Bestimmung des Einflusses von ÖPNV-Verkehrsnetzen auf die Erreichbarkeit
This is a modal window.
Das Video konnte nicht geladen werden, da entweder ein Server- oder Netzwerkfehler auftrat oder das Format nicht unterstützt wird.
Formale Metadaten
| Titel |
| |
| Serientitel | ||
| Anzahl der Teile | 107 | |
| Autor | ||
| Mitwirkende | ||
| Lizenz | CC-Namensnennung 4.0 International: Sie dürfen das Werk bzw. den Inhalt zu jedem legalen Zweck nutzen, verändern und in unveränderter oder veränderter Form vervielfältigen, verbreiten und öffentlich zugänglich machen, sofern Sie den Namen des Autors/Rechteinhabers in der von ihm festgelegten Weise nennen. | |
| Identifikatoren | 10.5446/61100 (DOI) | |
| Herausgeber | ||
| Erscheinungsjahr | ||
| Sprache |
Inhaltliche Metadaten
| Fachgebiet | ||
| Genre | ||
| Abstract |
| |
| Schlagwörter |
7
12
19
20
24
30
33
34
44
65
72
74
76
79
80
84
87
91
00:00
Informationp-BlockWeb logUMLVorlesung/Konferenz
00:17
TOUR <Programm>InformationLESVorlesung/Konferenz
01:29
Wort <Informatik>GHOST <Hilfesystem>t-TestModulInformationsmengeGeoinformatikIngenieurvermessungVorlesung/Konferenz
02:38
RouterBerechnungRichtungStreckeOpen SourceHöhet-TestSoftwareVerfügbarkeitCodeRoutingBildschirmmaskeComputeranimation
04:58
DatensatzInformationHierarchische StrukturBerechnungAttributierte GrammatikGeometrieSoliDDateiformatGoogleVorzeichen <Mathematik>FunktionalitätComputeranimation
06:26
PDF <Dateiformat>Systems <München>RoutingVorlesung/Konferenz
06:57
RoutingSechseckQuadratRaumauflösungGewichtungSummeKategorie <Mathematik>Gewicht <Mathematik>ÄhnlichkeitsgeometrieStruktur <Mathematik>FunktionalitätGewichtete SummeBerechnungExakte LösungRaumauflösungSummeAnpassung <Mathematik>Metrik <Mathematik>GewichtungRouterTabelleQuadratSechseckIndexZahlRandZeitzoneMulti-Tier-ArchitekturMeterNetzadresseGebiet <Mathematik>ObjektverfolgungCafé <Programm>FlächentheorieKoordinatenFunktion <Mathematik>PRINCE2
12:19
BerechnungPunktIndexVorlesung/Konferenz
12:42
FaktorisierungBerechnungGebiet <Mathematik>WendepunktIndexberechnungKnotenpunktLinieFlächentheorieFlächeIndexHöheGewicht <Mathematik>Bitmap-GraphikMeter
16:31
Gebiet <Mathematik>Vorlesung/Konferenz
17:04
FaktorisierungProzessautomationInformationsqualitätDatensatzGeoinformatikOptimierungRuhmasseGebiet <Mathematik>ProzessautomationRechenzeitInformationsqualitätRichtungPotenzialfeldPROBE <Programm>FlächentheorieWald <Graphentheorie>ComputeranimationVorlesung/Konferenz
18:55
BerechnungHausdorff-RaumSound <Multimedia>Supremum <Mathematik>AVA <Programm>Vorlesung/Konferenz
Transkript: Deutsch(automatisch erzeugt)
00:09
Ja, dann ist 14 Uhr und wir legen los und erst mal ganz herzlich willkommen zum ersten Blog am Nachmittag. Und es wird jetzt in drei Vorträgen um die Themen Verkehr, Mobilität und öffentlicher Nahverkehr gehen.
