Kurs:Mathematische Modellbildung/Themen/2023-24 Wintersemester/Autofreiheit in Großstädten
Berechnung des jährlichen CO2-Ausstoßes am Beispiel Frankfurt am Main Bearbeiten
zurück zur Übersichtsseite WS 23-24
Gruppenteilnehmer Bearbeiten
- Wolf, Lara
- Daubner, Lukas
Ziele der Modellierung Bearbeiten
Mit diesem mathematischen Modell widmen wir uns der Frage, wie viel CO2 jedes Jahr in deutschen Großstädten ausgestoßen wird. Um uns dieser Frage zu nähern, haben wir uns im Rahmen dieses Projekts dazu entschieden, die CO2-Emissionen der Stadt Frankfurt am Main beispielhaft zu berechnen. Diese Berechnung soll dazu dienen, uns einen klaren Überblick über die Umweltauswirkungen der Stadt zu verschaffen. Außerdem kann sie als Ausgangspunkt für die Entwicklung von Maßnahmen zur Reduzierung der Treibhausgasemissionen verwendet werden.
Eine der Hauptmotivationen für die Berechnung des CO2-Ausstoßes liegt in der dringenden Notwendigkeit, den Klimawandel einzudämmen. Indem wir den CO2-Ausstoß von Frankfurt am Main quantifizieren, können wir gezieltere Maßnahmen zur Reduzierung dieser Emissionen ergreifen und so einen Beitrag zum globalen Klimaschutz leisten. Diese Quantifizierung ermöglicht darüberhinaus eine bessere Planung und Umsetzung von umweltfreundlichen Infrastrukturprojekten.
Zusätzlich bietet die Berechnung des CO2-Ausstoßes von Frankfurt am Main eine Grundlage für die Überwachung und Bewertung von Klimaschutzmaßnahmen. So können wir unseren Fortschritt bei der Reduzierung von Treibhausgasemissionen verfolgen und unsere Strategien entsprechend anpassen. Eine umfassende Kenntnis der relevanten Faktoren erlaubt es uns, gezielte Maßnahmen zu ergreifen, um den CO2-Ausstoß zu reduzieren, den Klimawandel einzudämmen und eine lebenswerte Umwelt für zukünftige Generationen zu erhalten.
Dabei werden wir uns vorallem auf die durch Kraftfahrzeuge verursachte CO2-Emmission konzentrieren.Ziel dieser Modellierung ist es, diesen Wert möglichst realitätsnah zu schätzen und zu berechnen. Er wird schrittweise durch unterschiedliche mathematische Verfahren verfeinert.
Wir wollen ein tieferes Verständnis darüber gewinnen, welche ökologischen Vor- und Nachteile eine städtische Umgebung ohne Verbrennerfahrzeuge mit sich bringt. Es gibt bereits einige Ansätze und Pläne, um Städte von Autos zu befreien. Uns stellt sich jedoch die Frage: Was haben wir denn tatsächlich gewonnen, wenn wir die Stadt einmal autofrei haben? Dieses mathematische Modell soll als Werkzeug dienen, um diese Frage zu beantworten.
Nachhaltigkeitsziele Bearbeiten
SDG 3: Good Health and Well-being Bearbeiten
Eine emissionsarme Stadt könnte dazu beitragen, die allgemeine Gesundheit ihrer Bevölkerung durch eine verbesserte Luftqualität zu fördern. Außerdem könnte durch eine veränderte Infrastruktur sicherlich eine Vielzahl an Verkehrsunfällen vermieden werden. Wir sind davon überzeugt, dass eine solche Stadt auf unterschiedliche Arten zu einem verbesserten psychischen und seelischen Wohlbefinden beitragen kann.
SDG 9: Industry, Innovation and Infrastructure Bearbeiten
Durch die genaue Kenntnis der für den CO2-Ausstoß wirksamen Faktoren können Ideen entwickelt werden, wie eine veränderte, durch Innovation vorangetriebene Infrastruktur aussehen könnte.
SDG 11: Sustainable Cities and Communities Bearbeiten
Bei unserem Modell handelt es sich um eine Analyse der CO2-Emissionen einer Stadt als Denkanstoß hin zu einer nachhaltigeren, womöglich sogar klimaneutralen Stadt.
