TU Darmstadt / ULB / TUbiblio

Statistische Analyse und Klassifikation der Standorte deutscher Logistikdienstleistungsunternehmen

Kuschel, Katja (2016):
Statistische Analyse und Klassifikation der Standorte deutscher Logistikdienstleistungsunternehmen.
TU Darmstadt, [Online-Edition: https://www.verkehr.tu-darmstadt.de/media/verkehr/fgvv/beruf...],
[Master Thesis]

Abstract

Logistische Knoten sind ein bedeutender Treiber des Güterverkehrs. So können Änderungen in der Logistik unmittelbar zu Änderungen des Güterverkehrs führen. In diesem Zusammenhang ist die Abbildung logistikbedingter Einflüsse auf den Gütertransport zu einem wichtigen Thema innerhalb der Verkehrsmodellierung geworden. Um zukünftige Entwicklungen im Bereich des Straßengüterverkehrs beschreiben zu können, werden Gütertransportmodelle benötigt. Für die Erstellung dieser Modelle sind Muster in den Verhaltensweisen deutscher Logistikdienstleistungsunternehmen zu identifizieren, da über die logistischen Knoten ein beträchtlicher Anteil der Gütertransporte abgewickelt wird. Innerhalb der Güterverkehrsmodellierung sind diese Knoten allerdings noch unzureichend untersucht. Um die logistischen Knoten in die Güterverkehrsmodelle integrieren zu können, sind Gemeinsamkeiten der Standorte, abhängig ihrer Nutzungsart, zu erkennen. Daher ist es Ziel dieser Arbeit, eine Klassifikation unterschiedlicher Logistikstandorte zu erarbeiten. Anhand dieser Klassifikation sollen Verhaltensweisen von Unternehmen zur Wahl ihrer Standorte besser erklärt werden. In anschließenden Arbeiten kann diese Klassifikation beispielsweise zur Ableitung von gruppenspezifischen Aufkommensraten genutzt werden. Für eine Klassifikation von Logistikstandorten bedarf es zu allererst einer Anzahl an Standorten, die untersucht werden können. Da ein amtlich erhobenes Verzeichnis, aus welchem Stichproben für die Erhebung von Verkehrskennzahlen gezogen werden können, nicht existiert, ist nur mittels empirischer Erhebung eine Erforschung des Gebietes möglich. Eine kostensparende Analyse der Logistikstandorte anhand von Sekundärdaten verhilft neue Erkenntnisse zu gewinnen. Um eine strukturierte und einheitliche Aufnahme von Daten zu ermöglichen, werden Merkmale und Kriterien benötigt, die die Logistikstandorte charakterisieren. Diese Merkmale sind logistikspezifisch, wie beispielsweise Flächeninformationen oder Hallenlayouts, verkehrsspezifisch, wie das Verkehrs- und Fahrtenaufkommen und betriebsspezifisch, wie die Anzahl der Mitarbeiter oder generierten Umsätze. Eine Literaturanalyse zu existierenden Arbeiten, die sich bereits mit diesem Thema beschäftigten, liefert eine Anzahl an Merkmalen, welche die Standorte am Besten beschreiben. Zusätzlich zu diesen Merkmalen sind in der Literatur auch Kennwerte angegeben, die die Standorttypen ausmachen. In Steckbriefen werden die sogenannten Standard-Standorttypen anhand der Merkmale charakterisiert. In erstem Teil der Arbeit ist diese Literatur, mitsamt der Merkmale, erläutert. Nach der Literaturrecherche beginnt die Arbeit mit der Aufnahme von logistischen Lokationen in Deutschland in einer Microsoft-Access-basierten Logistikstandort-Datenbank. Die Aufnahme der Daten unterliegt der Mindestanforderung einer Adresse. Aber die Füllung der Merkmale ist ebenfalls nicht zu vernachlässigen, um eine Zuordnung des entsprechenden Standorttyps anhand der in der Literatur definierten Standard-Standorttypen zu ermöglichen. Nun ist eine große Anzahl an Standorten vorhanden, die teilweise mit Merkmalen gefüllt sind. Doch wie sind diese Daten zu verarbeiten? Diese Frage klärt sich im nächsten Schritt. So gilt es statistische Methoden anzuwenden, die die Daten komprimieren und vergleichbar machen. Eine deskriptive statistische Analyse wird angewandt, um mit Hilfe von statistischen Kennwerten, Diagrammen, Grafiken und Tabellen die Merkmalseigenschaften innerhalb einer Stichprobe zu beschreiben. Hierdurch sollen Aussagen über die vorhandenen Objekte zum Erhebungszeitpunkt getroffen werden. Es gibt zwei unterschiedliche Arten von statistischen Merkmalen. So unterscheidet man zwischen qualitativen (auch als klassifikatorisch oder kategorial bezeichnet) und quantitativen (kardinalen oder metrischen) Merkmalen. Diese Merkmalsarten werden mit den statistischen Methoden verarbeitet. Lageparameter, wie