Städtische Gebiete auf der ganzen Welt befinden sich inmitten einer Verkehrsrevolution. Der Aufstieg von Mobility-as-a-Service-Plattformen (MaaS) verspricht, die Art und Weise, wie sich Menschen bewegen, neu zu gestalten und integrierten On-Demand-Zugang zu einer Vielzahl von Verkehrsträgern - von öffentlichen Verkehrsmitteln und Mitfahrgelegenheiten bis hin zu Bike-Sharing und Mietwagen - über eine einzige digitale Schnittstelle zu bieten. Da Städte mit chronischen Staus, Umweltverschmutzung und der Notwendigkeit einer effizienteren Nutzung begrenzter Infrastruktur konfrontiert sind, hat das Verständnis der wahren Auswirkungen von MaaS auf den städtischen Verkehr für Planer, politische Entscheidungsträger und Verkehrsforscher höchste Priorität. Ohne strenge Analysen könnte die Einführung von MaaS zu unbeabsichtigten Konsequenzen führen, wie etwa erhöhte Fahrzeugmeilen oder ungleicher Zugang. Hier setzt die computergestützte Modellierung an: Durch die Simulation, wie Reisende auf MaaS-Angebote unter verschiedenen Bedingungen reagieren, können Städte Veränderungen im Verkehrsmuster antizipieren und evidenzbasierte Strategien entwerfen, um die Vorteile dieses aufkommenden Mobilitätsparadigmas zu maximieren.

Mobility-as-a-Service (MaaS)-Plattformen verstehen

MaaS ist mehr als nur eine Reiseplanungs-App; es ist ein Paradigmenwechsel im Transportwesen. Im Kern vereint eine MaaS-Plattform mehrere Transportdienste - öffentliche Busse und Züge, Ride-Hailing, Car-Sharing, Fahrrad-Sharing, Rollerverleih und sogar Taxidienste - in einem einzigen, einheitlichen Erlebnis. Benutzer können eine Reise planen, die Modi nach Kosten und Zeit vergleichen, buchen und bezahlen die gesamte Reise über ein Konto und eine App. Zum Beispiel könnte ein Pendler ein gemeinsames Fahrrad zu einem Bahnhof nehmen, den Zug ins Stadtzentrum fahren und dann eine Fahrt für die letzte Meile nehmen, alles koordiniert über eine einzige Schnittstelle.

Zu den Vorteilen, die von MaaS-Promotern angepriesen werden, gehören eine geringere Abhängigkeit von privatem Autobesitz, geringere Transportkosten für die Nutzer und eine effizientere Nutzung der vorhandenen Infrastruktur. Städte wie Helsinki (mit der Whim-App), Wien (mit WienMobil) und Singapur sind Early Adopters. Die tatsächlichen Auswirkungen auf Verkehrsstaus, Emissionen und die allgemeine Mobilität hängen jedoch stark von der Akzeptanzrate, Verhaltensänderungen und der Art und Weise ab, wie das System gesteuert wird. Um diese Ergebnisse genau vorherzusagen, wenden sich Planer ausgeklügelten Verkehrsmodellen zu.

Warum Modellierung der Traffic-Auswirkungen von MaaS-Angelegenheiten

Die Einführung einer MaaS-Plattform in das Verkehrsökosystem einer Stadt ist keine einfache Ergänzung, sondern löst komplexe, oft nichtlineare Interaktionen aus. Eine Abkehr von Privatautos könnte Straßenkapazitäten freisetzen, aber der Komfort von MaaS könnte auch neue Reisen induzieren – Menschen könnten sich entscheiden, mehr Reisen zu unternehmen, wenn das Reisen einfacher und billiger wird. Wenn sie nicht verwaltet werden, könnte dies der Verringerung von Staus entgegenwirken. Darüber hinaus variieren die Auswirkungen je nach Tageszeit, Standort und Nutzerdemografie. Traditionelle statische Verkehrsmodelle sind unzureichend, um diese Dynamik zu erfassen. Daher entwickeln und verwenden Forscher und Verkehrsbehörden fortschrittliche Simulationsmodelle – oft agentenbasierte oder systemdynamische Modelle –, die individuelle Reiseentscheidungen, Echtzeit-Netzwerkbedingungen und politische Interventionen darstellen können.