SDG 13: Climate Action Bearbeiten
Wir sind der Überzeugung, dass durch eine Minimierung der PKW-Nutzung ein erheblicher Beitrag zum Klimaschutz geleistet werden kann.
Bearbeitung Bearbeiten
Das Modell soll drei verschiedene Zyklen durchlaufen, die unterschiedlichen Schwierigkeitsgraden und Komplexitäten entsprechen.
Stufe Sek I / Zyklus I Bearbeiten
Aufstellung der Formel Bearbeiten
Wir sammeln zunächst umfassende und möglichst breit gefächerte Daten zu verschiedenen Aspekten, die den CO2-Ausstoß beeinflussen, wie beispielsweise Bevölkerungszahlen, Verkehrsaufkommen, PKW-Bestände, Jahresfahrleistungen und Verbräuche. Diese Daten dienen als Grundlage für unsere Berechnungen. Basierend auf den verfügbaren Daten entwickeln wir dann eine erste Näherungsformel zur Berechnung des jährlichen CO2-Ausstoßes von Frankfurt am Main. Sie verwendet einfache Annahmen und Parameter, um den Ausstoß zu schätzen. Diese erste Näherungsformel lautet:
Y(x) = n(x) • m(x) • ( p(x) • c )
Die zu berechnende Größe Y(x) entspricht dem CO2-Ausstoß (in Gramm) zum Zeitpunkt x (in Jahren). Sie ergibt sich aus Multiplikation der (ebenfalls von x abhängigen) Größen n, m und p mit der Konstanten c. Dabei entspricht n(x) der Anzahl der zum Zeitpunkt x in Frankfurt am Main gemeldeten Fahrzeuge, m(x) der zum Zeitpunkt x durchschnittlichen Jahresfahrleistung (in km) eines/-r Deutschen, p(x) dem zum Zeitpunkt x durchschnittlichen Kraftstoffverbrauch (in l/100km) eines PKW und c ≈ 2510 einer Konstante, die mithilfe des Kraftstoffverbrauchs eines Verbrennermotors seinen CO2-Ausstoß (in g/km) schätzt.
Da es sich b ei dieser ersten Berechnung nur um eine Näherung handelt, treffen wir in diesem ersten Schritt die Annahme, dass alle zum Zeitpunkt x in Frankfurt gemeldeten Fahrzeuge als PKW behandelt werden können. Außerdem findet man im Internet zahlreiche CO2-Rechner, die nahezu alle dieselben Konstanten für ihre Berechnungen verwenden (23,70 für Benzin-, 26,50 für Dieselmotoren). Sie unterscheiden dabei stets zwischen Diesel- und Benzinmotoren. Da wir bei dieser ersten Annäherung allerdings noch keine Unterscheidung zwischen Diesel- und Benziner-PKW treffen, verwenden wir zunächst den Wert c = 25,10, der dem arithmetischen Mittel beider Konstanten entspricht. Angesichts der Tatsache, dass wir bislang keine spezifische Unterscheidung zwischen Diesel und Benzin treffen, werden wir vorläufig den Kraftstoffverbrauch anhand eines durchschnittlichen Wertes ermitteln. Dies bedeutet, dass wir auch hier zunächst das arithmetische Mittel der entsprechenden Verbrauchswerte verwenden.
Mithilfe der obigen Formel und der nötigen entsprechenden Werte berechnen wir folgende erste Näherungen für den CO2-Ausstoß in Frankfurt am Main:
Erste Verfeinerung der Formel Bearbeiten
Wir analysieren die Ergebnisse und führen Anpassungen vor, um die Genauigkeit und Relevanz der Berechnungen zu verbessern. Dies erfordert offensichtlich die Integration zusätzlicher Datenquellen und die Anpassung der Modellparameter.
