SpringerLink
Log in

Die Verbindung zwischen Verkehrsplanung und sozialen Netzwerken

  • Living reference work entry
  • First Online:
Handbuch Netzwerkforschung

Part of the book series: Netzwerkforschung ((NETZFO))

  • 52 Accesses

Zusammenfassung

Seit nunmehr rund 20 Jahren werden die Methoden der sozialwissenschaftlichen Netzwerkforschung in der Verkehrsplanung angewendet. Die entsprechenden Datensammlungen und -analysen zielen vor allem auf Ansätze zur Erklärung des Freizeitverkehrs. Dieser Verkehrszweck stellt eine Herausforderung dar, da die entsprechenden Wege und Aktivitäten häufig durch soziale Kontakte beeinflusst sind und zumindest in Teilen anderen Einflussfaktoren unterliegen als andere Wegezwecke. Um diesen Anwendungsbereich der Methoden der sozialwissenschaftlichen Netzwerkforschung vorzustellen, wird zunächst die Genese derartiger Untersuchungen in der Verkehrsplanung aufgezeigt. Anschließend wird eine internationale Vergleichsstudie vorgestellt, die sich insbesondere mit Fragen der räumlichen Entfernung zwischen den Wohnorten der verbundenen Personen, ihren Interaktionsfrequenzen und den dabei verwendeten Kontaktmodi beschäftigt. Abschließend wird die Möglichkeit der Einbindung sozialer Interaktionen in agentenbasierte Verkehrssimulationen und damit das Potenzial zur Verbesserung von Verkehrsprognosen diskutiert.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution

Institutional subscriptions

Similar content being viewed by others

Notes

  1. 1.

    Die einzelnen in diesem Beitrag vorgestellten Datensammlungen und Projekte sind durch verschiedene Förderungen ermöglicht worden, für die wir uns bedanken. In Toronto, die Social Science and Humanities Research Council of Canada und die GRAND Network of Centres of Excellence. In Concepción, der Chilean Fund for Research Centers in Prioritary Areas, CONICYT/FONDAPCEDEUS (Fördernummer 1511020). In der Schweiz, die Volkswagen Stiftung (Fördernummer I/82 714). In Japan, die Japan Society for the Promotion of Science (Fördernummer 17K14737).

Literatur

  • Arentze, T., und H. Timmermans. 2008. Social networks, social interactions, and activity-travel behavior: A framework for microsimulation. Environment and Planning. B, Planning & Design 35(6): 1012.

    Article  Google Scholar 

  • Arentze, T. A., M. Kowald, und K. W. Axhausen. 2013. An agent-based random-utility-maximization model to generate social networks with transitivity in geographic space. Social Networks 35(3): 451–459.

    Article  Google Scholar 

  • Axhausen, K. W. 2005. Social networks and travel: Some hypotheses. In Social dimensions of sustainable transport: Transatlantic perspectives, 90–108. Aldershot: Ashgate.

    Google Scholar 

  • Bundesamt für Statistik (BFS). 2017. Verkehrsverhalten der Bevölkerung: Ergebnisse des Mikrozensus Mobilität und Verkehr 2015. Neuchâtel: BFS.

    Google Scholar 

  • Bureau of Transportation Statistics. 1995. Nationwide personal transportation survey 1995. http://www.transtats.bts.gov/DL_SelectFields.asp?Table_ID=1036&DB_Short_Name=NPTS

  • Carrasco, J. A. 2006. Social activity-travel behaviour: A personal network approach, Dissertation. University of Toronto.

    Google Scholar 

  • ———. 2011. Personal network maintenance, face-to-face interaction, and distance: Role of availability and use of information and communication technologies. Transportation Research Record. SAGE Publications, Los Angeles 2231(1): 120–128.

    Google Scholar 

  • Carrasco, J. A., und B. Cid-Aguayo. 2012. Network capital, social networks, and travel: An empirical illustration from Concepción, Chile. Environment and Planning A. SAGE Publications 44(5): 1066–1084.

    Google Scholar 

  • Carrasco, J. A., und E. J. Miller. 2006. Exploring the propensity to perform social activities: A social network approach. Transportation. Springer 33(5): 463–480.

    Google Scholar 

  • Carrasco, Juan A., E. J. Miller, und Barry Wellman. 2008. How far and with whom do people socialize? Empirical evidence about the distance between social network members. Transportation Research Record 2076:114122.

    Article  Google Scholar 

  • Dubernet. 2017. Explicitly correlating agent’s daily Plans in a multiagent transport simulation – Towards the consideration of social relationships. Zürich: Doktorarbeit, ETH Zürich.

