Entwicklung und Implementierung einer Ladestrategie zur Reduktion von CO2-Emissionen elektrischer PKW in Frankreich und Deutschland


Bachelorarbeit, 2015

41 Seiten, Note: 1,3


Leseprobe

Inhaltsverzeichnis

II. Abbildungsverzeichnis

III. Tabellenverzeichnis

IV. Abkürzungsverzeichnis

1. Zusammenfassung und Abstract
1.1 Zusammenfassung
1.2 Abstract

2. Einleitung
2.1 Entwicklung der Elektromobilität unter politischen Gesichtspunkten
2.2 Zielsetzungen der Arbeit

3. Adoption und Diffusion von Elektrofahrzeugen
3.1 Begriffe und Modelle
3.2 Das Diffusionsmodell nach Bass
3.2.1 Einführung
3.2.2 Anwendung und Ergebnisse
3.3 Bestimmung individueller Kaufwahrscheinlichkeiten mittels Logit-Modell
3.3.1 Das logistische Regressionsmodell
3.3.2 Anwendung des Modells auf den französischen Markt für EV
3.4 Ergebnisse
3.4.1 Ergebnisse für den französischen Markt
3.4.2 Ergebnisse für den deutschen Markt

4. Auswirkungen zunehmender Elektromobilität auf die Elektrizitätsmärkte
4.1 Einführung in PowerACE
4.2 Abbildung einer CO2-reduzierenden Ladestrategie in PowerACE
4.3 Ergebnisse der Simulation
4.3.1 Ergebnisse für Frankreich
4.3.2 Ergebnisse für Deutschland
4.3.3 Vergleich Frankreich und Deutschland

5. Zusammenfassung, Reflexion und Ausblick
5.1 Zusammenfassung
5.2 Kritische Reflexion
5.3 Ausblick

V. Anhang

VI. Literaturverzeichnis

Eigenständigkeitserklärung

Ich versichere hiermit, dass ich die vorliegende Arbeit selbstständig verfasst und keine anderen als die angegebenen Hilfsmittel benutzt habe. Sämtliche Stellen der Arbeit, die benutzten Werken im Wortlaut oder dem Sinn nach entnommen sind, habe ich durch Quellenangaben kenntlich gemacht. Dies gilt auch für Zeichnungen, Skizzen, bildliche Darstellungen und dergleichen sowie für Quellen aus dem Internet

Ort, Datum: __________________________________

Unterschrift: __________________________________

II. Abbildungsverzeichnis

Abbildung 1: Diffusionskurve und Adoptionskurve einer Innovation

Abbildung 2: Entwicklung der Bestandszahlen von Elektro-PKW

Abbildung 3: Adoption und Diffusion in Frankreich mit amerikanischen Parameterwerten

Abbildung 4: Diffusion der Elektromobilität in Frankreich mit geschätzten Parameterwerten

Abbildung 5: Entwicklung der EV-Bestände in Frankreich

Abbildung 6: Adoption und Diffusion in Deutschland

Abbildung 7: Entwicklung der EV-Bestände in Deutschland

Abbildung 8 Zuordnung der Werte für Personen und PKW ( )

Abbildung 9: Zuordnung der Werte für Personen und PKW ( )

Abbildung 10: Struktur von PowerACE nach Genoese (2010)

Abbildung 11: Auf Jahresebene aggregierte Ladeleistung im Tagesgang (Frankreich)

Abbildung 12: Auf Jahresebene aggregierte Ladeleistung im Tagesgang (Deutschland)

Abbildung 13: CO2-Emissionen durch gesteuertes und ungesteuertes Laden

III. Tabellenverzeichnis

Tabelle 1: Übersicht der benutzten ENTD-Datensätze

Tabelle 2: Zuordnung der ENTD-Fahrzeuge zu Adoptorkategorien

Tabelle 3: Zuordnung von ENTD-Fahrzeugen zu Jahren

Tabelle 4: Zuordnung der MiD-Fahrzeuge zu Adoptorkategorien

Tabelle 5: Zuordnung von MiD-Fahrzeugen zu Jahren

Tabelle 6: Prognostizierte EV-Neuzulassungen und Bestände bis 2050 für Frankreich

Tabelle 7: Prognostizierte EV-Neuzulassungen und Bestände bis 2050 für Deutschland

Tabelle 8: Übersicht über ENTD Datensätze

IV. Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1. Zusammenfassung und Abstract

1.1 Zusammenfassung

Gegenstand dieser Bachelorarbeit ist eine Analyse der zukünftig durch den Betrieb von Elektrofahrzeugen in Frankreich und Deutschland verursachten CO2-Emissionen, die Entwicklung und Implementierung einer Ladestrategie zur Reduktion dieser Emissionen und eine vergleichende Betrachtung der Resultate.

Zunächst wird eine Prognose für die Diffusion der Elektrofahrzeugbestände in Frankreich und Deutschland aufgestellt. Nach einer Einführung in die Diffusionstheorie und einer Übersicht über verschiedene Modelltypen wird das Bass-Modell als beste Option ausgewählt und genauer vorgestellt. Für jedes Land werden je zwei Szenarien berechnet, eines davon mit durch einen nichtlinearen Fit berechneten Koeffizienten. Diese Variante erweist sich in beiden Fällen als plausibler und wird deshalb für die weitere Analyse ausgewählt. Für das Stichjahr 2030 werden damit in Frankreich 22 Mio. und für Deutschland 5 Mio. Elektrofahrzeuge vorhergesagt.

Auf Basis eines binär-logistischen Regressionsmodells werden zusätzlich Substitutions-wahrscheinlichkeiten heute vorhandener PKW bestimmt. Eine Vereinigung der Ergebnisse der beiden Modelle bildet die Grundlage für eine Simulation mittels des Multi-Agenten-Modells PowerACE.