Diese Modelle ermöglichen es Städten, kritische Fragen zu beantworten: Wie werden sich unterschiedliche Preisstrukturen auf die Wahl des Modus auswirken? Was wird passieren, wenn die MaaS-Einführung 30% oder 60% erreicht? Welche Bereiche werden am meisten Staus entlastet und wo könnten sich die Probleme verschlimmern? Ohne Modellierung riskieren Städte, Infrastruktur und politische Entscheidungen in Höhe von mehreren Millionen Dollar auf der Grundlage von Vermutungen zu treffen.

Wichtige Modellierungsansätze und Parameter

Die Modellierung der Auswirkungen von MaaS auf den Stadtverkehr beinhaltet typischerweise eine Kombination von Ansätzen. Die gängigsten sind agentenbasierte Modelle (ABMs), die das Verhalten einzelner "Agenten" (Reisende) mit Vorlieben, Einschränkungen und Lernfähigkeiten simulieren. Ein anderer Ansatz ist die Systemdynamik, die Feedbackschleifen zwischen Variablen wie Reisenachfrage, Stau und Verfügbarkeit modelliert. Unabhängig von der Methode sind mehrere Schlüsselparameter unerlässlich, um realistische Simulationen zu erstellen.

Annahmequoten für Nutzer

Wie schnell und umfassend nehmen Bewohner MaaS an? Dieser Parameter ist nicht festgelegt – er hängt von Faktoren wie Bewusstsein, App-Usability, Preisgestaltung und verfügbaren Modi ab. Modelle enthalten oft Diffusionskurven (z. B. S-Kurven), um die Einführung im Laufe der Zeit zu simulieren. Sensitivität analysiert Testszenarien mit langsamer, moderater und schneller Aufnahme. Zum Beispiel ergab eine Studie von MaaS in Schweden, dass die Annahmeraten stark von der Verfügbarkeit einer nahtlosen Zahlungs- und Reiseplanung sowie der wahrgenommenen Zuverlässigkeit von gemeinsamen Modi beeinflusst werden.

Modenwechselmuster

MaaS fördert eine Verlagerung von Privatautos auf gemeinsame und öffentliche Verkehrsmittel. Aber nicht alle Schichten sind gleich; einige Benutzer können vom Bus auf Bike-Share umsteigen, ohne den Straßenverkehr zu reduzieren, andere vom Auto auf Ride-Hail, was, wenn nicht gepoolt, immer noch zur Staus beitragen kann. Modelle müssen die Modus-spezifischen Übergänge und ihre Nettowirkung auf die zurückgelegten Fahrzeugmeilen (VMT) erfassen. Empirische Daten aus frühen MaaS-Implementierungen und Umfragen mit Angabe von Präferenzen helfen, diese Parameter zu kalibrieren.

Trip Länge und Frequenz

Der Komfort von MaaS kann sich sowohl auf die Länge als auch auf die Anzahl der Fahrten auswirken. Nutzer können mehr Fahrten machen oder Reisen unterschiedlich kombinieren (z. B. eine einzelne Autofahrt in ein Zug- und ein Fahrrad-Share-Segment aufteilen). Modelle müssen die induzierte Nachfrage berücksichtigen: die Möglichkeit, dass eine leichtere Mobilität zusätzliche Reisen generiert, was die Vorteile der Modenverschiebung teilweise ausgleicht. Reale Beispiele aus Ride-Hailing-Studien zeigen, dass die induzierte Nachfrage signifikant sein kann, so dass eine Ignorierung zu optimistischen Prognosen führen würde.

Netzkapazität und Infrastruktur

Bestehende Verkehrsnetze haben begrenzte Kapazitäten. Wenn MaaS neue Verkehrsträger (z. B. E-Scooter) hinzufügt oder die Nutzung anderer (z. B. Fahrradspuren) erhöht, ist die Fähigkeit des Netzwerks, diese Änderungen zu bewältigen, von entscheidender Bedeutung. Modelle beinhalten Straßen- und Transitkapazitäten sowie die Verfügbarkeit von speziellen Fahrradspuren, Rollerparkzonen und Abhol-/Abwurfbereichen für Fahrten. Ohne diese Details können bei Simulationen Engpässe übersehen werden, die potenzielle Vorteile zunichte machen könnten.

