Agenten-basierte Modellierung der Fahrzeugflottendynamik Oliver Buschor Betreuer: Prof. Dr. Kay W. Axhausen Dr. Rashid A. Waraich Henrik Becker Bachelorarbeit Institut für Verkehrsplanung und Transportsysteme Dezember 2015 Inhaltsverzeichnis 1 Einleitung 2 2 Relevante Literatur 4 3 Logit-Modelle 6 3.1 Multinomiales Logit-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.2 Genestetes Logit-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.3 Kreuz-genestetes Logit-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . 9 4 5 Programmstruktur 9 4.1 Agenten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 4.2 Autobestizmodell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 4.3 Choice Set . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 4.3.1 Restwert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 4.3.2 Betriebskosten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 4.3.3 Werkstattkosten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 4.3.4 Fixkosten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 4.4 Auswahl der Fahrzeugklasse . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 4.5 Auswahl des Fahrzeuges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 Szenarien 23 5.1 „Testpopulation“ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 5.2 Referenzszenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 5.3 Szenario mit dynamischen Kosten für elektrische Fahrzeuge . . . . . . . . . . 29 6 Weiterführende Arbeiten 32 7 Schlussfolgerung 33 8 Literatur 34 Abbildungsverzeichnis 1 Abbildung: Zuwachs von zugelassenen Personenwagen und der Bevölkerung . . 2 2 Abbildung: Veränderung Fahrzeugflotten . . . . . . . . . . . . . . . . . . . . . 4 3 Abbildung: Logit Familie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 Abbildung: Programmstruktur . . . . . . . . . . . . . . . . . . . . . . . . . . Abbildung: Programmablauf am Beispiel von vier Agenten . . . . . . . . . . . Abbildung: Führerscheinbesitz nach Alter und Geschlecht . . . . . . . . . . . Abbildung: Struktur des genesteten Logit Model für den Besitz von Mobilitätswerkzeugen mit den zwei Nester für Car und No Car . . . . . . . . . . . . . . Abbildung: Restwert des Fahrzeugs in % vom Kaufpreis sortiert nach Jahreslaufleistungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Abbildung: Regression der Werkstattkosten pro Laufleistung in Cents/Km . . . Abbildung: Erhöhung der Werkstattkosten mit dem Fahrzeugalter bei einer Jahreslaufleistung von 5’000 Km . . . . . . . . . . . . . . . . . . . . . . . . . Abbildung: Neu zugelassene Personenwagen in der Schweiz nach Segmenten für die Jahre 2013/14/15 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Abbildung: Verteilung der Agenten nach Alter und Geschlecht . . . . . . . . . Abbildung: Status „Autobesitz“ nach Alter und Geschlecht der Agenten . . . . Abbildung: Anteil der Antriebsarten an der gesamten Fahrzeugflotte im Referenzszenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Abbildung: Anteil der Antriebsarten der grossen Fahrzeuge im Referenzszenario Abbildung: Anteil der Antriebsarten der mittelgrossen Fahrzeuge im Referenzszenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Abbildung: Anteil der Antriebsarten der kleinen Fahrzeuge im Referenzszenario Abbildung: Anteil der Antriebsarten der Fahrzeuge im dynamischen Szenario . Abbildung: Anteil der Antriebsarten der grossen Fahrzeuge im dynamischen Szenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Abbildung: Anteil der Antriebsarten der mittelgrossen Fahrzeuge im dynamischen Szenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Abbildung: Anteil der Antriebsarten der kleinen Fahrzeuge im dynamischen Szenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 11 13 15 18 19 20 22 24 25 26 27 28 28 29 30 31 31 Tabellenverzeichnis 1 2 3 Choice Set . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 Vorgehen zur Berechnung vom Restwert und Wertverlust . . . . . . . . . . . . 17 Werkstattkosten in Abhängigkeit des Fahrezeugalters für eine Jahreslaufleistung von 5’000 Km . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 Titelbild: http://anavrin2010.deviantart.com/art/36-Cars-PS-Brushes-193312964 Bachelorarbeit Agenten-basierte Modellierung der Fahrzeugflottendynamik Oliver Buschor IVT ETH Zürich CH-8093 Zürich [email protected] Dezember 2015 Zusammenfassung Die vorliegende Arbeit befasst sich mit der Erstellung eines Modells zur agenten-basierten Simulation der Fahrzeugflottendynamik. Damit soll die Zusammensetzung der Fahrzeugflotte bezüglich verschiedener Antriebsarten über mehrere Jahre simuliert werden. Agenten fungieren dabei als Entscheidungsträger bei der Fahrzeugauswahl. Das Modell gliedert sich in drei Stufen. In der ersten Stufe wird den Agenten mit einem genesteten Logit-Modell zugewiesen, ob sie ein Fahrzeug besitzen. In der nächsten wird ihnen eine Fahrzeugklasse zugewiesen. In der letzten Stufe entscheiden sie sich mit einem Multinomialen Logit-Modell für die Antriebsart des Fahrzeuges und ob sie dieses kaufen oder ihr ursprüngliches Fahrzeug behalten. Das Modell stellt die Schweizer Fahrzeugflottendynamik vereinfacht dar und reagiert sensibel auf sich ändernde Eingangsdaten. Schlüsselwörter Fahrzeugflottendynamik, Agentenbasierte Modellierung Bevorzugter Zitierstil O. Buschor (2015) Agenten-basierte Modellierung der Fahrzeugflottendynamik, Bachelorarbeit, Institut für Verkehrsplanung und Transportsysteme, ETH Zürich, Zürich. Danksagung Ich danke Prof. Dr. Axhausen, der mir bei meiner ersten wissenschaftlichen Arbeit alle Freiheiten liess und trotzdem mit seinen kritischen und konstruktiven Anregungen die Arbeit auf die richtige Bahn lenkte. Weiter danke ich meinen Betreuern Dr. Rashid Waraich und Henrik Becker, die mich durch die ganze Arbeit leiteten und mir immer sehr schnell Antwort auf meine Fragen gaben. Zudem bedanke ich mich bei meinem Kommilitonen Moritz Hohenfellner, der mir geholfen hat im Umgang mit der Programmiersprache JAVA. Zuletzt bedanke ich mich herzlich bei Carla Walker für das Korrekturlesen und der Hilfe beim Zitieren. 40 10 20 30 Fahrzeuge Bevölkerung 0 Zunahme in Prozent bezüglich dem Basisjahr 2001 Abbildung 1: Prozentualer Zuwachs von zugelassenen Personenwagen und der Bevölkerung seit dem Jahr 2001. 2002 2004 2006 2008 2010 2012 2014 Jahr Daten: BFS (2015) 1 Einleitung Die gesellschaftliche Entwicklung der Schweiz war in den vergangenen Jahrzehnten geprägt von einem nie dagewesenen demographischen Wandel. Steigender Wohlstand, Alterung der Bevölkerung, Bevölkerungszuwachs und wirtschaftliche Arbeitsteilung führten zu einem stetig wachsendem Individualverkehr. In Abbildung 1 ist zu sehen, wie die Bevölkerung und die Anzahl Fahrzeuge in der Schweiz zugenommen hat. Es ist ersichtlich, dass die Anzahl der Fahrzeuge schneller wächst als die Bevölkerung. Das Wachstum der Fahrzeuge ist dabei wirtschaftlichen Schwankungen unterworfen, wie in Abb. 1 für die Jahre 2008 und 2009 (nach der Finanzkrise) deutlich zu sehen ist. Es stellt sich die Frage, wie die CO2 -Emissionen des Individualverkehrs reduziert werden können, um allfällige Kollateralschäden an der Umwelt zu verhindern. An erster Stelle stehen dabei Elektrofahrzeuge. Sie haben ein grosses Wachstumspotenzial, einerseits durch die von der Politik geforderte Energiewende und deren Ziel die CO2 -Emissionen zu senken. Andererseits durch die in den letzten Jahren kontinuierlich sinkenden Batteriepreise. Elektrische Fahrzeugantriebe haben einen deutlich höheren Wirkungsgrad als Herkömmliche. Ihr Einfluss auf die CO2 Bilanz hängt von den Primärenergieträger ab, welche die elektrischen Fahrzeuge mit Energie versorgen. Verschiedene kurzfristige Szenarien bezüglich der zukünftigen Verkaufsanteile der unterschiedlichen Antriebsarten von Fahrzeugen in Abhängigkeit der CO2 -Emissionen wurden von Hofer (2014) durchgeführt. Er formuliert folgende These: „Wenn sich der Trend zu immer grösseren und schwereren Fahrzeugen fortsetzt, werden die Emissionsziele für 2020 sehr schwer zu erreichen sein, sogar wenn sich mit sehr optimistischen Wachstumsraten neue, sehr effiziente Antriebsarten in dem Markt etablieren können.