Nachfrage nach geteilten E-Fahrzeugen hängt von Standort und Stadtplanung ab
Eine neue Studie der Südwest Jiaotong Universität zeigt, dass der Erfolg von geteilten Elektrofahrzeugen (SEVs) in städtischen Umgebungen stark von einem komplexen Zusammenspiel von Standort, Infrastruktur und Stadtplanung abhängt. Die Forschung von Liao Yang, Luo Xia und Wang Hongjie identifiziert Schlüsselfaktoren, die die Nutzernachfrage beeinflussen, und bietet praktische Anleitungen für Betreiber, die ihre Dienste optimieren möchten, sowie für Stadtplaner, die nachhaltige Verkehrslösungen suchen.
Die Ergebnisse, veröffentlicht in der Zeitschrift für Verkehrstechnik und Informationsverarbeitung, stellen herkömmliche Modelle zur Vorhersage des Reiseverhaltens in Frage. Durch die Analyse von Betriebsdaten von über 1.400 Stationen für geteilte Elektrofahrzeuge in Chengdu, China, entdeckten die Forscher, dass traditionelle statistische Modelle oft die komplexen, nichtlinearen Beziehungen nicht erfassen können, die die Wahl der Nutzer bestimmen. Stattdessen ist ein anspruchsvolleres Vorgehen erforderlich – eines, das die räumlichen und zeitlichen Muster berücksichtigt, die dem städtischen Mobilitätsverhalten innewohnen.
Chengdu, eine Stadt, die an der Spitze der Einführung von Fahrzeugen mit neuer Energie steht, bot einen reichhaltigen Datensatz für die Untersuchung. Das Team analysierte zwei Monate lang Informationen zum Stationsstatus, einschließlich Fahrzeugverfügbarkeit, Kapazität und Standort, um Abfahrtsorte und -volumina abzuleiten. Diese detaillierten Daten, kombiniert mit umfangreichen geografischen Informationen zu Interessenpunkten (POIs), Straßennetzen und dem öffentlichen Nahverkehr, ermöglichten es den Forschern, ein umfassendes Bild der Faktoren zu zeichnen, die die SEV-Nutzung beeinflussen.
Einer der bedeutendsten Beiträge der Studie ist ihre methodische Innovation. Die Autoren entwickelten eine verbesserte räumliche Aggregationsmethode, um die Servicebereiche um jede Station zu definieren. Sie gingen über einfache Gittermethoden hinaus und verwendeten eine sechseckige Tessellation mit einem Radius von 500 Metern, was der typischen Gehdistanz entspricht, die Nutzer bereit sind zurückzulegen, um ein Fahrzeug zu erreichen. Dieser Ansatz minimierte Fehler bei der Identifizierung räumlicher Interaktionen zwischen Stationen, ein häufiger Fehler in früheren Forschungsarbeiten. Darüber hinaus stellten sie einen verfeinerten Rahmen zur Quantifizierung der gebauten Umwelt vor, der das traditionelle „5D“-Modell (Dichte, Vielfalt, Design, Zielbarrierefreiheit und Distanz zum Verkehr) erweitert, um nicht nur die Dichte von POIs, sondern auch deren Nähe und räumliche Agglomeration einzubeziehen.
Die Analyse bestätigte, dass die SEV-Nutzung in Chengdu starke zeitliche und räumliche Muster aufweist. Die Fahrtanzahl ist an nicht arbeitstagen signifikant höher, und der tägliche Höhepunkt liegt in den Abend- und Nachtstunden, was mit Freizeit- und Unterhaltungsaktivitäten übereinstimmt und nicht mit dem traditionellen Pendelverkehr. Dieses Muster ist konsistent mit Chengdus Ruf für ein lebhaftes Nachtleben. Die Daten zeigten auch eine klare räumliche Clusterbildung der Nachfrage, mit einer signifikanten positiven räumlichen Autokorrelation über alle Zeitperioden hinweg. Das bedeutet, dass Gebiete mit hoher Nachfrage tendenziell von anderen Gebieten mit hoher Nachfrage umgeben sind, ein Phänomen, das auf das Nutzerverhalten zurückzuführen ist – wenn eine Station leer ist, suchen Nutzer natürlich nach dem nächstgelegenen verfügbaren Fahrzeug.
