The present thesis introduces an iterative expert-based Bayesian approach for assessing greenhouse gas (GHG) emissions from the 2030 German new vehicle fleet and quantifying the impacts of their main drivers. A first set of expert interviews has been carried out in order to identify technologies which may help to lower car GHG emissions and to quantify their emission reduction potentials. Moreover, experts were asked for their probability assessments that the different technologies will be widely adopted, as well as for important prerequisites that could foster or hamper their adoption. Drawing on the results of these expert interviews, a Bayesian Belief Network has been built which explicitly models three vehicle types: Internal Combustion Engine Vehicles (which include mild and full Hybrid Electric Vehicles), Plug-In Hybrid Electric Vehicles, and Battery Electric Vehicles. The conditional dependencies of twelve central variables within the BBN - battery energy, fuel and electricity consumption, relative costs, and sales shares of the vehicle types - have been quantified by experts from German car manufacturers in a second series of interviews. For each of the seven second-round interviews, an expert's individually specified BBN results. The BBN have been run for different hypothetical 2030 scenarios which differ, e.g., in regard to battery development, regulation, and fuel and electricity GHG intensities.
The present thesis delivers results both in regard to the subject of the investigation and in regard to its method. On the subject level, it has been found that the different experts expect 2030 German new car fleet emission to be at 50 to 65% of 2008 new fleet emissions under the baseline scenario. They can be further reduced to 40 to 50% of the emissions of the 2008 fleet though a combination of a higher share of renewables in the electricity mix, a larger share of biofuels in the fuel mix, and a stricter regulation of car CO$_2$ emissions in the European Union. Technically, 2030 German new car fleet GHG emissions can be reduced to a minimum of 18 to 44% of 2008 emissions, a development which can not be triggered by any combination of measures modeled in the BBN alone but needs further commitment.
Out of a wealth of existing BBN, few have been specified by individual experts through elicitation, and to my knowledge, none of them has been employed for analyzing perspectives for the future. On the level of methods, this work shows that expert-based BBN are a valuable tool for making experts' expectations for the future explicit and amenable to the analysis of different hypothetical scenarios. BBN can also be employed for quantifying the impacts of main drivers. They have been demonstrated to be a valuable tool for iterative stakeholder-based science approaches. / Die vorliegende Arbeit verfolgt zwei Forschungsziele - ein inhaltliches und ein methodisches. Auf der inhaltlichen Ebene wurde die Entwicklung der CO2-Emissionen der deutschen Neuwagenflotte bis 2030 untersucht. Es wurden verschiedene technische Möglichkeiten daraufhin überprüft, inwieweit sie zur Emissionsminderung beitragen können, wie wahrscheinlich es ist, dass sie umgesetzt werden, und welche Voraussetzungen und Rahmenbedingungen bedeutenden Einfluß haben. Die methodische Innovation dieser Arbeit besteht darin, subjektive Einschätzungen von Experten mit einem Bayesianischen Netzwerk zu verknüpfen, um die Anwendung solcher Netzwerke auf Situationen von Unsicherheit im Knight'schen Sinne zu erweitern, hier am Beispiel der zukünftigen, heute nicht vorhersagbaren Entwicklung der CO2-Emissionen der deutschen Neuwagenflotte.
Ein erster Schritt dieser Untersuchung bestand in der Erhebung und Auswertung der Einschätzungen von 15 Experten in Bezug auf die Möglichkeiten, die CO2-Emissionen neuer PKW in Deutschland bis 2020 zu senken. Erhoben wurden Aussagen über verfügbare Technologien, ihre Einsparpotenziale, ihre Umsetzungswahrscheinlichkeiten sowie wichtige Rahmenbedingungen. Ziel war es, wesentliche Variablen und deren Abhängigkeiten zu identifizieren, um eine Grundlage für die spätere Modellierung zu schaffen. Um die Untersuchung auf eine breite Basis zu stellen, wurden Experten von Autobauern und Zulieferern, Nichtregierungsorganisationen, Verbänden sowie solche aus Wissenschaft und Journalismus einbezogen.