Im nächsten Schritt der Modellierung treffen wir dann feinere Unterscheidungen. Wir unterscheiden nun zwischen Diesel- und Benzinmotoren. Dafür sammeln wir zunächst weitere Daten. Wir finden in einem Bericht recht umfangreiche Angaben zu Fahrzeugbeständen mit Benzin- bzw. Dieselmotoren in Frankfurt am Main. Daher teilen wir unsere vorherige Größe n(x) nun auf in n(x) = n1(x) + n2(x), wobei n1(x) die Anzahl der Benzinfahrzeuge (zum Zeitpunkt x) und n2(x) die Anzahl der Dieselfahrzeuge beschreibt. Ähnlich gehen wir mit dem Verbrauch vor: Wir finden im Internet mehrere Statistiken, die den durchschnittlichen Kraftstoffverbrauch von Fahrzeugen mit Diesel- und Benzinmotoren aufzeichnen. Also teilen wir unsere Verbrauchsgröße ebenfalls weiter auf in p1(x) (Benzin) und p2(x) (Diesel). Zuletzt verwenden wir dann noch die entsprechenden Konstanten c1 = 23,70 für Benzin und c2 = 26,50 für Diesel, wie zuvor bereits erwähnt. Somit gelangen wir in diesem zweiten Schritt zu der folgenden, neuen Formel:
Y(x) = (n1(x) • p1(x) • c1 + n2(x) • p2(x) • c2) • m(x)
Die Ergebnisse der Berechnungen mit dieser verfeinerten Formel sind in der folgenden Abbildung zu erkennen:
Es wird deutlich, dass die Verfeinerung der Formel bereits genauere Werte für den CO2-Ausstoß in Frankfurt am Main liefert. Wir wollen allerdings noch weitere Verfeinerungen vornehmen, um ein möglichst realitätsnahes Ergebnis zu erhalten. Bei unseren weiteren Überlegungen wird uns klar, dass wir nicht nur PKW, sondern auch Krafträder, Nutzfahrzeuge, Elektroautos usw. mit in unsere Berechnungen einbeziehen müssen. Mit der Beachtung dieser Parameter erreicht das Modell auch einen neuen Grad an Komplexität und Feinheit.
Stufe Sek II / Zyklus II Bearbeiten
Zweite Verfeinerung der Formel Bearbeiten
Wir begeben uns also ein weiteres Mal auf die Suche nach Daten. Wir versuchen, so viele Angaben wie möglich zu finden, die mit dem Thema CO2-Ausstoß und Verkehr in Frankfurt am Main in Verbindung stehen. Im Anschluss filtern wir die gefundenen Daten nach ihrer Brauchbarkeit und entscheiden uns schließlich, welche weiteren Größen wir nun in unsere Berechnungen mit einbeziehen möchten. Im nächsten Schritt konzentrieren wir uns auf die CO2-Emissionen, die von Nutzfahrzeugen, Krafträdern und Elektrofahrzeugen verursacht werden. Dafür informieren wir uns über durchschnittliche Fahrleistungen, Verbräuche, Kraftstoffarten und Bestände von Krafträdern und Nutzfahrzeugen, um sie in unsere Formel einzubetten. Die veränderte Formel sieht wie folgt aus:
Y(x) = ñ1(x) • m1(x) • p1(x) • c1 + ñ2(x) • m2(x) • p2(x) • c2 + ñ3(x) • m3(x) • p3(x) • c3 + ñ4(x) • m4(x) • p4(x) • c4 + ñ5(x) • m5(x) • p5(x) • k(x)
Die Indices 1,2,3,4 und 5 stehen dabei für Benzin-PKW (1), Diesel-PKW (2), Kraftrad (3), Nutzfahrzeug (4) und Elektrofahrzeuge (5). Die Größen n, m und p stehen weiterhin für Bestand, durchschnittliche Jahresfahrleistung und durchschnittlicher Verbrauch zum Zeitpunkt x. Bei Elektrofahrzeugen berücksichtigen wir den Verbrauch in kWh pro Kilometer anstelle von Kraftstoffverbrauch pro 100 km. Die Konstanten ci mit i ∈ {1,2,3,4,5} haben ebenfalls dieselbe Funktion wie zuvor. Die Konstanten c3 = 23,80 und c4 = 26,40 schätzen wir, da es keine genauen Angaben zu Diesel- bzw. Benzinnutzfahrzeugen und -krafträdern gibt. Allerdings fahren die meisten Krafträder mit Benzin und die meisten Nutzfahrzeuge mit Diesel, weshalb wir c3 nah an der Konstante für Benzinverbrennung wählen und c4 nah an der Konstante für Dieselverbrennung. Die neue Variable k(x) liefert die CO2-Emission in Gramm pro verbrauchter kWh. Die neue Formel liefert uns noch genauere Werte für die durch Frankfurt am Main verursachten CO2-Emissionen, die in der folgenden Tabelle zu sehen sind:
Graphische Darstellung Bearbeiten
Die Analyse setzt die Werte der neuen Formel fort und betrachtet den resultierenden CO2-Ausstoß in Frankfurt am Main in Tonnen von 2011 bis 2020. Dabei fällt ein deutlicher Rückgang im Jahr 2020 auf, der auf die vergangene Covid-19-Pandemie zurückzuführen ist. Beim Vergleich der verschiedenen Stadien der Verfeinerung, sind ähnliche Trends zu beobachten.