Um die zugrunde liegenden Treiber dieser Nachfrage zu entdecken, konstruierte das Forschungsteam drei verschiedene Analysemodelle: ein verallgemeinertes lineares Modell (GLM), ein Random-Forest-Modell (RF) und ein verallgemeinertes additives gemischtes Modell (GAMM). Die Ergebnisse waren aussagekräftig. Während das Random-Forest-Modell die höchste reine Genauigkeit bei der Anpassung der Daten erreichte, tat es dies auf Kosten der Interpretierbarkeit und funktionierte als „Black Box“, die die Mechanismen hinter ihren Vorhersagen nicht erklären konnte. Das GLM, ein Standardwerkzeug in der Verkehrsforschung, schnitt schlecht ab und konnte die nichtlinearen Beziehungen nicht erfassen, wodurch signifikante räumliche Muster in den Residuen unerklärt blieben.
Das GAMM erwies sich als das überlegene Modell. Indem es glatte, nichtparametrische Funktionen einbezog, konnte es die komplexen, nichtlinearen Effekte verschiedener Faktoren genau modellieren. Entscheidend war, dass es auch einen zufälligen Effekt für den Standort der Station enthielt, wodurch es unbeobachtete räumliche Heterogenität berücksichtigen konnte. Der Erfolg des GAMM wurde durch einen entscheidenden Test bestätigt: die räumliche Autokorrelation seiner Residuen. Ein gutes Modell sollte keine systematische räumliche Muster in seinen Fehlern hinterlassen. Das GAMM bestand diesen Test, da seine Residuen in den meisten Zeitperioden keine signifikante räumliche Autokorrelation aufwiesen, was seine Fähigkeit beweist, die räumlichen Abhängigkeiten in den Daten vollständig zu erklären. Dieses Ergebnis unterstreicht die entscheidende Bedeutung der Verwendung räumlich bewusster Modelle für die Analyse des städtischen Verkehrs.
Die Erkenntnisse, die aus dem GAMM abgeleitet wurden, sind besonders wertvoll für Betreiber von geteilten Mobilitätsdiensten. Die Studie fand heraus, dass die Stationseigenschaften den einflussreichsten Faktor bei der Bestimmung der Nachfrage darstellen. Unter diesen hat die Parkkapazität einen tiefgreifenden, nichtlinearen Effekt. Im Gegensatz zur einfachen Annahme, dass mehr Parkplätze immer besser sind, identifizierte die Forschung eine klare Schwelle. Die Nachfrage steigt mit der Kapazität bis zu einem Punkt – etwa 70 Parkplätze pro aggregiertem Bereich – aber jenseits dieser Schwelle unterdrückt zusätzliche Kapazität die Nachfrage tatsächlich. Diese „umgekehrte U“-Beziehung deutet auf einen Sättigungspunkt hin, an dem ein Überangebot an Parkplätzen zu Ineffizienzen führt, was es für Nutzer schwieriger machen kann, ein Fahrzeug inmitten eines großen, leeren Parkplatzes zu finden, und die Betriebskosten für den Anbieter erhöht. Diese Erkenntnis liefert eine konkrete Zielvorgabe für die Kapazitätsplanung und rät Betreibern, eine Überdimensionierung in einem einzelnen Gebiet zu vermeiden.
Ein weiterer kritischer Stationseigenschaft ist der Abstand zu benachbarten Stationen. Die Studie enthüllte einen „idealen Punkt“ für den Stationenabstand. Wenn Stationen zu nahe beieinander liegen, rauben sie sich gegenseitig die Nachfrage, was zu internem Wettbewerb und Unterbeschäftigung führt. Umgekehrt können Nutzer, wenn Stationen zu weit voneinander entfernt sind, den Service als nicht bequem genug empfinden, um ihn zu nutzen. Der optimale Abstand, der mit etwa 2 Kilometern identifiziert wurde, stellt ein Gleichgewicht zwischen der Minimierung des Wettbewerbs und der Maximierung der Serviceabdeckung dar. Diese präzise Anleitung kann strategische Entscheidungen darüber beeinflussen, wo neue Stationen platziert werden sollen oder ob unterdurchschnittliche Stationen zusammengelegt werden sollten.
