Verkehrswissenschaftliche Tage 2016 GPS-Daten im Radverkehr - Crowdsourcing als neuer Ansatz für den nachfrageorientierten Planungsprozess ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
25. Verkehrswissenschaftliche Tage 2016
GPS-Daten im Radverkehr – Crowdsourcing als neuer Ansatz für
den nachfrageorientierten Planungsprozess
Dipl.-Verk.wirtsch. Angela Francke1, Dipl.-Ing. Thilo Becker2, Dipl.-Ing. Sven
Lißner3
1
TU Dresden, Institut für Verkehrsplanung und Straßenverkehr,
Lehrstuhl für Verkehrspsychologie, Hettnerstraße 1, 01062 Dresden
2, 3
TU Dresden, Institut für Verkehrsplanung und Straßenverkehr,
Lehrstuhl für Verkehrsökologie, Hettnerstraße 1, 01062 Dresden
Schlagworte:
Radverkehr, GPS, App-Daten, Big-Data, Crowdsourcing
1 Einleitung
Ein attraktiver Radverkehr bedarf einer qualitativ hochwertigen Infrastruktur. Der Ausbau und
der Erhalt von Radverkehrsinfrastruktur im Rahmen der entsprechenden Zuständigkeiten ist
deshalb eines der wesentlichen Ziele des Nationalen Radverkehrsplans (NRVP) 2020 und
der Kommunen. Voraussetzung dafür ist eine systematische Erfassung der Radverkehrs-
nachfrage. Hier bestehen vor allem in Einsteiger- und Aufsteigerkommunen große, auch fi-
nanzielle Barrieren. Und selbst in Vorreiterstädten können nur punktuelle Erfassungen, wie
das Zählen der Verkehrsstärke, realisiert werden. Auch im Radverkehr ist die gewünschte
Entwicklung, weg von einer reinen Angebotsplanung hin zur teilweise nachfrageorientierten
Planung, thematisiert und aktuell an der Schwelle zur Umsetzung. Für eine wirkungsvolle
Planung benötigt man jedoch eine geeignete Datengrundlage. Der Datenstand zum Radver-
kehr weist dabei im Vergleich zu anderen Verkehrsarten jedoch Defizite hinsichtlich Qualität
und Quantität der Daten auf. Diese Herausforderung befindet sich im Spannungsfeld meist
knapper zur Verfügung stehender Radverkehrsbudgets.
Ein Lösungsansatz stellen dabei crowdsourcing-gestützte Ansätze dar. Hierbei werden die
Bürger in die Datenerhebung einbezogen und partizipieren damit schon in einer sehr frühen
Phase des Planungsprozesses. Dies erfolgt im vorgestellten Beispiel durch die Nutzung von
durch Radfahr-Apps generierten GPS-Daten. Das vorgestellte NRVP-Projekt der Lehrstühle
für Verkehrsökologie und Verkehrspsychologie der TU Dresden widmet sich dieser Thema-
tik. Wir schlagen den Bogen von den Erfordernissen einer nachfrageorientierten Radver-
1
Korrespondierender Autor: sven.lissner@tu-dresden.de
1
kehrsplanung über die konkreten Bedürfnisse des Stadt- bzw. Verkehrsplaners und deren
aktuellen Arbeitsgrundlagen zu neuen Crowd-basierten Lösungsmöglichkeiten, die sich
durch die massenweise Verfügbarkeit von Smartphones mittlerweile bieten. Anhand von Da-
ten des Radfahr-App-Anbieters Strava werden für die Stadt Dresden Methoden skizziert, um
die reale Verkehrsstärke des Radverkehrsnetzes abzubilden. Im Ergebnis entstehen eine
Radverkehrsmengenkarte sowie zugehörige Angaben zur Verkehrsqualität im Radverkehr
als neue Planungsgrundlagen. Daraus können konkrete Erfordernisse für die Radverkehrs-
planung abgeleitet werden. Es werden außerdem wichtige Forschungsschwerpunkte, wie der
Umgang mit der Repräsentativität der verwendeten Datengrundlage und die netzweite Hoch-
rechnung der vorhandenen Datenbasis, diskutiert. Abschließend werden weitere Chancen
und Risiken von Crowdsourcinglösungen in der Verkehrsplanung erörtert.