Exemplarisch wird die Stromnachfrage durch Elektrofahrzeuge im Jahr 2030 betrachtet. Durch eine Erweiterung der Software werden CO2-Betrachtungen ermöglicht. Es wird jeweils ein Szenario mit ungesteuertem Laden und eines mit einer selbst entwickelten Strategie zur CO2-Reduktion simuliert. Die Resultate zeigen beispielhaft das Einsparpotential durch das Verwenden einer ausgewählten Ladestrategie. Für Frankreich liefern die Simulationsergebnisse Einsparungsmöglichkeiten von 0,4 Mio. Tonnen CO2 (6 %). Für Deutschland werden nur marginale Ersparnisse beobachtet. Rückkopplungseffekte werden als ein möglicher Grund dafür angesehen.

1.2 Abstract

The topic of this thesis is the analysis of CO2 emissions produced by the operation of electric cars in France and Germany in the future, the development and implementation of a charging strategy with the goal of reducing these emissions and a comparative analysis of the results.

A forecast is made for the diffusion of electric cars in France and Germany. After an introduction to the basics of diffusion theory several types of models are presented. The Bass Model is selected as the best option and the mathematical foundations are described. For each country two scenarios are calculated. For one scenario, a nonlinear fit is calculated in order to determine the coefficients needed. In both cases the scenario with the fitted parameters is regarded as more realistic and therefore chosen for further analysis. For the reference year 2030 the projected EV-stock is 22 Mio. for France and 5 Mio. for Germany.

Using a binary logistic regression model individual buying probabilities for electric cars are calculated. In addition, calculations are made on a vehicle basis in order to determine substitution probabilities for existing cars. The combination of the results of the two models is then used for conducting simulations with the multi agent model PowerACE.

Further the electricity demand in 2030 is regarded. By extending the software the analysis of CO2-emissions is made possible. For each country two scenarios are simulated. One of them applies immediate charging without load shifting. The other uses a self-developed charging strategy. The results show that certain savings can be achieved by using a selected charging strategy. For France the simulations show possible reductions by 0,4 mio. t (6 %). For Germany only smaller improvements can be observed. Feedback effects are considered as one possible reason for this.

2. Einleitung

2.1 Entwicklung der Elektromobilität unter politischen Gesichtspunkten

Der Klimawandel ist laut Europäischer Union (2015) eine der größten globalen Herausforderungen. Um ihm zu begegnen, wurden in zahlreichen Ländern Gesetze erlassen, die eine signifikante Reduktion von Treibhausgasen anstreben. Auf EU-Ebene sollen nach Europäischer Kommission (2008) die Treibhausgase bis 2020 um 20 % gegenüber 1990 gesenkt werden. Von allen Sektoren ist der Verkehr mit etwa 19 % heute für einen Großteil der gesamten Treibhausgasemissionen in Europa verantwortlich (Europäische Kommission, 2014). Der überwiegende Teil davon entfällt auf den Straßenverkehr. Deshalb wurde für europäische Automobilhersteller die Vorgabe erlassen, den durchschnittlichen Flottenausstoß bis 2020 auf 95 Gramm CO2 pro Kilometer zu senken. Für eine erfolgreiche Umsetzung der EU-Vorgaben ist ein Wandel in der Individualmobilität daher unabdingbar. Infolgedessen wird in letzter Zeit vermehrt an Alternativen zu den konventionellen Antrieben geforscht. Auf der politischen Agenda vieler Länder steht dabei die Elektromobilität ganz oben. Sie zeichnet sich unter anderem durch effiziente Motoren mit Wirkungsgraden von rund 90 % - im Vergleich zu maximal 40 % bei Verbrennungsmotoren – aus (Öko-Institut e.V., 2011). Darüber hinaus verursachen Elektrofahrzeuge (Electric vehicle, EV) im Betrieb selbst keine Emissionen und können helfen, die Importabhängigkeit von Erdöl zu vermindern.

Die Hypothese, dass EV einen signifikanten Beitrag zum Klimaschutz leisten können, basiert allerdings auf der starken Annahme, dass der Strom, mit dem diese in Zukunft geladen werden, aus CO2-armer Produktion stammt. Dies ist eine keineswegs triviale Unterstellung, da beispielsweise der durchschnittliche CO2-Ausstoß im deutschen Strommix bei knapp 600 Gramm je erzeugter Kilowattstunde liegt (Umweltbundesamt, 2014). Auch die zukünftige globale Entwicklung ist schwer abzuschätzen, da weltweit sehr heterogene Erzeugungsstrukturen und Entwicklungsrichtungen vorliegen. In Deutschland zeigen sich hier verschiedene, teilweise gegenläufige Tendenzen. Auf der einen Seite gibt es massive Förderungen für Strom aus CO2-armen Erneuerbaren Energien, auf der anderen Seite führt das bis 2022 geplante Abschalten aller deutschen Atomkraftwerke unweigerlich zu einer Erhöhung des durchschnittlichen CO2-Ausstoßes des deutschen Kraftwerkparks. Das Öko-Institut e.V. (2011) kommt in einer Studie zudem zu dem Schluss, dass durch „den zusätzlichen Verbrauch der Elektrofahrzeuge […] nicht einfach mehr Strom mit durchschnittlicher Emissionsintensität produziert [wird], sondern besonders CO2-intensiver Strom.“

Demzufolge ist es von großer Bedeutung, den Ladeprozess von EV genauer zu untersuchen und die Auswirkungen und potentiellen Vorteile zunehmend verbreiteter Elektromobilität zu analysieren. Dies erhält weiteres Gewicht wenn berücksichtigt wird, dass EV heute in der Produktion nicht unbedingt eine bessere Emissionsbilanz vorweisen als konventionelle PKW (Michaelis et al., 2012).

Ein zusätzliches Argument für die genaue Betrachtung der Emissionen beim Laden von EV ist der Mechanismus der Durchschnittsberechnung bei der EU-Vorgabe für Flottenwerte bis 2020. EV werden dabei generell mit 0 g/km veranschlagt und sogar doppelt gewichtet (VCD - Verkehrsclub Deutschland, 2013). Dadurch sinkt bei einer zunehmenden Zahl an EV der Anreiz für Autohersteller, konventionell betriebene Fahrzeuge effizienter zu machen. Wenn die vorhandenen EV dann zusätzlich nicht CO2-sparsam geladen werden, kann dies nach Öko-Institut e.V. (2011) dazu führen, dass insgesamt mehr CO2 ausgestoßen wird, als ohne EV.

