchgeführt wurden, lassen sich die Ergebnisse jedoch nicht direkt auf den deutschen Raum übertragen. Um die Einflussfaktoren der Routenwahl für den deutschen Raum zu untersuchen, wird in dieser Arbeit die Routenwahl von Radfahrenden im Raum Dresden analysiert. Ba-sis der Untersuchung stellt ein während der Aktion STADTRADELN erhobener GPS-Daten-satz dar, der 18.459 Radfahrten von 1.361 Radfahrer*innen enthält und Auskunft über deren real beobachtetes Routenwahlverhalten gibt. Die erhobenen Routendaten wurden mit unterschiedlichen Verfahren aufbereitet und über ein Verkehrsnetz mit Sekundärda-ten angereichert, sodass die Eigenschaften der gewählten Routen berechnet und den je-weils erzeugten und nicht gewählten Routenalternativen gegenübergestellt werden konn-ten. Der Einfluss der unterschiedlichen Faktoren wurde anschließend mittels logistischer Regressionsanalyse untersucht. Das Ergebnis der Untersuchung zeigt auf, dass sich die folgenden Einflussfaktoren positiv auf die Routenwahl auswirken: + Existenz von Radverkehrsinfrastruktur + Geringe Längsneigungen + Gute Oberflächenbeschaffenheit (z.B. Asphalt) + Vorhandensein anderer Radfahrender entlang einer Route + Geringe zulässige Maximalgeschwindigkeit des motorisierten Verkehrs + Geringe Fahrstreifenanzahl des Kfz-Verkehrs + Durch Lichtsignalanlagen geregelte Knotenpunkte + Grün- und Wohngebietsflächen Demgegenüber üben die folgenden Einflussfaktoren einen negativen Einfluss auf die Wahl einer Route aus: – Zunehmende Distanz – Hohe Streckenanteile mit großer Längsneigung – Eine hohe maximale Längsneigung der Route – Geringe Breite der Radverkehrsführung – Höhere Unfallhäufigkeit entlang der Route Für einige Einflussfaktoren konnte kein (signifikanter) Einfluss auf die Routenwahl nachgewiesen werden. Dazu gehören bspw. die durchschnittlich tägliche Verkehrsstärke des Kfz-Verkehrs, der ruhende Verkehr oder die Häufigkeit von „rechts-vor-links“ geregel-ten Knotenpunkten. Die vorliegende Arbeit konnte dazu beitragen, die Wirkung der Einflussfaktoren auf die Routenwahl im Radverkehr einer deutschen Stadt zu quantifizieren. Eine Stärke der Untersuchung liegt in der Erhebung und Nutzung des umfangreichen GPS-Datensatzes zum real beobachteten Routenwahlverhalten der Radfahrer*innen. Das resultierende Routenwahlmodell kann für die Abschätzung von Maßnahmenwirkungen genutzt werden (z.B. im Rahmen der Verkehrsnachfragemodellierung). Eine kritische Reflexion der Ergebnisse und Methoden zeigt, dass die Qualität der Ana-lyse und ihrer Ergebnisse durch die Nutzung weiterer Sekundär- und Primärdaten sowie anderer Methoden weiter verbessert werden kann. Die Ergebnisse der Untersuchung geben einen Einblick in die Routenwahl der Radfah-renden des Untersuchungsgebiets. Im Rahmen der Arbeit konnte nicht geprüft werden, ob die Routenwahl der Radfahrer*innen in Dresden vergleichbar mit der Routenwahl in anderen deutschen Städten ist. Das entwickelte Verfahren kann jedoch auch für Analysen in anderen Städten angewendet werden, sodass verlässliche Aussagen zur Routenwahl deutscher Radfahrender in anderen deutschen Kommunen erarbeitet werden können. Es lassen sich insgesamt folgende Schlussfolgerungen ziehen: Um den Radfahrenden eine möglichst attraktive Radverkehrsinfrastruktur zu bieten und damit die Nutzung des Fahrrads zu fördern, sollte der Radverkehr auf eigener Radverkehrsinfrastruktur geführt werden, die möglichst breit ist und eine gute Oberflächenqualität besitzt. Entlang der Rad-routen sollten die Geschwindigkeiten des fließenden motorisierten Verkehrs möglichst reduziert werden. Die Bündelung von Radverkehrsströmen sowie die Führung durch Grünflächen kann zudem Fahrtkomfort und Sicherheitsempfinden erhöhen. / User-oriented bicycle planning is essential for the promotion of cycling in cities. In order to adequately plan and build