2 Stand der Wissenschaft und Technik - Möglichkeiten der Daten-
beschaffung
Für den motorisierten Personenverkehr liegen in bundesdeutschen Städten vielfältige Daten
für eine zielorientierte Verkehrsplanung vor. Beispiele dafür sind Verkehrsstrommodelle,
Fahrzeugzählstellen und Floating Car Data (FCD)2. Im Radverkehr gibt es nur eine einzige,
völlig unzureichende Datenquelle in Form von wenigen punktuellen Zählstellen. Diese sind
aktuell entweder als Dauerzählstellen oder in Form von manuellen Zählungen ausgebildet.
Erstere erlauben zwar eine kontinuierliche Erhebung und Auswertung im Hauptradnetz, las-
sen aber aufgrund ihrer geringen Verbreitung keine Rückschlüsse auf das Nebennetz zu und
sind somit nur für ihren direkten Standpunkt repräsentativ. Des Weiteren ist aufgrund der
meist statischen Bauform eine Reaktion auf sich verändernde Radverkehrsbelastungen in-
nerhalb des Netzes zum Beispiel im Zuge von Bauarbeiten nicht problemlos möglich.
2
Floating Car Data (FCD) sind Positions- und Geschwindigkeitsdaten von am Verkehrsgeschehen teil-
nehmenden Fahrzeugen zur Bestimmung von Verkehrszuständen.
2Abbildung 1: Zählstellen im Themenstadtplan der Stadt Dresden
Quelle: [1]
Manuelle Zählungen hingegen erlauben theoretisch die Abdeckung des gesamten Netzes,
sind jedoch bei entsprechend großen Radverkehrsnetzen wirtschaftlich für Kommunen selbst
über kurze Zeiträume finanziell kaum darstellbar. Beide Varianten erlauben in ihren Grund-
formen zudem keinen Rückschluss auf die gefahrenen Geschwindigkeiten. Entsprechend
groß sind die Forschungslücken im Hinblick auf Radverkehrsaufkommen, Fahrverhalten und
Routenwahl. Die Anwendung von Crowdsourcing-Daten mobiler Endgeräte in der Verkehrs-
planung und im Verkehrsmanagement bietet hier ein großes Potenzial.
Dabei ist vor allem der Crowdsourcing-Ansatz zur objektiven Erhebung von Daten zur Rad-
fahrqualität sehr innovativ. Dementsprechend ist der aktuelle Stand der Wissenschaft auch
durch einen eher explorativen Charakter gekennzeichnet. Bisherige partizipative Ansätze
zielen eher auf die Erfassung der subjektiven Wahrnehmung der NutzerInnen ab ([2], [3]).
Informationen zum realen Fahrverhalten mittels GPS-Tracking wurden meist nur von kleine-
ren Stichproben in abgegrenzten Forschungsprojekten erhoben ([4], [5]).
Die Untersuchung schwer erfassbarer und deshalb bisher vernachlässigter Einflussfaktoren
auf die Radverkehrsqualität wie Oberflächenqualität, Lichtsignalanlagen und subjektiver Si-
cherheit [6] ist anhand der geäußerten Routenwahl der Nutzergruppe erstmals in größerem
Umfang möglich. Dies ermöglicht dabei auch die Verwendung von Revealed-Preference-
Ansätzen statt der bisher üblichen Stated-Preference-Erhebungen ([4], [7]).
