- einstellungsbasierte und Entscheidungsmodelle - bislang zufriedenstellend gelöst hat. Wie etliche Übersichtsstudien zeigen, sind die Ergebnisse dieser beiden Modelle uneinheitlich und teils sogar widersprüchlich. Im Folgenden soll mit einem neu entwickelten Modell des Mobilitätsverhaltens namens „xMooBe“ (Extended Model of Mobility Behaviour) eine Lösung vorgeschlagen werden, die sich auf Konzepte der analytischen Soziologie stützt und damit auch aufzeigt, mit welchen Maßnahmen die Menschen dazu bewegt werden können, ihr Mobilitätsverhalten zu ändern. Einleitung Die Mobilitätsforschung versucht zu verstehen, wie Menschen alltägliche Entscheidungen treffen, welches Verkehrsmittel sie für ihre Wege nutzen. Denn diese Wahl steht oftmals im Widerspruch zu ihren persönlichen Einstellungen, denen zufolge viele Menschen gerne anders mobil wären, vor allem nachhaltiger. Diese Diskrepanz zwischen Einstellungen und Verhalten (die sog. „Attitude-Behavior Gap“) bleibt ein schwieriges empirisches Rätsel, das keines der beiden vorherrschenden Modelle der Mobilitätsforschung Modellierung von Mobilitätsverhalten mit xMooBe Beiträge der Soziologie zur Erklärung von Verkehrsmittelwahlen Modellierung, analytische Soziologie, Mobilitätsverhalten, Nachhaltigkeit, Experimente Warum die Verkehrswende nur schleppend vorangeht, beschäftigt die (Akzeptanz-)Forschung seit Längerem. Obwohl viele Menschen umweltbewusst denken, handeln sie im Alltag oftmals anders. Diese Lücke zwischen Einstellungen und Verhalten wurde mithilfe des soziologischen Verhaltensmodells xMooBe weitgehend geschlossen. Es kombiniert individuelle Einstellungen und Wahrnehmungen mit Kontextfaktoren wie Radwegen, Kindern und Autobesitz und kann das reale Mobilitätsverhalten präzise erklären. Gedankenexperimente zeigen zudem, welche Maßnahmen nachhaltige Veränderungen fördern können. Johannes Weyer, Sebastian Hoffman, Kay Kohaupt-Cepera, Julian Faig, Matthias Kreimeyer 52 Internationales Verkehrswesen (78) 3 | 2026 DOI: 10.24053/ IV-78-0043 de liegenden, ökonometrischen Nutzenfunktionen berücksichtigen in der Regel Variablen wie Reisezeit, Reisekosten sowie soziodemografische Merkmale. Ziel ist es, auf dieser Grundlage die Verkehrsnachfrage, z. B. innerhalb eines Tages, prognostisch abzuschätzen (Horni et al., 2016). Der Einfluss individueller Handlungslogiken und sozialer Faktoren wird dabei jedoch nur eingeschränkt berücksichtigt. Einige Modelle, darunter die Random Utility Theory, begegnen der Problematik individueller Heterogenität durch die Integration zusätzlicher Zufallskomponenten in die Nutzenfunktionen (Walker & Ben-Akiva, 2002). Aus soziologischer Perspektive erscheint dieses Vorgehen jedoch nur bedingt zufriedenstellend. Hybride Wahlmodelle versuchen, diese Einschränkung zu überwinden, indem sie latente Einstellungen in die Nutzenfunktionen integrieren. Dabei greifen sie häufig auf explizit geäußerte Präferenzen zurück, was das Risiko tautologischer Schlussfolgerungen erhöht (z. B. dass diejenigen, die das Radfahren bevorzugen, eher mit dem Rad fahren). Zudem extrapolieren Wahlmodelle künftiges Verhalten oftmals aus vergangenen Mustern, ohne die zugrundeliegenden Entscheidungsmechanismen vertieft zu analysieren (Chorus & Kroesen, 2014). Analytische Soziologie und das SEU-Modell Die analytische Soziologie verfügt über ein in zahlreichen Anwendungsfeldern erfolgreich erprobtes Entscheidungsmodell, das die zugrunde liegenden Entscheidungsmechanismen in den Mittelpunkt stellt und individuelles Handeln