00:24
Also drei sehr spannende und sehr aktuelle Themen. Und bevor wir mit den Vorträgen loslegen, würde ich gerne nochmal an das Tour Vanyules erinnern. Also auch diejenigen, die hier im Hörsaal dabei sind, bitte loggt euch ein und stellt während des Vortrags gerne viele Fragen über das Tour.
00:43
Ihr könnt dort auch für andere Fragen votieren. Dann weiß ich am Ende, dass das besonders viele Teilnehmende interessiert und dann stellen wir die Fragen dann im Anschluss an den Vortrag. Ja, dann würde ich sagen, wir legen los mit dem ersten Vortrag von Konstantin Geist. Er ist wissenschaftlicher Mitarbeiter an der Hochschule Mainz am Institut für Raumbezogene Informations- und
01:06
Messtechnik und wird uns, glaube ich, die Ergebnisse von einer von ihm betreuten Bachelorarbeit vorstellen. Und wie ihr schon sehen könnt, geht es um den öffentlichen Personennahverkehr und die Frage, wie die Erreichbarkeit von Menschen ist und wo die vielleicht noch verbessert werden kann, wo es Lücken geht.
01:25
Und ich bin sehr gespannt auf deinen Vortrag und übergebe an dich. Ja, vielen Dank für die Einleitung und Warte. Ich freue mich natürlich riesig, heute bei der FOSCIS-Konferenz als Speaker dabei sein zu können und Ihnen das Thema Einfluss von ÖPNV-Verkehrsnetzen auf die Erreichbarkeit näher zu bringen.
01:44
Ich möchte mich zunächst noch einmal selbst nochmal kurz vorstellen. Also mein Name ist Konstantin Geist. Ich bin seit etwa zwei Jahren wissenschaftlicher Mitarbeiter am Institut für Raumbezogene Informations- und Messtechnik an der Hochschule Mainz. Mein Background ist ganz ursprünglich Vermessung.
02:01
Ich habe parallel zum Studium in einem Vermessungsbüro gearbeitet, hauptsächlich im Bereich Ingenieurvermessung und bin dann immer mehr in den Bereich Geoinformatik gewechselt. Ich habe dann eine kurze Zeit als Modulentwickler für GISS-Systeme gearbeitet, bis ich zum Institut I3 Mainz gekommen bin. Die Arbeit, die ich heute vorstellen möchte, ist im Rahmen der studentischen Arbeit zusammen mit meinem
02:23
Studenten Steve Palzer und meinem Professor Klaus Böhm entstanden, welchen beiden auch ein großer Dank gilt. Der Forschungshintergrund von diesem Thema ist, dass die Nutzung des ÖPNV besonders für mobilitätseingeschränkte Personen wie ältere Menschen oder Menschen im Rollstuhl von großer Bedeutung ist, um weiterhin ein unabhängiges und mobiles Leben führen zu können.
02:46
Aber auch Personen ohne Führerschein oder Autos wie Schüler oder Studenten nutzen vermehrt den öffentlichen Verkehr. Zudem gibt es eine Differenz zwischen Stadt und Land in der ÖPNV-Verfügbarkeit und in der Erreichbarkeit von Einrichtungen der Daseinsvorsorge.
03:04
Zum einen ist in der Stadt die ÖPNV-Verfügbarkeit signifikant größer und zum anderen geben Geschäfte und Ärzte vermehrt Standorte auf dem Land auf und lassen sich in der Stadt nieder. Wir haben uns deshalb gefragt, ob man eine Methodik entwickeln kann, welche mittels Open Source
03:21
Software und Open Data den Einfluss des ÖPNV auf die Erreichbarkeit im Vergleich zu fußläufiger Erreichbarkeit aufzeigt und dabei vielleicht ein hilfreiches Tool für Stadt- und Verkehrsplaner sein kann. Für unser Untersuchen haben wir uns dafür entschieden, als geometrischen Rahmen die Stadt Mainz zu verwenden, weil sich dort schlicht alle Beteiligten auskennen und die Ergebnisse dann gut einschätzen können.