cycling infrastructure, information on route choice be-haviour of cyclists and its influencing factors is essential. The knowledge about influencing factors of bicycle route choice can help to assess the effect of measures as well as future or potential utilisation of planned cycling infrastructure. Several international studies – particularly carried out in the last decade – examined route choice based on GPS-based revealed preference data. As the studies were mostly conducted for few and non-German cities the results, however, cannot be directly trans-ferred to the German area. In order to investigate bicycle route choice for the German area, the route choice of cyclists in the city of Dresden is analysed in this study. The basis of the investigation is a GPS data set collected during the CITY CYCLING campaign. It contains 18,459 bicycle trips by 1,361 cyclists and provides detailed information about the observed route choice be-haviour of cyclists. The collected route data were processed by using different methods. Linking the routes to a traffic supply network allowed enriching them with secondary data so that characteristics of the selected routes and the non-selected generated alternatives were determined. The influence of the different factors was investigated using logistic re-gression analysis. The results of the study reveal that the following influencing factors positively affect bicycle route choice: + Existence of cycling infrastructure + Low slopes + Good surface conditions (e.g. asphalt) + Presence of other cyclists along a route + Low maximum speed of motorised traffic + Few number of lanes for motorised traffic + Intersections controlled by traffic signals + Green and residential areas In contrast, the following factors show a negative influence on bicycle route choice: – Increasing distance – High proportion of routes with steep longitudinal gradients – A high maximum gradient along the route – Narrow width of the cycle lane – Higher accident frequency along the route For some influencing factors, no (significant) influence on route choice was found (e.g. for the average daily traffic volume of motorized traffic, stationary traffic or the frequency of right-of-way regulated intersections). The present study contributes to the quantification of influencing factors or rather their effect on bicycle route choice in a German city. Furthermore, the resulting route choice model can be used to estimate the effects of different measures (e.g. in the context of traffic demand modelling). A strength of the study is the extensive data set on revealed preferences of cyclists that has been used to analyse route choice behaviour. A critical reflection of the results and methods shows that the quality of the analysis and its results could further be improved by using more secondary and primary data as well as other models for analysis. The results of the study provide an insight into route choices of cyclists in the study area. However, it could not be determined whether route choice of cyclists in Dresden is similar to route choice of cyclists in other German cities. Nevertheless, the developed method could also be used to analyse route choice in other cities, so that reliable state-ments on route choice of German cyclists can be compiled. Overall, the following conclusions can be drawn: in order to provide cyclists the most attractive cycling infrastructure possible and, thus, promote the use of cycling in cities, bicycle traffic should be guided on dedicated and wide cycling infrastructure with good surface quality. Furthermore, the speed of moving motorised traffic should be reduced along the route segments if possible. Bundling of cycling traffic flows and routing cyclists through green spaces can furthermore increase riding comfort and the perception of safety.