Die Elektrifizierung des Individualverkehrs ist daher kein Selbstzweck, sondern muss vielmehr – soll sie umweltpolitischen Zielsetzungen entsprechen – umfassend analysiert und gesteuert werden.

2.2 Zielsetzungen der Arbeit

Die Zielsetzung dieser Bachelorarbeit lautet, im Rahmen einer Well-to-Tank-Betrachtung eine Ladestrategie zu entwickeln und zu implementieren, die darauf abzielt, dass EV in Frankreich und Deutschland in der Zukunft mit Strom geladen werden, bei dessen Produktion möglichst wenig CO2 entsteht. Dazu werden drei aufeinander aufbauende Aufgabenstellungen bearbeitet.

Zunächst soll die Entwicklung des Marktes für EV in den beiden Ländern untersucht werden. Mit Hilfe des Diffusionsmodells von Bass wird das Hochlaufen der Märkte auf aggregierter Ebene betrachtet. Ziel ist, eine möglichst plausible Voraussage über die Entwicklung der EV-Bestände der beiden Länder zu tätigen.

Ergänzend dazu wird ein nichtlineares Regressionsmodell genutzt, um Substitutions-wahrscheinlichkeiten der heute vorhandenen konventionellen Fahrzeuge zu bestimmen und genauere Informationen über das Fahrverhalten der Nutzer dieser Fahrzeuge zu erhalten. Hier steht die Absicht im Zentrum, möglichst detaillierte Informationen über die in Zukunft vorhandenen EV und deren Betrieb zu erhalten.

Im dritten Schritt sollen die Auswirkungen der zunehmenden Elektromobilität unter verschiedenen Ladestrategien auf die Elektrizitätsmärkte simuliert und analysiert werden. Dabei werden für das Referenzjahr 2030 für Frankreich und Deutschland Simulationen mit der Software PowerACE durchgeführt. Unter Berücksichtigung der EV-Nachfrage werden vor allem kurzfristige Auswirkungen auf den Kraftwerkseinsatz abgeleitet. Auf Basis der Simulationen sollen die Ladeszenarien mit gezielter CO2-Reduktion mit dem Referenzfall ungesteuerten Ladens verglichen und potentielle Einsparungen herausgearbeitet werden.

Abschließend soll eine Diskussion und kritische Reflexion der Ergebnisse stattfinden und ein Ausblick auf mögliche anschließende Forschungsarbeiten gegeben werden.

3. Adoption und Diffusion von Elektrofahrzeugen

3.1 Begriffe und Modelle

Die Diffusionstheorie beschreibt die Ausbreitung einer Innovation im Laufe der Zeit. Sie besteht aus zwei grundlegenden Teilen: Diffusion und Adoption. Diffusion beschreibt die Verbreitung einer Innovation auf aggregierter Ebene, also mit Blick auf einen gesamten Markt.

„Diffusion is the process in which an innovation is communicated through

certain channels over time among members of a social system.”

(Rogers, 1962, S. 5)

Diffusionsmodelle betrachten demnach die absoluten Zahlen, ohne eine genauere Aufschlüsselung.

Adoption dagegen bezeichnet die Annahme, beziehungsweise Ablehnung, einer Innovation durch eine einzelne Person, also auf individueller Ebene.

„Der Begriff Adoption steht für den schrittweisen Prozess der Übernahme (Adoption)

einer Innovation, […] durch einen Nachfrager“

(Homburg, 2012, S. 578)

Hierbei handelt es sich laut Schmidt (2009) um einen fünfstufigen Prozess, vom ersten Bewusstsein einer Person über ein innovatives Produkt, über Interesse, Bewertung und Versuch bis hin zur Entscheidung. Eine Innovation kann dabei eine neuartige Idee, eine Technologie oder ein neues Produkt sein.

In der Theorie werden nach Rogers (1962) abhängig vom Zeitpunkt der Adoption einer Innovation fünf Gruppen von Adoptierenden unterschieden. Diese zeichnen sich durch unterschiedliche Innovationsneigungen und soziale Charakteristika aus. Innovatoren gelten als die Gruppe, die Innovationen als erste übernimmt und damit in das soziale System einführt. Sie machen 2,5 % des Gesamtmarktes aus und gelten als risikobereit, offen für Neues und finanziell gut ausgestattet. Früher Adoptierende zeichnen sich durch ihren hohen sozialen Status als die führenden Meinungsmacher aus. Sie haben generell ein eher höheres Bildungsniveau und ausreichend Kapital. Ihr Anteil am Markt beträgt 13,5 %. Darauf folgt die Frühe Mehrheit mit 34 % der Marktanteile. Deren Mitglieder haben viele soziale Kontakte zu den Frühen Adoptierenden, überdurchschnittlichen sozialen Status und handeln überlegt. Danach wird die Innovation von der Späten Mehrheit übernommen, welche ebenfalls 34 % ausmacht und als skeptischer gegenüber Neuerungen gilt und unterdurchschnittlichen sozialen und finanziellen Status hat. Die letzte Gruppe bilden die Nachzügler, welche als eher traditionsorientierte Skeptiker gelten und häufig den niedrigsten sozialen Status sowie die geringsten finanziellen Mittel haben. Sie übernehmen eine Innovation als letzte und machen 16 % des Marktes aus.