“ Die Anzahl der zugelassenen Elektrowagen war mit knapp 1’000 Stück Pro Jahr über die Jahre 2001 bis 2011 ziemlich konstant. Seitdem hat sich deren Anzahl auf über 4’000 Fahrzeuge vervierfacht. Der Dieselantrieb erlebt seit der Jahrhundertwende eine schnell und stark wachsende Nachfrage. Dieselfahrzeuge überzeugen unter anderem durch einen niedrigeren CO2 -Ausstoss und Kraftstoffverbrauch pro Kilometer gegenüber herkömmlichen Benzinantrieben. Der Nutzen und somit die Wahrscheinlichkeit sich für ein Dieselantrieb zu entscheiden, erhöht sich bis zu einem Kraftstoffpreis von CHF 3/Liter (Jäggi et al., 2012). Wie in Abb. 2 zu sehen ist, sind von 2001 bis 2014 über 900’000 neue Dieselfahrzeuge hinzugekommen, während die Anzahl der herkömmlichen Benzinantriebe um über 250’000 Stück gesunken ist. Schramm und Koppers (2014) legen zu der Kostenentwicklung von Benzin und Diesel dar: „Die Kosten für Benzin und Diesel sind analog zu der Entwicklung des Rohölpreises seit den 1950er Jahren ungefähr um den Faktor acht gestiegen.“ Währenddessen ist der Strompreis mehr oder weniger von den komplexen und globalen Interessen rund um den Rohölpreis entkoppelt. Damit sich Elektrofahrzeuge schliesslich im Markt durchsetzen können, müssten noch einige Hindernisse überwunden werden. Einerseits muss die Ladestationsdichte erhöht und andererseits die Reichweite der Fahrzeuge gesteigert werden. Weiter müssen die bislang bestehenden Kostennachteile bezüglich des Fahrzeugwertverlustes, beziehungsweise dem höheren Anschaffungspreis ausgeglichen werden. In der vorliegenden Arbeit wird ein Modell vorgestellt, das den zukünftigen Verkaufsanteil der unterschiedlichen Antriebsarten in Abhängigkeit von verschiedenen Einflussfaktoren beschreibt. Berücksichtigt werden verschiedene Faktoren wie soziodemographische Daten oder die Dynamik der Antriebsarten in der Schweizer Fahrzeugflotte. Das entwickelte Modell wird auf seine Sensitivität bezüglich ändernde Preise untersucht. Zudem soll die Veränderung der Marktanteile unter den einzelnen Antrieben über die Jahre dargestellt werden. Dazu wird das Modell erst statisch, ohne verändernde Eingaben simuliert. In einem dynamischen Szenario soll aufgezeigt werden, wie gut das Modell auf Veränderungen von einzelnen Variablen reagiert. Die Arbeit gliedert sich in sechs Teile. Zunächst wird auf die relevante Literatur eingegangen, bevor im nächsten Kapitel die in dieser Arbeit benutzten Logit-Modelle kurz erklärt werden. 10 0 2 4 6 8 Benzin Elektro Diesel Andere −2 Absolute Veränderung der Fahrzeugflotte in 100000 Abbildung 2: Absolute Veränderung der zugelassenen Personenwagen nach Kraftstoffart in der Schweiz seit dem Jahr 2001. 2002 2004 2006 2008 2010 2012 2014 Jahr Daten: BFS (2015) Anschliessend werden die relevanten Programmstrukturen für das Modell vorgestellt und zwei Szenarien durchgeführt. Zum Schluss werden die Ergebnisse vorgestellt. Zuletzt wird auf die weiterführende Arbeiten eingegangen. 2 Relevante Literatur Das Modellieren und Analysieren der Wahl von Mobilitätswerkzeugen besitzt einen grossen Stellenwert in der Forschung auf dem Gebiet der Verkehrsplanung sowie für gesellschaftspolitische Fragestellungen. Sie dienen dazu, Auswirkungen verschiedener Einflüsse auf das Mobilitätsverhalten darzustellen. Ein weiteres Anwendungsgebiet ist die Überprüfung verschiedener Infrastruktursyteme und deren Dimensionierung. Es gibt dementsprechend unterschiedliche Modelle mit verschiedenen Ansätzen. Eines haben alle Modelle gemeinsam, sie wollen ein sehr komplexes Entscheidungsverfahren mit unterschiedlichsten beeinflussenden Faktoren so genau wie möglich darstellen. Die erreichten Fortschritte der Rechenleistung der letzen Jahrzehnte ermöglichten komplexere Simulationen, welche Entscheidungen mit der Hilfe von Modellen aufzeigen. Diese Fortschritte erlauben realistischere Modelle der tatsächlichen Verhaltensweise der Entscheidungsträger mittels zufälliger Verteilung ihrer Vorlieben. Diese Simulationsprozesse lassen sich mit klug gewählten „quasi-zufälligen Zahlensequenzen“ präzisieren (Hess et al., 2006). Choo und Mokhtarian (2004) bieten eine Zusammenfassung verschiedener Entscheidungsmodelle für die Auswahl eines Fahrzeugtyps anhand einzelner Attribute von Entscheidungsträger. Multinomiale und genestete Logit-Modelle werden zur disaggregierten Modellierung der Nachfrage nach Verkehr oder Mobilitätswerkzeugen benutzt. Wobei sich die meisten dieser Modelle hauptsächlich auf die Fahrzeugattribute, die Haushaltscharakteristiken, die Markenloyalität und die Charakteristiken des Fahrzeughalters konzentrieren. Choo und Mokhtarian (2004) befassen sich mit dem Zusammenhang des Reiseverhalten, dem Lebensstil oder der Persönlichkeit des Fahrzeugbesitzers und dessen Fahrzeugauswahl. Diskrete Entscheidungsmodelle basieren auf der Nutzenmaximierung, wobei das Fahrzeug mit dem höchsten Nutzen mit der höchsten Wahrscheinlichkeit gewählt wird. Der Nutzen definiert sich hauptsächlich über die Kosten für das Fahrzeug in der Anschaffung, im Betrieb und im Unterhalt. De Haan und Müller (2009) entwickelten eine agentenbasierte Mikrosimulation, die dazu dient, Auswirkungen von politischen Massnahmen auf das individuelle Kaufverhalten von Fahrzeugen zu evaluieren. Dazu erstellten sie ein sehr detailliertes Set von Fahrzeugen, die in einem zweistufigen Entscheidungsprozess zur Auswahl stehen. Zuerst werden aus einer universellen Auswahl von Alternativen mit einfachen, nicht vergleichenden Regeln einige ausgewählt. Diese werden anschliessend aufgrund ihrer Attribute gewichtet und miteinander verglichen, um die beste Alternative zu identifizeren. Verschiedene diskrete Entscheidungsmodelle, wie die verschiedenen Logit beziehungsweise Probit-Modelle, wurden von Beige (2008) mittels eines Log-Likelihood Ratio Tests miteinander verglichen. Die Logit-Modelle können die Daten aus den Umfragen besser abbilden als die Probit-Modelle. Das genestete Logit-Modell mit den zwei Nestern Car und No Car, schnitt dabei am besten ab und wird in dieser Arbeit verwendet, um herauszufinden ob ein Agent Autobesitzer ist oder nicht. Abbildung 3: Veranschaulichung der verschiedenen Logit-Modellen innerhalb der Logit Familie. Quelle: Beige (2008) 3 Logit-Modelle Die Theorie zu den Logit-Modellen lieferten Daniel McFadden und James Heckman. Für die Entwicklung der Theorie und Methoden für die Analyse der diskreten Entscheidungen erhielten sie im Jahr 2000 den Nobelpreis für Wirtschaft. Damit ist es möglich, das Entscheidungsverhalten von Individuen empirisch zu analysieren Schwedische Reichsbank (2015). In dieser Arbeit werden die Logit-Modelle in ihren Ausführungen als multinomiale und genestete Logit-Modelle verwendet. Der Vollständigkeit halber wird das kreuz-genestete Logit-Modell ebenfalls erwähnt. In der Abb. 3 wird die jeweilige Modellstruktur der drei verschiedenen Modelle mit einem Beispiel für drei mögliche Routen von A nach D dargestellt. Für einen detaillierteren Hintergrunde der folgenden Konzepte und Formulierungen wird auf Louviere et al. (2000) verwiesen. Ein wichtiger Aspekt der Logit-Modelle ist der subjektive Nutzen Un j einer Alternative j für die Person n (Formel 1). In Abb. 3 ist dies zum Beispiel der Nutzen der Route A für eine bestimmte Person. Der Nutzen stellt sich zusammen aus dem objektiven Nutzenbetrag Vn j , zum Beispiel als Reisezeit der Route A ausgedrückt, und dem zufälligen, stochastischen Nutzenbetrag ε n j (Fehlerterm). In diesem sind die nicht beschreibbaren Charakteristiken des Entscheidungsträgers oder der Alternative berücksichtigt. Un j =Vn j + ε n j (1) Weiter folgt die Nutzenfunktion mit Vn j =α n j + X βn j k ∗ X n j k ∀k Vn j =Nutzen der Person n für Alternative j α n j =Konstante für Person n und Alternative j (2) βn j k =Bewertung von Attribut k für Alternative j und Person n X n j k =Wert des Attributs k für Alternative j und Person n Gemäss dem Konzept der Nutzenmaximierung wird Alternative i gewählt, wenn Uni ≥ Un j (3) oder Vin − Vjn ≥ ε jn − εin . (4) Folglich sind nur die Unterschiede zwischen den Nutzen relevant und somit ist das Nutzenkonzept relativ Beige (2008). Die Logit-Modelle unterscheiden sich durch den gumbelverteilten, stochastischen Nutzenbetrag von anderen Modellen Ben-Akiva und Bierlaire (1999). Andere diskrete Entscheidungsmodelle, auf die nicht weiter eingegangen wird, sind unter anderem lineare Wahrscheinlickeitsmodelle und Probit-Modelle. Da die Menschen nicht immer vollständig über alle Alternativen informiert sind, beziehungsweise das Modell den Nutzen nicht korrekt dem Individuum zuordnet, werden Alternativen, die einen geringeren Nutzen erzeugen, mit einer gewissen Wahrscheinlichkeit trotzdem gewählt. Diese Modelle bieten die Möglichkeit darzustellen, wie Entscheidungen getroffen werden und wie sich einzelne Änderungen der Präferenzen auf die Entscheidung auswirken können. Für eine gute Modellierung müssen die Bewertungen der Attribute einzelner Personen genau bekannt sein. Dies setzt gute Kenntnisse über die zu modellierenden Personen und deren Entscheidungsverhalten voraus. 