Die vorliegende Dissertationsschrift geht der Frage nach, wie die Qualität von Haushaltsbefragungen zum Verkehrsverhalten bestimmt, bewertet und für zukünftige Erhebungen sichergestellt werden kann. Dabei spielt die Teilnahmebereitschaft als ein bedeutsamer, keinesfalls aber alleiniger Qualitätsindikator eine wichtige Rolle. Eine zentrale Forschungsfrage der Arbeit beschäftigt sich mit der Eignung gruppenspezifischer Ansprache und Befragung zur Erhöhung der Befragungsqualität. Ausgehend von grundsätzlichen Betrachtungen zu Bedeutung, wesentlichen Designelementen und insbesondere Fehlerquellen von Befragungen in der empirischen Sozialforschung, sind verschiedene Ansätze zur Einschätzung der Qualität einer Befragung Gegenstand dieses Teils der Arbeit. Darauf aufbauend werden stichtagsbezogene Haushaltsbefragungen zum Verkehrsverhalten im Alltag als Spezialfall von Befragungen eingeführt und Ansätze zur Qualitätssicherung bei derartigen Haushaltsbefragungen zusammengetragen. Eine Gegenüberstellung von Designelementen und möglichen Fehlern bei Verkehrsverhaltensbefragungen ermöglicht die Identifizierung und Beschreibung von neun Handlungsfeldern. Im Kontext von Erkenntnissen aus der Erhebungspraxis sowie Erfahrungen bei der Durchführung mehrerer Durchgänge des Forschungsprojektes „Mobilität in Städten – SrV“ wird eingeschätzt, inwieweit die jeweiligen Handlungsfelder zur Verminderung von Fehlereinflüssen und zur Qualitätssicherung beitragen können. Auf dieser Grundlage werden konkrete Handlungsoptionen ausgewählt. Für die Einschätzung der Handlungsoptionen hinsichtlich ihrer Wirksamkeit bei der Sicherung und Steigerung der Erhebungsqualität können auf Basis umfangreicher Literaturauswertungen insgesamt 24 Qualitätsindikatoren zusammengestellt werden. Diese ermöglichen die systematische Bewertung der Erfassungs-, Inhalts- und Durchführungsqualität. Unter Einbeziehung der Untersuchungsgruppen und Qualitätsindikatoren wird in einer vertieften empirischen Analyse untersucht, in welchem Maße die ausgewählten Handlungsoptionen zur gruppenspezifischen Ansprache und Befragung geeignet sind und ob sich dadurch die Erhebungsqualität steigern lässt. Neben umfangreichen Gruppenvergleichen findet eine Befragungssimulation nach der Monte-Carlo-Methode statt. Die Datenbasis dieser Analysen besteht überwiegend aus den Erhebungsdurchgängen und Sondererhebungen von „Mobilität in Städten – SrV“. Im Ergebnis der Analysen lassen sich Empfehlungen für die Weiterentwicklung von Haushaltsbefragungen zur Erfassung von Verkehrsverhaltensdaten ableiten. Diese gliedern sich in einen gruppenübergreifenden Teil und einen Abschnitt für spezielle Gruppen. Noch vorangestellt ist die klare Empfehlung, bei Haushaltsbefragungen zukünftig nur noch eine Person des Haushalts zu ihren Wegen am Stichtag zu befragen. Dieses Vorgehen erleichtert die zukünftige Implementierung (sogar trennscharfer) gruppenspezifischer Ansätze deutlich. Die zusammengestellten Empfehlungen bieten eine konsistente, praktikable und auf andere Befragungen übertragbare Basis, das Erhebungsdesign bestehender und zukünftiger Haushaltsbefragungen zum Verkehrsverhalten so anzupassen, dass durch die vollständige oder zumindest teilweise Umsetzung gruppenspezifischer Ansätze eine Verbesserung der Erhebungsqualität insgesamt erzielt werden kann. / This dissertation addresses the question of how the quality of household travel surveys can be determined, evaluated, and ensured for the development of future surveys. The willingness of individuals to participate is an important, but by no means exclusive, indicator of quality. A central research question of this work deals with the concept of combining group-specific survey methods to increase survey quality. Beginning with some fundamental terminological considerations, this work then focuses on essential design elements and, in particular, sources of error in surveys in empirical social research in order to establish various approaches for assessing the quality of a survey. Building on this, household travel surveys are introduced in specific examples, and approaches for quality assurance in such household travel surveys are compiled. A comparison of design elements and possible errors in household travel surveys provides for the identification and description of nine areas of activity. In the context of findings from the surveying practice as well as experience in conducting several waves of the research project "Mobility in Cities – SrV", the extent to which the respective fields of action can contribute to the reduction of errors and to quality assurance was assessed. On this basis, concrete options for action were selected. In order to evaluate the courses for action in terms of their effectiveness in securing and increasing the quality of surveys, a total of 24 quality indicators were compiled on the basis of extensive literature review. These allowed for the systematic assessment of three areas: quality of collection, content, and of application. With the involvement of analysis groups and quality indicators, a detailed empirical analysis was carried out to examine the extent to which the selected courses for action are suitable for group-specific combinations of survey methods and whether this can increase survey quality. In addition to extensive group comparisons, a survey simulation was implemented using the Monte Carlo method. The data foundation for these analyses primarily consisted of the surveys carried out for the research project "Mobility in Cities – SrV". These analyses enabled the establishment of recommendations which further the development of household travel surveys; these were divided into a cross-group section as well as a section for specific groups. Prior to these recommendations, it became clear that for future household travel surveys, only one individual in the household should be questioned regarding their trips on specific reference days. This decision significantly facilitates the future implementation of (even more selective) group-specific approaches. The compiled recommendations provide a consistent, practical foundation that can be applied to other surveys in order to adapt the design of existing and future household travel surveys, thus providing an overall or at least partial implementation of group-specific approaches which can improve overall survey quality.

