Klinger, Kenworthy und Lanzendorf (2013) verwendeten 23 Indikatoren für die Felder Raumstruktur, sozioökonomische Situation, Infrastruktur und Verkehrsangebote, mobilitätsbezogene Wahrnehmung und Bewertung sowie der realisierten Verkehrsnachfrage. Der dort verwendete Datenbestand basierte auf einer Vielzahl von Quellen verteilt über eine große Zeitspanne (1997 bis 2010). Die Daten der vorliegenden Analyse stammen dagegen aus weniger Quellen und sind zeitlich kohärenter (2017 bis 2020; vgl. Tabelle 1).

Die Ursprungsstudie wird ergänzt um einen Indikator der Topografie (Raumstruktur), der Bedeutung der Hochschulen (Sozioökonomie), der Carsharing-Mitgliedschaft (Verkehrsverhalten) und der politischen Dimension (Anteil der Partei Bündnis 90/DIE GRÜNEN bei der Bundestagswahl 2017).

Zum Vergleich parallel durchgeführte Faktorenanalysen zeigten nur für den Anteil der Partei DIE GRÜNEN interpretierbare Faktorladungen. Dies ist plausibel, da die verkehrspolitischen Positionen dieser Partei deutlich von den Positionen der anderen Parteien abweichen.

In der vorliegenden Untersuchung ausgeschlossen wurden die Mitgliederzahlen des Allgemeinen Deutschen Fahrrad-Clubs, da sie nicht verfügbar waren und gleichzeitig einen relativ geringen Erklärungswert bei Klinger, Kenworthy und Lanzendorf (2013: 25) hatten. Ausgeschlossen wurden auch die Preise der ÖPNV-Jahreskarte, da diese aufgrund unterschiedlicher Tarifmodelle schlecht vergleichbar sind. Die zwei dichotomen Variablen zu Bus und Straßenbahn werden durch die Variable Schienengestützter ÖPNV ersetzt.

Die Daten der MiD 2017 wurden anhand enthaltener Gewichtungsfaktoren auf die Bevölkerungsstruktur hochgerechnet. Ausgeschlossen wurden Personen mit mindestens einem Weg ab 100 Kilometer Entfernung, da der Schwerpunkt auf der kommunalen Verkehrsnachfrage und auf den kommunalen Einflussmöglichkeiten liegen soll.

Außerdem empfiehlt sich eine Analyse von Fernreisen, die sicher eine weitere Dimension von Mobilitätskulturen darstellen, aufgrund geringer Fallzahlen auf der Ebene der einzelnen Städte weder mit dem Datensatz der Stichtage noch mit dem Zusatzmodul der Fernreisen.

Im Datensatz (44 von 81 deutschen Großstädten) sind Städte der alten Bundesländer, große Großstädte und damit verbunden Städte mit hoher Siedlungsdichte überrepräsentiert. Die Arbeitslosigkeit ist unterdurchschnittlich, das durchschnittliche Haushaltseinkommen entsprechend überdurchschnittlich. Die Stichprobe der vorangehenden Studie weist ebenfalls relevante Verzerrungen auf (Klinger/Kenworthy/Lanzendorf 2013: 25). Die Städte auf Basis der MiD 2017 haben einen wohlhabenden, süddeutschen Schwerpunkt. Die Städteauswahl von Klinger, Kenworthy und Lanzendorf (2013) war besonders auf Nordrhein-Westfalen orientiert.

Ebenso wie die Indikatorenauswahl wird die Methodik der Typologisierung an Klinger/Kenworthy/Lanzendorf (2013) angelehnt.

Für die Clusterbildung (vgl. Tabelle 3) als besonders wichtig erweisen sich die Faktoren „Metropolitane Prägung“ ((sehr) deutliche Abweichungen der durchschnittlichen Faktorwerte von 0 in den Clustern I, III und IV)

Als sehr deutliche Abweichungen werden Faktorwerte bei einem Absolutwert von mindestens 1,0, als deutliche Abweichungen Absolutwerte ab 0,5 bis unter 1,0 bezeichnet.