unter Bezug auf subjektive Präferenzen und Ziele modelliert (Coleman, 1990; Esser, 1993; Gërxhani et al., 2022; Hedström & Ylikoski, 2010; Manzo, 2021). Im Unterschied zu Ansätzen, die primär statistische Zusammenhänge innerhalb großer Kollektive analysieren, zielt dieser Ansatz darauf ab, die Individualität und Heterogenität einzelner Akteure stärker zu berücksichtigen. Ausgangspunkt ist dabei - ähnlich wie bei Rational- Choice-Modellen - die Annahme, dass Individuen bei einer Entscheidung zwischen mehreren Handlungsalternativen (A1, A2 …) jene Option wählen, die ihren Bedürfnissen und Zielen am ehesten entspricht. Der wesentliche Unterschied zu Rational-Choice-Modellen besteht darin, dass die Entscheidungsparameter stärker subjektiv geprägt sind. Während viele Modelle kollektive Entscheidungsprozesse implizit so behandeln, als würden Individuen weitgehend homogen handeln, betont die analytische Soziologie die Vielfalt individueller Motive, Wahrnehmungen und Handlungskontexte. Zwar kann die Annahme homogener Entscheidungsstrukturen für bestimmte verkehrsplanerische Anwendungen zweckmäßig sein, sie wird jedoch der Komplexität sozialer Wirklichkeit nur eingeschränkt gerecht. Die Bewertung individueller Handlungsoptionen wird mithilfe folgender Gleichung vorgenommen: Das Modell basiert auf der Theorie der subjektiven Nutzenerwartung (SEU), einem Entscheidungsmodell, das unter Berücksichtigung der individuellen Präferenzen und subjektiv wahrgenommenen Wahrscheinlichkeiten erklärt, wie alltägliche Entscheidungen zwischen unterschiedlichen Mobilitätsalternativen zustande kommen. xMooBe erweitert dieses Grundmodell um zusätzliche kontextuelle Faktoren wie den Autobesitz oder die Verfügbarkeit öffentlicher Verkehrsmittel. Es liefert damit deutlich bessere Erklärungen, die insbesondere dazu beitragen, die Kluft zwischen Einstellungen und Verhalten zu überbrücken. Auf Grundlage von xMooBe lassen sich zudem Gedankenexperimente durchführen, mit denen unterschiedliche Maßnahmen und Anreize dahingehend untersucht werden können, inwiefern sie dazu beitragen, die Menschen zu Verhaltensänderungen zu bewegen. Analytische Bezüge Zwei Forschungstraditionen prägen aktuell das Feld der Mobilitätsforschung in der Soziologie, der Psychologie und der Ökonomie. Diese werden kurz erläutert. Einstellungsbasierte Modelle Einstellungsbasierte Ansätze wie die Theory of Planned Behavior (TPB) gehen davon aus, dass Verhalten durch Verhaltensabsichten bestimmt wird, die wiederum von Einstellungen, subjektiven Normen und wahrgenommener Verhaltenskontrolle geprägt werden. Diese Konzepte sind in der Mobilitätsforschung weit verbreitet, und sie haben zweifellos ihre Verdienste. Dennoch weisen sie einige Schwachpunkte auf: ƒ Der Fokus liegt meistens auf selbstberichteten Verhaltensabsichten statt auf tatsächlichem Verhalten. ƒ Statt Entscheidungen zwischen mehreren Alternativen wird in der Regel nur eine einzelne Handlungsoption betrachtet. ƒ Es gelingt diesem Modell nicht, die Diskrepanz zwischen geäußerten Einstellungen und beobachtetem Verhalten zu erklären. Empirische Studien deuten zudem darauf hin, dass das Verhalten die Einstellungen ebenso stark beeinflussen kann wie umgekehrt (vgl. Kroesen et al., 2017). Zudem werden die kontextuellen Bedingungen des individuellen Handelns in diesen Modellen oft nicht ausreichend - oder ganz unterschiedlich - berücksichtigt, was zu inkonsistenten Ergebnissen führt, wenn man versucht, mehrere Studien miteinander zu vergleichen (vgl. Javaid et al., 