CO² / 2 und Geschwindigkeit x 2: die Mobilitäts-Revolution im Alpenraum
Unsere geniale Mobilitäts-Lösung ist den heutigen Lösungsansätzen um zwei Schritte voraus: viel schneller, viel nachhaltiger.
Zu gut um wahr zu sein? Denkste. Wir präsentieren hier eine Konzeptstudie, welche gut durchdacht, zukunftsweisend, und mit realen Zahlen hinterlegt ist. Wir “beweisen” praktisch durch eine Simulationsstudie, dass eine disruptive, clevere Lösung viel mehr bietet als der bloße Umstieg auf E-Autos oder der schrittweise Ausbau der Öffentlichen Verkehrsmittel (ÖPNV).
Dabei greifen wir Komponenten auf, welche Automobilkonzerne wie Daimler AG schon seit über 5 Jahren als die Pfeiler der Zukunft bezeichnen, nämlich:
- Connected
- Autonomous
- Shared & Service
- Electric Drive
Kurz auch als “CASE” bekannt. Wir setzen all diese Komponenten simultan und sinnvoll ein, und wenden sie auf alpine Gegenden an. Im Gegensatz zur urbanen Mobilität gibt es, bedingt durch natürliche Hindernisse wie Berge, dort bestimmte Muster. Gleich mehr dazu.
Der Spezialfall: Verkehr in den Alpen
Gegenüber Ballungsgebieten hat der Verkehr in alpinen Regionen eine andere Dynamik. In größeren Städten sind praktisch alle Knotenpunkte eng vernetzt, oft ähnlich einem Schachbrett-Muster.
Wenn jedoch Berge und Hügel eine Landschaft dominieren, so befinden sich die wichtigsten Verkehrsachsen meist entlang der Täler. Ein Blick auf Google Maps offenbart schnell, dass die Schweiz, Südtirol, Tirol, Salzburg, Kärnten, weiters die italienischen und französischen Regionen um die Westalpen, sich hier stark ähneln.
Hier der Vergleich Berlin vs. Zentralalpen um den Brennerpass (Tirol, Südtirol):
Kartendaten: © OpenStreetMap-Mitwirkende, SRTM | Kartendarstellung: © OpenTopoMap (CC-BY-SA).Wenn man also für die Hauptachsen — oben in Rot markiert — eine intelligente Verkehrslösung findet, so hat man in derartigen Regionen eigentlich bereits gewonnen. :)
Wie unsere Lösung aussieht, werden wir hier anhand einer Beispiels-Region durch-exerzieren.
Im Verlauf dieses Artikels werden wir zuerst kurz die ausgewählte Region und ihren Status Quo in Anbetracht der Mobilität vorstellen. Im Anschluß erklären wir, wie die Lösung “NextMovve” funktioniert. Abschließend präsentieren wir die Simulation sowie dessen Ergebnisse.
Haltet euch fest!
Fallstudie
Vorstellung der Test-Region
Als Region haben wir ein Seitental des Pustertales herangezogen. So wie viele Täler in den Alpen liegen einige Dörfer mit 1000 bis 2500 Einwohnern entlang der Strecke. Am südlichen Ende befindet sich der Hauptort Bruneck, ein zentraler und wichtiger Knotenpunkt, mit 17.000 Einwohnern.
Eigentlich nichts besonderes, und genau das ist wichtig: Täler in dieser Größenordnung, mit ähnlichem Verkehrsmuster, gibt es überall!
Kartendaten: © OpenStreetMap-Mitwirkende, SRTM | Kartendarstellung: © OpenTopoMap (CC-BY-SA).Status Quo des Verkehrs
Entlang der Strecke gibt es zwei Zählstellen, welche automatisiert die Anzahl der durchfahrenden Fahrzeuge registrieren. In “St. Georgen” etwa werden von 17–18 Uhr 1400 Autos gemessen, das macht bei ca. 1.5 Personen pro Auto gut 2100 Personen. Eine zweite “Rush Hour” erfährt der Verkehr zwischen 7 und 8 Uhr.
Die öffentlichen Verkehrsmittel (ÖPNV) beschränken sich in der gewählten Region auf Busse. Von knapp 1000 Schulpendlern fahren zwischen 7:20 und 7:40 ca. 80% Richtung Süden nach Bruneck, und ca. 20% nach Norden. Die Erwerbspendler machen beim ÖPNV einen kleineren Anteil aus.