Bei dieser verkehrsbezogenen Typologie sind ergänzend zur Beschreibung der zentralen Faktorwerte die clusterspezifischen Kenngrößen des Verkehrsverhaltens von Interesse (vgl. Tabelle 4). Dabei sind in die Faktoren- und Clusterbildung bereits mehrere Indikatoren des kurz- und mittelfristigen Verkehrsverhaltens (Variablen 21 bis 27, vgl. Tabelle 1) eingegangen. Sie können die Clusterlösung aber aufgrund der geringen Anzahl der Variablen (7 von 27) und ihrer teilweise hohen Korrelationen nicht dominieren. Entsprechend ist mit der Clusterbildung noch keine Aussage über die Trennschärfe der Cluster für das Verkehrsverhalten getroffen. Zusätzlich werden hier auch die verkehrsmittelspezifischen Distanzen betrachtet, die in der Faktoren- und Clusteranalyse nicht berücksichtigt wurden.

Die Cluster der Großstädte unterscheiden sich in Motorisierungsquoten und der Verkehrsmittelnutzung deutlich. Die deutlichsten Unterschiede betreffen die Fahrradnutzung (Spanne zwischen Cluster III und V bei Wegehäufigkeiten 96 % des Mittelwerts, bei Distanzen 80 %). Die Spanne der Motorisierungsquoten beträgt zwischen den Metropolen und den kleineren Großstädten mit negativem Fahrradklima 29 %, in der Wegehäufigkeit im motorisierten Individualverkehr sogar 41 % des Mittelwertes. Bei insgesamt nur geringen Unterschieden in den Gesamtdistanzen sind die Unterschiede in den klimarelevanten MIV-F-Distanzen mit 28 % deutlich geringer als bei der MIV-F-Wegehäufigkeit. Zu den Clustern im Einzelnen:

In Cluster I „Metropolen mit geringer Orientierung am Privat-Pkw“ korrespondieren die geringste Motorisierungsquote und MIV-Nutzung mit der höchsten ÖV-Nutzung (jeweils Wegehäufigkeit und Distanzen). Die Gesamtdistanzen entsprechen dem Mittelwert aller betrachteten Städte, bei geringeren Distanzen mit dem motorisierten Individualverkehr und höheren im öffentlichen Verkehr. In diesem Cluster finden sich die sechs größten Städte Deutschlands, die zumindest teilweise als Beispiele eines guten ÖPNV gelten.

Im Cluster II „Privat-Pkw-orientierte größere Großstädte“ sind die Motorisierungsquote und die MIV-F-Nutzung deutlich höher als im Cluster I und höher als im Durchschnitt der untersuchten Städte. Die ÖV-Nutzung fällt dagegen deutlich ab und liegt kaum höher als in den beiden folgenden Clustern überwiegend kleinerer Städte. Das Fahrrad spielt eine leicht unterdurchschnittliche Rolle.

In den Städten des Clusters III „Kleinere Großstädte mit negativem Fahrradklima“ ist die Fahrradnutzung topografisch erschwert und mit Abstand am geringsten. Umgekehrt sind die Motorisierungsquote sowie die Wegehäufigkeiten und Distanzen mit dem motorisierten Individualverkehr am höchsten.

Cluster IV „Kleinere Großstädte mit positivem Fahrradklima und geringer universitärer Prägung“ grenzt sich gegenüber den Clustern I bis III durch die hohe Fahrradnutzung ab. Wie bei kleineren Städten zu erwarten, ist die Motorisierungsquote höher als in den größeren Städten der Cluster I und II. Gleichzeitig sind die Motorisierungsquote, die Anzahl der Wege mit dem motorisierten Individualverkehr und zu Fuß geringer als im Cluster III (ebenfalls kleinere Großstädte). Die Städte dieses Clusters sind überwiegend eben, aber nicht universitär geprägt.

Das Cluster V „Universitätsstädte mit positivem Fahrradklima“ ähnelt in der Fahrrad‑, MIV- und ÖV-Nutzung dem Cluster IV. Die Anzahl der Fußwege ist aber höher und die Motorisierungsquote deutlich geringer. Der motorisierte Individualverkehr (Motorisierungsquote, Wegehäufigkeit, Distanz) spielt eine größere Rolle als in den Metropolen, aber eine geringere Rolle als in den Clustern II und III. Die Anzahl der Wege und die Distanzen pro Person und Tag sind geringfügig höher als in den anderen Clustern. In diesem Cluster finden sich fast alle kleineren Städte, die in Deutschland als gute Beispiele des Radverkehrs oder des Verbundes von Fuß‑, Rad- und öffentlichem Verkehr gelten.