Die Preisgestaltung ist ein weiterer mächtiger Hebel. Wie erwartet ist ein niedrigerer Preis stark mit einer höheren Nachfrage korreliert. Die Beziehung ist nahezu linear, was darauf hindeutet, dass Nutzer sehr preissensibel sind. Dies unterstreicht die Notwendigkeit flexibler und wettbewerbsfähiger Preistrategien, möglicherweise einschließlich dynamischer Preise basierend auf Tageszeit oder Nachfrage, um Nutzer anzuziehen und zu binden.
Die Forschung liefert auch ein nuanciertes Verständnis dafür, wie SEVs mit dem breiteren öffentlichen Verkehrsnetz interagieren. Die Beziehung zu Bussen ist relativ einfach: Die SEV-Nachfrage nimmt ab, je weiter der Abstand zur nächsten Bushaltestelle über 400 Meter hinausgeht, was darauf hindeutet, dass SEVs kein primärer Konkurrent für Busse sind, sondern vielmehr ein ergänzender Service für Gebiete mit schlechtem Buszugang.
Die Interaktion mit dem U-Bahn-System ist komplexer und zeigt eine strategische Gelegenheit. Innerhalb eines 2-Kilometer-Radius um eine U-Bahn-Station wird die SEV-Nachfrage unterdrückt. Dies ist logisch, da die U-Bahn eine äußerst effiziente Möglichkeit für längere Fahrten im Stadtzentrum darstellt. Jenseits dieses 2-Kilometer-Puffers kehrt sich die Beziehung jedoch um. Die SEV-Nachfrage steigt mit der Entfernung von der U-Bahn. Dies zeigt ein starkes Potenzial für die „letzte Meile“ und die „erste Meile“. SEVs können effektiv als Zubringerservice fungieren und Wohngebiete am städtischen Rand mit dem hochkapazitiven U-Bahn-Netz verbinden. Diese Erkenntnis ist entscheidend für Stadtplaner, da sie darauf hindeutet, dass Investitionen in SEV-Infrastruktur in diesen „Transit-Wüsten“ die gesamte Erreichbarkeit erheblich verbessern können, ohne die massiven Kapitalausgaben zu erfordern, die für die Verlängerung von Schienenstrecken notwendig wären.
Die Studie bestätigt, dass SEVs hauptsächlich für Fahrten außerhalb des Arbeitswegs verwendet werden. Obwohl die Nähe zu Bürogebäuden und Geschäftsvierteln wichtig ist, sind die stärksten positiven Korrelationen mit Unterhaltungseinrichtungen, Universitäten und medizinischen Einrichtungen. Die Dichte an Restaurants, Kinos und Parks ist ein großer Anziehungspunkt. Dies unterstreicht die Rolle von SEVs bei der Ermöglichung von Freizeit- und sozialen Aktivitäten. Die Nähe zu Universitäten ist besonders signifikant, was darauf hindeutet, dass Studenten eine wichtige Nutzergruppe sind, wahrscheinlich aufgrund der Erschwinglichkeit und Flexibilität des Services. Das Vorhandensein medizinischer Einrichtungen, insbesondere wenn sie zusammengefasst sind, erhöht die Nachfrage ebenfalls, möglicherweise weil Nutzer einen bequemen und privaten Transport für Arztbesuche suchen, insbesondere zu Zeiten, in denen der öffentliche Nahverkehr weniger häufig ist.