    Google Scholar 

  • Dugundji, E. R., und L. Gulyás. 2008. Sociodynamic discrete choice on networks in space: Impacts of agent heterogeneity on emergent outcomes. Environment and Planning B: Planning and Design. SAGE Publications London 35(6): 1028–1054.

    Google Scholar 

  • Dugundji, E. R., A. Páez, und T. Arentze. 2008. Social networks, choices, mobility, and travel. Environment and Planning B: Planning and Design. SAGE Publications 35(6): 956–960.

    Google Scholar 

  • Frei, A., und K. W. Axhausen. 2007. Size and structure of social network geographies. Arbeitsbericht Verkehrs-und Raumplanung. ETH Zurich: 444.

    Google Scholar 

  • Goetzke, F. 2008. Network effects in public transit use: Evidence from a spatially autoregressive mode choice 945 model for New York. Urban Studies. Sage Publications 45(2): 407–417.

    Google Scholar 

  • Guidon, S., M. Wicki, T. Bernauer, und K. W. Axhausen. 2018. Explaining socially motivated travel with social network analysis: survey method and results from a study in Zurich, Switzerland. Transportation Research Procedia 32(2018): 9–109.

    Google Scholar 

  • Hackney, Jeremy K., und Fabrice Marchal. 2009. A model for coupling multi-agent social interactions and traffic simulation. Arbeitsbericht Verkehrs-und Raumplanung. ETH Zurich: 516.

    Google Scholar 

  • Hogan, Bernie, Juan A. Carrasco, und Berry Wellman. 2007. Visualizing personal networks: Working with participant-aided sociograms. Field Methods 19:116–144.

    Article  Google Scholar 

  • Horni, A., K. Nagel, und K. W. Axhausen. 2016. The multi-agent transport simulation MATSim. London: Ubiquity Press.

    Book  Google Scholar 

  • Kim, J., S. Rasouli, und H. Timmermans. 2014. Expanding scope of hybrid choice models allowing for mixture of social influences and latent attitudes: Application to intended purchase of electric cars. Transportation Research Part A: Policy and Practice. Elsevier 69:71–85.

    Google Scholar 

  • Kim, J., S. Rasouli, und H. J. Timmermans. 2018. Social networks, social influence and activity-travel 981 behaviour: A review of models and empirical evidence. Transport Reviews, Taylor & Francis 38(4): 499–982 523.

    Google Scholar 

  • Kowald, M., und K. W. Axhausen. 2012. Focusing on connected personal leisure networks: Selected results from a snowball sample. Environment and Planning-Part A 44(5): 1085.

    Article  Google Scholar 

  • Kowald, M., P. van den Berg, A. Frei, J. A. Carrasco, T. Arentze, K. W. Axhausen, D. Mok, H. Timmermans, und B. Wellman. 2013. Distance patterns of personal networks in four countries: A comparative study. Journal of Transport Geography 31:236–248.

    Article  Google Scholar 

  • Kowald, M., T. A. Arentze, und K. W. Axhausen. 2015. Individuals’ spatial social network choice: Model-based analysis of leisure-contact selection. Environment and Planning B: Planning and Design. SAGE Publications 42(5): 857–869.

    Google Scholar 

  • Larsen, Jonas, John Urry, und Kay W. Axhausen. 2006. Mobilities, networks, geographies. Aldershot: Ashgate.

    Google Scholar 

  • Maness, M., und C. Cirillo. 2012. Measuring future vehicle preferences: Stated preference survey approach 999 with dynamic attributes and multiyear time frame. Transportation Research Record 2285(1): 100–109.

    Google Scholar 

  • Moore, J., J.-A. Carrasco, und A. Tudela. 2013. Exploring the links between personal networks, time use, and the spatial distribution of social contacts. Transportation 40(4): 773–788.

    Article  Google Scholar 

  • Nobis, Claudia, und Tobias Kuhnimhof. 2019. Mobilität in Deutschland – MiD Ergebnisbericht, Studie von infas, DLR, IVT und infas 360 im Auftrag des Bundesministeriums für Verkehr und digitale Infrastruktur, Berlin.

    Google Scholar 

  • Ortuzar, Juan de Dios, und Luis G. Willumsen. 2001. Modelling transport. Chichester: Wiley.

    Google Scholar 

  • Páez, A., und D. M. Scott. 2007. Social influence on travel behavior: A simulation example of the decision to telecommute. Environment and Planning A. SAGE 39(3): 647–665.

    Google Scholar 

  • Páez, A., D. M. Scott, und E. Volz. 2008. A discrete-choice approach to modeling social influence on individual decision making. Environment and Planning B: Planning and Design. SAGE 35(6): 1055–1069.

    Google Scholar 

  • Parady, G. T., G. Katayama, H. Yamazaki, T. Yamanami, K. Takami, und N. Harata. 2019a. Analysis of social networks, social interactions, and out-of-home leisure activity generation: Evidence from Japan. Transportation. Springer 46(3): 537–562.