Simulation verschiedener Szenarien

Sobald ein Modell erstellt und kalibriert ist, führen die Forscher mehrere Szenarien durch, um zukünftige Möglichkeiten zu erkunden.

  • Baseline-Szenario: Keine MaaS-Plattform; aktuelle Reisemuster bestehen fort.
  • Low Adoption Scenario: 10-20% der Reisenden nutzen MaaS, mit begrenzten Auswirkungen auf die Modenverschiebung und die Reisefrequenz.
  • High Adoption Scenario: 50% oder mehr, oft verbunden mit aggressiver politischer Unterstützung (z.B. Staupreise, Parkgebühren).
  • Policy Intervention Scenarios: Kombinationen von MaaS mit Maßnahmen wie dynamisch preiswertem Ride-Hailing, dedizierten Busspuren oder Subventionen für Bike-Share-Reisen.

Einige Studien simulieren auch räumliche Variationen, beispielsweise die Einführung von MaaS nur im Stadtzentrum gegenüber dem Metropol. Die Ergebnisse umfassen Veränderungen des Verkehrsaufkommens auf wichtigen Korridoren, durchschnittliche Reisezeiten, Emissionswerte und Gesamterreichbarkeitswerte. Diese Ergebnisse leiten Entscheidungsträger bei der Festlegung von Prioritäten und der Ermittlung unbeabsichtigter Konsequenzen.

So zeigte eine Simulation von MaaS in Helsinki (als Teil des Whim-Pilots), dass bei einer signifikanten Einführung von MaaS die Nutzung von Privatfahrzeugen in der Innenstadt um bis zu 20% sinken könnte, was zu einer Reduzierung der CO2-Emissionen um 10% führen würde. Die gleiche Studie stellte jedoch fest, dass Ride-Hailing-Fahrzeuge ohne ergänzende Maßnahmen die Kopf- und Kopfbewegungen (Leerfahrten) um bis zu 15% erhöhen könnten, was die Stauvorteile teilweise ausgleichen würde.

Analyse potenzieller Ergebnisse: Vorteile und Risiken

Modellierungsstudien weisen durchweg auf mehrere mögliche positive Ergebnisse hin, heben aber auch wichtige Risiken und Kompromisse hervor.

Reduzierter Privatfahrzeugbesitz und -nutzung

Einer der am häufigsten genannten Vorteile ist die Reduzierung der privaten Autofahrten. Wenn MaaS multimodales Reisen so bequem macht wie das Fahren, entscheiden sich viele Nutzer dafür, kein Auto zu besitzen oder es weniger zu nutzen. Dies führt zu weniger Fahrzeugen während der Hauptverkehrszeiten und verringert die Verkehrsüberlastung. Eine Studie der Universität Sydney aus dem Jahr 2021 ergab, dass ein vollständig integriertes MaaS-System die Verkehrsdichte in städtischen Kernen um 15-25% reduzieren könnte.

Niedrigere Emissionen

Mit weniger privaten Autofahrten und mehr Nutzung von öffentlichen Verkehrsmitteln und gemeinsamen Fahrrädern können die Emissionen in den Städten sinken. Dieser Vorteil ist jedoch bedingt: Wenn Fahrzeuge mit Benzinantrieb fahren und oft zwischen den Fahrten leer fahren, kann der Nettoeffekt gering sein. Modelle, die die Zusammensetzung der Flotte und die Sackgasse berücksichtigen, liefern genauere Projektionen.

Eigenkapitalbedenken

MaaS-Plattformen sind digital und erfordern Smartphones und Kreditkarten, wodurch möglicherweise einkommensschwache und ältere Menschen ausgeschlossen werden. Wenn zudem die Fahrdienste überwiegend wohlhabende Stadtteile bedienen, könnten sich die bestehenden Ungleichheiten verschärfen. Modelle, die demografische Verteilungen einschließen, können aufzeigen, in welchen Bereichen eine verbesserte Mobilität zu verzeichnen ist und in welchen nicht, was gezielte Subventionen oder ergänzende Dienstleistungen ermöglicht.

