The Green Wave - does it only reduce stress or emissions as well? : An agent-based microperspective of a traffic model in Graz
Die CO2-Emissionen bilden einen wesentlichen Teil der Treibhausgase, welche einen Hauptfaktor der globalen Erwärmung darstellen. In den letzten Jahren weist der Transportsektor erhebliche Anstiege der CO2-Emissionen auf. Die verkehrsbedingten CO2-Emissionen eines Straßenabschnittes der Stadt Graz werden ermittelt. Die Methodik basiert auf ein eigens entwickeltes agentenbasiertes Modell in NetLogo, das auf Basis fahrzeugspezifischer Daten (Größe, Antriebsart, Baujahr) sowie deren Treibstoffverbrauchsdaten und der Geschwindigkeit, die CO2-Emissionen ermittelt. Der Zweck des Modells liegt in der Ermittlung der CO2-Emissionen von Personenkraftwagen aufgrund ausgewählter Ampelschaltungsstrategien (aktuelle Ampelschaltung, Grüne Welle). Ergänzend dazu wird der Einfluss der Verkehrsdichte auf die Emissionen analysiert und unterschiedliche Politiken des Transportsektors, wie vermehrter Umstieg auf Elektroautos, betrachtet.Die Ergebnisse zeigen, dass eine Umstellung der aktuellen Ampelschaltung auf eine Grüne Welle mit 50 km/h zu einer Reduktion der CO2-Emissionen des Transportsektors beiträgt, wobei ein wesentlicher Einflussfaktor die durchschnittliche Geschwindigkeit der Autos darstellt. Diese Grüne Welle bringt Emissionseinsparung von rund 6%, wodurch das Verkehrsaufkommen bis zu diesem Wert steigen darf, damit die Grüne Welle noch besser als die aktuelle Ampelschaltung ist. Die Verkehrsdichte hat nur einen geringen Einfluss auf die Vorteilhaftigkeit der Grünen Welle. Die Simulation ausgewählter Verkehrspolitiken weist daraufhin, dass jede Politik das Potential hat, die Emissionen zu minimieren ohne den Vorteil der Grünen Welle zu schmälern. Eine der vielversprechendsten Politiken stellt der Umstieg auf Elektroautos dar.Durch die Flexibilität des Modells ist ein breites Spektrum an Erweiterungen denkbar, wie die Anwendung auf andere Städte oder der Einbeziehung weiterer Schadstoffe. ; CO2 emissions are part of greenhouse gases, which represent one of the main factors of global warming. In particular, the transport sector shows significant increases in CO2 emissions in recent years. The transport-related CO2 emissions of a road section of the city of Graz are determined. The methodology is based on a specially developed agent-based model in NetLogo, which calculates the CO2 emissions on the basis of vehicle-specific data, such as the size, engine type and year of construction, as well as their fuel consumption data and speed. The purpose of the model is to investigate the CO2 emis-sions of passenger cars based on selected traffic light strategies (current traffic light sys-tem and Green Wave). In addition, the influence of traffic density on CO2 emissions will be analysed and different policies of the transport sector, including the increased use of electric cars, will be examined. The results are collected and compared within the re-spective question.The results show that a change of the current traffic light system to a Green Wave with a speed of 50 km/h contributes to CO2 emissions reduction in the transport sector, with the average speed of vehicles being a major factor benefiting the Green Wave. This Green Wave saves about 6% in emissions, which means that traffic volumes can increase up to this level so that the Green Wave is even better than the current traffic light system. The traffic density has only a minimal influence on the benefits of the Green Wave. The simu-lation of selected transport policies indicates that each policy has the potential to minimise traffic-related emissions without adversely affecting the benefits of the Green Wave. One of the most promising policies is the switch to electric cars in cities.As the model is flexible, a wide range of extensions is possible, such as applying it to other cities or including other pollutants like particulate matter. ; submitted by Elisabeth Bloder, BSc ; Zusammenfassungen auf Deutsch und Englisch ; Karl-Franzens-Universität Graz, Masterarbeit, 2020 ; (VLID)5540470