Die vorliegende Dissertationsschrift geht der Frage nach, wie die Qualität von Haushaltsbefragungen zum Verkehrsverhalten bestimmt, bewertet und für zukünftige Erhebungen sichergestellt werden kann. Dabei spielt die Teilnahmebereitschaft als ein bedeutsamer, keinesfalls aber alleiniger Qualitätsindikator eine wichtige Rolle. Eine zentrale Forschungsfrage der Arbeit beschäftigt sich mit der Eignung gruppenspezifischer Ansprache und Befragung zur Erhöhung der Befragungsqualität. Ausgehend von grundsätzlichen Betrachtungen zu Bedeutung, wesentlichen Designelementen und insbesondere Fehlerquellen von Befragungen in der empirischen Sozialforschung, sind verschiedene Ansätze zur Einschätzung der Qualität einer Befragung Gegenstand dieses Teils der Arbeit. Darauf aufbauend werden stichtagsbezogene Haushaltsbefragungen zum Verkehrsverhalten im Alltag als Spezialfall von Befragungen eingeführt und Ansätze zur Qualitätssicherung bei derartigen Haushaltsbefragungen zusammengetragen. Eine Gegenüberstellung von Designelementen und möglichen Fehlern bei Verkehrsverhaltensbefragungen ermöglicht die Identifizierung und Beschreibung von neun Handlungsfeldern. Im Kontext von Erkenntnissen aus der Erhebungspraxis sowie Erfahrungen bei der Durchführung mehrerer Durchgänge des Forschungsprojektes „Mobilität in Städten – SrV“ wird eingeschätzt, inwieweit die jeweiligen Handlungsfelder zur Verminderung von Fehlereinflüssen und zur Qualitätssicherung beitragen können. Auf dieser Grundlage werden konkrete Handlungsoptionen ausgewählt. Für die Einschätzung der Handlungsoptionen hinsichtlich ihrer Wirksamkeit bei der Sicherung und Steigerung der Erhebungsqualität können auf Basis umfangreicher Literaturauswertungen insgesamt 24 Qualitätsindikatoren zusammengestellt werden. Diese ermöglichen die systematische Bewertung der Erfassungs-, Inhalts- und Durchführungsqualität. Unter Einbeziehung der Untersuchungsgruppen und Qualitätsindikatoren wird in einer vertieften empirischen Analyse untersucht, in welchem Maße die ausgewählten Handlungsoptionen zur gruppenspezifischen Ansprache und Befragung geeignet sind und ob sich dadurch die Erhebungsqualität steigern lässt. Neben umfangreichen Gruppenvergleichen findet eine Befragungssimulation nach der Monte-Carlo-Methode statt. Die Datenbasis dieser Analysen besteht überwiegend aus den Erhebungsdurchgängen und Sondererhebungen von „Mobilität in Städten – SrV“. Im Ergebnis der Analysen lassen sich Empfehlungen für die Weiterentwicklung von Haushaltsbefragungen zur Erfassung von Verkehrsverhaltensdaten ableiten. Diese gliedern sich in einen gruppenübergreifenden Teil und einen Abschnitt für spezielle Gruppen. Noch vorangestellt ist die klare Empfehlung, bei Haushaltsbefragungen zukünftig nur noch eine Person des Haushalts zu ihren Wegen am Stichtag zu befragen. Dieses Vorgehen erleichtert die zukünftige Implementierung (sogar trennscharfer) gruppenspezifischer Ansätze deutlich. Die zusammengestellten Empfehlungen bieten eine konsistente, praktikable und auf andere Befragungen übertragbare Basis, das Erhebungsdesign bestehender und zukünftiger Haushaltsbefragungen zum Verkehrsverhalten so anzupassen, dass durch die vollständige oder zumindest teilweise Umsetzung gruppenspezifischer Ansätze eine Verbesserung der Erhebungsqualität insgesamt erzielt werden kann. / This dissertation addresses the question of how the quality of household travel surveys can be determined, evaluated, and ensured for the development of future surveys. The willingness of individuals to participate is an important, but by no means exclusive, indicator of quality. A central research question of this work deals with the concept of combining group-specific survey methods to increase survey quality. Beginning