Um ein detaillierteres Bild zu erhalten, differenzieren wir die Daten nach Fahrzeugarten: Benzin-Fahrzeuge, Diesel-Fahrzeuge, Elektrofahrzeuge, Krafträder und Nutzfahrzeuge. Dies führt zu den folgenden Funktionen:
Y1(x): CO2-Ausstoß in Gramm zum Zeitpunkt x für Benzinfahrzeuge = ñ1(x) • m1(x) • p1(x) • c1
Y2(x): CO2-Ausstoß in Gramm zum Zeitpunkt x für Dieselfahrzeuge = ñ2(x) • m2(x) • p2(x) • c2
Y3(x): CO2-Ausstoß in Gramm zum Zeitpunkt x für Krafträder = ñ3(x) • m3(x) • p3(x) • c3
Y4(x): CO2-Ausstoß in Gramm zum Zeitpunkt x für Nutzfahrzeuge = ñ4(x) • m4(x) • p4(x) • c4
Y5(x): CO2-Ausstoß in Gramm zum Zeitpunkt x für Elektrofahrzeuge = ñ5(x) • m5(x) • p5(x) • k(x))
Im Folgenden wird die grafische Darstellung der Verteilung der CO2-Emissionen nach Fahrzeugart präsentiert:
Uni Niveau / Zyklus III Bearbeiten
Zukunftsprognose Bearbeiten
Im dritten Zyklus des Modells werden wir zu nächst mittels Linearer Regression eine Zukunftsprognose mit Hilfe von R für die Jahre 2021 bis 2030 erstellen.
Lineare Regression Bearbeiten
Lineare Regression ist eine statistische Methode, die dazu dient, die Beziehung zwischen einer abhängigen Variable (Kriterium – in diesem Fall die CO2-Emission) und einer oder mehreren unabhängigen Variablen (Prädiktoren – hier die Jahre) zu modellieren. Das Hauptziel besteht darin, die Prognose zukünftiger Werte auf Grundlage der vorhandenen Daten zu ermöglichen.
Die Grundformel der linearen Regression lautet: ŷk = b * xk + a
Hierbei steht ŷk für den vorhergesagten Wert auf dem Kriterium y für den k-ten Messwert, während xk den k-ten Messwert auf dem Prädiktor x repräsentiert. Die Parameter b und a spielen eine entscheidende Rolle:
b ist das Regressionsgewicht und bestimmt die Steigung der Regressionsgeraden. Diese Steigung gibt an, wie stark sich die abhängige Variable ändert, wenn die unabhängige Variable um eine Einheit zunimmt. Ein positives b deutet auf eine positive Korrelation hin, während ein negatives b auf eine negative Korrelation schließen lässt.
a repräsentiert den y-Achsenabschnitt der Regressionsgeraden. Dieser Wert zeigt den erwarteten Wert der abhängigen Variable, wenn die unabhängige Variable den Wert null hat. In anderen Worten, a ist der prognostizierte Anfangswert.
Die Bestimmung der Werte a und b basiert auf statistischen Kennzahlen wie Mittelwerten, Standardabweichungen, Kovarianz und Korrelation. Die Berechnungen berücksichtigen die Variation der Datenpunkte und ihre Beziehungen zueinander. Mittelwerte dienen als Maß für die zentrale Tendenz, während die Standardabweichung die Streuung der Datenpunkte misst. Die Kovarianz und die Korrelation helfen dabei, die Beziehung zwischen den Variablen zu verstehen.
Das letztliche Ziel der linearen Regression besteht darin, ein mathematisches Modell zu erstellen, das die Beziehung zwischen den Variablen widerspiegelt. Auf Basis dieses Modells können dann Vorhersagen für zukünftige Werte getroffen werden. Dieser Prozess ermöglicht eine systematische Analyse und Interpretation von Daten, um fundierte Schlussfolgerungen über die zugrunde liegende Beziehung zu ziehen.
