Anreizsysteme für Bike Sharing – von der App-Idee zur Simulation

 

In vielen deutschen Städten sind Leihangebote für Fahrräder vorhanden. Das Angebot hat für den Kunden den Vorteil, dass er sein Fahrrad an der nächsten Straßenecke von seinem Startort entfernt ausleihen und nach seiner Fahrt an einem (fast) beliebigen Ort wieder abstellen kann.
In vielen Fällen wird das Angebot als Kunde verwendet, um z.B. von zu Hause zu einem Event in der Stadt oder genau den entgegengesetzten Weg zu fahren. Für die Anbieter führt dieses Verhalten allerdings auch zu Problemen. Die Fahrräder sind nicht gleichverteilt in der Stadt und so kann es zu Engpässen in bestimmten Gebieten kommen.

Dominik wollte sich in seiner Masterarbeit in Kooperation mit dem Bike-Sharing-Anbieter “nextbike” genau mit diesem Thema beschäftigen und eine App entwickeln, um das beschriebene Problem für Kunden in Dresden zu lösen. Im Video ist die gesamte Geschichte als Talk von Dominik zu sehen und auch der Grund vorgestellt, wie aus der App-Idee dann schließlich eine Simulation wurde.

Falsche Idee in die richtige Richtung

Die initiale Idee von Dominik für seine Masterarbeit war es, eine App zu entwickeln, welche auf Basis von preislichen Anreizen das Anfahren bestimmter, ansonsten nicht so oft frequentierter Zielorte durch Kunden ermöglicht. Dies sollte bewirken, dass die Fahrräder aktiv über die ganze Stadt verteilt werden und nicht nur in hoch frequentierten Bereichen verfügbar sind. Das Partnerunternehmen nextbike war allerdings von der Idee einer App nicht gänzlich überzeugt und befürchtete zu viel zusätzliche Komplexität für seine Kunden, hatte aber Interesse, das Verhalten von Kunden und die Auswirkung von preislichen Anreizen zu untersuchen.
Dadurch entstand die Idee, auf Basis von entsprechenden Daten von Dresden über einen bestimmten Zeitraum das Verhalten von Bike-Sharing-Kunden zu untersuchen. Dadurch sollten die möglichen Auswirkungen von preislichen Anreizen auf das Verhalten von Kunden mithilfe verschiedener Szenariensimulationen analysiert werden. Die Simulationen basieren auf verschiedenen Bereitschaftsleveln (0% – 9%) eines Kunden aufgrund eines preislichen Anreizes das Fahrrad und nicht die öffentlichen Verkehrsmittel zu verwenden. Das Ergebnis ist dabei der Wendepunkt, an dem vermehrt Fahrräder ausgeliehen werden bezogen auf die zugrundeliegende Bereitschaft eines Kunden. Ab diesem Wendepunkt ist höhere Ausleihquote und daraufhin bessere Verteilung der Fahrräder über die Stadt anzunehmen.

Informationssuche und graphische Darstellung

Der erste Schritt für das Verständnis eines Datensatzes ist die graphische Darstellung der Inhalte, um ein Gefühl für die Daten zu erhalten und damit weitere Analysen zu ermöglichen. Das nachfolgende Bild zeigt exemplarisch die Verteilung der Fahrräder über die Dresdener Innenstadt durch eine Grüneinfärbung. Je stärker der Grünton dabei ist, umso mehr Fahrräder sind zu diesem Zeitpunkt an der Stelle zu finden.

Im nächsten Schritt wurden die einzelnen Fahrten der Fahrräder genauer betrachtet, um weitere Informationen zu erhalten wie z.B. den Bewegungsradius und die Dauer von Fahrten. Hierfür wurden die Daten einzelner Fahrräder und die jeweils zurückgelegten Strecken genauer analysiert. Dadurch konnte die durchschnittliche Abstelldauer ermittelt und als Folge die Positionen in der Stadt herausgefunden werden an denen Fahrräder besonders lange stehen zwischen Fahrten.
So konnte  daraus abgelesen werden, dass an der Universität von Dresden und in der Innenstadt die Abstelldauer der Räder nicht lange ist, wohingegen in den außen liegenden Gebieten die Dauer deutlich höher ist. In diesen Bereichen können Fahrräder auch länger als fünf Tage zwischen ihren Einsätzen stehen.

Auf geht`s zur Simulation

Das beschriebene Problem könnte durch preisliche Vorteile für Kunden gelöst werden, indem beispielsweise kostenlose Fahrten für Kunden angeboten werden, wenn diese ein Fahrrad in ein Gebiet mit geringer Abstelldauer fahren, da dort in den meisten Fällen Fahrräder fehlen. Dieses System könnte dafür z.B. in einer Nahverkehrs-App integriert werden, sodass der Kunde neben den öffentlichen Verkehrsmitteln (Bus, Bahn, U-Bahn) auch kostenlose Fahrradfahrten angeboten bekommt, wenn das Ziel in einem entsprechenden Gebiet liegt.
Diese Hypothese sollte mittels einer Reihe von Simulationen mit verschiedenen Konfigurationen und Werten untersucht werden. Die gewählte Basis ist dabei eine Monte-Carlo-Simulation.
Der Durchschnitt ist in komplexen Systemen mit vielen Abhängigkeiten nur bedingt aussagekräftig. Eine Monte-Carlo-Simulation kann genau in solchen Fällen helfen. In die modellierten Abhängigkeiten werden basierend auf der Normalverteilung Zufallszahlen eingegeben, die bei häufiger Wiederholung wieder den Durchschnitt ergeben. So erhält man zwar bei ausreichend Durchgängen am Ende wieder den Durchschnitt, aber kann eine genauere Aussage über die Verteilung der Ergebnisse treffen und mit welcher Wahrscheinlichkeit sie eintreten.

Für die Simulation wurden verschiedene Stufen von Bereitschaft eines Kunden angenommen. Bereitschaft heißt hier, dass der Kunde das Fahrrad anstelle eines anderen öffentlichen Verkehrsmittels zu verwendet.

Fazit

Als Ergebnis zeigte sich, dass bei Kunden mit einer niedrigen Bereitschaft (0% – 5%) nur wenige zusätzliche Ausleihen getätigt werden. Bei Kunden mit einer Bereitschaft von ca. 6% ist allerdings eine deutlich erhöhte Anzahl an Fahrrad-Ausleihen zu beobachten.
Zusammenfassend wurde festgestellt, dass das Konzept eines preislichen Anreizsystems sich ab einer Kundenbereitschaft von ca. 6% lohnt. Ab dem gefundenen Schwellwert werden mehr Fahrräder ausgeliehen und damit kann das Problem der nicht gleichverteilten Fahrräder über eine Stadt behoben werden.
Der beschriebene Ansatz befindet sich inzwischen auch bereits in der Verprobung durch den Anbieter nextbike (siehe https://www.nextbike.de/de/dresden/).