    Google Scholar 

  • Parady, G. T., K. Takami, und N. Harata. 2019b. Personal networks and social interactions in the Greater Tokyo area: An exploratory analysis. Journal of JSCE 7(1): 193–206.

    Article  Google Scholar 

  • Parady, G. T., A. Frei, M. Kowald, S. Guidon, M. Wicki, P. van den Berg, T. Arentze, H. Timmermans, J. A. Carrasco, B. Wellman, K. Takami, N. Harata, und K. W. Axhausen. 2021. A comparative study of contact frequencies among social network members in five countries. Journal of Transport Geography 90:102934.

    Article  Google Scholar 

  • Pike, S. 2014. Travel mode choice and social and spatial reference groups: Comparison of two formulations. Transportation Research Record. SAGE 2412(1): 75–81.

    Google Scholar 

  • Qian, Q., G. T. Parady, K. Takami, und N. Harata. 2019. Analyzing joint activities in Japan: Evidence from 1065 the survey on time use and leisure activities. Journal of Japan Society of Civil Engineers. Ser. D3 1066 (Infrastructure Planning and Management) 75(5): I_641–I_650. https://doi.org/10.2208/jscejipm.75.I_641.

  • Ronald, N., T. Arentze, und H. Timmermans. 2012. Modeling social interactions between individuals for joint activity scheduling. Transportation research part B: methodological. Elsevier 46(2): 276–290.

    Google Scholar 

  • Sharmeen, F., T. Arentze, und H. Timmermans. 2014. An analysis of the dynamics of activity and travel needs in response to social network evolution and life-cycle events: A structural equation model. Transportation Research Part A: Policy and Practice. Elsevier 59:159–171.

    Google Scholar 

  • Sun, Lijun, Kay W. Axhausen, Der-Horng Lee, und Manuel Cebrian. 2014. Efficient detection of contagious outbreaks in massive metropolitan encounter networks. Scientific Reports 4:5099. https://doi.org/10.1038/srep05099.

    Article  Google Scholar 

  • Van den Berg, P., T. Arentze, und H. Timmermans. 2009. Size and composition of ego-centered social networks and their effect on geographic distance and contact frequency. Transportation Research Record: Journal of the Transportation Research Board. Transportation Research Board of the National Academies (2135): 1–9.

    Google Scholar 

  • ———. 2012. A multilevel path analysis of contact frequency between social network members. Journal of Geographical Systems 14(2012):125–141.

    Google Scholar 

  • Van den Berg, P., A. Kemperman, und H. Timmermans. 2014. Social interaction location choice: A latent class modeling approach. Annals of the Association of American Geographers. Taylor & Francis 104(5): 959–972.

    Google Scholar 

  • Wulkow, Hanna, Tim Conrad, Nataša Djurdjevac Conrad, Sebastian A. Mueller, Kai Nagel, und Christof Schuette. 2020. Prediction of Covid-19 spreading and optimal coordination of counter-measures: From microscopic to macroscopic models to Pareto fronts. medRxiv. https://doi.org/10.1101/2020.12.01.20241885.

Download references

Author information

Authors and Affiliations

  1. Fachbereich Architektur und Bauingenieurwesen/Mobilitätsmanagement und Mobilitätsverhalten, Hochschule RheinMain, Wiesbaden, Deutschland

    Matthias Kowald

  2. Redwood Logistics, Chicago, USA

    Andreas Frei

  3. Berlin, Deutschland

    Thibaut Dubernet

Authors
  1. Matthias Kowald
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Andreas Frei
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Thibaut Dubernet
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Matthias Kowald .

Editor information

Editors and Affiliations

  1. Fachbereich Gesellschaftswissenschaften, Goethe University Frankfurt, Frankfurt am Main, Hessen, Deutschland

    Christian Stegbauer

  2. RWTH Aachen University, Aachen, Deutschland

    Roger Häußling

Rights and permissions

Reprints and permissions

Copyright information

© 2024 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this entry

Check for updates. Verify currency and authenticity via CrossMark

Cite this entry

Kowald, M., Frei, A., Dubernet, T. (2024). Die Verbindung zwischen Verkehrsplanung und sozialen Netzwerken. In: Stegbauer, C., Häußling, R. (eds) Handbuch Netzwerkforschung. Netzwerkforschung. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-37507-2_82-1

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-37507-2_82-1

  • Received:

  • Accepted:

  • Published:

  • Publisher Name: Springer VS, Wiesbaden

  • Print ISBN: 978-3-658-37507-2

  • Online ISBN: 978-3-658-37507-2

  • eBook Packages: Social Science and Law (German Language)

Publish with us

Policies and ethics

Search

Navigation