Die Grundlage für unsere lineare Regression bildet die endgültige Verfeinerung der Formel, in der die gesammelten Daten eingeflossen sind. Zur Prognose der Folgejahre, insbesondere für 2021 und 2022, wurde die lineare Regression in der Programmiersprache R angewendet. Bei der Ermittlung von 2021 und 2022 wurden die Jahre 2020 und 2021 doppelt gewichtet, um die verringerte Fahrleistung während der Covid-19-Jahre angemessen zu berücksichtigen.
Um sicherzustellen, dass die außergewöhnlichen Werte der Jahre 2020 bis 2022 den weiteren Verlauf nicht übermäßig beeinflussen, wurden in den Jahren ab 2023 diese Ausnahmewerte nur noch halb so stark gewichtet. Dieser Ansatz ermöglicht eine dynamische Anpassung an verschiedene Phasen und sorgt für eine robuste Modellierung des CO2-Ausstoßes.
Zusätzlich haben wir uns die Konfidenzintervalle ausgeben lassen, um die Unsicherheit der Prognosen zu quantifizieren und mögliche Schwankungen zu berücksichtigen. Die Konfidenzintervalle geben an, mit welcher Wahrscheinlichkeit die tatsächlichen Werte innerhalb eines bestimmten Bereichs liegen.
Nachfolgend finden Sie einen exemplarischen Code für die Prognose des Jahres 2021, die zugehörige Regressionsgerade, sowie die Gesamtbetrachtung der CO2-Emission mit unseren ermittelten Prognosewerten:
Der zeitliche Rahmen von 2011 bis 2020 präsentiert sich als vergleichsweise begrenzt. Während Daten zur Verteilung von Diesel- und Benzinfahrzeugen erst ab dem Jahr 2011 verfügbar sind, erstrecken sich die Zeitreihen für alle anderen Variablen über einen längeren Zeitraum. Diese divergierenden Datenerhebungszeiträume motivieren uns dazu, für jede einzelne Komponente eine gesonderte lineare Regression durchzuführen. Anschließend integrieren wir die ermittelten variablen Werte in unsere umfassende Formel. Dabei standen uns folgende Zeitreihen als Grundlage für die lineare Regression unserer Variablen zur Verfügung:
Auf Grundlage dieser Datenreihen führten wir die lineare Regression für jede einzelne Variable mittels R durch. Dieses Vorgehen wurde mittels folgendem Befehl durchgeführt:
Daten erstellen
jahre <- c(Jahr1:Jahrn)
daten <- c(Daten(1), Daten(2),…, Daten (n))
Datenframe erstellen
datenframe <- data.frame(Jahre =jahre, Daten = daten)
Lineare Regression
regression <- lm(Daten ~ Jahre, data = datenframe)
Zusammenfassung der Regression
summary(regression)
Prognose für (Jahr(n+1))-2030
Prognose_jahre <- data.frame(Jahre = (Jahr(n+1)):2030)
Prognose_daten <- predict(regression, newdata = prognose_jahre, interval= “prediction“)
Ergebnisse anzeigen
prognose <- data.frame(Jahre = prognose_jahre$Jahre, Prognose = prognose_daten [, 1], Unterer_Grenzwert = prognose_daten[, 2], Oberer_Grenzwert = prognose_daten[, 3])
print(prognose)
Zusätzlich zu den vorherig berücksichtigten Variablen führen wir die neue Variable q(x): Personenkraftwagen ein. Hier haben wir eine aussagekräftige Datenreihe bis zurück ins Jahr 1980. Diese benötigen wir zur Feststellung der Anzahl der Diesel-, Benzin- und Elektrofahrzeugen.