Median, Modus oder arithmetisches Mittel, informieren über die zentrale Verteilung der Kennwerte. Streuungsparameter, wie Standardabweichung, Varianz oder Variationskoeffizient werden herangezogen, um die Streuung um den Mittelwert zu beurteilen. Somit werden durch die Streuungsparameter Aussagen über den Einfluss von Ausreißern möglich. Die Auswahl der Lage- und Streuungsparameter erfolgt in Abhängigkeit des vorliegenden Skalenniveaus des Merkmals. Der erste Teil der empirischen Auswertung enthält die Anwendung der statistischen Kennzahlen auf die Standorte mit hinterlegtem Standorttyp. Bei einigen Standorttypen wurde das Fehlen an erforderlichen Informationen durch zu wenige implementierte Daten erkannt. Aus diesem Grund sind im zweiten empirischen Teil alle Standorte der Datenbank in Abhängigkeit der Unternehmenstypen dargestellt. Marktberichte, Branchenreports und Analysen der Teilmärkte werden zur Hand genommen, um die Daten auf Unternehmensebene abzugleichen. Die Prüfung der Vollständigkeit, Abschätzung der Grundgesamtheit und Beurteilung der Repräsentativität stellen aufgrund der Unbekanntheit der Grundgesamtheit sich als Herausforderung dar. Noch unzureichend wurde das Gebiet der logistischen Standorte Deutschlands erfasst, um hier auf Aussagen zurückgreifen zu können. Mit induktiven statistischen Kennzahlen ist es möglich die Lage- und Streuungsparameter auf eine noch größere Datenmenge hochzurechnen und als Schätzwerte für eventuelle Verteilungen heranzuziehen. Ob dies mit tatsächlichen Werten übereinstimmt, ist durch empirische Erhebungen und Betrachtungen einzelner logistischer Bereiche noch durchzuführen. Im letzten Abschnitt der empirischen Ausarbeitung findet ein ausgewähltes strukturen-entdeckendes Verfahren Anwendung. Hierzu zählen Klassifikationsverfahren, die Objekte anhand der definierten Merkmale zusammenfassen. Um Standorte klassifizierbar zu machen, ist wieder das Heranziehen der qualitativen und quantitativen Kriterien erforderlich. Mehrere Klassifikationsverfahren sind theoretisch erläutert und für eine Anwendung auf die Standorte der Logistikstandort-Datenbank geprüft. Die Two-Step-Clusteranalyse ist geeignet, um kategoriale sowie stetige Objekte zu kategorisieren. Diese Klassifizierung dient der Verschlankung der Datenmengen mit dem Ziel der Erkennung typischer Standorttypen innerhalb der logistischen Teilbereiche. Die Clusterung erfolgt in Abhängigkeit der definierten Merkmale, wie beispielsweise der Anzahl der Fahrzeuge oder der Mitarbeiter am Standort sowie dem Standorttyp. 17 Merkmalskombinationen werden gebildet, die zuerst, auf alle Standorte mit hinterlegtem Standorttyp angewandt werden. Im zweiten Schritt erfolgt eine Differenzierung nach Unternehmenstyp. So ist die Two-Step-Clusteranalyse mit den 17 Merkmalskombinationen auf die sechs Unternehmenstypen Logistikdienstleister, Transportdienstleister, Umschlagdienstleister, Getränkedienstleister, Lebensmittellogistiker und KEP-Dienstleister angewendet. Als Ergebnis werden zum einen zu jedem Standorttyp Unternehmen mit typischen Kennwerten geliefert, die mit eigenen erhobenen Daten abgleichbar sind. Es sind die Unternehmen auszuwählen, die in mehreren Clustern vorkommen, da sie die meisten Merkmale hinterlegt haben. Zum anderen ist durch die Clusterbildung mit unterschiedlichen Merkmalskombinationen eine Prüfung der Zuordnung der Standorttypen zu gleichen oder unterschiedlichen Clustern möglich. So können die Standorttypen innerhalb eines Clusters auf Gemeinsamkeiten untersucht werden. Ebenfalls sind die Unterschiede der Standorte bei Zuordnungen in andere Cluster feststellbar. Kern dieser Arbeit ist somit die Gruppierung der Logistikstandorte mit Hilfe von Klassifikationsverfahren anhand ihrer charakteristischen Merkmale. Die wichtigsten Ergebnisse für die Schaffung von Grundlagen für Güterverkehrsmodellierungsansätze ist die Auswahl geeigneter Unternehmen und logistischer Knotenpunkte. Die Clusterbildung liefert hier also mögliche Ansätze für die Wahl passender Standorte. Nun ist es möglich die Aufkommen an Güterverkehr der einzelnen Standorttypen abzuschätzen. Diese Erkenntnisse ist für die Güterverkehrs- und Flächennutzungsplanung relevant, da in Deutschland noch kein Modell existiert, welches das Verkehrswachstum in Abhängigkeit der Standorttypen prognostiziert.