Induzierte Nachfrage- und Rebound-Effekte

Wie bereits erwähnt, kann der Komfort von MaaS häufigere Fahrten oder längere Strecken fördern. Zum Beispiel kann eine Person, die zuvor mit dem Bus pendelte, zu einem Bahnhof wechseln und eine Fahrzeugfahrt hinzufügen. Oder ein Fahrrad-Share kann eine Wanderung ersetzen und später eine neue Autofahrt induzieren. Modelle, die diese Dynamik ignorieren, können Vorteile überschätzen. Einschließlich eines Rebound-Faktors (oft 10-20% der anfänglichen Reduktion gehen verloren) ergeben realistischere Ergebnisse.

Auswirkungen auf den öffentlichen Nahverkehr

MaaS wird oft als Ergänzung zum öffentlichen Nahverkehr positioniert, indem es First/last-mile-Verbindungen bietet. Es könnte jedoch auch die Transitfahrt kannibalisieren, wenn Menschen von Bussen zu billigeren Gemeinschaftsfahrten wechseln. Modellierung kann helfen, die Bedingungen zu identifizieren, unter denen sich die Transitfahrt stabilisiert oder abnimmt, und die Tarifintegration und Routing-Entscheidungen leiten.

Politische Implikationen und Empfehlungen

Die Erkenntnisse aus der Verkehrsmodellierung werden direkt in umsetzbare Strategien umgesetzt.

  • Verstauungspreise: Gebühren für die Straßennutzung, insbesondere in dichten Gebieten, können private Autofahrten weniger attraktiv machen und Nutzer zu MaaS-Optionen anstoßen. Modelle können optimale Preisniveaus und Zonen testen.
  • Dedizierte Fahrspuren und Infrastruktur: Die Bereitstellung von prioritären Fahrspuren für Busse, Fahrräder und Fahrzeuge mit hoher Belegung stellt sicher, dass gemeinsame Modi schnell und zuverlässig bleiben, was zu einer Modusverschiebung führt.
  • Integration mit öffentlichen Verkehrsmitteln: MaaS-Subventionen für Transitfahrten oder integrierte Monatspässe können die Komplementarität statt den Wettbewerb stärken.
  • Datenaustauschmandate: Um die Modelle korrekt zu halten, benötigen Städte Zugriff auf Daten der MaaS-Plattform (privacy-protected).
  • Progressive Preise für Ride-Hailing: Dynamische Gebühren basierend auf Zeit und Ort können Deadheading reduzieren und nicht gepoolte Fahrten während der Hauptverkehrszeiten abschrecken.

So wurde in einer modellbasierten Studie in Singapur die Kombination von MaaS mit einer abstandsbasierten Staugebühr getestet. Die Simulation zeigte, dass dieser Policy-Mix das Verkehrsaufkommen um 18% reduzieren und die Durchschnittsgeschwindigkeiten um 12% erhöhen könnte. Solche Beweise tragen dazu bei, öffentliche und politische Unterstützung für potenziell umstrittene Maßnahmen zu gewinnen.

Herausforderungen und Grenzen der aktuellen Modellierungsbemühungen

Trotz ihrer Leistungsfähigkeit stehen Traffic-Modelle für MaaS vor großen Herausforderungen. Erstens, Datenqualität und -verfügbarkeit: MaaS ist relativ neu und langfristige Verhaltensdaten sind knapp. Modelle beruhen oft auf Umfragen, Pilotstudien oder Annahmen, die von ähnlichen Diensten (wie Uber oder Lyft) abgeleitet werden, die möglicherweise nicht direkt in den integrierten MaaS-Kontext übertragen werden.

Zweitens ist menschliches Verhalten adaptiv und oft irrational. Modelle, die auf wirtschaftlicher Rationalität basieren, erfassen möglicherweise keine Gewohnheiten, Abneigungen beim Wechseln von Modi oder Vertrauensprobleme. Fortgeschrittene ABMs beinhalten psychologische Faktoren, aber sie sind datenintensiv und rechenintensiv.