Berechnung n1(x) = Anteil Benziner (x) * q(x)
Berechnung n2(x) = Anteil Diesel (x) * q(x)
Berechnung n5(x) = Anteil Elektro (x) * q(x)
Den Anteil der Fahrzeugart, haben wir ebenfalls mittels Linearer Regression, nach obigen Schema erstellt. Dieses Vorgehen führen wir gleichermaßen für alle Komponenten durch, mit Ausnahme der Fahrleistung. Bei der Berechnung der Fahrleistung haben wir erneut die Jahre 2020 bis 2022, halb gewichtet, um die Auswirkungen der Covid-19-Pandemie abzuschwächen. Die resultierenden einzelnen Prognosewerte führen wir in unsere verfeinerte Formel zur Ermittlung der CO2-Emmmussion ein und erhalten dabei folgende Werte:
Bei der Analyse der graphischen Darstellung der resultierenden Werte wird deutlich, dass die neu geschätzte CO2-Emission erheblich niedriger ist als die Prognose, die ausschließlich auf der Gesamtemission basiert. Insgesamt ergibt sich ein Rückgang von 18,22% von 2021 bis 2030, wie durch die Formel (1098715−1343294)/1343294≈−18,22% verdeutlicht wird.
Diese Abweichung zwischen den beiden Prognosen unterstreicht die Unsicherheiten, die mit der Anwendung linearer Regression auf komplexe, sich entwickelnde Systeme verbunden sind. Lineare Regressionen beruhen auf historischen Daten und treffen Annahmen über die fortgesetzte Linearität der zugrunde liegenden Beziehungen. Jedoch sind reale Systeme oft von nichtlinearen Dynamiken, externen Einflüssen und unvorhersehbaren Ereignissen geprägt, wodurch Prognosen, insbesondere über einen längeren Zeitraum, mit inhärenten Unsicherheiten behaftet sind.
Die festgestellte Abweichung könnte auf verschiedene Faktoren zurückzuführen sein, darunter unberücksichtigte Einflüsse, die nicht durch die vorhandenen Daten erfasst wurden, sowie das Fehlen nichtlinearer Zusammenhänge. Diese Unsicherheiten müssen bei der Interpretation der Ergebnisse und der Ableitung von Schlussfolgerungen angemessen berücksichtigt werden.
Emmissionsziel Bearbeiten
Zur Erreichung dieser Ziele haben wir zwei Ansätze untersucht, auf die die Stadt Frankfurt Einfluss nehmen kann. Zum einen die Reduzierung der Jahresfahrleistung durch beispielsweise den Ausbau öffentlicher Verkehrsmittel und die Verlagerung der Fahrzeugart auf Elektrofahrzeuge durch beispielsweise eine Erhöhung der KFZ-Steuer beziehungsweise Bezuschussung von Elektrofahrzeugen.
Fahrleistung Bearbeiten
Mithilfe unserer Variablen haben wir ermittelt, um wie viel die Jahresfahrleistung für private Fahrzeuge gesenkt werden muss, um die gesetzten Emissionsziele zu erreichen. Hierzu haben wir unsere Formel nach der Fahrleistung m1(x)=m2(x)=m5(x) umgestellt.
.png)
Dadurch ergaben sich folgende Werte für die Zielfahrleistung.
Zusammengefasst müsste also die:
Fahrleistung von 2021 bis 2030 um insgesamt 15,64% gesenkt werden um Ziel von Reduktion von 20% zu erreichen
Fahrleistung von 2021 bis 2030 um insgesamt 32,01% gesenkt werden um Ziel von Reduktion von 30% zu erreichen
Fahrleistung von 2021 bis 2030 um insgesamt 48,38% gesenkt werden um Ziel von Reduktion von 40% zu erreichen
Fahrleistung von 2021 bis 2030 um insgesamt 64,75% gesenkt werden um Ziel von Reduktion von 50% zu erreichen
Fahrzeugart Bearbeiten
Ein weiterer Lösungsansatz zur Erreichung unserer Ziele beinhaltete die Betrachtung eines Umstiegs auf Elektrofahrzeuge, unter der Voraussetzung einer konstanten Gesamtanzahl von Fahrzeugen. Hierbei wurde die CO2-Emission pro Fahrzeugart auf einzelne Fahrzeuge in Tonnen umgerechnet, und die damit einhergehende Reduktion pro Fahrzeug wurde bei einem Wechsel von Diesel- oder Benzinfahrzeugen auf Elektrofahrzeuge berechnet.
Im anschließenden Schritt haben wir die Differenz zwischen dem Zielwert und unserem prognostizierten Erwartungswert berechnet. Hieraus konnten wir ableiten, wie viele Fahrzeughalter jeweils auf Elektrofahrzeuge umsteigen müssten, um das definierte Ziel zu erreichen. Diese Ergebnisse sind in der nachfolgenden Tabelle dargestellt.