2020). Entscheidungsmodelle und hybride Ansätze Entscheidungsmodelle, z. B. Rational-Choice Modelle, basieren auf der Annahme, dass Individuen bei der Wahl zwischen mehreren Alternativen jene Option wählen, die ihnen den größten Nutzen verspricht. Die diesen Modellen zugrun- 53 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0043 Mobilitätsverhalten   MOBILITÄT te Modell des Mobilitätsverhaltens (xMooBe, vgl. Abb. 1) lässt sich wie folgt darstellen (Weyer & Hoffmann, 2025): Ausgangspunkt ist das rein SEU-basierte Modell, das die Intentionen mathematisch berechnet (blaue Box links), indem es individuelle Faktoren wie latente, mobilitätsbezogene Präferenzen (a) und subjektiv wahrgenommene, verkehrsmittelspezifische Wahrscheinlichkeiten (b) berücksichtigt, die die subjektive Definition der kontextuellen Situation widerspiegeln (gepunkteter Pfeil von b nach c). Da das tatsächliche Verhalten (mittlere blaue Box) nicht perfekt mit den Absichten übereinstimmt (Match 1), berücksichtigt xMooBe kontextuelle Faktoren (c) als zusätzlichen Faktor und kann so individuelle Entscheidungen besser erklären (rosa Box), was dazu beiträgt, die Kluft zwischen Einstellungen und Verhalten zu überbrücken (Match 2). Dem Modell zufolge können politische Maßnahmen zur Förderung nachhaltiger Mobilität (gelbe Box oben rechts) versuchen, jeden der drei Faktoren (a bis c; Details siehe unten) zu beeinflussen, um eine Verhaltensänderung herbeizuführen (blaue Box rechts). Ob und wie das gelingen könnte, lässt sich vorab beispielsweise in Simulations- oder Gedankenexperimenten überprüfen, in denen einzelne Parameter entsprechend den politischen Strategien angepasst und so die Effekte unterschiedlicher Szenarien auf das alltägliche Mobilitätsverhalten untersucht werden. Methodisches Vorgehen Datengrundlage Der erste Test von xMooBe erfolgte anhand von Daten aus dem Projekt InnaMoRuhr. Im Frühjahr 2021 wurden die Mitglieder dreier Ruhrgebiets-Universitäten zu ihren genutzten Verkehrsmitteln, ihren individuellen Präferenzen, den subjektiv wahrgenommenen Wahrscheinlichkeiten sowie kontextuellen Bedingungen befragt (Weyer, 2025b). Nach der Datenbereinigung verblieben 10.782 verwertbare Antworten - größtenteils von Studierenden (68,0 %). Überraschenderweise unterscheiden sich die Einstellungen von Studierenden (Explanans) kaum von denen der Mitarbeitenden aus Forschung (18,4 %) und Verwaltung (13,5 %), abgesehen von den subjektiv wahrgenommenen Kosten des Autos. Das Mobilitätsverhalten (Explanandum) hingegen unterscheidet Gleichung 1 : Berechnung des subjektiv erwarteten Nutzens Der subjektiv erwartete Nutzen (SEU) basiert auf zwei Faktoren: ƒ individuell bevorzugte (U für utility) Ziele (O für objective), wie z. B. schnelles, umweltfreundliches, komfortables, sicheres, zuverlässiges oder kostengünstiges Reisen; ƒ die subjektiv wahrgenommene Wahrscheinlichkeit (p für probability), ein gewünschtes Ziel durch die Wahl einer von mehreren Handlungsoptionen (Auto, Rad, ÖV etc.) zu erreichen. Die Variable p ist ein wichtiger Bestandteil des soziologischen Entscheidungsmodells, der in anderen, rein einstellungsbasierten Modellen fehlt. Das SEU-Modell stellt ein leistungsfähiges Analyseinstrument dar, das sich in vielen Bereichen - außer in der Mobilitätsforschung - bei der Erklärung individuellen Handelns sowie daraus resultierender kollektiver Effekte bewährt hat. Eine zentrale Stärke des Modells liegt in der Berücksichtigung subjektiver Wahrnehmungen und Bewertungen individueller Akteure. Dies gilt auch