Damit ist klar, dass der Individualverkehr dominiert. Auch wenn in Europa die Transition zum Elektro-Auto (‘BEV’) gerade durchstartet, wird der CO²-Ausstoß in einem “Auto-Leben” dadurch zwar weniger, aber bei weitem nicht auf die Hälfte reduziert (siehe dazu auch meinen Artikel welcher E-Autos den Verbrennern gegenüberstellt).
Was sind die Ursachen für die geringe Verwendung des ÖPNV’s? Wir konnten folgende Faktoren festhalten:
- Fehlende Flexibilität (Frequenz bestenfalls 15, oft 30-60 Minuten; kaum oder keine Fahrten nachts; sonn- und feiertags reduziert).
- Lange Fahrtzeiten aufgrund der vielen Zwischenstops.
- Bequemlichkeit.
Unsere Lösung muss also nicht nur den CO²-Verbrauch drücken, sondern auch Geschwindigkeit und Flexibilität im Auge behalten. Das werden wir machen — und wie! :)
NextMovve aus der Sicht des Benutzers
In diesem Abschnitt zeigen wir kurz auf, wie sich unsere Lösung — wir haben sie “NextMovve” getauft — aus der Sicht eines Benutzers präsentiert. Durch die Nutzung des neuen Mobilitäts-Dienstes sieht der Alltag folgendermaßen aus:
- Der Kunde bewegt sich beispielsweise zu Fuß, mit dem Fahrrad oder anderweitig zur nächsten Haltestelle, und übermittelt dem Service NextMovve über App oder Terminal seinen Fahrtwunsch.
- Je nach Tageszeit fährt in der Folge innerhalb 1–2, maximal 4 Minuten ein Fahrzeug, welches den Fahrgast zum gewünschten Ziel fährt, in die Haltestelle rein. Dabei können im Fahrzeug durchaus bereits Fahrgäste sitzen, oder weitere Leute ein- und aussteigen. Sharing par Excellence!
- Auf jeden Fall wird dem Kunden garantiert, dass es auf der gewünschten Strecke zu höchstens einem Zwischenstopp kommt. Dadurch kann auch eine mit gewöhnlichem Autoverkehr (Landstrasse etc.) erreichbare Geschwindigkeit leicht überboten werden.
- Da ein intelligenter Algorithmus die Positionen aller Fahrzeuge sowie die Kundenwünsche in Echtzeit kennt, können alle Fahrzeugbewegungen perfekt optimiert werden.
Für die oben vorgestellte Strecke konnten wir in einer Simulation eine Verdoppelung der Auslastung, und eine Verdoppelung der Geschwindigkeit zeigen. Neugierig wie das geht?
NextMovve: ein paar Details
Unsere Lösung besteht aus diversen Komponenten, welche sich zu einem intelligenten Ganzen zusammenfügen.
Autonome E-Fahrzeuge in ihrem “Sandkasten” — mit 100 km/h
Während sich das autonome Fahren in gemischtem Verkehr immer noch als schwierig und nicht 100% zuverlässig darstellt, ist klar, dass in getrennten, eigens für diesen Zweck bestimmten Fahrbahnen das Autonome Fahren kein Problem mehr darstellt.
Ein Teil unserer Lösung ist daher die Einrichtung von dezidierten Fahrbahnen für autonome Fahrzeuge. Da die Fahrzeuge normiert und standardisiert sind, weiters präzise fahren, kann die Fahrbahn schmal gehalten werden. Auch könnte die Trasse einer Regionalbahn umarrangiert werden, da die neue Lösung diese obsolet macht, wie man in der Simulation sehen wird.
Ein Vorteil, nur autonome, standardisierte Fahrzeuge auf einer Fahrbahn zu befördern, ist, dass diese problemlos mit der gleichen, konstanten Geschwindigkeit (z.B. 90–110 km/h) fahren können.
Kundenwünsche und Matching in Echtzeit
Flexibilität hat höchste Priorität. Darum können unsere Kunden direkt an der Haltestelle ihren Fahrtwunsch per App oder Terminal mitteilen. Wer seinen Fahrtwunsch bereits früher mitteilt, kann die ohnehin kurze Wartezeit nochmals verringern.
NextMovve ersetzt einen Großteil des Autoverkehrs. Wird 50% des derzeitigen Verkehrsaufkommens über den Service abgewickelt, so ergibt das Echtzeit-Matching bereits enorme Vorteile im Hinblick der Auslastungen der Fahrzeuge. Anstatt ca. 1.5 Personen pro Auto werden es ca. 3.
