Free-floating carsharing systems are among the newest types of carsharing programs. They allow one-way rentals and have no set “homes” or docks for the carsharing vehicles; instead, users are permitted to drive the vehicles anywhere within the operating zone and leave the vehicle in a legal parking space. Compared to traditional carsharing operations, which require the user to bring the vehicle back to its assigned parking space before being able to end the rental, free-floating carsharing allows much greater spontaneity and flexibility for the user. However, it leads to additional operational challenges for the program. This dissertation provides methodologies for some of these challenges facing both free-floating and traditional carsharing programs. First, it analyzes cities with carsharing to determine what characteristics increase the likelihood of the city supporting a successful carsharing program; high overall population, small household sizes, high transit use, and high levels of government employment all make the city a likely carsharing contender. Second, in terms of membership prediction, several modeling alternatives exist. All of the options find that the operating area is of key importance, with other factors (including household size, household densities, and proportion of the population between ages 20 and 39) of varying importance depending on the modeling technique. Third, carsharing trip frequencies and mode share are of value to both carsharing and metropolitan planning organizations, and this dissertation provides innovative techniques to determine the number of trips taken and the share of total travel completed with carsharing (both free-floating and traditional). Fourth and finally, an original methodology for optimizing the vehicle allocation issue for free-floating carsharing organizations is provided. The methodology takes a user input for the total number of vehicles and returns the allocations across multiple demand periods that will maximize revenue, taking into account the cost of reallocating vehicles between demand periods. / text

No description available.

Free-floating planets (FFPs) are very difficult to observe directly since they are isolated and intrinsically faint. The gravitational microlensing effect is now major method to observe FFPs, but observing low-mass FFPs is still difficult due to their short duration. We compute simulations for FFP microlensing observations down to Earth-mass using the numerical Besancon Galactic model created by Robin et al. (2012a). These are the first detailed simulation of FFP microlensing using a population synthesis Galactic model incorporating a 3D extinction model, and we also take full account of finite source effects. Firstly, we simulate the microlensing event rate and spatial distribution using three different modes, and for each mode three FFP lens masses (Jupiter, Neptune, and Earth). For the target area of (l, b) =(1, -1.75) which corresponds to the centre of the proposed Euclid ExELS field, our simulations result in 184-920 Jupiter-mass FFPs during the 5 year Euclid mission depending on simulation assumptions. For the Earth-mass FFPs, the rate range is 9-49 FFPs assuming 100% detection efficiency. Next, we compute the rate of parallax detection using a 3D model of the observers. We consider parallax detection by Euclid and WFIRST-AFTA, and by Euclid and LSST. We found that 52 Jupiter-mass FFPs will be detected by a parallax between Euclid and WFIRST-AFTA for two 30-day continuous period around equinoxes if they observe simultaneously. The rate falls to 4 parallax events for Earth-mass FFPs. The parallax detection between Euclid and LSST would be affected by the observation time on the Earth, but it could provide 20 Jupiter-mass FFPs down to 1.4 Earth-mass FFPs.

Objectives: The purpose of this paper is to investigate possible reasons, based on economic and city characteristics, for the different usage of free-floating carsharing between a car-dependent city (Calgary) and one non-car-dependent city (Berlin). This paper identifies factors that help a free-floating carsharing system to be successful in a city that scores poorly on com-monly known success factors of carsharing. Methods: Various factors were evaluated, namely, geographic and demographic market char-acteristics, the available transport systems and the costs and household spending of both cities. A dataset which describes the usage of free-floating carsharing in Berlin and Calgary from Au-gust 2016 to November 2016 was analyzed in this study. Results: Calgary’s car2go system has fewer rentals and fewer members than Berlin. Possible reasons lie in the different city characteristics and different cost structures. Both 85th percentile of the travel distance is approximately as long as the radius of the respective home area in both cities. Thus, the median travel distance and the median reservation/rental duration is shorter in Calgary than in Berlin. The fact that more than 70 % of rentals in Calgary arrive in, depart from or travel within areas with active parking management could be due to the fact that free-floating carsharing users do not need to pay extra for parking fees. The carsharing bookings in Calgary peak at midnight when the public transportation service shuts down. The peak could also be the result of the high number of 3-minute long rentals at this time. Neither the high number of 3-minute bookings, the midnight peak, nor the public transport service close down during night, can be observed in Berlin. Given that employees in downtown Calgary may prefer to use free-floating carsharing to run errands during lunchbreak, the carsharing bookings do not plummet during midday, in contrast to Berlin, which only has a limited number of short distance rentals and where the free-floating carsharing bookings follow a similar pattern to the two-humped car traffic volume graph. Conclusion: Given the focus of the departures and arrivals in Calgary in areas where parking fees are charged, active parking management could be a success factor for free-floating car-sharing in car-dependent cities. However, it is not advisable to solely enforce parking fees within select parts of the home area as individuals generally prefer to use the less expensive mode of transport; which is free-floating carsharing to travel from and to areas with active parking man-agement and their own car for any other trip. As a result, the city would not gain the benefits free-floating carsharing could provide. Recommendations: Based on the results of this study, it is advisable to investigate whether home area wide or city wide parking management and surcharges for trips to downtown could encourage Calgary’s members in to use the car2go in a way that it provides the most benefits from a city perspective.

No description available.

No description available.

No description available.

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.

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.

A well-crafted, locally adapted customer value proposition (CVP) can aid businesses in attaining loyal customers. The main purpose of this research is to determine the key value components that should be considered for the development of a CVP, for free-floating car sharing services in the Nordic region. This is done by establishing the relationship between deductively identified value components, perceived value, satisfaction, trust, and loyalty.  A research framework is proposed, where the relationships between the different constructs are hypothesised. Quantitative data is collected from existing car sharing users in the Nordic countries, through a self-administered online questionnaire, distributed through a non-probability sampling method. The empirical data is analysed through multiple regression analysis using the software SPSS, and the extension “PROCESS”, as well as additional analysis techniques to ensure data quality. The research findings indicate that perceived convenience, need fit, and a low service price positively impact both perceived value, as well as satisfaction. Satisfaction shows a stronger, positive effect on loyalty than that of perceived value, yet, loyalty is better explained when both constructs are accounted for. Additionally, trust shows to carry a mediating effect between both satisfaction and loyalty, as well as between perceived value and loyalty. Therefore, firms operating within this context should emphasise the customer needs to provide a service which is perceived as affordable and convenient. Finally, efforts should be taken to reduce uncertainty, and promote trust between the service providers, and their users.