Durch Aggregation der Nachfrage der verschiedenen Gruppen über den Zeitverlauf ergibt sich die Adoptionskurve, welche die zu einem bestimmten Zeitpunkt stattfindenden Adoptionen abbildet und einer Normalverteilung entspricht. Integrieren der Adoptionskurve liefert die Diffusionskurve, die die Summe aller Adoptionen bis zu einem bestimmten Zeitpunkt darstellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Diffusionskurve und Adoptionskurve einer Innovation

Es gibt heute eine Vielzahl an Diffusionsmodellen, die sich nach den jeweils zugrunde liegenden Annahmen kategorisieren lassen. Beispielhaft seien hier die drei fundamentalen Diffusionsmodelle genannt, welche die Basis der meisten Modelle bilden. Das sind zum Einen External-Influence-Modelle, welche schwerpunktmäßig die externen Einflüsse auf die Kaufentscheidung untersuchen und damit ausdrücklich nur das innovatorische Kaufverhalten mit einbeziehen (Louis & Woodlock, 1960). Dem gegenüber stehen Internal-Influence-Modelle, die den Fokus auf interne Einflussfaktoren legen und folglich das imitatorische Kaufverhalten betrachten (Mansfield, 1961). Eine Synthese dieser beiden Modelle bilden Mixed-Influence-Modelle, welche sowohl innovatorische als auch imitatorische Bestandteile beinhalten (Bass, 1969).

In diesem Fall wurde ein Markt mit einem homogenen Produkt betrachtet, das heißt, es wurde nicht zwischen verschiedenen EV-Modellen differenziert. Außerdem wurden vor allem Erstkäufe betrachtet und der Prozess der Entscheidung vernachlässigt. Hierfür eignet sich das Bass-Modell sehr gut, welches für die Vorhersage von Erstkäufen von Gebrauchsgütern entwickelt wurde. Es ist eines der am meisten genutzten Modelle in diesem Bereich, und eignet sich, wie von Sultan et al. (1990) gezeigt, ebenfalls sehr gut für langlebige Gebrauchsgüter, zu denen auch PKW zählen.

Da das Bass-Modell allerdings nicht die Heterogenität der Konsumenten berücksichtigt, wird zusätzlich ein logistisches Regressionsmodell herangezogen, welches ergänzend die Adoption der EV auf individueller Ebene untersucht. Das Modell wurde basierend auf Befragungsergebnissen im Rahmen des deutsch-französischen Projekts Cross Border Mobility for Electric Vehicles (CROME) geschätzt. Bei einer Anwendung auf den deutschen EV-Markt lieferte es bereits gute Ergebnisse, sodass es sehr geeignet dafür erscheint, auch für den französischen Markt relevante Aussagen zu treffen.

Die beiden Modelle werden im Folgenden vorgestellt und anschließend auf die vorliegenden Daten angewandt. Schließlich werden die Ergebnisse dargestellt und diskutiert.

3.2 Das Diffusionsmodell nach Bass

3.2.1 Einführung

Das Modell nach Bass (1969) gehört zu der Gruppe der Mixed-Influence-Modelle und ist bis heute eines der am meisten verbreiteten Modelle zur Diffusion von Innovationen. Grundlegende Annahme des Modells ist, dass die Wahrscheinlichkeit eines Kaufs – gegeben, dass das Produkt noch nicht adoptiert wurde – linear abhängig ist von der Anzahl der bisherigen Käufer.

„The probability that an initial purchase will be made at T given that no purchase has yet been made is a linear function of the number of previous buyers.” (Bass, 1969, S. 3)

Mathematisch ausgedrückt, gilt für die Wahrscheinlichkeit eines Kaufs zum Zeitpunkt t:

Abbildung in dieser Leseprobe nicht enthalten

mit

F(t): kumulierte Anzahl an Käufen bis Zeitpunkt t

p: Innovationskoeffizient

q: Imitationskoeffizient

t: Zeitpunkt

Eine Annahme dabei ist, dass alle potentielle Kunden in die zwei Gruppen Innovatoren und Imitatoren eingeteilt werden können. Die Innovatoren adoptieren die Innovation aus anderen Gründen als die Imitatoren. Erste tätigen ihre Kaufentscheidung ohne Berücksichtigung der bisherigen Anzahl an Käufern, das heißt ohne externen Einfluss. Die Gruppe der Imitatoren beinhaltet die Untergruppen Früher Adoptierende, Frühe und Späte Mehrheit und Nachzügler. Sie lassen sich maßgeblich von der Zahl der bisherigen Adoptionen beeinflussen. Dieser Sachverhalt wird durch einen Innovationskoeffizienten , beziehungsweise Imitationskoeffizienten beschrieben. Diese Parameter können mit verschiedenen Methoden geschätzt werden, unter anderem mittels Nichtlinearer Regression (NLS).

Für den Absatz eines Produkts in Periode gilt:

Abbildung in dieser Leseprobe nicht enthalten

mit

xt: Absatz des Produkts in Periode t

p: Innovationskoeffizient

q: Imitationskoeffizient

m: Marktpotential

t: Zeitpunkt

Xt-1: Bestand in Periode t-1

Durch Umformen ergibt sich eine Differentialgleichung, welche die Diffusion einer Innovation beschreibt.

Abbildung in dieser Leseprobe nicht enthalten

mit

F(t): kumulierte Anzahl an Käufen bis Zeitpunkt t

p: Innovationskoeffizient

q: Imitationskoeffizient

m: Marktpotential

t: Zeitpunkt

3.2.2 Anwendung und Ergebnisse

Um ein plausibles Diffusionsszenario zu entwickeln, werden historische Daten zu den Fahrzeugbeständen genutzt. Diese zeigen für beide Länder bis 2009 sehr geringe, weitestgehend konstante Werte. In den letzten Jahren entwickelte sich zunehmendes Wachstum, welches in Frankreich dynamischer ausgeprägt war als in Deutschland.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Entwicklung der Bestandszahlen von Elektro-PKW (eigene Darstellung nach Ministère de l’Écologie, du Développement Durable et de l'Energie (2015) und Kraftfahrt-Bundesamt (2015))

Als weitere Datenpunkte für das Modell werden die politischen Ziele der Regierungen genommen. So strebt die Bundesregierung (2009) an, bis 2020 mindestens eine Million EV und bis 2030 mindestens fünf Millionen EV auf deutschen Straßen zu haben. Die französische Regierung hat als Ziele zwei Millionen (bis 2020) beziehungsweise 4,5 Millionen (bis 2025) vorgegeben (L'Usine Nouvelle, 2009).