33 Zielstellung des Projekts
Ziel des Projekts ist es, Kommunen ein Werkzeug für die flächendeckende Erfassung der
Verkehrsnachfrage und der Qualität des Radverkehrsablaufs, basierend auf vorhandenen
„Big Data“, zur Verfügung zu stellen. An Fahrradlenkern befestigte oder in Bekleidungen mit-
geführte Smartphones erfassen alle Bewegungsdaten der NutzerInnen automatisiert per
Satellitenpositionierung (GPS). Der Betreiber der Smartphone-App Strava speichert bereits
seit Jahren die Sport- und Alltagswege seiner NutzerInnen. Seit dem Jahr 2014 werden die
aggregierten und anonymisierten Datensätze interessierten Akteuren in der Radverkehrspla-
nung (z. B. Kommunen, Planungsbüros, Verbänden) zum Kauf angeboten. Bisher fehlen
allerdings methodische Kenntnisse zur Datenauswertung und die Eignung der Daten ist noch
nicht nachgewiesen, insbesondere im Hinblick auf die unterschiedlichen Verwendungszwe-
cke und die möglicherweise fehlende Repräsentativität.
Konkret soll im Forschungsprojekt die Nutzbarkeit von vorhandenen GPS‐Massendaten des
Radverkehrs für die Radverkehrsplanung in Deutschland nachgewiesen werden. Im Rahmen
einer Machbarkeitsstudie werden vorhandene Datensätze geprüft und die Übertragbarkeit
einer Hochrechnungsmethodik der Datensätze für Kommunen im Bundesgebiet untersucht.
Erreicht wird dadurch erstmals eine Radverkehrsmengenkarte. Der Schwerpunkt des Projek-
tes liegt dabei auf der Hochrechnung und Plausibilisierung der vorhandenen GPS‐Daten auf
Netzebene, um die größtmögliche Repräsentativität im Planungsfall zu gewährleisten. Es
sollen, gestützt durch Dauerzählstellen oder wenige manuelle Zählungen, Radverkehrsmen-
genkarten entstehen, anhand derer sich tatsächliche Radverkehrsmengen abbilden lassen.
Ein bundesweit einheitlicher Umgang mit GPS Daten sowie damit verbunden ein geschärftes
Anforderungsprofil an Anbieter hat dabei das Potenzial, die Grundlagen der Radverkehrspla-
nung in Deutschland bei einem optimierten Ressourceneinsatz zu vereinheitlichen.
Die Daten der Firma Strava stellen erstmals eine ausreichend große Stichprobe als Basis für
ein kostengünstiges Werkzeug zur flächendeckenden Erfassung der Radverkehrsströme zur
Verfügung. Eine aufwändige Nachbereitung von Zählwerten bzw. deren strukturelle Hoch-
rechnung auf das Radverkehrsnetz entfällt somit. Das Projekt nutzt erstmals im großen
Maßstab objektive, im Realbetrieb durch Satellitenpositionierung erfasste Daten des Radver-
kehrs. Das gewählte Verfahren ist dabei eine sinnvolle Ergänzung zu üblichen punktuellen
Zählungen und Befragungen. Verfahren aus der Kfz-Verkehrsplanung zum Verkehrsfluss
werden erstmals auf den Radverkehr übertragen.
4Abbildung 2: Heatmap auf Grundlage der Strava-Daten für die Stadt Dresden
Quelle: [8]
Durch die Firma Strava werden im Projekt Daten auf folgenden Ebenen zur Verfügung ge-
stellt und auf ihre Eignung hin untersucht:
1. Straßenabschnitte: Angegeben werden die richtungsbezogene Radverkehrsstärke
sowie die Mediangeschwindigkeit.
2. Knotenpunkte: Es wird die Radverkehrsstärke sowie die mittlere Wartezeit an Kno-
tenpunkten bereitgestellt.
3. Polygone: Hier werden z. B. auf Ebene von statistischen Bezirken, die Quelle, das
Ziel und alle zwischendurch durchfahrenen Bezirke bereitgestellt.