03:49
Mainz ist die Landeshauptstadt von Rheinland-Pfalz mit etwas über 200.000 Einwohnern und liegt auf der linken Seite des Rheins direkt auf Höhe der Mündung von Main in den Rhein.
04:00
Sie bildet mit der Hessischen Landeshauptstadt Wiesbaden ein Doppelzentrum mit knapp einer halben Million Einwohnern. Das spiegelt sich auch in der Mobilität in Mainz wider. In Mainz fahren nämlich Busse sowohl vom rheinland-pfälzischen Rhein-Nar-E-Nar-Verkehrsbund als auch vom hessischen Rhein-Main-Verkehrsverbund. Neben dem Busangebot gibt es in Mainz auch mehrere Straßenbahnlinien, seit 2016 unter anderem eine neu errichtete
04:26
Strecke in Richtung Lerchenberg, die wichtige Standorte wie die Universität, das Stadion, unsere Hochschule und das ZDF erschließt. Auch die vorher erwähnten Unterschiede zwischen Stadt und Land können in Mainz abgebildet werden, weil es
04:41
etwas außerhalb vom Stadtzentrum auch eher ländlich geprägte Ortsteile gibt, wie zum Beispiel den Ortsteil Mainz 3. Wir verwenden für unsere Methodik ausschließlich Open Data. Zuallererst benötigt man natürlich für die Berechnung von Erreichbarkeiten bzw. Routen ein routingfähiges Straßennetzwerk.
05:01
Das gewährleisten Open Streetmap-Daten mit dem Tech-Highway, welche erfahrungsgemäß auch eine recht gute Datenqualität aufweisen. Für die Berechnung von Fußläufigen Erreichbarkeiten kann man über die entsprechend hinterlegten Objektattribute dann nicht begehbare Straßen wie Autobahnen oder Bundesstraßen ausschließen.
05:23
Ebenso benötigen wir natürlich für die Berechnung von Erreichbarkeiten auch entsprechende Zielpunkte, sprich Points of Interest. Auch die finden wir in den Open Streetmap-Daten verwendete Techs, hier sind vor allem Shop und Amenity. Um Routing-Funktionalitäten mit ÖPNV zu erreichen, benötigt man noch einen Datensatz mit den entsprechenden Sollfahrplandaten.
05:45
Dafür hat sich seit 2005 das General Transit Feed Specification, kurz GTFS-Format durchgesetzt, welches anfangs noch Google Transit Feed Specification hieß, weil es eigentlich für die Integration des Nahverkehrs in Google Maps gedacht war.
06:01
Das Datformat ist ein einfaches ZIP-File, in welchem mehrere Textdateien in einer hierarchischen Struktur enthalten sind, die über verschiedene IDs verknüpft sind. In diesen Textdateien sind dann Informationen zu den Verkehrsunternehmen, zu den einzelnen Linien, die Haltestellen an verschiedenen Tagen sowie die Haltestellen selbst mit der Geometrie enthalten.
06:24
Ein Datensatz deckt immer genau die Fahrplandaten für eine ganz bestimmte Woche von Montag bis Sonntag ab. Viele europäische Verkehrsunternehmen, wie die Deutsche, Österreichische oder auch die Schweizerische Bundesbahn, nutzen für ihre Fahrplanauskunftssysteme die Soft-Files auf Textdateien und kann recht leicht nach GTFS konvertiert werden.
06:47
Um jetzt tatsächlich Erreichbarkeiten berechnen zu können, nutzen wir die Routing Engine GrafHopper. Diese hat den Vorteil, dass das OSM-Straßennetzwerk in dem OSM-PBF -Format und die GTFS-Daten standardmäßig gelesen und auch verarbeitet werden können.