3.1 Multinomiales Logit-Modell Bei einem Multinomialen Logit-Modell (MNL) stehen im Gegensatz zum binären Logit-Modell mehr als zwei Alternativen zur Verfügung. Das MNL ist an die Annahme gekoppelt, dass die Fehlerterme unabhängig und identisch Gumbel (oder Typ 1 Extremwert) verteilt sind. Eine wichtige Eigenschaft ist die “Independence from Irrelevant Alternatives (IIA)“, also die Unabhängigkeit irrelevanter Alternativen. Ben-Akiva und Bierlaire (1999) ergänzen: “Diese Eigenschaft kann wie folgt interpretiert werden: Das Verhältnis der Wahrscheinlichkeiten von beiden Alternativen ist unabhängig von den zur Verfügung stehenden Auswahlwahrscheinlichkeiten“. Jedoch ist genau diese IIA Eigenschaft eine Einschränkung für den praktischen Gebrauch. Bestehende Verhältnisse zwischen Alternativen können nicht aufgezeigt werden, obwohl die zufälligen Nutzen deutlich miteinander korrelieren sowie sie sich eine Anzahl unbeobachteter Attribute teilen (Beige, 2008). Somit ist die Wahrscheinlichkeit einer Entscheidung nur von dessen Nutzen abhängig. Zur Veranschaulichung dieses Problems wird auf das “Roter Bus / Bauer Bus Paradoxon“ verwiesen. Dieses besagt, dass wenn man ein Auto und einen roten Bus zur Auswahl hat, sich die Wahrscheinlichkeit zu je 50 % aufteilt. Kommt nun ein weiterer, blauer Bus dazu, würde man intuitiv annehmen, dass die Auswahlwahrscheinlichkeit des Auto weiterhin 50% ist und die der Busse je 25%, sofern sich die Fahrgäste nicht von der Farbe beeinflussen lassen. Durch die IIA Eigenschaft werden diese Alternativen im multinomialen Logit-Modell jedoch als voneinander unabhängig betrachtet, sodass jede Alternative die Wahrscheinlichkeit von 33.3% besitzt. Ein solcher Fall ist mit einem MNL nicht korrekt darstellbar. Die Auswahlwahrscheinlichkeit P jn einer Alternative ist gegeben durch die Logit Funktion: eVj n P jn = P N Vin i=1 e n =Person (5) i... j =Anzahl Alternativen 3.2 Genestetes Logit-Modell Das genestete Logit-Modell (NLM) ist eine Erweiterung des MNL und wurde so konzipiert, dass Korrelationen zwischen Alternativen mit berücksichtigt werden. Im Bezug auf das “Roter Bus / Blauer Bus Paradoxon“ kann somit berücksichtigt werden, dass eine andere Busfarbe keine unabhängige neue Alternative ist. Die Grundlage dafür bildet die Aufteilung des Choice Sets Cn in m Nester Cmn (Ben-Akiva und Bierlaire, 1999), in eben erwähntem Beispiel, wäre dies ein Nest für das Auto und eines für den Bus. Die Wahrscheinlichkeit, dass sich eine Person n für die Alternative i im Nest Cmn entscheidet, ist gegeben durch P(i|Cn ) =P(Cmn |Cn ) ∗ P(i|Cmn ) (6) wobei e µVC mn P(Cmn |Cn ) = P M µVC mn m=1 e (7) und e µm Vin . µ m Vj n j∈Cmn e P(i|Cmn ) = P M (8) Die Parameter µ und µm repräsentieren die Korrelationen zwischen den Alternativen innerhalb vom Nest Cmn und es ist nur deren Verhältnis von Bedeutung (Ben-Akiva und Bierlaire, 1999). Im Beispiel von Abb. 3 wäre dies, dass ein Individuum Route D wählt, wenn er schon Route B gewählt hat. Es ist wichtig, dass die Alternativen in klar getrennte Nester aufgeteilt werden, ansonsten zeigt das NML die Struktur der Zusammenhänge nicht sauber auf (Beige, 2008). 3.3 Kreuz-genestetes Logit-Modell Das kreuz-genestete Logit-Modell (CNLM) ist eine Erweiterung des NLM. Hier sind die Alternativen nicht mehr an ein Nest gebunden, sondern können mehreren Nestern angehören. Somit werden die Korrelationen zwischen den Nestern ebenfalls berücksichtigt. Es wird nicht weiter auf das CNLM eingegangen. Für Interessierte wird auf Ben-Akiva und Bierlaire (1999) verwiesen. 4 Programmstruktur In Abb. 4 ist zu sehen, wie das Programm aufgebaut ist und mit Java implementiert wird. Es zeigt eine „Population“, bestehend aus Agenten, welche jährlich durch einen Fluss von Entscheidungen geführt wird. Diese Entscheidungen werden mit einigen Vereinfachungen modelliert. In diesem Modell verteilt sich ein sehr komplexer Entscheidungsprozess auf drei aufeinanderfolgende Teilmodelle. Zuerst wird entschieden, ob ein Agent „Autobesitzer“ ist. Das zweite weist dem Agenten einen Fahrzeugtyp zu und in einem dritten Modell wird entschieden, welche Antriebsart Testpopulation i Alter, Geschlecht, Einkommen, Wohnkosten, Wohnort, Distanz, Auto, Nationalität, Führerschein, Hochschulabschluss Agent: Nein Autobesitzer Ja HT, GA, Regio, kein Ticket genestetes Logit Model, Beige Sigrun (2008) ÖV Ticket Ja/Nein HT, GA, Regio, kein Ticket genestetes Logit Model, Beige Sigrun (2008) ÖV Ticket JA/ Nein klein, mittel, gross Fahrzeugtyp Jahr i altes verkaufen altes verkaufen neues kaufen altes behalten Diesel, Benzin, Elektro (Multnomiales Logit) bevorzugte Antriebsart i++ Abbildung 4: Veranschaulichung des Programmablaufs mit einem Flussdiagramm. Abbildung 5: Veranschaulichung des Programmablaufs mit dem Durchlauf von vier Agenten Jahr: i-1 Agent 1: Autobesitzer Agent 2: Jahr: i Status Autobesitzer kein Autobesitzer Autobesitzer kein Autobesitzer kein Autobesitzer Agent 3: Autobesitzer kein Autobesitzer Autobesitzer Agent 4: kein Autobesitzer Fahrzeugklasse klein mittel gross klein mittel gross Antriebsart Kaufentscheid Diesel Benzin Elektro altes behalten Diesel Benzin Elektro neues kaufen neues kaufen verkaufen Autobesitzer kein Autobesitzer der Agent bevorzugt. Anschliessend wird sein bevorzugtes Auto mit seinem jetzigen Auto verglichen, falls er bereits eines besitzt und entschieden, ob er sein altes Auto behält oder sich das Neue kauft. Das Geschlecht des Agenten wird bei den Entscheidungsprozessen vernachlässigt. Abb. 5 verdeutlicht, wie das in dieser Arbeit entwickelte Modell funktioniert. Dazu werden die vier möglichen Szenarien bezüglich des Statuses „Autobesitzer“ oder „kein Autobesitzer“ der Agenten exemplarisch dargestellt. Die erste Spalte zeigt den Status des Agenten im Jahr i -1, also im vorherigen Jahr. Agent 1 startet als „Autobesitzer“ in das neue Jahr, in diesem wird ihm mit dem Modell von Beige (2008) wieder der Status, „Autobesitzer“ zugewiesen, wie in Abb. 5 zu sehen ist. Im nächsten Prozess wird ihm seine Fahrzeugklasse zugewiesen. Dann entscheidet sich Agent 1 aufgrund des Nutzens, beziehungsweise dessen Wahrscheinlichkeit, für einen Dieselantrieb. Zuletzt wird das aktuelle Auto mit der neu gewählten Variante verglichen. Abschliessend entscheidet er sich dafür, das neue Auto zu kaufen und sein altes zu verkaufen. Agent 2 ist im Jahr i-1 „kein Autobesitzer“. Im neuen Jahr kriegt er den Status „Autobesitzer“ und die Fahrzeugklasse „klein“ zugewiesen. Weiter entscheidet er sich für einen Elektroantrieb und da er noch kein Auto besitzt, hat er nur die Möglichkeit dieses Auto zu kaufen. Agent 3 ist als „Autobesitzer“ in das neue Jahr gestartet, anschliessend kriegt er den Status „kein Autobesitzer“ zugewiesen und verkauft sein Auto. Agent 4 startet ohne Auto ins neue Jahr und wird in diesem weiterhin kein Auto kaufen, folglich sind alle seine Entscheidungen bereits nach dem ersten Modell getroffen. Schliesslich bleibt ihm nichts anderes übrig als kein Auto zu kaufen. Wie diese Abläufe implementiert werden und welche Faktoren dabei eine Rolle spielen, soll in den nächsten Kapitel erklärt werden. 