Es wurden die historischen Werte ab dem Jahr 2009 berücksichtigt, da 2008 mit dem Tesla Roadster das erste EV-Modell mit Lithium-Ionen-Akku auf den Markt kam (Tesla Motors Inc., 2008) und sich ab diesem Zeitpunkt die ersten nennenswerten Zuwächse bei den EV-Beständen zeigten.

Das Marktpotential wurde für beide Länder geschätzt. Die grundlegende Annahme ist, dass alle vorhandenen PKW im Lauf der Zeit aufgrund der natürlich begrenzten Ölressourcen, aus Umweltschutzgründen und zur Reduktion der Importabhängigkeit durch alternative Antriebe ersetzt werden. Unter der Annahme, dass heutige Probleme, wie begrenzte Reichweiten, hohe Preise für Batterien und unvollständige Ladeinfrastruktur gelöst werden, wird postuliert, dass langfristig alle Fahrzeuge in Deutschland und Frankreich mit elektrischem Antrieb fahren werden. Hier ist anzumerken, dass es sich um eine Hypothese handelt, die mit Unsicherheiten behaftet ist. Die momentan stattfindende politische Förderung und verstärkte Forschung im Bereich der Elektromobilität unterstützen diese Hypothese aber.

Für die Parameter und werden zwei Fälle betrachtet und anschließend das Szenario mit den plausibleren Werten ausgewählt. Zum einen wurden Werte aus dem amerikanischen Markt übernommen und die Diffusion damit gemäß der obigen Formel modelliert. Dieses Vorgehen ist gerechtfertigt, wenn man argumentiert, dass sich der französische und deutsche Markt nicht signifikant vom amerikanischen unterscheidet. Die Parameterwerte aus Yuhui & Guiping (2012) wurden auf Basis der amerikanischen Bestandszahlen von 1999 bis 2008 berechnet.

Abbildung in dieser Leseprobe nicht enthalten

Als zweite Alternative wurde mittels des Levenberg Marquardt Iterationsalgorithmus in OriginLabs‘ OriginPro 9.1 ein nichtlinearer Fit bestimmt. Dabei wurden die historischen Daten von 2009 bis 2013, die zwei in der Zukunft liegenden politischen Zielwerte und die Diffusionsgleichung genutzt. Bei der Berechnung der Fits mit zwei vorgegebenen Zielwerten (2020 und 2025 für Frankreich, beziehungsweise 2020 und 2030 für Deutschland) kam es allerdings zu unrealistisch hohen Zuwächsen in der nahen Zukunft. Deshalb wurden die Fits alternativ mit nur einem Zukunftswert berechnet und dann das Szenario mit dem realistischeren Ergebnis gewählt.

Die kurzfristigeren Zielvorgaben der beiden Länder können als sehr ehrgeizig bezeichnet werden. Insbesondere liefert das Model mit diesen Werten für die Jahre 2009 bis 2014 durchweg viel höhere Zulassungszahlen, als historisch tatsächlich beobachtet werden konnten. Deshalb fiel die Wahl auf die Szenarien mit den weiter entfernten Zielwerten. Deren Erreichen scheint realistischer, auch weil auf lange Sicht weitere Preisrückgänge zu höheren Zulassungszahlen führen könnten.

Mit dieser Anpassung liefert der Nichtlineare Bass-Modell-Fit sehr gute Bestimmtheitsmaße. Die errechneten Werte für die Parameter erscheinen im Vergleich zu den amerikanischen Werten für EV und anderen Parameterwerten von technischen Innovationen plausibel.

3.2.2.1 Ergebnisse für Frankreich

Als Marktvolumen wurde der Fahrzeugbestand in Frankreich von 2012 angenommen (La Tribune, 2012).

Abbildung in dieser Leseprobe nicht enthalten

Mit den Formeln und wurden damit die Neuzulassung und die Entwicklung der EV-Bestände bis 2050 berechnet, wobei der Höhepunkt der Adoptionen im Jahr 2029 liegt. Abbildung 3 zeigt grafisch die Ergebnisse der Berechnungen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Adoption und Diffusion in Frankreich mit amerikanischen Parameterwerten

Der nichtlineare Fit in OriginPro konvergiert und liefert nach 360 Iterationen Schätzungen für Innovations- und Imitationsparameter.

Abbildung in dieser Leseprobe nicht enthalten

Im Vergleich mit den amerikanischen Werten zeigt sich, dass der Innovationskoeffizient kleiner ist, während der Imitationskoeffizient etwas größer ist. Die Abweichungen sind jedoch relativ gering und die Ergebnisse können somit als plausibel betrachtet werden. Sultan et al. (1990) berechnen in einer Metaanalyse durchschnittliche Parameterwerte von 213 Anwendungsfällen und erhalten als Ergebnis 0.03 ( ) und 0.38 ( ). In Bezug dazu weicht der hier berechnete Innovationskoeffizient recht stark vom Durchschnitt ab, wohingegen der Imitationskoeffizient durchaus schlüssig erscheint. Der im Vergleich eher kleine Innovationskoeffizient lässt sich eventuell mit den außergewöhnlich hohen Anschaffungskosten für EV im Vergleich zu anderen Innovationen begründen.