with some fundamental terminological considerations, this work then focuses on essential design elements and, in particular, sources of error in surveys in empirical social research in order to establish various approaches for assessing the quality of a survey. Building on this, household travel surveys are introduced in specific examples, and approaches for quality assurance in such household travel surveys are compiled. A comparison of design elements and possible errors in household travel surveys provides for the identification and description of nine areas of activity. In the context of findings from the surveying practice as well as experience in conducting several waves of the research project 'Mobility in Cities – SrV', the extent to which the respective fields of action can contribute to the reduction of errors and to quality assurance was assessed. On this basis, concrete options for action were selected. In order to evaluate the courses for action in terms of their effectiveness in securing and increasing the quality of surveys, a total of 24 quality indicators were compiled on the basis of extensive literature review. These allowed for the systematic assessment of three areas: quality of collection, content, and of application. With the involvement of analysis groups and quality indicators, a detailed empirical analysis was carried out to examine the extent to which the selected courses for action are suitable for group-specific combinations of survey methods and whether this can increase survey quality. In addition to extensive group comparisons, a survey simulation was implemented using the Monte Carlo method. The data foundation for these analyses primarily consisted of the surveys carried out for the research project 'Mobility in Cities – SrV'. These analyses enabled the establishment of recommendations which further the development of household travel surveys; these were divided into a cross-group section as well as a section for specific groups. Prior to these recommendations, it became clear that for future household travel surveys, only one individual in the household should be questioned regarding their trips on specific reference days. This decision significantly facilitates the future implementation of (even more selective) group-specific approaches. The compiled recommendations provide a consistent, practical foundation that can be applied to other surveys in order to adapt the design of existing and future household travel surveys, thus providing an overall or at least partial implementation of group-specific approaches which can improve overall survey quality.

Der hohe Anteil des Verkehrs an den Gesamtemissionen, dem damit verbundenen Beitrag zum Klimawandel sowie der extensive Flächenverbrauch des Individualverkehrs verstärken die politischen Forderungen nach einer Verkehrswende. Das Ziel dieser Arbeit ist es, mithilfe ausführlich methodisch dargestellter Verfahren des maschinellen Lernens ein optimales Klassifikationsmodell zu entwickeln. Dieses ermöglicht die Evaluation und Prognose der Verkehrsmittelwahl und damit den Modal Split auf Basis verschiedener Einflussfaktoren insbesondere im Zeitverlauf zwischen 2013 und 2018. Bisherige Untersuchungen konzentrieren sich auf außereuropäische Gebiete und einmalige Erhebungsdurchläufe. Für die Analyse wird auf die von der Technischen Universität Dresden durchgeführte Mobilitätsbefragung 'SrV - Mobilität in Städten' für die 25 großen deutschen Vergleichsstädte der Jahre 2013 und 2018 zurückgegriffen. Nach der Datenaufbereitung werden unter Verwendung deskriptiver Methoden und Zusammenhangsmaße die einzelnen Merkmalsvariablen auf die Eignung in der Modellbildung beurteilt, um möglichst aussagekräftige Modellergebnisse zu