Das Projekt ist entsprechend einer zukünftig weiterhin starken Entwicklung von verfügbaren
Massendaten konzipiert. Die im Zuge des Projektes geschaffenen Hilfsmittel zum Umgang
und zur Auswertung von Massendaten haben den Anspruch einer Übertragbarkeit bezie-
hungsweise einer Erweiterbarkeit auf zukünftig verfügbare Daten. Die Kombination von Ap-
plikationen mit hoher Marktdurchdringung und generalisierten Auswertealgorithmen bietet
mittelfristig erstmals das Potential für eine bundesweit flächendeckende Erfassung der Rad-
verkehrsinfrastrukturqualität sowie deren Nutzung durch RadfahrerInnen.
54 Datengüte und Repräsentativität
Ein wichtiges Projektziel ist die Quantifizierung des Repräsentativitätsgrades der GPS-
Daten. Hierfür werden die die Strava-Daten stichpunktartig durch manuelle Zählungen mit
dem realen Radverkehrsaufkommen verglichen. Grundsätzlich gibt es zwei Vergleichsgrö-
ßen, mit denen die erfassten aggregierten Radverkehrsdaten im Projekt verglichen werden
können.
Einerseits gibt es das reale Radverkehrsverhalten der Grundgesamtheit der RadfahrerInnen
im Untersuchungsgebiet. Bei der Verwendung für Planungszwecke ist es das Ziel, über die-
se Grundgesamtheit möglichst genaue Kenntnisse zu erfahren.
Andererseits kann mit den Ergebnissen konventioneller Erhebungsmethoden (z. B. Quer-
schnittszählungen an Dauerzählstellen, Geschwindigkeitsmessungen im Querschnitt) vergli-
chen werden. Auch diese Methoden besitzen Messfehler, da z. B. viele angewandte Techni-
ken sehr wartungsintensiv sind. Das Hauptproblem ist allerdings, dass die Anzahl der Dau-
erzählstellen im Radverkehr im Vergleich zum Kfz-Verkehr sehr gering ist. Es liegen kaum
Daten aus konventionellen Erhebungsmethoden vor, um ein flächendeckend gültiges Bild
über den Radverkehr zu bekommen. Somit bietet jede neue Datenquelle, auch wenn sie
selbst wieder Messfehler beinhalten könnte, die Möglichkeit, das Radverkehrsverhalten der
Grundgesamtheit besser als in der Vergangenheit abzubilden. Beispielsweise ist den Auto-
ren keine Kommune in Deutschland bekannt, der flächendeckende Daten über die Ge-
schwindigkeiten im Radverkehrsnetz oder die Quelle-Ziel-Beziehungen vorliegen.
Für eine repräsentative Abbildung des Radverkehrsverhaltens der Grundgesamtheit der
RadfahrerInnen sprechen folgende Aspekte:
Die Nutzer der Strava-App sind wahrscheinlich eher für ambitionierte VielnutzerInnen
repräsentativ. Diese erbringen aber auch einen großen Teil der bundesweiten Radver-
kehrsleistung.
Im Vergleich zur Gesamtbevölkerung sind die Fahrrad-App-Nutzer verhältnismäßig jung.
Nach der Verkehrsbefragung MiD2008 erbringen allerdings auch die RadfahrerInnen bis
44 Jahre, die eher smartphone-affin sind, 52 % der gesamten Radverkehrsleistung [9].
Im Rahmen der Datensatzaufbereitung führt der Datenanbieter Strava eine Plausibilisie-
rung durch, in der sportlich orientierte Fahrten von Alltagsfahrten getrennt werden. Filter
sind z. B. Rundfahrten.
Auf Basis der Untersuchungen zur Datengüte sollen für die praktische Nutzung derartiger
smartphonebasierter Daten geeignete Hochrechnungsfaktoren entwickelt werden. Dabei
sollen, so weit möglich, Spezifika der Streckennutzung wie eine hohe Nutzung für Freizeit-
zwecke, berücksichtigt werden. Die am Beispiel des Stadtgebietes Dresden ermittelten Wer-
te sollen anschließend anhand der weiteren Großstädte auf weitere Großstädte wie Leipzig
oder Berlin angewandt und dabei überprüft werden.
