On-Demand-Ridepooling als Beitrag zu Mobilitätswende und Daseinsvorsorge : Erkenntnisse zum Status quo in Deutschland und Entwurf einer Systemtypologie

Der vorliegende Bericht enthält Statistiken zu Bedienzeiten, Angebotsstandards, Bezahloptionen, etc. von 60 im Jahr 2022 erfassten On-Demand-Ridepooling Systemen, sowie Antworten aus einer Befragung von 33 Systembetreibern zu ihren Flottengrößen, Genehmigungsgrundlage und Auflagen, Geschlechtergerechtigkeit, Zielgruppen und vielem mehr. Aufbauend auf der Analyse dieser Daten wird eine Systemtypologie entworfen. Für die neun differenzierten Typen werden jeweils idealtypische Systemcharakteristika skizziert, ihre Nützlichkeit aus ökologischer und sozialer Perspektive beleuchtet und ein Beispielsystem vorgestellt. Für die Sicherung und Steigerung der Daseinsvorsorge im ländlichen Raum stellen demnach insbesondere Systeme, die eine flächendeckende Bedienung ländlicher Gebiete bei geringen Bedienstandards leisten, eine zielführende Option dar (Typ Ländlich 1). Ein Beitrag zur Mobilitätswende im ländlichen Raum ist insbesondere durch eine wabenartige Bedienung von Gebieten rund um Knotenpunkte von Schnellverbindungen des Regionalverkehrs mit Schnellbussen und SPNV möglich (Typ Regional 2). Für den urbanen Raum scheint eine hochqualitative Bedienung mit preislichem Abstand zum ÖPNV die größten Potenziale zu bieten (Typ Urban 2), da diese Charakteristika den Anteil substituierter Fahrten mit dem MIV erhöhen und den Anteil des ersetzten Umweltverbundes senken. Der Bericht zeigt, dass On-Demand-Ridepooling eine wichtige Rolle bei der Transformation der heutigen, privat organisierten und extrem ressourcenintensiven Automobilität in Richtung einer wesentlich nachhaltigeren, geteilten Automobilität leisten kann. Die größte Hürde liegt derzeit in den Systemkosten, die großteils durch das Fahrpersonal entstehen. Skaleneffekte und autonomes Fahren könnten hier Fortschritte bringen. Zudem wären erhebliche Erkenntnisfortschritte zu erfolgversprechenden Systemausgestaltungen für verschiedene Einsatzkontexte möglich, wenn alle verfügbaren Daten gebündelt ausgewertet werden könnten.