erhalten. Basierend auf CART-Entscheidungsbäumen werden Modelle mit dem Bagging-, Random Forest- und dem Boosting-Algorithmus für beide Jahre erstellt. Zur Einordnung der Effektivität der Modelle werden ebenfalls Modelle für Künstliche Neuronale Netzwerke und der Multinomialen Logistischen Regression für beide Jahre untersucht. Auf Basis von Random Forest, das insgesamt in der Untersuchung mit einer Gesamttrefferquote von 82,9 % (AUC-Wert 0,9458) für 2013 und 79,8 % (AUC-Wert 0,9377) für 2018 die besten Gütemaße erzielt, werden die Einflussfaktoren mittels eines Variable Importance Plots und des Partial Dependence Plots beschrieben und ausgewertet. Insbesondere wird festgestellt, dass Länge und Dauer des Weges und die Verfügbarkeit einer Dauerkarte für den öffentlichen Verkehr den größten Einfluss auf die Verkehrsmittelwahl haben. Im Zeitverlauf fällt auf, dass insbesondere MIV-Wege durch Rad- und ÖV-Fahrten substituiert werden, während bei den Fußwegen nur geringe Veränderungen auffallen. Die geschätzten Klassifikationsmodelle erreichen überwiegend herausragende Vorhersagen der Verkehrsmittelwahl, wobei diese Prognosen für das Fahrrad sich am schwierigsten gestalten.:Inhaltsverzeichnis Abbildungsverzeichnis VII Tabellenverzeichnis XI Abkürzungsverzeichnis XIII Symbolverzeichnis XV 1 Einleitung 1 2 Literaturübersicht 3 3 Methodik 5 3.1 Entscheidungsbäume 5 3.1.1 Notation der Baumstruktur 5 3.1.2 Regressionsbäume 6 3.1.3 Klassifikationsbäume 6 3.1.4 Stutzen eines Baumes und Abbruchkriterien 9 3.1.5 Bewertung des Verfahrens 10 3.2 Bagging 11 3.2.1 Idee 11 3.2.2 Bootstrap 12 3.2.3 Subsampling 12 3.2.4 Prinzip des Bagging-Algorithmus 12 3.2.5 Bewertung des Verfahrens und Anpassung 15 3.3 Random Forest 16 3.3.1 Idee 16 3.3.2 Prinzip des Random-Forest-Algorithmus 17 3.3.3 Bewertung des Verfahrens und Anpassung 20 3.3.4 Bewertung der Einflussfaktoren 21 3.4 Boosting 23 3.4.1 Idee 23 3.4.2 Prinzip des AdaBoost-Verfahrens 24 3.4.3 Evaluation 25 3.5 Künstliches Neuronales Netzwerk 25 3.5.1 Idee 26 3.5.2 Prinzip des Künstlichen Neuronalen Netzwerks 26 3.5.3 Evaluation und Anpassungsparameter 29 3.6 Multinomiale Logistische Regression 30 3.7 Gütemaße 30 3.7.1 Trefferquote 30 3.7.2 ROC-Kurve und AUC 30 4 Daten 33 4.1 Datensatz 33 4.2 Datenaufbereitung 34 4.2.1 Auflösung der Multilevelstruktur 34 4.2.2 Daten in der Haushaltsebene 35 4.2.3 Daten in der Personenebene 36 4.2.4 Daten in der Wegeebene 37 4.2.5 Ausreißer und fehlende Werte 37 5 Deskriptive Analyse 39 5.1 Auswertung der kategorialen abhängigen Variablen 39 5.2 Auswertung der kardinalen Variablen 40 5.2.1 Streu- und Lagemaße 40 5.2.2 Korrelation zwischen den kardinalen Variablen 42 5.3 Auswertung der ordinalen und nominalen Variablen 43 5.3.1 Relative Häufigkeiten 43 5.3.2 Beurteilung der ordinalen und nominalen Variablen mithilfe des korrigierten Kontingenzkoeffizienten nach Pearson 46 5.4 Analyse statistischer Unterschiede der beiden untersuchten Stichproben 47 6 Ergebnisse der Modelle 49 6.1 Baumbasierte Klassifikationsverfahren 49 6.1.1 CART-Entscheidungsbäume 49 6.1.2 Bagging 52 6.1.3 Random Forest 53 6.1.4 Boosting 66 6.2 Künstliches Neuronales Netzwerk 69 6.3 Multinomiale Logistische Regression 71 7 Fazit 73 8 Kritische Würdigung und Ausblick 75 Literaturverzeichnis XIX Anhang XXV Danksagung LXI / The high share of traffic in total emissions, the associated contribution to climate change and the extensive land consumption of individual traffic reinforce the political demands for a traffic turnaround. The aim of this thesis is to develop an optimal classification model with the help of detailed methodical presented methods of machine learning. This enables the evaluation and forcast of the choice of means of transport and thus the modal split