17694 Schlussbericht neu
Werbung
Sch hluss sberricht zu dem IGF-Vorhaben Nr. 176 694 N Them ma Entwick klung eines s Demonsttrators zur Tagesgangprognose e der Lkw-W Wartezeiten n von logistis schen Knotten einschlließlich Lkw w-Voranme eldeoption und geeig gneter Maßnah hmen zur Vorzugsbeh V handlung v vorgemeldeter Fahrze euge Beric chtszeittraum 01.01.2014 – 31.12 2.2016 Forsc chungsv vereinig gung Bundessvereinigung g Logistik e.V. Forsc chungss stelle Universität Hamburg-H Institut ffür Maritime e Logistik, Technische T Harburg Hamburrg, 22.06.20 017 Prof. Dr. Carlos Jahn Ort, Datum m Name und Unterschrift U des//der Projektleiteer(s) an der/den Forschungsstell F e(n) Geförddert durch: B aufgruund eines Bescchlusses des Deeutschen Bund destages AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Inhaltsverzeichnis 1 Kurzfassung ...................................................................................................................... 8 2 Durchgeführte Arbeiten und Ergebnisse ......................................................................... 10 2.1 Entwicklung eines innovativen Prognoseansatzes (AP 1) ....................................... 10 2.1.1 Prognoseproblem und -anforderungen ............................................................. 10 2.1.1.1 Zeitreihenmodelle ...................................................................................... 11 2.1.1.2 Zeitfenster.................................................................................................. 11 2.1.1.3 Wartezeiten, Ankunftsraten, Vormeldungen und Containerbewegungen .. 13 2.1.1.4 Datenanalyse und Prozesseinflüsse ......................................................... 14 2.1.2 Konzept des zweistufigen Prognoseansatzes .................................................. 15 2.1.3 Methoden: Prognosemodell 1 ........................................................................... 16 2.1.3.1 Trendprognosen ........................................................................................ 16 2.1.3.2 Naive Prognose ......................................................................................... 16 2.1.3.3 Zeitbezogene Mittelwerte .......................................................................... 16 2.1.3.4 ARIMA ....................................................................................................... 17 2.1.4 Methoden: Prognosemodell 2 ........................................................................... 17 2.1.4.1 Prädiktoren ................................................................................................ 17 2.1.4.2 Training und Vorhersage ........................................................................... 19 2.1.4.3 Regressionsbäume .................................................................................... 19 2.1.4.4 Künstliche Neuronale Netze ...................................................................... 20 2.1.5 Implementierung und Testumgebung ............................................................... 21 2.1.5.1 Auswahl der Methoden für Prognosemodell 1 und 2 sowie deren Integration ................................................................................................................... 21 2.1.5.2 Integration der Ergebnisse von Prognosemodell 1 und 2 .......................... 21 2.1.5.3 Implementierung ........................................................................................ 22 2.1.5.4 Testumgebung........................................................................................... 23 2.1.5.5 Pre- und Post-processing .......................................................................... 23 2.1.5.6 Qualitätsmaße ........................................................................................... 24 2.1.5.7 Experimente und Parameterwahl .............................................................. 25 2.1.6 Validierung anhand von Fallbeispielen ............................................................. 26 2.1.6.1 Prognosen ................................................................................................. 26 2.1.6.2 Erreichte Prognosequalität ........................................................................ 29 2.1.6.3 Nutzung in der betrieblichen Praxis ........................................................... 29 2.1.7 Zusammenfassung und Ausblick ...................................................................... 30 2.1.8 Gegenüberstellung von Arbeitsergebnissen und -zielen .................................. 30 2.1.9 Notwendigkeit und Angemessenheit der geleisteten Arbeit ............................. 32 Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 2 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 2.1.10 Wissenschaftlich-technischer und wirtschaftlicher Nutzen für KMU ................. 32 2.2 Entwicklung einer IT-Systemlösung (AP 2) .............................................................. 34 2.2.1 Generische Merkmale der Softwarelösung ....................................................... 34 2.2.2 Systemarchitektur ............................................................................................. 37 2.2.3 Beschreibung der Module ................................................................................. 39 2.2.3.1 Datenbank ................................................................................................. 39 2.2.3.2 Prognosemodul ......................................................................................... 43 2.2.3.3 Webmodul ................................................................................................. 43 2.2.3.4 Schnittstellen und Datenflüsse zwischen den Modulen ............................. 45 2.2.4 Einsatzmöglichkeiten des IT-Systemkonzepts ................................................. 46 2.2.4.1 Für logistische Knoten ............................................................................... 46 2.2.4.2 Für Speditionen und Trucker ..................................................................... 47 2.2.4.3 Vorgehensmodell zur Anpassung des generischen IT-Systems an einen konkreten logistischen Knoten..................................................................................... 48 2.2.5 Zusammenfassung und Ausblick ...................................................................... 49 2.2.6 Gegenüberstellung von Arbeitsergebnissen und -zielen .................................. 50 2.2.7 Notwendigkeit und Angemessenheit der geleisteten Arbeit ............................. 51 2.2.8 Wissenschaftlich-technischer und wirtschaftlicher Nutzen für KMU ................. 51 2.3 Erarbeitung von Optionen zur Lkw-Vorzugsbehandlung (AP 3) .............................. 52 2.3.1 Freiwillige Lkw-Vormeldung und Sichtweisen zur Lkw-Vorzugbehandlung ...... 52 2.3.2 Voruntersuchung zur Fragebogenkonzeption ................................................... 54 2.3.3 Konzeption und Durchführung der Web-Umfrage ............................................ 55 2.3.4 Exkurs: Statische Begriffe und Methoden ......................................................... 57 2.3.5 Fragebogenauswertung .................................................................................... 60 2.3.5.1 Teilnehmeranzahl und -struktur ................................................................. 61 2.3.5.2 Bereitschaft zur Lkw-Vorzugsbehandlung (Knotenbetreiber) .................... 64 2.3.5.3 Erwartungshaltung zur Lkw-Vorzugsbehandlung (Spediteure/Trucker) .... 71 2.3.6 Zweistufige Vorgehensweise zur betrieblichen Einführung von LkwVorzugsoptionen ............................................................................................................. 76 2.3.7 Gegenüberstellung von Arbeitsergebnissen und -zielen .................................. 78 2.3.8 Notwendigkeit und Angemessenheit der geleisteten Arbeit ............................. 79 2.3.9 Wissenschaftlich-technischer und wirtschaftlicher Nutzen für KMU ................. 80 2.4 Implementierung der Systemlösung als Demonstrator (AP 4) ................................. 81 2.4.1 Implementierung des Demonstrators................................................................ 81 2.4.2 Beschreibung der Maßnahmen zur Anbindung an logistische Knoten ............. 82 2.4.3 Durchgeführte Maßnahmen zur Anbindung an logistische Knoten .................. 83 Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 3 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 3 2.4.4 Zusammenfassung und Ausblick ...................................................................... 85 2.4.5 Beobachtete betriebliche Erfordernisse und Hindernisse ................................. 86 2.4.6 Gegenüberstellung von Arbeitsergebnissen und -zielen .................................. 87 2.4.7 Notwendigkeit und Angemessenheit der geleisteten Arbeit ............................. 89 2.4.8 Wissenschaftlich-technischer und wirtschaftlicher Nutzen für KMU ................. 90 Fortschreibung des Plans zum Ergebnistransfer ............................................................ 91 3.1 Einschätzungen zur Realisierbarkeit des Transferkonzepts .................................... 91 3.2 Realisierte und geplante Maßnahmen zum Ergebnistransfer .................................. 91 4 Angaben zu den aus der Zuwendung finanzierten Ausgaben ........................................ 96 5 Literaturverzeichnis ......................................................................................................... 97 6 Anhang I – Web-Umfrage: Fragebogen für Knotenbetreiber .......................................... 99 7 Anhang II – Web-Umfrage: Fragebogen für Spediteure/Trucker .................................. 111 Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 4 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Abbildungsverzeichnis Abbildung 1: Entwicklung des Prognoseansatzes.................................................................. 10 Abbildung 2: Umformung zu Zeitreihen .................................................................................. 11 Abbildung 3: Prognosegenauigkeit und Informationsgehalt in Abhängigkeit der Zeitfenstergröße ..................................................................................................................... 12 Abbildung 4: Prognoseeinsatz in logistischen Knoten ............................................................ 12 Abbildung 5: Beispiel eines Abfertigungsprozesses ............................................................... 13 Abbildung 6: Linearer Trend und gleitender Mittelwert ........................................................... 14 Abbildung 7: Ausschnitt einer Zeitreihe .................................................................................. 15 Abbildung 8: Training und Vorhersage mittels künstlicher Intelligenz .................................... 19 Abbildung 9: Aufbau Neuronaler Netze .................................................................................. 20 Abbildung 10: Aufbau des hybriden Prognosekonzepts ......................................................... 22 Abbildung 11: Testschema ..................................................................................................... 23 Abbildung 12: Daten und Prognose der Lkw-Ankünfte von Knoten A .................................... 27 Abbildung 13: Daten und Prognose der Lkw-Ankünfte von Knoten B .................................... 27 Abbildung 14: Daten und Prognose der Lkw-Ankünfte von Knoten C .................................... 28 Abbildung 15: Daten und Prognose der Wartezeiten von Knoten C ...................................... 28 Abbildung 16: Daten und Prognose der Lkw-Ankünfte von Knoten D .................................... 29 Abbildung 17: Erwartete Nutzeneffekte der Projektergebnisse .............................................. 33 Abbildung 18: Architektur des IT-Systems ............................................................................. 39 Abbildung 19: vereinfachtes ER-Diagramm Abfertigungsprozess ......................................... 40 Abbildung 20: Datenbankschema .......................................................................................... 42 Abbildung 21: Menü und Startseite des GUI .......................................................................... 44 Abbildung 22: Tages- und Wochensicht auf die aktuellen Ankünfte ...................................... 45 Abbildung 23: Konfigurationsmöglichkeiten bei der Visualisierungswahl ............................... 45 Abbildung 24: Sicht auf die aktuelle Woche mit historischen und prognostizierten Ankünften ............................................................................................................................................... 46 Abbildung 25: Sicht auf Ankünfte pro Tag mit historischen Daten des Jahres 2015 .............. 47 Abbildung 26: historische und prognostizierte Ankünfte des aktuellen Tages ....................... 47 Abbildung 27: Mittelwert, Minimum und Maximum der Wartezeiten eines Tages .................. 48 Abbildung 28: Vorgehensmodell für die Anpassung des generischen Systems auf einen logistischen Knoten ................................................................................................................ 49 Abbildung 29: Präferenzen bzgl. der Lkw-Vormeldung .......................................................... 53 Abbildung 30: Wirksames Vorzugsangebot für die freiwillige Lkw-Vormeldung ..................... 54 Abbildung 31: Umfrageteilnehmer nach Unternehmenstypen ................................................ 60 Abbildung 32: Anzahl und geografische Verteilung der befragten uns aller Unternehmen der Transport- und Lagereibranche .............................................................................................. 61 Abbildung 33: Anzahl Umfrageteilnehmer nach Funktionen im Unternehmen ....................... 62 Abbildung 34: Anzahl Knotenbetreiber nach abgefertigte Lkw pro Tag ................................. 63 Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 5 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Abbildung 35: Anzahl Spediteure/Trucker nach Mitarbeiteranzahl / Transportaufträge pro Tag / Lkw im Unternehmen ........................................................................................................... 64 Abbildung 36: Anzahl Spediteure/Trucker nach Häufigkeit der Fahrten im Nah-, Regionalund Fernverkehr ..................................................................................................................... 65 Abbildung 37: Gewährte Vorzugsoptionen für die Szenarien I, II, III (alle Befragten) ............ 66 Abbildung 38: Gewährte Vorzugsoptionen getrennt nach Unternehmenstyp ........................ 67 Abbildung 39: Gewährte Vorzugsoptionen getrennt nach Unternehmensgröße .................... 69 Abbildung 40: Nutzenbewertung der Vormeldeszenarien (Knotenbetreiber) ......................... 70 Abbildung 41: Erwartete Vorzugsoptionen bei den Szenarien (I), (II),( III) (alle Befragten) ... 72 Abbildung 42: Erwartete Vorzugsoptionen getrennt nach Funktion im Unternehmen ............ 73 Abbildung 43: Erwartete Vorzugsoptionen getrennt nach Unternehmensgröße .................... 75 Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 6 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Tabellenverzeichnis Tabelle 1: Verwendete Prädiktoren ........................................................................................ 19 Tabelle 2: Vergleich von Kennzahlen der Prognosequalität................................................... 25 Tabelle 3: Durchgeführte Untersuchungen ............................................................................ 25 Tabelle 4: Kennzahlen der Anwendungsfälle ......................................................................... 26 Tabelle 5: Prognoseergebnisse der Anwendunsgfälle ........................................................... 29 Tabelle 6: generische Modellierung variabler Systemeigenschaften ..................................... 37 Tabelle 7: Präferenzreihenfolge der Vorzugsoptionen mit hoher Zustimmung (Plätze 1-6) für Knotenbetreiber und Spediteure/Trucker ............................................................................... 77 Tabelle 8: Erfordernisse und Hindernisse für die Anwendung der Systemlösung ................. 87 Tabelle 9: Realisierte Transfermaßnahmen ........................................................................... 93 Tabelle 10: Geplante bzw. in der Umsetzung befindliche Transfermaßnahmen .................... 95 Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 7 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 1 Kurzfassung Vor dem Hintergrund von häufig auftretenden Lkw-Wartezeiten an logistischen Knoten stehen im Mittelpunkt der Untersuchung die Abfertigungsprozesse der betreffenden Unternehmen. Dabei werden im Rahmen von vier Arbeitspaketen (AP) (informations-)technische und organisatorische Möglichkeiten untersucht, entsprechende Wartezeiten zu reduzieren. Die mit dem Forschungsprojekt verbundenen Hauptziele lauten wie folgt: Entwicklung eines innovativen Prognoseansatzes zur Vorhersage der Lkw-Wartezeiten (und -Ankünfte) von logistischen Knoten (AP 1). Entwicklung eines generischen IT-Konzepts zur Integration der Prognose in ein internetbasiertes Gesamtsystem, welches die historischen und prognostizierten Daten speichert, verwaltet und mittels Benutzeroberfläche für die Anwender visualisiert (AP 2). Bestimmung der Präferenzen von Knotenbetreibern und Spediteuren/Truckern bzgl. der Lkw-Vorzugsbehandlung an logistischen Knoten aufgrund einer vorherigen freiwilligen Vormeldung inkl. der Erarbeitung eines Leitfadens für die betriebliche Realisierung (AP 3). Implementierung der Systemlösung als Demonstrator, um die Anwendbarkeit des ITKonzepts und die Echtzeit-Anbindung an die Systeme von logistischen Knoten zu testen (AP 4). Im folgenden Abschnitt 2.1 werden die Arbeiten und Ergebnisse des ersten Arbeitspaketes beschrieben, welche im Wesentlichen die Entwicklung eines Ansatzes zur Prognose von Lkw-Wartezeiten und -Ankünfte beschreiben. Hierbei werden zunächst Prognoseproblem und -anforderungen definiert. Daraus wird ein Konzept für den Prognoseansatz abgeleitet und die einzelnen Teilmodelle des Konzepts beschrieben. Darauf folgend werden mögliche Methoden für die Erstellung von Prognosemodellen vorgestellt, wobei auf deren Stärken und Schwächen eingegangen wird. Zusätzlich werden die Grundlagen der künstlichen Intelligenz vorgestellt. Im Weiteren wird die Integration der (beiden) ausgewählten Methoden im Rahmen eines innovativen Prognoseansatzes erläutert. Es folgt die Beschreibung der Implementierung der Modelle inkl. der unterschiedlichen Programme und Arbeitsschritte, sowie eine Darstellung der Testumgebung und der verwendeten Qualitätsmaße. Die mit der Testumgebung durchgeführten Tests werden vorgestellt und deren Ergebnisse diskutiert. Der beschriebene Prognoseansatz wird zudem mit Hilfe von Anwendungsfällen validiert, die im Rahmen des Projektes durch die Bereitstellung von Daten der Projektpartner entstanden sind. Dabei werden die einzelnen Fälle vorgestellt sowie die Ergebnisse und die erreichte Prognosequalität aufgezeigt. Abschließend werden die Ergebnisse des Arbeitspakets zusammengefasst und ein Ausblick auf die mögliche (Weiter-)Entwicklung des Ansatzes gegeben. In Abschnitt 2.2 wird das in AP 2 erstellte IT-Systemkonzept vorgestellt, welches den erstellten Prognoseansatz in Form eines IT-Systems für logistische Knoten nutzbar machen soll. Damit dieses für eine Vielzahl unterschiedlicher logistischer Knoten nutzbar ist, wurde bei dem Systementwurf auf einen hohen generischen Charakter geachtet. Die generischen Merkmale des Konzepts werden beschrieben, um daraufhin die Systemarchitektur vorzustellen. Nach einer genaueren Betrachtung der einzelnen Module und ihrer Schnittstellen untereinander werden Einsatzmöglichkeiten des Konzeptes und seiner Visualisierungen Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 8 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg sowohl für logistische Knoten als auch für Spediteure/Trucker erläutert. Für die Umsetzung der generischen Lösung in einem konkreten logistischen Knoten ist ein Vorgehensmodell zur Orientierung entworfen worden. Abschließend werden die Ergebnisse des Arbeitspakets zusammengefasst und kritisch gewürdigt. Jeder Lkw, dessen Ankunft an logistischen Knoten durch Vormeldung antizipiert werden kann, erweitert die Informationen über das Lkw-Aufkommen des Knotens in der Zukunft und muss hinsichtlich seines Eintreffens nicht prognostiziert werden. Vor diesem Hintergrund wurde im Rahmen des AP 3 eine internetbasierten Umfrage (Web-Umfrage) zur Lkw-Vorzugsbehandlung an logistischen Knoten – aufgrund von vorheriger Vormeldung – durchgeführt. Die Umfrage ist mit der Zielsetzung verbunden, insbesondere solche Vorzüge (sog. „Vorzugsoptionen“) zu identifizieren, die für Spediteure/Trucker einen wirksamen Anreiz zur freiwilligen Vormeldung ihrer Fahrzeuge bieten und/oder von Knotenbetreibern – trotzt des betrieblichen Realisierungsaufwands – als mögliche Angebotsoption für eine freiwillige Vormeldung angesehen werden. Im Abschnitts 2.3 werden Konzeption, Ablauf und Ergebnisse dieser Web-Umfrage zur Vorzugsbehandlung von Lkw an logistischen Knoten beschrieben. Um die Umfrage möglichst kompakt und damit probandenfreundlich zu gestalten, ist im Vorfeld der Befragung zudem eine Voruntersuchung zur Eingrenzung der relevanten Vorzugsoptionen und Vormeldeszenarien durchgeführt worden. Im Befragungszeitraum von vier Monaten haben an der Umfrage 312 Probanden teilgenommen, wobei 277 Befragte aus der Zielgruppe der Spediteure/Trucker stammen und 35 Befragte aus der Zielgruppe Knotenbetreiber. Die wesentlichen Ergebnisse der Umfrageauswertung werden in Abschnitt 2.3 getrennt nach den beiden Zielgruppen (und weiteren relevanten Untergruppen) präsentiert und entsprechend kommentiert. Abschließend werden die Umfrageergebnisse dazu genutzt, um für Knotenbetreiber eine Art Leitfaden zur Auswahl und betrieblichen Einführung von Vorzugsoptionen zu erarbeiten. Die beschriebene zweistufige Vorgehensweise zielt insbesondere darauf ab, wirksam eine vermehrte Vormeldung von Spediteuren/Truckern zu erreichen und gleichzeitig Risiken für die Knotenbetreiber soweit als möglich zu vermeiden bzw. kalkulierbar zu machen. Um die Übertragbarkeit des generischen IT-Systemkonzepts aus AP 2 auf konkrete logistische Knoten zu überprüfen, wurde in AP 4 dieses Konzept in Form eines Demonstrators implementiert und an die Begebenheiten von an dem Test teilnehmenden Unternehmen angepasst. Neben der technischen Umsetzung des Konzepts werden in Abschnitt 2.4 die allgemein erforderlichen Maßnahmen zur Anbindung von logistischen Knoten vorgestellt und die durchgeführten Demonstratortests mit den Testpartnern beschrieben. Nach der Zusammenfassung der Tests und gewonnen Erfahrung werden als Planungshilfe beobachtete Erfordernisse und Hindernisse für die Übertragung des generischen Systemkonzepts auf einen betrieblichen Anwendungsfall beschrieben. Abgeschlossen wird der Abschnitt 2.4 durch eine Betrachtung der Zielerreichung und einem kritischen Fazit über die in AP 4 geleistete Arbeit. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 9 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg 2 Du urchgeführrte Arbeite en und Errgebnisse 2.1 Entwicklung g eines innovativen P Prognosean nsatzes (A AP 1) Das ersste Arbeitsp paket in die esem Forscchungsproje ekt befasstt sich mit dden Method den zur Vorherssage von Lkw-Warteze L eiten und w weiteren Ke ennzahlen der Lkw-Abbfertigung (z.B. ( die Lkw-Ankunftsrate) an logistisc chen Knoten n. Im Folge enden werde en die verw wendeten Methoden M und ihrre Nutzung g für Prog gnosemode elle beschrrieben sow wie die erzzielten Erg gebnisse dargesttellt. 2.1.1 Prognoseprroblem und -anforderu ngen ognoseprob em ersten Schritt wirrd das Pro blem besch hrieben. D Das Feedba ack von In eine Gespräcchen mit Mitarbeitern M von logisttischen Kno oten ergibt für den aaktuellen Sttand der Technikk zwei Varia anten nach h denen Wa artezeitenprrognosen fü ür logistischhe Knoten ermittelt werden: Zum größte en Teil beruhen die Pro ognosen au uf den Erfahrungswerteen der Mitarrbeiter. a) Z b) In einigen (wenigen) Fällen we erden einfa ache Standardmethodden zur Prognose P vverwendet. Beide A Ansätze berrgen Risiken n: Mitarbeitter Know-Ho ow steht nic cht mit Sichherheit jede erzeit zur Verfügu ung und Standardmetthoden sin d nicht in der Lage, besonderre Umständ de (z.B. Feiertag ge) für die Prognose P zu z berücksicchtigen. Da aher sollen Prognosem methoden be etrachtet werden, die es in nsbesonderre ermöglicchen, speziifische Info ormationen über aktue elle und g 1 zeigt diie Entwicklung des zukünftiige Ereignissse für die Prognose zu nutzen. Abbildung Ansatze es grafisch. Abbildung 1: Entwicklung des Prognosean nsatzes Als näcchstes muss ein Mode ell gefunde en werden, welches genutzt werd rden kann, um den Abfertig gungsprozesss inklusiv ve Wartez eit darzus stellen. Für die Moodellierung werden Zeitreihen herange ezogen. Schlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 10 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg 2.1.1.1 Zeitreihen nmodelle In einem m Zeitreihe enmodell wird w der Zusstand eines s Prozesses zu bestim mmten Zeittpunkten oder in bestimmten n Zeitinterva allen abgeb bildet. So wird z.B. auc ch der Verlaauf von Warrtezeiten oder Lkkw-Ankunftssraten häufig in dieser Form darg gestellt. Abb bildung 2 zeeigt wie aus s einzelnen Lkw w-Ankünften n mit Wartezeiten eine Wartezeit-Z Zeitreihe errstellt wird. Abbildung 2: Umforrmung zu Ze eitreihen Bei derr Modellieru ung durch Zeitreihen, bei der diie Wartezeit von mehhreren Lkw zusammengeffasst werde en kann, muss m eine Berechnu ungvorschrifft für die Zusammen nfassung gewähltt werden. Denkbare D Optionen O sin nd Minima, Maxima od der Durchscchnitte. Beii diesem Projekt wird die durchschnittlliche Warte ezeit gewäh hlt, da diese direkt alss Näherung g für die individuelle Wartezzeit verwend det werden kann. e Zeitre eihenmodel ls müssen am logistisc chen Knote n historisch he Daten Für die Erstellung eines en) in der Form F von „Wartezeite „ en“ oder in einer Form m, die in W Warzeiten überführt ü (Altdate werden kann, vo orliegen. Der D Zeitrau um, für de en Daten verfügbar sind (histtorischer orizont) lim mitiert den Zeitraum,, für den eine Prog gnose ersttellt werde en kann Datenho (Progno osehorizont) und na aturgemäß auch die e Prognos sequalität. Eine wes sentliche Anforde erung an die d historis schen Date en ist ihre Konsisten nz, also diie Korrekth heit und Lückenllosigkeit de es Datensatzes. Da d iese Inform mationen de en Kern deer Prognose e bilden, würden Fehler im m Datensattz zu Fehle ern in derr Prognose e führen. D Durch die zeitliche Auflösung der Da aten ist die e zeitliche Auflösung der Progn nose begreenzt, sind z.B. z nur tageswe eise Informa ationen vorhanden, kö nnen auch nur Tagesp prognosen eerstellt werd den. 2.1.1.2 Zeitfenste er h dem ob ben genann nten Schem ma beschrreibt die Bei derr Erstellung der Zeittreihe nach Zeitfensstergröße die d Zeitspan nne, in derr Informatio onen zusam mmengefassst werden. Für die Zeitreihenanalyse ist es ents scheidend, d dass diese Zeitfenster gleich grooß gewählt werden eiss & Neuh haus (2006))). (vgl. Kre Jede ze eitliche Größ ße ist für die e Zeitfenste er möglich. Bei der Wahl muss in Erwägung gezogen g werden, bei welche er Größe sic ch eine sinn nvolle Entsc cheidungsunterstützunng ergibt, we enn eine n Anwendu ungsfall realisiert wird. Werden d ie Fenster zu klein Prognosse für einen konkreten gewähltt, werden Prognosen u.U. zu u ungenau; werden w sie zu groß gewählt, kann k die Vorherssageinforma ation ggf. nicht bei E Entscheidungen helfe en. Sind D Daten z.B. nur als Tagesw werte vorhanden könne en keine S Schichtprogn nosen erste ellt werden.. Abbildung g 3 zeigt Prognossegenauigkkeit und Info ormationsge ehalt in Abh hängigkeit der Zeitfensttergröße. Schlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 11 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg nosegenauig gkeit und In formationsg gehalt in Ab bhängigkeit der Abbildung 3: Progn stergröße Zeitfens Die Prognose der Lkw-Ankunf L ftsrate soll d den alltäglic chen Ablauff eines logisstischen Kn notens in erstützen: zwei Asspekten unte Z Zum einen sollen ents sprechende e Prognosen für den Tag T selbst und den fo olgenden T Tag erstelltt werden, um m kurzfristig g die Geräte eplanung de es Knotens zu optimieren, zzum anderren soll Prognosen d der nächste en Wochen bei der G Geräteplanu ung des K Knotens he elfen. Abbildung 4 stellt die d Aspekte des logistisschen Knoten grafisch dar. Abbildung 4: Progn noseeinsatz in logistisc chen Knoten n Von de er Prognose e der Warttezeiten an n den logis stischen Kn noten könnnen die Sp pediteure ebenfalls profitiere en. Analog zu dem Ablauf des s logistisch hen Knotenns sollen folgende f Aspekte e unterstützzt werden: Durch die Prognose P des aktuellen n Tages un nd dem folgenden Tag soll die Dis sposition o optimiert we erden, d die Progno ose der nä ächsten Wo oche sollen n bei der Routen- unnd Pausen nplanung u unterstützen. Aus den n Aufgaben n, die logistische Knote en und Spe editeure an die Prognoose stellen, können die Anfforderungen n an die Zeitfensterg größe und den Prog gnosehorizoont des Prrognose- Schlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 12 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg ansatze es abgeleite et werden. Durch die Zeitfensterrgröße der Prognose müssen Schichten abgebild det werden können und der Progn nosehorizon nt muss eine Woche um mfassen. 