Als Standardfehler ergaben sich 8,92045E-7 für p und 0,0044 für q. Desweiteren liefert der Fit mit R² = 1 einen perfekten Wert für das Bestimmtheitsmaß. Dabei muss jedoch angemerkt werden, dass der Fit auf der Basis von lediglich sieben Datenpunkten berechnet wurde – von denen einer zudem ein Zielwert in der Zukunft ist – und deshalb nichttriviale Unsicherheiten bezüglich der Werte vorliegen, welche die Aussagekraft der Ergebnisse beschränken. Abbildung 4 zeigt die resultierende Fitting-Kurve.[1]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Diffusion der Elektromobilität in Frankreich mit geschätzten Parameterwerten

Bei einer vergleichenden Betrachtung zeigt sich zunächst, dass die Marktentwicklung im Szenario mit amerikanischen Parametern deutlich dynamischer verläuft. Da die bisherige Entwicklung des EV-Markts in den letzten Jahren eher unter den Erwartungen lag, scheint das Modell mit geschätzten Parametern die Diffusion in der nahen Zukunft realistischer abzubilden. Deshalb wurde es als plausiblere Variante ausgewählt und für die folgenden Simulationen herangezogen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5: Entwicklung der EV-Bestände in Frankreich

Die Neuzulassungen pro Jahr sanken laut (Ministère de l’Écologie, du Développement Durable et de l'Energie, 2015) in Frankreich nach einem Maximum von etwa 2,3 Millionen im Jahr 1990 in den letzten Jahren unter die Zwei-Millionen-Grenze. Sowohl mit amerikanischen Parametern (2029: 3.603.262), als auch mit den geschätzten Parametern (2028: 4.101.775) liegen die Maxima der vorhergesagten Neuzulassungen weit darüber. Dies scheint auf den ersten Blick unrealistisch, könnte allerdings durch eine politische Förderung von EV erklärt werden. Außerdem verheißt die demographische Entwicklung Frankreichs ein leichtes Wachstum der Bevölkerung (Institute national de la statistique et des études économiques, 2015), was die Erklärung unterstützt.

3.2.2.1 Ergebnisse für Deutschland

Analog zum Vorgehen für die französischen Werte wurde die Diffusion von EV in Deutschland bestimmt. Hier wurden ebenfalls ein Fall mit amerikanischen Parameterwerten und ein Fall mit durch einen Nichtlinearen Fit bestimmten Werten berechnet. Da in Ensslen et al. (2014) bereits ein Nichtlinearer Fit bestimmt wurde, wurde auf diese Ergebnisse aufgebaut. Als Marktpotential wurde der Fahrzeugbestand in Deutschland von 2014 zugrundegelegt (Kraftfahrt-Bundesamt, 2014a).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 6: Adoption und Diffusion in Deutschland[2]

Die Resultate mit amerikanischen Parametern sagen für 2020 etwa 750.000 EV voraus, dies scheint grob in Einklang mit einer Studie des Öko-Institut e.V. (2011), die bis 2020 einen Bestand von etwa 550.000 EV vorhersagt. Die Zahlen von Ensslen et al. (2014) liegen deutlich darunter.

Aus den Abbildungen 6 und 7 geht die unterschiedliche Dynamik der Diffusion in den zwei betrachteten Szenarien hervor. Laut dem Szenario mit geschätzten Parametern wird das politische Ziel von 5 Millionen EV 2030 mit 4.991.904 elektrischen PKW knapp nicht erreicht. Im Fall der amerikanischen Parameter würde es weit übertroffen. In dieser Hinsicht scheint das geschätzte Szenario weitaus plausibler.

Weiter ist ersichtlich, dass sich die Bestände in näherer Zukunft im Szenario mit den NLS-Parametern wesentlich langsamer entwickeln. Im Hinblick auf die historisch beobachtbaren Werte aus vergangenen Jahren scheinen sie die tatsächliche Entwicklung des Markts besser vorherzusagen. Folglich werden sie für die weiteren Simulationen herangezogen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 7: Entwicklung der EV-Bestände in Deutschland

Es fällt auch in diesem Fall auf, dass die prognostizierten Neuzulassungen für EV teilweise weit über den Vergangenheitswerten von konventionellen PKW liegen. 2014 wurden in Deutschland etwa 3,0 Mio. PKW neu zugelassen. Die maximal prognostizierten Zulassungswerte von bis zu 4,9 Mio. (2029, amerikanische Werte) beziehungsweise 3,9 Mio. (2036, NLS Parameter) liegen deutlich darüber. Begründet werden könnte dieses Phänomen auch hier durch eine politische Förderung, die – ähnlich der Abwrackprämie 2009 (Kraftfahrt-Bundesamt, 2014b) – zu vorübergehend höheren Zulassungszahlen führt.

Damit liegen für beide Länder Prognosen vor, auf deren Basis weitere Untersuchungen durchgeführt werden können.

3.3 Bestimmung individueller Kaufwahrscheinlichkeiten mittels Logit-Modell

Um die Auswirkungen der EV-Diffusion auf die Elektrizitätsmärkte korrekt abbilden zu können, ist die alleinige Betrachtung der aggregierten Zahlen nicht ausreichend. Für mittelfristige Untersuchungen interessiert es beispielsweise, welche bestimmten Personengruppen ihren PKW als erste durch ein EV ersetzen, also als Innovatoren und Frühe Adoptierende auftreten. Aus detaillierten Informationen zu deren Fahrverhalten – beispielsweise den Standzeiten und Standorten der Autos und den durchschnittlich gefahrenen Distanzen pro Tag – kann die Stromnachfrage im Zeitverlauf sehr viel genauer modelliert werden. Auch bei der Entwicklung einer CO2-reduzierenden Ladestrategie ist das Wissen über die individuellen Nutzer von großer Bedeutung. Infolgedessen wurde im Folgenden mittels eines logistischen Regressionsmodells das individuelle Käuferverhalten genauer untersucht.