on the basis of various influencing factors, particularly over the course of time between 2013 and 2018. Previous studies have focused on non-European areas and one-off surveys. For the analysis, the mobility survey 'SrV-Mobilität in Städten' carried out by the Technische Universität Dresden for the 25 large German cities in 2013 and 2018 is used. After the data processing, the individual feature variables are assessed for their suitability in the modeling process using descriptive methods and correlation measures in order to obtain the most meaningful model results possible. Based on CART Decision Trees, models with the Bagging, Random Forest and Boosting algorithms are created for both years. To classify the effectiveness of the models, models for Artificial Neural Networks and Multinomial Logistic Regression are also examined for both years. Based on Random Forest, which achieved the best quality measures in the study with an overall accuracy of 82.9 % (AUC value 0.9458) for 2013 and 79.8 % (AUC value 0.9377) for 2018, the influencing factors are described and evaluated using a Variable Importance Plot and the Partial Dependence Plot. In particular, it is found that the length and duration of the journey and the availability of a season ticket for public transport have the greatest influence on the choice of the mode of transport. Over the course of time, it is noticeable that in particular motorized traffic routes are being replaced by cycling and public transport, while only minor changes are noticeable in the case of walking. Most of the estimated classification models achieve excellent predictions in the choice of mode of transport, although these predictions are the most difficult for the bicycle.:Inhaltsverzeichnis Abbildungsverzeichnis VII Tabellenverzeichnis XI Abkürzungsverzeichnis XIII Symbolverzeichnis XV 1 Einleitung 1 2 Literaturübersicht 3 3 Methodik 5 3.1 Entscheidungsbäume 5 3.1.1 Notation der Baumstruktur 5 3.1.2 Regressionsbäume 6 3.1.3 Klassifikationsbäume 6 3.1.4 Stutzen eines Baumes und Abbruchkriterien 9 3.1.5 Bewertung des Verfahrens 10 3.2 Bagging 11 3.2.1 Idee 11 3.2.2 Bootstrap 12 3.2.3 Subsampling 12 3.2.4 Prinzip des Bagging-Algorithmus 12 3.2.5 Bewertung des Verfahrens und Anpassung 15 3.3 Random Forest 16 3.3.1 Idee 16 3.3.2 Prinzip des Random-Forest-Algorithmus 17 3.3.3 Bewertung des Verfahrens und Anpassung 20 3.3.4 Bewertung der Einflussfaktoren 21 3.4 Boosting 23 3.4.1 Idee 23 3.4.2 Prinzip des AdaBoost-Verfahrens 24 3.4.3 Evaluation 25 3.5 Künstliches Neuronales Netzwerk 25 3.5.1 Idee 26 3.5.2 Prinzip des Künstlichen Neuronalen Netzwerks 26 3.5.3 Evaluation und Anpassungsparameter 29 3.6 Multinomiale Logistische Regression 30 3.7 Gütemaße 30 3.7.1 Trefferquote 30 3.7.2 ROC-Kurve und AUC 30 4 Daten 33 4.1 Datensatz 33 4.2 Datenaufbereitung 34 4.2.1 Auflösung der Multilevelstruktur 34 4.2.2 Daten in der Haushaltsebene 35 4.2.3 Daten in der Personenebene 36 4.2.4 Daten in der Wegeebene 37 4.2.5 Ausreißer und fehlende Werte 37 5 Deskriptive Analyse 39 5.1 Auswertung der kategorialen abhängigen Variablen 39 5.2 Auswertung der kardinalen Variablen 40 5.2.1 Streu- und Lagemaße 40 5.2.2 Korrelation zwischen den kardinalen Variablen 42 5.3 Auswertung der ordinalen und nominalen Variablen 43 5.3.1 Relative Häufigkeiten 43 5.3.2 Beurteilung der ordinalen und nominalen Variablen mithilfe des korrigierten Kontingenzkoeffizienten nach Pearson 46 5.4 Analyse statistischer Unterschiede der beiden untersuchten Stichproben 47 6 Ergebnisse der Modelle 49 6.1 Baumbasierte Klassifikationsverfahren 49 6.1.1 CART-Entscheidungsbäume 49 6.1.2 Bagging 52 6.1.3 Random Forest 53 6.1.4 Boosting 66 6.2 Künstliches Neuronales Netzwerk 69 6.3 Multinomiale Logistische Regression 71 7 Fazit 73 8 Kritische Würdigung und Ausblick 75 Literaturverzeichnis XIX Anhang XXV Danksagung LXI

