Zu den Determinanten der Autonutzung: Anwendung eines Heckit-Schätzers

Abstract

Wir untersuchen die Entscheidungen von Personen für oder wider die Benutzung des Pkw. Im Unterschied zu den meisten Untersuchungen zum Thema Autonutzung gehen wir die Fragestellung aus zwei Blickwinkeln an: zum einen wird die diskrete Entscheidung untersucht, das Auto an einem bestimmten Tag zu benutzen – oder eben nicht –; zum anderen die kontinuierliche Entscheidung über die zurückgelegte Entfernung. Diese Einzelentscheidungen, die von einander abhängig sind, werden mittels eines Modells analysiert, das soziodemographische, geographische, infrastrukturelle, aktivitätenbasierte und ökonomische Merkmale berücksichtigt. Quer dazu beobachten wir, ob sich das Entscheidungsverhalten von Männern und Frauen unterscheidet. In den von uns verwendeten Daten finden sich annähernd 28 % von Personen, die einen Autoführerschein besitzen, in einem Haushalt mit Pkw-Besitz leben und das Auto an einem bestimmten Tag nicht nutzen. 59 % dieser Personen sind Frauen. Da wir die Determinanten der Autobenutzung und die gefahrenen Distanzen simultan modellieren wollen, legt die oben beobachtete Eigenheit der Daten die Anwendung eines Heckit-Modells nahe. Die Stärke dieses Modells liegt darin, dass es Verzerrungen der Stichprobenauswahl kontrolliert, die andernfalls aus dem Vorhandensein unbeobachtbarer Variablen entstehen könnten. Dadurch könnte sowohl die diskrete als auch die kontinuierliche Entscheidung der Autonutzung beeinflusst werden. Solche Verzerrungen treten durch die Möglichkeit auf, daß die Determinanten der Autobenutzung nicht zufällig sind: die Personen, die kurze Distanzen reisen würden sind dieselben, die weniger wahrscheinlich das Auto benutzen. Im selben Maße, in dem solche Personen nicht in der Unterstichprobe der Beobachtungen der Reiseentfernungen enthalten sind, wird die Unterstichprobe nach oben verzerrt sein. Das Heckit-Modell besteht aus drei Schritten: im ersten Schritt wird ein Probit-Modell zur Wahrscheinlichkeit der Autonutzung geschätzt. Im zweiten Schritt wird die Inverse Mills Ratio anhand der Parameter des Probits berechnet. Im letzten Schritt erfolgt eine Schätzung der Kleinste-Quadrate-Regression zur zurückgelegten Entfernung. In dieser Regression wird die Inverse Mills Ratio als eine der erklärende Größe eingesetzt, um die Auswirkung von Selektivität festzuhalten, die die Parameterschätzung sonst verzerren würde. Abschließend führen wir anhand der Ergebnisse des Modells Simulationen nach einer Methode von Tomz, M., Wittenberg, J., King, G., (2003) durch. Diese Simulationen ermöglichen die Berechnung von abgeschätzten Wahrscheinlichkeiten von Autonutzung, die verschiedenen Werten der erklärenden Variablen entsprechen. Darüber hinaus liefern sie Information über die Unsicherheit bzw. 95% Konfidenzintervalle der geschätzen Wahrscheinlichkeiten.