65 Zusammenfassung und Ausblick
Ein zentraler Beitrag des Projekts ist die starke Vereinfachung der systematischen Erfassung
der Radverkehrsnachfrage und des Verkehrsablaufs aus Fahrradperspektive. Vor allem für
Einsteiger- und Aufsteigerkommunen werden damit wichtige Hürden auf dem Weg zu einer
effektiven Radverkehrsplanung und -konzeption beseitigt. Mit den Datensätzen kann die
Planung von Radverkehrsnetzen über die bisher teilweise nicht vorhandenen netzweiten
Nachfragedaten (z. B. Quelle-Ziel-Daten, Verkehrsstärken im Nebennetz) effektiver gestaltet
werden. Die in den Daten enthaltenen Variablen zu Geschwindigkeit und Wartezeit ermögli-
chen eine bedarfsorientierte Verbesserung der Infrastrukturqualität.
Die bisherige Unsicherheit beziehungsweise der geringe Kenntnisstand bezüglich der Rou-
tenwahlentscheidungen von Radfahrern wird dadurch im besten Fall für die Pilotkommunen
behoben beziehungsweise deutlich gelindert. Auf diesem Weg kann der kommunalen Rad-
verkehrsplanung der Schritt von einer stark angebotsbezogenen hin zu einer nachfrageorien-
tieren Planung gelingen. Dies verhindert Fehlplanungen und damit verbunden auch Fehlallo-
kationen knapper kommunaler Ressourcen.
Mit der Entscheidung für einen Neu-, Um- und Ausbau im Rahmen der Radverkehrsplanung
stellt sich die Frage der angemessenen Dimensionierung. Hier können die Verkehrsstärken
auf parallelen Routen und die Radverkehrsströme insgesamt eine wichtige Hilfestellung lie-
fern. Werden nicht nur Straßen und Wege betrachtet, sondern auch die Abstellanlagen, er-
öffnen sich weitere Anwendungsmöglichkeiten: aus den Quelle-Ziel-Daten kann der Bedarf
an Abstellanlagen faktengestützt abgeleitet werden. Mit der Umsetzung von Maßnahmen
stellt sich aber auch die Frage nach dem Erfolg und der Wirkung. Da beliebige Zeiträume
miteinander verglichen werden können, ermöglichen die Datensätze eine umgehende Evalu-
ation von Radverkehrsprojekten, da ein Vorher-Nachher-Vergleich der Verhaltensdaten leicht
möglich ist.
Dritter Beitrag ist die Möglichkeit einer Web-Anwendung, welche die Kommunikation zwi-
schen Verwaltung, Politik und der Öffentlichkeit auf eine neue Qualitätsstufe stellen kann.
Die Aufgabe der Web-Anwendung ist die Darstellung der ausgelesenen Smartphone-Daten,
z. B. nach Verkehrsstärke oder durchschnittlicher Fahrgeschwindigkeit. Hier werden die von
RadfahrerInnen freiwillig zur Verfügung gestellten Daten in aggregierter und ausgewerteter
Form an diese zurückgegeben. Damit entsteht für die RadfahrerInnen auch ein Incentive, um
diese App dauerhaft zu nutzen. Langfristig ist vorstellbar, dass sich diese Web-Anwendung
leicht zur zentralen Kommunikationsplattform zum Radverkehr in den Kommunen ausbauen
lässt. Hier wird über den Zustand und die Nachfrage des Radverkehrsnetzes informiert, aber
auch über geplante Maßnahmen. Bürgerinnen und Bürger können Fragen stellen und Ver-
besserungsvorschläge einbringen. Auch weiterführende Motivationskampagnen sowie sons-
tige Formen der Bürgerbeteiligung könnten später leicht in die Plattform integriert werden.