Zusammengefasst ergibt sich folgendes Bild: Um das Ziel einer 20%igen Reduktion zu erreichen, müssten entweder 16,92% der Dieselfahrer oder 12,47% der Benzinfahrer auf Elektrofahrzeuge umsteigen.
Für eine 30%ige Reduktion ist es notwendig, dass 82,06% der Benzinfahrer auf Elektrofahrzeuge umsteigen. Selbst wenn alle Dieselfahrer diesen Schritt unternehmen, würde dies nicht ausreichen, um das 30%ige Reduktionsziel zu erreichen.
Die ambitionierten Ziele von 40% und 50% Reduktion können hingegen nicht allein durch den Umstieg von Benzinfahrern oder Dieselfahrern erreicht werden. Es bedarf zusätzlicher Maßnahmen oder Strategien, um diese höheren Reduktionsziele zu realisieren.
Da Die Reduktion auf eine einzelne Fahrzeugart nicht ausreicht um alle Ziele zu erreichen, haben wir im nächsten Schritt betrachet wieviele Dieselfahrer auf Elektrofahrzeuge umsteigen müssten, um das Ziel zu erreichen, falls die Anzahl die von uns prognostizierte Gesamtanzahl der Dieselfahrzeuge übersteigt, wieviele Benzinfahrer dann zusäzlich umsteigen müssten.
Im folgenden Szenario haben wir genauer untersucht, wie viele Dieselfahrer auf Elektrofahrzeuge umsteigen müssen, um die vordefinierten Reduktionsziele zu erreichen, insbesondere dann, wenn die von uns prognostizierte Gesamtanzahl der Dieselfahrzeuge überschritten wird. Zusätzlich haben wir ermittelt, wie viele Benzinfahrer zusätzlich einen solchen Umstieg vollziehen müssten.
Um das 20%ige Reduktionsziel zu erreichen, wäre es erforderlich, dass 16,92% der Dieselfahrer den Umstieg auf Elektrofahrzeuge vollziehen. In diesem Szenario wäre kein Umstieg von Benzinfahrern notwendig.
Für das 30%ige Reduktionsziel müssten alle Dieselfahrer den Wechsel zu Elektrofahrzeugen vollziehen, zusätzlich dazu müssten 8,36% der Benzinfahrer auf Elektrofahrzeuge umsteigen. Dies unterstreicht die Dringlichkeit eines verstärkten Umstiegs von Benzinfahrern, selbst wenn alle Dieselfahrer bereits auf Elektrofahrzeuge umgestiegen sind.
Im Szenario einer 40%igen Reduktion müssten sowohl alle Dieselfahrer als auch 77,95% der Benzinfahrer auf Elektrofahrzeuge umsteigen. Diese Anforderung verdeutlicht die notwendige Beteiligung beider Fahrzeugarten an der Umstellung, um das festgelegte Reduktionsziel zu erreichen.
Selbst bei einem ehrgeizigen Ziel von 50% Reduktion könnte dieses nicht allein durch einen vollständigen Umstieg aller Fahrzeughalter auf Elektrofahrzeuge erreicht werden. Diese Erkenntnis unterstreicht die Komplexität und die Herausforderungen bei der Umsetzung solch ambitionierter Ziele, insbesondere im Hinblick auf die unterschiedlichen Fahrzeugtypen und die individuellen Umstiegsbereitschaften der Fahrzeughalter. Es wird somit klar, dass eine umfassende und differenzierte Strategie erforderlich ist, um die gewünschten Reduktionsziele zu realisieren.
Literatur Bearbeiten
- Stadt Frankfurt am Main, Statistisches Jahresbuch Frankfurt am Main 2021, https://frankfurt.de/service-und-rathaus/zahlen-daten-fakten/publikationen/statistisches-jahrbuch
- Masterplan 100 % Klimaschutz“ – Frankfurt am Main | Generalkonzept (Kurzfassung), https://frankfurt.de/themen/verkehr/verkehrsplanung/masterplan-mobilitaet
- PKW-Bestand in Deutschland laut ADAC: https://www.adac.de/news/pkw-bestand-deutschland/