Item Type: Master Thesis
Erschienen: 2016
Creators: Kuschel, Katja
Title: Statistische Analyse und Klassifikation der Standorte deutscher Logistikdienstleistungsunternehmen
Language: German
Abstract:

Logistische Knoten sind ein bedeutender Treiber des Güterverkehrs. So können Änderungen in der Logistik unmittelbar zu Änderungen des Güterverkehrs führen. In diesem Zusammenhang ist die Abbildung logistikbedingter Einflüsse auf den Gütertransport zu einem wichtigen Thema innerhalb der Verkehrsmodellierung geworden. Um zukünftige Entwicklungen im Bereich des Straßengüterverkehrs beschreiben zu können, werden Gütertransportmodelle benötigt. Für die Erstellung dieser Modelle sind Muster in den Verhaltensweisen deutscher Logistikdienstleistungsunternehmen zu identifizieren, da über die logistischen Knoten ein beträchtlicher Anteil der Gütertransporte abgewickelt wird. Innerhalb der Güterverkehrsmodellierung sind diese Knoten allerdings noch unzureichend untersucht. Um die logistischen Knoten in die Güterverkehrsmodelle integrieren zu können, sind Gemeinsamkeiten der Standorte, abhängig ihrer Nutzungsart, zu erkennen. Daher ist es Ziel dieser Arbeit, eine Klassifikation unterschiedlicher Logistikstandorte zu erarbeiten. Anhand dieser Klassifikation sollen Verhaltensweisen von Unternehmen zur Wahl ihrer Standorte besser erklärt werden. In anschließenden Arbeiten kann diese Klassifikation beispielsweise zur Ableitung von gruppenspezifischen Aufkommensraten genutzt werden. Für eine Klassifikation von Logistikstandorten bedarf es zu allererst einer Anzahl an Standorten, die untersucht werden können. Da ein amtlich erhobenes Verzeichnis, aus welchem Stichproben für die Erhebung von Verkehrskennzahlen gezogen werden können, nicht existiert, ist nur mittels empirischer Erhebung eine Erforschung des Gebietes möglich. Eine kostensparende Analyse der Logistikstandorte anhand von Sekundärdaten verhilft neue Erkenntnisse zu gewinnen. Um eine strukturierte und einheitliche Aufnahme von Daten zu ermöglichen, werden Merkmale und Kriterien benötigt, die die Logistikstandorte charakterisieren. Diese Merkmale sind logistikspezifisch, wie beispielsweise Flächeninformationen oder Hallenlayouts, verkehrsspezifisch, wie das Verkehrs- und Fahrtenaufkommen und betriebsspezifisch, wie die Anzahl der Mitarbeiter oder generierten Umsätze. Eine Literaturanalyse zu existierenden Arbeiten, die sich bereits mit diesem Thema beschäftigten, liefert eine Anzahl an Merkmalen, welche die Standorte am Besten beschreiben. Zusätzlich zu diesen Merkmalen sind in der Literatur auch Kennwerte angegeben, die die Standorttypen ausmachen. In Steckbriefen werden die sogenannten Standard-Standorttypen anhand der Merkmale charakterisiert. In erstem Teil der Arbeit ist diese Literatur, mitsamt der Merkmale, erläutert. Nach der Literaturrecherche beginnt die Arbeit mit der Aufnahme von logistischen Lokationen in Deutschland in einer Microsoft-Access-basierten Logistikstandort-Datenbank. Die Aufnahme der Daten unterliegt der Mindestanforderung einer Adresse. Aber die Füllung der Merkmale ist ebenfalls nicht zu vernachlässigen, um eine Zuordnung des entsprechenden Standorttyps anhand der in der Literatur definierten Standard-Standorttypen zu ermöglichen. Nun ist eine große Anzahl an Standorten vorhanden, die teilweise mit Merkmalen gefüllt sind. Doch wie sind diese Daten zu verarbeiten? Diese Frage klärt sich im nächsten Schritt. So gilt es statistische Methoden anzuwenden, die die Daten komprimieren und vergleichbar machen. Eine deskriptive statistische Analyse wird angewandt, um mit Hilfe von statistischen Kennwerten, Diagrammen, Grafiken und Tabellen die Merkmalseigenschaften innerhalb einer Stichprobe zu beschreiben. Hierdurch sollen Aussagen über die vorhandenen Objekte zum Erhebungszeitpunkt getroffen werden. Es gibt zwei unterschiedliche Arten von statistischen Merkmalen. So unterscheidet man zwischen qualitativen (auch als klassifikatorisch oder kategorial bezeichnet) und quantitativen (kardinalen oder metrischen) Merkmalen. Diese Merkmalsarten werden mit den statistischen Methoden verarbeitet. Lageparameter, wie Median, Modus oder arithmetisches Mittel, informieren über die zentrale Verteilung der Kennwerte. Streuungsparameter, wie Standardabweichung, Varianz oder Variationskoeffizient werden herangezogen, um die Streuung um den Mittelwert zu beurteilen. Somit werden durch die Streuungsparameter Aussagen über den Einfluss von Ausreißern möglich. Die Auswahl der Lage- und Streuungsparameter erfolgt in Abhängigkeit des vorliegenden Skalenniveaus des Merkmals. Der erste Teil der empirischen Auswertung enthält die Anwendung der