für Kontextbedingungen wie etwa die Verfügbarkeit öffentlicher Verkehrsmittel, die von verschiedenen Personen unterschiedlich wahrgenommen und interpretiert werden können. Mit dieser Fokussierung auf die subjektive Konstruktion von Wirklichkeit neigt das SEU-Modell jedoch dazu, den objektiven Einfluss der Kontextbedingungen zu unterschätzen. Das erweiterte Modell des Mobilitätsverhaltens (xMooBe) Um diese Einschränkung zu überwinden, erweitern wir das SEU-Modell um kontextuelle Faktoren, z. B. den Autobesitz, die Entfernung zum Ziel oder das Angebot öffentlicher Verkehrsmittel, und verknüpfen dies mit der Annahme, dass diese Kontextfaktoren die wahrgenommenen Wahrscheinlichkeiten (p) beeinflussen, aber auch direkt auf die Entscheidung einwirken können. Das daraus resultierende erweiter- Abb.1 : Das erweiterte Modell des Mobilitätsverhaltens (xMooBe) 54 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0043 MOBILITÄT   Mobilitätsverhalten angewendet (Betta & Swedberg, 2021). Ferner sind als experimentelles Studiendesign auch (agentenbasierte) Computersimulationen denkbar, in denen komplette Verkehrssysteme mitsamt einer Vielzahl heterogener Akteure abgebildet werden (Weyer, 2025a; Weyer et al., 2025) - diese sind jedoch nicht Gegenstand dieses Artikels. Ergebnisse Standard-SEU-Modell Auf Basis der individuellen Präferenzen und der subjektiven wahrgenommenen Wahrscheinlichkeiten wurden die SEU- Werte für Auto, ÖV und Fahrrad berechnet. Fast die Hälfte der Befragten (44,6 %) bewertet das Fahrrad am höchsten, gefolgt vom Auto (40,1 %); der ÖV liegt weit zurück (13,1 %). Die fehlenden 2,2 Prozent erklären sich daraus, dass bei 34 Personen zwei Werte gleich hoch lagen und somit keine klare Präferenz vorlag. Vergleicht man das prognostizierte (x-Achse, „Max“) mit dem realen Verhalten (y-Achse), so ergibt sich beim ÖV eine hohe Übereinstimmung (72,0 %, vgl. Abb. 2, orange Balken). Allerdings nutzen nur 16,8 % derjenigen, die das Fahrrad am besten bewerten (rechtes Balkenbündel), dieses Verkehrsmittel (grauer Balken). Und diejenigen, bei denen das Auto erste Wahl sein müsste (linkes Balkenbündel), fahren zu 39,4 Prozent mit dem ÖV (oranger Balken). Das Standard- SEU-Modell ist also nur bedingt in der Lage, das reale Mobilitätsverhalten und vor allem den Mismatch zwischen Einstellungen und Verhalten zu erklären. Erweitertes Modell Mittels Regressionsanalyse haben wir deshalb Modelle für jedes der drei Verkehrsmittel Auto, ÖV und Fahrrad berechnet und dabei neben den SEU-Werten zusätzlich mehrere Kontextvariablen einbezogen, z. B. den Autobesitz, die Entfernung zum Ziel oder die mentale Verfügbarkeit von Alternativen (vgl. Tabelle 1). Die statistischen Gütemaße Adj. R 2 und Chi 2 (viert- und fünftletzte Zeile) weisen gute bis sehr gute Werte auf. Zudem haben alle drei Modelle eine hohe Erklärungskraft, sich deutlich, da Studierende häufiger öffentliche Verkehrsmittel nutzen. Der hohe Anteil Studierender beeinträchtigt die Datenqualität also nicht - zumindest nicht die Qualität der für die Verhaltensmodellierung benötigten Daten. Die Analysen lieferten vielversprechende Ergebnisse, insbesondere beim Auto- und beim ÖV-Modell (Details dazu weiter unten), nicht aber beim Fahrrad-Modell (Weyer & Hoffmann, 2025). Deshalb wurde zusätzlich ein Datensatz aus dem Projekt MINGA genutzt, um xMooBe einem erneuten Test zu unterziehen. Die Daten (N=1.540) stammen aus einer Befragung, die im Sommer und Herbst 2024 im Großraum München durchgeführt wurde und deren primärer Zweck es