4.1 Agenten Die Agenten mit einigen soziodemographischen Merkmalen sind die Entscheidungsträger in diesem Modell. Sie sollen die Schweizer Bevölkerung repräsentativ darstellen. Am Anfang im Jahr 0, werden die Agenten mit den folgenden Eigenschaften einmalig erstellt: • Identitätsnummer: Jedem Agent wird eine Identitätsnummer zugewiesen, um ihn anschliessend bei seinen Entscheidungen eindeutig identifizieren zu können. • Alter: Gemäss der Tabelle „Ständige Wohnbevölkerung nach Geschlecht und Alter, am Ende des Jahres 2014“ wird das Alter zugewiesen (BFS, 2015). • Geschlecht: Das Geschlecht wird den Agenten ebenfalls mit oben erwähnter Tabelle zugewiesen. • Führerschein: Die Wahrscheinlichkeit, dass ein Agent einen Führerschein besitzt, wird gemäss BFS (2012) zugewiesen. Der Mikrozensus wird in Zusammenarbeit vom BFS und Bundesamt für Raumentwicklung (ARE) erstellt. In Abb. 6 ist der Unterschied zwischen den Geschlechter, betreffend dem Besitz eines Führerscheins, klar ersichtlich. Vor allem bei der älteren Generation sind die Unterschiede gross, wobei bei den 25-44 Jährigen der Unterschied deutlich geringer ist. In dieser Kategorie besitzen 85.7 % der Frauen sowie 92.7 % der Männer einen Führerschein (BFS, 2012). • Distanz: Die Distanzen, die ein Agent pro Jahr zurücklegt, wird dem BFS (2012) entnommen. Dabei wird die mittlere Tagesdistanz auf das ganze Jahr extrapoliert und entsprechend dem Alter des Agenten die jeweilige Distanz übergeben. Hier wird auf einen höheren Detaillierungsgrad verzichtet. • Einkommen: Den Agenten wird ein Einkommen zugeteilt entsprechend der Tabelle „Verteilung des verfügbaren Äquivalenzeinkommens und das Quintilverhältnis S80/S20, nach verschiedenen soziodemographischen Merkmalen“ des BFS (2015). Für das Äquivalenzeinkommen eines einzelnen Agenten werden von dem Bruttoeinkommen des gesamten Haushalts die obligatorischen Transferausgaben wie Steuern, Krankenkassenbeiträge, Sozialversicherungen und regelmässige Transferzahlungen, abgezogen und schliesslich durch die Anzahl der im Haushalt wohnenden Personen geteilt (BFS, 2015). Somit erhält der Agent das ihm zur Verfügung stehende Einkommen, zudem werden die Agenten vom Haushalt entkoppelt. Den einzelnen Agenten werden gemäss ihrer Alterskategorie und der Wahrscheinlichkeit in welcher Einkommensklasse sie sich befinden, das Äquivalenzeinkommen gutgeschrieben. Wobei der Einfluss der Nationalität sowie des Geschlechts vernachlässigt wird. Dies bringt Unsicherheiten mit sich bringt, da oft der gesamte Haushalt zusammen ein Auto besitzt. • Wohnkosten: Die Wohnkosten werden anhand der Haushaltstbudgeterhebung 2009-2011 des BFS erstellt (BFS, 2015). Die Kosten der Haushalte für Wohnen und Energie, die nach Abbildung 6: Führerescheinbesitz nach Alter und Geschlecht (Basis: 112’197 Haushaltspersonen Männer 80+ Jahre Frauen 65−79 Jahre 45−64 Jahre 25−44 Jahre 100 80 60 40 20 0 18−24 Jahre Prozent Daten: BFS (2012) Einkommensklassen eingeteilt sind, werden als Prozentsatz des verfügbaren Einkommens berechnet. Anschliessend werden mit einer logarithmischen Regression eine Funktion der prozentualen Wohnkosten in Abhängigkeit des verfügbaren Einkommens geschätzt. Schliesslich wird den Agenten die Wohnkosten gemäss ihrer Einkommnsklasse zugewiesen. • Nationalität: Die Nationalität wird auf Basis der Tabelle, Altersmasszahlen der ständigen Wohnbevölkerung nach Staatsangehörigkeitskategorie und Geschlecht, des Jahres 2014 zugewiesen. Die Daten werden mit den Eckdaten der laufenden Bevölkerungsstatistik der Schweiz vom BFS in Zusammenarbeit mit STATPOP erstellt (BFS, 2015). Dabei wird nur zwischen Schweizer Staatsbürgerschaft und nicht Schweizer Staatsbürgerschaft unterschieden. • Wohnort: 36.8 % der Schweizer Bevölkerung lebten im Jahr 2011 in der Agglomeration einer der fünf grössten Städte der Schweiz (BFS, 2015). Von allen im Ballungsraum Zürich wohnenden Personen leben ungefähr 35.5 % in der Stadt selbst, was eigene Berechnungen anhand der Daten der Kantonalen Bevölkerungserhebung zeigten (Statistisches Amt des Kantons Zürich, 2015). Es wird die Annahme getroffen, dass in grösseren Städten der Schweiz das Verhältnis der Bevölkerung in der Stadt zu denen im Ballungsraum demjenigen von Zürich entspricht. Weitere 37% der Schweizer Bevölkerung wohnen in anderen städtischen Gebieten, während in ländlichen Gebieten 26.2% wohnen (BFS, 2015). • Hochschulabschluss: Bezüglich dem vom BFS in Zusammenarbeit mit der Schweizerischen Arbeitskräfteerhebung (SAKE) ermittelten Wahrscheinlichkeiten des Bildungsstand der Wohnbevölkerung nach Altersgruppen, wird einigen Agenten ein Hochschulabschluss zugewiesen. Dabei wird nach dem Alter und dem Geschlecht unterschieden, wobei die jungen Frauen zwischen 25-34 Jahren mit 34.6 % die höchste Wahrscheinlichkeitsgruppe darstellen (BFS, 2015). 4.2 Autobestizmodell In Abb. 4 befindet man sich an der ersten Gabelung, wo entschieden wird, ob der Agent „Autobesitzer“ ist. Anschliessend weist das Modell dem Agenten zusätzlich allfällige Abonnemente des Öffentlichen Verkehrs zu. Das Ziel dieses Teilmodells ist es aufgrund deren soziodemographischen Merkmalen den Agenten den Status eines allfälligen „Autobesitzer“ zu übergeben. In Beige (2008) wird unter anderem ein Nested Logit Modell mit den zwei Nester für Car und no Car entwickelt. Es stellt die Wahrscheinlichkeit für die spezifische Zusammensetzung verschiedener Mobilitätswerkzeuge dar und wird im Rahmen dieser Arbeit benutzt. Die Struktur des Modells ist in Abb. 7 ersichtlich. Sie vergleicht verschiedenste diskrete Entscheidungsmodelle mit einem log-likelihood ratio Test, dabei schneidet das gewählte, genestete Logit Modell am besten ab. Es bildet die Daten, die von der Haushaltsbefragung ermittelt wurden, am besten ab. Die Wahrscheinlichkeit des einzelnen Agenten einer spezifischen Gruppe in Abb.7 anzugehören, wird mit den Formeln 6, 7 und 8 berechnet. Bei diesem Modell fliesst das Haushaltseinkommen mit in die Berechnung ein. Da die Agenten jedoch ein Äquivalenzeinkommen besitzen, wird das Einkommen der Agenten mit der Anzahl im Haushaltlebenden Personen multipliziert. Gemäss dem BFS (2015) wohnen durchschnittlich 2.2 Personen in einem Haushalt. Dieser Wert wird für alle Haushalte der Agenten angenommen. Mit dem selben Betrag werden die Wohnkosten multipliziert. Beige (2008) erläutert: "Bezüglich dem Alter nimmt der Nutzen für ein Auto oder Saisonabonnement für Männer bis 52 Jahren und Frauen bis 46 Jahren ab, danach steigt der Nutzen langsam". Ein Schweizer Pass oder ein Hochschulabschluss haben positive Auswirkungen auf die Wahrscheinlichkeit ein Mobilitätswerkzeug zu besitzen, wobei Personen ohne Mobilitätswerkzeug eher tiefere Einkommen haben. Weiter steigt die Wahrscheinlichkeit für den Autobesitz mit zunehmenden Wohnkosten (Beige, 2008). Es bleibt ein Modell, welches versucht die Realität so gut wie möglich abzubilden. Zur Erstellung wurden Haushaltsbefragungen im Raum Zürich durchgeführt, was einige Unsicherheiten mit Abbildung 7: Struktur des Nested Logit Model für den Besitz von Mobilitätswerkzeugen mit den zwei Nester für Car und No Car Quelle: Beige (2008) sich bringt. Die Angaben in eben erwähnten Haushaltbefragungen werden von Person zu Person unterschiedlich seriös ausgefüllt. Zudem ist sehr schwierig einen Fragebogen zu erstellen, der die Fragen so darstellt, dass sie von allen gleich verstanden und bewertet werden. Dies hat zur Folge, dass die Daten, welche die Grundlage für die Modellschätzung bilden, bereits fehlerbehaftet sind. Deshalb wird es für dieses Modell schwierig, Aussagen über Personen zu treffen, die aufgrund ihrer soziodemographischen Merkmale nicht eindeutig als „Autobesitzer“ oder „kein Autobesitzer“ identifiziert werden können. Andererseits bildet es Personen gut ab, die aufgrund ihrer soziodemographischen Merkmale ganz klar „Autobesitzer“ oder ganz klar „kein Autobesitzer“ sind. Das Modell in dieser Arbeit wird dazu benutzt, den Agenten den Status „Autobesitzer“ oder „kein Autobesitzer“ zuzuweisen. Dazu wird für jeden Agenten jährlich die Wahrscheinlichkeit von „Autobesitz“ und „kein Autobesitz“ berechnet und ihm mit einer Zufallssimulation der Status zugewiesen. Weiter wird ihnen ein allfälliges Abonnement des Öffentlichen Verkehrs zugewiesen. In Abb. 4 sind es die Prozesse „Autobesitzer Ja/Nein“ und „ÖV Ticket Ja/Nein“. 4.3 Choice Set Das Angebot von Fahrzeugen mit herkömmlichen Antriebsarten ist riesig mit abertausenden Modellen in verschiedenster Ausführung. Das Angebot der reinen Elektrofahrzeugen ist dagegen überschaubar klein. Den Agenten musste eine begrenzte und überschaubare Anzahl Fahrzeuge zur Auswahl gestellt werden. Für das Modell ist es nur notwendig, die verschiedenen Fahrzeugtypen Tabelle 1: Choice Set „klein“ [Kaufpreis in €] „mittel“ [Kaufpreis in €] „gross“[Kaufpreis in €] Diesel Renault Clio dCi 90 [17490] VW Scirocco 2.0 TDI [28735] VW Passat Variant 2.0 TDI BMT [33850] Benzin Renault Clio TCe 90 [15390] VW Scirocco 2.0 TSI [26700] VW Passat Variant 1.8 TSI BMT [35225] Elektro VW e-up! [26900] VW e-Golf [34900] Mercedes B 250 e Urban [50960] und Preisklassen abzubilden. Das Choice Set, also alle zur Auswahl stehenden Fahrzeuge, wird in drei Fahrzeugtypen „klein“, „mittel“, „gross“ und drei Antriebsarten, Diesel, Elektro, Benzin eingeteilt (Tabelle 1). Der Automarkt wird auf einzelne Modelle reduziert, die für ihre jeweilige Kategorie repräsentativ sind. Auf eine detailliertere Einteilung der Fahrzeugtypen und zusätzliche Kategorien, wie z.B. Ausstattung, wird zwecks der Einfachheit verzichtet. Weiter werden alternative Antriebe wie Gas, Hybrid, oder Biogas vernachlässigt. Dennoch deckt das Choice Set den grössten Anteil des verfügbaren Automarkt so gut wie möglich ab. Allfällige Einschränkungen der Elektrofahrzeuge bezüglich deren Reichweite und der geringen Ladestationsdichte werden vernachlässigt. In einem nächsten Schritt werden den Fahrzeugen Kosten gemäss ADAC (2015) zugewiesen. Dadurch können den Fahrzeugen Wertverlustkosten, Werkstattkosten, Betriebskosten und Fixkosten zugerechnet werden. Somit sind die variablen und die fixen Kosten der Fahrzeuge berücksichtigt. 