Climate change, increasing fine dust, changes in values and the accessibility of Carsharing are well discussed topics nowadays in combination with the vehicle ownerships in German households. This paper aims to characterize the vehicle ownership and to evaluate their effects. National and international literature discusses the vehicle ownership in different ways like car ownership as status symbol or the variable ‘vehicle ownership’ as a mediating variable. Basis of this analysis is a survey called ‘SrV - Mobilität in Städten’. The used data contains information about households in the 25 ‘großen SrV-Vergleichsstädte’. This information is available on different levels, which means that the information is available in separate datafiles for levels of ways, persons and households. The basis level for this analysis should be the household level. To get this level it is necessary to aggregate the information. As a result, we get several socioeconomic and alternative specific variables which must be investigated with descriptive and correlation methods in order to prove their suitability for the binary logit model. This model allows it to evaluate metric, nominal and categoric variables with the aim to find characteristics about vehicle ownership. Some results are for example that the vehicle ownership is more probable in households with more persons than in single-person households. Furthermore, the income and missing accessibility of alternatives have a positive effect on vehicle ownership. In addition, this model offers the possibility to predict the vehicle ownership in households. An interesting result is, that some variables have another effect than assumed. These results were compared with the findings of other papers. As a result, one can find some parallel and additional structures.:Abbildungsverzeichnis VII
Tabellenverzeichnis IX
Abkürzungsverzeichnis XI
Symbolverzeichnis XIII
1 Einleitung 1
2 Literaturübersicht 3
3 Methodik 5
3.1 Deskriptive Analyse 5
3.1.1 Lage- und Streumaße 5
3.1.2 Zusammenhangsmaße 5
3.2 Binäre logistische Regression 7
3.2.1 Allgemeines 7
3.2.2 Modellformulierung 8
3.2.3 Schätzung der logistischen Regressionsfunktion 9
3.2.4 Prüfung des Gesamtmodells 10
3.2.5 Prüfung der Merkmalsvariablen 13
3.2.6 Residuen-Analyse 14
3.2.7 Interpretation der Regressionskoeffizienten 15
4 Daten 17
4.1 Datensatz 17
4.2 Aufbereitung der Daten 17
4.2.1 Zusammenhänge in der Multilevelstruktur 18
4.2.2 Wegedaten 18
4.2.3 Personendaten 19
4.2.4 Haushaltsdatei 20
4.3 Datengrundlage 21
5 Deskriptive Analyse 23
5.1 Vorgehen 23
5.2 Streu- und Lagemaße für kardinal skalierte und klassierte Variablen 23
5.2.1 Alternativenspezifische Variablen 23
5.2.2 Sozioökonomische Variablen 27
5.3 Korrelation zwischen den metrischen Variablen 29
5.4 Relative Häufigkeiten kategorialer Variablen 29
5.4.1 Höchste Schulausbildung im Haushalt 30
5.4.2 Höchste Berufsausbildung im Haushalt 30
5.4.3 Geschlecht 30
5.4.4 Altersklassen 31
5.4.5 Erwerbstätigkeit 32
5.5 Nominale Variablen 32
5.6 Beurteilung der Variablen anhand des korrigierten Kontingenzkoeffizienten nach Pearson 34
6 Binäres Logit-Modell 35
6.1 Schätzung der Regressionskoeffizienten 35
6.2 Prüfung des Gesamtmodells 37
6.2.1 Informationskriterien und Log-Likelihood-Wert 37
6.2.2 Likelihood-Ratio-Test 37
6.2.3 Pseudo-R2-Statistiken 37
6.2.4 Klassifizierung neuer Elemente 38
6.2.5 ROC-Kurve 38
6.3 Prüfung der Merkmalsvariablen 39
6.4 Residuen-Analyse 39
6.5 Interpretation und Diskussion der Regressionskoeffizienten 40
6.5.1 Metrische Variablen 40
6.5.2 Nominale Variablen 41
6.5.3 Kategoriale Variablen 42
6.5.4 Konfidenzintervalle 44
7 Fazit 45
8 Diskussion und Literatur 47
9 Kritische Würdigung und Ausblick 49
Anhang XVII
Danksagung XXXI / In Zeiten des Klimawandels, erhöhten Feinstaubwerten, geänderten sozialen Wertevorstellungen und der Verfügbarkeit von Carsharing rückt der Pkw-Besitz in Haushalten immer wieder in den Fokus der Berichterstattung. Das Ziel dieser Arbeit ist es, Charakteristika zu finden, die den Pkw-Besitz beschreiben, und deren Wirkungen zu beurteilen. Der Besitz eines Pkws wird in der Literatur auf verschiedene Weise im Hinblick auf die Bedeutung als intervenierende Variable oder als Statussymbol untersucht. Als Grundlage dienen die Daten aus der Umfrage ‚SrV - Mobilität in Städten‘, wobei die Ergebnisse der 25 großen SrV-Vergleichsstädte verwendet werden. Diese Daten besitzen eine sogenannte Multilevelstruktur, das heißt, dass die Daten auf Wegeebene, Personenebene und Haushaltsebene separat vorliegen, wodurch eine Aggregation auf das Haushaltsniveau erforderlich wird. Der sich daraus ergebende Datensatz mit sozioökonomischen und alternativenspezifischen Variablen wird mithilfe deskriptiver Methoden sowie mit Zusammenhangsmaßen auf die Eignung als Variablen für die Anwendung des binären Logit-Modells untersucht, um aussagekräftige Ergebnisse generieren zu können. Mithilfe dieses Modells werden kardinale, kategoriale sowie nominale Variablen betrachtet und bewertet. Daraus lässt sich beispielsweise ableiten, dass der Pkw-Besitz in Haushalten mit zunehmender Personenzahl wahrscheinlicher ist, als bei Singlehaushalten. Auch das Einkommen und der fehlende Zugang zu Alternativen hat einen positiven Einfluss auf den Pkw-Besitz. Das Modell kann neben der Bestimmung der Eigenschaften dazu beitragen, den Pkw-Besitz in Haushalten zu prognostizieren.