statistischen Kennzahlen auf die Standorte mit hinterlegtem Standorttyp. Bei einigen Standorttypen wurde das Fehlen an erforderlichen Informationen durch zu wenige implementierte Daten erkannt. Aus diesem Grund sind im zweiten empirischen Teil alle Standorte der Datenbank in Abhängigkeit der Unternehmenstypen dargestellt. Marktberichte, Branchenreports und Analysen der Teilmärkte werden zur Hand genommen, um die Daten auf Unternehmensebene abzugleichen. Die Prüfung der Vollständigkeit, Abschätzung der Grundgesamtheit und Beurteilung der Repräsentativität stellen aufgrund der Unbekanntheit der Grundgesamtheit sich als Herausforderung dar. Noch unzureichend wurde das Gebiet der logistischen Standorte Deutschlands erfasst, um hier auf Aussagen zurückgreifen zu können. Mit induktiven statistischen Kennzahlen ist es möglich die Lage- und Streuungsparameter auf eine noch größere Datenmenge hochzurechnen und als Schätzwerte für eventuelle Verteilungen heranzuziehen. Ob dies mit tatsächlichen Werten übereinstimmt, ist durch empirische Erhebungen und Betrachtungen einzelner logistischer Bereiche noch durchzuführen. Im letzten Abschnitt der empirischen Ausarbeitung findet ein ausgewähltes strukturen-entdeckendes Verfahren Anwendung. Hierzu zählen Klassifikationsverfahren, die Objekte anhand der definierten Merkmale zusammenfassen. Um Standorte klassifizierbar zu machen, ist wieder das Heranziehen der qualitativen und quantitativen Kriterien erforderlich. Mehrere Klassifikationsverfahren sind theoretisch erläutert und für eine Anwendung auf die Standorte der Logistikstandort-Datenbank geprüft. Die Two-Step-Clusteranalyse ist geeignet, um kategoriale sowie stetige Objekte zu kategorisieren. Diese Klassifizierung dient der Verschlankung der Datenmengen mit dem Ziel der Erkennung typischer Standorttypen innerhalb der logistischen Teilbereiche. Die Clusterung erfolgt in Abhängigkeit der definierten Merkmale, wie beispielsweise der Anzahl der Fahrzeuge oder der Mitarbeiter am Standort sowie dem Standorttyp. 17 Merkmalskombinationen werden gebildet, die zuerst, auf alle Standorte mit hinterlegtem Standorttyp angewandt werden. Im zweiten Schritt erfolgt eine Differenzierung nach Unternehmenstyp. So ist die Two-Step-Clusteranalyse mit den 17 Merkmalskombinationen auf die sechs Unternehmenstypen Logistikdienstleister, Transportdienstleister, Umschlagdienstleister, Getränkedienstleister, Lebensmittellogistiker und KEP-Dienstleister angewendet. Als Ergebnis werden zum einen zu jedem Standorttyp Unternehmen mit typischen Kennwerten geliefert, die mit eigenen erhobenen Daten abgleichbar sind. Es sind die Unternehmen auszuwählen, die in mehreren Clustern vorkommen, da sie die meisten Merkmale hinterlegt haben. Zum anderen ist durch die Clusterbildung mit unterschiedlichen Merkmalskombinationen eine Prüfung der Zuordnung der Standorttypen zu gleichen oder unterschiedlichen Clustern möglich. So können die Standorttypen innerhalb eines Clusters auf Gemeinsamkeiten untersucht werden. Ebenfalls sind die Unterschiede der Standorte bei Zuordnungen in andere Cluster feststellbar. Kern dieser Arbeit ist somit die Gruppierung der Logistikstandorte mit Hilfe von Klassifikationsverfahren anhand ihrer charakteristischen Merkmale. Die wichtigsten Ergebnisse für die Schaffung von Grundlagen für Güterverkehrsmodellierungsansätze ist die Auswahl geeigneter Unternehmen und logistischer Knotenpunkte. Die Clusterbildung liefert hier also mögliche Ansätze für die Wahl passender Standorte. Nun ist es möglich die Aufkommen an Güterverkehr der einzelnen Standorttypen abzuschätzen. Diese Erkenntnisse ist für die Güterverkehrs- und Flächennutzungsplanung relevant, da in Deutschland noch kein Modell existiert, welches das Verkehrswachstum in Abhängigkeit der Standorttypen prognostiziert.

Divisions: 13 Department of Civil and Environmental Engineering Sciences
13 Department of Civil and Environmental Engineering Sciences > Institutes of Transportation
13 Department of Civil and Environmental Engineering Sciences > Institutes of Transportation > Institute for Transport Planning and Traffic Engineering
Date Deposited: 28 Jan 2018 15:47
Official URL: https://www.verkehr.tu-darmstadt.de/media/verkehr/fgvv/beruf...
Referees: Boltze, Prof. Dr. Manfred and Rolko, M. Sc. Kevin
Refereed / Verteidigung / mdl. Prüfung: 2016
Alternative Abstract:
Alternative abstract Language