4.3.1 Restwert Der Restwert eines üblichen Fahrzeugs nimmt mit der Zeit bis zu einem gewissen Punkt ab. Die Differenz des Restwerts vom letzten Jahr und diesem Jahr entspricht dem Wertverlust. Dieser Wertverlust spielt für die Agenten eine Rolle bei der Auswahl eines Fahrzeugs. Dazu werden die Wertverluste für das grosse Dieselfahrzeug gemäss ADAC (2015) berechnet. Diese setzen sich wie folgt zusammen. Wer nach einer gewissen Zeit sein Auto ersetzen will, muss für diese Haltedauer den Wertverlust des Fahrzeuges durch gleich hohe Rücklagen ausgleichen. Nur so ist es möglich sich ohne Fremdfinanzierung ein neues Auto zu leisten. Der Neupreis des Fahrzeugs wird dadurch direkt in Form von Wertverlustkosten berücksichtigt. Diese Wertverlustangaben basieren auf den Gebrauchtwagenwertnotierungen der Deutschen Automobil Treuhand (DAT). Nicht berücksichtigt werden die Zinsen für das Bankguthaben, mit welchem das Fahrzeug finanziert wird. Zum Basispreis des Autoherstellers wird eine Ausstattungspauschale aufgeschlagen, welche Komfort- und Sicherheitsextras abdeckt. Für eine allfällige Überführung und die Zulassung zum Strassenverkehr wird eine Pauschale von 500 € mitberücksichtigt (ADAC, 2015). Es wird der Wertverlust in €/Monat für je eine Fahrzeugleistung von 5’000, 10’000, 15’000, 20’000 und 25’000 Kilometer pro Jahr berechnet. Dies wird für die Haltedauern von 2, 3, 4 und 5 Jahre durchgeführt. In Tabelle 2 sind exemplarisch die Daten für die Laufleistung von 5’000 Km dargestellt. Mit der Hilfe von Matlab wird eine polynomiale Regression dritten Grades Tabelle 2: Vorgehen zur Berechnung vom Restwert und Wertverlust Laufleistung [Km] Kaufpreis [€] Alter [Jahre] 5000 33850 0 Wertverlust [€/Jahr] Restwert = Kaufpreis-Wertverlust [€] Restwert [%] 33850 100 2 7392 19066 56.3 3 5484 17398 51.4 4 4644 15274 45.1 5 4344 12130 35.8 berechnet. In Abb. 8 sind die Restwertkurven für die Jahreslaufleistungen von 5’000, 15’000 und 25’000 Km dargestellt. Es ist klar zu erkennen, dass mit einer höheren gefahrener Distanz der Restwert schneller abnimmt. Neufahrzeuge verlieren kurz nach der Erstzulassung einen grossen Teil ihres Wertes, was an der stark abfallenden Kurve zu Beginn der Lebensdauer erkennbar ist. Die erneute starke Minderung des Restwerts nach dem 4. Jahr begründet sich durch die höhere Wahrscheinlichkeit von grösseren Reparaturen, die den Restwert nicht steigern können. Zudem wird der Fahrzeugmarkt periodisch mit vielen neuen Modellen versorgt, welche ältere Modelle zunehmend unattraktiv erscheinen lassen. Es wird die Annahme getroffen, dass sich der Restwert in Abhängigkeit vom Fahrzeugalter der anderen Fahrzeuge im Choice Set gleich verhält. Für die Ermittlung der Wertverlustkosten für das Fahrzeug eines Agenten, wird dieser in die entsprechende Kategorie bezüglich seiner jährlichen Laufleistung eingeteilt. Somit können die Kosten für sein Fahrzeug und die im Choice Set abgeschätzt werden. Zuletzt werden die Kosten mit einem €/CHF Kurs von 1.0799 multipliziert, Stand 10.12.2015 (finanzen.net GmbH, 2015). 4.3.2 Betriebskosten Die Betriebskosten enthalten die Kraftstoffkosten, Nachfüllkosten für Motoröl oder Harnstofflösung und eine Pauschale in der Höhe von 250 €/Jahr für Wagenwäsche und Pflege (ADAC, 2015). Im Gegensatz zu den Wertverlust- und Werkstattkosten sind die Betriebskosten nicht von der Haltedauer, beziehungsweise vom Alter des Fahrzeug abhängig sondern von der Laufleistung. Für je 5’000, 10’000, 15’000, 20’000, 25’000 und 30’000 Km Laufleistung pro Jahr werden die Betriebskosten der einzelnen Fahrzeuge berechnet. Mit einer anschliessenden exponentiellen Regression, werden die Betriebskosten in Cents/km ermittelt. Die exponentielle Abnahme der Betriebskosten begründet sich durch den geringeren Kraftstoffverbrauch pro Km bei längeren Fahrten, z.B. auf der Autobahn gegenüber kurzen Fahrten im Stadtverkehr. Zusätzlich nimmt der Anteil von der bereits erwähnten Pauschale pro gefahrenem Km mit einer höheren Laufleistung ab. Anschliessend werden die Kosten mit einem €/CHF Kurs von 1.0799 multipliziert, Stand 10.12.2015 (finanzen.net GmbH, 2015). Abbildung 8: Restwert des grossen Diesel Fahrzeugs in % vom Kaufpreis, gegliedert nach den Laufleistungen 5’000, 15’000, 25’000 Km 100 5000Km 25000Km 15000Km Restwert des Fahrzeugs in Prozent vom Kaufpreis 90 80 70 60 50 40 30 20 10 0 0 1 2 3 4 5 6 Jahre 4.3.3 Werkstattkosten Die Werkstattkosten berücksichtigen alle Aufwände, die während einer Haltedauer auf ein Fahrzeug und dessen Besitzer zukommen. Dies beinhaltet unter anderem Ölwechsel, Inspektionen, Verschleissreparaturen, Reifenersatz und einer Reparaturkostenpauschale ab einer Haltedauer von drei Jahren oder einer Laufleistung von 80’000 KM (ADAC, 2015). Diese Kosten werden für die bereits erwähnten Laufleistungen berechnet und anschliessend mit einer exponentiellen Regression jahreslaufleistungsunabhängig dargestellt und in Cents/KM transformiert. Die exponentielle Abnahme der Kosten über die Zunahme der Laufleistung begründet sich dadurch, dass je weiter ein Auto fährt, desto weniger Gewicht fällt auf die immer wiederkehrenden Kosten wie Inspektionen oder Verschleissreparaturen. Der Leser muss sich bewusst sein, dass die totalen Kosten für Service und Reparaturen durchaus höher ausfallen können. Die kleinen Abweichungen der Kurve von den Messpunkten in Abb. 9 sind Auswirkungen der bereits erwähnten Reparaturkostenpauschale. Damit sind die Werkstattkosten für jedes Fahrzeug in Abhängigkeit der gefahrenen Kilometer des Agenten berechnet. Die totalen Kosten für den Service und allfällige Reparaturen nehmen mit dem Fahrzeugalter und der Anzahl gefahrener Abbildung 9: Regression der Werkstattkosten pro Laufleistung in Cents/Km, exemplarisch für das kleine Dieselfahrzeug. Kilometer zu. Es bleibt zu beachten, dass Deutschland bezüglich der Arbeitskosten ein anderes Lohnniveau besitzt, wie die Schweiz. Dies wird in dieser Arbeit nicht berücksichtigt. Da die Kosten für die Reparaturen mit dem Fahrzeugalter zunehmen, muss eine weiterer Schritt eingebaut werden. Für den grossen Diesel als Referenzfahrzeug werden die Werkstattkosten für verschiedene Fahrzeugaltersklassen, nämlich 24, 36, 48 und 60 Monate mit dem Kostenrechner vom ADAC (2015) für die Laufleistungen von 5’000 bis 25’000 Km berechnet. Dies wird exemplarisch für eine Laufleistung von 5’000 Km aufgezeigt. In Tabelle 3 sind die Werkstattkosten pro Jahr und in % pro Jahr vom Kaufpreis dargestellt. Diese Daten bilden die Grundlage für die Steigung ∆ in % des Kaufpreises in Abb. 10. ∆ berechnet sich dabei wie folgt: ∆= 1.347 − 0.851 = 0.165[%] 3 (9) Dies entspricht der durchschnittlichen Steigerung der Werkstattkosten in % des Kaufpreises zwischen dem 2 und dem 5 Jahr. Es wird die Annahme getroffen, dass die Steigung linear bleibt bis in das 10. Jahr . Anschliessend sollen die Werkstattkosten konstant bleiben. Dieses Prozedere wird gleich für die restlichen Laufleistungen angewendet. Zuletzt werden die Kosten mit einem 3.0 0.5 1.0 1.5 2.0 2.5 =0.165 % 0.0 Werkstattkosten in Prozent des Kaufpreises [%] Abbildung 10: Erhöhung der Werkstattkosten mit dem Fahrzeugalter bei einer Jahreslaufleistung von 5’000 Km 0 2 4 6 8 10 12 Fahrzeugalter Tabelle 3: Werkstattkosten in Abhängigkeit des Fahrezeugalters für eine Jahreslaufleistung von 5’000 Km Laufleistung Haltedauer in Jahren Werkstattkosten [€/Jahr] Werkstattkosten in [%] vom Kaufpreis 5’000 Km 2 288 0.851 3 300 0.886 4 444 1.311 5 456 1.347 €/CHF Kurs von 1.0799 multipliziert, Stand 10.12.2015 (finanzen.net GmbH, 2015). Damit kann ein Agent abschätzen, wie hoch seine Werkstattkosten für ein Auto im nächsten Jahr sein werden. 