Im Rahmen des Projekts werden exemplarisch Datensätze aus Berlin, Brandenburg und
Sachsen verwendet. Als Pilotregion wird die Stadt Dresden dienen. Für die Gewährleistung
einer Übertragbarkeit auf andere Städte ist eine externe Kontrollgruppe zur Verifizierung und
Schärfung der Ergebnisse in der Pilotkommune notwendig. Dafür werden Datensätze für
mehrere Kommunen als Paket erworben. Im Vordergrund steht jedoch nicht das Erarbeiten
von spezifischen lokalen Auswertungen für das Untersuchungsgebiet. Stattdessen sollen
7anhand der exemplarischen Datensätze bundesweit übertragbare Erkenntnisse generiert
werden. Sobald die Erprobung in zwei Bundesländern mit einem positiven Ergebnis abge-
schlossen ist, sind bei Verfügbarkeit von Datensätzen aus anderen Teilen Deutschlands wei-
tere Verwendungszwecke für die Radverkehrsförderung zu erschließen. Das Vorliegen von
Daten aus mehreren Kommunen ermöglicht es beispielsweise, dass diese auch aus wissen-
schaftlicher Sicht ausgewertet werden und in die Erarbeitung Technischer Regelwerke (z. B.
ERA) einfließen können.
Das Projekt wird vom Bundesministerium für Verkehr und digitale Infrastruktur
(BMVI) aus Mitteln zur Umsetzung des Nationalen Radverkehrsplans 2020 ge-
fördert.
6 Literatur
[1] LANDESHAUPTSTADT DRESDEN: Themenstadtplan. URL https://stadtplan.dresden.de. -
abgerufen am 2015-01-12
[2] KRYKEWYCZ, GREGORY ; POLLARD, CHRISTOPHER ; CANZONERI, NICHOLAS ; HE, ELIZA-
BETH: Web-Based „Crowdsourcing“ Approach to Improve Areawide „Bikeability“ Scor-
ing. In: Transportation Research Record: Journal of the Transportation Research
Board Bd. 2245 (2011), S. 1–7
[3] SNIZEK, BERNHARD ; SICK NIELSEN, THOMAS ALEXANDER ; SKOV-PETERSEN, HANS:
Mapping bicyclists’ experiences in Copenhagen. In: Journal of Transport Geography
Bd. 30 (2013), S. 227–233
[4] BROACH, JOSEPH ; DILL, JENNIFER ; GLIEBE, JOHN: Where do cyclists ride? A route
choice model developed with revealed preference GPS data. In: Transportation Re-
search Part A: Policy and Practice Bd. 46, Elsevier Ltd (2012), Nr. 10, S. 1730–1740
[5] SORGENFRI, ANDERS ; SANVIG, ANNE-MARIE ; KASTBJERG, TINO: Collecting knowledge
of biking behavior in Copenhagen using GPS – The GPS data collection. Aalborg,
Department of Architecture and Desig, Aalborg Universiteit. (A&D Files, Vol. 51)
(2011)
[6] HEINEN, EVA ; VAN W EE, BERT ; MAAT, KEES: Commuting by Bicycle: An Overview of
the Literature. In: Transport Reviews Bd. 30 (2010), Nr. 1, S. 59–96
8[7] MENGHINI, G. ; CARRASCO, N. ; SCHÜSSLER, N. ; AXHAUSEN, K.W.: Route choice of
cyclists in Zurich. In: Transportation Research Part A: Policy and Practice Bd. 44,
Elsevier Ltd (2010), Nr. 9, S. 754–765
[8] STRAVA INC.: Strava Labs. URL http://labs.strava.com. - abgerufen am 2016-01-25. —
Global Heatmap
[9] INFAS INSTITUT FÜR ANGEWANDTE SOZIALWISSENSCHAFT ; DLR DEUTSCHES ZENTRUM
FÜR LUFT- UND RAUMFAHRT E.V. INSTITUT FÜR VERKEHRSFORSCHUNG: Mobilität in
Deutschland (MiD) 2008: Tabellenband. Bonn und Berlin, 2010
9Sie können auch lesen