war, die Akzeptanz autonomer Systeme für den ÖV zu erforschen (Faig et al., 2026a, 2026b). Beide Datensätze bilden unterschiedliche Querschnitte durch die Bevölkerung ab und sind nicht repräsentativ. Eine gewisse Generalisierbarkeit ergibt sich lediglich dadurch, dass es möglich war, die im Projekt InnaMoRuhr entwickelten fünf präferenzbasierten Mobilitätstypen 1 größtenteils auch im Münchener Datensatz zu reproduzieren. Abweichungen ergaben sich vor allem bei der Wichtigkeit des Faktors Umwelt, welcher in der Münchner Befragung eine etwas geringere Rolle spielte (Platz 6 von 6 möglichen Präferenzen vs. Platz 5 von 6). In beiden Befragungen nimmt der Faktor Zuverlässigkeit den ersten Platz ein. Im vorliegenden Artikel werden wir mit dem MINGA-Datensatz arbeiten. Methoden Unser Mixed-Methods-Ansatz umfasst erstens eine soziologisch fundierte Verhaltensmodellierung, um das am besten bewertete Verkehrsmittel zu ermitteln (SEU). Zweitens wenden wir statistische Analysen an, unter anderem Regressionsanalysen zur Ermittlung der Faktoren, die die Nichtnutzung des präferierten Verkehrsmittels erklären. Darauf basierend führen wir drittens Gedankenexperimente durch, um Strategien zu testen, mit denen Verhaltensänderungen herbeigeführt werden können. Während letztere methodisch in den Naturwissenschaften weit verbreitet sind, werden sie jedoch in den Sozialwissenschaften nur selten Abb.2 : Tatsächlich genutzte und am besten bewertete Verkehrsmittel 55 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0043 Mobilitätsverhalten   MOBILITÄT ÖV-Modell Hier haben der Besitz eines ÖV-Abos (8,536) sowie die Gewohnheit, intermodal zu reisen (9,864), den stärksten Einfluss, gefolgt vom Geschlecht (1,536 - Frauen nutzen vermehrt den ÖV), dem Wohnort Großstadt (2,517) und der größeren Entfernung zum Ziel (1,482). Die ÖV-Nutzung sinkt hingegen mit dem Autobesitz (0,210), dem Alter (0,843) und der Anwesenheit von Kindern im Haushalt (0,599). Zudem wirkt sich der Faktor Berufstätigkeit (0,474) hier negativ aus; wer einer regelmäßigen Tätigkeit nachgeht, nutzt eher andere Verkehrsmittel. Fahrrad-Modell Wer ein Rad besitzt (4,839) und gewohnt ist, intermodal zu reisen, z. B. mit dem Rad zur Bahn (10,201), nutzt dieses Verkehrsmittel auch. Auch das höhere Alter spielt eine Rolle (1,145) sowie die mentale Verfügbarkeit von Alternativen (1,359). Kinder im Haushalt (0,601) sowie der Besitz von ÖV- Abos (0,514) wirken sich hingegen negativ aus. Obwohl einige dieser Ergebnisse wenig überraschend sind, können die zugrundeliegenden Regressionskoeffizienten und die Variablenwerte nunmehr in eine Regressionsgleichung eingesetzt und als Parameter für Gedankenexperimente mit fiktiven Charakteren genutzt werden. Hier können wir diese Parameter schrittweise variieren, um besser zu verstehen, ob sich mit politischen Maßnahmen Verhaltensänderungen in Richtung nachhaltiger Mobilität bewirken lassen. Um das Fazit vorwegzunehmen: Es liegt nicht (nur) an den Einstellungen der Menschen, die - wie immer wieder gefordert - sich endlich ändern müssten, sondern an den Kontextfaktoren. Denn in einer idealen Welt, ablesbar am Anteil der korrekt klassifizierten Fälle, der bei Werten um die 80 Prozent liegt (drittletzte Zeile). Sie liegen damit deutlich über denen des Standard-SEU-Modells (vgl. Abb. 2) sowie des Modells ohne jegliche Einflussvariablen (vorletzte Zeile), insbesondere beim Auto- (57,5 %) und beim ÖV-Modell (54,5 %). Aber es gibt offenbar weitere Faktoren, die auch mit xMooBe bislang nicht adäquat