2.1.1.3 Wartezeite en, Ankunfttsraten, Vorrmeldungen n und Conta ainerbeweguungen e von Warte ezeiten wird d die Inform mation über den Zeitpuunkt der Ank kunft auf Für die Vorhersage elände und den Zeitpu unkt des Ab bfertigungsbeginns be enötigt. Nichht bei jedem m Depot dem Ge werden mehrere Zeitpunktmessungen im m Abfertigun ngsprozess durchgefühhrt. In diese en Fällen nzelnen Lkw w-Ankünfte iim Datensa atz geführt. In Gespräcchen mit Mittarbeiten werden nur die ein en ist erwä ähnt worde en, dass die Informattion über ddie Verteilung der logistisccher Knote Ankünftte eine hinrreichende Näherung N d der Warteze eiten bietet. Diese kannn als Indik kator für Warteze eiten genutzzt werden. Daher werd den die Lkw w-Ankunftsra aten am Knnoten prognostiziert, wenn nur ein Zeitsstempel zur Verfügung g steht. Abb bildung 5 ze eigt das Schhema eines s Abfertigungsprozess mit der d Erfassu ung von Zeittstempeln. Abbildung 5: Beisp piel eines Ab bfertigungsp prozesses Bei dem m gezeigten n Schema la assen sich Zeitreihen aus a den Lkw w-Ankünfteen, den Warrtezeiten und den n Prozesszzeiten bestim mmt. Bei d iesem Proje ekt werden jedoch nuur die Lkw-A Ankünfte und Wa artezeiten betrachtet. b Die D Genaui gkeit, mit der d die Warrtezeit bestiimmt werde en kann, ist durch das verwendete Mes sssystem b egrenzt. Im m gezeigten Schema köönnten Warrtezeiten ebenfalls während d der Prozesszeiten, zum Beisp piel vor de em Beladenn, auftreten n. Diese er betrachteten „Warte ezeit“ nichtt berücksich htigt werde n. Daher muss m bei würden dann in de aten darauf geachtet werden, w we elche Inform mationen sie e umfassenn und wie aus den den Da gegeben Zeitstemp peln die rea alitätsnächsste Bestimm mung der Wartezeit W duurchgeführtt werden kann. V gen unterno ommen, so o dass die Auslastung g besser Bei einiigen Knoten werden Vormeldung gesteue ert werden kann. Da die d vorgeme eldeten Lkw w bereits eingeplant siind, können n sie bei der Prog gnose vernachlässigt werden, w jed doch muss dafür d bei jed dem Lkw beekannt sein n, ob und wann e er einen Te ermin hat. Ist diese In nformation für alle Lk kw verfügbaar, lassen sich die vorgemeldeten Lkkw getrenntt von den unangeme eldeten Lkw w betrachteen. In dies sem Fall n nur Lkw oh hne Vormelldung progn nostiziert we erden. müssen Schlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 13 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 2.1.1.4 Datenanalyse und Prozesseinflüsse Um weitere Eigenschaften der Daten und der resultierenden Zeitreihen zu bestimmen, werden Daten der Projektpartner unter Berücksichtigung der bereits bestimmten Anforderungen aufbereitet und untersucht. Zur Analyse der Daten wird in einem ersten Schritt ein „Komponentenmodell“ herangezogen. Bei diesem Ansatz zur Analyse werden Zeitreihen in einzelne Komponenten zerlegt. Danach lassen sich diese Komponenten analysieren, was Rückschlüsse auf den datenerzeugenden Prozess liefert. Für die betrachteten Zeitreihen wird eine Unterteilung in drei Komponenten vorgenommen. Diese sind der Trend, der die langfristige systematische Änderung des Niveaus der Zeitreihe bezeichnet, die zyklische Komponente, die wiederkehrende Veränderungen im Verlauf der Zeitreihe beinhaltet und die Restkomponente, die keinen klaren zeitlichen Verlauf aufweist und sich daher nicht durch die anderen beiden Komponenten abbilden lässt. Zur Bestimmung des Trends werden lineare Regressionen und gleitende Mittelwerte der Daten bestimmt. Abbildung 6 zeigt das grafische Ergebnis so einer Untersuchung. Abbildung 6: Linearer Trend und gleitender Mittelwert Die Zeitreihen weisen trotz Unterschieden in Form und Größe der Datensätze von den Projektpartnern Gemeinsamkeiten auf. Die Datensätze sind trendfrei. Die Prognosen müssen somit nicht in der Lage sein die Trendkomponente abzubilden. Zur Bestimmung der zyklischen Komponente wird Autokorrelation verwendet. Bei allen Datensätzen gibt es ein stark zyklisches Verhalten bei Periodenlängen von Tagen und Wochen. Des Weiteren zeigen Untersuchungen mittels partieller Autokorrelation einen autoregressiven Anteil in den Zeitreihen. Darüber hinaus findet man bei der Betrachtung der Zeitreihen auch diverse Unregelmäßigkeiten. Diese lassen sich häufig durch besondere Umstände (intern oder extern bedingt) an dem logistischen Knoten erklären. In Abbildung 7 sind z.B. Weihnachten und Neujahr deutlich erkennbar. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 14 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Abbildung 7: Ausschnitt einer Zeitreihe Informationen über Einflüsse, die keine Regelmäßigkeiten in der Zeitreihe besitzen, sollten in die Prognose integriert werden können. Um diese Unregelmäßigkeiten für den Prognosehorizont antizipieren zu können, müssen die entsprechende Informationen zukunftsbezogen verfügbar sein. Da diese Einflüsse und ihre Auswirkungen, für jeden logistischen Knoten individuell sind, müssen sie der Prognose knotenspezifisch zur Verfügung gestellt werden. Da es sich bei der Prognose um ein Zeitreihenmodell handelt, müssen diese zusätzlichen Informationen ebenfalls als Zeitreihen vorliegen. Die Schwankungen innerhalb der LkwWartezeiten und der Ankünfte an den Knoten zeigen auf, dass es sich bei der Abfertigung von Lkw an logistischen Knoten um sehr volatile Prozesse handelt. 2.1.2 Konzept des zweistufigen Prognoseansatzes Die Anforderungen, die sich aus den Prognoseproblemen ergeben, werden verwendet um ein Konzept für den Prognoseansatz zu erstellen. Die Schwankungen innerhalb der Lkw-Wartezeiten und der Ankünfte an den Knoten zeigen auf, dass es sich bei der Abfertigung von Lkw an logistischen Knoten um sehr volatile Prozesse handelt. Obwohl die Zeitreihen über ein sehr regelmäßiges Grundmuster verfügen, lassen sich immer wieder starke Abweichungen von diesen Mustern finden. Dies stellt für den Prognoseansatz eine Herausforderung dar, da Prognoseansätze für regelmäßige und unregelmäßige Zeitreihen, jedoch kein einzelnes Modell diese beiden unterschiedlichen Anforderungen gleichzeitig (mit entsprechend hoher Qualität) abbilden kann. Daher ist für die Prognosen in diesem Projekt ein hybrider Ansatz gewählt worden. Bei einem hybriden Ansatz werden unterschiedliche Prognosemethoden miteinander verbunden. Dabei werden die Modelle mit Hilfe der entsprechenden Methoden so konzipiert, dass sie untereinander methodische Schwächen ein stückweit kompensieren. So können die Vorzüge unterschiedlicher Methoden kombiniert werden, um eine Vorhersagequalität zu erreichen, die durch die Nutzung einer einzelnen Methode nicht möglich ist. Für den Prozess der Lkw-Ankünfte und die damit verbundene Lkw-Wartezeiten werden die Modelle so gestaltet, dass ein Modell durch geeigneten Methodeneinsatz die Basisprognose für den regulären Anteil der Zeitreihe liefert. Als Datenquelle werden dabei ausschließlich die historischen Daten des Prozesses verwendet. Darauf aufbauend wird ein zweites Prognosemodell mit künstlicher Intelligenz verwendet, um komplexere Strukturen der Daten Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 15 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg abzubilden und zusätzliche Informationen aus dem Unternehmen und der Unternehmensumwelt für die Prognose zu verarbeiten. 2.1.3 Methoden: Prognosemodell 1 Für die Basisprognose des ersten Prognosemodells, die den regulären Anteil der Prognosegröße vorhersagen soll, kommen diverse Methoden in die nähere Auswahl, deren Stärken und Schwächen hier vorgestellt werden. 2.1.3.1 Trendprognosen Aufgrund der starken Verbreitung in Produktion und Logistik werden hier zunächst Methoden aus der Gruppe der Trendprognosen betrachtet. Konkret handelt es sich um die Methode der „linearen Regression“ sowie um die Methode der „polynomischen Regression“. Hierbei wird die Prognosegröße mittels analytischer Formelzusammenhänge ermittelt. Bei der linearen Regression handelt es sich um Geradengleichungen, bei der polynomischen Regression um Polynome n-ter Ordnung (vgl. Box et al. (2008), S. 158ff.). Die benötigten Parameter für das Erstellen der Formeln werden aus den historischen Daten berechnet. Zeitreihen, die sich durch eine lineare oder polynomische Formel darstellen lassen, können durch diese Methoden abgebildet werden. Diese Methoden sind jedoch nicht in der Lage, komplexe Zeitreihen abzubilden bzw. fortzuschreiben. Insbesondere bedingt durch die starke Zyklizität und Volatilität der vorliegenden Zeitreihen, konnten mit Hilfe der Methoden keine brauchbaren Prognosen erzeugt werden. 2.1.3.2 Naive Prognose Eine weitere Methode, die in der Praxis verwendet wird, ist die „naive Prognose“. Bei diesem Prognoseansatz, wird der jeweils vorherige Wert für die Prognose des nächsten Wertes verwendet. Ist beispielsweise der Wert „X“ der letzte bekannte Wert der Zeitreihe, wird bei diesem Verfahren für den folgenden Zeitpunkt ebenfalls der Wert „X“ prognostiziert. Tritt dann der Wert „Y“ ein, wird für den darauf folgenden Zeitpunkt Y vorhergesagt. In einer Erweiterung des Grundkonzeptes wird nicht der vorherige Wert, sondern ein früherer Wert verwendet. Beispielsweise wird statt der vorherigen „Stunde“ die gleiche Stunde des letzten Tages herangezogen. In jedem Fall handelt es sich um die Verwendung von nur einem früheren Zeitpunkt. Vorteil dieser Variante ist die Einfachheit der Umsetzung und die Abbildung zeitnaher Trends durch die autoregressive Berechnung. Problematisch gestaltet sich die Verwendung bei „Unregelmäßigkeiten“ im Verlauf der Zeitreihe, wie z.B. Feiertagen. Hierbei tritt eine höhere Abweichung sowohl beim Eintreten der Unregelmäßigkeit als auch bei der Verwendung der Unregelmäßigkeit für die Prognose auf. 2.1.3.3 Zeitbezogene Mittelwerte Eine andere Methode ist die Verwendung von Mittelwerten für die Prognose (vgl. Hyndman & Athanasopoulos (2012)). Die Berechnung kann entweder alle Werte umfassen oder nur einen Ausschnitt der Daten. Bei zeitbezogenen Mittelwerten werden aus den historischen Daten vergleichbare Zeitpunkte übereinander gelegt und ein Durchschnitt gebildet, der als Prognosewert für vergleichbare Zeitpunkte in dem Vorhersagezeitraum genutzt werden kann. Dabei können beispielsweise Stunden, Tage oder Wochen betrachtet werden. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 16 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Bei den zeitbezogenen Mittelwerten ist als Vorteil zu nennen, dass realitätsnahe Prognosen erstellt werden können, wenn sich zu prognostizierende Strukturaspekte in den bereits vorhandenen Daten abzeichnen. Ein weiterer Vorteil ist, dass das Verfahren robuster gegenüber „Unregelmäßigkeiten“ ist als Verfahren die nur einen einzelnen Wert verwenden, wie zum Beispiel die naive Prognose. Nachteilig ist, dass das Verfahren umfangreicher Datenanalysen bedarf und nur bei Trendfreiheit funktioniert. 2.1.3.4 ARIMA Das ARIMA Modell (Autoregressive Integrated Moving Average) stellt einen vergleichsweise ausgereiften Prognoseansatz dar. Die Erweiterung des ARIMA Modells um einen saisonalen Teil, der entsprechende Schwankungen verarbeiten kann, ist als „seasonal ARIMA“ (sARIMA) Modell bekannt. Das Modell stützt sich auf verschiedene Methoden für die Prognose und ermittelt einen autoregressiven Anteil, einen integralen Anteil und einen Anteil aus dem gleitenden Durchschnitt. Im Falle des sARIMA Modells sind diese drei Anteile sowohl im „normalen“ als auch im saisonalen Modus verfügbar (vgl. Brockwell & Davis (2016)). Dieses Vorhersagemodell bietet den Vorteil, dass es Aufgrund seiner Komplexität eine Vielzahl von unterschiedlichen Situationen abbilden kann. Problematisch bei diesem Modell sind zum einen die arbeitsaufwendige Bestimmung aller drei (oder sechs) Faktoren und zum anderen die fehlende Dynamik im Zeithorizont. Desweitern ist das Verfahren bei größeren Prognosehorizonten nicht robust. 2.1.4 Methoden: Prognosemodell 2 Methoden der „künstlichen Intelligenz“ zeigen bereits in anderen Bereichen der Forschung ihre Fähigkeiten zur Prognose von Zeitreihen (vgl. Wang et al. (2009)). Im Rahmen des Forschungsprojektes werden solche Methoden untersucht, um die unregelmäßigen Anteile der Zeitreihen vorherzusagen und die Prognose damit an besondere aktuelle und/oder zukünftige Umstände anzupassen. Hierfür sind zwei unterschiedliche Methoden der künstlichen Intelligenz ausgewählt und ihre Prognosequalität bewertet worden. Als erste Methode werden „Regressionsbäume“ betrachtet, als zweite Methode „künstliche neuronale Netze“. Vor der Vorstellung der eigentlichen Methoden werden relevante Ausdrücke und Methoden der künstlichen Intelligenz erläutert. 2.1.4.1 Prädiktoren Um spezifische Einflüsse auf die Entwicklung der Zeitreihen berücksichtigen zu können, werden diese bei der Berechnung der Vorhersage hinzugezogen. Solche Zusatzinformationen werden Prädiktoren genannt. Die Prädiktoren stellen ebenfalls Zeitreihen dar, die wie in Abschnitt 2.1.1.1 erläutert erstellt werden. Die Prädiktoren können Anhand ihrer Eigenschaften klassifiziert werden. Als erstes wird betrachtet, mit welcher Sicherheit der Prädiktor in der Zukunft vorhanden sein wird. Sind die betreffenden Informationen berechenbar, werden sie als deterministisch eingestuft, wie zum Beispiel die „Wochentage“. Unterliegen die Informationen Unsicherheiten und sind sie für die Zukunft nicht (sicher) bekannt, wie zum Beispiel das Wetter, werden sie als stochastisch klassifiziert. Weitergehend wird unterschieden, ob auf diese Information (unternehmensintern vs. -extern) Einfluss genommen werden kann und in welcher Datenform sie vorliegen (kategorisch vs. binär vs. numerisch). Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 17 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Die Prädiktoren müssen ebenfalls in Zeitreihen überführt werden. Die Art der Überführung wird durch den Datentyp der Prädiktoren bestimmt. Kalendarische Ereignisse, die als Datum vorliegen, wie zum Beispiel Feiertage, können in eine binäre Zeitreihe umgewandelt werden. Bei der Umformung kategorischer Informationen hingegen müssen für jede einzelne Kategorie eine Zeitreihe erstellt werden. In Tabelle 1 sind die in dem Forschungsprojekt verwendeten Prädiktoren gelistet und entsprechend klassifiziert. Die berücksichtigten Prädiktoren sind insbesondere im Rahmen von Interviews mit den am Projekt beteiligten Knotenbetreibern ermittelt worden. Prädiktor Gewissheit Datentyp intern/ extern Kommentar Wochentag (n) deterministisch kategorisch extern eine Zeitreihe mit Sonntag=1, Samstag=7 Wochentag (p) deterministisch numerisch extern zwei Zeitreihen, die Cosinus und Sinus mit der Periodenlänge 168h darstellen Wochentag (b) deterministisch binär extern sieben Zeitreihen die jeweils einen Wochentag anzeigen Öffnungszeit deterministisch binär intern 1 während des Betriebs, sonst 0 Tagesgang (n) deterministisch numerisch extern eine Zeitreihe mit der jeweiligen Stunde des Tages Tagesgang (p) deterministisch numerisch extern zwei Zeitreihen, die Cosinus und Sinus mit der Periodenlänge 24h darstellen Tagesgang (b) deterministisch binär extern die jeweilige Stunde des Tages durch 24 binäre Reihen dargestellt Feiertage deterministisch binär extern Zeitreihe, die gesetzliche Feiertage mit einem binären Wert anzeigt Wetter (n) stochastisch numerisch extern drei Zeitreihen mit Angaben zur Temperatur, Niederschlag und Windgeschwindigkeit Schiffsankünfte stochastisch numerisch extern Zeitreihe mit der Menge an im Hafen ankommenden Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 18 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg Containern C in TEU Tabelle 1: Verwendete Prädikto oren 2.1.4.2 Training und u Vorhers sage Im Traiiningsproze ess werden n der künsttlichen Inte elligenz die e historisch en Daten und die dazugehörenden Prädiktorwe P erte überge ben. Anhan nd dieser werden w Merrkmale und d Muster e Modell entwickelt. e Dieses wird d verwende et, um mithiilfe der Prä ädiktoren generalisiert und ein hersagezeitrraum die Prognosewe rte zu bere echnen. Abb bildung 8 zeeigt den Ab blauf von im Vorh Training g und Vorhe ersage. In eine em ersten Schritt wird w mittelss der histtorischen Daten undd Prädiktoren der Vergang genheit ein Modell fürr die Entsch heidungsfin ndung entwickelt. Dies es ist in de er Grafik durch e einen Entsccheidungsba aum reprässentiert. Wie e die Entsc cheidungen berechnet werden und derr Einfluss der d jeweiligen Prädikto oren hängt von den Methoden M aab. Ist das Training abgesch hlossen, we erden dem entstanden ktoren des Prognoseh horizonts nen Modelll die Prädik (und gg gf. Teile derr historische en Daten) ü übergeben. Aus diesen n wird die P Prognose be erechnet und ansschließend zurückgelie z efert. Abbildung 8: Trainiing und Vorhersage mitttels künstlicher Intellig genz 2.1.4.3 Regressio onsbäume Regresssionsbäume e sind ein Teil der übergeordn neten Grup ppe der Klaassifizierungs- und wie es hierr der Fall Regresssionsbäume e. Sie werden für Apprroximations sprobleme verwendet, v w ist. Derr Ansatz der Regress sionsbäume e ist, Wertte der Zeitreihe zu ggruppieren und die Gruppen durch Unterschiede U e in deren n Prädiktore en zu erklären. Anscchließend wird w die eidungsfindung für ein ne Prognosse durch eine e beliebige Anzahll von „wen nn-dannEntsche Entsche eidungen“ mittels m Prädiktoren des Vorhersagezeitraums durchgefühhrt. In der T Trainingsph hase wird anhand a derr zur Verfü ügung geste ellten Präd iktoren das s Modell eines B Baummusterrs entwickelt, das die m möglichen Prognosewerte in den Blätter entthält. Als erstes w wird der Wertebereic W h der histo orischen Daten in zw wei Teilmenngen untertteilt. Die Schlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 19 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg Teilung erfolgt durch eine binäre Unte rscheidung (zwei mög gliche Ergeebnisse) im m Wertegebenen Prrädiktors. D Durch die Unterteilung U g entsteht eein Entsche eidungsbereich eines geg m des jeweiligen Prädiktors eine Entsc cheidung füür eine derr beiden knoten, an dem mittels ngen getrofffen wird. Danach D wird d die Methode rekursiv auf die bbeiden Teillmengen Teilmen angewe endet, bis die d Abweic chung innerrhalb der Teilmenge T einen definnierten Sch hwellwert erreichtt. Dort wird der Mittelw wert der Teiilmenge gebildet. Für die d Berechnnung der Prognose P es Zeitpunkktes im Vo orhersageze eitraum verrwendet, um m einen werden die Prädikktoren jede ert der Baum mstruktur auszusuchen n. Mittelwe Die Vorrteile diesess Ansatzes s sind die e einfache Errstellung von Prognoseen nach Ab bschluss der Traiiningsphase e und die Möglichkeit M n nichtlineare e Zusammenhänge abzzubilden. Nachteilig ist, dasss durch die Gruppierung einess Wertebere eichs zu einer e Zahl die Auflösu ung des Wertebe ereichs in der d Prognos se reduziert ist (vgl. Hill & Lewicki (2006), S. 885). 2.1.4.4 Künstliche e Neuronale e Netze Bei den n künstlichen Neuronalen Netzen (im Weitere en: Neuronale Netze) wird die Fu unktionsweise vvon Neuron nen in eine em Gehirn nachgeahm mt. Neurona ale Netze w werden sow wohl für Klassifizzierungs- als auch für Approxima ationsproble eme verwen ndet. Obwohhl Neuronale Netze in vielen n Untersuchungen bereits hohess Prognosep potential ze eigen, habeen sie sich bis dato nicht im m Berufsallta ag etabliert (vgl. Crone (2005), S. 102). Die Strruktur der Netzte bes schreibt de en grundsättzlichen Au ufbau, die Ausmaße und die Verbind dungen inne erhalb der Netze. N Abbil dung 9 zeig gt den Aufbau eines Neeuronalen Netzes. N Abbildung 9: Aufba au Neuronaler Netze Bevor D Daten an da as Neurona ale Netz geg geben werd den, wird da as Netz volllständig au ufgebaut. Währen nd des Aufb baus des Ne etzes kann an den ein nzelnen Dim mensionen E Einfluss gen nommen werden. Das Ne etz besteh ht aus Scchichten, die mit Ausnahme A des Inpu uts aus nungsknote en, den Neu uronen, be steht. Jede es Neuron besitzt Verrbindungen zu dem Berechn vorherig gen Schichtten. Diese Verbindunge V en verfügen n über individuelle Gew wichtungen.. Durch d die Anzahl an Prädikto oren und a utoregressiiv betrachte eten Zeitpunnkten ist diie Breite der Inp put-Schicht gegeben. Die Breite e der ande eren Schich ht wird durrch die An nzahl an Schlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 20 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Neuronen beschrieben. Als Output kann entweder ein einzelnes Neuron jeden Zeitpunkt im Vorhersagezeitraum der Reihe nach prognostizieren oder ein Neuron pro Zeitpunkt des Vorhersagezeitraums sagt genau einen Wert voraus. Bei den hier verwendeten Prognosen wird der Fokus auf Netze mit einem Output-Neuron gesetzt. Die Anzahl der zwischen In- und Output-Schicht gelegenen Schichten, den sogenannten Hidden-Schichten, bestimmt die Tiefe des Netzes. Aus diesen Dimensionen ergibt sich die Anzahl an Neuronen im Netz. Bei zu wenigen Neuronen kann es passieren, dass Aspekte des Inputs während des Trainings nicht abgebildet werden können und somit verloren gehen. Bei zu vielen Neuronen wird die Anzahl der Freiheitsgrade zu hoch und die zufälligen Initialisierungen bestimmen die Ausprägungen des Netzes und damit die Prognoseresultate. Beim Training der Neuronalen Netze werden die Prädiktoren aus dem entsprechenden historischen Zeitraum und die historischen Daten an das Netz übergegeben. Mithilfe der Prädiktoren wird über die Gewichtungen und Funktionen der einzelnen Neuronen eine Prognose für Zeitpunkte innerhalb der historischen Daten berechnet und anschließend mit dem tatsächlichen Wert des jeweiligen Zeitpunktes verglichen. Ist die Abweichung zu groß, werden die Gewichtungen und Funktionen angepasst. Dies geschieht solange, bis die historischen Daten anhand ihrer Prädiktoren ausreichend gut (nach-)berechnet werden können. Für die Berechnung der tatsächlichen Prognose werden dann die Daten der Prädiktoren aus dem Vorhersagezeitraum und die nun festgesetzten Gewichtungen und Funktionen verwendet. Vorteil der Neuronalen Netze sind die Fähigkeit zur Erkennung komplexer Muster, sowie die Fähigkeit der eigenständigen Anpassung an Veränderung in den Daten. Nachteilig ist der hohe Datenbedarf, zudem ist eine korrekte Parametrisierung und Implementierung sehr aufwendig. 2.1.5 Implementierung und Testumgebung 2.1.5.1 Auswahl der Methoden für Prognosemodell 1 und 2 sowie deren Integration Die vorgestellten Methoden, die für die Basisprognose in Frage kamen, wurden auf ihre Tauglichkeit für die Prognose untersucht. Dabei wurde die Realisierbarkeit, Präzision und Robustheit mit in Betracht gezogen. Die Entscheidung für die Basisprognose fällt auf die zeitbezogenen Mittelwerte, da diese im Schnitt die besten Prognoseergebnisse. Bei den Methoden der künstlichen Intelligenz dominieren die Neuronalen Netze die Regressionsbäume in den Untersuchungen. Zwar gestalten sie sich komplizierter in der Implementierung, jedoch können nur sie die komplexen Muster in den Daten ausreichend abbilden. Zudem kann durch die Verwendung von bereits entwickelter Software der Aufwand bei der Implementierung der Netze reduziert werden. 2.1.5.2 Integration der Ergebnisse von Prognosemodell 1 und 2 Für den hybriden Ansatz muss, neben der Bestimmung der einzelnen Prognosemodelle, die Kombinationsweise definiert werden. Für die Kombination kommen unterschiedliche Konzepte und Operatoren in Frage. Da jede Methode „seinen“ Anteil an der Zeitreihe vorhersagen soll, muss die Zeitreihe in Bezug auf diese Anteile getrennt werden. Kann eine Methode z.B. autoregressive Anteile Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 21 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg berechn nen, die andere nur sa aisonale Ei nflüsse, mu uss vor derr Prognose der autoregressive und sa aisonale An nteil der Ze eitreihe ge etrennt werrden. Dies geschieht,, indem eines der Prognossemodelle die komplette Zeitre eihe modellliert und eine e Vorhe rsage erstellt. Die modellie erte Zeitreih he wird dann mit der Zeitreihe der d originärren Daten verglichen und die Unterscchiede betrachtet. Die e Abweichu ungen von modellierte en und echhten Daten n heißen Residue en. Die ressultierenden n Residuen bilden dan nn die Ausg gangszeitreeihe für das s andere Prognossemodell, welches w die ese im Rah men einer (zweiten) Vorhersage V entspreche end fortschreibtt. Für die Erstellung E de er finalen P Prognose de es hybriden n Ansatzes werden die e beiden Prognossen der untterschiedlich hen Modelle e kombiniert. Abbildun ng 10 zeigt dden schematischen Aufbau des hybride en Konzepts dieses Prrojekts. as Modell d der zeitbezo ogenen Mitttelwerte, daas für die Errmittlung Prognossemodell 1 ist dabei da der Bassisprognose e und in ein nem weitere en Schritt zu ur Bestimm mung der R Residuen ve erwendet wird. Die Neurona alen Netze übernehm men die Anpassung an besonde re Umstände bzw. onalen Netzze als erste es Modell verwendet v w werden, würden sie Ereignissse. Würden die Neuro nur die generellen n – also sic ch wiederho olende – Muster M erkennen und eine Verbe esserung durch Z Zusatzinform mation, die spezifische e Einflüsse e auf die Prognosegrööße abbilde en, wäre eher ge ering. Das darauf auffbauende V Verwenden von zeitbe ezogenen M Mittelwerten n würde keine V Verbesserun ng hinsichtlic ch besonde erer Umstän nde liefern. Abbildung 10: Aufb bau des hybriden Progn nosekonzep pts 2.1.5.3 Implemen ntierung Wie im Konzept (vvgl. Abschn nitt 2.1.2) skkizziert, solll der vorgestellte Ansaatz vergleic chsweise unkomp pliziert und zudem aufwandsarm durch Verrwendung von v Standaard-Software e impleSchlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 22 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg mentierbar sein. Hierfür ist bei der Umsetzung des Prognosemoduls auf die im ComputerAlgebrasystem MATLAB bereitgestellten Funktionalitäten zurückgegriffen worden. Die Prognosekomponente bildet dabei eine Funktion, der die historischen Daten, Daten der Prädiktoren und weitere Parameter übergeben werden, um eine Prognose zurückzuliefern. Die Umformung der Daten in Zeitreihen, sowie die notwendigen Schritte zur Verwendung eines hybriden Konzepts sind im Rahmen des Projektes implementiert worden. Die zeitbezogene Mittelwerte sind ebenfalls eigenständig implementiert, bei Neuronalen Netzen wird auf MATLAB Code zurückgegriffen. Konkret wird die Neuronal Networks Toolbox verwendet, um Modellierung, Training und Anwendung der Neuronalen Netze durchzuführen. 2.1.5.4 Testumgebung Um die Ergebnisse von unterschiedlichen logistischen Knoten vergleichbar zu halten, ist in einem ersten Schritt der Zeithorizont bestimmt worden, in dem von allen Knoten Daten zur Verfügung stehen. Dieser Zeitraum umfasst die 60 Wochen von 01.10.2014 bis 29.11.2015. Das in Abbildung 11 gezeigte Testschema wird verwendet um die Untersuchungen der Prognoseparameter durchzuführen. Abbildung 11: Testschema Bei den Untersuchungen werden für jeden Datensatz acht Prognosen erstellt, die jeweils eine Woche umfassen und die vorhergehenden 52 Wochen als historische Daten verwenden. Dies beschreibt ein praxisnahes Prognoseszenario von acht Wochenprognosen. Die Tests werden jeweils mit den Zeitreihen aller in die Tests einbezogenen Knoten durchgeführt (vgl. auch Abschnitt 2.1.6). Bei der Betrachtung eines Parameters (z.B. Knotenanzahl) sind alle anderen Parameter festgesetzt und der zu untersuchende durchläuft einen definieren Wertebereich (z.B. 1-20). Da Lkw-Ankunftsraten nur ganzzahlige Werte annehmen können, werden die Prognoseergebnisse ganzzahlig gerundet. Da Wartezeiten kontinuierlich sind, werden die prognostizierten Lkw-Wartezeiten direkt verwendet. 2.1.5.5 Pre- und Post-processing Um den Prognoseansatz nutzen zu können, müssen zuerst die Zeitreihen aus den Datensätzen erstellt werden. Abhängig von den erstellten Zeitreihen ist es ggf. notwendig, diese entsprechend aufzubereiten und zu verändern, damit der Prognoseansatz zu brauchbaren Ergebnissen führt. Die Bearbeitungsschritte, die vor der Prognose durchgeführt werden, heißen Pre-processing. Nach der Erstellung der Prognose müssen die Inversen der Bearbeitungsschritte auf die historischen Daten und die Prognose ausgeführt werden, um die ursprüngliche Form der Zeitreihe zu erhalten. Gegebenenfalls sind weitere Modifikationen Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 23 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg erforderlich, um die Prognoseergebnisse adäquat darstellen zu können. Diese heißen Postprocessing (vgl. Crone et al. (2006), S. 6). Einige der Aufbereitungsschritte im Pre- und Postprocessing haben sich als notwendig für die Verwendung des entwickelten hybriden Ansatzes herausgestellt. Einer dieser Schritte wird nachfolgend erläutert. Nach dem Einlesen der Daten wird bestimmt, welchen Zeitraum sie umfassen. Danach wird dieser Zeitraum in die vorab definierten Zeitfenstern unterteilt und die Einträge werden „ihren“ entsprechenden Zeitfenstern zugeordnet. Die an den Tests beteiligten logistischen Knoten haben nur werktags tagsüber geöffnet. Die täglichen Öffnungszeiten reichen von 12 bis 15 Stunden. Da die Zeitreihe jede Stunde der Woche abdeckt, sind daher bis zu 64% der Zeitfenster ohne Ankünfte. Dieser große Anteil an „leeren“ Zeitfenstern außerhalb der Betriebsstunden stellt für viele Methoden eine Hürde dar. Insbesondere die Anpassung der Basisprognose mittels der Neuronalen Netze führt so zu keinem brauchbaren Ergebnis. Daher sind die Zeitreihen im Pre-processing auf die Öffnungszeiten „gekürzt“. 2.1.5.6 Qualitätsmaße Die Qualität einer Vorhersage beschreibt die Übereinstimmung, beziehungsweise die Unterschiede, zu den tatsächlich eingetretenen Ergebnissen. Eine detaillierte Untersuchung jeder Vorhersage kann oftmals nicht realisierbar, da es zu viel Aufwand bedeutet und es keine einheitliche Bewertung für Prognosen geben kann. Daher werden in der Praxis Kennzahlen für das Qualitätsmaß genutzt. Anhand einer Zahl (oder wenigen Zahlen) kann so ein Überblick über die Qualität der Vorhersage erlangt werden. Als Kennzahlen werden hier der mittlere quadratische Fehler und der durchschnittliche relative prozentuale Fehler. Der mittlere quadratische Fehler (engl. Mean Square Error – MSE) ist ein aus dem Bereich der Statistik bekanntes Fehlermaß. Der Vorteil dieser Kennzahl ist die weite Verbreitung und die einfache Berechnung, die in allen Anwendungsfällen möglich ist. Nachteilig ist, dass die Kennzahl nicht auf die zu prognostizierenden Werte normiert ist. So können ohne Wissen über die Dimension der Ergebnisgröße nur unzureichende Informationen über die Qualität gewonnen werden (vgl. Hyndman & Koehler (2006)). Formel 1 zeigt die Formel zur Berechnung des MSE. Formel 1: Mean Square Error Der durchschnittliche relative prozentuale Fehler (engl. Mean Average Percentage Error – MAPE) ist eine der am meisten verbreiteten Kennzahlen dieser Art. Aufgrund der Normierung auf die tatsächlichen Werte kann sie nur angewendet werden, wenn die Zielgrößen in der Zeitreihe keine Null beinhalten. Der MAPE wird durch Formel 2 berechnet und in Prozent angegeben. (vgl. Goodwin & Lawton (1999), S. 405). In Formel 2 ist die Berechnungsformel für den MAPE zu sehen. 1 ∗ | | ∗ 100% Formel 2: Mean Average Percentage Error Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 24 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Dabei ist der tatsächliche Wert der Zeitreihe zum Zeitpunkt , der prognostizierte Wert zum Zeitpunkt , = 0 der Zeitpunkt zum Beginn des Prognosehorizonts und die Anzahl an Zeitpunkten im Prognosehorizont. Jedes Qualitätsmaß ist dann für die jeweilige Wochenprognose berechnet worden. Auf diese Weise entstehen bei jeder Durchführung der Tests acht MSE und acht MAPE pro Knoten. Um diese 16 Qualitätswerte pro Knoten zu reduzieren, wird für MSE und MAPE jeweils Minimum, Durchschnitt und Maximum der acht „Zahlen“ gebildet. So bleiben bei jedem Test nur sechs Kennzahlen pro Knoten 2.1.5.7 Experimente und Parameterwahl Experimente sind durchgeführt worden, um die die Prognosequalität der in der Systemlösung eingesetzten Methoden zu validieren. Zudem dienen die Tests, um die korrekte Parameterwahl zu finden und den Einfluss unterschiedlicher Prädiktoren zu bewerten. Zwei dieser Untersuchungen werden hier vorgestellt. Es wird der Einfluss des Prädiktors „Feiertage“ auf die Prognose untersucht. Dafür werden die Vorhersagen einmal mit und einmal ohne Verwendung des Prädiktors durchgeführt. Tabelle 2 zeigt die Kennzahlen für die Prognosequalität eines Knotens. Knoten MSE Min MSE Ø MSE Max MAPE Min MAPE Ø MAPE Max ohne Feiertage 75,88 148,14 304,17 16,10% 33,30% 59,70% mit Feiertagen 71,64 145,08 300,92 16,20% 32,80% 58,20% Tabelle 2: Vergleich von Kennzahlen der Prognosequalität Von den sechs Kennzahlen sind fünf unter der Verwendung der Information der Feiertage besser, eine schlechter. Anhand dieser Zahlen ist die Verwendung der Feiertage als Prädiktor für den Knoten zu empfehlen. In Tabelle 3 sind die Ergebnisse anderer Experimente geführt, bei denen für alle Knoten die gleiche Parameterwahl getroffen wird. Untersuchung Wertebereich Ergebnis Stunde/Tag; Tag/Woche; Stunde/Woche Stunde/Woche Anzahl an Hidden-Schichten 0-4 1 Knotenanzahl in der HiddenSchicht 1-20 10 Anzahl an Initialisierung der Neuronalen Netze 1-50 20 ja; nein Nein 13; 26; 39; 52 52 Zeitfenster/Periodenlänge der zeitbezogenen Mittelwerte Logarithmieren der Zeitreihen Wochen an historischen Daten Tabelle 3: Durchgeführte Untersuchungen Bei weiteren Experimenten sind kontenabhängige Entscheidungen für die Wahl eines Parameters zu finden. Diese werden dann für den jeweiligen Knoten eingesetzt. Diese umfassen die Verwendung der restlichen Prädiktoren und der autoregressiv betrachteten Zeitpunkte. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 25 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 2.1.6 Validierung anhand von Fallbeispielen Das Prognosemodul hat nach dem gewählten Schema Prognosen für vier unterschiedliche logistische Knoten im norddeutschen Raum erstellt (Knoten A, B, C und D). Die Knoten unterscheiden sich in ihren Eigenschaften z.T. erheblich (vgl. Tabelle 4) und weisen auch bzgl. ihrer historischen Zeitreihen (Lkw-Ankünfte und -Wartezeiten) deutliche Unterschiede in der Größe der Messwerte auf. Exemplarisch zeigen dies die Abbildung 12 bis Abbildung 16 für den Vergleich einer Woche. Bei den Daten handelt es sich um Auszüge aus den ITSystemen der logistischen Knoten. Die Umformung des jeweiligen Datensatzes in Zeitreihen musste anhand des Formats und der zur Verfügung stehenden Daten gewählt werden. Mithilfe der gewählten Umformung wurden Zeitreihen diverser Zeitfenstergrößen erstellt. Tabelle 4 zeigt eine Übersicht der logistischen Knoten der Anwendungsfälle. Knoten Bewegungen (Σ) Tagesbewegungen (Ø) Stundenbewegungen (Ø) Kapazität (TEU) Arbeitszeiten (Mo-Fr) A B C D 35.695 47.738 209.799 153.195 119 158 695 295 9 11 50 36 1.600 8.000 13.000 12.000 7-20 6-19 6-20 6-22 Tabelle 4: Kennzahlen der Anwendungsfälle 2.1.6.1 Prognosen Im Folgenden werden die erstellten Zeitreihen mit den jeweiligen Prognosen gezeigt. Dazu werden die Kennzahlen der Prognoseergebnisse genannt. Zum Abschluss werden die Ergebnisse der unterschiedlichen Depots miteinander verglichen. Die Echtdaten sind blau dargestellt, die Prognosen rot. Werden die Daten stundenbezogen gezeigt, sind diese als Linien dargestellt. Zusammenfassungen mehrerer Stunden werden als Balken gezeigt. Die Prognosen besitzen die gleichen Einheiten und Zeitfenster wie die Zeitreihen sind jedoch immer als Linien dargestellt. Als erstes wird ein kleinerer logistischer Knoten vorgestellt (Knoten A). Dieser besitzt im Abfertigungsprozess nur eine Datenaufnahme am Eingang. Daher kann für diesen Knoten nur die Zeitreihe der Lkw-Ankünfte berechnet und prognostiziert werden. Abbildung 12 zeigt die Prognose der letzten Woche und die tatsächlichen Ankünfte. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 26 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Lkw‐Ankünfte pro Halbschicht 70 Daten 60 Vorhersage 50 40 30 20 10 0 Montag Dienstag Mittwoch Donnerstag Freitag Abbildung 12: Daten und Prognose der Lkw-Ankünfte von Knoten A Die Zeitfenster der Vorhersage sind auf Wunsch des Knotenbetreibers auf Halbschichten festgelegt (vier Stunden). Die Berechnung erfolgt in Stunden, die im Post-processing in Halbschichten zusammengefasst werden. Bei Knoten B, der hier vorgestellt wird, sind die gleichen Anforderungen an die Prognose gestellt. In Abbildung 13 sind Daten und Prognose zu sehen. Daten Vorhersage Lkw‐Ankünfte pro Halbschicht 70 60 50 40 30 20 10 0 Montag Dienstag Mittwoch Donnerstag Freitag Abbildung 13: Daten und Prognose der Lkw-Ankünfte von Knoten B Da ebenfalls nur ein Zeitstempel vorhanden ist, werden ausschließlich Lkw-Ankünfte prognostiziert. Die Halbschichten umfassen ebenfalls vier Stunden. Die Lkw Ankünfte bei Knoten C werden ebenfalls in Halbschichten angegeben. Abbildung 14 zeigt die Lkw-Ankünfte pro vierstündigen Zeitfenster. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 27 Lkw‐Ankünfte pro Halbschicht AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 300 Daten 250 Vorhersage 200 150 100 50 0 Montag Dienstag Mittwoch Donnerstag Freitag Abbildung 14: Daten und Prognose der Lkw-Ankünfte von Knoten C Wartezeit pro Stunde [min] Die Werte der Zeitreihe skaliert mit der Größe des Knotens. Dadurch verringert sich die Volatilität der Zeitreihe. Knoten C verfügt außerdem über mehrere Zeitstempel im Abfertigungsprozess. Aus der Differenz der Zeitstempel wird die Wartezeit der Lkw bestimmt. Die stündlichen Mittelwerte dieser Wartezeiten ergeben die Zeitreihe, die prognostiziert wird. In Abbildung 15 sind die Wartezeiten mit ihren Prognosen zu sehen. 35 Daten Vorhersage 30 25 20 15 10 5 0 Montag Dienstag Mittwoch Donnerstag Freitag Abbildung 15: Daten und Prognose der Wartezeiten von Knoten C Eine deutliche Spitze ist am Beginn jedes Tages zu sehen. Bedingt durch die wartenden Lkw, die vor der Öffnungszeit bereits auf dem Gelände stehen. Bei dem letzten Knoten D werden die Prognosen ebenfalls in vierstündigen Zeitfenstern berechnet. Abbildung 16 zeigt die Prognose der letzten Woche. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 28 Lkw‐Ankünfte pro Halbschicht AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 80 Daten 70 Vorhersage 60 50 40 30 20 10 0 Montag Dienstag Mittwoch Donnerstag Freitag Abbildung 16: Daten und Prognose der Lkw-Ankünfte von Knoten D Die Ergebnisse sind denen Geschäftsführungen der verschiedenen Knoten präsentiert worden. Das Feedback von allen Knoten war durchweg positiv, wobei im Besonderen vom Betreiber des Knotens C die erreichte Prognosequalität als sehr vielversprechend für eine effektive Entscheidungsunterstützung der betrieblichen Einsatzplanung angesehen wird. Gleichzeitig ist auch zu erkennen, dass einige Besonderheiten in den Zeitreihen noch nicht durch Prädiktoren abgebildet werden und somit nicht in der Prognose antizipiert werden können. Beispielsweise fällt bei Knoten A der Dienstag höher aus als die Prognose erwartet. Um die Prognosequalität weiter zu erhöhen, müssen die Ursachen für die Abweichungen von Daten und Prognose im Ankunfts- und Warteprozess gefunden und in Prädiktoren abgebildet werden. 2.1.6.2 Erreichte Prognosequalität Die Prognoseergebnisse der einzelnen Knoten werden in Tabelle 5 zusammengefasst. Knoten A B C C D Zeitreihe Ankünfte Ankünfte Ankünfte Wartezeit Ankünfte Zeitfenster MSE Min MSE Ø MSE Max [min] 240 50,5 96,4875 133,6 240 80,9 179,8625 347,8 240 630,8 1211,525 3482,75 60 32,08 109,96 178,82 240 74,25 193,4 360,65 MAPE MAPE Ø Min. 22% 42% 17% 31% 11% 23% 19% 35% 20% 34% MAPE Max. 62% 61% 42% 51% 53% Tabelle 5: Prognoseergebnisse der Anwendunsgfälle Die Qualitätsmaße dienen der objektiven Bewertung der Prognosequalität und sind insbesondere im Rahmen der Experimente verwendet worden, sie bieten jedoch keinen direkten Mehrwert für den Anwender. Aufgrund der Unterschiede der Knoten, Zeitreihen und Zeitfenster sind die Ergebnisse nicht direkt miteinander vergleichbar. Der MSE steigt bei der Zeitreihe mit größerem Wertebereiche, der MAPE wird hingegen kleiner. 2.1.6.3 Nutzung in der betrieblichen Praxis Für die Anwendung in der Praxis müssen die historischen Daten ständig erweitert (d.h. aktualisiert) werden, die Aktualität der Prognose ist nur so zu gewährleisten. Um dies zu Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 29 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg ermöglichen, ist in AP°2 ein IT-System entwickelt worden, welches jederzeit einen Upload neuer Daten und die Anzeige derer Prognosen für einen Knoten ermöglicht. Durch das erstellte System ist für die Tool-Nutzung kein direkter Zugriff auf das Prognosemodul durch den Anwender erforderlich. Dies gewährleistet eine einfache Verwendung in der Praxis. Sind neue Daten eines Prozesses verfügbar, wird eine Prognose basierend auf diesen Daten bereitgestellt. Eine nähere Beschreibung der Einbindung des Prognoseansatzes findet sich in Abschnitt 2.2.3.2. 2.1.7 Zusammenfassung und Ausblick Für die Prognosen des Projekts werden die Prozesse als Zeitreihen modelliert und ein innovativer Prognoseansatzes wird entwickelt. Dieser basiert auf einem Hybridansatz, bei dem zwei unabhängige Prognosemodelle verwendet werden, um regulären und irregulären Anteil des Prozesses zu prognostizieren. Durch die Kombination der Prognosen kann so eine höhere Prognosequalität erreicht werden als durch einen Ansatz, welcher lediglich auf der Nutzung einer einzelnen Methode beruht. Als Datengrundlage dienen die Zeitreihen der Prozesse sowie Zusatzinformationen aus dem Umfeld der Prozesse. Anhand durchgeführter Experimente werden die Parameter des Prognoseansatzes bestimmt. Abschließend wird Anhand von Anwendungsfällen mit Echtdaten die Prognosequalität untersucht. Die Ergebnisse zeigen, dass der Prognoseansatz brauchbare Prognosen für die Entscheidungsunterstützung an logistischen Knoten liefern kann. Um eine weitere Verbesserungen der Prognose erreichen zu können, müssen zusätzliche Informationen, die Einfluss auf den Prozess haben, gefunden und als Prädiktoren abgebildet werden. Wie die Untersuchungen gezeigt haben, sind die Qualität und die Verfügbarkeit der Prädiktoren maßgebend für die Güte der Prognose. Weitere Prädiktoren können sowohl von den Knoten selbst stammen, als auch aus anderen Datenquellen gewonnen werden. Zudem sollte die Erstellung und Aktualisierung der Prädiktoren automatisiert werden, sodass nur eine anfängliche Parameterwahl notwendig ist, um Prognosen für weitere Knoten zu erstellen. Im Rahmen zukünftiger Forschungsarbeiten sollten auch Informationen über vorgemeldete Fahrzeuge berücksichtigt werden, um die Prognosequalität weiter zu verbessern. Mit Hilfe der Vormeldung ist eine „Trennung“ in vorgemeldete und nicht vorgemeldete Lkw möglich. Der vorgemeldete Teil der gesamten Ankünfte kann so direkt bestimmt werden, wodurch lediglich der nichtvorgemeldete Teil prognostiziert werden muss. Alternativ ist eine Integration von Vormeldeinformationen auch als Prädiktor vorstellbar. Welche Art der Informationsmodellierung i.B.a. Lkw-Vormeldungen zu besseren Prognoseergebnissen ist noch zu untersuchen. 2.1.8 Gegenüberstellung von Arbeitsergebnissen und -zielen Im Rahmen der Antragstellung sind für das AP 1 des Forschungsprojektes im Wesentlichen die nachfolgend genannten Zielsetzungen definiert worden: Entwicklung eines innovativen Prognoseansatzes zur validen Vorhersage von LkwWartezeiten an logistischen Knoten. Der Prognoseansatz soll für verschiedenartige logistische Knoten nutzbar sein. D.h., eine Verwertbarkeit ist für mehrere logistische Knoten anzustreben, welche sich auch in ihrem Typ unterscheiden. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 30 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Die folgenden (wartezeitrelevanten) Daten sind gemäß der Antragstellung als Input für die Prognose vorgesehen: o Historische Daten (z.B. Lkw-Wartezeiten und -Ankünfte aus der Vergangenheit), o Aktuelle Abfertigungssituation (z.B. derzeitige Wartezeiten am logistischen Knoten), o Lkw-Voranmeldungen (Anzahl der in den nächsten Stunden für einzelne Zeitfenster avisierten Fahrzeuge), o Lokale Umwelt- und Betriebseinflüsse mit deterministischem und stochastischem Charakter (z.B. Öffnungszeiten oder Wetter). Das Arbeitspaket konnte insgesamt erfolgreich abgeschlossen. Im Zuge der Bearbeitung von AP 1 ist es gelungen, einen innovativen, hybriden Prognoseansatz zu entwickeln, der – unter gewissen Bedingungen – bereits beim erreichten Entwicklungsstand wettbewerbsfähige Vorhersagen von stochastisch geprägten Lkw-Ankunftsprozessen i.B.a. die Ankunftsrate und die mittlere Wartezeit der Fahrzeuge ermöglicht. Der Ansatz beruht auf einer Kombination von zwei Prognosemethoden zur Fortschreibung historischer Zeitreihendaten. Für den Prognosehorizont erfolgt dabei die Berechnung des regulären Zeitreihenanteils auf Basis von zeitbezogenen Mittelwerten der historischen Daten; der irreguläre Zeitreihenanteil wird darüber hinaus mit Hilfe von Neuronalen Netzen bestimmt. Obgleich die im Zusammenhang mit den Neuronalen Netzen berücksichtigten Prädiktoren derzeit die gegebenen Umwelt- und Betriebseinflüsse nur unvollständig und vielfach knotenunspezifisch abbilden, können für historische Zeitreihen, die bzgl. der mittleren Tagesganglinie vergleichsweise kleine relative Abweichungen aufweisen, Prognoseergebnisse mit hoher Praxisrelevanz erreicht werden. Bezogen auf die durchgeführten Tests gilt dies im besonderen Maße für den Knoten C mit durchschnittlich deutlich über 500 Lkw-Ankünften pro Tag. Die Testergebnisse zeigen, dass mittels des hybriden Prognoseansatzes eine Qualität für die Wochenvorhersage der Lkw-Ankünfte erreicht werden kann, welche im Mittel lediglich 11% von der tatsächlichen Lkw-Ankunftsrate abweicht. Im Hinblick auf die (weitreichenden) Anwendungsmöglichkeiten des Prognoseansatzes in der Praxis ist zudem der generische Charakter des entwickelten Ansatzes hervorzuheben. Dieser resultiert insbesondere aus bestimmten, dem Ansatz inhärenten, methodischen Eigenschaften: Zeitreihenansatz für die Prognose: Die historischen Daten der Prognosegröße (LkwAnkunftsrate und mittlere Lkw-Wartezeit) werden als Funktion ihrer Messzeitpunkte verstanden und bilden so eine zeitliche Abfolge von Messwerten, d.h. eine Zeitreihe. Zur Vorhersage der Prognosegröße erfolgt dann die Fortschreibung der Zeitreihe von Messdaten. Verschiedenste Einflüsse auf die zu prognostizierende Größe können in Form von Prädiktoren bei der Vorhersage berücksichtigt werden, sofern ausreichend Informationen über das Auftreten dieser Einflüsse in der Vergangenheit und im Prognosehorizont vorliegen. Durch die Integration von Neuronalen Netzen besitzt der hybride Prognoseansatz die Fähigkeit „zu lernen“. Damit können prognoserelevante Wirkzusammenhänge Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 31 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg (jeglicher Art) in den historischen Zeitreihen identifiziert bzw. modelliert und in die Vorhersage einbezogen werden. Zudem lassen sich durch eine stetige Aktualisierung der Zeitreihendaten Veränderungen in den Wirkzusammenhängen dynamisch für neue Prognosen berücksichtigen. 2.1.9 Notwendigkeit und Angemessenheit der geleisteten Arbeit Die im Rahmen von AP 1 zu bearbeitende Problemstellung ist auf Basis der verfügbaren Literatur und einer Vielzahl von Gesprächen mit den beteiligten Akteuren aus der Praxis ausgiebig analysiert worden. Eine entsprechend umfangreiche Betrachtung und Einbeziehung von wissenschaftlichen und praktischen Erkenntnissen erfolgte gleichermaßen für die zur Verfügung stehenden Methoden aus dem Bereich der Prognose. Das gewonnene Verständnis bildete im Weiteren die Grundlage, um aussichtsreiche Prognosemethoden zu identifizieren und hinsichtlich ihrer Eignung (insb. Realisierbarkeit, Präzision und Robustheit) zu bewerten. Die für den zweistufigen Prognoseansatz ausgewählten Methoden (zeitbezogene Mittelwerte + Neuronale Netze) konnten dann mit Hilfe von historischen Daten verschiedener Anwendungsfälle und einer für diese Zwecke implementierten Testumgebung bzgl. der erreichbaren Prognosequalität (erfolgreich) untersucht werden. Im Zusammenhang mit dem für Testzwecke erforderlichen Datenmaterial sei zudem auf die erheblichen Probleme bei der Beschaffung von „Lkw-Wartezeitdaten“ hingewiesen. Es stellte sich als überaus schwierig dar, logistische Knoten zu identifizieren und für das Projekt zu gewinnen, die im Rahmen ihrer Abfertigungsprozesse geeignete Zeitstempel aufnehmen und vorhalten, so dass aus diesen Daten entstehende Lkw-Wartezeiten ermittelt werden können. Daraus erklärt sich, dass lediglich das Datenmaterial eines logistischen Knoten (Knoten C), welches hier für den Test des Prognoseansatzes verwendet worden ist, Wartezeitinformationen beinhaltet. Online-Daten zur aktuellen Abfertigungssituation am Knoten waren für die Tests nicht erforderlich. Die für die Einbeziehung entsprechender Daten erforderliche Anbindung der Prognosekomponente an das ERP-System logistischer Knoten ist im Rahmen des Demonstratorbetriebs realisiert worden (AP 4). Analog zur Beschaffung von „Lkw-Wartezeitdaten“ war auch die Beschaffung von „Lkw-Vormeldedaten“ (d.h. Meldezeitpunkt und voraussichtliche Ankunftszeit am Knoten) mit enormen Schwierigkeiten verbunden und trotz erheblicher Anstrengungen am Ende nicht realisierbar. Logistische Knoten, die entsprechende Daten zur Lkw-Vormeldung bereitstellen können, besitzen für gewöhnlich ein „Truck-Appointment-System“ und sind an der Prognose von Lkw-Ankünften/Wartezeiten nicht interessiert; bei den übrigen logistischen Knoten ist entweder eine Vormeldung von Fahrzeugen nicht möglich oder die Knoten dokumentieren diese nicht, da der Vormeldeprozess informell abläuft und nicht standardisiert ist. 2.1.10 Wissenschaftlich-technischer und wirtschaftlicher Nutzen für KMU Durch die gegebene Generizität eignet sich der entwickelte Prognoseansatz für die Vorhersage jeglicher Art von stochastischen Ankunftsprozessen – auch jenseits der Verkehrs- und Logistikbranche. Mit Blick auf die erreichbare Prognosequalität und das breite betriebliche Anwendungsspektrum ist der Ansatz als sehr leistungsfähig einzustufen und kann für dementsprechend viele Unternehmen einen hohen wirtschaftlichen Nutzen erbringen. Darüber hinaus ist auch aus wissenschaftlicher Sicht ein deutlicher Mehrwert gegeben; denn nach bestem Wissen Autoren kommt in diesem Projekt erstmalig ein hybrider Prognoseansatz der entwickelten Art für betriebliche Problemstellungen der betrachteten AnwenSchlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 32 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg dungsdomäne zum Einsatz. Daraus resultieren insbesondere neue Erkenntnisse über die Eignung und erforderliche Kalibrierung entsprechender Ansätze für eine erfolgreiche praktische Anwendung in den Unternehmen. Zusammenfassend zeigt Abbildung 17 die für die Beteiligten von einer Anwendung der Projektergebnisse zu erwartenden Nutzeneffekte sowie – in stark vereinfachter Form – auch die zugrunde liegenden Wirkungsmechanismen. In diesem Zusammenhang bleibt anzumerken, dass sich aus zahlreichen Gesprächen im Verlauf des Projektes ergeben hat, dass insbesondere für die Gruppe der Knotenbetreiber neben einer Wartezeitprognose auch die Vorhersage von Lkw-Ankünften von hohem Interesse ist. Aus diesem Grund ist die Zielsetzung von AP 1 (im Vergleich zur Antragstellung) dahingehend erweitert worden, dass die Entwicklung eines leistungsfähigen Prognoseansatzes nicht ausschließlich auf die Prognose von Lkw-Wartezeiten abzielt, sondern auch auf die Anzahl der an einem Knoten zu erwartenden Lkw. Verbesserte Tourenplanung Spediteure/ Trucker LkwWartezeit Lkw-Vormeldung durch Anreize Prognose LkwAnkünfte geglättete Lastspitzen verringerte Lkw-Wartezeiten Verbesserte Effizienz höhere Auslastung Verbesserte Ressourcenplanung Logistischer Knoten Abbildung 17: Erwartete Nutzeneffekte der Projektergebnisse Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 33 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 2.2 Entwicklung einer IT-Systemlösung (AP 2) Um das Prognosemodul für Anwender bedarfsgerecht verfügbar zu machen, muss dieses in ein dynamisches IT-System integriert werden. Der Einsatzkontext für diese IT-Systemlösung sind logistische Knoten. Sie unterscheiden sich zum Teil stark in ihren Anforderungen in Bezug auf Zielsetzungen, Informationen, Prozesse und Technologien. Dementsprechend wird beim Entwurf des Systems auf eine hohe Generizität geachtet, indem Systemmerkmale und -eigenschaften soweit möglich variabel und nicht nur für einen speziellen Anwendungsfall umgesetzt werden. Das konzipierte und für Tests im Rahmen verschiedener Demonstratoreinsätze implementierte IT-System stellt somit eine allgemeine Systemlösung für die Anwendungsdomäne „logistische Knoten“ dar, welche sich durch ihren generischen Charakter hinsichtlich der Anforderungen des einzelnen Knotens vergleichsweise aufwandsarm spezialisieren lässt. Integrale Bestandteile der generischen Systemlösung sind das entwickelte Prognosemodul, eine Datenbank sowie ein Webmodul. Dieses ist für die Sammlung, Aufbereitung und Visualisierung der gesammelten und prognostizierten Daten verantwortlich. Somit bildet das Webmodul sowohl die Schnittstelle zu den Anwendern als auch zu den Datenquellen der logistischen Knoten und externer Datenlieferanten. 2.2.1 Generische Merkmale der Softwarelösung Aufgrund der inner- und außerbetrieblichen Gegebenheiten können logistische Knoten zum Teil sehr unterschiedliche Anforderungen an das IT-System aufweisen. Um diese geeignet abbilden zu können, wird beim Systementwurf darauf geachtet, dass betroffene Merkmale des Systems einen möglichst allgemein gültigen Charakter besitzen. Damit lassen sich ohne größeren Aufwand die für den jeweiligen Anwendungsfall erforderlichen Merkmalsausprägungen (Eigenschaften) des Systems bedarfsgerecht festlegen. Dies bedeutet, dass Systemmerkmale mit verschiedenen möglichen Eigenschaften im Systementwurf auch entsprechend variabel repräsentiert sind (generische Modellierung), um abhängig vom logistischen Knoten eine geeignete Auswahl bei der Systemimplementierung treffen zu können. Im Folgenden werden die identifizierten Merkmale beschrieben, welche im Rahmen des Systementwurfs generisch gestaltet werden. Grundsätzlich ist eine möglichst hohe Unabhängigkeit von konkreten räumlichen, organisatorischen und technischen Eigenschaften der an der Systemnutzung beteiligten Unternehmen bzw. Unternehmenstypen erforderlich. Damit kann eine Übertragbarkeit des Systems auf verschiedene logistische Knoten(-typen) und der die Knoten zur Güteranlieferung oder -abholung anfahrenden Transportunternehmen (Spediteure und Trucker) erreicht werden. Analog zu Tabelle 6 werden die Anforderungen der Unternehmen in die Klassen „Technik“, „Organisation“ und „IT-Systemlösung“ unterteilt. Die technischen Anforderungen beinhalten die Kompatibilität zu vorhandener Hard- und Software der teilnehmenden Betriebe: Die Systemlösung muss sowohl verschiedene Betriebssysteme (wie z.B. Windows oder Linux) unterstützen als auch unabhängig von der Hardware (z.B. PC oder Tablet) sein. Diese Unabhängigkeit wird durch die Realisierung der Benutzerschnittstelle mit Hilfe von Internet-Technologien und der Darstellung in einem handelsüblichen und plattformunabhängigen Internet-Browser erreicht. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 34 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Die Anbindung an betriebliche und ggf. externe Datenquellen erfordert eine Implementierung von Schnittstellen, die unabhängig von dem IT-System des Datenlieferanten sind. Diese EDI (Electronic Data Interchange)-Schnittstellen werden durch die Bereitstellung von Application Programming Interfaces (API) gewährleistet, welche ebenfalls durch gängige Internettechnologien angesprochen werden können. Dadurch kann die Schnittstelle sowohl direkt in das betriebliche IT-System des Datenlieferanten als auch in z.B. Microsoft Excel, eine gängige Software u.a. für die Anzeige und Bearbeitung von betrieblichen Berichten (Reports), implementiert werden. Die organisatorischen Anforderungen ergeben sich aus den Unterschieden in den Geschäftsfeldern, Prozessen, Kundenbeziehungen und Organisationsformen der logistischen Knoten: Organisatorische Hierarchien zwischen logistischen Knoten und Fuhrunternehmen können ggf. wertvolle Informationen für die Prognose enthalten und sollen in der ITSystemlösung abbildbar sein. Ebenso unterscheiden sich logistischen Knoten in der Art und Anzahl ihrer Abfertigungsprozesse und Messpunkte in den einzelnen Prozessen. Somit ergeben sich als weitere Anforderungen an das IT-Systemkonzept eine generische Modellierung der Organisationsstruktur, Abfertigungsprozesse, externen Einflussfaktoren und Geschäftsbeziehungen zu anderen Firmen. Diese Anforderungen sind bei dem Aufbau der Datenbank entsprechend generisch umgesetzt. Aufgrund der verschiedenen Typen von Unternehmen und Benutzern in den Unternehmen ergibt sich die Erfordernis eines Benutzer- und Rechtemanagements. Dieses gewährleistet, dass die verschiedenen Benutzer des IT-Systems zwar in dem gleichen System und auf der gleichen Datenbasis arbeiten, aber nur die ihnen jeweils erlaubten Sichten auf die Daten erhalten und nur für sie erlaubte Aktionen durchführen können. So gibt es für die Anwendungsdomäne zwei Hauptbenutzerklassen: die Klasse der Mitarbeiter des logistischen Knotens und die Klasse der Mitarbeiter von Speditionen. Da das IT-System von den eingebundenen logistischen Knoten installiert und betrieben wird, sind die funktionalen Systemanforderungen auf der Seiten der Knoten wesentlich höher als jene Anforderungen, die im Rahmen der Systemlösung Benutzern bei Speditionen/Truckern zugestanden werden. Die Datenschnittstelle für die historischen Daten soll nur für Knotenmitarbeiter benutzbar sein. Ein Speditionsmitarbeiter hingegen soll ggf. nur die aktuellen Ankünfte und Prognoseergebnisse sehen können. Um individuelle Anpassungen und Weiterentwicklungen auch für neue Anwendungsbereiche zu unterstützen, ist auch der Aufbau des IT-Systems durch seine modulare Architektur generisch gestaltet: Einzelne Komponenten bzw. Module lassen sich unter Wahrung der Schnittstellen und der Kapselung des jeweiligen Moduls leicht austauschen, erweitern oder optimieren, ohne dass dadurch das Gesamtsystem angepasst werden muss. Dies erleichtert den Aufbau bzw. die Beschaffung der für solche Arbeiten erforderlichen programmiersprachlichen Kenntnisse, bzw. ermöglicht die Nutzung bereits im Unternehmen vorhandener Kenntnisse durch die Anbindung entsprechend programmierter Module. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 35 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Die nachfolgende Tabelle 6 liefert einen Überblick über bestehende Anforderungsunterschiede zwischen den Unternehmen sowie deren generische Modellierung im Rahmen des Systemkonzepts. Anforderungsklasse Systemanforderung: Unabhängigkeit von Anforderungsunterschied (Beispiele) generische Modellierung Technik Betriebssystemen Windows, Linux, Android unabhängig durch Webbrowser Hardware PC, Laptop, Tablet, Smartphone unabhängig durch Webbrowser eingesetzten betrieblichen Softwaresystemen Nutzung eines Enterprise-ResourcePlanning (ERP) Systems oder Terminal Operating Systems (TOS) unabhängig durch allgemeine Datenschnittstellen Firmen- bzw. Konzernhierarchie Einzelunternehmen, Tochterfirma innerhalb eines Konzerns Generisches Datenmodell mit n:1-Beziehungen Geschäftsbeziehungen Direkte Auftragnehmer, Subkontraktoren, Einsatz von firmeneigenen Dienstleistern Generisches Datenmodell mit n:1-Beziehungen Art und Anzahl der logistischen Knoten Einzelnes Leercontainerdepot oder Unternehmen mit Leercontainerdepot, Packstation und Containerterminal Generisches Datenmodell mit n:1-Beziehungen Art und Anzahl der Abfertigungsprozesse Lediglich Warenempfang oder Empfang, Versand und Zwischenlagerung Generisches Datenmodell mit n:1-Beziehungen Art und Anzahl der Messpunkte Ein Zeitstempel am Interchange oder GateIn, Interchange und Gate-Out Generisches Datenmodell mit n:1-Beziehungen Art und Anzahl der externen Einflussfaktoren Wetterbedingungen, Zustand von Zufahrtsstraßen, Ausfall erforderlicher Maschinen Generisches Datenmodell mit n:1-Beziehungen Organisation Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 36 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg ITSystemlösung Mehrbenutzerbetrieb Anzeige der aktuellen Ankünfte für Fuhrunternehmen, Anzeige der historischen Daten für Controller der logistischen Knoten Rechtemanagement mit unterschiedlichen Sichten Austauschbarkeit der einzelnen Module des Systems und Erweiterbarkeit durch neue Module Anbindung eines eigenen Prognoseoder Webmoduls oder einzelner neuer Visualisierungen Modularer Systementwurf mittels Kapselung, Architekturschichten und Schnittstellen Tabelle 6: generische Modellierung variabler Systemeigenschaften 2.2.2 Systemarchitektur Das IT-System muss die Verwaltung von und bedarfsgerechte Versorgung des Prognosemoduls mit betrieblichen Daten (z.B. Zeitstempel von den Messstellen der einzelnen Lkw-Ankünfte) und Informationen über externe Einflussfaktoren aus anderen Datenquellen sicherstellen. Gleichzeitig muss das System Benutzer- und Unternehmensdaten vorhalten und über entsprechende Benutzerschnittstellen eine geeignete visuelle Aufbereitung von historischen und prognostizierten Daten für verschiedene Benutzer- und Unternehmenstypen ermöglichen. Diese Aufgaben werden in der Systemarchitektur auf unterschiedliche Module aufgeteilt: Die Datenbank ist für die Speicherung, Verwaltung und Bereitstellung aller Daten zuständig (vgl. Abschnitt 2.2.3.1). Das Prognosemodul ist für die Erstellung der Prognosen verantwortlich (vgl. Abschnitt 2.1.5). Das Webmodul ist intern unterteilt in Front- und Backend: Das Frontend stellt die graphische Benutzerschnittstelle des Systems dar. Die Aufgaben des Backends umfassen die Abfrage und Aufbereitung der Daten sowie die Bereitstellung der Datenschnittstellen für betriebliche Daten der logistischen Knoten und deren Prognosen (vgl. Abschnitt 2.2.3.3). Im Hinblick auf eine aufwandarme Spezialisierung des Systementwurfs für einzelne logistische Knoten erfolgt eine generische Modellierung der Systemarchitektur insbesondere in den folgenden Bereichen: Die Datenbank ist gleichzeitig die zentrale Kommunikationsschnittstelle zwischen Web- und Prognosemodul. Untereinander haben diese Module keine direkten Schnittstellen, sondern legen für geteilte Aufgaben einen entsprechenden Aufgabeneintrag in der Datenbank an, welcher von dem anderen Modul von dort abgerufen wird. Dadurch können die Module leichter unabhängig voneinander ausgetauscht, bzw. weiterentwickelt werden. Die Unterteilung des Webmoduls erleichtert die Anpassung, bzw. Weiterentwicklung der Benutzer- und Datenschnittstellen. Das Frontend mit der Benutzerschnittstelle und den Visualisierungen kann unabhängig von dem Backend weiterentwickelt oder Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 37 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg gegen ein neues Frontend ausgetauscht werden. Neue Sichten auf die Daten, ein neues Layout oder neue Visualisierungen können auf diese Weise vergleichsweise aufwandarm eingebunden werden. Die EDI-Schnittstellen zu externen IT-Systemen sowohl für den betrieblichen Datenimport als auch für die Einbindung weiterer Datenquellen mit betrieblichen Zusatzinformationen sind in dem Backend gebündelt. Für die Einrichtung von neuen Schnittstellen für betriebliche Informationen werden somit nur Kenntnisse in der Technologie des Backends benötigt, in dem auch die Transformation in die Datenstruktur der Datenbank erfolgt. Da die Prognose auf der Basis von Zeitreihen durchgeführt wird und als Resultat Zeitreihen zurück in die Datenbank schreibt, ist für das Prognosemodul die semantische, d.h. inhaltliche, Bedeutung der bearbeiteten Zeitreihen nicht wichtig. Die Bedeutung der Ergebnisse ergibt sich aus den Zusatzinformationen in der Datenbank. Nur für die Prognose relevante bzw. von dieser nur intern benutzte Zusatzinformationen (z.B. Informationen darüber, wie ein Wochentag aufgebaut ist oder Wetterdaten) werden durch eigene Schnittstellen in dem Prognosemodul abgerufen. Dadurch erlangt das Prognosemodul eine höhere Modularität, bzw. Autonomie von den anderen Modulen. Generell erleichtert der modulare Aufbau des IT-Systems nicht nur den Austausch sondern auch die Weiterentwicklung einzelner Module. Diese sind in sich gekapselt, d. h. sie sind über definierte Schnittstellen mit den anderen Modulen verbunden und funktionieren ansonsten autonom. Für die Weiterentwicklung von einzelnen Modulen müssen daher vor allem Kenntnisse über die Technologie des jeweiligen Moduls vorliegen, entsprechende Technologiekenntnisse für andere Module sind i.d.R. nicht erforderlich. Einen Überblick über die Systemarchitektur bietet Abbildung 18, auf der die drei Module des IT-Systems und die externen Systemlandschaften dargestellt sind. Die Pfeile repräsentieren die Kommunikationsbeziehungen und Informationsflüsse zwischen den Modulen untereinander und mit den externen Daten- und Benutzer-Schnittstellen. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 38 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Benutzerschnittstellen Frontend graphische Benutzerschnittstelle (GUI), v.a. zur Auswahl und Visualisierung der historischen und prognostizierten Daten (PC, Smartphone, Tablet, Datenterminal) Ausgabemasken Eingabemasken Externe Systemlandschaft und Endgeräte Backend Datenaufbereitung, Rechtemanagement, Daten-Import-Schnittstelle, Datentransformation Datenbank-Schnittstelle Webmodul EDI Betriebliche Daten der logistischen Knoten, z.B. Zeitstempel von Lkw-Ankünften Weitere Datenquellen für betriebliche Zusatzinformationen Externe Datenquellen für nur prognose-internen verwendete Prädiktoren historische betriebliche Daten Ankunfts- und Wartezeiten der Lkw Zusatzinformationen Umwelt- und Betriebsereignisse Nutzerdaten Stammdaten der angeschlossenen Unternehmen und Rechtemanagement EDI Erstellt Prognosen auf Basis der historischen Daten und Zusatzinformationen Prognosemodul Prognosedaten Ankunfts- und Wartezeiten der Lkw Datenbank Abbildung 18: Architektur des IT-Systems Im Folgenden werden die Module der Systemarchitektur detaillierter betrachtet. 2.2.3 Beschreibung der Module Die einzelnen Module sind in sich gekapselt und untereinander lose gekoppelt konzeptioniert worden. Als zentrale Schnittstelle zwischen den Modulen ist die Datenbank anzusehen. Auf Grund der hier zentral vorgehaltenen Datenbasis müssen die anderen Module mit der Datenbank gekoppelt sein, so dass für jedes Modul der Zugriff auf den aktuellen Datenbestand sichergestellt ist. Zusätzlich sind die erforderlichen Interaktionen zwischen Web- und Prognosemodul ebenfalls über die Datenbank gestaltet. Durch die Realisierung der intermodularen Kommunikation über die Datenbank wird die Austauschbarkeit der anderen Module erleichtert. Somit muss ein neues Modul nur an die Datenbank und ihre Schnittstellen angepasst werden. Eine Betrachtung der anderen Module hinsichtlich nötiger Schnittstellenanpassungen zu ihnen ist nicht erforderlich. 2.2.3.1 Datenbank Für die Speicherung, Verwaltung und Bereitstellung der Daten ist eine Datenbank zuständig. Datenbanken besitzen eine große Verbreitung als Basis professioneller IT-Systeme. Demzufolge ist die Unterstützung anderer professioneller Software durch entsprechende Treiber, anderer Programmiersprachen durch entsprechende Schnittstellen und eine hohe Verfügbarkeit von technischem Wissen für die (Weiter-)Entwicklung gegeben. Viele der generischen Eigenschaften des IT-Systems (vgl. Abschnitt 2.2.1) sind im Wesentlichen durch ein entsprechendes Datenbankschema, d.h. die Art und Weise, wie die Datenbank intern ihre Daten verwaltet und speichert, umgesetzt. Generell werden von einander abhängige Daten bzw. Informationen in einer Datenbank in jeweils eigenen Tabellen gespeichert und Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 39 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg dadurch gruppiert und geordnet. Die vorherrschende Konstruktionsidee für die Datenbank dieses Systems ist es, hinsichtlich ihrer Art und Anzahl variable fachliche Attribute (wie z.B. Abfertigungsereignisse, bzw. Messpunkte) im Sinne eines Vektors auf ihre fachlichen Eigenschaften (z.B. Abfertigungsprozess) in der Datenbank abzubilden. Dieses ist durch einen Verweis von einer eigenen Tabelle mit den fachlichen Attributen auf die zugehörigen fachlichen Eigenschaften realisiert. Die nachfolgende Darstellung in der Entity-RelationshipNotation nach Chen (vgl. Chen (1976)) verdeutlicht beispielhaft die Beziehungen und Objekte, die für die Beschreibung eines Abfertigungsprozesses benötigt werden. Objekte, bzw. Entitäten (blaue Kästen) sind durch Beziehungen (Rauten) miteinander verbunden. An den Rauten sind die sogenannten Kardinalitäten notiert: „n“ steht für „beliebig viele“, während „1“ für „genau ein“ steht. So kann ein Abfertigungsprozess beliebig viele Abfertigungsprozessereignisse haben, allerdings muss ein Abfertigungsprozessereignis genau einem Abfertigungsprozess zugeordnet sein (vgl. Abbildung 19). bei n Abfertigungs‐ Prozess‐ Ereignis n hat 1 Abfertigungs‐ Prozess n 1 für n 1 Firma 1 von 1 1 1 hat hat hat n 1 n Zusätzliche Informationen Abfertigungs‐ prozess‐ typ Allgemeines Ereignis Abbildung 19: vereinfachtes ER-Diagramm Abfertigungsprozess Nachfolgende Abbildung 20 zeigt das Datenbankschema. Analog zu dem obigen Beispiel verweist die Tabelle handling_events (Abfertigungsereignisse, bzw. Messpunkte) durch einen Fremdschlüssel (HandlingEventTypeId) auf die Tabelle „handling_processes“ (Abfertigungsprozesse). Dadurch lassen sich beliebig viele Messpunkte durch diese n:1 Beziehung einem konkreten Abfertigungsprozess zuordnen. Der Ansatz, alle Messpunkte direkt in die Tabelle Abfertigungsprozess zu übernehmen [Messpunkt1,…,MesspunktN] ergäbe zwar eine einfachere (und geringfügig schnellere) Abfrage der Daten, würde allerdings eine Anpassung des Datenbankschemas bei jeder größeren Anzahl von Messpunkten erfordern. Insofern ist die n:1 Beziehung generisch hinsichtlich des Datenbankschemas, erfordert aber auch Anpassungen bezüglich der Präsentation der Daten in entsprechenden Ausgabemasken. Die Verknüpfung der Tabellen mit Zusatzinformationen Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 40 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg (additional_information) mit einer jeweils eigenen Tabelle für die Art der Zusatzinformation (additional_information_types) ermöglicht eine Abstraktion von der genauen Art und Ausprägung der Zusatzinformationen, die gespeichert werden soll. Nach dem gleichen generischen Prinzip sind die Tabellen für die allgemeinen Ereignisse (general_events, general_event_types und additional_information) gestaltet worden. Dadurch soll einem Knoten ermöglicht werden, die für Ihn relevanten, allgemein den Betriebsablauf betreffenden und ad hoc auftretenden Informationen zu speichern und für die Prognose nutzbar machen zu können. Beispiele hierfür sind der Ausfall von Maschinen, sturmbedingte Arbeitsunterbrechungen und Sperrung von Zufahrtswegen. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 41 FK1 Name Desciption AdditionalInformationTypeId DateTimeValue IntValue FloatValue StringValue HandlingEventId HandlingProcessId GeneralEventId FK4 Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ ValidFrom ValidTo EventTypeId CompanyId FK2 FK1 PK Name Desciption id general_event_types id PK general_events FK1 FK2 FK3 id additional_information PK id PK PK handling_event_types FK2 FK3 FK4 FK5 Date HandlingEventTypeId HandlingProcessID Name Desciption id PK Name Desciption id FK1 FK2 PK NodeId ClientId id node_clients additional_information_types PK Name CompanyTypeId AdressId ParentCompanyId Descrition id CompanyId TransportCompanyId id transport_companies FK1 FK2 PK FK2 FK1 FK3 PK companies NodeId ClientId TransportCompanyId HandlingProcesssTypeId id handling_processes handling_process_types PK,FK1 id handling_events PK Name Desciption id company_types ForecastingTypeId CompanyId LastForecastDate NowDate FirstHistoricalDate BucketSize Done Busy MSE MAPE FK2 FK1 FK1 PK id PK forecasts Name Desciption id PK id CompanyId TransportCompanyId DateTime FK1 FK2 Name id PK preregistrations CountryId City ZipCode Street HouseNumber GPSCoordinates Telephone Fax id addresses PK countries ForecastId DateTime Arrivals WaitingTimeAvg WaitingTimeMin WaitingTimeMax WaitingTimeVar id forecasting_types FK1 PK forecasted_handling_processes AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Abbildung 20: Datenbankschema 42 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 2.2.3.2 Prognosemodul Das Prognosemodul arbeitet intern mit Zeitreihen. Diese Zeitreihen werden in dem Prognosemodul durch reine Zahlen repräsentiert und für die Bearbeitung ist die genaue Bedeutung der Werte zunächst nicht relevant, z.B. ob es sich um die Anzahl von LkwAnkünften pro Stunde oder deren durchschnittliche Wartezeit pro Stunde handelt. Somit können prinzipiell beliebige Zeitreihen verarbeitet und prognostiziert werden (s. Abschnitt 2.1). Das Prognosemodul kann unabhängig von den anderen Modulen betrieben werden. Hierfür bezieht es nur intern verwendete Zusatzinformationen, bzw. Prädiktoren aus eigenen EDI-Schnittstellen zu externen API. Die Anbindung an eine Datenbank zur Datenverwaltung ist dennoch zu empfehlen. Darüber hinaus bietet die Kopplung des Prognosemoduls an ein IT-System die Möglichkeit, für mehrere logistische Knoten ein gemeinsames Prognosemodul zu nutzen und dennoch jedem Knoten nur die für ihn relevanten Daten zugänglich zu machen. 2.2.3.3 Webmodul Das Webmodul ist in sich selbst erneut gekapselt aufgebaut. Hierfür ist es dem Model-ViewController (MVC) - Architekturmuster folgend gestaltet worden und ist in ein Backend und ein Frontend unterteilt. Das Backend beherbergt sowohl die Models als auch die Controller. Models stellen eine Abstraktionsschicht von der Datenbank dar. Durch sie werden die konkreten Datenbankabfragen gekapselt und von dem Rest des Webmoduls durch diese angesprochen. In Verbindung mit den Controllern, welche die jeweils benötigten Models auswählen und die Zugriffsberechtigungen der Benutzer überwachen, schirmen sie das Backend und sowie das übrige IT-System von den Benutzern ab. Diese bekommen durch das Frontend die ihnen zugewiesenen Views, also ihre Sichten auf die Daten präsentiert. Diese interne Kapselung hat mehrere Vorteile: Die Erstellung von neuen Sichten auf die Daten wird erheblich erleichtert, da hierfür nur Programmierkenntnisse für das Frontend, aber nicht zwangsläufig auch Kenntnisse der Technologien des Backends erforderlich sind, sofern die bereits vorhandenen Schnittstellen des Backends weiterverwendet werden können. Die Einbindung von neuen Visualisierungstypen und -arten wird dadurch ebenfalls erleichtert, da vorhandene Controller und Models wiederverwendet werden können. Analog können im Backend neue Funktionskomponenten (z.B. Verschlüsselung, Einbindung von externen Datenquellen über die Controller, Mailserver, …) eingebunden werden, ohne dass dieses zwangsläufig auch Änderungen am Frontend nach sich ziehen muss. Ein weiterer Vorteil betrifft die Datensicherheit: Benutzer können sich den Programmcode des Frontends in ihrem Webbrowser anzeigen lassen und auch manipulieren. Allerdings ist für sie der Programmcode des Backends nicht einsehbar, da dieser nur intern auf dem Webserver ausgeführt und nicht an den Webbrowser übertragen wird. Das Backend auf dem Webserver wiederrum abstrahiert von der Datenbank, sodass der Benutzer von seinem Webbrowser aus keine direkten Anfragen an die Datenbank stellen kann. Dadurch wird das Risiko von unerlaubten Datenzugriffen erheblich vermindert. Das Frontend stellt die graphische Benutzeroberfläche, bzw. graphische Benutzerschnittstelle (GUI: „graphical user interface“) dar. Damit Benutzer das System möglichst schnell und intuitiv bedienen können, ist bei dem Entwurf des Frontends auf ein klares und einfaches Layout der Menüs geachtet worden. Die einzelnen Menüpunkte lassen sich durch ein Rechtemanagement steuern, d.h. sie können individuell für jeden Benutzer gemäß seiner Rechte aktiviert oder deaktiviert werden. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 43 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Abbildung 21: Menü und Startseite des GUI In Abbildung 21 sieht man die Menüstruktur und die Startseite der GUI. Am rechten Rand befindet sich das Menü, welches zwischen aktuellen und historischen Daten unterscheidet. Die Startseite bietet einen Überblick über den aktuellen Tag. Die blauen Balken stellen die bereits erfassten, also realen Ankünfte von Lkw dar. Als gelbe Linie werden die prognostizierten Ankünfte visualisiert. In dem Beispiel der Abbildung ist es gerade zwischen 13:00 und 14:00 Uhr, welches an einer Überschneidung der realen und prognostizierten Ankunftsvisualisierungen erkennbar ist. Somit bietet die Anzeige der bereits erfolgten und der prognostizierten Ankünfte eine Informationsbasis für die Einschätzung des weiteren Tagesganges. Die wichtigste Funktion des Frontends besteht in der Visualisierung der historischen und prognostizierten Daten. Zu diesem Zwecke sind entsprechende Menüpunkte angelegt und mehrere Visualisierungsarten konzeptioniert und in das GUI integriert worden. Für die Anzeige der aktuellen Ankünfte wird das gleiche Visualisierungskonzept wie auf der Startseite verwendet. Aktiviert man das Menü, so erscheinen darunter Untermenüpunkte, die die entsprechenden Visualisierungen laden. Voreingestellt sind die Ankünfte für den aktuellen Tag und für die aktuelle Woche (vgl. Abbildung 22). Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 44 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Abbildung 22: Tages- und Wochensicht auf die aktuellen Ankünfte Aktiviert man die Schaltflächen „benutzerdefiniert“, so erhält man die Möglichkeit, die Visualisierungen selbst einzustellen (vgl. Abbildung 23). Abbildung 23: Konfigurationsmöglichkeiten bei der Visualisierungswahl In der obersten Zeile kann man zwischen Ankünften und Wartezeiten wählen. In der Zeile darunter lässt sich der Betrachtungszeitraum festlegen, also einen Tag, eine Woche, einen, drei oder sechs Monate, ein Jahr oder den maximal in der Datenbasis verfügbaren Zeitraum. In der dritten Zeile wird der Diagrammtyp und die Zeiteinheit, also z.B. (Summe der) Ankünfte pro Stunde oder (Summe der) Ankünfte pro Tag ausgewählt. In der letzten Reihe bietet sich die Möglichkeit, individuelle Zeiträume einzugeben, bzw. mit den Pfeiltasten in der eingestellten Granularität vor und zurück zu blättern, um z.B. die aktuelle Woche mit der vorhergehenden vergleichen zu können. Beispiele für verschiedene Sichten auf die Daten, dargestellt durch unterschiedliche Visualisierungen, werden nachfolgend in den Abschnitten 2.2.4.1 und 2.2.4.2 vorgestellt. 2.2.3.4 Schnittstellen und Datenflüsse zwischen den Modulen Wie bereits beschrieben, bildet die Datenbank die zentrale Schnittstelle zwischen den anderen Modulen. Das Einspielen von neuen betrieblichen Daten (z.B. der Messpunkte) sowie ggf. von betrieblichen Zusatzinformationen (z.B. Ausfall von Maschinen) erfolgt über die Schnittstellen des Backends, welches die Daten intern aufbereitet und dann in die Datenbank schreibt. Wird eine neue Prognose benötigt, so legt das Backend einen neuen Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 45 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Arbeitsauftrag in der Datenbank an. Die Prognosekomponente überprüft periodisch die Datenbank auf neue Arbeitsaufträge, liest bei Bedarf die historischen Daten aus und schreibt die Prognosedaten anschließend in sie zurück. Das Frontend, also die „graphische Benutzeroberfläche“ ist über das Backend nur indirekt mit der Datenbank verbunden. Konkret werden die Daten über die Controller und Models des Backends angefordert, in dem Backend aufbereitet und bedarfsgerecht an das Frontend ausgeliefert. 2.2.4 Einsatzmöglichkeiten des IT-Systemkonzepts Durch die Konzeptionierung eines Rechtemanagements ist es möglich, unterschiedlichen Benutzern unterschiedliche Bereiche des Systems freizuschalten und somit verschiedene Benutzungsmöglichkeiten zu realisieren. Da die logistischen Knoten die Datenlieferanten des Systems sind, liegt die Entscheidung, welchem Benutzer welche Rechte und Sichten auf die Daten gestattet werden, bei diesen. Ausgehend von den in Abschnitt 2.1.1.2 vorgestellten Planungsszenarien sind nachfolgende Benutzerrechte für das System denkbar. 2.2.4.1 Für logistische Knoten Der Vollzugriff auf sämtliche Visualisierungen ermöglicht den Einsatz des Systems für Planungs- und Analyseaufgaben. Eine Unterteilung dieses Aufgabenspektrums ist je nach den gewünschten Berechtigungen eines Benutzers möglich. So ist es denkbar, dass z.B. ein Schichtplaner die aktuelle Woche mit Prognose der nächsten Tage sehen darf, allerdings nicht den Verlauf der gesamten letzten Jahre. Dadurch kann er die Prognoseinformationen als Entscheidungsunterstützung nutzen, um sich auf die erwartete Auslastung einstellen zu können. Abbildung 24: Sicht auf die aktuelle Woche mit historischen und prognostizierten Ankünften Abbildung 24 zeigt eine Visualisierung für diesen Anwendungsfall und der dazugehörigen Sicht auf die Daten. Die y-Achse bezeichnet die Anzahl der Ankünfte pro Stunde, die xAchse den Zeitraum über eine Woche. Blaue Balken stellen die historischen Daten dar, während die gelbe Linie die prognostizierten Ankünfte anzeigt. Somit ist der aktuelle Zeitpunkt des obigen Beispiels der Übergang zwischen historischen und prognostizierten Daten, also der 20.07. um 12:00 Uhr. Die Analyse historischer Daten eines größeren Zeitraumes, also z.B. die Betrachtung vergangener Jahre, kann auf Wunsch nur Controllern oder Geschäftsführern ermöglicht Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 46 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg werden. Dadurch können Rückschlüsse auf die Entwicklung des Betriebes oder Erfolgskontrollen von z.B. Marketingmaßnahmen durch den Vergleich historischer Daten nur dafür autorisierten Benutzern zugänglich gemacht werden. Nachfolgende Abbildung 25 verdeutlicht dieses. Abbildung 25: Sicht auf Ankünfte pro Tag mit historischen Daten des Jahres 2015 Die y-Achse beschreibt die Summe der Ankünfte pro Tag, die x-Achse steht für den Zeitverlauf. Angezeigt werden historische Daten. Der rote Balken in Verbindung mit dem schwarzen Kasten in der linken oberen Ecke stellt die Position des Mauszeigers dar und beschreibt die Möglichkeit, sich die genauen Daten eines einzelnen Balkens in dieser Jahresübersicht ohne manuellen Vergleich mit den Achsen anzeigen zu lassen. 2.2.4.2 Für Speditionen und Trucker Eine Sicht auf die aktuellen Ankünfte und Wartezeiten kann Tourenplaner und Fahrer auf der Speditionsseite bei ihrer Entscheidung unterstützen, zu welchem Zeitpunkt sie einen logistischen Knoten anfahren. Durch eine entsprechende Visualisierung erlangen sie Informationen, die ihnen dabei helfen, Wartezeiten zu vermeiden, Abfertigungszeiten zu minimieren oder den genauen Zeitpunkt ihrer Pausenzeiten zu optimieren. Da die Daten von logistischen Knoten geliefert werden, muss es diesen auch ermöglicht werden, über den genauen Umfang der Sicht seiner Kunden auf seine Daten entscheiden zu können. Die folgenden Visualisierungen repräsentieren zwei Beispiele für die Freischaltung entsprechender Sichten. Abbildung 26: historische und prognostizierte Ankünfte des aktuellen Tages Abbildung 26 zeigt die aktuellen und prognostizierten Ankünfte eines Tages. Mit Hilfe der Anzeige der blauen historischen und der gelben prognostizierten Daten kann eine Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 47 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Abschätzung über die Auslastung des logistischen Knotens getroffen werden. Abbildung 27 ist ein Beispiel für eine erweiterte Sicht der Kunden auf die Wartezeiten eines Tages. Abbildung 27: Mittelwert, Minimum und Maximum der Wartezeiten eines Tages Die y-Achse beschreibt die Dauer der Wartezeit, die x-Achse zeigt den Tagesgang. Die bereits erfolgten Wartezeiten werden rot dargestellt, die prognostizierten grün. Die mittlere Wartezeit ist als dunklere Linie visualisiert, welche von blasseren Flächen ober- und unterhalb umschlossen wird. Die Grenzen dieser Flächen stellen das Minimum und Maximum der Wartezeiten von den einzelnen Abfertigungsprozessen zu einem Zeitpunkt dar. Durch diese Visualisierung erhalten Fuhr- und Transportunternehmen eine umfassendere Sicht auf die Daten eines logistischen Knotens und dadurch eine detailliertere Entscheidungshilfe für ihre Planung. Ob die Freigabe dieser Informationen einen Wettbewerbsvoroder -nachteil darstellt, kann der logistische Knoten als Datenlieferant entscheiden und dementsprechend die Sichten seiner Kunden anpassen. 2.2.4.3 Vorgehensmodell zur Anpassung des generischen IT-Systems an einen konkreten logistischen Knoten Für die Anpassung der generischen IT-Lösung auf die speziellen Merkmale und Eigenschaften eines konkreten logistischen Knoten bietet sich die Orientierung an dem in Abbildung 28 dargestellten Vorgehensmodell an. Der Adaptionsprozess ist unterteilt in vier Hauptprozessschritte, die jeweils eigene Unterprozesse umfassen. Abhängigkeiten auf der Ebene der Unterprozesse sind durch Pfeile gekennzeichnet. Zur Wahrung der Übersichtlichkeit wird auf die Darstellung separater Tests für die Überprüfung der Ergebnisse der einzelnen Unterprozessschritte verzichtet. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 48 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Analyse Aufnahme der Anforderungen des logistischen Knotens hinsichtlich Abfertigungsprozess(en), Organisations- und Kundenstrukturen sowie vorhandener IT-Landschaft und -Fähigkeiten Spezifikation der Eigenschaften des Systems bezgl. Stammdaten, Abfertigungsprozess(en), Benutzern Anforderung eines Datensatzes mit historischen Daten Transformation Anbindung Test Anlegen Stammdaten, Benutzer mit Berechtigungen und Abfertigungsprozess(en) sowie Kunden- und Organisationsstrukuren des Knotens in der Datenbank Überführen der historischen Betriebsdaten in die Datenbank Betrachtung der vorhandenen Daten und Datenstrukturen Auswahl und Einrichtung der Visualisierungen Implementierung der Schnittstellen für aktuelle Daten in das IT-System des Knotens Test der LiveDatenübertragung Automatisierung der Prognoseerstellung Test des Webmoduls Manuelle Datenaufbereitung Diskussion der Ergebnisse mit fachlichen Experten zur Identifizierung und Validierung von Prädiktoren und Datenfehlern Manuelle Erstellung erster Prognosen und Validierung von Prädiktoren durch Vergleich d. Prognose mit historischen Daten Abbildung 28: Vorgehensmodell für die Anpassung des generischen Systems auf einen logistischen Knoten 2.2.5 Zusammenfassung und Ausblick Um Prognosen automatisiert durchführen zu können, ist ein IT-System konzeptioniert worden. Besonderes Augenmerk ist bei dem Entwurf auf einen hohen Grad an Generizität und Modularität gelegt worden, um die Anpassbarkeit für eine möglichst große und bezüglich Unterschieden in ihren Prozessen und Eigenschaften vielfältigen Menge an logistischen Knoten zu gewährleisten. Ein entsprechend gestaltetes Datenbankschema ermöglicht die Abbildung beliebiger Anzahl und Art von Prozesse, Messpunkte, Kundenbeziehungen und Zusatzinformationen. Durch seinen lose gekoppelten Aufbau erleichtert das IT-System den Austausch oder die getrennte Weiterentwicklung einzelner Module. Die Module sind in Datenbank, Prognose- und Webmodul aufgeteilt. Die Benutzerschnittstelle als Teil des Webmoduls wird in einem Internetbrowser dargestellt, um eine Orts- und Geräteunabhängigkeit zu ermöglichen. Die generischen Eigenschaften des IT-Systems und sein modularer Aufbau bieten über die erwähnte Anpassungsfähigkeit auf konkrete Ausprägungen der betrieblichen, organisatorischen und technischen Merkmale logistischer Knoten in Bezug auf ihre Abfertigungsprozesse noch weitere Möglichkeiten. So kann das hier vorgestellte IT-System, bzw. auch Teile von ihm noch stärker in das IT-System eines Unternehmens integriert werden und für die Planungsunterstützung und Analyse auch anderer betrieblicher Daten, wie z.B. Absatzzahlen verwendet werden. Durch noch zu konzeptionierende Schnittstellen und Anpassungen könnte das Prognosemodul auch für andere betriebliche Anwendungsfälle Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 49 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Prognosen erstellen. Denkbar sind zum Beispiel innerbetriebliche Durchlaufzeiten von Gütern, Materialbedarfsplanungen und Reparaturbedarfsprognosen. 2.2.6 Gegenüberstellung von Arbeitsergebnissen und -zielen Für das AP 2 sind im Wesentlichen nachfolgende Zielsetzungen definiert worden: Entwicklung eines IT-basierten Systemkonzepts zur Erzeugung, Vorhaltung und Verfügbarmachung entsprechender Prognosedaten mit folgenden Eigenschaften: o schnell implementierbar und für alle Beteiligten effektiv, flexibel sowie kostengünstig durch den Einsatz von Standardtechnologien o generischer Charakter, um auf verschiedenartige logistische Knoten unterschiedlichen Typs anpassbar zu sein Spezifikation und Anbindung von Messstellen Spezifikation und Anbindung eines geeigneten Datenbanksystems Spezifikation und Anbindung von Visualisierungen Das Arbeitspaket konnte erfolgreich abgeschlossen werden. Durch die Konzeption eines generischen Datenbankschemas konnte die Grundlage für die Anpassbarkeit an verschiedenartige logistische Knoten geschaffen werden. Ein kommerzielles Content Management System, welches den Anforderungen für das Webmodul genügt, konnte nicht identifiziert werden bzw. hätte mit erheblichem Aufwand programmiertechnisch angepasst und erweitert werden müssen. Durch die Auswahl von frei verfügbaren, erprobten und aufeinander abgestimmten Standardkomponenten für die Konzeption des Webmoduls und des Datenbankmanagementsystems ist eine kostengünstige Alternative verwendet worden, welche gleichzeitig ein hohes Maß an Flexibilität und Erweiterbarkeit bietet. Als geeignete Messstellen sind Zeitstempel in den betrieblichen IT-Systemen identifiziert worden, da für die Prognose verlässliche Vergangenheitsdaten über größere Zeiträume benötigt werden. Bei allen untersuchten logistischen Knoten waren mindestens die LkwAnkünfte aus den Buchungen der Ladungsübergabe ersichtlich. Die Übermittlung erfolgt durch eine direkte Schnittstelle zwischen dem betrieblichen IT-System und dem hier vorgestellten Prognose-System. Sofern die Implementierung einer direkten Schnittstelle nicht möglich ist, ist ein halb-automatisierter Datentransfer durch den Einsatz von im Betrieb bereits vorhandener Excel-Berichte und einem Makro für die Umwandlung und Übermittlung der Daten vorgesehen worden. Für die Darstellung der Lkw-Wartezeiten und -Ankünfte sind geeignete Visualisierungen gefunden und in das Systemkonzept integriert worden, die mit einem einheitlichen Visualisierungskonzept sowohl Vergangenheits- als auch Prognosedaten anzeigen können. Durch die Auswahlmöglichkeit von unterschiedlichen Zeiträumen wird den Benutzern neben einer reinen Planungsunterstützung auch die Möglichkeit zur visuellen Analyse von Vergangenheitsdaten, z.B. für Controlling-Aufgaben, ermöglicht. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 50 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 2.2.7 Notwendigkeit und Angemessenheit der geleisteten Arbeit Als im Vorwege notwendige Voraussetzung für die Entwicklung eines Demonstrators zum Test des Prognoseansatzes wurde in AP 2 ein Konzept für eine IT-Systemlösung erstellt. Dazu musste der Prognoseansatz in einer geeigneten Software implementiert und durch zusätzliche Funktionalitäten (z.B. Datenspeicherung und -verwaltung, internetbasierte Benutzerschnittstelle mit Visualisierungsmöglichkeit für die Daten, Anbindung externer Datenquellen) erweitert werden. Darüber hinaus sollte der Demonstrator als eine allgemeine Lösung konzipiert werden, die sich durch ein hohes Maß an generischen Eigenschaften auszeichnet. Dieses ist erforderlich gewesen, um den Demonstrator an die spezifischen Eigenschaften verschiedenartigster logistischer Knoten anpassen zu können. Das erarbeitete und vorgestellte Konzept berücksichtigt diese Anforderungen und bietet durch seinen modularen Aufbau die Möglichkeit, die einzelnen Funktionskomponenten (Module) des Demonstrators relativ einfach weiterzuentwickeln und anzupassen, da diese gekapselt aufgebaut und untereinander nur lose gekoppelt sind. Gleichzeitig bildet das entsprechend gestaltete Datenbankschema die Basis dafür, die unterschiedlichen betrieblichen Begebenheiten und Anforderungen verschiedenster logistischer Knoten auch abbilden und für die Prognose nutzbar machen zu können. 2.2.8 Wissenschaftlich-technischer und wirtschaftlicher Nutzen für KMU Das vorgestellte Konzept einer IT-Systemlösung bietet besonders für KMU einen Mehrwert, deren Hauptgeschäftszweck nicht die Softwareentwicklung -bzw. Systemintegration ist und die deshalb keine oder nur begrenzte Ressourcen und Fähigkeiten in diesen Bereichen vorhalten. Diese können das Konzept als Anregung bzw. Vorlage für die Architektur von ITLösungen für ähnlich gelagerte Problemstellungen benutzen: Die Integration von Softwaremodulen in ein Gesamtsystem für die Erfassung, Speicherung, Verarbeitung (in diesem Fall durch das Prognosemodul), Verwaltung und Visualisierung betrieblicher Kennzahlen. Gerade eine interaktive Datenvisualisierung bietet bei der Analyse großer Datenreihen einen hohen Mehrwert gegenüber einer reinen tabellengestützten Datenanalyse. Darüber hinaus kann das Konzept und insbesondere die Gestaltungsprinzipien des Datenbankschemas als „Blaupause“ oder Hilfestellung für den Entwurf eigener generischer IT-Systeme bzw. generisch gestalteter Systemmerkmale genutzt werden. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 51 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 2.3 Erarbeitung von Optionen zur Lkw-Vorzugsbehandlung (AP 3) Nach Angaben des Statistischen Bundesamtes wurden im Jahr 2016 3.606 Millionen Tonnen Güter auf der Straße (79 %) transportiert (vgl. DESTATIS (2017)). Im Vergleich beförderte die Eisenbahn 365 Millionen Tonnen (8 %) und das Binnenschiff 228 Millionen Tonnen (5 %). Anlieferungen und Abholungen an logistischen Knoten,1 wie z.B. Leercontainer-Depots Hafenterminals oder Logistikzentren, erfolgen demnach (landseitig) hauptsächlich durch LKW. Die ankommenden Fahrzeuge erhalten über spezielle Zufahrten (sogenannte Gates) Zugang zu den Abfertigungsbereichen der Knoten erhalten. Insbesondere im Tages- oder Wochenverlauf können Ungleichgewichte bzgl. der Ankunftsund Durchlaufzeiten auftreten, z.B. durch Lastspitzen im Vorfeld von Schiffs- oder Zugankünften, kurzen Wochen mit Feiertagen oder durch die Kernarbeitszeiten in Produktion und Handel. Letzteres erfordert eine Be- und Entladung der Lkw an den Knoten zu bestimmten Zeiten. Daraus resultierende Lastspitzen (sog. Peaks) führen an den „Gates“ regelmäßig zu Rückstaus und zu erhöhten (unproduktiven) Wartezeiten der Fahrzeuge. Zudem erschweren stark schwankende Lkw-Ankunftszahlen für die Knotenbetreiber die betriebliche Einsatzplanung von Personal und Geräten. Soll das angestrebte Servicelevel auch in „Peak-Situationen“ aufrechterhalten werden, ist dies mit einem kostenintensiven Ressourceneinsatz an den Knoten verbunden und insbesondere auch mit einer wachsenden Zahl von Betriebsphasen, die durch eine schwache Auslastung der eingesetzten Geräte und Mitarbeiter gekennzeichnet sind. Dementsprechend ergibt sich durch entsprechende Lastschwankungen eine Beeinträchtigung der Leistungserstellungserstellungsprozesse auf allen Seiten. In diesem Zusammenhang ist hervorzuheben, dass sich Maßnahmen zur Verbesserung der Situation – und das heißt auch zur Reduktion von Wartezeiten – zu großen Teilen dem Wirkungsbereich von Spediteuren/Truckern entziehen. Fahrer und (Speditions-)Disponenten sind hier zumeist stark von der operativen Abfertigungsorganisation der Knoten und den tagesaktuellen Ereignissen im Umfeld der Umschlagpunkte abhängig. Neben der Entwicklung eines leistungsfähigen Prognoseansatzes zur Verbesserung der Informationsverfügbarkeit bzgl. zu erwartender Lkw-Wartezeiten und -Ankünfte an logistischen Knoten (vgl. AP 1) besteht ein weiteres Untersuchungsziel des Projektes darin, Optionen der Lkw-Vorzugbehandlung zu identifizieren (sog. Vorzugsoptionen), welche für Spediteure/Trucker einen wirksamen Anreiz zur freiwilligen Vormeldung ihrer Fahrzeuge darstellen. Jeder Lkw, dessen Ankunft auf diese Weise antizipiert werden kann, erweitert die Informationen über das Lkw-Aufkommen des Knotens in der Zukunft und muss hinsichtlich seines Eintreffens nicht vorhergesagt werden. 2.3.1 Freiwillige Lkw-Vormeldung und Sichtweisen zur Lkw-Vorzugbehandlung Im Hinblick auf die mit der Lkw-Vormeldung in diesem Projekt verbundene Zielsetzung ist insbesondere die zeitbezogene Vormeldung der Fahrzeuge von Interesse (und weniger eine datenbezogene Vormeldung der transportierten Güter). Das heißt, entsprechende Vormeldeinformationen betreffen im Wesentlichen den Meldezeitzeitpunkt (…wann wird der Lkw vor seiner Ankunft am Knoten vom Spediteur/Trucker vorgemeldet? – frühzeitig vs. spät) und die 1 In Anlehnung an Klaus & Krieger (2008), S. 269-270 sind „logistische Knoten“ Verknüpfungspunkte in logistischen Netzen. Sie stellen Infrastruktureinrichtungen dar, in denen Umschlags-, Lagerungs-, Ordnungs- und Bündelungs-/ Entbündelungsaktivitäten stattfinden. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 52 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Meldegenauigkeit (…für welches Zeitfenster wird die Lkw-Ankunft vom Spediteur/Trucker zugesichert? – klein vs. groß). Aufgrund der verschiedenen Interessenlage bzw. Geschäftsmodelle werden der Meldezeitpunkt und die Meldegenauigkeit einer Lkw-Vormeldung von Spediteuren/Truckern auf der einen Seite und Knotenbetreibern auf der anderen Seite naturgemäß auch verschieden beurteilt. Um gegebene Freiheitsgrade für die Disposition der Lkw durch eine Vormeldung nicht oder nur bedingt aufgeben zu müssen, sind Spediteure/Trucker für gewöhnlich bestrebt, die Vormeldung so spät wie möglich vorzunehmen und dabei das zugesicherte Ankunftszeitfenster ihrer Lkw so groß wie möglich zu wählen. Im Gegensatz dazu sind Knotenbetreiber an einer frühzeitigen Vormeldung der Fahrzeuge mit der Zusicherung eines möglichst kleinen Ankunftszeitfensters interessiert, um die Planungssicherheit für die betrieblichen Prozesse des Knotens nachhaltig zu erhöhen (vgl. Abbildung 29). Meldezeitpunkt spät vor Lkw‐Ankunft frühzeitig vor Lkw‐Ankunft Spediteure/Trucker Knotenbetreiber großes Ankunftszeitfenster kleines Ankunftszeitfenster Meldegenauigkeit Abbildung 29: Präferenzen bzgl. der Lkw-Vormeldung Betriebliche Erfahrungen zeigen, dass – analog zur Lkw-Vormeldung – die beteiligten Gruppen auch hinsichtlich Art und Umfang der mit einer freiwilligen Vormeldung verbundenen Lkw-Vorzugsbehandlung keine deckungsgleichen Vorstellungen besitzen. Da Spediteure/Trucker durch die Lkw-Vormeldung für ein konkretes Ankunftszeitfester teilweise in hohem Maße „Dispositionspotenzial“ einbüßen, wächst i.d.R. die Erwartungshaltung bzgl. des Angebots von Vorzugsoptionen je früher die Vormeldung der Fahrzeuge erfolgt und je kleiner das zugesicherte Ankunftszeitfenster ist. Auf der anderen Seite nimmt im Allgemeinen die Bereitschaft der Knotenbetreiber, die Qualität und/oder den Umfang des Angebots zu erhöhen nicht in gleichem Umfang zu bzw. ist begrenzt, da dem oft erheblichen Aufwand einer betrieblichen Umsetzung von Vorzügen nicht unmittelbar Betreibererträge gegenüber stehen. Vor diesem Hintergrund soll im Rahmen des Projektes untersucht werden, ob die Vorzugsbehandlung von Lkw an logistischen Knoten ein wirksames Mittel darstellt, um Spediteure/Trucker zu einer freiwilligen Vormeldung ihrer Fahrzeuge zu motivieren. Dazu ist zunächst eine Abgrenzung von sinnvollen, d.h. für Knotenbetreiber „nutzenstiftende“ und für Spediteure/Trucker „machbare“, Vormeldeszenarien erforderlich. In einem weiteren Schritt ist dann zu Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 53 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg prüfen, ob das mit Blick auf Meldezeitpunkt und -genauigkeit dieser Vormeldungen von den Knoten gewährte Vorzugsangebot und das von Spediteuren/Truckern erwartete Vorzugsangebot eine signifikante Schnittmenge aufweisen (vgl. Abbildung 30). Nur wenn dies der Fall ist, also in nennenswertem Umfang Entsprechungen zwischen der Angebotsbereitschaft der Kontenbetreiber und der Angebotserwartung der Spediteuren/Truckern bestehen, macht es im Zusammenhang mit der freiwilligen Vormeldung von Lkw Sinn, konkreter über Anreize nachzudenken, welche im Wesentlichen auf dem Mittel der „Vorzugsbehandlung“ beruhen. Angebotsbereich mit Anreizwirkung für freiwillige Vormeldung Erwartetes Angebot Gewährtes Angebot (Spediteure/Trucker) (Knotenbetreiber) Abbildung 30: Wirksames Vorzugsangebot für die freiwillige Lkw-Vormeldung 2.3.2 Voruntersuchung zur Fragebogenkonzeption Um die Angebotsbereitschaft der Knotenbetreiber und die Angebotserwartung der Spediteure/Trucker in Verbindung mit einer freiwilligen Lkw-Vormeldung zu operationalisieren, ist im Rahmen des Projektes eine umfangreiche Web-Umfrage durchgeführt worden. Dabei waren für die Erstellung des Fragebogens zum einen sinnvolle Vormeldeszenarien festzulegen (vgl. Abschnitt 2.3.1) und im Fragebogen zu beschreiben. Zum anderen galt es, eine Vorauswahl von Vorzugsoptionen zu treffen, welche von den Probanden mit Blick auf die definierten Szenarien zu bewerten waren. Zur Beschaffung der für die Fragebogenerstellung erforderlichen Informationen sind insbesondere die Gespräche mit Knotenbetreibern im Zuge der Praxispartnerakquise genutzt worden; außerdem wurde ein vorrangig mit Spediteuren besetzter Workshop in der Forschungsstelle durchgeführt. Die Ergebnisse der Informationsbeschaffung stellen sich wie folgt dar: a) Konkretisierung von Vormeldeszenarien (bzgl. Meldezeitpunkt und -genauigkeit) Die beiden folgenden Arten der Vormeldung werden sowohl auf Seiten der Knotenbetreiber (im Sinne von „nutzenstiftend“) als auch auf Seiten der Spediteure/Trucker (im Sinne von „machbar“) als sinnvoll betrachtet: Vormelden der Lkw-Ankunft für ein vergleichsweise großes Zeitfenster (z.B. Vor-/ Nachmittag) für den morgigen Tag. Vormelden der Lkw-Ankunft für ein vergleichsweise kleines Zeitfester (Stundenbereich) am Ankunftstag b) Konkretisierung von Optionen zur Vorzugsbehandlung Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 54 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Die im Weiteren dargestellten Vorzugsoptionen werden ebenfalls von beiden Gruppen als sinnvoll angesehen: Parkfläche mit Anmeldemöglichkeit Benachrichtigung über Störungen am Umschlagpunkt Garantiertes Abfertigungszeitfenster Bevorzugte Abfertigung Elektronischer Datenaustausch Erweiterte Öffnungszeiten des Umschlagknotens Aufsetzend auf den Ergebnissen diese Voruntersuchung ist ein Web-Fragebogen in zwei Varianten konzipiert worden. Eine Fragenbogenvariante richtet sich an die Gruppe der Knotenbetreiber (bzw. an deren Mitarbeiter in typischen Funktionen), die zweite Variante entsprechend an die Gruppe der Spediteure/Trucker (und deren Mitarbeiter). 2.3.3 Konzeption und Durchführung der Web-Umfrage Aufgesetzt und durchgeführt wurde die Befragung mit SurveyMonkey. SurveyMonkey ist ein onlinebasiertes Software-Tool, das von der Erstellung des Fragebogens über das Hosting der Umfrage(-ergebnisse) bis hin zu einer „einfachen“ Auswertung und Darstellung der Ergebnisse alle Teilprozesse einer empirischen Befragung unterstützt (vgl. Waclawski (2012)). Während die Funktionen zur Ergebnisauswertung und -darstellung aufgrund ihres eingeschränkten Umfangs eine weiterführende Auswertung der erhobenen Datensätze mit einer Tabellenkalkulationssoftware notwendig machten, werden alle weiteren Teilprozesse des Befragungsprojektes ausreichend von der Software unterstützt. Um entsprechend relevante Probanden in großer Anzahl mit der Umfrage zu erreichen, sind die erstellten elektronischen Fragebögen über mehrere Netzwerke und Gruppen verteilt worden. Dazu wurden zunächst Ansprechpartner von Vereinen, Verbänden, Fachforen, etc. identifiziert und mit der Bitte angesprochen, ihre Mitglieder auf die Möglichkeit zur Teilnahme an der Umfrage hinzuweisen. Durch Mitwirkung von 21 der 38 Kontakte konnten so insgesamt 312 Antwortdatensätze von den adressierten Zielgruppen eingeholt werden. Diese bestehen zum einen aus Knotenbetreibern (d.h. Betreibern von Umschlagspunkten sowie Verladern) und zum anderen aus Spediteuren und Truckern. Bei Letzteren handelt es sich um selbstständige Lkw-Fahrer. Der Fragebogen startet für den Probanden mit einigen kurzen Erläuterungen über den Hintergrund des Forschungsprojektes. Der Bogen selbst untergliedert sich dann im Wesentlichen in zwei Teile. Im ersten Teil werden allgemeine Informationen zum Probanden und dessen Unternehmen gesammelt (Probanden-/Unternehmensdaten). Dies erfolgt thematisch getrennt von der Meinungsabfrage zur Vorzugsbehandlung von Lkw an logistischen Knoten im zweiten Teil (Erhebung von Präferenzdaten). Auf diese Weise wird eine Aufschlüsselung der gegebenen Antworten bei der späteren Fragebogenauswertung nach den unterschiedlichen Zielgruppen und deren Untergruppen möglich. Neben der erläuterten Zweiteilung des Fragebogens unterscheiden sich die gestellten Fragen insbesondere im ersten Teil der Umfrage erheblich für beide Zielgruppen. Dies ist Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 55 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg zum einen durch die Verschiedenartigkeit der Geschäftsmodelle der Unternehmen bedingt (logistische Knoten vs. Speditions-/Fuhrunternehmen) und zum anderen durch ihre grundsätzlich andersartigen Leistungserstellungsprozesse. Entsprechend der Zielgruppenzahl ergeben sich damit zwei Varianten des Fragebogens (mit jeweils zwei Teilen). Darüber hinaus sei in diesem Zusammenhang darauf hingewiesen, dass sich im zweiten Teil der Umfrage die festgelegten Vormeldeszenarien für alle Probanden – bzgl. Zeitpunkt der Vormeldung und zugesichertem Ankunftszeitfenster – identisch darstellen. Damit ist zielgruppenübergreifend eine Vergleichbarkeit der gegebenen Antworten gewährleistet. Ein Unterschied ist an dieser Stelle dahingehend gegeben, dass die Gruppe der Spediteure/Trucker jeweils das aus ihrer Sicht erwartete Vorzugsangebot formulieren muss, während die Gruppe der Kontenbetreiber dazu angehalten ist, dass aus ihrer Sicht zu gewährende Vorzugsangebot zu benennen. Auf Basis der durchgeführten Voruntersuchung (vgl. Abschnitt 2.3.2) sind in den Fragebogenvarianten die folgenden Vormeldeszenarien – der Zielgruppe entsprechend – berücksichtigt worden: Knotenbetreiber (I) Welchen konkreten Vorzug würden Sie anbieten, wenn der Spediteur seine Ankunft für morgen vormeldet (ohne Uhrzeit)? …und dazu ein Kurzinfo bzgl. Firma, Lkw-Typ und Auftrag (z.B. „Container packen“) übermittelt. (II) Welchen konkreten Vorzug würden Sie anbieten, wenn der Spediteur seine Ankunft in einem 8 Std.-Zeitfenster (z.B. Frühschicht) für morgen vormeldet? …und dazu ein Kurzinfo bzgl. Firma, Lkw-Typ und Auftrag (z.B. „Container packen“) übermittelt. (III) Welchen konkreten Vorzug würden Sie anbieten, wenn der Spediteur sein Eintreffen in einem 1-2 Std.-Zeitfenster erst am Ankunftstag vormeldet? …und dazu ein Kurzinfo bzgl. Firma, Lkw-Typ und Auftrag (z.B. „Container packen“) übermitteln. Spediteure/Trucker (I) Welchen konkreten Vorzug erwarten Sie vom Umschlagpunkt, wenn Sie dort Ihre Ankunft für morgen vormelden (ohne Uhrzeit)? …und dazu ein Kurzinfo bzgl. Firma, Lkw-Typ und Auftrag (z.B. „Container packen“) übermitteln. (II) Welchen konkreten Vorzug erwarten Sie, wenn Sie Ihre Ankunft in einem 8 Std.Zeitfenster (z.B. Frühschicht) für morgen vormelden? …und dazu ein Kurzinfo bzgl. Firma, Lkw-Typ und Auftrag (z.B. „Container packen“) übermitteln. (III) Welchen konkreten Vorzug erwarten Sie, wenn Sie Ihr Eintreffen in einem 1-2 Std.Zeitfenster erst am Ankunftstag vormelden? …und dazu ein Kurzinfo bzgl. Firma, Lkw-Typ und Auftrag (z.B. „Container packen“) übermitteln. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 56 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Ebenfalls basierend auf den Ergebnissen der Voruntersuchung sind in beiden Fragebogenvarianten die folgenden Vorzugsoptionen als Auswahlmöglichkeiten angegeben worden. Knotenbetreiber: Alternative Antworten sind möglich! Hierfür biete ich entweder … oder … oder … Spediteure/Trucker: Alternative Antworten sind möglich! Hierfür erwarte ich entweder … oder … oder … Parkfläche mit Anmeldemöglichkeit Benachrichtigung über Störungen am Umschlagpunkt Garantiertes Abfertigungszeitfenster Bevorzugte Abfertigung (z.B. Schnellspur) Elektronischer Austausch von Auftrags- und Frachtdaten Erweiterte Öffnungszeiten Aktuelle Lkw-Wartezeit am Umschlagpunkt Zukünftige Lkw-Wartezeit (z.B. in 2h, 3h oder 8h) Sonstiges (bitte angeben) … Eine vollständige Übersicht über die „Fragen“ an die Probandengruppe der Knotenbetreiber gibt Anhang I (vgl. Abschnitt 6); eine entsprechende Übersicht für die Gruppe der Spediteure/Trucker findet sich in Anhang II (vgl. Abschnitt 7). Beide Fragebogenvarianten sind in den betreffenden Anhängen im Detail dargestellt. Pflichtfragen sind dabei mit einem Sternchen (*) gekennzeichnet. 2.3.4 Exkurs: Statische Begriffe und Methoden Der vorliegende Abschnitt erfüllt den Zweck, die im Zusammenhang mit der Auswertung des Fragebogens verwendeten statistischen Begrifflichkeiten und Methoden zu erläutern. Grundlegende Begriffe wie z.B. Stichprobe, Median, Modus oder arithmetischer Mittelwert sowie deren geläufige Darstellungen werden dabei als allgemein bekannt vorausgesetzt und nicht näher behandelt. Der Fokus dieses Abschnitts liegt vielmehr im Bereich komplexer statistischen Methoden, deren Interpretation und Anwendung i.d.R. nicht ohne eine vorherige Erläuterung vorausgesetzt werden kann. Zusätzlich zu den Streuungsmaßen Varianz und Standardabweichung dient der Variationskoeffizient als Kennzahl zum Vergleich von Streuungen. Dieser ist definiert als: ̅ ̅ Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 57 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Der so errechnete Koeffizient ist von der Anzahl der berücksichtigten Werte abhängig, so dass zum Vergleich von Datensätzen unterschiedlicher Größe der normierte Variationskoeffizient verwendet wird: * √ * öß Der Variationskoeffizient ermöglicht es, Standardabweichungen zu vergleichen, wenn die Mittelwerte sich stark unterscheiden oder die beiden zu vergleichenden Merkmale in verschiedenen Einheiten gemessen werden. Der Koeffizient stellt somit ein maßstabsunabhängiges Streuungsmaß dar. Bei der Interpretation ist zu beachten, dass der Variationskoeffizient kein lineares Verhalten besitzt und CV bzw. CV* dadurch mit zunehmender Streuung sehr schnell ansteigen (vgl. Kohn & Öztürk (2013), S. 70-71). Um von Stichprobendaten auf die der Stichprobe zugrunde liegende Grundgesamtheit schließen zu können, werden sogenannte Schätzer verwendet. Da Punktschätzer, die einen bestimmten Wert widerspiegeln, keine Einschätzung über ihre Genauigkeit zulassen, werden häufig sog. Intervallschätzer, die einen bestimmten Wertebereich abdecken, bevorzugt. Zu den Intervallschätzern zählen vor allem Konfidenzintervalle, auch bekannt als Vertrauensbereiche. Diese geben ein Intervall an, in dem sich der aus der Grundgesamtheit errechnete (Merkmals-)Wert mit einer vorher festgelegten Vertrauenswahrscheinlichkeit befindet. Die klassische Definition von Konfidenzintervallen setzt eine Normalverteilung des untersuchten Merkmals voraus und lautet für die Ermittlung eines Mittelwertes (vgl. Sachs (1999), S. 329): α/2 α/2 α/2 √ ∗ √ ü öß ∗ ä Für den hier gegebenen Fall, dass die Standardabweichung von aus der Grundgesamtheit errechneten Merkmalswerte unbekannt ist, wird für kleine Stichproben mit n kleiner 30 anstelle des z-Wertes aus der Normalverteilung die Studentsche t-Verteilung genutzt, um der Unschärfe der kleinen Stichprobe entgegenzuwirken. Die t-Verteilung ist, wie auch die Standardnormalverteilung, glockenförmig und symmetrisch mit Mittelwert, Modus und Median bei dem Wert Null; sie berührt an keinem Punkt die X-Achse. Die Varianz ist jedoch größer als eins; es handelt sich um eine „Familie“ von Kurven, deren Verlauf sich mit steigendem n der Standardnormalverteilung annähert. (vgl. Kreyszig (1973), S. 279-281). Als Vertrauenswahrscheinlichkeit wird häufig eine Wahrscheinlichkeit von 95% gewählt, was einem z-Wert von 1,96 entspricht. Tabellen, welche die entsprechenden t-Werte für diese Vertrauenswahrscheinlichkeit in Abhängigkeit von der Stichprobengröße enthalten, finden sich in der gängigen Statistikliteratur. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 58 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Für die Fragebogenauswertung ist es zudem nützlich, Zusammenhänge zwischen den Antworten innerhalb einer Stichprobe zu identifizieren. Dafür werden unterschiedliche statistische Kennzahlen verwendet, welche die Beschaffenheit eines Zusammenhangs charakterisieren. Die empirische Kovarianz, die aus Stichprobendaten berechnet wird, misst die Richtung eines linearen Zusammenhangs zwischen zwei Variablen. Ein positiver Wert bedeutet einen positiven linearen Zusammenhang; ein negativer Wert einen negativ linearen Zusammenhang. Die Kovarianz einer Grundgesamtheit berechnet sich wie folgt (vgl. Bühner & Ziegler (2009), S. 591): ∑ ∗ 1 i xy ä xy i i ̅ i öß Die Kovarianz trifft als Kennzahl lediglich eine Aussage über die Richtung des Zusammenhangs, nicht aber über dessen Stärke. Für diesen Zweck wird aus der Kovarianz der sogenannte Korrelationskoeffizient gebildet: xy xy x * y xy ä xy x y Der Korrelationskoeffizient kann Werte zwischen -1 und +1 annehmen und bietet dadurch eine Indikation für die Stärke des linearen Zusammenhangs der Merkmale. Ein Wert von +1 bzw. -1 bedeutet also einen vollständig positiven bzw. negativen linearen Zusammenhang, wohingegen ein Wert von 0 die lineare Unabhängigkeit der beiden Merkmale voneinander widerspiegelt. Ungeachtet dessen können die Merkmale in nichtlinearer Weise voneinander abhängen (vgl. Rönz & Förster (1992), S. 106-110). Auch für Korrelationskoeffizienten können Konfidenzintervalle berechnet werden. Da deren Verteilung nicht normalverteilt ist, muss der aus einer Stichprobe berechnete Koeffizient zunächst mithilfe der sogenannten Fisher-z-Transformation wie folgt umgeformt werden: ′xy xy ü xy 1 1 0,5 ∗ xy xy Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 59 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Der Standardfehler, welcher bei der bereits vorgestellten Berechnung eines Konfidenzintervalls den Term √ ersetzt lautet (vgl. Bühner & Ziegler (2009), S. 595): 1 r' 3 √ r' öß Die aus dem transformierten Koeffizienten berechneten Intervallgrenzen müssen anschließend wieder in eine Korrelation zurücktransformiert werden. Die dazu notwendige Berechnung kann durch eine entsprechende Umstellung der obigen Formel hergeleitet werden: xy 0,5 ∗ ln 1 1 ⇔ e 2*r' (xy) xy xy xy xy ⇔ e 2*r' (xy) ⇔ 2.3.5 ⇔ e 2*r' (xy)‐1 xy * 2*r (xy) e ' 2*r (xy) e ' xy e 2*r' (xy) xy 1 ∗ 1 e 2*r' (xy) xy Fragebogenauswertung Im Weiteren erfolgt die Auswertung der im Befragungszeitraum (November 2015 bis Februar 2016) eingegangenen Fragebögen. Hierbei sei angemerkt, dass die Fragebögen nicht von allen Probanden vollständig ausgefüllt worden sind, da nicht jede Frage als Pflichtfrage gekennzeichnet ist und einige Probanden die Bearbeitung vor dem Ende des Bogens abgebrochen haben. Abbildung 31: Umfrageteilnehmer nach Unternehmenstypen Die Fragebogenauswertung folgt der Gliederung des Fragebogens (vgl. Abschnitt 2.3.3). D.h., es werden zunächst die erfassten Probanden- und Unternehmensdaten analysiert. In einem weiteren Schritt erfolgt dann die Untersuchung der Probandenpräferenzen zur Vorzugsbehandlung von Lkw im Kontext der drei (definierten) Vormeldeszenarien. Dabei Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 60 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg werden die Präferrenzen derr Zielgruppe en Knotenb betreiber und Spediteeure/Trucke er in der b Um trotz der Komplexität der Umfrage und der angegebenen Reihenfolge betrachtet. Auswerrtungsmöglicchkeiten fü ür den Lesser eine gute Nachvo ollziehbarkeeit der Erg gebnisse der Auswe sicherzu ustellen, errfolgt die Darstellung D ertungserge ebnisse enttsprechend komprimiert mit einer Fokkussierung auf a die wese entlichen Erkenntnisas spekte. eranzahl un nd -struktur 2.3.5.1 Teilnehme U enstypen Teilnehmer nach Unternehme Eine Au uswertung der d Proband denantworte en bzw. Fra agebögen nach n Unternnehmenstyp pen zeigt Abbildung 31. Spe editionsunte ernehmen sstellen mit 252 2 Befragtten (80,8%)) die überw wiegende Zahl de er Umfragete eilnehmer. Im Vergleicch dazu hab ben sich led diglich 25 T Trucker (d.h h. selbstständige e Lkw-Fahrrer) an der Umfrage b beteiligt (8,0%). Diese es Verhältniis spiegelt insofern nicht de en deutsche en Logistikm markt wiede er, als dass s z.B. im Ja ahr 2010 neeben 16.416 6 Speditionsuntternehmen in Deutsch hland ca. a auch 141.5 500 selbststtändige Lkw w-Fahrer re egistriert waren (vgl. Baier (2 2012), S. 15 5). Abbildung 32: Anza ahl und geografische V Verteilung de er befragten n uns aller U Unternehmen n der Transpo ort- und Lag gereibranche e Schlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 61 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg Ebenfalls schwach h repräsentiert ist die Gruppe de er Kontenbe etreiber (d.hh. Umschla agpunkte 5 Befragten n (11,2%). An A dieser Stelle S sei ddarauf hinge ewiesen, und Verlader) mit lediglich 35 ntsprechend geringe Teilnehmerrzahlen von einzelnen n Gruppen das Ableiiten von dass en repräse entativen Au ussagen für diese Grup ppen erhebllich erschwe eren. Geographische Ve erteilung derr befragten Unternehm men In der Abbildung 32 wird die d Anzahl der befrag gten Untern nehmen naach Bundes sländern dargesttellt. Dabei fällt auf, dass verg gleichsweise e große Schwankung S gen zwisch hen den ern existierren. Um zu u beurteilen, inwieweit die Verteilung der unterschiedlichen Bundelände en Unternehmen für das Bundesg gebiet eine en repräsentativen Chaarakter besitzt, wird befragte in Abbilldung 32 de er Anzahl der d „Umfrag ge-Unternehmen“ die Anzahl derr Unternehm men des Wirtschaftszweigs Transport und Lagere ei in den Bundesländ B ern gegenüübergestelltt. Dieser u nac ch der WZ Z-Klassifikation Landve erkehr und Transport in RohrWirtschaftszweig umfasst ungen, Sch hifffahrt, Lufftfahrt, Posst-, Kurier- und Expres ssdienste, Lagerei, so owie die fernleitu Erbringu ung von so onstigen Die enstleistung gen für den Verkehr (v vgl. DESTAT ATIS (2008),, S. 404417). Die Gegenüb berstellung der Werte iist insofern problematis sch, als dasss die Klass sifikation des Bun ndesamtes eine größe ere Anzahl vvon Unternehmenstypen berückssichtigt als jene, j die im Foku us der Umffrage steht. Nichtsdesttoweniger bietet b der Vergleich V einne grobe In ndikation bzgl. de er „geographischen“ Umfragerep präsentativität. Es ist ersichtlich , dass in Bundesländern mit wenige en „Umfrage e-Unterneh men“ tende enziell auch weniger U nternehmen dieses Wirtschaftszweigess ansässig sind. Darü über hinaus zeigt der Vergleich, V ddass Unterrnehmen and in der Umfrage U rel ativ stark vertreten v sin nd. Insbesonndere die Beispiele B aus Norrddeutschla Hamburrg und Sch hleswig-Hollstein zeich hnen sich dabei durch eine verrgleichsweis se hohe Teilnam mequote auss, was insb besondere an der geo ographische en Nähe zuur Forschun ngsstelle liegen kkann sowie den für die Umfrage ge enutzten Ve erbreitungsk kanälen. Teilnehmer nach Funktionen F Eine Üb bersicht zu den d Funktio onen der Be efragten in ihren Untern nehmen gibbt Abbildung g 33. Abbildung 33: Anza ahl Umfrage eteilnehmer nach Funkttionen im Un nternehmen n Bei der Probanden ngruppe der Knotenbe etreiber sind d knapp ein n Drittel derr Befragten der Geschäftslleitung zuge eordnet. Da as (Gesamtt-)Meinungs sbild dieser Gruppe istt dementsp prechend stark d durch das leitende Managemen M nt mit sein nem (bestimmenden) Einfluss auf a den Geschä äftsbetrieb der d Unterne ehmen geprrägt. Auf de er Seite der Spediteurre/Trucker fällt f zum Schlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 62 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg einen de er sehr hoh he Anteil der Lkw-Fahre rer auf. Zum m anderen sind auch hieer Befragte e aus der Geschä äftsleitung mit m 38 Perso onen vergle eichsweise stark s vertre eten. Damit kann insbe esondere für die Zielgruppe der Speditteure/Truckker neben einer e Analy yse der Anttworten des s operativen Pe ersonals au uch die gesonderte Be etrachtung des d Antworrtverhaltenss von Befragten mit Geschä äftsleitungsffunktion eine sinnvolle Option dars stellen. Befragte e Unternehmen nach Größe G Bzgl. de es Merkmals „abgefertigte Lkw pro o Tag“ ist eine e vergleic chsweise sttarke Verteiilung der befragte en Knotenb betreiber au uf die vorge egebenen Kategorien zu erkennnen (vgl. Abbildung 34). Auffgrund der kleinen k Ges samtzahl vo on Probanden in der Gruppe (35 P Pers.) und der d noch kleinere en Probandenzahl (31 Pers.), wel che diese Frage F bean ntwortet hatt, ergeben sich s entspreche end „dünn“ besetzte Untergrupp pen, von deren d geso onderter Auuswertung – ohne weitere Aggregatio on (z.B. in kleine/mittlerre/große Un nternehmen n) – abgeseehen wird. S Trucker ist herauszusttellen, dasss für die berrücksichMit Blickk auf die Gruppe der Spediteure/T tigten G Größenmerkkmale (d.h. Mitarbeiterranzahl, Tra ansportaufträge pro Taag und Lkw w im Unternehm men) in allen abgefragtten Kategorrien mindes stens eine zweistellige z e Anzahl an n Befragten gegeben ist (vg gl. Abbildun ng 35). Im G Gegensatz zur z Gruppe der Kontennbetreiber erscheint e hier da aher auch eine Aus swertung vvon Unterg gruppen un nproblematiischer. In diesem Zusamm menhang sei s angeme erkt, dass vvon 252 Be efragten au us der Gruuppe der SpediteuS re/Truckker 251 Pe ersonen die e Frage zu ur Mitarbeiterzahl des Unternehm mens beanttwortetet haben ssowie von 238 2 Persone en Angabe n zur Anzahl der täglic chen Transpportaufträge e und zu en sind. den Lkw w im Untern nehmen gem macht worde Abbildung 34: Anza ahl Knotenb betreiber nac ch abgefertiigte Lkw pro o Tag Darüber hinaus lässt sich für die Größe enmerkmale Transporrtaufträge pr pro Tag und d Lkw im Unterne ehmen eine e hohe (auch zu erwa artende) Ko orrelation nachweisen n . Der Korre elationskoeffizie ent erreichtt hier einen Wert von 0,7 und be estätigt dam mit einen sta tark positiv linearen Zusamm menhang. D.h., D je größer die An zahl der prro Tag durc chgeführtenn Transporttaufträge ist, destto größer ist auch die Lkw-Flotte L d des Unterne ehmens und d vice versaa. Spedite eure/Trucker nach Häuffigkeit der F Fahrten im Nah-, N Regio onal und Feernverkehr Bzgl. de er für den Transport von v Gütern n durchzufü ührenden Lkw-Fahrtenn ist sind SpediteuS re/Truckker dazu au ufgefordert,, eine Abscchätzung zu ur Häufigke eit ihrer Fahhrten für be estimmte Schlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 63 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg Transpo ortentfernun ngen zu trefffen. Hierbe ei werden die Kategorie en oft, geleegentlich und nie für die Fahrtenhäufigkkeit untersch hieden und die Katego orien Nahve erkehr (unteer 50 km), RegionalR verkehrr (50 km bis 150 km) und Fern nverkehr (ü über 150 km m) für die Fahrentferrnungen. Abbildung 36 zeigtt die Antwo orten von 2 234 Persone en aus der Probandenngruppe de er SpediD ist au uffällig, dass ein vergleichsweisee großer An nteil von teure/Trrucker (mit n=277). Dabei 83,2% d der Befragtten (195 Pe ers.) angibt , dass sie selbst oderr ihr Unternnehmen oft Fahrten über me ehr als 150 km durchfü ühren. Abbildung 35: Anza ahl Spediteu ure/Trucker nach Mitarb beiteranzahll / Transport rtaufträge prro Tag / Lkw im Unternehme en Basiere end auf den gegeben nen Antworrten werden die Prob banden in drei Unterrgruppen unterteilt: G Generaliste en mit ähnlic ch vielen Na ah-/Regiona alverkehrs- und Fernveerkehrsfahrrten Fernverkeh hrsfahrer mit deutlich m mehr Fahrten im Fernve erkehr (d.h. über 150 km) k R Regional- und u Nahverk kehrsfahrerr mit einem m überwiege enden Teil der Fahrte en unter 150 km. Entspre echend des (hohen) An nteils von P robanden mit m Fahrten im Fernverrkehr ist die e Gruppe der Ferrnverkehrsfa ahrer und Generaliste G en mit 100 bzw. 96 Pe ersonen ve rhältnismäß ßig stark 38 Befragte vertrete en. Demgeg genüber ste ehen (nur) 3 e mit Fahrten unter 1550 km. Vorr diesem Hintergrrund ist insbesondere eine gewissse Repräse entativität des d Meinunggsbildes zu ur erwarteten Lkw-Vorzugssbehandlun ng aufgrund d einer freiwilligen Vo ormeldung ffür im Fern nverkehr Unternehmen gegeben.. tätige U 2.3.5.2 Bereitscha aft zur Lkw--Vorzugsbe ehandlung (K Knotenbetre eiber) Im zwe eiten Teil der Fragebo ogenvariantte für Knottenbetreiberr werden ddie Befragte en dazu aufgefordert das Angebot A von n Vorzugso optionen zu konkretisie eren, welchees sie mit Blick B auf eine Vo ormeldung von v Lkw in Form der Szenarien (I), (II), (III) Ihren Kunnden zur Ve erfügung stellen würden (vvgl. Abschn nitt 2.3.3). Die Befrag gten könne en dabei aalternativ zwischen z mehrere en Vorzugssoptionen wählen w ode er auch eiigenständig Möglichkeeiten der VorzugsV Schlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 64 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg behandlung angeben. Letzteres ist nicht im nennenswerten Umfang geschehen und wird daher im vorliegenden Bericht nicht weitergehend diskutiert. Abbildung 36: Anzahl Spediteure/Trucker nach Häufigkeit der Fahrten im Nah-, Regional- und Fernverkehr Gewährung von Vorzugsoptionen für die Szenarien (I), (II), (III) Das Ergebnis für Szenario (I) zeigt (vgl. Abbildung 37), dass es keine Vorzugsoption gibt, die für die Mehrheit der Probanden (> 