Refine
Document Type
- conference proceeding (article) (2)
- Report (2)
- Article (1)
- Part of a Book (1)
Publication reviewed
- begutachtet (3)
- nicht begutachtet (2)
- peer review (1)
Keywords
- FEB NAFV (2)
- Attitude Behavior Gap (1)
- Besucherlenkung (1)
- Besuchermanagement (1)
- CO₂-Emissionsreduktion (1)
- Customer Experience (1)
- Emissionsvermeidung (1)
- Innovative Mobilitätskonzepte (1)
- Mobilität (1)
- Motorisierter Freizeitverkehr (1)
Der motorisierte Individualverkehr (MIV) stellt in touristisch geprägten Regionen eine erhebliche Herausforderung dar. Er beeinträchtigt nicht nur die Natur, das Klima und das Landschaftsbild, sondern mindert auch das Urlaubserlebnis der Gäste und die Akzeptanz des Tourismus bei der lokalen Bevölkerung. Datengetriebene, flexible und emissionsfreie Mobilitätsangebote bieten die Möglichkeit, den MIV zu reduzieren und Elektromobilität zu fördern. Zudem können sie Maßnahmen zur Besucherlenkung unterstützen und so zum Erhalt attraktiver Lebens- und Urlaubsregionen beitragen.
Das Forschungsprojekt Flexibler Erlebnisbus für nachhaltigen Freizeitverkehr (FEB-NAFV) zielt darauf ab, den Individualverkehr und die damit verbundenen Emissionen im Freizeitverkehr zu reduzieren sowie touristische Hotspots zu entlasten. Dies soll durch die Entwicklung und Pilotierung eines bedarfsorientierten und emissionsfreien Erlebnisbusses im Allgäu erreicht werden.
Das Konzept des Erlebnisbusses basiert auf einer datengetriebenen Einsatz-, Routen- und Erlebnisplanung. Dies beinhaltet auch ein fundiertes Elektromobilitätskonzept. Ein besonderer Fokus liegt auf der Übertragbarkeit und Skalierbarkeit des Projekts auf andere Regionen. Zudem soll das Mobilitätsangebot als Instrument zur Besucherlenkung im Allgäu fungieren.
Um Missverständnisse zu vermeiden, soll an dieser Stelle betont werden, dass es nicht um die Entwicklung eines On-Demand-Angebots wie Rufbusse oder Sammeltaxis ging. Primär stand nicht Flexibilität aus Kundensicht im Mittelpunkt des Vorhabens, sondern Flexibilität aus verkehrsplanerischer und touristischer Perspektive. In diesem Sinne bedeutet Flexibilität hier, dass mit der Einsatzplanung des Busses flexibel auf veränderliche Kontextparameter wie Wettervorhersage oder das prognostizierte Verkehrs- und Besucheraufkommen reagiert werden kann.
Das Projekt FEB-NAFV lief von November 2021 bis Oktober 2024 und wurde im Rahmen der Innovationsinitiative mFUND durch das Bundesministerium für Digitales und Verkehr (BMDV) gefördert (Projektträger: Deutsche Zentrum für Luft- und Raumfahrt e.V.; Förderkennzeichen 01F2198A). Zu den Verbundpartnern gehörten das Institut für Nachhaltige und Innovative Tourismusentwicklung (INIT) in Füssen der Hochschule Kempten, welches die Verbundkoordination übernahm, die Allgäuer Überlandwerk GmbH (AÜW), Steinbacher-Consult Ing.ges. mbH & Co. KG und die Outdooractive AG. Zusätzlich unterstützten assoziierte Partner das Projekt, darunter die FLEXIBUS KG, der Deutsche Alpenverein (DAV) Sektion Kempten und der Naturpark Nagelfluhkette e.V.
Der Beitrag beleuchtet anhand des Forschungsprojekts „Flexibler Erlebnisbus für nachhaltigen Freizeitverkehr“ (FEB-NAFV), welche Herausforderungen bei der Gestaltung umwelt- und benutzerfreundlicher Mobilitätsangebote auftreten, und analysiert dabei ausgewählte Aspekte der Produktentwicklung sowohl aus theoretischer als auch praktischer Perspektive. Besonderes Augenmerk liegt dabei auf der Gestaltung des Nutzererlebnisses in unterschiedlichen Phasen der Customer Journey. An die Stelle des zunächst verfolgten „Customer Experience First“-Ansatzes bei An- und Abreise trat die Gestaltung der Informations- und Buchungsseite unter UX-Gesichtspunkten. Die Untersuchung liefert wertvolle Erkenntnisse über die Relevanz (vermeintlicher) Begeisterungs- und Basismerkmale alternativer Mobilitätsangebote und trägt so wesentlich zur Weiterentwicklung innovativer Verkehrs- und Tourismuskonzepte bei.
Dieser Beitrag untersucht die Rolle innovativer Mobilitätskonzepte bei der Reduktion des motorisierten Individualverkehrs (MIV), der Einsparung von CO₂-Emissionen und des digitalen Besuchsmanagements. Die Analyse basiert auf dem Forschungsprojekt „Flexibler Erlebnisbus für nachhaltigen Freizeitverkehr“ (FEB-NAFV), das mit der Pilotierung des Allgäuer Erlebnisbusses neue Ansätze zur nachhaltigen Mobilität im Tourismus erprobt. Im Fokus stehen die technischen Aspekte des Projekts, insbesondere Sensorik und Prognoseverfahren, sowie die operativen Komponenten des Busbetriebs. Der Beitrag beleuchtet die Effekte einer mehrtägigen Pilotphase auf die Verringerung des MIV und der Treibhausgasemissionen.
Due to the rapid growth of the tourism industry, associated effects like overcrowding, overtourism, and increasing greenhouse gas emissions lead to unsustainable development. A prerequisite for avoiding those adverse effects is the prediction of occupancy. The present study elaborates on the applicability and performance of various prediction models by taking a case study of beach occupancy data in Scharbeutz, Germany. The case study compares different machine learning models once as supervised machine learning models and once as time series models with a persistence model. XGBoost and Random Forest as time series demonstrate the most accurate prediction, followed by the supervised XGBoost model. However, the short prediction span of time series models is a disadvantage for longer-term visitor management to avoid the explained unsustainable effects through steering measures, so depending on the use case, the XGBoost model is to be favoured.
After the temporary shock of the Covid-19 pandemic, the rapid recovery and resumed growth of the tourism sectors accelerates unsustainable tourism, resulting in local (over-)crowding, environmental damage, increased emissions, and diminished tourism acceptance. Addressing these challenges requires an active visitor management system at points of interest (POI), which requires local and timely POI-specific occupancy predictions to predict and mitigate crowding. Therefore, we present a new approach to measure visitor movement at an open-spaced, and freely accessible POI and evaluate the prediction performance of multiple occupancy and visitor count machine learning prediction models. We analyze multiple case combinations regarding spatial granularity, time granularity, and prediction time horizons. With an analysis of the SHAP values we determine the influence of the most important features on the prediction and extract transferable knowledge for similar regions lacking visitor movement data. The results underline that POI-specific prediction is achievable with a moderate relation for occupancy prediction and a strong relation for visitor count prediction. Across all cases, XGBoost and Random Forest outperform other models, with prediction accuracy increasing as the prediction time horizon shortens. For effective active visitor management, combining multiple models with different spatial aggregations and prediction time horizons provides the best information basis to identify appropriate steering measures. This innovative application of digital technologies facilitates information exchange between destination management organizations and tourists, promoting sustainable destination development and enhancing tourism experience.