07:04
GrafHopper stellt dann verschiedene Funktionalitäten bereit. Das ist unter anderem die Berechnung von einfachen Routen von A nach B, das Geocoding, Map-Matching, sprich das Anpassen von Einzelrouten auf ein Netzwerk, zum Beispiel bei der Routenfindung beim GPS-Tracking oder auch die Berechnung von Isochronen.
07:25
Isochronen sind Isolinien, die alle Punkte verbinden, die von einem bestimmten Startpunkt aus innerhalb einer bestimmten Zeit erreicht werden können. Analog dazu gibt es noch die Isodistanzen, das ist an sich das Gleiche. So dass der Bereich dann von einem bestimmten Streckenabstand abgebildet wird.
07:42
GrafHopper kann sowohl Isochronen als auch Isodistanzen vereinberechnen. Für unsere Erreichbarkeitsberechnung genügt es an sich die Isochronen-API zu verwenden und als Grenzwert für die Erreichbarkeit sind wir mal von einer Zeit von 20 Minuten ausgegangen.
08:01
Da wir die Erreichbarkeit ja immer nur von einem bestimmten Punkt aus berechnen können, muss man sich auch Gedanken zu einer etwaigen räumlichen Auflösung machen. Verbreitete Ansätze hier bei Erreichbarkeitsanalysen ist die Verwendung von regelmäßigen Rastern, zum Beispiel in Form von Hexagonen oder Quadraten. Es ist aber auch denkbar, detailliertere Berechnungen zu machen auf Grundlage
08:22
von Hauskoordinaten oder anderen räumlichen Strukturen wie Bodenrichtwirtzonen, Einfamilienhausgebieten oder Ähnlichem. Vergangenen Studien haben aber gezeigt, dass adressgenaue Erreichbarkeitsanalysen keinen signifikanten Mehrwert bringen. Deshalb haben wir jetzt hier ein quadratisches Raster mit einer Gitterweite von 100 Metern gewählt.
08:44
Das ist ein an sich verbreiteter Ansatz, unter anderem werden die Zensusdaten ja auch in dieser Auflösung generiert. Bezugspunkt bei diesem Gitter ist dann jeweils der Zentralpunkt von jedem Quadrat. Für die tatsächliche Berechnung der Differenzen zwischen fußläufiger Erreichbarkeit
09:02
und Erreichbarkeiten ÖPNV haben wir uns zwei verschiedene Ansätze überlegt. Der erste Ansatz basiert auf einem einfachen Flächenvergleich zwischen den Isokronen für fußläufig und für ÖPNV. Es wird jeweils für einen Grenzwert von 20 Minuten die Isokrone für fußläufige Erreichbarkeit hier in Gelb zu sehen und die ÖPNV-Erreichbarkeit hier in Blau gebildet.
09:26
Man sieht, dass hier beim ÖPNV an den Randbereichen diese typischen Inseln um die Haltestellen herum entstehen, während manche Bereiche zwischen zwei Haltestellen, die eigentlich näher zum Ausgangspunkt liegen, nicht erreicht werden können. Der Einfluss des ÖPNV kann dann entweder aus dem absoluten oder den relativen bzw. prozentualen Flächenunterschied der Isokronen ermittelt werden.
09:51
Das zweite Konzept funktioniert grundlegend anders, weil hier dann auch etwaige Zielpunkte, die Points of Interest, mitberücksichtigt werden. Wir machen hier nämlich Gebrauch von einem Erreichbarkeitsindex namens WalkScore.
10:06
Die zu erreichten Einrichtungen sind dabei Supermarkt, Restaurant, Einzelhandel, Kaffee, Bank, Park, Schule, Bücherei und Unterhaltung, welche dann gegeneinander gewichtet werden. Ein Supermarkt wird beispielsweise dreimal so stark gewichtet wie eine Bank oder ein Park.
10:24
Bei den drei Kategorien Restaurant, Einzelhandel und Kaffee soll nicht nur jeweils eine Einrichtung von jeder Kategorie erreicht werden, sondern mehrere Einrichtungen, welche wiederum nochmals untereinander gewichtet werden. Bei der Kategorie Kaffee zum Beispiel sind es zwei Stück, die erreicht werden sollten.
10:43
Das schnellste zu erreichende Kaffee erhält dabei das Gewicht 1,25 und das am zweitschnellsten erreichbare Kaffee das Gewicht 0,75, wie man das hier in der Tabelle ablesen kann. Bei den anderen sechs Kategorien macht es keinen Unterschied, ob mehrere Einrichtungen erreicht werden, weil immer nur das am schnellsten Erreichbare berücksichtigt wird.
11:05
Neben dieser Gewichtung nach Einrichtungskategorie gibt es noch eine distanzabhängige bzw. bei uns zeitabhängige Gewichtung. Hier gibt es auch wieder zwei verschiedene Möglichkeiten, einmal eine exakte Lösung über eine Distanzfunktion.
11:22
Beispielsweise kann die Gewichtung wieder näher oder exponentiell oder auch über eine beliebige andere Funktion abnehmen, je weiter die Distanz zur Einrichtung ist. Möglichkeit 2 ist die Nutzung verschiedener Intervalle, für die wir uns jetzt hier entschieden haben. Wir haben hier mit fünf Minuten Intervallen bis zu einer Maximalzeit von diesen eben 20 Minuten
11:44
gearbeitet und die Gewichtung nimmt dabei immer in Schritten von 0,25 bzw. 25% ab. Der finale Index, das Walk Score, ist dann schlussendlich nichts anderes als eine gewichtete Summe bestimmter erreichbarer Zielpunkte.
12:00
Wenn man alle Gewichte zusammenzählt, erhält man eine Summe von 15, welche man zum einfachen Verständnis nochmal auf eine Zahl von 100 normalisiert. Der Vorteil dieses Ansatzes ist, dass man ihn relativ leicht auch individualisieren kann. Man könnte jetzt zum Beispiel einen Index speziell für Senioren berechnen, indem
12:23
man Einrichtungen wie Apotheken oder Ärzte betrachtet oder diese einfach höher gewichtet. Wir berechnen bei dem zweiten Konzept also diesen Erreichbarkeitsindex jeweils für fußläufige Erreichbarkeit und die Erreichbarkeit mit ÖPNV. Hier sehen wir mal anhand eines Beispielpunktes die Isokrone in diesen fünf Minuten Intervallen und weiß entsprechende Points of Interest.
12:48
Für die Indexberechnung verschneidet man jetzt diese potenziellen Points of Interest mit der jeweiligen Isokrone. Und je nachdem in welchem Bereich ein POI liegt, werden dann die entsprechenden distanzabhängigen Gewichte angebracht.
13:01
Die ganze Berechnung haben wir komplett automatisiert in einem JavaScript durchgeführt. Dies wird analog dazu dann auch mit den Isokronen der ÖPNV-Erreichbarkeit durchgeführt. Man sieht das hier beispielsweise durch den ÖPNV-Einrichtungen in einem anderen Ortsteil erreicht werden können, welche zu fuß eigentlich nicht erreicht werden.
13:22
Es kann auch sein, dass die gleiche Einrichtung nun mit dem ÖPNV schneller erreicht wird, als man sie zu fuß erreichen würde. Beides kann zu einer Verbesserung des Erreichbarkeitsindex führen, muss aber nicht. Wenn zum Beispiel ein zusätzlicher Supermarkt erreicht wird, ein anderer Supermarkt aber schneller erreicht wird
13:40
und unser Erreichbarkeitsindex nur den am schnellsten erreichbaren Supermarkt berücksichtigt, spielt dieser zusätzlich erreichbare Supermarkt an sich keine Rolle. Wir sehen die konkreten Ergebnisse jetzt in der Stadt Mainz aus. Hier sehen wir aus der ersten Methode den prozentuellen Flächenzuwachs in den angesprochenen 100-Meter-Rastern.