Batterie-Kapazität und Nachladen der E-Fahrzeuge
Nur in den Stoßzeiten befinden sich 70-80% aller Fahrzeuge im Einsatz. Im Anschluß werden bereits erste Fahrzeuge wieder frei, und in den Garagen geparkt, wo sie wieder geladen werden können. Insgesamt sind nur Akkus mit geringer Kapazität notwendig, um den gesamten Service makellos aufrecht zu erhalten. Sogar hier wird CO² eingespart — immerhin ist die Produktion der Akkus durchaus aufwändig!
Haltestellen und Garagen
Wir gehen in erster Näherung davon aus, dass in Orten mit ca. 1000 Einwohnern eine Haltestelle, für größere Orte auch 2–3 und mehr Haltestellen ideal sind. Die Fahrzeuge sind in kompakten Garagen in der Nähe der Haltestellen geparkt, und fahren nur los, sobald Nachfrage besteht. Die Rangierflächen in den Parkhäusern können natürlich auch minimiert werden, da die Autos austauschbar sind, und demnach das “Nächstbeste” rausfährt (etwa dem LIFO Prinzip: “Last In — First Out”).
Die Simulation
Wir wollen unser Versprechen natürlich mit Zahlen untermauern. Die Test-Region haben wir bereits kurz vorgestellt. Nun brauchen wir möglichst realistische Annahmen für die Simulation.
Strecken und Geschwindigkeiten
Nachdem wir die Abstände zwischen den Ortschaften aus Google Maps extrahiert haben, nehmen wir für die restlichen kurzen Distanzen Werte zwischen 300 und 500 Meter an, siehe folgende Skizze. Dabei werden in der Simulation die Ausfahrten westlich der Haltestellen “PRE” genannt (grüne Punkte), östlich “POST” (blau), die Haltestellen selbst “MAIN” (orange), und die Garagen eben “GARAGE” (schwarz).
Als Geschwindigkeit haben wir konstante 90 km/h auf der Hauptstrecke angenommen, weiters 30 km/h auf den Abschnitten zwischen den Ausfahrten, den Haltestellen sowie den Garagen. Zudem setzen wir die Zeit für Ein- und Ausstieg an den Haltestellen mit einer halben Minute an.
Auslastung nach Tageszeit
Dieser Punkt erforderte mehr Aufwand. Wir haben die Daten der automatischen Zählstellen mit denen des ÖPNV’s aggregiert, Daten für fehlende Haltestellen interpoliert, und weiters über die letzte(n) Jahre extrapoliert (tada!).
Daraus ergibt sich für eine bestimmte Tageszeit jeweils eine Matrix mit den “Fahrtwünschen”, welche unser Mobilitäts-Service zu 100% zu bedienen hat. Folgendes Beispiel zeigt etwa, dass in der entsprechenden Stunde (hier 17–18 Uhr) 50 Kunden von Bruneck nach St. Georgen fahren wollen, weiters 70 von Gais nach Sand in Taufers (kurz “SandT”), usw.
Als Detail am Rande haben wir sogar unterschiedliche Gruppengrößen modelliert, also Personengruppen, welche partout im selben Auto sitzen wollen.
Für die Häufigkeiten von Gruppen der Größen 1, 2, 3 und 4 haben wir das Verhältnis 30 : 15 : 2 : 1 angenommen. Auf 30 Einzelgäste kommt also eine Vierergruppe.
Fertig — Feuer — Los!
Die Annahmen sind getroffen, ein sinnvoller Algorithmus (“KI”?) für das Matchen ist programmiert, es kann los gehen. Dabei passiert Folgendes:
- Unsere Simulation generiert zufällig Nachfrage, im Rahmen der Annahmen. D.h. es kommen an den Haltestellen Gruppen an (oft Einzelpersonen), welche diverse Fahrtwünsche haben — siehe Matrix oben.
- Entweder fahren neue Autos aus den Garagen, oder bereits in Fahrt befindliche Fahrzeuge legen einen kurzen Zwischenstop ein, um weitere Fahrgäste aufzunehmen, und/oder aussteigen zu lassen.
- Als weitere Nebenbedingung soll kein Fahrgast mehr als einen Zwischenstop erfahren. Das garantiert ein zügiges Vorwärtskommen und eine hohe Akzeptanz bei den Benutzern des Dienstes.
Um die programmiertechnische Umsetzung auf Korrektheit zu prüfen, haben wir eine aussagekräftige Ausgabe eingebaut. Ein kurzer Mitschnitt davon sieht wie folgt aus:
Ergebnisse
Eine Simulation für eine Stunde (mit knapp 4000 Personen) dauert auf meinem alten iMac (i5, 2012) rund 30 Sekunden. Das ist flott, und ich kann mir keinen Drink gönnen :)
Für die Rush-Hour von 17 bis 18 Uhr hat die Simulation ergeben:
- 3889 Personen bzw. 2684 Gruppen haben den Dienst benutzt.