Drittens entwickelt sich die Transportlandschaft ständig weiter – neue Fahrzeugtechnologien, veränderte Landnutzung und unvorhergesehene Ereignisse (z. B. Pandemien) verändern die Reisemuster rasch. Modelle müssen regelmäßig aktualisiert und gegen reale Beobachtungen validiert werden, um nützlich zu bleiben.

Viertens sind Transparenz und Reproduzierbarkeit von Modellen Anliegen. Viele Simulationen sind proprietär oder zu komplex, um von allen Interessengruppen vollständig verstanden zu werden. Open-Source-Modellierungs-Frameworks und standardisierte Benchmarks können dazu beitragen, dies zu beheben.

Schließlich kann Modellierung allein nicht das Experimentieren in der realen Welt ersetzen. Viele Städte führen neben ihrer Simulationsarbeit Pilotprogramme durch. Die Kombination von Modellierung und Feldversuchen bietet die robusteste Grundlage für die Entscheidungsfindung.

Case Study: Die Wiener MaaS-Simulation

Wien ist eine von mehreren europäischen Städten, die die potenziellen Auswirkungen von MaaS umfassend modelliert haben. Die Mobilitätsagentur Wiener Linien hat gemeinsam mit Forschern ein agentenbasiertes Modell des Ballungsraums entwickelt, das mit synthetisierten Reiseprofilen auf der Grundlage von Zensus- und Reiseumfragedaten bevölkert ist. Sie simulierten die Einführung einer neuen MaaS-Plattform (basierend auf der bestehenden WienMobil-App) mit unterschiedlichen Preisstufen, Parkrichtlinien und Investitionen in den öffentlichen Nahverkehr.

Die Studie ergab, dass eine MaaS-Plattform, die ein „Mobility-Abonnement anbietet (eine monatliche Gebühr für unbegrenzte öffentliche Verkehrsmittel sowie eine bestimmte Anzahl von Mitfahrgelegenheiten und Fahrrad-Shares), private Autofahrten um 25% in der Innenstadt reduzieren könnte. Das Modell zeigte jedoch auch eine mögliche Steigerung der Fahrrad-Share-Nutzung um 30%, die eine Erweiterung der Fahrradinfrastruktur erfordern würde. Die Stadt nutzte diese Ergebnisse, um eine neue Fahrrad-Superautobahn zu rechtfertigen und die Preise des Abonnementplans zu kalibrieren. Der Fall zeigt, wie Modellierung eine umsetzbare, räumlich spezifische Orientierung bieten kann.

Schlussfolgerung

Die Modellierung der Auswirkungen von MaaS auf den städtischen Verkehr ist nicht nur eine akademische Übung - es ist ein wichtiges Werkzeug, um den Übergang zu einem nachhaltigeren und gerechteren Verkehr zu steuern. Durch die Simulation der Nutzerakzeptanz, Modusverschiebungen, Reisemuster und Netzwerkbeschränkungen können Städte sowohl die Chancen als auch die Fallstricke integrierter Mobilitätsplattformen antizipieren. Starke Modellierungspraktiken, die auf realen Daten und transparenten Methoden basieren, ermöglichen es Planern, Strategien zu entwickeln, die die Entlastung von Staus, Emissionsreduzierungen und Zugänglichkeitsgewinne maximieren und gleichzeitig unbeabsichtigte Konsequenzen wie induzierte Nachfrage und Eigenkapitallücken mildern.

Da MaaS-Plattformen weiter ausgereift sind und sich ausbreiten, müssen auch die Modelle, die ihre Governance untermauern, so sein. Städte, die in robuste Simulationsfunktionen investieren, die durch Datenmanagementsysteme wie FLT:0 unterstützt werden, Directus, die verschiedene Datenquellen integrieren können, werden besser positioniert sein, um fundierte Entscheidungen zu treffen. Der Weg zu nahtloser, gemeinsamer Mobilität ist komplex, aber mit sorgfältiger Modellierung und adaptiver Politik muss der städtische Verkehr nicht ein Opfer dieses Fortschritts sein.