14:04
Nichtbebaute Gebiete sind hier mal ausgeblendet, weil sie für die Erreichbarkeit meist uninteressant sind. Grüne Gebiete sind hier Gebiete mit einem hohen prozentuellen Flächenzuwachs durch den ÖPNV bis hin zu roten Gebieten, bei denen der Flächenzuwachs vergleichsweise klein oder auch Null ist.
14:22
Man stellt fest, dass der Flächenzuwachs entlang der Straßenbahnhalte stellen, die hier auch in Weiß gekennzeichnet sind und dort ist der Flächenzuwachs besonders groß. Man kann also sagen, die Straßenbahn hat in Mainz eine große Bedeutung für die Erreichbarkeit.
14:41
Der größte Flächenzuwachs zeigt sich an wichtigen Knotenpunkten wie dem Hauptbahnhof, der ist hier, dem Dom hier oder der Mainzer Straße in Gonsenheim. Analog dazu sehen wir hier die Ergebnisse aus der zweiten Methode, welche die Differenz von den Erreichbarkeitsindizes zeigt.
15:02
Grüne Gebiete haben hier wieder eine starke Differenz und rote Gebiete gar keine Veränderung. Man sieht, dass große Gebiete vor allem in der Innenstadt gar keine Verbesserung von dem Erreichbarkeitsindex aufzeigen, was daran liegt, dass die fußläufige Erreichbarkeit in der Innenstadt sowieso schon sehr groß ist. Je weiter man die Außenbereiche gelangt, umso wichtiger erscheint der ÖPNV für die Versorgung.
15:26
Am meisten profitieren das Wohngebiet zwischen Finden und Gonsenheim, das liegt hier oben, sowie die Ortsteile Mainz-Dreis und Mainz-Marienborn. Dort gibt es so gut wie keine fußläufig erreichbaren Geschäfte, was durch den ÖPNV dann behoben wird.
15:45
Ein wichtiger Punkt, den ich noch erwähnen möchte, ist, dass die Berechnung von Erreichbarkeiten mittels ÖPNV von einem bestimmten Zeitpunkt aus durchgeführt wird und Ergebnisse stark von der betrachteten Abfahrtszeit abhängen. Das ergeben sich nämlich Fahrplanunterschiede zwischen Werktagen, Samstag, Sonntag bzw. Feiertag,
16:04
sowie auch zu verschiedenen Uhrzeiten. Ebenso gelten in den Schulferien andere Fahrpläne wie an normalen Schultagen. Vor allem zu den Pendlerzeiten morgens und nachmittags ist das Angebot meist aufgrund von einem höheren Personaufkommen größer als zur Mittagszeit oder abends, wodurch auch wieder unterschiedliche Ergebnisse entstehen.
16:24
Je nachdem kann es auch sein, dass zu einem Zeitpunkt eine Linie ohne Wartezeiten genutzt werden kann, während kurz danach lange Wartezeiten oder Umstiegszeiten entstehen, welche sich negativ auf die Erreichbarkeit auswirken. Deshalb haben wir die Methoden zusätzlich für verschiedene Tage und Uhrzeiten umgesetzt.
16:43
Innerhalb eines Tages haben wir kaum Unterschiede bei der Erreichbarkeit ausmachen können, lediglich zu Rush Hour war sie leicht erhöht. Bei dem Vergleich verschiedener Wochentage sieht man, dass die Erreichbarkeit am Wochenende schlechter ist als zu gleicher Zeit unter der Woche.