- Die durchschnittliche Wartezeit betrug 1:09 Minuten. Nur für 5% der Fahrten musste länger als 1:40 Minuten gewartet werden, und die längste Wartezeit war 3:14.
- 59% der Fahrtwünsche konnten ohne Zwischenstop realisiert werden. Die restlichen 41% verzeichneten exakt einen Stop.
- 1117 mal ist ein Auto losgefahren. Auf der Gesamtstrecke nahmen die Autos im Schnitt 3.48 Fahrgäste mit. Im Durchschnitt waren 2.57 Fahrgäste an Bord.
Auch für andere Tageszeiten von 6 bis 21 Uhr ergeben sich sehr ähnliche Ergebnisse. In der Nacht, bei verringertem Verkehrsaufkommen, wird die Auslastung geringer. Immerhin fahren auch dann noch durchschnittlich 2 Personen mit.
Hinsichtlich der Erreichung unserer Ziele lässt sich sagen:
Ziel 1 erreicht: der CO² Ausstoß wurde halbiert
Unsere Fahrzeuge befördern je nach Zählweise durchschnittlich 2.57 bis 3.48 Fahrgäste. Das ist mehr als doppelt so viel wie der mittlere Besetzungsgrad von 1.4–1.5 (vgl. etwa FIS). Für Wege zur Arbeit sinkt der Wert laut FIS sogar auf magere 1.2.
Ziel 2 erreicht: die Geschwindigkeit wurde verdoppelt
Unsere Lösung bietet eine konstante Geschwindigkeit über alle Tageszeiten hinweg. Die Hauptstrecke wird mit 90 bis 100 km/h gefahren, die Zubringerstrecken mit 30 km/h. Das ergibt einen Schnitt von über 80 km/h, vergleichen mit den 40 oder weniger Stundenkilometern, welche in den Stoßzeiten derzeit beobachtet werden können.
Außerhalb der Stoßzeiten ist der Vorteil geringer. Zu erwähnen auch die sehr geringe Wartezeit von knapp über einer Minute. Welche U-Bahn hält hier noch mit?
Zusammenfassung und Ausblick
Wir müssen in Zukunft nicht auf Mobilität verzichten, wenn wir das Sharing Konzept zu Ende denken!
Dedizierte Fahrbahnen für Autonome Fahrzeuge, auf welchen die Fahrzeuge den Fahrtwünschen entsprechend intelligent gematcht werden, führen zu viel besseren Auslastungen bei meist kürzeren Reisezeiten.
Dadurch erreicht man einen wesentlich geringeren Verbrauch der begrenzten Ressourcen, was uns wiederum dem Klimaziel ein Stück näher bringt.
Dass die gesamte Studie kein Hirngespinst sein muss, beweist die Tatsache, dass die technischen Voraussetzungen für die Umsetzung längst gegeben sind. Außerdem lässt sich das Konzept in den meisten alpinen Regionen nahezu klonen.
Nun sind wir auf der Suche nach einem Investor, um den Alpenraum auf nachhaltige Weise und mit der neuesten Technologie auszustatten. Der erste OEM der aufspringt, entscheidet den neuen Standard :)
Danksagung
Auch wenn Grundzüge des vorliegenden Konzepts bereits im Gespräch mit Freunden sowie einer schlaflosen Nacht entstanden sind, so durfte und konnte ich doch die vielen Details, Analysen, Machbarkeitsstudien, Gespräche, Tests, Fragebögen und mehr zusammen mit netten und kompetenten Kollegen in einem Workshop für Digitalisierung durchstudieren.
In dem vorliegenden Dokument habe ich insbesondere die Simulationsstudie etwas genauer beleuchtet. Im Workshop haben wir viele andere Gesichtspunkte auch genauer unter die Lupe genommen. Das Thema “Last Mile” war ein Knackpunkt, ist aber auch zu lösen. Viele andere Themen haben wir gestreift oder durchexerziert, es gab aber keinen Showstopper.
Aus diesem Grund bedanke ich mich hiermit herzlich bei meinen Kollegen von “Team 4”: Christoph Ausserhofer, Armin Brunner, Damian Mussner, Stefan Niederwanger, Michael Ploner, Davide Schuen und Marian Seeber.
Für die Organisation, Unterstützung, Fachvorträgen, Infrastruktur und vielen mehr sei Elisabeth “Lilli” Graf, Paul Mairl, Nora Dejaco sowie den CEO’s der Unternehmen des Netzwerks Automotive Excellence Suedtirol gedankt.