erfasst werden. Analyse Die Wahrscheinlichkeit, eines der drei Verkehrsmittel zu nutzen, hängt zunächst mit deren subjektiven Bewertung zusammen; alle drei Werte liegen über 1,0 (fett markiert in Abschnitt „Bewertung“). Ein Anstieg des SEU-Werts um 1 erhöht demnach die Wahrscheinlichkeit, das Fahrrad zu nutzen, um 1,13 Prozent. Auto-Modell Der Autobesitz (13,272) hat einen starken Einfluss auf die Autonutzung, gefolgt vom höheren Alter (1,161) und Kindern unter 12 Jahren im Haushalt (2,092). Ob man berufstätig ist oder nicht (1,598), spielt ebenfalls eine Rolle. Da diese Variablen binär konstruiert sind, sind die Werte höher als bei metrischen Skalen, z. B. im Fall des Autobesitzes, mit dem die Wahrscheinlichkeit, das Auto zu nutzen, um den Faktor 13,3 steigt. Menschen, die in einer Großstadt wohnen (0,466), sowie Frauen (0,722) fahren deutlich weniger Auto; auch der Besitz eines ÖV-Abos (0,195) oder eines Fahrrads (0,560) sowie die mentale Verfügbarkeit von Alternativen (0,789) wirken sich negativ auf die Autonutzung aus. Kategorie Variable Skala Auto ÖV Rad Subjektive SEU Auto 0 bis 40 1,079 0,916 Bewertung SEU ÖV 0 bis 40 0,963 1,045 SEU Rad 0 bis 40 0,942 0,969 1,125 Demografisches Alter 7 Gruppen 1,161 0,843 1,145 Geschlecht 0: Mann, 1: Frau 0,722 1,536 Kinder (< 12 J,) 0: nein, 1: ja 2,092 0,599 0,601 Soziodemografisches Ort 0: klein, 1: groß 0,466 2,517 Entfernung 4 Gruppen 1,482 0,424 Berufstätig 0: nein, 1: ja 1,598 0,474 Verfügbarkeit Autobesitz 0: nein, 1: ja 13,273 0,21 ÖV-Abo 0: nein, 1: ja 0,195 8,536 0,514 Radbesitz 0: nein, 1: ja 0,560 4,839 Infrastruktur ÖV-Infrastruktur 1 bis 5 0,761 1,356 Routinen Intermodalität 0: nein, 1: ja 2,306 9,864 10,201 Mentale Verfügbarkeit -1: niedrig/ negativ 4: hoch/ positiv 0,789 1,359 Adj. R 2 0,543 0,546 0,475 Chi 2 660,855 678,457 481,727 Korrekt klassifiziert 78,6 % 80,2 % 83,4 % Zuvor klassifiziert 57,5 % 54,5 % 76,9 % N = 1.277 1.291 1.279 Tabelle 1 : Odds Ratios und Gütemaße der binär-logistischen Regressionsmodelle mit der abhängigen Variable „Auto [oder ÖPNV oder Fahrrad] als Hauptverkehrsmittel“ (1 = Auto [oder ÖPNV oder Fahrrad], 0 = andere Verkehrsmittel); positive Einflüsse sind fett hervorgehoben 56 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0043 MOBILITÄT   Mobilitätsverhalten landticket (Wert „ÖV-Abo“ steigt von 0 auf 1), verbunden mit Radverleihsystemen (Wert „Radbesitz“ steigt von 0 auf 1). Wenn diese entsprechend vermarktet werden und der Zugang zu diesen Verkehrsmitteln zudem durch eine intuitiv nutzbare Mobilitäts-App verbessert wird, steigen nicht nur die mentale Verfügbarkeit von Alternativen (von 0 auf 1), sondern auch die Bereitschaft, intermodal zu reisen (von 0 auf 1). Damit sinkt die Wahrscheinlichkeit der Autonutzung um mehr als 20 Prozentpunkte auf 73,7 Prozent. Möglicherweise macht Person 1 (nunmehr Person 1b) auf diese Weise positive Erfahrungen mit anderen Verkehrsmitteln und gewöhnt sich beispielsweise an das Fahrradverleihsystem, sodass ihre Bewertung des Autos (SEU-Wert) schlechter und die der anderen beiden Verkehrsmittel besser ausfällt. Damit verbessern sich die mentale Verfügbarkeit (auf 2) und die Bewertung der ÖV-Infrastruktur (auf 2). Die Wahrscheinlichkeit der Autonutzung sinkt damit nochmals um mehr als 20 Prozentpunkte auf 49,9 Prozent. Eine weitere Verbesserung der ÖV-Infrastruktur (auf den Wert 4) könnte diese Person schließlich zu dem Entschluss bringen, dass sie kein eigenes Auto mehr benötigt (von 1 auf 0), womit die Wahrscheinlichkeit auf 10,3 