17:00
Die relative Verteilung ist aber immer ungefähr dieselbe, weshalb für verschiedene Tage und Uhrzeiten dieselben Gebiete mit einem hohen Einfluss für die Erreichbarkeit identifiziert werden. Und das war ja das, was wir eigentlich machen wollten. Als Fazit kann man sagen, dass ein einfacher Flächenvergleich wie in Methode 1 kaum etwas über die tatsächliche Erreichbarkeit von realen Zielpunkten aussagt,
17:25
sondern eher so ein Maß für die Anschlussfähigkeit an den ÖPNV genutzt werden kann. Die Verwendung von Erreichbarkeitsindizes hingegen macht Sinn und liefert stichhaltige Ergebnisse. Wie eigentlich immer in der Geoinformatik hängen die Ergebnisse stark von der Datenqualität ab.
17:42
Besonders die Einrichtungen in USM sind nicht immer aktuell und vollständig und müssen eventuell mit anderen Datensätzen ergänzt werden. Uns ging es aber gar nicht darum, ein perfektes Ergebnis zu erhalten, sondern eine funktionierende Methodik zu erproben. Auch in Zukunft gibt es noch Potenzial, da in weitere Richtungen zu forschen.
18:04
Besonders der Einfluss der verschiedenen Abfahrtzeiten spielt besonders im ländlichen Raum bei einem geringeren ÖPNV-Angebot eine Rolle. In Mainz ist das aufgrund der hohen Taktung von einzelnen Linien der Einfluss nicht ganz so groß. Ebenso sind weiter personalisierte Erreichbarkeiten denkbar, wie am Anfang das Beispiel eines Senioren-optimierten Erreichbarkeitsindex.
18:27
In Mainz gibt es auch ein gutes Angebot an Car-Sharing und Bike-Sharing. Den Einfluss dieser Verkehrsmittel könnte man in ähnlicher Art und Weise untersuchen. Des Weiteren wurden einige Arbeitsschritte noch manuell durchgeführt und wir hatten teilweise noch recht lange Rechenzeiten.
18:45
Eine weitere Automatisierung und Optimierung ist deshalb erstrebenswert, um die Übertragbarkeit und den Einsatz in der Praxis zu erleichtern. Damit wäre ich meinem Vortrag am Ende. Vielen Dank fürs Zuhören und vielleicht haben Sie ja noch die eine oder andere Frage an mich.
19:20
Ja, dadurch, dass wir auch viele verschiedene Tage und Uhrzeiten hatten, hat der Student auch mehrere Tage daran rumgerechnet. Also eine ziemlich lange Berechnung und dann wurde hier noch gefragt, woher der WalkScore kommt, den ihr da verwendet habt. Ist das ein Konzept, das schon existiert hat? Ja, der kommt eigentlich aus Amerika, aus Seattle. Da gibt es eine Firma, die hat diesen WalkScore entwickelt und den haben wir hier verwendet.
19:47
Super. Das waren so die Fragen, die mich über Venueless erreicht haben. Gibt es ansonsten noch Fragen hier im Hörsaal, die ihr vielleicht nicht über Venueless gestellt habt? Sonst könnten wir auch das Mikro gerade nochmal rumgeben.
20:04
Okay, dann würde ich sagen, wir schließen das vielleicht an der Stelle. Ich muss mich an der Stelle auch nochmal entschuldigen. Ich weiß nicht, ihr vor Ort habt das wahrscheinlich nicht mitbekommen, aber diejenigen, die online zugeschaltet waren, es gibt hier gerade ein Problem mit dem Ton. Ihr vor Ort hört mich, aber zu Hause ist das wohl nicht so, aber
20:20
das wird im Nachhinein behoben sein. Das heißt, die Aufzeichnung werden wir nachher nochmal aufarbeiten. Ja, dann sage ich nochmal Danke für den sehr spannenden Vortrag und vielleicht nochmal ein kleiner Applaus. Und es gibt jetzt noch fünf Minuten Umbaupause und ihr könnt gerne zum anderen Vortrag weitergehen oder bleiben, weil hier geht es auch gleich mit dem Thema Verkehr und Mobilität weiter.