3.3.1 Das logistische Regressionsmodell

Der Adoptionsprozess auf individueller Ebene kann auf verschiedene Arten dargestellt werden. Ein Ansatz ist das Ermitteln von Kaufwahrscheinlichkeiten für alle potentiellen Kunden mittels eines Logit-Modells. Dabei werden Wahrscheinlichkeiten für die zwei Ereignisse Kauf und Nicht-Kauf berechnet. Jeder einzelnen Person wird als Resultat eine Wahrscheinlichkeit zugeordnet, mit der sie das jeweilige Produkt erwirbt. Dieser individuelle Wert wird mittels einer logistischen Regression errechnet. Im allgemeinen Fall gilt folgender Zusammenhang:

Abbildung in dieser Leseprobe nicht enthalten

mit

y: abhängige Variable, repräsentiert potentielle Kaufwahrscheinlichkeit innerhalb der nächsten Jahre (y = 1: Kauf, y = 0: Nichtkauf)

z: Variable in Abhängigkeit von xik

β0, βi: Regressionskoeffizienten

xik: Variablen

uk: Störterm

Das hier angewandte Modell von Ensslen et al. (2014) wurde auf Basis des CROME-Projekts erstellt und basiert auf der Befragung von 180 Teilnehmern aus Frankreich und Deutschland. Aus den Antworten der Umfrage wurde ein binäres Regressionsmodell erstellt, welches die Wahrscheinlichkeit, ein EV zu kaufen in Abhängigkeit von zehn Variablen ( , …, ) beschreibt. Der Störterm uk wird auf null gesetzt. Die Regressionsparameter wurden anhand der Studie geschätzt.

Reisedistanz an (Arbeits-) Tag (0: < 50km / 1: ≥ 50km)

Flottenmanager und -nutzer (0: Nein / 1: Ja)

Individuum hat bei 1-2 Fahrten als Fahrer oder Passagier Erfahrungen mit EV gemacht (0: Nein / 1: Ja)

Befragter hat bisher noch keine Erfahrungen mit EV gemacht (0: Nein / 1: Ja)

Nettomonatseinkommen des Haushalts < 4000 € (0: Nein / 1: Ja)

Nettomonatseinkommen des Haushalts ≥ 4000 € (0: Nein / 1: Ja)

Nutzungshäufigkeit des Autos: 1-3 Tage pro Woche (0: Nein / 1: Ja)

Nutzungshäufigkeit des Autos: höchstens 1-3 Tage pro Monat (0: Nein / 1: Ja)

Nationalität des Befragten: Französisch (0: Nein / 1: Ja)

Anzahl Autos im Haushalt (1: 1, 2: 2, 3: 3, 4: 4, ≥5: 5)

Ein positiver Koeffizient einer Variable bedeutet, dass ein positiver Zusammenhang der Variable mit und besteht. Das heißt zum Beispiel, dass Personen, die das Auto höchstens 1-3 Tage pro Monat nutzen, eine höhere Wahrscheinlichkeit haben, ein EV zu erwerben.

Weiter gilt, dass Personen mit höherer Kaufwahrscheinlichkeit das Produkt früher erwerben als Personen mit niedriger. In Ensslen et al. (2014) wird angenommen, dass ein Kauf bis 2022 ab einer prognostizierten Kaufwahrscheinlichkeit von über 50% wahrscheinlicher ist als ein Nicht-Kauf und somit zur Adoption des Produktes führt.

3.3.2 Anwendung des Modells auf den französischen Markt für EV

Im Folgenden wurde das oben eingeführte Logit-Modell auf einen französischen Datensatz angewendet, um Kaufwahrscheinlichkeiten für EV in Frankreich zu ermitteln. Dazu wurde auf Daten der Mobilitätsstudie „Enquête nationale transport et déplacements (ENTD)“ zurückgegriffen, die in den Jahren 2007 und 2008 vom „Service de l’Observation et des Statistiques“ und dem „Institut national de la statistique et des études économiques“ durchgeführt wurde. Die verfügbaren Daten sind umfangreich, jedoch für die Anwendung des Modells nur bedingt geeignet, da nicht alle Variablen des Modells explizit in der Umfrage erhoben wurden. Deshalb mussten manche Variablen des Modells unter bestimmten Annahmen geschätzt werden. Außerdem wurde eine Regewichtung der erhaltenen Werte durchgeführt, um die Repräsentativität der Ergebnisse zu gewährleisten.

3.3.2.1 Variablen

Für die Bestimmung der Variablenwerte wurden detaillierte Daten des „Ministère de l’Écologie, du Développement Durable et de l'Énergie“ (2011) genutzt. Darin enthalten sind 19 Tabellen, ein Methodenbericht, der Fragebogen und eine Liste mit allen Variablen. Von den zur Verfügung stehenden Datentabellen waren fünf im Rahmen dieser Arbeit relevant.[3]

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Übersicht der benutzten Datensätze (nach (Enquête nationale transport et déplacements 2007-2008, 2008))

Für wurde der Datensatz K_deploc genutzt. Dieser beinhaltet alle Fahrten, die ein zufällig ausgewähltes Mitglied eines Haushalts an einem Stichtag im Umkreis von 80 km seines Wohnorts unternommen hat. Es wird angenommen, dass dieser Radius im täglichen Gebrauch nur in sehr wenigen Fällen überschritten wird, sodass die Betrachtung der Fahrten auf K_deploc ausreichend ist. Mit der Variable V2_MDISTTOT wurde die von einem Individuum an einem zufälligen Stichtag durchgeführten Fahrten betrachtet und die zurückgelegten Distanzen aufsummiert. Die Variable V2_JOUR_DEP wurde dabei berücksichtigt, um bei der späteren Simulation zwischen Wochentagen und Wochenendtagen unterscheiden zu können. Durch die Variable V2_MORIPAYS wurde sichergestellt, dass nur Fahrten im Inland (also keine Urlaubsfahrten) beachtet wurden. Da all diese Werte in der ENTD nur für eine zufällig ausgewählte Person pro Haushalt erhoben wurden, konnte auf diesem Weg nur für 35 % der befragten Individuen Werte für ermittelt werden. Diese 17.673 Datensätze sind dennoch ausreichend, da der Datenbestand insgesamt sehr groß ist und die Personen zufällig ausgewählt worden waren.

Analog dazu wurde außerdem auf Fahrzeugebene berechnet, wobei als Schlüssel jeweils nicht das Individuum, sondern das genutzte Fahrzeug benutzt wurde. Dies war möglich, weil für jede mit einem Fahrzeug durchgeführte Fahrt das jeweils genutzte Fahrzeug angegeben war. In diesem Fall konnten Werte für 11.981 der insgesamt 28.233 Fahrzeuge bestimmt werden, also für 42 %.