Prozent sinkt (Person 1c). ÖV-Nutzung Obwohl das ÖV-Modell nur wenige Parameter enthält, die sich gezielt beeinflussen lassen, funktioniert es ebenfalls recht gut. Denn es verbietet sich von selbst, Faktoren wie Autobesitz oder Wohnort durch politische Maßnahmen beeinflussen zu wollen. Person 1 ist eine hundertprozentige ÖV-Nutzerin, die ähnliche soziodemographische Charakteristiken wie Person 2 im Auto-Experiment aufweist (kinderlos, wohnhaft in einer Großstadt etc.). Person 2 ist ein Mann (0) mittleren Alters (5) mit Kindern im Haushalt (1). Er wohnt auf dem Land (0), ist berufstätig (1) und besitzt ein Auto (1), aber in der nur die Einstellungen eine Rolle spielen, würden die meisten Menschen mit dem Fahrrad fahren. Gedankenexperimente Autonutzung Anhand der Regressionskoeffizienten wurden die Wahrscheinlichkeiten der Autonutzung durch zwei fiktive Personen nach folgender Formel berechnet: 𝑝𝑝𝑝𝑝 = 1 1 + 𝑒𝑒𝑒𝑒 −(𝛽𝛽𝛽𝛽 0 + 𝛽𝛽𝛽𝛽 1 × 𝑥𝑥𝑥𝑥 1 + 𝛽𝛽𝛽𝛽 2 × 𝑥𝑥𝑥𝑥 2 + … +𝛽𝛽𝛽𝛽 𝑘𝑘𝑘𝑘 × 𝑥𝑥𝑥𝑥 𝑘𝑘𝑘𝑘 ) Gleichung 2: Regressionsfunktion zur Berechnung der Wahrscheinlichkeiten Dabei wurden die SEU-Werte für beide gleichermaßen auf Basis der Mittelwerte des gesamten Samples generiert. Person 1 ist ein 50 bis 59 Jahre alter (5) Mann (0) mit Kindern im Haushalt (1), der auf dem Land wohnt (0) und berufstätig ist (1, vgl. Tabelle 2). Er besitzt ein Auto (1) und bewertet den ÖV hingegen unbefriedigend (1). Auch hat er weder ein Fahrrad (0) noch ein ÖV-Abo (0). Zudem ist er weder intermodal unterwegs (0), noch hat er sich jemals für Alternativen interessiert (0). In diesem extrem konstruierten Fall beträgt die Wahrscheinlichkeit der Autonutzung 97,9 Prozent. Person 2 ist eine Frau (1), die 20 bis 29 Jahre alt ist (2) und keine Kinder hat (0). Sie lebt in einer Großstadt (1) und ist nicht berufstätig (0). Sie besitzt sowohl ein Fahrrad (1) als auch ein ÖV-Abo (1), hat aber kein Auto (0). Die ÖV-Angebote bewertet sie sehr positiv (5); zudem ist sie gewohnt, intermodal zu reisen (1) und hat eine hohe mentale Verfügbarkeit von Alternativen (4). In diesem ebenfalls extrem konstruierten Fall beträgt die Wahrscheinlichkeit der Autonutzung 1,2 Prozent. Will man Person 1 dazu bewegen, andere Verkehrsmittel als das Auto zu nutzen (nunmehr Person 1a), bieten sich günstige ÖV-Abonnements an, wie etwa das Deutsch- Person 1 Person 2 Person 1a Person 1b Person 1c SEU Auto 25,7 25,7 25,7 22,7 22,7 SEU ÖV 21,4 21,4 21,4 24,4 24,4 SEU Rad 26,5 26,5 26,5 29,5 29,5 Autobesitz 1 0 1 1 0 ÖV-Abo 0 1 1 1 1 Radbesitz 0 1 1 1 1 Alter 5 2 Geschlecht 0 1 Kinder 1 0 Ort 0 1 Berufstätig 1 0 ÖV-Infrastruktur 1 5 1 2 4 Intermodalität 0 1 1 1 1 Mentale Verfügbarkeit 0 4 1 2 3 Wahrscheinlichkeit 97,9 % 1,2 % 73,7 % 49,9 % 10,3 % Tabelle 2 : Wahrscheinlichkeit der Autonutzung für zwei fiktive Personen (durchgestrichene und hellgraue Zellen: Variable kann nicht geändert werden) 57 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0043 Mobilitätsverhalten   MOBILITÄT Da Wertewandel (a) ein langwieriger Prozess ist und viele Menschen bereits umweltfreundlich reisen möchten, sind die Strategien (b) und (c) eher geeignet, eine nachhaltige Verkehrswende voranzutreiben. Unsere Gedankenexperimente haben gezeigt, dass man bereits mit wenigen gezielten Maßnahmen große Wirkungen erzielen kann. Limitationen und Ausblick Wir sind uns bewusst, dass der verwendete Datensatz nicht repräsentativ ist. Da bei kleinen Stichproben bzw. vielen Prädiktoren weiterhin ein erhöhtes Risiko für Overfitting besteht, wurde zur internen Validierung