4.3.4 Fixkosten Die fixen Kosten eines Fahzeugs sind weder von der Haltedauer noch der Laufleistung abhängig. Die Berechnungen des ADAC berücksichtigen eine Haftpflichtversicherung, eine Vollkaskover- sicherung mit 500 € Selbstbehalt, die Kraftfahrzeugssteuer und eine jährliche Pauschale von 200€ für anfallende Kosten wie Parkgebühren und ähnliches (ADAC, 2015). Ähnlich wie bei den Lohnkosten sind die Versicherungsprämien in der Schweiz unterschiedlich zu denen in Deutschlan. Allfällige Investitionskosten für Ladestationen von Elektrofahrzeugen sind hier nicht berücksichtigt. Jedoch halten sich diese Investitionskosten im Rahmen. 85 % der Elektrofahrzeugbesitzer in der Schweiz geben an, weniger als 2000 Franken hierfür aufgewendet zu haben (Schwegler et al., 2015). 4.4 Auswahl der Fahrzeugklasse Wie im Abschnitt Choice Set bereits erwähnt, stehen drei Klassen „klein“, „mittel“ und „gross“ zur Verfügung. Für die Klassenzuteilung der Agenten bezieht sich der Autor auf die Daten von Auto Schweiz (2015). Dabei handelt es sich um die Neuzulassungen für Personenwagen in der Schweiz für die Jahre 2013-2015 jeweils von Januar bis September, wie in Abb. 11 zu sehen. Der Klasse „klein“ werden die Microwagen und Kleinwagen zugewiesen, der Klasse „mittel“ die untere Mittelklasse und die Hälfte der oberen Mittelklasse und der Klasse „gross“ die Hälfte der oberen Mittelklasse, die Oberklasse und die Luxusklasse. Anschliessend werden die Marktanteile der drei Klassen in % berechnet. Es wird die Annahme getroffen, dass die Neuwagenverkäufe der letzten drei Jahre ungefähr der Personenwagenverteilung der Klassen entspricht. Der Anteil der Klasse „klein“ liegt bei 27.2 %, der Klasse „mittel“ bei 48.6 % und der Klasse „gross“ bei 24.2 %. Abschliessend wird mit zufällig generierten Zahlen zwischen 0 und 1 jedem Agenten mit Führerschein ein Fahrzeugtyp gemäss den erwähnten Wahrscheinlichkeiten zugewiesen, was den Prozess „Fahrzeugtyp“ in Abb. 4 abschliesst. 4.5 Auswahl des Fahrzeuges In einem nächsten Schritt wird evaluiert, welcher Antrieb für den Agenten und seine bereits bestimmte Fahrzeugklasse den grössten Nutzen bringt. Dies ist der erste Schritt im zweistufigen Prozess zur Fahrzeugauswahl. Hierfür werden die oben erwähnten Kosten zwecks der Fahrleistung des Agenten und dem Fahrzeugalter benutzt. Jeder Antriebsart wird der entsprechende Nutzen, mit der Formel 2, zugewiesen. Das Logit Model wird stark vereinfacht in dem α = 0, X die Kosten und alle β = 1 sind. Dies bedeutet, dass jeder Agent gleich auf die Kosten des Fahrzeugs reagiert. Eine Verteilung der β’s über die Agenten setzt eine Modellschätzung voraus, die mittels Haushaltsbefragungen und anschliessender Analyse durchgeführt werden könnte. Weiter wird mit der Logit Funktion die Wahrscheinlichkeit für jede der drei Antriebsarten berechnet und mit einer Zufallssimulation dem Agent sein bevorzugtes Fahrzeug zugewiesen. Dies schliesst den Abbildung 11: Neu zugelassene Personenwagen in der Schweiz nach Segmenten für die Jahre 2013/14/15 Quelle: Auto Schweiz (2015) Prozess „bevorzugte Antriebsart“ in Abb. 4 ab. Der zweite Prozess zur Fahrzeugauswahl entscheidet, ob der Agent das bevorzugte Fahrzeug kauft oder sein Altes behält. In Listing 1 ist zu sehen, wie dies im Programm implementiert wird. Die Kosten, für das um ein Jahr älter und somit teurer gewordene Fahrzeug des Agenten, humans_car genannt, werden bereits in einem vorherigen Schritt berechnet. Zuerst wird in Zeile 7 abgefragt, ob der Agent bereits ein Auto besitzt. Falls nicht, wird dem Agent das Fahrzeug zugewiesen und die Schleife bricht ab und das Programm läuft mit dem nächsten Agent weiter. Ist der Agent jedoch „Autobesitzer“, werden die Nutzen in den Zeilen 16-17 und anschliessend die Wahrscheinlichkeiten in Zeile 22 berechnet, für entweder das Auto behalten oder sich ein Neues zu kaufen. Mit einer letzten Zufallssimulation, Zeile 26-30, wird dann entschieden, ob der Agent das Auto kauft oder sein Altes weiterfährt. Somit ist der in Abb. 4 dargestellte Ablauf des Programms am Ende angekommen und die Laufvariable i für das Jahr wird um Eins erhöht und das Ganze beginnt wieder von Neuem. Eine Zuweisung der Vorlieben der einzelnen Entscheidungsträger wird in dieser Arbeit vernachlässigt. 1 2 3 4 double zfz_forChoice=random.nextDouble(); double probsum=0; LinkedList <Car> keep_or_buy = new LinkedList <Car>();// liste fuer keep or buy for(Car choosen_car:my_choice_set){ probsum=probsum+choosen_car.getProbability(); if(zfz_forChoice < probsum){ if(aHuman.getCar() == null){ /∗∗wenn carowner aber Agent noch kein Auto hat −−> Kaufen∗/ aHuman.setCar(choosen_car); } else{ /∗∗ wenn ein Agents bereits ein Auto hat, folgt nun der Vergleich mit dem Preferierten∗/ Car humans_car = aHuman.getCar(); double total_prob2=0; keep_or_buy.add(choosen_car); keep_or_buy.add(humans_car); for(Car car : keep_or_buy){ /∗∗fuer beide Autos wird der Nutzen berechnet∗/ double utility =(−(car.getBetriebcost()+car.getWertcost()+ car.getWerkcost() + car.getFixcost())); car.setUtility(utility); total_prob2=total_prob2 + Math.exp(utility); /∗∗Nenner der Logit Funktino∗/ } for(Car car:keep_or_buy){ double probability =((Math.exp(car.getUtility()))/((total_prob2))); car.setProbability(probability);/∗∗den Autos werden die Wahrscheinlichkeiten zugewiesn∗/ } double probsum2=0; double zfz_forChoice2=random.nextDouble(); for(Car eff_car:keep_or_buy){ /∗∗ Schliesslich der Vergleich der W’keiten und Kauf des Autos∗/ probsum2=probsum2+eff_car.getProbability(); if(zfz_forChoice2 < probsum2){ aHuman.setCar(eff_car); break; } } } break; } 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 } Listing 1: Programmcode für den Vergleich zwischen dem bevorzugten Fahrzeug und dem, welches der Agent besitzt. Wenn er noch kein Auto besitzt, wird nicht verglichen sondern sofort gekauft. 5 Szenarien Zuerst wird die erzeugte Testpopulation mit 1 Million Agenten bezüglich der Altersverteilung, der Verteilung der Führerschein nach Alter und Geschlecht sowie dem Autobesitz beschrieben. Anschliessend werden die Resultate von zwei Szenarien, einem statischen und einem dynamischen, dargestellt. 5.1 „Testpopulation“ Abbildung 12: Verteilung der Agenten nach Alter und Geschlecht (1’000’000 Agenten) Männer Frauen 100 80 80 60 60 Alter 100 40 40 20 20 0 0 8000 6000 4000 2000 0 2000 Anzahl Agenten 4000 6000 8000 Die „Testpopulation“ in der Grössenordnung von einer Million wird benutzt, um eine Verteilung der Agenten nach Alter und Geschlecht zu erstellen. Diese ist in Abb. 12 ersichtlich. Die benutzten Wahrscheinlichkeiten zur Alterszuweisung sind in 5 Jahresintervallen implementiert. Nachdem ein Agent einem Intervall zugewiesen ist, z.B. 70-74 Jahren, wird er anschliessend gleichförmig in diesem Intervall verteilt, was die treppenförmige Form begründet. Die meisten Agenten in einem sind bei ungefähr 45 Jahren. Ausgehend von dem Maximum nimmt der Anteil der Agenten mit zunehmendem Alter ab, wobei der Anteil der Frauen kontinuierlich steigt. Es ist zu erkennen, dass Frauen eine höhere Lebenserwartung haben. Die Wahrscheinlichkeiten für den Führerscheinbesitz nach Alter und Geschlecht der Agenten, entspricht ungefähr derjenigen vom BFS (2012). Kleine Abweichungen von wenigen Promille werden durch die Zufallssimulationen begründet. In Abb. 13 ist die Verteilung der „Autobesitzer“ in der „Testpopulation“ nach Alter und Geschlecht getrennt dargestellt. Die Sprünge bei einem Alter von 25, 65 und 80 Jahren erklären sich anhand der Wahrscheinlichkeit für einen Führerscheinbesitz. In diesem Modell ist der Besitz eines Führerscheins Voraussetzung, damit ein Agent ein Auto kaufen kann. Diese Wahrscheinlichkeiten sind, wie in Abb. 6 zu sehen, teilweise deutlich unterschiedlich in verschiedenen Alterskategorien, 100 Männer 20 40 60 80 Frauen 0 Wahrscheinlichkeit für Autobesitz in Prozent Abbildung 13: Status „Autobesitz“ nach Alter und Geschlecht (1’000’000 Agenten) 20 40 60 80 100 Alter des Agenten sowie von Frau zu Mann. Allgemein ist die Wahrscheinlichkeit für einen Fahrzeugbesitz für Frauen deutlich geringer, dies korreliert ebenfalls mit dem Führerscheinbesitz. In Abb. 13 ist ein kontinuierlicher Anstieg des Fahrzeugbesitzes bei Männer von 25 bis 65 Jahren ersichtlich. Dieser lineare Anstieg vom „Autobesitz“ begründet sich durch die negative Elastizität des Alters für „kein Autobesitz“ aus dem Autobesitzmodell von Beige (2008). Dies hat zur Folge, dass die Wahrscheinlichkeit für „Autobesitz“ bis zu einem gewissen Alter ansteigt, ebenso steigt das Einkommen mit dem Alter bis 65 Jahre, welches eine positive Elastizität für „Autobesitz“ ist. Bei Frauen in der gleichen Alterskategorie bleibt der prozentuale Anteil ziemlich konstant. Der ziemlich konstante Abstieg bei Frauen und Männer ab einem Alter von ungefähr 65 Jahren begründet sich durch das geringere Einkommen im Ruhestand. Haushaltsumfragen, die von Beige (2008) durchgeführt wurden, haben ergeben, dass 48% der Befragten immer und 11% teilweise ein Fahrzeug verfügbar haben. 