Für die Verkehrsnachfragemodellierung stehen dem Planer sehr differenzierte Modellansätze zur Verfügung. Ein wesentliches Unterscheidungskriterium stellt dabei der Modellierungsgegenstand dar. Der Fokus der vorliegenden Arbeit ist auf makroskopische Verkehrsplanungsmodelle gerichtet. Es wird der Frage nachgegangen, in welcher Form die Ergebnisse großräumiger und lokaler Haushaltsbefragungen effizient bzw. sich gegenseitig ergänzend in Modellierungsaufgaben Einsatz finden können. Im Mittelpunkt der empirischen Datenanalyse steht die Frage, ob ein Unterschied in der Ausprägung zentraler modellierungsrelevanter Kenngrößen differenziert nach Raumtypen statistisch belegbar und planungspraktisch bedeutsam ist. Vor diesem Hintergrund wird auch die Auswirkung der komplexen Stichprobenpläne von MiD 2002 und SrV 2003 auf die Varianz der Parameterschätzung berücksichtigt. Ein in dieser Arbeit entwickelter, mehrstufiger Bewertungsalgorithmus, der dem Signifikanz-Relevanz-Problem hinreichend Rechnung trägt, bildet die Grundlage der Hypothesenprüfung. Er verbindet das Standardvorgehen (Signifikanztest) mit normativ gesetzten Effektgrößen und dem schätzerbasierten Vorgehen (Konfidenzintervalle). Eine besonders hohe Transparenz und Entscheidungskonsistenz erlangt der Ansatz dadurch, dass die Hypothesenprüfung auf Basis zweier voneinander unabhängig erhobener Untersuchungsgruppen (MiD, SrV) erfolgt. Die intensive Arbeit mit den Datengrundlagen MiD und SrV liefert eine Vielzahl von Erkenntnissen zur weiteren Qualifizierung des Erhebungsinstrumentes „Mobilität in Städten – SrV“. In Vorbereitung der im Jahre 2008 anstehenden Neuauflage der Erhebungsreihe wird nach Ansicht des Autors mit der Arbeit ein wesentlicher Impuls zur Weiterentwicklung der Methodik gegeben.

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.

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.

Für die Verkehrsnachfragemodellierung stehen dem Planer sehr differenzierte Modellansätze zur Verfügung. Ein wesentliches Unterscheidungskriterium stellt dabei der Modellierungsgegenstand dar. Der Fokus der vorliegenden Arbeit ist auf makroskopische Verkehrsplanungsmodelle gerichtet. Es wird der Frage nachgegangen, in welcher Form die Ergebnisse großräumiger und lokaler Haushaltsbefragungen effizient bzw. sich gegenseitig ergänzend in Modellierungsaufgaben Einsatz finden können. Im Mittelpunkt der empirischen Datenanalyse steht die Frage, ob ein Unterschied in der Ausprägung zentraler modellierungsrelevanter Kenngrößen differenziert nach Raumtypen statistisch belegbar und planungspraktisch bedeutsam ist. Vor diesem Hintergrund wird auch die Auswirkung der komplexen Stichprobenpläne von MiD 2002 und SrV 2003 auf die Varianz der Parameterschätzung berücksichtigt. Ein in dieser Arbeit entwickelter, mehrstufiger Bewertungsalgorithmus, der dem Signifikanz-Relevanz-Problem hinreichend Rechnung trägt, bildet die Grundlage der Hypothesenprüfung. Er verbindet das Standardvorgehen (Signifikanztest) mit normativ gesetzten Effektgrößen und dem schätzerbasierten Vorgehen (Konfidenzintervalle). Eine besonders hohe Transparenz und Entscheidungskonsistenz erlangt der Ansatz dadurch, dass die Hypothesenprüfung auf Basis zweier voneinander unabhängig erhobener Untersuchungsgruppen (MiD, SrV) erfolgt. Die intensive Arbeit mit den Datengrundlagen MiD und SrV liefert eine Vielzahl von Erkenntnissen zur weiteren Qualifizierung des Erhebungsinstrumentes „Mobilität in Städten – SrV“. In Vorbereitung der im Jahre 2008 anstehenden Neuauflage der Erhebungsreihe wird nach Ansicht des Autors mit der Arbeit ein wesentlicher Impuls zur Weiterentwicklung der Methodik gegeben.