The German logistics industry continues to gain importance as the population increases. At the moment more than 70% of goods are transported on the road. From 2011 to 2014 volumes in road transport increased by 2.5%. By 2030, the increase of the transport volume is expected to be 16.8%. Compared to total tons transported by rail, inland waterways, sea, air and oil pipeline, the road transport volumes are more than ten times. The increasing importance of logistics and its effects on transportation processes have been considered in freight transport demand modelling by new model developments incorporating several logistics aspects. However, transport logistics hubs seem to be not considered adequately in most freight models although they are crucial for freight transport. In order to depict the future developments of road freight transport, models for freight transport are very important as the traffic volume is continuously increasing. To come up with such models, patterns in the behaviour of German logistics service companies must be studied at first. For instance, the choice of locations provides information about the formation of transport routes while other attributes that characterize the locations, can give a better view about traffic flows and traffic congestion. Additionally, the corporate types of logistics service companies also need to be taken into account, in order to study the structure of those companies. Therefore, the aim of this work is the development of a classification method for different logistics locations. This leads to a better understanding of the purpose for each location. In subsequent work, this classification can be used, for example for the disposal of group-specific density rates. First of all, for a classification of logistics sites the number of sites that can be investigated is required. As an official list of companies operating in the logistics sector does not exist, the total number of logistics companies in Germany is currently unknown. This makes the conduction of freight demand models with aspects of typological strategies of logistics companies arduous. Only by means of empirical surveys an exploration of this area is possible, because there is no directory from which samples for the survey can be drawn from. Therefore, a cost-saving analysis of logistics locations based on secondary data, helps to gain new insights. But before locations can be gathered, characteristical features for the sites are needed, in order to enable a structured and uniform data collection. These features contain specific logistics- (e.g. hall layouts, amount of pallet space), traffic- (e.g. amount of ramps and vehicles) and site-related information (e.g. number of employees, generated revenues). A literature review on the existing works provides a number of features which describe the locations best. In addition to these features, the standard location types are defined. Once completed, a set of distinctive figures of site types are depicted in standard location profiles. To exclude the ambiguity of definitions, a conceptual framework of all important attributes for the analysis of site types takes place in the first part of the work. After the frame for the data collection is defined, German logistics hubs can be recorded. These sites are implemented into a Microsoft-Access-based location database. Having an address is the minimum requirement for the import of the sites into the database, but gathering the defined features must not be neglected as they are needed for the assignment of the standard location types. Subsequently, the location data base contains a large amount of locations, which are partly filled with characteristic attributes. But how can meaningful results be drawn out of this large dataset? This question is going to be answered in the next step. Here, statistical methods, which compress the information and make them comparable, need to be chosen. This descriptive statistical analysis includes the application of statistical parameters, charts, graphs and tables in order to describe characteristic parameters of the sample. There are three different types of statistical characteristics. A distinction is made between qualitative, ordinal and quantitative characteristics. These types of features are processed depending on the existing scale level. Location parameters such as median, mode or arithmetic mean inform about the central distribution of the characteristics. Dispersion parameters such as standard deviation, variance, or coefficient of variation are used to assess the variance around the average value. Thus, by using these parameters, it is possible to mark outliers. Furthermore, these parameters also make the site types comparable and via the comparisons with self-collected data, discrepancies can be detected. The first part of the empirical analysis includes the application of statistical indicators at all locations with