Interessant dabei ist, dass nicht alle Variablen die erwartete Wirkung entfalten. Die gefundenen Ergebnisse des Modells werden mit Erkenntnissen aus der Literatur verglichen, woraus sich einige Parallelen und Ergänzungen ergeben.:Abbildungsverzeichnis VII
Tabellenverzeichnis IX
Abkürzungsverzeichnis XI
Symbolverzeichnis XIII
1 Einleitung 1
2 Literaturübersicht 3
3 Methodik 5
3.1 Deskriptive Analyse 5
3.1.1 Lage- und Streumaße 5
3.1.2 Zusammenhangsmaße 5
3.2 Binäre logistische Regression 7
3.2.1 Allgemeines 7
3.2.2 Modellformulierung 8
3.2.3 Schätzung der logistischen Regressionsfunktion 9
3.2.4 Prüfung des Gesamtmodells 10
3.2.5 Prüfung der Merkmalsvariablen 13
3.2.6 Residuen-Analyse 14
3.2.7 Interpretation der Regressionskoeffizienten 15
4 Daten 17
4.1 Datensatz 17
4.2 Aufbereitung der Daten 17
4.2.1 Zusammenhänge in der Multilevelstruktur 18
4.2.2 Wegedaten 18
4.2.3 Personendaten 19
4.2.4 Haushaltsdatei 20
4.3 Datengrundlage 21
5 Deskriptive Analyse 23
5.1 Vorgehen 23
5.2 Streu- und Lagemaße für kardinal skalierte und klassierte Variablen 23
5.2.1 Alternativenspezifische Variablen 23
5.2.2 Sozioökonomische Variablen 27
5.3 Korrelation zwischen den metrischen Variablen 29
5.4 Relative Häufigkeiten kategorialer Variablen 29
5.4.1 Höchste Schulausbildung im Haushalt 30
5.4.2 Höchste Berufsausbildung im Haushalt 30
5.4.3 Geschlecht 30
5.4.4 Altersklassen 31
5.4.5 Erwerbstätigkeit 32
5.5 Nominale Variablen 32
5.6 Beurteilung der Variablen anhand des korrigierten Kontingenzkoeffizienten nach Pearson 34
6 Binäres Logit-Modell 35
6.1 Schätzung der Regressionskoeffizienten 35
6.2 Prüfung des Gesamtmodells 37
6.2.1 Informationskriterien und Log-Likelihood-Wert 37
6.2.2 Likelihood-Ratio-Test 37
6.2.3 Pseudo-R2-Statistiken 37
6.2.4 Klassifizierung neuer Elemente 38
6.2.5 ROC-Kurve 38
6.3 Prüfung der Merkmalsvariablen 39
6.4 Residuen-Analyse 39
6.5 Interpretation und Diskussion der Regressionskoeffizienten 40
6.5.1 Metrische Variablen 40
6.5.2 Nominale Variablen 41
6.5.3 Kategoriale Variablen 42
6.5.4 Konfidenzintervalle 44
7 Fazit 45
8 Diskussion und Literatur 47
9 Kritische Würdigung und Ausblick 49
Anhang XVII
Danksagung XXXI
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:32580 |
| Date | 28 December 2018 |
| Creators | Lins, Stefan |
| Contributors | Lösch, Stefanie, Okhrin, Ostap, Technische Universität Dresden |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | doc-type:bachelorThesis, info:eu-repo/semantics/bachelorThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0022 seconds