Aufbauend auf diesen Ergebnissen wurde in einem zweiten Schritt ein Bayesianisches Netzwerk entwickelt, mit dem die CO2-Emissionen der deutschen Neuwagenflotte im Jahr 2030 quantifiziert werden können. Außerdem sollten die Marktchancen verschiedener Fahrzeugtypen untersucht werden. Ein weiteres Ziel war es, den Einfluss verschiedener technologischer und regulatorischer Einflussfaktoren zu quantifizieren, die in der ersten Interviewrunde identifiziert worden waren. Gegenüber der ersten Interviewrunde wurde der zeitliche Rahmen der Untersuchung um 10 Jahre auf das Jahr 2030 erweitert. Das Bayesianische Netz erstreckt sich auf die zukünftigen Eigenschaften und Marktchancen von drei Fahrzeugtypen: Verbrennungsmotorische Fahrzeuge einschließlich aller Hybridvarianten bis hin zum Vollhybrid, Plug-In Hybride und Batterie-Elektrofahrzeuge.
Das Netzwerk umfasst 46 miteinander verknüpfte Variablen. Für zwölf entscheidende Variablen wurden per Expertenbefragung bedingte Wahrscheinlichkeiten erhoben. Befragt wurden sieben Experten, fast alle hochrangige F&E- oder Umweltexperten bei deutschen Autobauern. Für jeden Experten entstand ein individuell quantifiziertes Netzwerk.
Um mögliche Technologie- und Emissionspfade zu untersuchen, wurden verschiedene Szenarien definiert, die unterschiedliche Regulierungen, Batterie-Entwicklungspfade und CO2-Intensitäten von Treibstoffen und elektrischer Energie in Betracht ziehen.
Im Basis-Szenario liegen die Erwartungswerte der CO2-Emissionen der deutschen Neuwagenflotte 2030 nach Einschätzung der Experten bei 50 bis 65% der Emissionen der Neuwagenflotte 2008. Kombiniert man einen gesteigerten Anteil erneuerbarer Energien im Strommix, einen größeren Anteil von Biotreibstoffen im Treibstoff-Mix und eine strengere CO2-Emissionsregulierung seitens der Europäischen Union, liegen die erwarteten Emissionen der Neuwagenflotte 2030 bei 40 bis 50% der Emissionen der Neuwagen 2008. Die Erwartungswerte der Neuflotten-Emissionen 2030 können in den verschiedenen BBN auf minimale Werte von 18 bis 44% der Emissionen der deutschen Neuwagenflotte von 2008 festgelegt werden. Es ist in den BBN durchaus möglich, aber in den betrachteten Szenarien unwahrscheinlich, die Emissionen so stark zu senken.
Neben der Untersuchung von Fahrzeugtechnologien und CO2-Emissionen bis 2030 verfolgte die vorliegende Arbeit das Ziel, eine innovative Methode zu erproben. Es hat meines Wissens bisher kein Experten-basiertes BBN gegeben, das zukünftige Entwicklungen untersucht. Eine weitere Besonderheit des Ansatzes ist, dass für jeden Experten ein eigenes BBN quantifiziert wurde, so dass eine Schar von Netzwerken entstanden ist, deren Aussagen verglichen werden können. Dadurch war es möglich, die Bandbreite der Erwartungen verschiedener Experten abzuleiten und festzustellen, wo Erwartungen relativ konsistent sind, und wo sie weit auseinander liegen. Daraus lassen sich wertvolle Schlüsse ableiten, an welchen Punkten weitere Forschung besonders erfolgversprechend ist. BBN haben sich damit als nützliches Werkzeug für Stakeholder-basierte iterative Forschungsprozesse erwiesen. Insgesamt hat es sich als fruchtbarer neuer Ansatz erwiesen, Experten-basierte Bayesianische Netzwerke zur Untersuchung zukünftiger Entwicklungsmöglichkeiten heranzuziehen. Die Methode ermöglicht es auch, den Einfluß von Rahmenbedingungen zu bestimmen.
| Identifer | oai:union.ndltd.org:Potsdam/oai:kobv.de-opus-ubp:5767 |
| Date | January 2011 |
| Creators | Krause, Jette |
| Publisher | Universität Potsdam, Wirtschafts- und Sozialwissenschaftliche Fakultät. Wirtschaftswissenschaften, Extern. Extern |
| Source Sets | Potsdam University |
| Language | English |
| Detected Language | German |
| Type | Text.Thesis.Doctoral |
| Format | application/pdf |
| Rights | http://creativecommons.org/licenses/by-nc-sa/3.0/de/ |
Page generated in 0.0028 seconds