assigned site types, yet for some types, some needed information is absent. For this reason, in the second empirical part all locations of the database according to the types of companies are interpreted, in which market reports, industry reports and analysis of the submarkets were taken on hand to reconcile the data on enterprise level. As the total population of logistics companies in Germany is unknown, statistical methods have to be used. With inductive statistical ratios, it is possible to extrapolate the location and dispersion parameters on a large amount of data and should be used as estimations of possible distributions. Whether this is consistent with actual values or not has yet to be proved. Therefore, data has to be selected primarily. The reports of the sub-markets and the analysis of the data demonstrate that a representative proportion of locations is still not fulfilled in all areas. In the last section of the empirical elaboration, a selected structures-discovery-process application is used. These methods include classification methods, which summarize the objects based on the defined characteristics. To make sites classifiable, qualitative and quantitative criteria, which are explained in the first theoretical part, are again required. Several classification methods have been explained theoretically and tested for use on the locations of the logistics location database. Among these methods, the Two-Step-Cluster-analysis is considered useful to categorize objects, since this classification serves to slim down the amount of data. By noise selecting, it is also possible to make out outliers and exclude them from the evaluation. The aim of the Two-Step-Cluster-analysis is to recognize typical types of location within the logistics subareas. As a result, for each site type, companies with typical characteristics can be found and compared with own collected data. The Clustering depends on the defined characteristics, such as area, number of vehicles or ramps, as well as the location type. 17 combinations of features for the cluster analysis are formed. First, these combinations are used on all locations with a deposited site type. Afterwards a differentiation, according to the corporate type, is made. So the cluster combination is calculated for the six corporate types: “third-party logistics provider”, “CEP-provider”, “third-party logistics provider specialized on groceries”, “transhipment service provider”, “transport service provider” and “third-party logistics provider specialized on beverages”. Now, two information can be gathered out of the date. The first is the affiliation of site types to clusters. If different site types are collected in one cluster, similarities between these sites can be investigated. Also, the differences between site types, which occur in other clusters, can be seen and delved into. As the second information, for each combination of features the assignment of sites can be found. If the same sites are used in different cluster combinations, these sites have many assigned features. To conduct primary empirical surveys, the locations are selected, which are processed in the individual clusters and occur in different clusters. Therefore, the classification methods help to reduce data. Additionally, these companies can be selected for traffic surveys. Comparison between secondary and primary data will be possible by using the sites shown in the different clusters. The main results of this thesis is therefore the selection of appropriate companies and logistic hubs. Clustering provides possible approaches for choosing appropriate locations. Now, it is possible to find out the amount of freight transport produced by those sites. For freight transport and land use planning policies these insights are highly relevant, as there is no model in Germany that gives information about the increasing traffic volumes for each site type. So the foundation for freight transport demand modelling approaches are set. Furthermore, with these freight transport modelling approaches optimal spots for sites can be suggested. This is not only beneficial for the companies, which may have better and cost-saving routes for their transports, but also negative effects, like noise and air pollution can be reduced. Here it may also be interesting whether it is possible to lower the amount of generated traffic, by rearranging the sites and putting them on places which is best fitting for their economical purposes.English
Export:
Suche nach Titel in: TUfind oder in Google
Send an inquiry Send an inquiry

Options (only for editors)
Show editorial Details Show editorial Details