50%) als entsprechendes Angebot in Frage kommt. Die gegebenen Auswahlmöglichkeiten erreichen im Mittel eine Zustimmung von knapp 26% bei den Probanden. Darüber hinaus werden im Schnitt nur 2,2 Vorzüge von jedem Befragten ausgewählt, wobei die am häufigsten gewählte Option (Bevorzugte Abfertigung) von 45% der Befragten genannt wird. Weitere Vorzugsoptionen, deren Zustimmung über dem Mittelwert liegt, sind die Bereitstellung von Parkflächen mit Anmeldemöglichkeit (28%), die Benachrichtigung über Störungen (31%) sowie der Elektronische Austausch von Auftrags- und Frachtdaten (38%). Im Vergleich zu Szenario (I) bietet das Szenario (II) für Knotenbetreiber den Vorteil, dass sich Spediteure/Trucker auf ein konkretes Ankunftszeitfenster festlegen müssen, woraus sich eine verbesserte Planungssicherheit für den Ressourceneinsatz der Knoten ergibt. Vor diesem Hintergrund ist (eigentlich) davon auszugehen, dass die Bereitschaft der Knotenbetreiber wächst, Vorzüge zu gewähren. Der Vergleich der Ergebnisse beider Szenarien in Abbildung 37 zeigt allerdings, dass sich diese Überlegung nicht in den Befragungsergebnissen widerspiegelt. Die durchschnittliche Zahl der ausgewählten Vorzugsoptionen je Befragtem steigt nicht, sondern stagniert bei 2,2 Vorzügen. Zudem kommt auch hier keine der gegebenen Auswahlmöglichkeiten für die Mehrheit der Befragten (> 50%) als Vorzugsoption in Frage, wobei im Mittel eine Zustimmung von knapp 27% erreicht wird. Am häufigsten ausgewählt Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 65 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg wird de er Vorzug Elektronisch E her Datena ustausch (41%), wäh hrend der vvorherige „Spitzenreiter“, die Bevorzzugte Abferttigung, hierr am zweith häufigsten genannt w wird (37%) und u den größten n Anteil an Zustimmung Z g im Vergle eich zu Szen nario (I) einbüßt. Den hhöchsten Zugewinn an Nenn nungen erre eicht die Op ption Zukün nftige Lkw-W Wartezeit. Dies D erscheiint plausibe el, da bei einer V Vormeldung für ein ko onkretes Ze eitfenster gezielt Warttezeitinform mationen üb bermittelt werden können. Abbildung 37: Gew währte Vorzu ugsoptionen n für die Sze enarien I, II, III (alle Befra ragten) Szenariio (III) ist im m Vergleich durch eine späte Vorm meldung der Fahrzeug e (gleicher Tag) für ein kleines Ankunftszeitfens ster (1h-2h ) gekennze eichnet. Dementsprecchend können die Proband denantworte en zu diese em Szenariio insbeson ndere in derr Gegenübeerstellung mit m jenen des Sze enarios (I) darüber Au ufschluss g geben, inwie eweit Knote enbetreiberr bereit sind d, einen frühen M Meldezeitpu unkt und ein ne hohe Me eldegenauig gkeit durch eine entspprechende VorzugsV behandlung zu hon norieren oder ob ggf. e eines der Vormeldeme V erkmale für sie einen größeren g Stellenw wert besitztt. Abbildung 37 zeigtt, dass bei Szenario (III) der V Vorzug Gara antiertes Abfertig gungszeitfen nster die am häufigste en genanntte Vorzugsoption ist ((41%). Die Zustimmung für diesen Vorzug V nim mmt gegenü über den vorhergehen v nden Szenaarien erheb blich zu. Demgeg genüber sin nkt die Bere eitschaft ein ne Bevorzu ugte Abfertig gung anzubbieten, im Vergleich V deutlich h (30%) und d gehört be ei Szenario o (III) nicht mehr zu de en (beiden)) meist präferierten Vorzüge en. Analog zu den vorrhergehend en Vormeld deszenarien n ist die mitttlere Anzahl der je Proband d ausgewäh hlten Vorzü üge – wenn auch gerin ngfügig gestiegen (2,3)) – vergleic chsweise verhalte en. Die durcchschnittlich he Anzahl d der Nennun ngen einer Vorzugsopttion liegt be ei knapp 28%. orzugsoptio onen getren nt nach Untternehmens styp der Beffragten Gewährrung von Vo In Abbildung 38 sin nd die Ausw wahlantwortten der Befrragten getre ennt nach dden Unterne ehmensUmschlagpu unkt und Verlader V fü ür die vers schiedenen Vorzugsopptionen dargestellt. typen U Dabei w werden beii Szenario (I) für einig ge Vorzugs soptionen vergleichsw v weise große e Unterschiede e im Antwortverhalten offensichtl ich. Dies betrifft b insbe esondere ddie Bereitsc chaft zur Gewährrung der Vo orzüge Park kflächen mitt Anmeldem möglichkeit und u Bevorzzugte Abferttigung. Analog dazu sind auch für Szenario S (II)) deutliche Unterschiede bei der Nennung der d Voremöglichkeit und Bevo orzugte Ab fertigung gegeben, g zugsopttionen Parkkflächen mit Anmelde wobei ffür letztere die entspre echende A Abweichung merklich kleiner k ausffällt (vgl. Abbildung 38). Für die übrige en Vorzugs soptionen s ind die Untterschiede im Antwortvverhalten zwischen z Schlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 66 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg den Be efragten der beiden Unternehme U enstypen ge eringer als bei Szenaario (I). Die mittlere Abweich hung bzgl. der Auswa ahl einer Vo orzugsoption beträgt hier 13% unnd ist damitt um 1/3 kleiner a als im vorhe ergehenden n Szenario; Befragte der d beiden Unternehme U enstypen an ntworten also inssgesamt ähnlicher. ä Es E scheint demnach bei der Vormeldung V g für ein kleineres k Ankunfttszeitfenster (Tag vs. Schicht) S die e Art des logistischen n Knoten eeine gering gere Bedeutung g zu besitze en. Abbildung 38: Gew währte Vorzu ugsoptionen n getrennt nach Unterne ehmenstyp Bei den n Antworten für das Sze enario (III) ffallen in ers ster Linie nic cht die Unteerschiede zwischen z den Be efragten der beiden Unternehme U enstypen au uf sondern vielmehr, dass beide e UnterSchlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 67 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg gruppen fuer die Mehrzahl der Vorzüge gleiche oder ähnliche Präferenzen zeigen (vgl. Abbildung 38). Die durchschnittliche Abweichung zwischen den Antworten der beiden Untergruppen ist hier um ca. 1/3 geringer als in Szenario (II) und liegt bei 8%. Dementsprechend ist für das Szenario (III) die Ähnlichkeit der Antworten nochmals höher als im vorhergehenden Szenario, so dass die Bedeutung der Probandenherkunft für Gewährung von Vorzügen nochmals abgenommen hat. Darüber hinaus ist das Antwortverhalten der Befragten innerhalb der Untergruppe Umschlagpunkte durch eine vergleichsweise geringe Streuung gekennzeichnet. Bei einer mittleren Zustimmung für die gegebenen Vorzugsoptionen von 27% ergibt sich ein im Vergleich niedriger normierter Variationskoeffizient von 9,3%. Dem steht auf Verladerseite ein deutlich größerer Wert des entsprechenden Koeffizienten gegenüber (21,4%), wobei die durchschnittliche Anzahl von Nennungen einer Vorzugsoption knapp 29% beträgt. Ursächlich bedingt ist hier die relative starke Streuung vor allem durch eine Verdreifachung der Probandenzahl (60%), welche ein Garantiertes Abfertigungszeitfenster als Vorzug anbieten würden. Gewährung von Vorzugsoption getrennt nach Unternehmensgröße Abbildung 39 zeigt die Auswahlantworten der Befragten aus der Gruppe der Knotenbetreiber getrennt nach der Unternehmensgröße (klein, mittel, groß) für die verschiedenen Vorzugsoptionen. Dabei werden Unternehmen als klein eingestuft, wenn sie weniger als 50 Lkw pro Tag abfertigen. Als Unternehmen mittlerer Größe werden jene mit 50 bis 500 Lkw pro Tag betrachtet und alle Unternehmen, die über diesem Wert liegen, gelten als groß. Im Zusammenhang mit dem Szenario (I) würden kleine Unternehmen als Vorzug insbesondere Parkflächen mit Anmeldemöglichkeit anbieten (67%), wobei mittlere und große Unternehmen diese Vorzugsoption deutlich weniger präferieren (20% bzw. 17%). Für große Unternehmen scheint der Vorzug Elektronischer Datenaustausch das Mittel der Wahl darzustellen, da dieser von den Befragten mit Abstand am häufigsten gewählt worden ist (50%). Grundsätzlich ist bei mehreren Vorzügen in Abhängigkeit von der Unternehmensgröße eine abnehmende bzw. steigende Zustimmung zu erkennen; dies betrifft die Vorzugsoptionen: Parkflächen mit Anmeldemöglichkeit, Garantiertes Abfertigungszeitfenster, Bevorzugte Abfertigung, Erweiterte Öffnungszeiten und Aktuelle Lkw-Wartezeiten. Aufgrund der kleinen Probandenzahl der Untergruppen (kleine/mittlere/große Unternehmen) lassen sich erkennbare Trends statistisch für die Grundgesamtheit der Untergruppen allerdings nicht belegen. Ein Indiz dafür, das kleine Unternehmen im Zusammenhang mit dem Vormeldeszenario (I) eher bereit sind eine Vorzugbehandlung zu gewähren (als große), zeigt die Anzahl der von den Befragten der Untergruppen im Mittel angegebenen Vorzugsoptionen (kleine: 2,5 / mittlere: 2,2 / große: 1,8). Bei Szenario (II) ist erkennbar (vgl. Abbildung 39), dass deutlich weniger Befragte von kleinen Unternehmen als im vorhergehenden Szenario den Vorzug Parkflächen mit Anmeldemöglichkeit anbieten würden (40%). Analog zu den großen Unternehmen präferieren kleine Unternehmen die Vorzugsoption Elektronischer Datenaustausch (kleine: 60% / große: 50%). Ein Trend in der Zustimmung abhängig von der Unternehmensgröße lässt sich bei Szenario (II) für mehrere Vorzüge nicht erkennen. Darüber hinaus fällt auch hier auf, dass kleine Unternehmen deutlich bereitwilliger Vorzüge anbieten als größere. So wählen Befragte von Kleinunternehmen im Mittel 2,8 Vorzugsoptionen aus, während zum Beispiel Befragte von Unternehmen mittlerer Größe durchschnittlich nur 1,7 Vorzüge nennen. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 68 AiF-Forsschungsstelle e Institut für Maritime M Log gistik, Technische Univerrsität Hambuurg-Harburg Bei der Betrachtun ng von Szen nario (III) istt vor allem die d sehr hohe Zahl vonn großen Unternehemerkenswe ert (vgl. Abb bildung 39),, welche de en Vorzug Elektronisch E her Datenau ustausch men be wählt haben (83%). Im Vergleich zu den vorhergehend den Szenarrien ist hier ein Anausgew stieg de er Zustimm mung von 66% 6 zu ve erzeichnen. Darüber hinaus h liegtt auch bei diesem Szenario die mittle ere Anzahl der Nennu er Vorzugso option bei dden Befrag gten von ungen eine Kleinunternehmen deutlich über ü der en ntsprechend den Anzahl bei größeeren Unterrnehmen bei präferie eren Befrag gte von kleiinen Untern nehmen beei diesem Szenario S (knapp 30%). Dab ondere die Vorzugsopt V tionen Gara antiertes Ab bfertigungsz zeitfenster ((60%) und Aktuelle insbeso Warteze eit (60%). Abbildung 39: Gew währte Vorzu ugsoptionen n getrennt nach Unterne ehmensgröß ße Schlussbericht des IGF F-Vorhabens „Lkw-Wartzeitp „ prognose für logistische Knoten“ 69 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Mit Blick auf die Auswertungsergebnisse für die Probandengruppe der Knotenbetreiber sei abschließend noch einmal auf die vergleichsweise kleine Anzahl der Befragten hingewiesen (Szenario (I): n=29, Szenario (II)/(III): n=27). Inwieweit das erhobene Meinungsbild einen repräsentativen Charakter für die Grundgesamtheit der Knotenbetreiber und der diesbezüglich betrachteten Untergruppen besitzt, bleibt dementsprechend offen. Nutzenbewertung der Szenarien (I), (II), (III) Im Anschluss an die Konkretisierung einer Vorzugsbehandlung für den Fall der Vormeldeszenarien (I), (II), (III) (vgl. Abbildung 2.3.3) werden die Probanden der Gruppe der Knotenbetreiber im Fragebogen dazu aufgefordert, die betreffenden Szenarien auf einer (Schulnoten-)Skala von eins bis fünf hinsichtlich des Nutzens (für das eigene Unternehmen) zu bewerten („1: sehr hilfreich“, … , „5: nicht hilfreich“). Abbildung 40 zeigt die Auswertung der Probandenantworten zu dieser Frage mit dem für jedes Szenario erreichten mittleren Nutzen. Dargestellt sind zudem die 95%-Konfidenzintervalle der verschiedenen Mittelwerte. Das Szenario (I) wird von den Befragten zum Beispiel im Durchschnitt mit 3,3 bewertet, so dass bei einem entsprechenden Konfidenzintervalls der Mittelwert (bezogen auf alle Knotenbetreiber in Deutschland) mit einer Wahrscheinlichkeit von 95% zwischen 2,7 und 3,9. 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 3,3 2,8 2,1 Vormeldung für morgen (ohne Uhrzeit) Vormeldung für morgen (8 Std.‐ Zeitfenster) Vormeldung am Ankunftstag für 1‐ 2 Std. Zeitfenster Abbildung 40: Nutzenbewertung der Vormeldeszenarien (Knotenbetreiber) Da sich die errechneten Konfidenzintervalle nicht eindeutig unterscheiden, sondern teilweise „überlagern“, besteht z.B. die Möglichkeit, dass der tatsächliche Nutzenmittelwert von Szenario (II) besser ist als der entsprechende Mittelwert von Szenario (III). Vor diesem Hintergrund werden weitere statische Maße im Zusammenhang mit der Auswertung der Probandenantworten betrachtet. Ein Blick auf die Modalwerte zeigt z.B., dass die am häufigsten abgegebene Bewertung für Szenario (I) eine „fünf“ ist, während es sich bei der häufigsten Nutzenbewertung von Szenario (III) um „eins“ handelt. Dementsprechend liegt der Median der Bewertungen von Szenario (III) bei „eins“; im Vergleich dazu besitzt der Median bei Szenario (II) z.B. den Wert „drei“. Vorbehaltlich der kleinen Probandenzahl deutet dies darauf hin, dass Knotenbetreiber den Vormeldeszenarien in der Reihenfolge (I), (II) und (III) einen steigenden Nutzen zuordnen. Eine hohe Meldegenauigkeit (d.h. die Festlegung auf ein kleines Ankunftszeitfensters) scheint dementsprechend für Knotenbetreiber von höherer Bedeutung zu sein als ein früher Meldezeitpunkt. Neben der Nutzenbewertung der drei vorgegebenen Szenarien fordert der Fragebogen die Probanden aus der Gruppe der Knotenbetreiber dazu auf, selbst Vormeldeszenarien zu Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 70 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg benennen, die sie für ihr Unternehmen als hilfreich erachten. Die dabei am häufigsten genannten Szenarien sind: Vormeldung am Ankunftstag für ein 30 Min.-Zeitfenster (11% der Befragten). Vormeldung für morgen für ein 1 Std.-Zeitfenster (14% der Befragten). Vormeldung für übermorgen für ein 3-8 Std.-Zeitfenster (11% der Befragten). Die Art der genannten „Wunschszenarien“ bestätigt noch einmal die zuvor gewonnene Erkenntnis, dass Knotenbetreiber bei der Lkw-Vormeldung einem (möglichst) kleinen Ankunftszeitfenster anscheinend mehr Bedeutung beigemessen als einem (möglichst) frühen Meldezeitzeitpunkt. Zusammenfassung Die Art der eingeräumten Vorzüge unterscheidet sich zum Teil erheblich für die drei betrachteten Vormeldeszenarien (alle Befragte). Die Bereitschaft ein bestimmtes Vorzugsangebot zu gewähren, ist stark abhängig von der jeweiligen Untergruppe (z.B. Umschlagpunkt vs. Verlader oder klein vs. mittel vs. groß). Die Auswahl von Vorzugsoptionen erfolgt vergleichsweise konservativ; die Zustimmung liegt bei allen Vorzügen deutlich unter 50% (alle Befragte). Die Bereitschaft Vorzüge anzubieten, ist eher verhalten. Kleine Knoten (< 50 Lkw/Tag) sind bereitwilliger, Vorzüge anzubieten. Informationen über die Zukünftige Wartezeit spielen als Vorzugsoption für die Befragten eine untergeordnete ( 15% für alle Szenarien). Die Befragten geben dem Szenario (III) die beste Bewertung, d.h. Knotenbetreiber messen diesem Szenario den höchsten Mehrwert bei: S(I): 3,3 / S(II): 2,8 / S(III): 2,1. Die Vormeldung für ein kleines Ankunftszeitfenster (große Meldegenauigkeit) scheint für Knotenbetreiber wichtiger als eine frühzeitige Vormeldung (früher Meldezeitpunkt). 2.3.5.3 Erwartungshaltung zur Lkw-Vorzugsbehandlung (Spediteure/Trucker) Im zweiten Teil der Fragebogenvariante für Spediteure/Trucker werden die Befragten dazu aufgefordert, ihre Erwartungen bzgl. einer Vorzugsbehandlung zu konkretisieren, wenn sie eine Vormeldung der Fahrzeuge gemäß der Szenarien (I), (II) und (III) bei logistischen Knoten vornehmen. Analog zur Probandengruppe der Knotenbetreiber können die Befragten dabei alternativ zwischen mehreren Vorzugsoptionen auswählen (vgl. Abschnitt 2.3.3) oder auch eigenständig Möglichkeiten der Vorzugsbehandlung angeben. Letzteres ist nicht im nennenswerten Umfang geschehen und wird dementsprechend im vorliegenden Bericht nicht weitergehend diskutiert. Auswahl von Vorzugsoptionen (alle Befragten) Bei der Betrachtung der Antworten für Szenario (I) fällt die vergleichsweise hohe Zahl der für (fast) alle Vorzugsoptionen abgegebenen Nennungen auf (vgl. Abbildung 41). Dabei wurden von den 220 Befragten im Mittel 3,7 Vorzugsoptionen ausgewählt. Die größte Zustimmung erhält die Vorzugsoption Parkflächen mit Anmeldemöglichkeit, welche von 73% der BefragSchlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 71 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg ten genannt wird. Des Weiteren besitzt der Vorzug Garantiertes Abfertigungszeitfenster bei Spediteuren/Truckern eine sehr hohe Präferenz; dieser wird mit Abstand am zweithäufigsten als wünschenswerte Art der Vorzugsbehandlung für die eigenen Fahrzeuge ausgewählt (64%). Beim Szenario (II) sinkt im Vergleich die Anzahl der von den Befragten genannten Vorzügen im Mittel auf 3,5 und damit unwesentlich (vgl. Abbildung 41). Gleichermaßen ist auf Basis der Antworten keine bzw. kaum eine Veränderung in der Probandenpräferenz für die Art der Vorzugsbehandlung zu erkennen. 80% Befragte 70% 73% Szenario III (177) 66% 63% Szenario II (194) 64% Szenario I (220) 59% 57% 60% 53% 51% 49% 50% 54% 50% 47% 53% 53% 51% 40% 33%33% 30% 23% 23% 19% 20% 27% 26% 25% 22% 10% 0% Parkflächen (Anmeldemöglichkeit) Benachrichtigung überStörungen Garantiertes Abfertigungszeitfenster Bevorzugte Abfertigung Elektronischer Datenaustausch Erweiterte Öffnungszeiten Aktuelle Lkw‐Wartezeit Zukünftige Lkw‐ Wartezeit Abbildung 41: Erwartete Vorzugsoptionen bei den Szenarien (I), (II),( III) (alle Befragten) Bzgl. der Präferenzstärke und -reihenfolge zeigt das Szenario (III) für die große Mehrzahl der Vorzüge keine signifikanten Unterschiede zu den vorhergehenden Szenarien. Auch die Anzahl der durchschnittlich von den Befragten ausgewählten Vorzugsoptionen ist mit 3,6 nahezu unverändert. Im direkten Szenarienvergleich ist festzustellen, dass die Erwartungshaltung der Befragten bzgl. der Vorzugbehandlung ihrer Fahrzeuge kaum bzw. nicht vom Vormeldeszenario abhängt. Als angemessene Gegenleistung für eine Vormeldung werden dabei insb. die Vorzüge Parkflächen mit Anmeldemöglichkeit, Benachrichtigung über Störungen, Garantiertes Abfertigungszeitfenster und Aktuelle Wartezeit angesehen; diese Vorzugsoptionen werden teilweise von deutlich mehr als 50% der Befragten ausgewählt. Im Gegensatz dazu scheinen der Elektronische Datenaustausch und die Erweiterten Öffnungszeiten in der Wahrnehmung der Mehrzahl der Spediteure/Trucker nicht oder nur eingeschränkt den Charakter eines Vorzugs zu besitzen. Hier liegen die Zustimmungswerte zwischen 19% und 26% und damit signifikant unter denen der zuvor genannten Vorzugsoptionen. Eine Art Mittelstellung nimmt in diesem Zusammenhang die Zukünftige Wartezeit ein. In der Größenordnung von 30% der Befragten betrachten diesen Vorzug als adäquat für eine Vormeldung ihrer Fahrzeuge. Auswahl Vorzugsoptionen getrennt nach Funktion im Unternehmen Eine Übersicht über die Antworten der beiden Untergruppen Geschäftsleitung und operative Beschäftigte gibt Abbildung 42 für alle Szenarien. Im Zusammenhang mit Szenario (I) fällt auf, dass für (fast) alle Vorzüge die Anzahl der Nennungen aus der Geschäftsleitung jene aus der operativ Beschäftigten übersteigen. Die Anzahl der Nennungen von Probanden aus Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 72 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg der Geschäftsleitung ist dabei im Vergleich durchschnittlich um 6,4 Prozentpunkte höher. Eine Ausnahme stellt hierbei die Vorzugsoption Parkflächen mit Anmeldemöglichkeit dar. Die größere Erwartungshaltung der Geschäftsleitung bzgl. des Vorzugsangebots im Gegenzug für eine Lkw-Vormeldung spiegelt sich auch in der mittleren Anzahl von 2,4 abgegeben Antworten pro Proband wieder. Dagegen geben Befragte aus dem operativen Bereich durchschnittlich 1,85 Antworten ab. 90% Befragte 78% 80% Szenario (I) Geschäftsleitung (n=35) 71% 70% 64% 63% operativ Beschäftigte (n=160) 66% 60% 51% 50% 51% 50% 48% 46% 40% 40% 30% 26% 29% 23% 33% 26% 20% 10% 0% Parkflächen Benachrichtigung über Garantiertes (Anmeldemöglichkeit) Störungen Abertigungszeitfenster Bevorzugte Abfertigung Elektronischer Datenaustausch Erweitere Öffnungszeiten Aktuelle Lkw‐ Wartezeit Zukünftige Lkw‐ Wartezeit 90% Befragte Szenario (II) 80% Geschäftsleitung (n=34) 70% 70% operativ Beschäftigte (n=138) 62% 62% 56% 57% 60% 50% 50% 49% 50% 51% 48% 41% 40% 31% 30% 18% 19% 20% 22% 15% 10% 0% Parkflächen Benachrichtigung über Garantiertes (Anmeldemöglichkeit) Störungen Abertigungszeitfenster Bevorzugte Abfertigung Elektronischer Datenaustausch Erweitere Öffnungszeiten Aktuelle Lkw‐ Wartezeit Zukünftige Lkw‐ Wartezeit 90% Befragte Szenario (III) 80% 70% 60% 50% 59% 63% Geschäftsleitung (n=32) operativ Beschäftigte (n=124) 63% 58% 53% 55% 53% 47% 44% 48% 40% 31% 28% 30% 19% 20% 23% 23% 9% 10% 0% Parkflächen Benachrichtigung über Garantiertes (Anmeldemöglichkeit) Störungen Abertigungszeitfenster Bevorzugte Abfertigung Elektronischer Datenaustausch Erweitere Öffnungszeiten Aktuelle Lkw‐ Wartezeit Zukünftige Lkw‐ Wartezeit Abbildung 42: Erwartete Vorzugsoptionen getrennt nach Funktion im Unternehmen Die Präferenzen der Befragten bzgl. der erwarteten Vorzüge für das Szenario (II) und Szenario (III) zeigen keine signifikanten Unterschiede zu jenen von Szenario (I). Im Vergleich der Szenarien ist allerdings zu erkennen, dass mit späterem Meldezeitpunkt und kleinerem Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 73 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Meldezeitfenster die Erwartungen der operativ Beschäftigten an ein Vorzugsangebot (relativ) wachsen. Dies äußert sich u.a. darin, dass bei Szenario (III) für die Mehrheit der Vorzüge der Anteil der abgegebenen Nennungen von diesen Probanden über jenem der Untergruppe der Geschäftsleitung liegt. Darüber hinaus zeigt die Analyse der Szenarien getrennt nach den Probandengruppen der Geschäftsleitung und operativ Beschäftigte, dass die entsprechenden Funktionen der Beschäftigen keinen (wesentlichen) Einfluss auf die Auswahl von Vorzügen im Zusammenhang mit einer Lkw-Vormeldung besitzen. Die Antworten der Untergruppen unterscheiden sich nicht signifikant vom zuvor analysierten Bewertungsergebnis aller Befragten (vgl. Abbildung 41). Auswahl von Vorzugsoptionen getrennt nach Unternehmensgröße Die Abbildung 43 zeigt die Probandenantworten für die drei Szenarien getrennt nach der Größe des Unternehmens, in dem sie arbeiten. Dabei werden Unternehmen nach der Definition des Instituts für Mittelstandsforschung Bonn (vgl. IfM (2016)) wie folgt klassifiziert: Unternehmen unter 50 Mitarbeiter und einem Jahresumsatz bis zehn Millionen Euro (klein), Unternehmen bis 500 Mitarbeiter und max. 50 Millionen Euro Jahresumsatz (mittel) und Unternehmen mit einem darüber liegenden Mitarbeiterstamm bzw. Jahresumsatz (groß). Da der Jahresumsatz hier nicht erhoben wurde, basiert die Unterscheidung ausschließlich auf der Mitarbeiterzahl. In diesem Zusammenhang werden selbstständige Lkw-Fahrer als operativ Beschäftigte kleiner Unternehmen eingeordnet. Bei einer genaueren Betrachtung der abgegebenen Präferenzen für die Szenarien fällt auf, das bestehende Differenzen zwischen den Antworten der Probanden aus kleinen und mittleren Unternehmen i.d.R. vergleichsweise gering sind und sich hier keine grundsätzlichen Unterschiede im Antwortverhalten aufgrund der Unternehmensgröße identifizieren lassen. Im Vergleich dazu weisen die Antworten der Probanden aus Großunternehmen für die Szenarien bei einigen Vorzügen signifikante Abweichungen auf. Daraus eine andere Erwartungshaltung bzgl. des Angebots von Vorzügen für Beschäftige von großen Unternehmen abzuleiten, ist jedoch aufgrund der kleinen Anzahl von Befragten aus dieser Untergruppe statistisch nicht zu untermauern (vgl. Abbildung 43). Für die Untergruppen der kleinen und mittleren Unternehmen bleibt darüber hinaus festzuhalten, dass sich die abgegebenen Antworten nicht signifikant vom analysierten Zustimmungsergebnis aller Befragten unterscheiden (vgl. Abbildung 41). Vorbehaltlich der eingeschränkten Erkenntnisse über die Erwartungshaltung von Personen aus Großunternehmen scheint auch die Größe des Unternehmens, keinen wesentlichen Einfluss auf die Auswahl von Vorzügen bei der Lkw-Vormeldung an logistischen Knoten zu besitzen. Mit Blick auf die Auswertungsergebnisse für die Probandengruppe der Spediteure/Trucker sei abschließend noch einmal auf die vergleichsweise große Anzahl der Befragten hingewiesen (Szenario (I): n=220, Szenario (II) n= 194, Szenario (III) n=177). Aufgrund des sehr hohen Anteils von Mitarbeitern aus Speditionsunternehmen (vgl. Abbildung 33) kann das erhobene Meinungsbild insbesondere für diese Zielgruppe als Indikation zur erwarteten LkwVorzugsbehandlung aufgrund einer freiwilligen Vormeldung angesehen werden. Aus Betreibersicht bieten die Umfrageergebnisse damit einen guten Ansatzpunkt für eine zielgerichtete Gestaltung von Vorzugsangeboten, die sich an Kunden aus dem Speditionsbereich richten. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 74 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Zusammenfassung Die von den Befragten erwarteten Vorzüge unterscheiden sich nicht signifikant: Befragte 90% 80% o für die betrachteten Vormeldeszenarien (I), (II), (III) und o für die untersuchten Untergruppen (z.B. Geschäftsleitung vs. operativ Beschäftigte). 88% 88% 75% kleine Unternehmen (n=80) Szenario (I) 73% 70% 65% mittlere Unternehmen (n=99) 69% 68% große Unternehmen (n=16) 57% 56% 60% 50% 49% 48% 50% 45% 43% 44% 47% 37% 40% 29% 28% 30% 33% 31% 23% 19% 19% Elektronischer Datenaustausch Erweitere Öffnungszeiten 18% 20% 10% 0% Parkflächen Benachrichtigung über Garantiertes (Anmeldemöglichkeit) Störungen Abertigungszeitfenster Bevorzugte Abfertigung Aktuelle Lkw‐ Wartezeit Zukünftige Lkw‐ Wartezeit Befragte 90% 69% 70% kleine Unternehmen (n=68) 79% Szenario (II) 80% mittlere Unternehmen (n=90) 72% 65% 62% 59% 60% 58% große Unternehmen (n=14) 55% 55% 51% 50% 50% 46% 46% 41% 40% 36% 35% 35% 30% 30% 22% 20% 15% 21% 22% 14% 14% Elektronischer Datenaustausch Erweitere Öffnungszeiten 10% 0% Parkflächen Benachrichtigung über Garantiertes (Anmeldemöglichkeit) Störungen Abertigungszeitfenster Bevorzugte Abfertigung Aktuelle Lkw‐ Wartezeit Zukünftige Lkw‐ Wartezeit Befragte 90% kleine Unternehmen (n=61) 80% 77% Szenario (III) mittlere Unternehmen (n=82) große Unternehmen (n=13) 70% 59% 60% 62% 53% 54% 50% 58% 57% 58% 54% 44% 47% 51% 62% 49% 46% 40% 31% 29% 30% 25% 25% 23% 23% 19% 16% 20% 8% 10% 0% Parkflächen Benachrichtigung über Garantiertes (Anmeldemöglichkeit) Störungen Abertigungszeitfenster Bevorzugte Abfertigung Elektronischer Datenaustausch Erweitere Öffnungszeiten Aktuelle Lkw‐ Wartezeit Zukünftige Lkw‐ Wartezeit Abbildung 43: Erwartete Vorzugsoptionen getrennt nach Unternehmensgröße Es besteht eine deutliche Abhängigkeit zwischen der freiwilligen Vormeldung von Lkw und den angebotenen Vorzugsoptionen bzw. dem Vorzugsangebot. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 75 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg o Die Vorzüge Elektronischer Datenaustausch und Erweiterte Öffnungszeiten werden (nur) von einem vergleichsweise kleinen Teil der Befragten als solche wahrgenommen (zwischen 19%-26% für alle Szenarien und Befragten). o Die Ergebnisse der Umfrage zeigen, dass folgende Vorzugsoptionen die freiwillige Vormeldung von Lkw signifikant (positiv) beeinflussen können (Nennungen der Befragten für alle Szenarien im Mittel 50%): o 2.3.6 ‐ Parkflächen mit Anmeldemöglichkeit ( 67,3%) ‐ Benachrichtigung über Störungen ( 51,0%) ‐ Garantiertes Abfertigungszeitfenster ( 60,0%) ‐ Bevorzugte Abfertigung ( 52,3%) ‐ Aktuelle Wartezeit ( 50,3%) Die Ergebnisse zeigen auf Seiten der Spediteure/Trucker eine ausgeprägte und vielschichtige Erwartungshaltung bzgl. der Vorzugsbehandlung von Lkw aufgrund einer vorherigen freiwilligen Vormeldung. Zweistufige Vorgehensweise zur betrieblichen Einführung von Lkw-Vorzugsoptionen Bedingt durch den Umstand, dass der Aufwand einer betrieblichen Implementierung von Vorzugsoptionen in erster Linie von den Knotenbetreibern getragen werden muss, erscheint es sinnvoll, die betriebliche Umsetzung einer Lkw-Vorzugsbehandlung vorrangig von der Seite der Knotenbetreiber zu „denken“. Aufgrund der relativ kleinen Anzahl von Probanden aus der Zielgruppe der Knotenbetreiber ist dabei auf die Erarbeitung knotenspezifischer Umsetzungskonzepte für die Einführung von Vorzugangeboten verzichtet worden. Gemessene Präferenzunterschiede zwischen den Betreibern verschiedener Knotentypen (z.B. Umschlagpunkte und Verlader) lassen sich nicht ohne weitere Erkenntnisse über die Repräsentativität der Ergebnisse auf die Grundgesamtheit der betreffenden Gruppen übertragen (vgl. dazu Abschnitt 2.3.5.2 sowie zudem Abschnitt 2.3.8). Vor diesem Hintergrund wird im Weiteren eine generische Vorgehensweise zur Auswahl und betrieblichen Umsetzung von Vorzugsoptionen als Leitfaden für Knotenbetreiber vorgestellt. Diese orientiert sich in erster Linie an einer Minimierung der Umsetzungsrisiken auf Betreiberseite und an den Präferenzen der Spediteure/Trucker. Die Einbeziehung der abgegebenen Präferenzen erfolgt dabei nicht getrennt nach den Vormeldeszenarien (I), (II), (III), da für die Probandengruppe der Spediteure/Trucker keine grundsätzlichen Präferenzunterschiede zwischen den Szenarien festgestellt werden konnten (vgl. Abbildung 41). Tabelle 7 zeigt die Präferenzreihenfolgen der sechs am häufigsten gewählten Vorzugsoptionen für beide Zielgruppen mit den im Mittel abgegeben Nennungen für alle Szenarien. Knotenbetreiber Spediteure/Trucker 1. Elektronische Datenaustausch ( 38,7%) Parkflächen mit Anmeldemöglichkeit ( 67,3%) 2. Bevorzugte Abfertigung ( 37,3%) Garantiertes Abfertigungszeitfenster ( 60,0%) Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 76 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 3. Benachrichtigung über Störungen ( 31,3%) Bevorzugte Abfertigung ( 52,3%) 4. Garantiertes Abfertigungszeitfenster ( 30,3%) Benachrichtigung über Störungen ( 51,0%) 5. Parkflächen mit Anmeldemöglichkeit ( 26,7%) Aktuelle Lkw-Wartezeit ( 50,3%) 6. Aktuelle Lkw-Wartezeit ( 25,3%) Zukünftige Lkw-Wartezeit ( 31,0%) Tabelle 7: Präferenzreihenfolge der Vorzugsoptionen mit hoher Zustimmung (Plätze 1-6) für Knotenbetreiber und Spediteure/Trucker Mit Blick auf den nicht unerheblichen betrieblichen Aufwand, der durch die Gewährung von Vorzugsoptionen für den Anbieter entstehen kann, wird hier eine zweistufige Vorgehensweise für die Einführung einer Lkw-Vorzugsbehandlung bei logistischen Knoten präsentiert. Um etwaige Risiken so klein wie möglich zu halten, umfasst die erste Realisierungsstufe vor allem Vorzugsoptionen, welche bei überschaubarem Implementierungsaufwand deutliche Veränderungen des Vormeldeverhaltens von Spediteuren/Truckern versprechen. Außerdem erscheint eine entsprechend konservative Auswahl von Vorzügen der ersten Stufe als sinnvoll, weil Spediteure/Trucker in der Web-Umfrage Angaben zu den erwarteten Vorzügen auf Basis von theoretischen Vormeldeszenarien machen mussten und die Antworten sich nicht auf tatsächliches Vormeldeverhalten und die Inanspruchnahme realer Vorzüge beziehen. D.h., das Angebot von Vorzugsoptionen in der Realität muss nicht notwendigerweise in dem Umfang zu Vormeldungen führen, wie sich dies aus den Umfrageantworten der Spediteure/Trucker ableiten lässt. Sind die Vorzüge dieser ersten Stufe im Alltagsbetrieb des logistischen Knotens erfolgreich umgesetzt, ist vom Knotenbetreiber eine Entscheidung über die zweite Realisierungsstufe zu treffen. Dabei stehen vor allem Vorzugoptionen im Fokus, die aufgrund langfristiger Anpassungserfordernisse (z.B. Bau- oder Reorganisationsmaßnahmen) einen im Vergleich deutlich höheren Implementierungsaufwand mit sich bringen. Dementsprechend ist die Entscheidung für oder gegen eine zweite Realisierungsstufe stark von der vorhandenen Investitionsbereitschaft des jeweiligen Knotens abhängig sowie sicherlich auch vom „Vormeldeniveau“, das durch die Vorzugsbehandlung der ersten Stufe erreicht werden konnte. Im Zusammenhang mit der konkreten Einführung einer Lkw-Vorzugsbehandlung auf Basis der Ergebnisse von AP 3 ist vom Knotenbetreiber zunächst zu prüfen, inwieweit die in der Umfrage verwendeten Vormeldeszenarien auch für sein eigenes Unternehmen einen nennenswerten Mehrwert bieten. Zur Festlegung des Vorzugsangebots der ersten Stufe muss der Betreiber dann unter Berücksichtigung der Umfrageergebnisse bewerten (vgl. Abbildung 41 und Tabelle 7), welche Vorzugsoptionen in seinem Unternehmen einen geringen Implementierungsaufwand verursachen und gleichzeitig bei Spediteuren/Truckern auf eine relativ hohe Zustimmung stoßen (Risikominimierung). Entscheidet sich ein Knotenbetreiber aufgrund des Erfolgs der eingeführten Vorzüge auch für die Umsetzung der zweiten Stufe, sollte sich die Ausgestaltung hier in erster Linie an den bereits gemachten Erfahrungen und ggf. identifizierten Präferenzen der Spediteure/Trucker (vor Ort) orientieren und weniger am zu erwartenden Implementierungsaufwand. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 77 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 2.3.7 Gegenüberstellung von Arbeitsergebnissen und -zielen Im Rahmen der Antragstellung sind für das AP 3 des Forschungsprojekts im Wesentlichen die nachfolgend genannten Zielsetzungen definiert worden: Identifikation von (organisatorischen) Möglichkeiten zur Lkw-Vorzugsbehandlung, welche Knotenbetreiber im eigenen Unternehmen als Gegenleistung für eine freiwillige Vormeldung anbieten würden (Angebotsbereitschaft). Ermittlung der Erwartungen von Spediteuren/Truckern an ein Vorzugsangebot, welches aus Sicht dieser Gruppe für eine freiwillige Vormeldung gewährt werden sollte (Angebotserwartung). Erarbeitung eines Leitfadens für die betriebliche Realisierung von Lkw-Vorzugsoptionen bei logistischen Knoten und ggf. Konkretisierung knotenspezifischer Umsetzungskonzepte. Das Arbeitspaket konnte insgesamt erfolgreich abgeschlossen. Im Hinblick auf die zielgerichtete Gestaltung von Vorzugsangeboten wurde zunächst eine Voruntersuchung (vgl. Abschnitt 2.3.2) durchgeführt, um relevante Vorzugsoptionen und Vormeldeszenarien aus Sicht der beiden Zielgruppen (Knotenbetreiber und Spediteure/Trucker) einzugrenzen. Die Ergebnisse der Untersuchung können qualitativ als gut eingestuft werden. Von den Probanden der nachfolgenden Web-Umfrage, deren Grundlage die Voruntersuchung bildete, sind nicht im nennenswerten Umfang weitere Vorzüge und/oder Vorzugsszenarien zur freiwilligen LkwVormeldung genannt worden. Die Resonanz auf die Web-Umfrage war mit 312 Antwortdatensätzen vergleichsweise groß, wobei sie sich für die beiden Zielgruppen sehr unterschiedlich darstellte. D.h., die Beteiligung von Spediteuren/Truckern war mit 277 Probanden deutlich stärker als die der Knotenbetreiber (21 Umschlagpunkte + 14 Verlader). Die Umfrageergebnisse zeigen für die betrachteten Vormeldeszenarien – wie erwartet – deutliche Unterschiede in der Angebotsbereitschaft der Knotenbetreiber und der Angebotserwartung der Spediteure/Trucker i.B.a. eine Vorzugsbehandlung der Fahrzeuge. Nichtsdestoweniger sind für die beiden Zielgruppen „Schnittmengen“ festzustellen, welche allerdings nur unter Vorbehalt als Entscheidungsgrundlage für die Einführung knotenspezifischer Konzepte für die Lkw-Vorzugsbehandlung dienen können (vgl. Abschnitt 2.3.8). Vor diesem Hintergrund ist mit Hilfe der Umfrageergebnisse ein allgemeiner Leitfaden für Knotenbetreiber zur Auswahl und betrieblichen Umsetzung von Vorzugsoptionen erarbeitet worden. Die beschriebene zweistufige Vorgehensweise zielt vor allem darauf ab, wirksam eine vermehrte Vormeldung von Spediteuren/Truckern zu erreichen und gleichzeitig Risiken für die Knotenbetreiber soweit als möglich zu vermeiden bzw. kalkulierbar zu machen. Ausgehend von den gemessenen Präferenzen der Spediteure/Trucker und einer Prüfung der eigenen Möglichkeiten zur Lkw-Vorzugsbehandlung versetzt der Leitfaden Knotenbetreiber in die Lage, gezielt zunächst solche Vorzüge im Unternehmen zu realisieren, welche – gemäß der Umfrage – „den Erwartungen“ von Spediteuren/Truckern entsprechen und auf Seiten der Betreiber vergleichsweise wenig Aufwand verursachen. Sollte die erhoffte Resonanz ausbleiben, kann nach der Umsetzung der ersten Stufe der weitere Ausbau der LkwVorzugshandlung gestoppt werden, ohne dass für den Knoten im besonderen Maße Risiken bzw. Kosten entstanden sind oder im Weiteren noch entstehen. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 78 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 2.3.8 Notwendigkeit und Angemessenheit der geleisteten Arbeit Aufgrund der geringen Teilnehmerzahl von Knotenbetreibern und der noch geringeren Zahl von Befragten aus den betreffenden Untergruppen ist insbesondere für diese Probandengruppe(n) offen, in welchem Maße die ermittelten Umfragefrageergebnisse repräsentativ sind. Hierbei sei zudem darauf hingewiesen, dass im Rahmen der Umfrage ausschließlich theoretisches Verhalten abgefragt worden ist. Dies betrifft sowohl die Bereitstellung von Vorzügen (Knotenbetreiber) als auch die freiwillige Lkw-Vormeldung aufgrund bestimmter Vorzüge (Spediteure/Trucker), was insgesamt die Einschätzung der Aussagekraft der Ergebnisse erschwert. Um dennoch eine Indikation dafür zu erhalten, inwieweit das abgefragte Verhalten auch dem realen Verhalten der Zielgruppen entspricht und inwieweit die Umfrageergebnisse einen repräsentativen Charakter besitzen (insb. für Knotenbetreiber), wurde die (ausgewertete) Umfrage bei verschiedenen Veranstaltungen (s.u.) präsentiert. Dort war eine Diskussion der Ergebnisse mit Vertretern der beiden Zielgruppen geplant, um auf Basis des erhaltenen Feedbacks die Ergebnisqualität besser einschätzen zu können: Zweite Sitzung des projektbegleitenden Ausschusses: Hamburg, 06.10.2016, Vorstellung des Forschungsprojektes und der erreichten Projektergebnisse im Rahmen eines Regionalgruppentreffens der BVL-Regionalgruppe Hamburg, 12.10.2016, Dritte Sitzung des projektbegleitenden Ausschusses: Hamburg, 08.02.2017, Workshop zur Diskussion und Bewertung der Voranmeldung und Vorzugsbehandlung von Lkw: 07.03.2017. Aufgrund der schwachen Beteiligung der relevanten Zielgruppen an den o.g. Veranstaltungen war eine umfassende Diskussion der Umfrageergebnisse nicht möglich, sondern es blieb bei einigen (wenigen) Einzelgesprächen. Diese lieferten am Ende nicht genügend Substanz bzw. waren in der Summe nicht ausreichend, um daraus eine abschließende Indikation bzgl. der Ergebnisqualität abzuleiten. Darüber hinaus war im Zusammenhang mit der Bearbeitung von AP 3 von wesentlicher Bedeutung, dass die Bereitschaft Vorzugsoptionen als Gegenleistung für eine Vormeldung (der Ankunftszeit) von Lkw anzubieten, bei logistischen Knoten i.d.R. eher schwach ausgeprägt ist. Neben den Ergebnissen der Web-Umfrage (vgl. Abschnitt 2.3.5.2) bestätigen diese Zurückhaltung auch informelle Einzelgespräche mit den Praxispartnern sowie der Umstand, dass im Rahmen des Projektes kein Knotenbetreiber für eine (temporäre) Umsetzung der als wirksam identifizierten Vorzüge (vgl. Tabelle 7) zur Verfügung stand. D.h., die Aussicht auf eine Steigerung des Anteils vorgemeldeter Lkw und damit eine „bessere“ Kenntnis der zu erwartenden Ankünfte stellt für viele Betreiber (gemäß Umfrage > 50%, vgl. Abbildung 37) keinen hinreichenden Grund dar, um nennenswert in die Realisierung eines Vorzugsangebots zu investieren. Das Feedback aus der Praxis zeigt aber auch, dass bei Betreibern das Interesse an Vormeldeinformationen bzgl. der Lkw-Ankunftszeit zunimmt, wenn in ihrem Unternehmen entsprechende Informationen (nachweislich) zu einer verbesserten Einsatzplanung der Knotenressourcen führen und damit Kosten spürbar reduziert und/oder Kunden bedarfsgerechter bedient (weniger Wartezeit) werden können. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 79 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Vor dem Hintergrund der o.g. Gründe ist im Rahmen von AP 3 darauf verzichtet worden, konkrete Umsetzungskonzepte für die Vorzugsbehandlung von Lkw an einzelnen Knotentypen zu entwickeln. Stattdessen ist allgemeiner Leitfaden für Knotenbetreiber entstanden, der die Einführung von Vorzugsoptionen an logistischen Knoten in zwei Stufen vorschlägt. 2.3.9 Wissenschaftlich-technischer und wirtschaftlicher Nutzen für KMU Der erarbeitete allgemeine Leitfaden zur stufenweisen Einführung von Vorzugsoptionen bietet für alle Knotenbetreiber, die die betrachteten Vormeldeszenarien als nutzenstiftend ansehen, ein erfolgversprechendes Mittel, um die Zahl der Lkw-Vormeldungen im eigenen Unternehmen wesentlich zu erhöhen und damit die Planungssicherheit für die betrieblichen Prozesse des Knotens nachhaltig zu verbessern. Eine entsprechend bedachte Auswahl von Vorzügen der ersten Stufe sorgt dafür, dass eine Umsetzung für Knotenbetreiber mit vergleichsweise wenig Risiken verbunden ist, aber dennoch deutliche Veränderungen im Vormeldeverhalten – gemäß der Umfrageergebnisse – erwartet werden können. Dabei gewonnene Erfahrungen bieten dann eine gute (valide) Grundlage, um in der Folge über eine zweite Realisierungsstufe und deren bedarfsgerechte Ausgestaltung zu entscheiden. Abschließend sei zudem hervorgehoben, dass die Ergebnisse des Arbeitspaketes auch aus der Perspektive der Wissenschaft in erheblichem Umfang neue Einsichten liefern. Nach bestem Wissen der Autoren liegen bisher zum Thema „freiwillige Lkw-Vormeldung an logistischen Knoten in Verbindung mit einer Vorzugsbehandlung der Fahrzeuge“ kaum empirisch gestützte Erkenntnisse vor. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 80 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 2.4 Implementierung der Systemlösung als Demonstrator (AP 4) Um die generischen Eigenschaften des entwickelten IT-Konzeptes testen zu können, ist dieses in diesem Arbeitspaket exemplarisch in Form eines vorwettbewerblichen Demonstrators im Sinne eines sehr frühen, rudimentären Prototyps implementiert worden. Grund hierfür ist zum einen die Validierung der Anpassbarkeit des Konzepts an die unterschiedlichen betrieblichen Begebenheiten von verschiedenen logistischen Knoten. Zum anderen erfordert ein Test des Prognosemoduls auf seine prinzipielle Einsetzbarkeit und seinen Nutzen für die betriebliche Praxis eine Anbindung an die Testunternehmen für einen regelmäßigen, möglichst in Echtzeit stattfindenden Import von aktuellen betrieblichen Daten. Der zunächst geplante Einsatz eines gewerblichen Content Management Systems (CMS) ist wieder verworfen worden. Eine für den Anwendungsfall passende kommerzielle Lösung konnte nicht identifiziert werden, bzw. hätte mit erheblichem programmiertechnischen Aufwand angepasst und erweitert werden müssen. CMS sind konzeptionell primär für die Veröffentlichung von redaktionellen Inhalten oder Blogs und nicht auf einen automatischen und authentifizierten Datenaustausch mittels Internet-Schnittstellen in Echtzeit sowie auf eine benutzerspezifische und interaktive Visualisierung von Datenreihen ausgelegt. Dieses sind jedoch wichtige Anforderungen für einen Testbetrieb des Demonstrators. Weiterhin ist bei den Testunternehmen kein einheitliches Standardsystem vorgefunden worden. Die betrieblichen IT-Systeme sind in jedem Unternehmen unterschiedlich: sowohl hinsichtlich der Datenstrukturen und verfügbaren Informationen, aber auch hinsichtlich des Aufbaus, Art und Umfang der unterschiedlichen Bestandteile der IT-Systeme selbst. Da betriebliche Softwaresysteme nach Bedarf, also bei Veränderungen in den Anforderungen und Prozessen der Unternehmen, angepasst und durch neue Teilsysteme bzw. Komponenten erweitert werden, steigen bei diesen mit der Zeit im Regelfall die Komplexität und selbst bei Systemen des gleichen Herstellers die Unterschiede. Dieses ist vermutlich auch ein Grund dafür, dass keine bereits vorhandene bzw. kommerziell beschaffbare und einheitliche Schnittstelle für den Datenaustausch mit den IT-Systemen der Testunternehmen identifiziert worden ist. Zwar gibt es für den elektronischen Datenaustausch per EDI-Nachricht Standards, wie z.B. UN/EDIFACT, allerdings beschreiben diese Standards lediglich die Struktur und den Aufbau einer Nachricht, zum Teil mit abzustimmenden Wahlmöglichkeiten und regeln nicht die technische Umsetzung der Schnittstelle und deren Integration in die IT-Systeme der Kommunikationspartner. Darüber hinaus sind in den Unternehmen unterschiedliche technische Fähigkeiten und Möglichkeiten zur Gestaltung ihrer IT-Systeme festgestellt worden. Neben der Zugriffsmöglichkeit auf interne technische Fähigkeiten und zeitlichen Ressourcen sind für Anpassungen und Weiterentwicklungen von IT-Systemen auch entsprechende Lizenzmodelle, die dieses durch Änderungsrechte an dem Quellcode gestatten, erforderlich. 2.4.1 Implementierung des Demonstrators Als Basis und Betriebssystem für den Demonstrator ist ein Windows Server 2008 R2 auf einer Virtuellen Maschine (VM) in dem Rechenzentrum der Forschungsstelle eingerichtet worden. Darauf wurde MATLAB als Umgebung für das Prognosemodul sowie ein Apache Webserver und eine MariaDB-Datenbank installiert. Das Webmodul ist, wie bereits in Abschnitt 2.2.3.3 beschrieben, in Front- und Backend unterteilt. Das Backend wurde in PHP Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 81 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg mit Hilfe des Laravel-Frameworks umgesetzt. Ein Framework bietet einen Ordnungsrahmen mit bereits vorhandenen Basisfunktionen für grundlegende Aufgaben im Sinne eines Grundgerüsts für ein Programm, welches den eigenen Erfordernissen angepasst und demensprechend erweitert werden muss, um ein lauffähiges Programm zu erhalten. Ein großer Vorteil von Frameworks und der Grund für die Auswahl für den Demonstrator ist neben der Flexibilität die Bereitstellung von erprobten Lösungen und Methoden für gängige und sich wiederholende Anwendungsaufgaben. Neben dem Grundgerüst für eine ModelView-Controller-Architektur beinhaltet das Laravel-Framework vorgefertigte und erprobte Lösungen für die Authentifizierung von Benutzern und Schnittstellen sowie entsprechende Sicherungsmechanismen zur Verhinderung von unerlaubtem Zugriff oder Datenmanipulationen. Gerade in Hinblick auf die prototypische Umsetzung des Demonstrators, verbunden mit dem Einsatz im Internet und der Echtzeit-Anbindung an die Testpartner, ist so im Vergleich zu einer kompletten Eigenentwicklung oder der Anpassung von z.B. einem CMS vergleichsweise aufwandsarm ein gängiger Sicherheitsstandard erreicht worden. Die Umsetzung des Frontends ist mit HTML, JavaScript und der JavaScript-Bibliothek Polymer erfolgt. Eine Bibliothek in diesem Zusammenhang ist eine Sammlung von fertigen Funktionen, besitzt allerdings in Abgrenzung zu einem Framework keinen eigenen Ordnungsrahmen, wie z.B. eine MVC-Architektur, sondern kann in ein Framework integriert und dort benutzt werden. 2.4.2 Beschreibung der Maßnahmen zur Anbindung an logistische Knoten Nach der Integration und Implementierung ist das Prognosesystem durch Anpassen der generischen Lösung an verschiedene logistische Knoten getestet worden. Dem in Abschnitt 2.2.4.3 vorgestellten Vorgehensmodell folgend ist zunächst ein Datensatz der Knoten analysiert worden. Außerdem wurden erste Prognosen manuell unter Verwendung des Prognosemoduls erstellt. Diese wurden mit den Betreibern der logistischen Knoten rückgekoppelt, um Datenfehler und Ausreißer zu identifizieren und geeignete Prädiktoren auszuwählen. In einem nächsten Schritt ist der Demonstrator auf den Typ und die Eigenschaften des logistischen Knotens angepasst sowie die Datenkonvertierung im Backend eingerichtet worden. Dieses ist notwendig gewesen, um die externe Datenstruktur der logistischen Knoten in die interne Datenstruktur der Datenbank zu überführen, z.B. durch Angleichung der Unterschiede in den Datums- und Uhrzeitformaten der Zeitstempel. Nach der Abstimmung der gewünschten Sichten auf die Daten ist die Konfiguration des Demonstrators durch Einrichtung der Benutzer mit entsprechenden Rechten durchgeführt worden. In Rücksprache mit den Knoten ist daraufhin eine Schnittstelle konzipiert worden. Für die Tests ist versucht worden, eine Echtzeit-Anbindung der IT-Systeme zu ermöglichen und gemeinsam zu integrieren. Hierfür muss der Knoten zum einen eine Änderungsberechtigung für den Quellcode seines IT-Systems haben und zum anderen programmiertechnische Fähigkeiten sowie entsprechende interne IT-Richtlinien, welche diese Erweiterung erlauben. Sind diese Voraussetzungen erfüllt worden, ist den Knoten ein kleiner Programmcode in der Programmiersprache seines IT-Systems übergeben worden. Inhalt dieser Funktion ist eine mit der Adresse und Zugangsdaten vorkonfigurierte HTTP-Schnittstelle, die den Inhalt von Variablen an den Demonstrator überträgt. Durch die Integration in das IT-System der Knoten an der Stelle, an der die entsprechenden Daten in dem System erfasst werden, können die Daten durch Aufruf und Übergabe an die Variablen der Schnittstelle gleichzeitig auch an den Demonstrator übermittelt werden. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 82 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Für die Fälle, in denen ein Zugriff auf den Quellcode des Knotens nicht möglich ist, ist als Alternative die Verwendung von Microsoft Excel konzipiert worden. Hintergrund ist die in betrieblichen IT-Systemen weite Verbreitung von Exportfunktionen für Berichte im Excel Format. Excel wiederrum kann durch die Verwendung von Makros programmiert werden. Dadurch ist es möglich, Excel sowohl die Datenextraktion aus den für andere Zwecke konfigurierten Berichten als auch notwendige Umformungen und die Datenübermittlung an den Demonstrator automatisiert durchführen zu lassen. Nachteile dieser Lösung sind zum einen die Verzögerung und den Bedarf an manuellen Eingriffen für die Erstellung des Berichts, dem Öffnen in Excel und dem Start des Makros. Zum anderen sind die Berichte in den betrieblichen IT-Systemen für z.B. Controlling Aufgaben vorkonfiguriert, sodass diese im Regelfall weit mehr Daten beinhalten, als erforderlich sind, und unter Umständen die benötigten Daten aus den Daten des Berichts hergeleitet werden müssen. Da sich die Berichte zum Teil erheblich unterscheiden, konnte hierfür kein generisches Makro erstellt werden, sondern es muss jedes Makro individuell auf einen Bericht angepasst werden. Nach Einrichten der Datenschnittstelle ist diese mit den Knoten zusammen getestet worden, um bei auftretenden Fehlern gemeinsam die Fehlerursache einzugrenzen, zu beheben und um die übermittelten Daten zu validieren. Ist dieser Anbindungs- und Testprozess erfolgreich durchlaufen worden, so kann eine Echtzeit-Anbindung in Betrieb genommen werden. 2.4.3 Durchgeführte Maßnahmen zur Anbindung an logistische Knoten Nachfolgend werden die durchgeführten Maßnahmen zur Anbindung des Demonstrators an logistische Knoten als Testpartner zusammengefasst. Die Unternehmen weichen von den in Abschnitt 2.1.6 vorgestellten Testpartnern ab und erhalten deshalb in diesem Abschnitt auch eine abweichende Pseudonymisierung in Form von Zahlen statt Buchstaben. Knoten 1 besitzt einen Abfertigungsprozess mit einem Zeitstempel für die Lkw-Ankünfte, der aus den Buchungen der Ladung des ERP-Systems hergeleitet wird. Ein Zugriff auf den Quellcode des ERP-Systems war nicht möglich. Daraufhin ist ein Excel Makro erstellt und in Betrieb genommen worden. Nach einer erfolgreich angelaufenen Testphase ist der Excel Bericht von einem externen Entwickler unangekündigt stark verändert worden, so dass eine neue Sortier-, Filter- und Zuordnungslogik für die Herleitung der Lkw-Ankünfte in dem Excel Makro notwendig wurde. In den nachfolgenden Tests stellte sich heraus, dass der Bericht zunächst auch noch fehlerhaft war bzw. wichtige Informationen unvollständig waren. Somit musste dieser dann in einem weiteren Schritt von dem externen Entwickler repariert werden. Als Besonderheit ist ebenfalls eine offline Version für einen rein innerbetrieblichen Gebrauch getestet worden. Diese Version ermöglicht die Ausführung des Prognosesystems auf einem PC ohne Internetanbindung durch die Verwendung eines lokalen Webservers. Die Publikation der Ankunftszeiten ist zunächst vom Knoten nicht gewünscht. Knoten 2 besitzt einen Abfertigungsprozess mit einem Zeitstempel bei Lkw-Ankünften, der aus den Buchungen der Ladung des ERP-Systems hergeleitet wird. Nach der ersten Datenanalyse sollten zusätzliche Zeitstempel, betriebsinterne Prädiktoren sowie eine Echtzeit-Schnittstelle in Zusammenarbeit mit einem externen Dienstleister geliefert und implementiert werden. Der Dienstleister hat die Daten zunächst nur teilweise und nicht in der benötigten Qualität geliefert, da diese von ihm stark anonymisiert und verfremdet worden Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 83 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg sind. Nach Rückfragen und Verweis auf die entsprechende Geheimhaltungserklärung waren für eine weiterführende Bearbeitung scheinbar keine Kapazitäten mehr bei dem Dienstleister vorhanden. Deshalb konnte die Anbindung an das Prognosesystem nicht beendet werden. Der Knoten ist zunächst nur an einer internen Verwendung der Prognosedaten interessiert gewesen. Knoten 3 besitzt einen Abfertigungsprozess mit einem Zeitstempel für Lkw-Ankünfte, der aus den Buchungen der Ladung des ERP-Systems hergeleitet wird. Eine Schnittstelle ist in das ERP-System implementiert worden und Daten werden in Echtzeit an das Prognosesystem gesendet. Die IT-Abteilung ist nicht vor Ort ansässig, so dass die Koordination schriftlich und durch unterschiedliche Zeitzonen verzögert erfolgen musste. Die Schnittstelle ist implementiert worden und es ist bei der Fehlersuche und -behebung dem Entwickler des Knotens geholfen worden. Gegen Ende des Testzeitraums ist aufgefallen, dass zwischenzeitlich die Schnittstelle von dem Entwickler ohne Information des Knotens oder der Forschungsstelle geändert wurde und – obwohl zunächst vollständige Daten geliefert worden sind – ab einem Zeitpunkt nur noch unvollständige Lkw-Ankünfte übermittelt worden sind. Die zunächst geplante Veröffentlichung der Lkw-Ankunftsdaten und Prognosen musste auf Grund der unvollständigen Daten zurückgestellt werden und konnte auf Grund der Probleme in dem ERP-System nicht mehr in der Projektlaufzeit durchgeführt werden. Knoten 4 besitzt einen Abfertigungsprozess und liefert drei Zeitstempel, aus denen LkwAnkünfte und -Wartezeiten berechnet werden können. In Zusammenarbeit mit dem Knoten ist eine Schnittstelle in das ERP-System implementiert worden, die in Echtzeit die benötigten Daten an das Prognosesystem sendet. Ein erster Verbindungstest ist erfolgreich absolviert worden. Danach hat sich die weitere Anbindung auf Grund anderer IT-Projekte des Knotens verzögert und konnte erst am Projektende in Betrieb genommen und getestet werden. Allerdings ist die Schnittstelle zu dem Prognosesystem durch eine gebündelte Übertragung historischer Daten aus den letzten Jahren erfolgreich auf ihre Leistungsfähigkeit getestet worden. Dabei auftretende Probleme auf der Seite des Knotens konnten von diesem identifiziert und gelöst werden. Zunächst ist von dem Kunden nur ein interner Test des Prognosesystems geplant. Die Aufnahme weiterer Zeitstempel und betriebsinterner Prädiktoren in das Prognosesystem ist vielversprechend, konnte aber nicht mehr durchgeführt werden. Knoten 5 besitzt zwei getrennte Abfertigungsprozesse für das Anliefern und Abholen von Gütern. Der Knoten besitzt darüber hinaus betriebsinterne Prädiktoren, welche in Rückkopplung mit den fachlichen Experten interpretiert, aufbereitet und bereinigt worden sind. Danach ist für diese ist eine geeignete Umformung gefunden worden, so dass sie für die Prognose nutzbar sind. Eine Echtzeit-Anbindung an das Prognosesystem ist nicht durchgeführt worden, da die Tests nur betriebsintern konzipiert worden sind. Für die Datenübermittlung ist ein Excel Makro erstellt worden, welches die benötigten Daten an die Datenbank des Prognosesystems sendet. Knoten 6 besitzt einen Abfertigungsprozess mit einem Zeitstempel für die Lkw-Ankünfte. Eine Schnittstelle konnte nicht eingerichtet werden, da aus Datenschutzgründen intern zwei getrennte IT-Systeme verwendet werden, von denen eins komplett autark und Offline betrieben wird. Der Datenaustausch zwischen diesen Systemen erfolgt manuell. Zum Testen der Prognose sind manuell anonymisierte Daten übermittelt worden, da eine Exportmöglichkeit, wie z.B. ein Excel-Bericht, nicht vorhanden ist. Dadurch sind die Daten teilweise in Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 84 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg uneinheitlichen Formaten geliefert worden. Es sind unterschiedliche Prädiktoren auf ihren Einfluss auf den Knoten untersucht und Prognosen manuell erstellt worden. Eine Publikation der Prognosedaten ist vor allem auf Grund der nicht vorhandenen automatisierten Übertragungsmöglichkeit an das Prognosesystem nicht in Betracht gezogen worden. 2.4.4 Zusammenfassung und Ausblick Die Implementierung der Schnittstelle in die betrieblichen IT-Systeme der Knoten erwies sich als erheblich aufwendiger, als von den Knoten und der Forschungsstelle zunächst angenommen. Gründe hierfür sind der Mangel an standardisierten Schnittstellen und große Unterschiede in den IT-Systemen, die aufwendige individuelle Anpassungen und Konvertierungen in den Datenformaten erforderlich gemacht haben. Somit konnte keine Standardschnittstelle entwickelt werden, sondern es musste für jeden Knoten individuelle Schnittstellen definiert und getestet werden. Die Tests und teilweise notwendige Fehlersuche sowie -behebung, die durch die individuelle Kopplung und Datentransformation zwischen den ITSystemen bedingt waren, wurden mitunter durch den Koordinationsaufwand mit den Ansprechpartnern bei den Knoten bzw. externen Entwicklern verzögert. Besonders die Zusammenarbeit mit zum Teil externen Entwicklern, die nicht vor Ort und dadurch direkt ansprechbar, bzw. durch andere Projekte ausgelastet waren, gestaltete sich erheblich aufwendiger als zunächst geplant. Sofern ein Excel-Bericht eingesetzt werden soll, ist die Abhängigkeit des Prognosesystems von der Struktur und dem Format des Berichts zu berücksichtigen und entsprechende Änderungen einzuplanen. Weiterhin muss auch der manuelle Export und Import und die damit verbundene benötigte Zeit in die Arbeitsplanung einbezogen werden. Für eine zeitnahe und aktuelle Publikation der historischen und prognostizierten Daten erscheint dieses aufwendig, die Implementierung einer Schnittstelle in das betriebliche IT-System wird empfohlen. Die Bereitschaft zur Veröffentlichung der Daten ist sehr zurückhaltend gewesen. Genannte Gründe hierfür waren die Sorge um einen Wettbewerbsnachteil mit konkurrierenden Knoten, die keine Ankunfts- und Wartezeiten veröffentlichen. Darüber hinaus wollten einige Knoten zunächst intern Erfahrung mit dem System gewinnen, bevor sie entscheiden, wie und in welchem Umfang sie die Daten ihren Kunden zugänglich machen. Denkbar wäre hier zum Beispiel die schrittweise Freischaltung zunächst nur für ausgewählte Kunden. In der Antragsstellung ist dieses nicht berücksichtigt worden. Der zusätzliche Zeitbedarf bei der Entwicklung der Schnittstellen und der Anbindung sowie der Zurückhaltung der Knoten bezüglich der Veröffentlichung ihrer Daten gestaltete das Vorhaben erheblich aufwendiger als zunächst erwartet worden ist. Deswegen sind Tests mit Truckern, bzw. Spediteuren nicht mehr möglich gewesen, durch die der erhoffte glättende Einfluss des Systems auf die Lastspitzen bei Lkw-Wartezeiten messen gewesen wäre. In Gesprächen wurde deutlich, dass das System vor allem einen Nutzen für logistische Knoten hinsichtlich ihrer Ressourcenplanung und -optimierung ergibt. Für Trucker und Spediteure und damit die erhoffte Glättung bei den Lastspitzen ihrer Ankünfte und Wartezeiten müsste das System von einer Mehrheit dieser benutzt werden und diese in ihrer Tourenplanung genügend Freiheitsgrade besitzen, um ihre Anfahrtszeiten gegebenenfalls umdisponieren zu können. Zudem sind mögliche Wechselwirkungen zwischen benachbarten Knoten, bzw. alternativen Knoten und auch eventuelle Beeinflussungen durch die Prognose selbst noch Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 85 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg näher zu untersuchen. Wenn beispielsweise für einen Tag ein hohes Aufkommen, aber für den darauffolgenden Tag eine geringe Wartezeit und Ankunftsraten prognostiziert werden und daraufhin zu viele der Lkw ihre Anfahrt entsprechend umdisponieren, könnte dieses statt zu einer Glättung lediglich zu einer Verschiebung der Lastspitzen führen. 2.4.5 Beobachtete betriebliche Erfordernisse und Hindernisse Generell stellt die Integration eines neuen IT-Systems in ein vorhandenes IT-System ein ITProjekt dar, das entsprechend sogfältig geplant werden und koordiniert werden sollte. Für die Übertragung des generischen Systemkonzepts auf einen logistischen Knoten erscheint es somit ebenfalls ratsam, im Vorwege eine klare Projektplanung besonders mit externen Dienstleistern durchzuführen, um den Koordinationsaufwand und zeitlichen Verzug bei den Arbeitsschritten zu reduzieren und genügend Pufferzeiten einzuplanen. Allerdings ist in einem solchen Fall auch von klareren Priorisierungen auszugehen, welche für die Durchführung eines solchen Projekts hilfreich sind. An dieser Stelle sei angemerkt, dass die an dem Test teilnehmenden logistischen Knoten an dem Forschungsvorhaben neben ihrem normalen Tages- und Projektgeschäft und teilweise erheblichen Aufwand teilgenommen haben und die Forschungsstelle die Zusammenarbeit durchweg als sehr angenehm, professionell und produktiv wahrgenommen hat. Nachfolgende Tabelle soll als Planungshilfe dienen, um zentrale Erfordernisse und Hindernisse bei der Projektplanung berücksichtigen zu können. Erfordernisse Hindernisse Für einen Echtzeitbetrieb: Teil der Schnittstelle muss in das betriebliche IT-System integriert werden. - Änderungsberechtigungen und technische Kenntnisse müssen verfügbar sein Semiautomatischer Datenimport über Excel-Berichte: Bericht muss generiert und das Makro gestartet werden. - Bericht mit den benötigten Informationen muss vorhanden sein. - Der Datentransfer mit dem Bericht muss auch organisatorisch ausreichend oft durchführbar sein. - Aufbau und Struktur des Berichts muss gleichbleibend sein, bzw. Änderungen rechtzeitig kommuniziert und Anpassen des Excel-Makros veranlasst werden. Auswahl von Prädiktoren: es müssen hinreichend viele auffindbar und verfügbar sein, welche einen tatsächlichen Einfluss auf den logistischen Knoten haben. - Aus dem Erfahrungswissen heraus gibt es keine ersten Hinweise auf Muster, bzw. Abhängigkeiten, bzw. erscheinen die Lkw-Ankünfte und Wartezeiten vollkommen zufällig verteilt zu sein. -Insbesondere bei externen Datenquellen müssen genügend geeignete Vergangenheitsdaten vorliegen und auch in der Zukunft in der benötigten Form verfügbar sein. -Für einen Echtzeitbetrieb müssen die Daten ebenfalls in Echtzeit verfügbar sein. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 86 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg -Stochastische Prädiktoren (z.B. Wetterbericht) müssen auf ihre Verlässlichkeit und ihren Vorhersagezeitraum geprüft werden, der eine Limitierung des eigenen Prognosezeitraums darstellen kann. -Von stochastischen Prädiktoren müssen ebenfalls genügend Vergangenheitsdaten vorliegen und möglichst auch Auswertungen, wie zutreffend diese waren. -Sind genügend Bewegungen an dem Knoten vorhanden, um zufällig auftretende Ereignisse zu kompensieren, bzw. sind Informationen zu solchen Ereignissen zeitnah verfügbar(z.B. Stau durch Unfall auf einer Hauptzufahrtsstrecke). Vergangenheitsdaten: müssen analysiert, interpretiert und ggf. bereinigt werden. - Die Daten müssen fehlerfrei sein und Ausreißer (z.B. durch Betriebsunterbrechungen) auch nachträglich verlässlich erklärt werden können. - Schwankungen in den Daten müssen bewertbar sein, ob sie einmalig auftretende Ereignisse oder wiederkehrende Trends darstellen (z.B. Weihnachtsgeschäft oder neuer Großkunde). Tabelle 8: Erfordernisse und Hindernisse für die Anwendung der Systemlösung 2.4.6 Gegenüberstellung von Arbeitsergebnissen und -zielen Im Rahmen der Antragstellung sind für das AP 4 des Forschungsprojekts im Wesentlichen nachfolgend genannte Zielsetzungen definiert worden: Implementierung eines generischen IT-Systems durch Integration der einzelnen Module. Inbetriebnahme der Systemlösung an einem logistischen Knoten durch Anbindung an diesen und Durchführung von Integrationstests. Konzeption und Durchführung von Testszenarien zum Nachweis des erwarteten Nutzens. Das Arbeitspaket ist teilweise erfolgreich abgeschlossen worden. Die einzelnen Module sind implementiert und in einem generischen IT-System gekoppelt worden. Für die Umsetzung der einzelnen Module sind Standardtechnologien benutzt worden, die für die Anwendungsdomäne der komplexen Webapplikationen einen hohen Verbreitungsgrad in der Praxis haben und gleichzeitig frei verfügbar sind. Die einzige Ausnahme bildet MATLAB als Basis für das Prognosemodul, für das Lizenzkosten anfallen. Es ist ein kostengünstiger und flexibler Demonstrator entstanden, für den geeignete Messstellen in Form der betrieblichen Daten der logistischen Knoten identifiziert werden konnten. Da das Prognosemodul für das „Lernen“ einen hinreichend großen Bestand historischer Daten von den Messstellen benötigt, erscheint ein kurzzeitiges Aufbauen eigener Messstationen, z.B. um noch nicht erfasste Wartezeiten zu messen, als nicht zielführend und wurde wieder verworfen. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 87 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Für die EDI-Schnittstellen zu den IT-Systemen der Knoten konnte keine kommerzielle Standardapplikation identifiziert werden, die durch Beschaffung eine einfache Anbindung an alle Knoten ermöglicht hätte. Zwar gibt es bezüglich der Struktur der EDI-Meldungen Standards, wie z.B. UN/EDIFACT, allerdings besitzen diese Standards selbst viele Wahlmöglichkeiten zur Abstimmung zwischen den Kommunikationspartnern und regeln nicht die technische Umsetzung. In der Praxis werden statt fertiger Schnittstellenapplikationen Entwickler mit der Umsetzung der Datenanbindung betraut, da das automatische Extrahieren von Daten aus einem System, die Konvertierung in ein Sendeformat, das Versenden und anschließende automatische Einlesen der Daten in einem Empfängersystem häufig nicht trivial ist und viel Abstimmungs- und Angleichungsarbeit erfordert. Diese Erfahrung ist auch in diesem Projekt gemacht worden, da dafür erheblich mehr Aufwand benötigt wurde, als zunächst von der Forschungsstelle und den Knoten erwartet worden ist. Dennoch sind zwei Verfahren für die Anbindung der logistischen Knoten an das Prognosesystem erfolgreich umgesetzt und getestet worden. Statt der im Antrag geplanten exemplarischen Anbindung an einem ausgewählten Knoten ist dem Vorgehensmodell aus Abschnitt 2.2.4.3 folgend der Anbindungsprozess mit mehreren Knoten gestartet worden, um die Chance auf eine rechtzeitige Umsetzung zu erhöhen. Mit teilweise erheblichem Aufwand von allen Beteiligten sind zwei Echtzeitanbindungen in Betrieb genommen worden, welche die benötigten Messdaten automatisiert an den Demonstrator senden. In diesem Zusammenhang zeigt sich auch eine „Schwäche“ von generischen IT-Systemen, deren allgemeine Lösung gleichzeitig auch eine komplexere Struktur und höheren Anpassungsaufwand im Vergleich zu maßgeschneiderten Lösungen erfordert. SAP beispielsweise vertreibt ein generisches ERP-System, um das sich eine ganze Beratungsbranche für das Customizing, also die Anpassung des Systems auf ein konkretes Unternehmen mit seinen Prozessen und Strukturen, gebildet hat. Durch den Einsatz des Demonstrators ist gezeigt worden, dass sich die generische Systemlösung prinzipiell auf unterschiedliche logistische Knoten anwenden lässt. Es ist zu erwarten, dass eine Weiterentwicklung des Demonstrators zu einem Prototyp mit höherem Reifegrad und zusätzlicher Unterstützungsmodule die Anbindung von Knoten erheblich erleichtern und beschleunigen würde. Dieses war in diesem Forschungsprojekt aufgrund des Umfangs und nicht zuletzt wegen der geforderten Vorwettbewerblichkeit des Forschungsprogramms nicht möglich, bietet aber eine interessante Basis für nachfolgende Projekte. Die Validierung des Forschungsansatzes zur Verminderung von Lkw-Wartezeiten durch die Durchführung und Dokumentation von ausgewählten Testszenarien mit logistischen Knoten und Spediteuren/Truckern konnte nicht durchgeführt werden. Gründe hierfür sind zum einen die erheblichen Probleme bei der Gewinnung und Anbindung geeigneter Knoten gewesen und zum anderen die Zurückhalten der Knoten bei der Veröffentlichung entsprechender Daten. Es wird vermutet, dass sich mehr Knoten für eine Veröffentlichung ihrer Daten gewinnen lassen, nachdem sie in einer internen Testphase und mit einem reiferen System Erfahrungen sammeln konnten. Die Validierung des Ansatzes sollte dabei über einen längeren Zeitraum erfolgen, um den Einfluss zuverlässig „messen“ zu können, geeignete Vergleichsgrößen zu definieren und zufällige Schwankungen statistisch verlässlich erkennen zu können. Darüber hinaus wird erwartet, dass sich für eine volle Potenzialentfaltung des Ansatzes das Prognosesystem auch auf Seite der Trucker und Speditionen erst über einen längeren Zeitraum im Arbeitsalltag und den Planungsprozessen etablieren muss. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 88 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 2.4.7 Notwendigkeit und Angemessenheit der geleisteten Arbeit Der höher als zunächst erwartete Aufwand für die Anbindung der Testpartner an den Demonstrator war notwendig, um das Prognosemodul mit realen und möglichst in Echtzeit übermittelten Daten testen zu können. Gleichzeitig konnte durch diese Arbeiten das Ergebnis des AP 2 getestet werden: Das IT-Konzept konnte durch die Implementierung des Demonstrators und die Anbindung der Testunternehmen hinsichtlich seiner Anpassungsfähigkeit an unterschiedliche logistische Knoten erfolgreich überprüft werden. Die konzipierten beiden Varianten zur Anbindung des Demonstrators an die IT-Systeme der logistischen Knoten erwiesen sich ebenfalls als tauglich und lassen vermuten, dass dieses auch für einen erheblich größeren Anwenderkreis gültig ist. Unter anderen Bedingungen hätte der ursprünglich geplante Einsatz eines Sensornetzwerkes – also die Installation eigener Messpunkte (z.B. in Form von einem oder mehreren OCR-Gates) – die Sammlung von Daten und die technische Anbindung der (Knoten-)Messstellen erleichtert. Zudem wären durch ein eigenes Sensornetzwerk mit mindestens zwei geeignet platzierten Messpunkten die in Abschnitt 2.1.9 beschriebenen Probleme bei der Beschaffung von „Lkw-Wartezeitdaten“ zu umgehen gewesen. Allerdings hätte dies auch den Betrieb entsprechender Messstellen über einen langen Zeitraum bei den Testunternehmen erfordert, um hinreichend viele historische Messdaten für ein verlässliches „Anlernen“ der Neuronalen Netze des Prognosemoduls gewinnen zu können. Das war im Rahmen des Forschungsprojektes nicht realisierbar. Zum einen war die im Projektantrag veranschlagte Dienstleistung zur Anmietung eines entsprechenden Sensornetzwerkes für sieben Wochen (davon vier Wochen für Tests) bei weitem nicht ausreichend. Die Projekterfahrungen haben gezeigt, dass für das „Training“ des Prognosemoduls im Allgemeinen Vergangenheitsdaten über einen Zeitraum von mindestens zwei Jahren erforderlich sind, um auch saisonale Einflüsse identifizieren zu können. Zum anderen hat im Rahmen der Praxiskooperationen kein Partnerunternehmen zugestimmt, betriebsfremde komplexe Messstrukturen (min. zwei Messstellen, Technik zur Datenspeicherung, Vernetzung der IT-Komponenten) mit entsprechendem Platzbedarf auf dem eigenen Betriebsgelände für einen längeren Zeitraum von der Forschungsstelle installieren zu lassen. Als Lösung für das beschriebene „Beschaffungsproblem“ sind die in den ERP-Systemen der Knoten vorliegenden (historischen) Daten in die Untersuchung einbezogen worden. Darüber hinaus wurden an den Knoten bereits vorhandene „Messstellen“ zur Datenaufnahme mittels geeigneter Schnittstellen in die jeweilige Demonstrator-Lösung integriert. Auf diese Weise konnten aktuelle betriebliche Knotendaten im Regelfall in Echtzeit – oder zumindest sehr zeitnah – an die installierte Demonstratorlösung in der gleichen Struktur und Qualität wie die Vergangenheitsdaten übertragen und genutzt werden. Aufgrund der vorhandenen Messstellenstruktur der Knoten war durch diese Art der Datenaufnahme i.d.R. lediglich das Messen der Lkw-Ankünfte möglich – nicht aber der Wartezeiten auf der Anlage (Ausnahme: Messung von Lkw-Wartezeiten am Knoten 4). Außerdem konnten nutzbringende Erfahrungen mit den IT-Systemen der logistischen Knoten bzw. deren Anbindung und Möglichkeiten zur Nachrichtenübermittlung gewonnen worden. Diese sind in diesen Abschnitt über das AP 4 mit eingeflossen. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 89 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 2.4.8 Wissenschaftlich-technischer und wirtschaftlicher Nutzen für KMU Die in dem AP 4 gewonnenen Erfahrungen mit IT-Systemen logistischer Knoten, insbesondere von KMU und deren technischen, personellen und zeitlichen Möglichkeiten bei der Erweiterung und Verknüpfung ihrer IT-Systeme können für zukünftige praxisnahe Forschung berücksichtigt werden, z.B. hinsichtlich der Möglichkeiten und Erfordernisse von logistischen Knoten für die Digitalisierung von KMU. Für KMU konnte aufgezeigt werden, wie durch die Verwendung überwiegend freier und damit kostengünstiger Internettechnologien ein flexibler und vielseitiger Demonstrator entwickelt werden kann. Mittels Weiterentwicklung kann daraus ein Prototyp und letztlich ein produktionsreifes IT-System entstehen, welches auf die speziellen Bedürfnisse eines Unternehmens zugeschnitten ist. Ein derartiges IT-System lässt sich durch die Verfügbarkeit und Veränderbarkeit des Quellcode relativ einfach auf neue Anforderungen anpassen und durch neue Funktionsmodule erweitern. Bereits in den Unternehmen vorhandene Daten wurden aufbereitet, bearbeitet, bzw. angereichert und für neue Anwendungsfelder erschlossen. Aus den vorhandenen Buchungen von Containerbewegungen wurden Informationen über die Warte- und Ankunftszeiten von Lkw hergeleitet. Diese Informationen wurden durch das Prognosemodul mit weiteren Informationen angereichert bzw. verknüpft und dazu verwendet, zukünftige Ereignisse zu prognostizieren. Durch die Visualisierungen der so gewonnen historischen und prognostizierten Daten können relativ schnell Muster und Entwicklungen in den Daten nachvollzogen werden. Bei den Testunternehmen stellte teilweise bereits die visuelle Analyse der historischen Daten über größere Zeiträume einen Mehrwert und Erkenntnisgewinn dar, da dadurch Muster erkennbar wurden, die vorher in den tabellengestützten Berichten und durch Erfahrungswerte auf Grund der großen Menge an Daten nicht immer ersichtlich gewesen sind. Neben dem in Abschnitt 2.1.10 beschriebenen Potential des Prognoseansatzes stellt auch der Demonstrator des AP 4 ein Beispiel bzw. eine Anregung für KMU dar, wie bereits vorhandene Daten aufbereitet, mit zusätzlichen Informationen verknüpft und angereichert werden können. Diese so „veredelten“ Bestandsdaten generieren einen Erkenntnisgewinn und ermöglichen den Unternehmen neue, innovative Anwendungsbereiche und Wettbewerbsvorteile, z.B. durch eine bessere Nutzung ihrer Ressourcen oder einen besseren Service für Ihre Kunden. Durch die kostengünstige Umsetzung des Demonstrators konnte gezeigt werden, dass diese Potenziale der Digitalisierung durchaus auch von KMU mit einem überschaubaren Investitionsaufwand gehoben werden können. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 90 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 3 Fortschreibung des Plans zum Ergebnistransfer Im Weiteren werden die Maßnahmen zum Ergebnistransfer in die Wirtschaft als tabellarische Übersichten dargestellt. Tabelle 9 zeigt die während der Projektlaufzeit bzw. bis April 2017 realisierten Transfermaßnahmen. Getrennt davon sind ebenfalls in Abschnitt 3.2 die veröffentlichten bzw. zur Veröffentlichung eingereichte Arbeiten angegeben sowie auch die im Zuge des Projektes durchgeführten studentischen Arbeiten. In Tabelle 10 werden darüber hinaus die ab Mai 2017 geplanten bzw. in der Umsetzung befindlichen Maßnahmen beschrieben. 3.1 Einschätzungen zur Realisierbarkeit des Transferkonzepts Ein Vergleich der bis April 2017 realisierten und der mit dem Projektantrag vorgelegten Maßnahmen zum Ergebnistransfer zeigt, dass wesentlicher Teil der geplanten Maßnahmen bereits umgesetzt worden ist. Für die noch „offenen“ bzw. nicht abgeschlossenen Transfermaßnahmen (vgl. Tabelle 10) sind keine einschlägigen Gründe bekannt, die der angedachten Realisierung im Wege stehen könnten. 3.2 Realisierte und geplante Maßnahmen zum Ergebnistransfer Transfermaßnahmen bis April 2017: Maßnahme Projektbegleitender Ausschuss (p.A.) + Praxispartnerakquise Besuchte Veranstaltungen / Fachtagungen Rahmen Ziel Zeitraum - 18 Ortstermine bei Unternehmen und Institutionen der Verkehrs- u. Logistikbranche - Bekanntmachung des Projektes + Gewinnung von Praxispartnern für p.A. und Demonstratorbetrieb - Erste Sitzung des p.A. - Vorstellung erster Projektergebnisse und Diskussion des weiteren Vorgehens 18.11.2015 - Zweite Sitzung des p.A. - Vorstellung von Projektergebnissen aus allen vier Arbeitspakten, insb. Diskussion der laufenden Demonstrator-Tests 06.10.2016 - Dritte Sitzung des p.A. - Abschlusspräsentation und Projektresümee aller Beteiligten 08.02.2017 - Präsentation des Projektes inkl. erster Ergebnisse beim 2. Arbeitskreis Terminal der SGKV - Bekanntmachung des Projektes + Gewinnung von Praxispartnern für p.A. und Demonstratorbetrieb 19.08.2015 - Teilnahme beim GOR-Arbeitsgruppentreffen Simulation & Optimierung komplexer Systeme 2015 - wiss. Diskussion von Untersuchungsideen und -ansätzen 08.-09.10. 2015 - Präsentation des Projektes beim Informs Annual Meeting 2015 - wiss. Diskussion von Prognoseansätzen und ersten Ergebnissen 01.-04.11. 2015 - Präsentation des Projektes beim GOR-Arbeitsgruppentreffen Entscheidungstheorie & -praxis 2016 - wiss. Diskussion der implementierten Prognosemodelle und erzielter Ergebnisse 10.03-11.03 2016 - Präsentation des Projektes beim GOR-Arbeitsgruppentreffen Prognose 2016 - wiss. Diskussion der implementierten Prognosemodelle und erzielter Ergebnisse 06.04-07.04. 2016 Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ insb. 2014 (und darüber hinaus) 91 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Veranstaltungen in der Forschungsstelle Gremienarbeit Medien / Projektinformationen 2 - Präsentation des Projektes auf der Konferenz Global Port Research Alliance 2016 - wiss. Diskussion der implementierten Prognosemodelle und erzielter Ergebnisse 19.05-20.05. 2016 - Präsentation von Projektinhalten beim Hafenforum der CeMAT 2016 - Bekanntmachung des Projektes und Vorstellung ausgewählter Projektergebnisse 02.06.2016 - Präsentation des Projektes auf den 21. Magdeburger Logistiktagen 2016 - Diskussion des generischen ITKonzeptes aus wiss. Sicht sowie bzgl. Praxisanforderungen 22.06-23.06. 2016 - Präsentation des Projektes auf dem 2. TERMINALTAG der SGKV - Bekanntmachung des Projektes und der erreichten Projektergebnisse 10.11.2016 - Workshop zum Thema Vorzugsoptionen bei freiwilliger Vormeldung - Identifikation/Einbeziehung von Anforderungen aus der Praxis (insb. AP 3) + Bekanntmachung des Projektes 18.03.2015 - Projektpräsentation beim Tag der Logistik 2016 der Forschungsstelle - Bekanntmachung des Projektes + Gewinnung von Praxispartnern für p.A. und Demonstratorbetrieb 21.04.2016 - Projektpräsentation bei der Maritimen Nacht der TU HamburgHarburg - Bekanntmachung des Projektes und ausgewählter Projektergebnisse 30.09.2016 - Projektpräsentation im Rahmen des Regionalgruppentreffens der BVL-Regionalgruppe Hamburg - Bekanntmachung des Projektes und Feedback zu erreichten Projektergebnissen (insb. Umfrage) 12.10.2016 - Workshop zu den Ergebnissen der Web-Umfrage Vorzugsbehandlung und freiwillige Vormeldung von Lkw - Kritische Diskussion der Umfrageergebnisse mit Praktikern 07.03.2017 - Projektpräsentation beim Tag der Logistik 2016 der Forschungsstelle - Allg. Verbreitung der Projektergebnisse 27.04.2017 - Präsentation des Projektes auf dem Wissenschaftstag 2014 der Logistik-Initiative Hamburg - Bekanntmachung des Projektes + Diskussion von Untersuchungszielen/-ansätzen 01.12.2014 - Präsentation von Projektinhalten bei der Gruppe Waterborne der Fraunhofer-Allianz Verkehr - Bekanntmachung des Projektes und Vorstellung ausgewählter Projektergebnisse 09.11.2016 - Präsentation von Projektinhalten beim Hafen-Klub Hamburg - Vorstellung ausgewählter Projektergebnisse im Umfeld von Hafen- und Schifffahrtsunternehmen 25.04.2017 - Präsentation von Projektinhalten beim Verband Deutscher Schiffsausrüster - Vorstellung ausgewählter Projektergebnisse im Umfeld von Hafen- und Schifffahrtsunternehmen 10.05.2017 - Internetauftritt2 des Projektes auf den Web-Seiten der Forschungsstelle Veröffentlichung von Projektneuigkeiten und -ergebnissen Feb. 2015 - Projektflyer (Ziele + Arbeitspa- - weiterer Informationskanal zur März 2015 https://cgi.tu-harburg.de/~mlswww/projekthema/tagesgangprognose-der-lkw-wartezeiten-von-logistischen-knoten/ Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 92 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Akademische Lehre kete) als Infomaterial für besuchte und eigene Veranstaltungen Bekanntmachung des Projektes Internetauftritt des Projektes auf den Web-Seiten des Hamburger Wissenschaftsportals der Behörde für Wissenschaft und Forschung 3 - weiterer Informationskanal zur Bekanntmachung des Projektes Nov. 2015 - Projektpräsentation als Fallstudie in der Vorlesung Logistische Systeme: Planung, Investitionsentscheidungen, Betrieb an der TU Hamburg-Harburg (90 min) Vermittlung der wesentlichen Projektergebnisse an die Studierenden + Kennenlernen anwendungsbezogener Forschungsarbeit am Fallbeispiel 27.10.2016 Tabelle 9: Realisierte Transfermaßnahmen Veröffentlichte bzw. zur Veröffentlichung eingereichte Arbeiten Böse, J.W.; Meissner, F. and Hill, A.: Innovative concept for forecasting truck arrival and processing parameters at logistics port facilities. International Journal of Shipping and Transport Logistics (submitted October 2016). Hill, A. and Böse, J.W. (2016): A decision support system for improved resource planning and truck routing at logistic nodes. Information Technology & Management [DOI: 10.1007/s10799-016-0267-3], online publication: 11 pp. Stamer, M.; Hill, A.; Böse, J.W.; Jahn, C. und Krick, R. (2016): Ein generisches ITKonzept zur Entscheidungsunterstützung an logistischen Knoten durch die Prognose von Lkw-Wartezeiten. In: M. Schenk, H. Zadek, G. Müller, K. Richter, H. Seidel (Hrsg.), Tagungsband - 21. Magdeburger Logistiktage „Logistik neu denken und gestalten“, Fraunhofer Verlag, Stuttgart, S. 125-131. Durchgeführte studentische Arbeiten 3 Masterarbeiten ‐ Nutzung und Vergleich von ausgewählten Verfahren der künstlichen Intelligenz für die Prognose von LKW-Wartezeiten an logistischen Knoten, vorgelegt von Herrn Finn Torben Messner, Januar 2016. ‐ Ein Entscheidungsunterstützungssystem für die Ressourcenallokation logistischer Knoten und Speditionsunternehmen, vorgelegt von Herrn Michael Purwins, April 2016. Bachelorarbeiten ‐ Untersuchung von Einflussgrößen der LKW-Abfertigung in einem Leercontainerdepot mit Hilfe von Simulation, vorgelegt von Frau Nicole Nellen, Oktober 2015. ‐ Entwicklung eines Vorgehensmodells zur Quantifizierung von Lkw-Wartzeiten an logistischen Knoten im Hamburger Hafen, vorgelegt von Frau Linn Grotheer, Oktober 2014. ‐ Vorgehensweise zur Erfassung von Vorzugsoptionen bei freiwilliger LkwAvisierung an logistischen Knoten im Hafen, vorgelegt von Frau Merle Dehnbostel, Oktober 2014. http://wissenschaft.hamburg.de/projekte-der-wissenschaft/4647908/lkw-vorzugsbehandlung/ Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 93 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Projektarbeit ‐ Umfrage: Vorzugsbehandlung und Vormeldung von Lkw, vorgelegt von Herrn TeSung Bak, Frau Julia Pirogow, Frau Stefanie Freitag, Frau Alina Illinseer, Januar 2016. Transfermaßnahmen ab Mai 2017: Maßnahme Rahmen KMU-Beratung / Nachfolgeprojekte - Ein KMU ist an einer Anpassung der generischen Lösung und Integration des Prognosesystems in das eigene IT-System interessiert. Die Forschungsstelle unterstützt das KMU und Fraunhofer CML beratend bei der Projektplanung, technischen Umsetzung und Suche nach weiteren Prädiktoren sowie alternativen Anwendungsfällen. Die Möglichkeit der Inanspruchnahme geeigneter Förderprogramme wird derzeit geprüft. - Anpassung der generischen Lösung durch (Weiter-)Entwicklung zu einem betrieblich nutzbaren Prognosesystem und Identifikation von weiteren Anwendungsfällen. - Entwicklung und Implementierung der Qualifizierungsmaßnahme »Maschinelles Lernen in Theorie und Praxis«. Integraler Bestandteil der geplanten Qualifizierungsaktivitäten ist die Vermittlung von Methodenwissen im Bereich Forecasting & Predictive Analytics. Adressaten der Maßnahme sind sowohl Studierende aus Logistikstudiengängen als auch Berufstätige der Verkehrs- und Logistikbranche - Nutzung des in der Forschungsstelle aufgebauten Methodenwissens (intelligente Prognosemethoden und Datenanalyse) für die Qualifizierungsmaßnahme - Darstellung wesentlicher Projektergebnisse im ELVIS-News Magazin (E.L.V.I.S. AG: Mitglied des p.A. ) - Hohe Verbreitung in der Verkehrs- und Logistikbranche - Bereitstellung des Schlussberichtes als Teil des Internetauftritts des Projekts (Web-Seiten der Forschungsstelle) - Allg. Verbreitung der Projektergebnisse + Referenz für Projektzusammenfassungen und Kurzberichte (z.B. Presse- und Verbandsmitteilungen) - Veröffentlichung der wesentlichen Ergebnisse von AP 3 in der Zeitschrift Internationales Verkehrswesen (oder LOGISTIK HEUTE) Publikation der AP-Ergebnisse in einer Fachzeitschrift (analog zu den Ergebnissen von AP 1 und AP 2) 2017 - Presse- und Verbandsmitteilungen zu den Projektergebnis- Hohe Verbreitung in der Verkehrsund Logistikbranche 2017 Veröffentlichungen Ziel Zeitraum 2017/2018 01.05.2017 Einreichung der Qualifizierungsmaßnahme als Projektskizze beim BMBFFörderprogramm „IKT 2020 Forschung für Innovationen" mit zwei 4 Projektpartnern 2017 Nach Genehmigung des Schlussberichtes 4 Institut für Softwaresysteme der TU Hamburg-Harburg und Fraunhofer-Center für Maritime Logistik und Dienstleistungen CML (Hamburg) Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 94 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg sen (inkl. Referenzierung auf Internetauftritt des Projekts) Akademische Lehre - Projektpräsentation als Fallstudie in der Vorlesung Logistische Systeme: Planung, Investitionsentscheidungen, Betrieb an der TU Hamburg-Harburg (90 min) Vermittlung der wesentlichen Projektergebnisse an die Studierenden + Kennenlernen anwendungsbezogener Forschungsarbeit am Fallbeispiel WS 2018-19 (fortlaufend) - Projektpräsentation als Fallstudie in der Vorlesung Transport- und Umschlagtechnik an der TU Hamburg-Harburg (90 min) Vermittlung der wesentlichen Projektergebnisse an die Studierenden + Kennenlernen anwendungsbezogener Forschungsarbeit am Fallbeispiel WS 2017-18 (fortlaufend) Tabelle 10: Geplante bzw. in der Umsetzung befindliche Transfermaßnahmen Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 95 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 4 Angaben zu den aus der Zuwendung finanzierten Ausgaben Zur Durchführung der Arbeiten hat die Forschungsstelle über die Projektlaufzeit insgesamt 35 Personenmonate wissenschaftlich-technisches Personal anteilig in den einzelnen Arbeitspaketen eingesetzt. Dieses wurde zeitweise durch studentische Hilfskräfte in einzelnen Arbeitspaketen unterstützt. Geräte wurden weder beantragt noch eingesetzt und auf beantragte Leistungen Dritter in Form der Anmietung eines Sensornetzwerkes wurde verzichtet. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 96 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 5 Literaturverzeichnis Baier, J. (2012): Trends im Straßengüterverkehr - Aktueller Status und Meinungen der Berufskraftfahrer in Deutschland. Bericht. Lehrstuhl Logistik und Supply Chain Management – Hochschule Furtwangen University, Furtwangen. Box, G. E.; Jenkins G. M.; Reinsel, G. C. (2008): Time series analysis: Forecasting and control, 4th ed. Wiley, Hoboken (New Jersey). Brockwell, P. J.; Davis, R. A. (2016): Introduction to time series and forecasting. 3rd ed., Springer, Berlin. Bühner, M.; Ziegler, M. (2009): Statistik für Psychologen und Sozialwissenschaftler. Pearson, München. Chen, P. P.-S. (1976): The entity-relationship model: toward a unified view of data. ACM transactions on database systems, vol. 1 (1), pp.: 9-36. Crone, S. F.; Guajardo, J.; Weber, R. (2006): The impact of preprocessing on support vector regression and neural networks in time series prediction. Proceedings of the International Conference on Data Mining DMIN'06 (Las Vegas, USA), CSREA, pp.37-42. Crone, S. F. (2005): Stepwise selection of artificial neural network models for time series prediction. Journal of Intelligent Systems, vol. 14 (2-3), pp.: 99-122. DESTATIS [Statistisches Bundesamt (Hrsg.)] (2017): Güterverkehr 2016. Online: https:// www.destatis.de/DE/ZahlenFakten/Wirtschaftsbereiche/TransportVerkehr/Gueterverkehr/Gu eterverkehr.html, Stand: 03.04.2017. DESTATIS [Statistisches Bundesamt (Hrsg.)] (2008): Klassifikation der Wirtschaftszweige – Mit Erläuterungen. Online-Publikation: https://www.destatis.de/DE/Methoden/Klassifikation en/GueterWirtschaftklassifikationen/klassifikationwz2008_erl.pdf?__blob=publicationFile, Stand: 03.04.2017. Goodwin, P.; Lawton, R. (1999): On the asymmetry of the symmetric MAPE. International Journal of Forecasting, vol. 15 (4), pp.:405-408. Hill, T.; Lewicki, P. (2006): Statistics: Methods and applications - A comprehensive reference for science, industry, and data mining. StatSoft, Tulsa (Oklahoma). Hyndman, R. J.; Athanasopoulos, G. (2012): Forecasting: Principles and practice. Online publication: https://www.otexts.org/book/fpp, Stand: 03.04.2017. Hyndman, R. J.; Koehler, A. B. (2006): Another look at measures of forecast accuracy. International Journal of Forecasting, vol. 22 (4), pp.: 679-688. IfM [Institut für Mittelstandsforschung] (2016): KMU-Definition des IfM Bonn. Online: http:// www.ifm-bonn.org/definitionen/kmu-definition-des-ifm-bonn/, Stand: 03.04.2017. Klaus, P.; Krieger, W. (2008): Gabler Lexikon Logistik - Management logistischer Netzwerke und Flüsse. 4. Aufl., Gabler, Wiesbaden. Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 97 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Kohn, W.; Öztürk, R. (2013): Statistik für Ökonomen - Datenanalyse mit R und SPSS. 2. Aufl., Springer, Heidelberg. Kreiss, J.-P.; Neuhaus, G. (2006): Einführung in die Zeitreihenanalyse. Springer, Berlin. Kreyszig, E. (1973): Statistische Methoden und ihre Anwendungen. 4. Aufl.,Vandenhoeck & Ruprecht, Göttingen. Rönz, B.; Förster, E. (1992): Regressions- und Korrelationsanalyse: Grundlagen – Methoden – Beispiele. Gabler, Wiesbaden. Sachs, L. (1999): Angewandte Statistik. 9. Aufl., Springer, Berlin. Waclawski, E. (2012): How I use it: Survey Monkey. Occupational Medicine, vol. 62 (6), pp.: 477. Wang, W. C.; Chau, K. W.; Cheng, C. T.; Qiu, L. (2009): A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of Hydrology, vol. 374 (3), pp.:294-306 Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 98 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 6 Anhang I – Web-Umfrage: Fragebogen für Knotenbetreiber Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 99 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 100 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 101 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 102 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 103 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 104 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 105 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 106 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 107 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 108 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 109 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 110 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg 7 Anhang II – Web-Umfrage: Fragebogen für Spediteure/Trucker Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 111 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 112 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 113 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 114 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 115 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 116 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 117 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 118 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 119 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 120 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 121 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 122 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 123 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 124 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 125 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 126 AiF-Forschungsstelle Institut für Maritime Logistik, Technische Universität Hamburg-Harburg Schlussbericht des IGF-Vorhabens „Lkw-Wartzeitprognose für logistische Knoten“ 127