51% aller Agenten der Testpopulation über 18 Jahren besitzen ein Auto. Was ungefähr mit den Werten von Beige (2008) übereinstimmt. 5.2 Referenzszenario Das Referenzszenario wird mit 200’000 Agenten über eine Laufzeit von 20 Modellierungsjahrenen durchgeführt. Dabei werden im ersten Modellierungsjahr die Agenten erstellt und anschliessend bleibt ihre Anzahl konstant. Im ersten Modellierungsjahr wird allen Agenten 50000 20000 Diesel 10000 Benzin Elektro 5000 Anzahl der Fahrzeuge nach Antriebsarten Abbildung 14: Anteil der Antriebsarten an der gesamten Fahrzeugflotte im Referenzszenario (200’000 Agenten mit durchschnittlich 94’050 Fahrzeuge pro Jahr als Basis) 5 10 15 20 Jahr der Modellierung mit dem Status „Autobesitzer“ ein Fahrzeugtyp zugewiesen. Im nächsten Schritt können sie zwischen den drei Antriebsarten auswählen und kaufen ihr Bevorzugtes. Im darauffolgenden Modellierungsjahr kann es sein, dass ein Agent der letztes Jahr ein kleines Fahrzeug gekauft hat, nun einer anderen Fahrzeugklasse zugewiesen wird. Anschliessend entscheidet er sich zwischen dem in diesem Modellierungsjahr bevorzugtem Fahrzeug und demjenigen, welches er besitzt. In Abb. 14 ist die Verteilung der Antriebsarten über die Modellierungsjahre ersichtlich, dabei ist die logarithmische Skalierung der Ordinate zu beachten. Vom ersten zum zweiten Modellierungsjahr gibt es viele Antriebswechsel. Ebenso überholt der Benzinantrieb den Dieselantrieb, was im ersten Blick verwunderlich ist. Beim Vergleich der Anteile der Antriebsarten in Abhängigkeit der Fahrzeugtypen wird deutlich, wie sich diese Wechsel und Veränderungen der Marktanteile vollziehen. Betrachtet man Abb. 15, wird ersichtlich, dass der Anteil der Diesel- und Benzinantrieben in der grossen Fahrzeugklasse abnimmt. Die Schwankungen beim Elektroantrieb ist auf die logarithmische Skalierung der Ordinate zurückzuführen. Allgemein ist der Anteil der grossen Elektrofahrzeuge bei diesem Fahrzeugtyp sehr gering. Der grössere Anteil des Benzinantriebs gegenüber dem Diesel, erklärt sich bei einer genaueren Betrachtung des Choice Set’s in Tabelle 1. Das grosse Dieselfahrzeug ist um ca. 2000 € teurer in der Anschaffung als das Benzinfahrzeug. Aufgrund des Anschaffungspreis werden die Wertverlustkosten berechnet, welche die grössten Kosten zu Beginn der Haltedauer ausmachen. Die mittelgrossen Fahrzeuge stellen den grössten Anteil an der Fahrzeugflotte. In dieser Klasse 10000 1000 Diesel 100 Benzin 10 Elektro 1 Anzahl der grossen Fahrzeuge nach Antriebsart Abbildung 15: Anteil der Antriebsarten der grossen Fahrzeuge im Referenzszenario (200’000 Agenten mit durchschnittlich 94’050 Fahrzeuge pro Jahr als Basis) 5 10 15 20 Jahr der Modellierung ist ein ähnlicher Verlauf zu beobachten, wie in Abb. 16 zu sehen ist. Nach dem ersten Modellierungsjahr werden viele Agenten ihr mittleres Fahrzeug los, unabhängig von der Antriebsart. In den darauffolgenden Modellierungsjahren nimmt der Benzinantrieb sowie der Dieselantrieb leicht ab, während der Elektroantrieb leichten Schwankungen unterworfen ist. Wiederum ist die logarithmische Skalierung der Ordinate zu beachten, was einen Einfluss auf diese, eben erwähnte Schwankungen sein könnte. Wie in der grossen Fahrzeugklasse, ist das mit Benzin angetriebene Fahrzeug teurer in der Anschaffung. Entgegen den vorigen Fahrzeugtypen kann das kleine Fahrzeug Marktanteile hinzugewinnen, wie in der Abb. 17 zu sehen ist. Dies lässt sich mit den geringeren Kosten begründen. Ein Agent, der ein grosses Fahrzeug besitzt und im nächsten Modellierungsjahr der kleinen Fahrzeugklasse zugewiesen wird, entscheidet sich mit einer höheren Wahrscheinlichkeit für das kleinere, billigere Fahrzeug. Nach dem ersten Modellierungsjahr bleibt der Anteil hier ebenfalls konstant, da nun jeder Agent die Auswahlmöglichkeit zwischen dem Alten und dem Neuen besitzt und sich somit keine neue Verteilung einstellt. 25000 15000 10000 Diesel Benzin Elektro 5000 Anzahl der mittleren Fahrzeuge nach Antriebsart Abbildung 16: Anteil der Antriebsarten der mittelgrossen Fahrzeuge im Referenzszenario (200’000 Agenten mit durchschnittlich 94’050 Fahrzeuge pro Jahr als Basis) 5 10 15 20 Jahr der Modellierung 20000 5000 Diesel Benzin Elektro 500 1000 Anzahl der kleinen Fahrzeuge nach Antriebsart Abbildung 17: Anteil der Antriebsarten der kleinen Fahrzeuge im Referenzszenario (200’000 Agenten mit durchschnittlich 94’050 Fahrzeuge pro Jahr als Basis) 5 10 Jahr der Modellierung 15 20 40000 30000 20000 10000 Anzahl der Fahrzeuge nach Antriebsarten Abbildung 18: Anteil der Antriebsarten der Fahrzeuge im dynamisches Szenario (200’000 Agenten mit durchschnittlich 94’107 Fahrzeuge pro Jahr als Basis) Diesel Benzin Elektro 5 10 15 20 Jahr der Modellierung 5.3 Szenario mit dynamischen Kosten für elektrische Fahrzeuge In diesem Szenario ist das Modell auf seine Sensitivität getestet worden. Ziel ist es aufzuzeigen, wie das Modell auf verändernde Eingaben reagiert. Wie im Referenzszenario werden 200’000 Agenten erstellt, welche über 20 Modellierungsjahre Entscheidungen bezüglich des Autokaufs treffen. In diesem Szenario fällt der Kaufpreis jedes Modellierungsjahr um 2% vom Preis des letzten Modellierungsjahres. Dieser Preisnachlass startet ab dem 3. Modellierungsjahr. Mittels Produktivitätssteigerung bei der Herstellung und einem starken Umsatzwachstum kann von solchen Preisreduktionen ausgegangen werden. In Abb. 18 ist der Verlauf der Marktanteile für die verschieden Antriebsarten dargestellt. In den ersten beiden Modellierungsjahren gewinnt der Benzinantrieb Anteile auf Kosten des Elektroantriebs und vor allem des Dieselantriebs. Nach einer kurzen Stagnation verliert der Benzinantrieb immer mehr Marktanteil. Der Dieselantrieb verliert im ersten Modellierungsjahr einen grossen Marktanteil und fällt anschliessend weniger stark als der Benzinantrieb. Der Elektroantrieb verliert zwar im ersten Modellierungsjahr an Marktanteilen, erholt sich aber schnell und steigt dann stark an bis er die anderen Antriebsarten überholt. In den einzelnen Fahrzeugklassen sehen die Verteilungen teilweise anders aus. So ist bei den grossen Fahrzeugen die Auswirkungen des verbilligten Elektrofahrzeug geringer. Wie im Referenzszenario verlieren die beiden fossilen Antriebsarten zu Beginn an Marktanteilen. Hier braucht der Elektroantrieb beinahe 15 Modellierungsjahre bis er sich auf Kosten der anderen 5000 10000 15000 20000 Diesel Benzin Elektro 0 Anzahl der grossen Fahrzeuge nach Antriebsart Abbildung 19: Anteil der Antriebsarten der grossen Fahrzeuge im dynamischen Szenario (200’000 Agenten mit durchschnittlich 94’107 Fahrzeuge pro Jahr als Basis) 5 10 15 20 Jahr der Modellierung Antriebsarten Marktanteile sichern kann. Dies lässt sich durch den Preisunterschied erklären. Bei einem Blick auf das Choice Set (Tabelle 1) wird ersichtlich, dass das Elektrofahrzeug bis zu 15’000 € teurer ist als die anderen. Zudem ist das grosse Fahrzeug nicht der Fahrzeugtyp den die Agenten lieber behalten als sich ein neues kaufen. Bei den mittelgrossen Fahrzeugen gewinnt der Elektroantrieb stark an Marktanteilen. Nach einem leichten Rückgang im ersten Modellierungsjahr und einer Stagnation im zweiten, kann der Elektroantrieb in den verbleibenden Modellierungsjahren stetig zulegen. Währenddessen verlieren die fossilen Antriebsarten und der Marktanteil des Benzinantriebs nähert sich dem des Dieselantriebs immer mehr an. Die ist in wie in Abb. 20 deutlich zu erkennen. Im 2. Modellierungsjahr hat der Benzinantrieb 52% der Marktanteile in der Mittelklasse, der Benzinantrieb 43% und der Elektroantrieb 5%. Am Ende des Szenarios klettert der Elektroantrieb auf 65%, der Dieselantrieb fällt auf 15% und der Benzinantrieb auf 20%, somit hat letzterer über 30% an Marktanteilen verloren. Diese Veränderung der Marktanteile zugunsten des Elektroantriebs begründet sich aufgrund des um über 40% gefallenen Kaufpreises gegenüber den ersten Modellierungsjahren. Bei der Kleinklasse sieht die Verteilung der Marktanteile ähnlich wie im Referenzszenario aus (Abb. 17). Im ersten Modellierungsjahr in dem die Agenten frei entscheiden können, ob sie ein neues Auto kaufen wollen, steigen die Marktanteile der Diesel- und Benzinantriebe stark an und wächst anschliessend bis in das sechste Modellierungsjahr an. Der Elektroantrieb kann seinen 25000 20000 15000 10000 Diesel Benzin Elektro 5000 Anzahl der mittleren Fahrzeuge nach Antriebsart Abbildung 20: Anteil der Antriebsarten der mittelgrossen Fahrzeuge im dynamischen Szenario (200’000 Agenten mit durchschnittlich 94’107 Fahrzeuge pro Jahr als Basis) 5 10 15 20 Jahr der Modellierung 35000 5000 15000 25000 Diesel Benzin Elektro 0 Anzahl der kleinen Fahrzeuge nach Antriebsart Abbildung 21: Anteil der Antriebsarten der kleinen Fahrzeuge im dynamischen Szenario (200’000 Agenten mit durchschnittlich 94’107 Fahrzeuge pro Jahr als Basis) 5 10 Jahr der Modellierung 15 20 Marktanteil ab diesem Punkt langsam steigern und etabliert sich gegen Ende des Szenarios im Markt. Vergleicht man die Kurven der mittelgrossen Fahrzeugklasse (Abb. 20 mit den Kurven der Kleinklasse (Abb. 21), so kann festgestellt werden, dass viele Agenten zwischen dem 5. und 6. Modellierungsjahr von der Mittelklasse in die Kleinklasse wechseln. 