Die Replikation der Studie von Klinger, Kenworthy und Lanzendorf (2013) mit einem weitgehend parallelen und aktualisierten, teilweise ergänzten Datensatz führt zu einer ähnlichen Faktorenstruktur. Beobachtete Abweichungen sind gut nachvollziehbar. Die Faktoren „Wohlstand“ und „Fahrradklima“ beider Untersuchungen stimmen weitgehend überein. Die Variablen der Faktoren „Dichte und Orientierung am Öffentlichen Verkehr“ sowie „Metropolitaner Charakter“ von Klinger, Kenworthy und Lanzendorf (2013: 25) finden sich hier verbunden im Faktor „Metropolitane Prägung“.

Die neue Variable der Carsharing-Haushalte fügt sich in den Faktor „Metropolitane Prägung“ ein, die Variable der Topografie in den Faktor „Fahrradklima“. Der Faktor „Wohlstand“ wird ergänzt durch die neue Variable Stimmenanteil der Partei Bündnis 90/DIE GRÜNEN. Diese gehört gemeinsam mit der neuen Variablen der Studentenquote zusätzlich zum neuen Faktor „Studentische Prägung“. Für den ebenfalls neu gebildeten Faktor „Orientierung am Privat-Pkw“ spielt die ergänzte Variable der Carsharing-Haushalte eine Rolle. Diese fünf Faktoren sind nach dem Screetest belastbar und gleichzeitig schlüssig zu interpretieren.

Die neuen Analysen ergeben eine schlüssige Faktorenstruktur mit ähnlichen Ergebnissen für die drei stärksten Faktoren und zwei plausibel zu interpretierende weitere Faktoren. Die Faktorenanalyse beschreibt die quantitativen Zusammenhänge zwischen den Variablen aus den sechs Feldern Gebaute Stadt, Sozioökonomische Situationen, Lebensstile und Milieus, Infrastruktur und Verkehrsangebot, Individuelle Bewertung der Verkehrsangebote sowie kurz- und mittelfristiges Verkehrsverhalten im Sinne des theoretischen Ansatzes der Mobilitätskulturen (Deffner/Götz/Schubert et al. 2006). Dabei weisen drei der fünf Faktoren auf plausible Kausalketten zwischen Merkmalen der gebauten Stadt und der sozioökonomischen Situation sowie den vermutlich abhängigen Merkmalen des kurz- und mittelfristigen Verkehrsverhaltens hin: Die Einwohnerzahl im Faktor „Metropolitane Prägung“ erklärt eine höhere ÖV-Nutzung und eine geringere MIV-Orientierung. Dabei liegt eine vermittelt kausale Interpretation nahe. Die Einwohnerzahl bildet die Basis einer höheren Siedlungsdichte und damit die Basis für weniger Raum im Pkw-Verkehr und für bessere ÖPNV-Angebote. Diese führen zu höheren Wegehäufigkeiten mit dem öffentlichen Verkehr und zu Fuß sowie einer geringeren Motorisierungsquote und MIV-Nutzung. Im Faktor „Fahrradklima“ erklärt die ebene Topografie eine höhere Fahrradnutzung und gegenläufig einen schwächeren motorisierten Individualverkehr. Im Faktor „Studentische Prägung“ hängen hohe Studentenquote und höhere Wegehäufigkeiten zu Fuß zusammen, erneut gegenläufig zum motorisierten Individualverkehr. Im Faktor „Wohlstand“ verbinden sich die sozioökonomischen Variablen dagegen nicht mit der Verkehrsmittelnutzung oder der Motorisierungsquote, dafür aber mit der Größe der genutzten Pkw (bei höherem Wohlstand mehr Pkw mit größerem Hubraum). Dies sollte den Blick auf die höheren Energieverbräuche und Emissionen großer Fahrzeuge lenken, die in der auf die Verkehrsmittelnutzung fokussierten Debatte leicht übersehen werden. Der Faktor „Orientierung am Privat-Pkw“ weist zusätzlich auf einen Zusammenhang zwischen eingeschränkten Bedingungen für den Privat-Pkw und einer höheren Akzeptanz des Carsharings hin.

Die Clusteranalyse führt zu einer ähnlichen Typologie wie bei Klinger, Kenworthy und Lanzendorf (2013: 25). Die Abweichungen sind gut nachvollziehbar. Das Cluster „Metropolen mit geringer Orientierung am Privat-Pkw“ stimmt mit dem Cluster „ÖV-Metropolen“ der Ausgangsstudie weitgehend überein. Die neue Variable der Studentenquote führt zur Aufteilung des Clusters „Fahrradstädte“ der Ursprungsstudie in die Cluster „Kleinere Großstädte mit positivem Fahrradklima und geringer universitärer Prägung“ sowie „Universitätsstädte mit positivem Fahrradklima“ (ähnlich bei Aldred/Jungnickel (2014) sowie Scheiner/Witte (2013)). Das Cluster „Pkw-orientierte Städte“ der Ursprungsstudie ähnelt dem Cluster „Kleinere Großstädte mit negativem Fahrradklima“. Die Städte der jeweiligen Cluster weisen in beiden Studien stärkere Höhenunterschiede auf. Obwohl Klinger, Kenworthy und Lanzendorf (2013) die Topografie nicht berücksichtigt haben, bildet sich dieses Cluster entlang der Variablen des Radverkehrs.

