Using pooled European Social Survey data (Rounds 4-7, 2008-2014), we investigate the relationship between intergenerational educational mobility and subjective wellbeing (SWB) for young Europeans (N = 16,050 individuals aged 25-34 from 18 countries). Previous research has been struggling with inconclusive results due to the methodological challenge of disentangling the independent (i.e., "net") effect of social mobility over and above the effects of social origin and destination. We contribute to this line of research by contrasting mobility effects estimated in a conventional linear regression framework with net mobility effects estimated by (non-linear) diagonal mobility models (DMM). We show how model selection influences estimates of mobility effects and how different specifications lead to radically different findings. Using DMM, we estimate how intergenerational educational mobility affects the SWB of young Europeans, differentiating between downward and upward mobility and different country groups. Our results suggest that status loss/gain across generations affects young adults' SWB in addition to the level-effect of ending up in a lower/ higher status position only in Continental Europe.

Die vorliegende Arbeit untersucht das Mobilitätsverhalten junger Erwachsener. Dies ist von besonderer Relevanz, da die heutige jüngere Generation die Mobilität der Zukunft prägen wird. Aus jenem Grund ist es von eminenter Bedeutung, dass diese Altersklasse intensiv und über einen längeren Zeitraum betrachtet wird, um Veränderungen in deren Verkehrsmittelwahlverhalten zu erkennen. Weiterhin beeinflussen neben den mobilitätsspezifischen Einflüssen auch soziodemografische Entwicklungen das genannte Verhalten, welche sowohl identifiziert, als auch bzgl. der Einflussstärke ausgewertet werden müssen. Ein Vergleich diverser Studien zeigt jedoch, dass die Altersklasse der jungen Erwachsenen eine noch relativ unerforschte Gruppe darstellt. Zudem besteht im Hinblick auf die Altersabgrenzung in der Literatur Uneinigkeit. Daraus ergibt sich die zentrale Frage dieser Arbeit, inwieweit sich die Gruppe der jungen Erwachsenen im Mobilitätsverhalten unterscheidet und ob es somit sinnvoll ist eine differenziertere Betrachtung vorzunehmen. Nach intensiver Recherche wurde hier die Altersspanne der jungen Erwachsenen wie folgt definiert: Personen zwischen 18 und 35 Jahren. Als Datengrundlage dieser empirischen Analyse wurden die großen SrV-Vergleichsstädte von 2013 herangezogen. Der Datensatz jener Stadtgruppe bezieht sich auf deutsche Großstädte mit mind. 100.000 Einwohnern. Mithilfe einer Clusteranalyse konnte zunächst eine Struktur im Datensatz aufgedeckt werden, wonach die 18-21-, 22-26- und 27-35-Jährigen homogene Cluster bilden. Diese Cluster wurden anschließend deskriptiv analysiert. Hierbei sind deutliche Unterschiede im Verkehrsmittelwahlverhalten festzustellen. Der MIV-Anteil steigt z. B. mit zunehmendem Alter an, wohingegen beim ÖPV ein entgegengesetztes Verhalten zu erkennen ist. Die Fahrradnutzung ist wiederum konstant und mit steigendem Alter werden mehr Wege zu Fuß zurückgelegt. Weiterhin werden die einzelnen Gruppen u. a. durch unterschiedliche Lebensumstände sowie neue Kommunikationstechnologie beeinflusst. Abschließend wurde eine Diskriminanzanalyse durchgeführt, um ein Modell zur Gruppentrennung der drei gebildeten Cluster zu entwickeln. Das resultierende Modell beinhaltet jeweils drei soziodemografische und mobilitätsspezifische Variablen und trennt die Gruppen sehr gut. Darüber hinaus wurden die Elemente eines Kontrolldatensatzes ähnlich optimal eingeordnet, wodurch die Anwendbarkeit dieses Modells bestätigt werden konnte. Die Analyse des Mobilitätsverhaltens der jungen Erwachsenen hat somit ergeben, dass es sich hierbei um eine heterogene Altersklasse handelt. Aus diesem Grund scheint es sinnvoll jene Zielgruppe bei zukünftigen Untersuchungen differenzierter zu betrachten und die ermittelten Cluster zu berücksichtigen.:Inhaltsverzeichnis v Abbildungsverzeichnis vii Abkürzungsverzeichnis ix 1 Einleitung 1 2 Theoretische Grundlagen 3 2.1 Datengrundlage 3 2.2 Multivariate Analysemethoden 5 2.2.1 Clusteranalyse 6 2.2.2 Diskriminanzanalyse 10 3 Literaturanalyse 17 3.1 Altersabgrenzung 17 3.2 Mobilitätsstudien 20 4 Clusteranalyse 25 4.1 Merkmalsvariablen 25 4.2 Clusterbildung 26 4.3 Ergebnisprüfung 27 5 Deskriptive Analyse 31 5.1 Soziodemografische Betrachtung 31 5.2 Mobilitätsspezifische Betrachtung 33 5.2.1 Modal-Split 33 5.2.2 Wegespezifische Daten 39 5.2.3 Verkehrstechnische Daten 41 6 Diskriminanzanalyse 47 6.1 Merkmalsvariablen 47 6.2 Untersuchungsergebnisse 50 6.3 Güteprüfung 52 6.3.1 Modellklassifikation 53 6.3.2 Kontrollgruppe 54 7 Fazit 57 8 Kritische Würdigung 59 9 Ausblick 61 Literaturverzeichnis XI Anhang XVII

