Return to search

Welche Einflussfaktoren eignen sich für die Typisierung von Radfahrer*innen mittels GPS-Daten? Ein Ansatz zur Kalibrierung von Self-Selected-Samples

Für eine zielgerichtete Radverkehrsplanung sind Analysedaten notwendig, die aber in vielen Kommunen kaum verfügbar sind. GPS - Daten von Radfahrer*innen können diese Datenlücke schließen. Bestehende Datensätze und Forschungsansätze bleiben bis-her den Nachweis der Repräsentativität für die Grundgesamtheit der Radfahrer*innen im jeweiligen Untersuchungsgebiet schuldig. Oft wird dies zudem als Schwachpunkt bisheriger Arbeiten thematisiert.
Um die Frage der Repräsentativität von GPS – Datensätzen für den deutschen Raum zu untersuchen, wird in der vorliegenden Arbeit das Radverkehrsverhalten von Radfahrer*innen im Raum Dresden analysiert. Grundlage der Analyse ist ein im Rahmen des Forschungsprojektes „RadVerS“ erhobener GPS-Datensatz von 200 Proband*innen, der 5.300 Einzelwege im Untersuchungsgebiet der Stadt Dresden enthält und Einblicke in deren Radverkehrsverhalten erlaubt. Die erhobenen Daten wurden mit unterschiedlichen Verfahren aufbereitet, so wurden beispielsweise Fahrten mit anderen Verkehrsmodi entfernt und Fahrten in einzelne Wege aufgeteilt. Anschließend wurden die Wegedaten mit Daten aus dem Verkehrsnetz des Untersuchungsgebietes angereichert und statistisch ausgewertet. Der Einfluss einzelner Fahrverhaltensparameter wurde dabei sowohl deskriptiv als auch mittels eines generalisierten linearen Modells ausgewertet.
Das Ergebnis der Untersuchungen zeigt, dass folgende Attribute Einfluss auf das Rad-verkehrsverhalten aufweisen und somit maßgeblich die Diskussion über die Repräsentativität von GPS Daten für die Radverkehrsplanung bestimmen sollten. Dabei offenbaren sich Unterscheide zum Vorgehen bei Haushaltsbefragungen:
- Alter: Es ist sicherzustellen, dass in der Stichprobe insbesondere sehr junge (< 30 Jahre) und ältere (>65 Jahre) Nutzer*innen entsprechend enthalten sind. Die Altersklassen zwischen 30 und 65 können dagegen zusammengefasst werden und sind i. d. R. ausreichend repräsentiert.
- Geschlecht: Diejenigen weiblichen Teilnehmerinnen, welche in Smartphone-basierten Stichproben enthalten sind, bewegen sich auf dem Fahrrad mit langsameren Geschwindigkeiten als männliche Probanden. Zudem beschleunigen sie weniger stark und ihre zurückgelegten Entfernungen sind kürzer als die der männlichen Probanden.
- Wegezweck: Die in smartphone-basierten Stichproben enthaltenen Arbeitswege sind tendenziell länger als Einkaufs- und Freizeitwege
- Die auf Arbeitswegen gefahrenen Geschwindigkeiten sind zudem höher als bei den übrigen Wegezwecken
Oben aufgeführte Parameter haben nur einen geringen und nicht signifikanten Einfluss auf die Infrastrukturnutzung durch Radfahrer*innen. So konnten nur geringe Unterschiede bei der Wahl der Infrastruktur zwischen Geschlechtern, unterschiedlichen Altersklassen und Radfahrtypen festgestellt werden.
Darüber hinaus lässt sich feststellen, dass nach erfolgter Datenaufbereitung die Wege-weitenverteilung und der Tagesgang der Radfahrten im Wesentlichen kongruent zu den Ergebnissen von Haushaltsbefragungen wie beispielsweise Mobilität in Städten (SrV) sind.:1. Einleitung 1
1.1 Hintergrund 3
1.2 Aufgabenstellung 5
1.3 Vorgehen 6
1.4 Herausforderungen und Grenzen der gewählten Methodik 7
2. Grundlagen 10
2.1 Radverkehr in Deutschland 11
2.2 Kennwerte des Radverkehrs 13
2.3 Planungsdaten und Analysemethoden im Radverkehr 18
2.4 Crowdsourcing als neuer Ansatz in der Verkehrsplanung 23
2.5 Big Data 26
2.6 GPS als Erhebungswerkzeug 27
2.7 Zusammenfassung 31
3. Forschungsstand 33
3.1 Methodik der Literaturrecherche Definition von Schlagworten, Recherchedatenbanken
3.2 Crowdsourcing und GPS-Datennutzung in der Verkehrswissenschaft 35
3.3 Quantitative (GPS)-Studien zum Radverkehrsverhalten 40
3.4 Zusammenfassung 52
4. Methodik 55
4.1 Vorbereitung der Datenerhebung 57
4.2 Datenerhebung 58
4.3 Die Datenübertragung 67
4.4 Datenschutz 68
4.5 Parameterauswahl 69
4.6 Datenverarbeitung 70
4.7 Berechnung der Kennziffern für die Wegestatistik 99
4.8 Zusammenfassung 99
5. Ergebnisse 101
5.1 Allgemeine Kennzahlen 101
5.2 Deskriptive Statistik 109
5.3 Inferenzstatistik 128
5.4 Ergebnisse der Vergleichsstichprobe 144
5.5 Zusammenfassung der wesentlichen Ergebnisse 149
6. Diskussion 152
6.1 Zusammenfassung und Interpretation der zentralen Ergebnisse 152
6.2 Stärken und Schwächen der Arbeit 158
6.3 Grenzen der Methodik 162
6.4 Zusammenfassung 165
7. Fazit und Ausblick 168

Identiferoai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:78345
Date07 March 2022
CreatorsLißner, Sven
ContributorsTU Dresden, TU Dresden
Source SetsHochschulschriftenserver (HSSS) der SLUB Dresden
LanguageGerman
Detected LanguageGerman
Typeinfo:eu-repo/semantics/acceptedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0022 seconds