Die übrigen Cluster unterscheiden sich zwischen den Studien, nicht zuletzt durch die abweichende Methodik.

Die Cluster wurden in der Studie von Klinger, Kenworthy und Lanzendorf (2013) auf Basis der 23 Ausgangsvariablen und nicht auf Basis der sechs Faktoren gebildet. Damit war die Voraussetzung der Unabhängigkeit der zugrunde liegenden Variablen für eine Clusteranalyse nicht gewährleistet.

In den Metropolen (Cluster I) ist der öffentliche Verkehr ein starker Konkurrent des motorisierten Individualverkehrs, dessen Fläche gleichzeitig deutlich beschränkt ist. Da die meisten Metropolen in Deutschland weitgehend eben sind, ist das Fahrrad für kürzere Wege eine gute Alternative. In den Privat-Pkw-orientierten größeren Großstädten (Cluster II) ist der öffentliche Verkehr dagegen deutlich schwächer als in den Metropolen, ohne dass die Flächen für den motorisierten Individualverkehr so eingeschränkt sind. Das Fahrrad ist etwas schwächer, teils topografisch bedingt, teils aufgrund geringerer Einschränkungen des motorisierten Individualverkehrs. Obwohl die Großstädte der Cluster III bis V deutlich kleiner sind als in Cluster II, nimmt die Bedeutung des öffentlichen Verkehrs nur noch leicht ab. In den topografisch bewegten kleineren Großstädten mit negativem Fahrradklima dominiert der MIV‑F am stärksten. Das Fahrrad hat nur geringe Bedeutung. Dagegen kann das Fahrrad in den überwiegend ebenen Großstädten mit positivem Fahrradklima (Cluster IV und V) die geringe Bedeutung des öffentlichen Verkehrs teilweise auffangen. Dies gilt insbesondere für die Universitätsstädte des Clusters V.

Dabei gehören die meisten der in Deutschland diskutierten Beispiele guter Verkehrsplanung zu nur zwei Clustern: Die vorrangigen Beispiele eines guten ÖPNV (Berlin, Hamburg und München) befinden sich im Cluster I der Metropolen mit geringer Orientierung am Privat-Pkw. Die weiteren häufig diskutierten Beispiele befinden sich im Cluster V „Universitätsstädte mit positivem Fahrradklima“. Sie zeichnen sich durch einen starken Radverkehr (vor allem Münster) oder durch einen starken Radverkehr und öffentlichen Verkehr aus (Bonn, Freiburg im Breisgau, Heidelberg, Karlsruhe).

Im Hinblick auf das Thema Verkehrswende bilden geringe MIV-F-Distanzen den Leitindikator guter Beispiele. Diese unterscheiden sich zwischen den Clustern aber deutlich weniger als die Wegehäufigkeiten mit öffentlichem Verkehr und Fahrrad und auch weniger als die Wegehäufigkeiten im MIV‑F (relative Spannweite zwischen Cluster I und Cluster III 28 % des Mittelwertes der MIV-F-Distanzen gegenüber 41 % der MIV-F-Wegehäufigkeit). Dabei stellen Einwohnerzahl, Topografie und Studentenquote weitgehend unverrückbare Rahmenbedingungen der kommunalen Verkehrsplanung und -politik dar. Die Typisierung verdeutlicht, wie wichtig für die Diskussion über die möglichen Wirkungen kommunaler Verkehrspolitiken daher die vorherige Einordnung der jeweiligen Städte in eine solche Typologie ist. Effekte kommunaler Verkehrsplanung und -politik zeigen sich eher zwischen den Städten innerhalb eines Clusters als zwischen den Clustern (vgl. Kapitel 4.2).

Gleichzeitig regen die hier identifizierten Cluster (z. B. „Metropolen mit geringer Orientierung am Privat-Pkw“ oder „Universitätsstädte mit positivem Fahrradklima“), aber auch die Konstellationen, die sich unter deutschen Großstädten nicht beobachten lassen (z. B. Metropolen mit starken Höhenunterschieden, Metropolen geringer Dichte oder eine kleinere ÖPNV-geprägte Großstadt) die Frage nach jeweils spezifischen Konzepten an: für Städte mit Höhenunterschieden, für kleinere Großstädte, für Metropolen oder auch für Städte mit einer studentisch geprägten Bevölkerung, die möglicherweise MIV-einschränkende Konzepte eher akzeptiert.

Die vorgestellte Typologie städtischer Mobilitätskulturen fasst auf der Basis der MiD 2017 und weiterer Daten einander ähnliche Großstädte zu Clustern zusammen. An die Unterschiede zwischen diesen Typen schließt sich die Frage nach Unterschieden innerhalb dieser Typen an. Ein solcher Vergleich kann den kommunalen Beitrag zur Verkehrswende besser einordnen und eventuell bisher unerkannte Beispiele erfolgreicher Verkehrspolitik in den Clustern II und III mit schwierigen Rahmenbedingungen identifizieren. In anschließenden Analysen kann auch überprüft werden, ob sich Unterschiede im Verkehrsverhalten der Bevölkerung in unterschiedlichen Städten gleicher Cluster aus differenzierteren Merkmalen des ÖPNV-Angebots (z. B. Netzlänge, Takt, Tarif), des motorisierten Individualverkehrs (z. B. Parkgebühren) oder des Radverkehrs (z. B. Netzlänge hochwertiger Radverkehrsanlagen) erklären lassen.

Der hier vorgestellte typisierende Ansatz lässt sich auf der Grundlage des gleichen Datensatzes durch Regressionsanalysen oder Strukturgleichungsmodelle ergänzen. Als unabhängige Variablen können die Variablen dienen, die innerhalb der Faktoren als Einflussgrößen auf die Verhaltensindikatoren interpretiert wurden (Einwohnerzahl, Studentenquote, Topografie, aber auch andere wie die Siedlungsdichte und die ÖPNV-Systeme). Anschließende Ausreißeranalysen können die Einordnung von Städten zu guten oder schlechten Beispielen weiter absichern. In diesem Kontext lohnt es sich auch, die Analysen der MiD um Analysen der Erhebung Mobilität in Städten (SrV)

https://www.srv2018.de/ (27.09.2021).

Die Vergleiche der Cluster zeigen eine deutliche Parallelität von Motorisierungsquote (Datenbasis Kraftfahrt-Bundesamt) und Verkehrsmittelnutzung (Datenbasis MiD), aber im Vergleich der beiden fahrradfreundlichen Cluster IV und V bei ähnlicher Verkehrsmittelnutzung deutliche Unterschiede der Motorisierung. Daran anschließend sehen wir offene Forschungsfragen und Analysemöglichkeiten zur Höhe und Entwicklung der Motorisierungsquote ohne die stichprobenbedingte Beschränkung auf ausgewählte Großstädte. Denn die Daten des Kraftfahrt-Bundesamtes bieten auf kommunaler Ebene und aggregierbar zu Regionen weitgehend stabile Zeitreihen der Grundgesamtheit für alle Städte und Gemeinden. So lassen sich unter Berücksichtigung von Kontrollvariablen Städte und Gemeinden oder Regionen suchen, die eine auffallend geringe Motorisierung aufweisen oder deren Entwicklung von der allgemeinen Motorisierungszunahme entkoppelt ist. Gleichzeitig können diese Daten zeigen, ob und wie sich Entwicklungen in Kernstädten und umgebenden Regionen unterscheiden – und dies jeweils ohne die Stichprobenbegrenzungen der sonst genutzten Haushaltsbefragungen.

Am Ende betonen wir zwei Punkte: Die hier vorgestellte Typisierung unterstreicht aus unserer Sicht, dass ‚verkehrsexterne Faktoren‘ für die Verkehrsnachfrage der Wohnbevölkerung von Städten eine sehr wichtige Rolle spielen. Dagegen tendieren deskriptive Städtevergleiche dazu, die Wirkungsmöglichkeiten kommunaler Verkehrspolitik erheblich zu überschätzen. Andererseits kann die Orientierung an einer solchen Typologie ein ganz anderes Gegenargument zu Vergleichen entschärfen: „Bei uns ist alles anders!“ So ist wahrscheinlich die Gegenüberstellung von Leverkusen und Ingolstadt instruktiver als der Vergleich von Leverkusen mit Berlin oder Münster.