6 Weiterführende Arbeiten Da die „Testpopulation“ nur statisch erstellt wird, sollte sich diese in einem nächsten Schritt verändern können. Dabei sollten Agenten zuwandern beziehungsweise abwandern können. Es wäre interessant zu sehen, wie sich verschiedene Bevölkerungswachstumszenarien einerseits auf die demographischen Merkmale dieser „Testpopulation“ auswirken, andererseits wie sie das Kaufverhalten beeinflussen. Weiter könnten die Merkmale der Agenten detaillierter ausgestaltet werden und die Korrelation der Attribute bei den Entscheidungen berücksichtigt werden. Eine detailliertere Verteilung der Wahrscheinlichkeiten für den Führerscheinbesitz würde eine genauere Vorhersage bezüglich der Verteilung der „Autobesitzer“ unter den Agenten erlauben. Den Agenten könnte mit einer Modellschätzung Präferenzen zugefügt werden, was das Modell verbessern würde. Somit würden nicht mehr alle Agenten gleich auf die Kosten eines Fahrzeugs reagieren. Weiter könnten die Merkmale der Agenten an den Mikrozensus für Mobilität und Verkehr des Jahres 2015 angepasst werden. Bei der Auswahl des Fahrzeuges sollte das Einkommen des Agenten mitberücksichtigt werden. Um den Fahrzeugmarkt genauer abbilden zu können, müsste das Choice Set deutlich verbessert werden. Einerseits müssten die verschiedenen Fahrzeugklassen mit einer grösseren Anzahl an verfügbaren Fahrzeugen ausgestattet werden und andererseits müssten die Elektrofahrzeuge besser an die Realität angepasst werden, vor allem bezüglich deren Reichweite. Zudem sollte die geringe Anzahl an Ladestationen ebenfalls mitberücksichtigt werden. Zu Beginn der Simulation sind alle Fahrzeuge neu, was natürlich nicht der Realität entspricht. Es könnte die Anfangsflotte so implementiert werden, dass sie der aktuellen Schweizer Fahrzeugflotte entspricht. Weiter müsste der Gebrauchtwagenmarkt mit berücksichtigt werden. Bei den Kosten der Fahrzeuge wurden sehr viele Annahmen getroffen und Vereinfachungen durchgeführt. Es gibt etliche verschiedene Faktoren die sich positiv auf den Restwert eines Fahrzeug auswirken. So haben z.B. blaue oder silberne Fahrzeuge einen höheren Verkaufspreis als Fahrzeuge in spezielleren Farben wie Gelb. Zudem gibt es Fahrzeuge, die aufgrund ihres Alters und ihrer Seltenheit wieder an Wert zulegen können. Die Zuteilung der Agenten an die Fahrzeugtypen könnte dynamischer gestaltet werden. Einerseits wäre es möglich, das Modell von Choo und Mokhtarian (2004) zu implementieren. Da dieses Modell jedoch auf Eigenschaften wie Lifestyle oder Persönlichkeit beruht, wäre eine weitere Schätzung von Nöten. Den Agenten könnten diese Eigenschaften per Zufall zugewiesen werden oder solange bis es für alle verschieden Kombinationen der Eigenschaften einen Agenten gibt. Die Frage bleibt, ob eine weitere Schätzung das Modell nicht ungenauer machen würde. Um die Aussagekraft des Modells zu erhöhen, sollte es anhand der Jahre 2000 bis 2015 so kalibriert werden, dass es mit dem Schweizer Automarkt übereinstimmt. Anschliessend könnte es auf die folgenden Jahre angewendet werden, um zu sehen, wie sich der Automarkt entwickeln könnte. Weiter könnte das Modell in eine Agenten-basierte Verkehrssimulationsumgebung eingebunden werden, um den Rückkopplungseffekten des Verkehrsverhalten Rechnung zu tragen. 7 Schlussfolgerung Das ermittelte Modell bleibt eine vereinfachte Abbildung des sehr komplexen Fahrzeugkaufverhalten. Es berücksichtig die Fahrzeugkosten bezüglich der Entscheidungen beim Fahrzeugkauf. Obwohl intuitive Kaufentscheidungen aufgrund der hohen Preise der Fahrzeuge bei den meisten Personen ausgeschlossen werden können, hat vor allem der Diskurs, die täglichen Gespräche mit Nahestehenden, einen grossen Einfluss auf den Kaufentscheid. Dieser ist schwierig in mathematischen Modellen einzufangen. Ebenso kann die Korrelation zwischen einem spezifischen Fahrzeugtyp und dem Käufer sehr gross sein. Fakt ist, dass die Batterietechnologie in den nächsten Jahrzehnten Fortschritte machen wird und sich die Reichweite der Elektrofahrzeuge steigern und deren Kaufpreise senken wird. Zudem hängen Infrastruktureinrichtungen, in diesem Fall die Ladestationsdichte, der Nachfrage hinterher. Das Modell reagiert sensibel auf sich ändernde Kosten und kann eine potenzielle Entwicklung der Schweizer Fahrzeugflotte, wenn die richtigen Eingangsdaten verwendet werden, vorhersagen. 8 Literatur ADAC (2015) Autokosten-Rechner, Website, https://www.adac.de. Zuletzt aufgerufen: 5.12.2015. Auto Schweiz (2015) Neue Personenwagen nach Segmenten Januar bis September 2013/14/15, Website, https://www.auto-schweiz.ch. Zuletzt aufgerufen: 5.12.2015. Beige, S. (2008) Long-term and mid-term mobility decisions during the life course, Dissertation, ETH Zurich, Zurich. Ben-Akiva, M. und M. Bierlaire (1999) Discrete choice methods and their application to short term travel decisions, in R. Hall (Hg.) Handbook of Transportation Science, Bd. 5-34, Kluwer Academic Publishers, Boston. BFS (2012) Mobilität in der Schweiz - Ergebnisse des Mikrozensus Mobilität und Verkehr 2010, Swiss Federal Statistical Office (BFS), Neuchatel. BFS (2015) Bundesamt für Statistik, Website, http://www.bfs.admin.ch. Zuletzt aufgerufen: 10.12.2015. Choo, S. und P. L. Mokhtarian (2004) What type of vehicle do people drive? the role of attitude and lifestyle in influencing vehicle type choice, Transportation Research Part A: Policy and Practice, 38 (3) 201–222. De Haan, P. und M. Müller (2009) How much do incentives affect car purchase? Agent-based microsimulation of consumer choice of new cars - Part I: Model structure, simulation of bounded rationality, and model validation, Journal of Energy Policy, 37 (3) 1072–1082. finanzen.net GmbH (2015) Eurokurs, Website, www.finanzen.ch. Zuletzt aufgerufen: 10.12.2015. Hess, S., K. E. Train und J. W. Polak (2006) On the use of a modified Latin hypercube sampling (mlhs) method in the estimation of a mixed logit model for vehicle choice, Transportation Research Part B, 40 (2) 147–163. Hofer, J. (2014) Sustainability assessment of passenger vehicles: Analysis of past trends and future impacts of electric powertrains, Dissertation, ETH Zurich. Jäggi, B., A. Erath, C. Dobler und K. W. Axhausen (2012) Modeling household fleet choice as a function of fuel price using a multiple discrete-continuous choice model, Transportation Research Record, 2302, 174–183. Louviere, J. J., D. A. Hensher und J. D. Swait (2000) Stated choice methods - analysis and application, Cambridge University Press, Cambridge. Schramm, D. und M. Koppers (2014) Das Automobil im Jahr 2025: Vielfalt der Antriebstechnikx, Springer Fachmedien, Essen. Schwedische Reichsbank (2015) Pressemitteilung der Schwedischen Reichsbank in Erinnerung an Alfred Nobel gestifteten Preis für Wirtschaftswisssenschaften des Jahres 2000, www. nobelprize.org. Zuletzt aufgerufen: 5.12.2015. Schwegler, U., N. Glutz, T. Hügli, A. Schwegler, P. Walser und S. Dr. Wegmann (2015) KORELATION Praxiserfahrungen mit Elektroautos: Kosten – Reichweite – Ladestationen, Technischer Bericht, e-mobile. Statistisches Amt des Kantons Zürich (2015) Gemeindeporträt Kanton Zürich, http://www. statistik.zh.ch. Zuletzt aufgerufen: 5.12.2015.
© Copyright 2024 ExpyDoc