Die Nutzungsmischung, gemessen durch die Entropie der Flächennutzung, folgt ebenfalls einem nichtlinearen Muster. Die Nachfrage ist am höchsten in Gebieten mit einer moderaten Mischung aus Flächennutzungen, nimmt aber in Gebieten mit sehr hoher Entropie – im Wesentlichen den dichtesten, gemischt genutzten städtischen Kernen – ab. Dieses kontraintuitive Ergebnis kann durch mehrere Faktoren erklärt werden. In den zentralsten Gebieten macht die Verfügbarkeit zahlreicher Verkehrsoptionen (U-Bahn, Busse, Taxis, zu Fuß) SEVs weniger notwendig. Hohe Grundstückspreise machen es auch teurer, große Parkplätze zu betreiben, was die Stationskapazität möglicherweise begrenzt. Außerdem könnte die Verkehrsstauung in diesen Bereichen das Fahren eines SEVs weniger attraktiv machen.
Die Studie bewertete auch die Auswirkungen großer Verkehrsknotenpunkte. SEVs zeigen ein starkes Potenzial, Passagiere von Fernbusbahnhöfen und Bahnhöfen mit ihrem endgültigen Ziel innerhalb der Stadt zu verbinden. Das Vorhandensein einer Station für geteilte Elektrofahrzeuge neben diesen Knotenpunkten ist ein signifikanter positiver Faktor, da er eine bequeme Alternative zu Taxis oder öffentlichen Verkehrsmitteln für Reisende mit Gepäck oder spezifischen Zielen bietet. Flughäfen stellen jedoch einen anderen Fall dar. Die Forschung fand eine negative Korrelation zwischen der Nähe zum Flughafen und der SEV-Nachfrage. Dies liegt wahrscheinlich daran, dass Flughäfen typischerweise am städtischen Rand liegen, wo die Penetration von SEVs möglicherweise geringer ist, und weil sie gut mit spezialisierten Shuttle-Services, Taxis und Mitfahrdiensten versorgt sind, wodurch der SEV eine weniger wettbewerbsfähige Option wird.
Aus Sicht der Stadtplanung sind die Implikationen klar. Die Forschung plädiert für einen zweigleisigen Ansatz. Auf makroökonomischer Ebene sollten Planer die SEV-Verbreitung in Gebieten mit moderater Entwicklungsdichte priorisieren, entlang sekundärer Straßennetze (die den lokalen Zugang verbessern, ohne die Staus auf Hauptarterien zu erhöhen) und in den 2-Kilometer-Pufferzonen um U-Bahn-Stationen. Auf mikroökonomischer Ebene sollten Betreiber darauf abzielen, Stationen in der Nähe von Universitäten, Unterhaltungsvierteln und medizinischen Zentren zu platzieren, eine angemessene, aber nicht übermäßige Kapazität sicherzustellen und den optimalen Abstand zwischen Stationen aufrechtzuerhalten.
Die Studie erkennt einige Einschränkungen an, wie das Fehlen von sozioökonomischen Daten für verschiedene Stadtteile und die Unfähigkeit, Abfahrts- und Zielorte (OD-Paare) aufgrund von Dateneinschränkungen zu analysieren. Ihre robuste Methodik und praktischen Erkenntnisse stellen jedoch einen bedeutenden Fortschritt auf diesem Gebiet dar. Indem sie über vereinfachte Modelle hinausgeht und die Komplexität des städtischen Raums annimmt, bietet die Forschung einen Fahrplan für die Schaffung effizienterer, gerechterer und nachhaltigerer Systeme für geteilte Mobilität. Sie zeigt, dass die Zukunft des städtischen Verkehrs nicht in einem einzelnen Verkehrsmittel liegt, sondern in einem gut integrierten Ökosystem, in dem Dienste wie geteilte Elektrofahrzeuge kritische Lücken schließen, und deren Erfolg durch ein tiefes Verständnis des städtischen Gefüges, dem sie dienen, bestimmt wird.
Liao Yang, Luo Xia, Wang Hongjie, Südwest Jiaotong Universität, Zeitschrift für Verkehrstechnik und Informationsverarbeitung, DOI: 10.19961/j.cnki.1672-4747.2024.05.011