Da zu (Flottenmanager und -nutzer (0: Nein / 1: Ja)) keine Informationen aus der Befragung vorlagen und der Anteil der Flottenmanager an der französischen Gesamtbevölkerung als sehr gering angenommen werden kann, wurde die Variable für alle Individuen und Fahrzeuge auf 0 gesetzt.

Auch zu (Individuum hat bei 1-2 Fahrten als Fahrer oder Passagier Erfahrungen mit EV gemacht (0: Nein / 1: Ja)) gab es keine expliziten Daten. Da EV 2007 noch sehr wenig verbreitet waren und die Personen, die ein EV besaßen höchstwahrscheinlich mehr als 1-2 Fahrten damit gemacht hatten, wurde die Variable für alle Individuen und Fahrzeuge auf 0 gesetzt.

Um Werte für (Befragter hat bisher noch keine Erfahrungen mit EV gemacht (0: Nein / 1: Ja)) zu bestimmen, wurde ebenfalls die Annahme vertreten, dass nur eine sehr geringe Zahl an Personen im Jahr 2007 Erfahrungen mit EV gemacht hat. Da EV zu der Zeit als Leih- und Firmenwagen noch äußerst selten waren, wurde die Annahme gemacht, dass nur Personen Erfahrungen mit EV hatten, die selbst eines besaßen. Dazu wurde die Variable V1_KEN aus dem Datensatz Qr_voitvul genutzt, die den Kraftstoff eines Fahrzeugs angibt. Bis auf sieben Haushalte, die zum Zeitpunkt der Befragung ein EV besaßen, erhielten alle Individuen und Fahrzeuge den Wert 1.

Das Haushaltseinkommen, relevant für (Nettomonatseinkommen des Haushalts < 4000 € (0: Nein / 1: Ja)) und (Nettomonatseinkommen des Haushalts ≥ 4000 € (0: Nein / 1: Ja)), wurde in der ENTD in der Tabelle Q_tcm_menage klassiert in 14 Stufen erfragt. Da lediglich das Bruttoeinkommen („TrancheRevenuMensuel“) angegeben war, wurden unter Berücksichtigung des französischen Steuersystems zunächst die „Steuereinheiten“ in jedem Haushalt berechnet. Dabei gilt: eine erwachsene Person zählt als eine Einheit, das erste Kind ebenfalls als eine Einheit und jedes weitere Kind als eine halbe Einheit. Das Haushaltseinkommen wurde dementsprechend durch die Steuereinheiten pro Haushalt geteilt und danach der progressive Einkommenssteuersatz angewandt. Dies wurde für die Unter- und Obergrenzen der Klassen durchgeführt. Aus den so erhaltenen Nettowerten wurde der Mittelwert gebildet und allen Individuen im Haushalt dementsprechend 0 oder 1 zugeordnet.

Die Variable (Nutzungshäufigkeit des Autos: 1-3 Tage pro Woche (0: Nein / 1: Ja)) war nicht in den Datensätzen der ENTD enthalten und wurde über zwei Umwege und unter Zuhilfenahme einiger Annahmen erarbeitet. Dabei wurden die Datensätze Q_ind_lieu_teg und Q_menage genutzt. Zum einen wurden alle Personen betrachtet, die ein Auto nutzten, um in die Arbeit zu fahren. Fuhren diese mehr als drei Mal pro Woche zur Arbeit, konnte ihnen bereits eine 0 zugeordnet werden. Da auf diesem Weg lediglich Berufspendler berücksichtigt werden konnten, musste, um einen massiven Bias in den Datensätzen zu vermeiden, auf einem zweiten Weg dafür gesorgt werden, dass weiteren Individuen Werte zugewiesen werden konnten. Dies wurde über das Nutzungsverhalten der Haushalte gelöst. Die Variablen „V1_JPASVOIT_A“ bis „V1_JPASVOIT_L“ geben an, ob ein Haushalt das Auto für bestimmte Zwecke nutzt (Ja = 1, Nein = 0):

A: Fahrten zu öffentlichen Verkehrsmitteln

B: Fahrten zur Arbeit

C: Fahrten während der Arbeit

D: Fahrten zur Arbeitssuche und Vorstellungsgesprächen

E: Fahrten zum Einkaufen

F: Fahrten, um die Kinder in die Schule zu bringen

G: Fahrten, um die Kinder zu anderen Anlässen zu bringen

H: Fahrten, um Freunde oder Eltern zu besuchen

I: Nutzung für Freizeitzwecke und Fahrten zu Veranstaltungen

J: Urlaubs- und Spazierfahrten

K: Fahrten zum Zweitwohnsitz

L: für sonstige Zwecke

[...]


[1] Eine Tabelle mit allen detaillierten Ergebnissen befindet sich im Anhang.

[2] Eine Tabelle mit allen detaillierten Ergebnissen befindet sich im Anhang.

[3] Eine Übersicht aller vorhandenen Datensätze befindet sich im Anhang.

Ende der Leseprobe aus 41 Seiten

Details

Titel
Entwicklung und Implementierung einer Ladestrategie zur Reduktion von CO2-Emissionen elektrischer PKW in Frankreich und Deutschland
Hochschule
Karlsruher Institut für Technologie (KIT)
Note
1,3
Autor
Jahr
2015
Seiten
41
Katalognummer
V335100
ISBN (eBook)
9783668249363
ISBN (Buch)
9783668249370
Dateigröße
1921 KB
Sprache
Deutsch
Schlagworte
Elektromobilität, Strommarkt, Energiemärkte, CO2, Emissionen, Ladestrategie
Arbeit zitieren
B. Sc. Frederik vom Scheidt (Autor), 2015, Entwicklung und Implementierung einer Ladestrategie zur Reduktion von CO2-Emissionen elektrischer PKW in Frankreich und Deutschland, München, GRIN Verlag, https://www.grin.com/document/335100

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Entwicklung und Implementierung einer Ladestrategie zur Reduktion von CO2-Emissionen elektrischer PKW in Frankreich und Deutschland



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden