Thumbnail Image

Combining logistics decisions and latent factors for behavioral freight transport demand modeling

specification, operationalization and comparison of freight related latent segments in the case of shipment size choice

Piendl, Raphael

Transportation of commodities strongly affects the economic activities and welfare of today’s societies. However, freight transportation also causes relevant negative effects such as greenhouse gas emissions, noise and congestion. In general, freight transport demand models, which determine the number of trips between predefined origins and destinations and split according to different modes and/or vehicles, provide a crucial input for assessing positive and negative effects (by, e.g., cost-benefit analysis) of, e.g., policy measures and infrastructure investments. Nonetheless, the vast majority of existing comprehensive interregional freight transport demand models reveal a significant shortcoming as they treat logistics decisions in a rudimentary manner. Although logistics decisions and especially shipment size choice are broadly considered to be a valuable contribution to the realistic representation of interregional freight transport demand, most of current interregional freight transport demand models solely use observed transports as decision objects to estimate basic mode choice models. This is due to limited data availability. To address the challenges, this cumulative dissertation proposes an approach for shipment size modeling that is based upon the framework of total logistics costs which mathematically expresses the logistical calculus of the respective decision-makers. This microeconomic framework has two desirable properties: First, it ensures a behavioral-sensitive modeling in order to determine shipment size and enables the mapping of stakeholders’ reactions to external influences such as policy measures. Second, this framework contains only a limited number of key strategic parameters making it an appropriate choice due to the limited data availability. Obviously, the model constitutes a theoretical abstraction and thus is not able to fully account for the actual circumstances in reality. For this reason, methods originating from market research are used to develop a few homogeneous segments from a multiplicity of influencing factors. Using such an approach accounts for heterogeneity in an efficient and feasible manner. Generally, the scientific contribution of this cumulative dissertation at hand can be structured into different thematic clusters: First, deductive shipment size models based on the minimization of total logistics costs lead to the development of stable behavioral models. The latter are characterized by high explanatory power and only use a limited number of strategic parameters. This also accounts for the combined mode choice and shipment size choice model, where both decisions are connected by a multidimensional logit model. The second major contribution of this dissertation is to enrich the stable shipment size choice models by adding homogeneous segments derived using relevant characteristics of commodities and decision-makers. In a nutshell, the integration of data-driven segments into the shipment size choice models significantly increases the models’ explanatory power while decreasing their complexity. Moreover, data-driven segments are more powerful than classifications by public authorities regarding their in-sample and out-of-sample performance. Third, a machine-learning approach called the naïve Bayes classifier is used to exploit the shipment size choice and segmentation model derived from the survey in order to apply it to the population of interest. In the course of this approach, a simulation study demonstrates an increase of shipment sizes due to an increased penetration of ICT (information and communication technology). An additional simulation study deals with the effects of automation in transport and logistics on shipment size formation. The last major contribution deals with the transferability of the model’s results between Germany and France. Key strategic parameters for shipment size formation as well as segment composition reveal only small structural discrepancies. In summary, this cumulative dissertation bridges a substantial methodological gap of current interregional freight transport demand models by integrating a suitable key logistics decision and thus improves state-of-the-art cost-benefit analysis for transportation planning purposes in various ways. More specifically, the proposed modeling approach for shipment size choice, as crucial logistics decision, allows efficient exploitation of scarce data, which is a ubiquitous challenge in freight transport demand modeling. Further, the findings gained by applying data-driven segmentation techniques to shipment size choice reveal that freight-transport-related survey designs and commodity classifications provided by public authorities need to be revised. Finally, the successful transfer of the findings to a French dataset provides evidence that the modeling approach can be extensively applied to comprehensive interregional freight transport demand models.
Der Güterverkehr hat einen großen Einfluss auf die wirtschaftlichen Aktivitäten und den Wohlstand heutiger Gesellschaften. Jedoch bringt der Güterverkehr auch negative Effekte wie Treibhausgasemissionen, Lärm und Stau mit sich. Um positive und negative Effekte von Maßnahmen wie Infrastrukturinvestitionen, beispielsweise mittels einer Kosten-Nutzen-Analyse, zu bewerten, liefern Güterverkehrsnachfragemodelle einen äußerst wichtigen Beitrag, da sie zur verkehrsmittelfeinen Ermittlung von Verkehrsströmen auf Relationsebene dienen. Allerdings weist die überwiegende Mehrheit an aktuell eingesetzten überregionalen Güterverkehrsnachfragemodellen eine beträchtliche Schwachstelle auf, da sie logistische Entscheidungen nur rudimentär behandeln. Obwohl logistische Entscheidungen, insbesondere die Losgrößenwahl, allgemein als wertvolle Stellgrößen für eine realistische Abbildung der Güterverkehrsnachfrage gelten, werden in aktuell eingesetzten Güterverkehrsnachfragemodellen meist lediglich Verkehrsmittelwahlmodelle anhand von beobachteten Frachtaufträgen als Entscheidungsobjekt verwendet und nicht die beste Option in einem umfangreichen Belieferungsprozess modelliert. Diese Diskrepanz lässt sich vor allem durch einen Faktor erklären: eine limitierte Datenverfügbarkeit. Die vorliegende kumulative Dissertation befasst sich mit diesen herausfordernden Gegebenheiten. Dabei wird ein Modellierungsansatz zur Losgrößenwahl erarbeitet, der auf dem Prinzip der „Total Logistics Costs“-Minimierung und damit auf der Abbildung des logistischen Trade-offs zwischen Lagerhaltungs- und Transportkosten beruht. Dieses mikroökonomische Gerüst liefert einerseits die Basis für eine verhaltenssensitive Modellierung. Sie ermöglicht es, Reaktionen auf Veränderungen, etwa bedingt durch politische Maßnahmen, abzubilden. Andererseits zeichnet sich dieser Ansatz durch eine überschaubare Anzahl an Einflussfaktoren und somit realisierbaren Datenanforderungen aus. Nichtsdestotrotz können durch eine theoretische Abstraktion nicht sämtliche reale Gegebenheiten abgebildet werden. Hierbei kommen Methoden zum Tragen, die ihren Ursprung in der Marktforschung haben: die Bildung weniger verhaltenshomogener Gruppen aus einer Vielzahl an möglichen Einflussfaktoren. Dieses Vorgehen erlaubt es, der Heterogenität, die nicht durch den Verhaltenskern der „Total Logistics Costs“ abgefangen werden kann, in effizienter und praktikabler Art und Weise Rechnung zu tragen. Grundsätzlich kann der wissenschaftliche Beitrag der vorliegenden kumulativen Dissertation in unterschiedliche Aspekte gegliedert werden. Zuerst ist zu nennen, dass deduktive Losgrößenmodelle anhand der „Total Logistics Costs“-Minimierung zu stabilen Verhaltensmodellen führen, die sich durch einen hohen Erklärungsgehalt auszeichnen und mit wenigen strategischen Modellparametern auskommen. Diese Erkenntnisse gelten auch für ein kombiniertes Verkehrsmittel- und Losgrößenwahlmodell, das mittels eines mehrdimensionalen Logit-Modells geschätzt wird. Den zweiten großen Beitrag stellt die Anreicherung der stabilen Losgrößenwahlmodelle mit aus Mikrodaten abgeleiteten Segmenten dar. Dabei wird durchgängig eine signifikante Erhöhung des Erklärungsgehalts bei gleichzeitiger Komplexitätsreduktion durch die verwendeten Segmentierungsverfahren erreicht. Darüber hinaus verbessern datengetriebene Segmentierungen die in-sample und out-of-sample Performance im Vergleich zur offiziellen Standardklassifikation von Gütern. Drittens wird der Naïve Bayes Klassifikator aus dem Bereich des Machine Learning verwendet: Dieser ermöglicht den operativen Einsatz des Losgrößenwahlmodells mit datengetriebenen, homogenen Segmenten und somit zielgenaue politikrelevante Untersuchungen. Dabei wird mittels einer Simulationsstudie aufgezeigt, dass eine weitere Durchdringung von Informations-und Kommunikationstechnologie die gewählte Transportlosgröße tendenziell ansteigen lässt. In einer weiteren Simulationsstudie werden die Auswirkungen von Automatisierung im Transport und die des Umschlags auf die Losgrößenwahl untersucht. Der letzte grundlegende Beitrag dieser Dissertation besteht aus dem Vergleich von Modellergebnissen zwischen Deutschland und Frankreich und der Evaluation ihrer Übertragbarkeit. Sowohl die Einflüsse der strategischen Losgrößenparameter als auch die Zusammensetzung und der Einfluss der latenten Segmente weisen nur geringe strukturelle Abweichungen auf. Zusammenfassend ist festzuhalten, dass die vorliegende kumulative Dissertation eine wesentliche methodische Lücke von derzeitig verwendeten überregionalen Güterverkehrsnachfragemodellen schließt. Sie ermöglicht die Integration einer elementaren logistischen Entscheidung in überregionale Güterverkehrsnachfragemodelle und dadurch Bewertungsmethoden wie die Kosten-Nutzen-Analyse für transportplanerische Zwecke in mehrfacher Hinsicht zu verbessern. Der vorgestellte Ansatz ist trotz der allgegenwärtigen Datenrestriktionen in der Lage die Losgrößenwahl als zentrale logistische Entscheidung zu modellieren und somit die vorhandenen Daten effizient zu nutzen. Darüber hinaus zeigen die Ergebnisse der datengetriebenen Segmentierungsmethoden, dass eine Überarbeitung von güterverkehrsspezifischen Erhebungen und Standardklassifikationen im Bereich des Güterverkehrs angedacht werden sollte. Abschließend wird durch die erfolgreiche, länderübergreifende Ausweitung des Modellierungsansatzes eine unmittelbare Anwendung in überregionalen, umfassenden Güterverkehrsnachfragemodellen gestützt.