Multimodalität, die Nutzung mehrerer Verkehrsmittel innerhalb eines bestimmten Zeitraums, ist ein Sammelbegriff für sehr unterschiedlich in der Alltagspraxis umgesetztes Mobilitätsverhalten. Sie wird als Gegenkonzept zur einseitigen Nutzung des privaten Autos verstanden, mit dem sich große Hoffnungen für die zukünftige Entwicklung des Verkehrs verbinden. Bisherige Arbeiten grenzen den betrachteten Personenkreis fast immer auf eine bestimmte Form multimodalen Verhaltens ein, allen voran auf die Nutzung des Autos und öffentlicher Verkehrsmittel. Ansatzpunkt der vorliegenden Arbeit ist es, die verschiedenen Facetten multimodalen Verhaltens in ihrer Gesamtheit darzustellen und zu untersuchen. Hierzu wird eine Klassifikation entwickelt, die sich aus der Modalwahl ableitet. Die Analyse des Mobilitätsverhaltens basiert auf den Daten des Deutschen Mobilitätspanels von 1999 bis 2008 und der Studie Mobilität in Deutschland aus den Jahren 2002 und 2008. In Abhängigkeit davon, welche der Verkehrsmittel MIV, ÖV und Fahrrad im Verlauf einer Woche zum Einsatz kommen, werden die Probanden einer Modalgruppe zugeordnet. Die Analyse lässt den enormen Facettenreichtum multimodalen Verhaltens erkennen. Generell ist multimodales Verhalten eine urbane Verhaltensweise, die v.a. den Alltag junger Personen prägt und dies in zunehmendem Maß. In Summe legen Multimodale weniger Kilometer mit dem Auto zurück als monomodale Autofahrer. Ihr CO2-Fußabdruck fällt je nach Datensatz um 20 bis 34 Prozent geringer aus als der von ausschließlichen Autofahrern. Nichtsdestotrotz nutzen viele Multimodale das Auto für einen erheblichen Anteil ihrer Wege. In Zukunft wird ausschlaggebend sein, wie sich die Verkehrsmittelanteile v.a. in Bezug auf weite Wege verändern und wie sich die gegenwärtig auf der Nachfrage- und Angebotsseite feststellbaren Veränderungen auswirken. / Multimodality, the use of several modes of transportation during a specified time period, is a general term for a wide variety of everyday mobility behaviors. It is perceived as an alternative to one-sided use of private cars, and one which has attracted great hopes for the future development of transportation. Based on the research which has been done in the past, people almost always limit themselves to a particular form of multimodal behavior, most often to use of cars and public transportation. The starting point of the present paper is to present and examine the various facets of multimodal behavior in their entirety. To this end, a method of classification will be developed which is derived from the selection of modes of transportation. The analysis of mobility behavior will be based on the data of the German Mobility Panel from 1999 to 2008 and the Mobility in Germany study from the years 2002 and 2008. Subjects will be assigned to modal groups depending on which of the modes of transportation, motorized individual traffic, public transportation and bicycle, are used in the course of a week. The analysis reveals the enormously diverse nature of multimodal behavior. In general, multimodal behavior is an urban phenomenon which is increasingly characterizing the everyday urban routine, especially for younger persons. In aggregate, multimodal persons drive fewer kilometers by car than monomodal car drivers. Their carbon footprint is 20-34 percent less than that of exclusive car drivers, depending on the data set. Nevertheless, many multimodal persons do use cars for a considerable portion of their travel needs. How the relative share of the various modes of transportation will change in the future, especially with respect to long-distance travel, and the impact of the currently observable changes in supply and demand will be decisive factors in the future.