des Modells eine Bootstrap-Validierung durchgeführt. Zudem ist der Versuch nur teilweise gelungen, die Kontextvariable „Infrastruktur“ für alle drei Verkehrsmittel über Befragungen adäquat zu erfassen. Hier wäre eine Kombination mit Daten aus anderen Quellen sinnvoll. Auch bereitet es nach wie vor Probleme, intermodales Reisen über die Abfrage von Wegeketten präzise zu identifizieren und von nicht-intermodalem (zu Fuß zum Pkw) sauber zu trennen. Auch würde es Sinn machen, in künftigen Studien statt binärer Modelle ein integriertes multinominales Modell zu verwenden. Auch wenn Gedankenexperimente ein gutes, narratives Werkzeug zur Veranschaulichung von Interventionen darstellen, sollten sie durch Simulationsexperimente mit agentenbasierten Modellen ergänzt werden, die das gesamte Verkehrssystem betrachten und die Systemdynamik analysieren, die durch eine Vielzahl von Einzelentscheidungen und den daraus resultierenden nichtlinearen Effekten entsteht (Weyer, 2025a). Darüber hinaus haben wir in unseren Experimenten bislang nur bestehende Verkehrsmittel betrachtet, könnten aber mithilfe von xMooBe auch die Wahrscheinlichkeit der Nutzung neuartiger Verkehrsmittel wie beispielsweise fahrerloser On-Demand-Shuttles modellieren. Auf diese Weise ließen sich die Effekte der Einführung neuer Mobilitätssysteme abschätzen, bevor diese praktisch realisiert werden. kein ÖV-Abo; zudem muss er größere Entfernungen von 11 bis 20 km zurücklegen (4). In diesem Fall beträgt die Wahrscheinlichkeit der Nutzung öffentlicher Verkehrsmittel 4,6 Prozent. Kostengünstige ÖV-Abonnements (nunmehr Person 2a) bewirken hier bereits einen Anstieg auf 29,2 Prozent; ein deutlicher Sprung auf 80,2 Prozent (nunmehr Person 2b) ergibt sich aber, wenn dies zu intermodalem Mobilitätsverhalten führt, wenn er also beispielsweise das Auto nutzt, um zum nächstgelegenen Bahnhof zu gelangen. Sollte dies zu einer Neubewertung der ÖV und einer einer Verbesserung der SEU-Werte für den ÖV von 21,4 auf 24,4 sowie für das Rad von 26,5 auf 29,5 führen (Person 2c), so wäre ein Auto möglicherweise gar nicht mehr nötig (von 1 auf 0). Damit stiege die Wahrscheinlichkeit der ÖV-Nutzung sogar auf 95,3 Prozent. Das Radmodell zeigt ähnlich gute Ergebnisse, kann hier jedoch nicht dargestellt werden. Diskussion Unsere Analysen und die darauf aufbauenden Gedankenexperimente zeigen, dass die Einbeziehung von Kontextfaktoren dazu beiträgt, das menschliche (Alltags-)Handelns besser zu erklären und die Faktoren zu identifizieren, die dieses Handeln prägen. Das erweiterte Modell des Mobilitätsverhaltens (xMooBe) kann die Kluft zwischen Einstellungen und Verhalten zumindest teilweise überbrücken und verdeutlichen, was die Menschen daran hindert, sich so zu verhalten, wie sie es in einer idealen Welt täten. Mithilfe von xMooBe lassen sich zudem mehrere Bündel von Maßnahmen identifizieren, die an drei Punkten ansetzen können (in Abbildung 1 weiter oben mit a, b und c markiert): a) Man kann entweder versuchen, die grundlegenden Einstellungen der Menschen zu verändern („Wertewandel“). b) Oder man kann die Wahrnehmung der Menschen beeinflussen, z. B. durch Mobilitäts-Apps, die individuell maßgeschneiderte Informationen enthalten. c) Oder man kann die Rahmenbedingungen verbessern, z. B. durch den Ausbau der Fahrradinfrastruktur, die Verbesserung des ÖV-Angebots etc. Tabelle 3 : Wahrscheinlichkeit der Nutzung öffentlicher Verkehrsmittel durch zwei fiktive Personen (durchgestrichene und hellgraue Zellen: Variable kann nicht geändert werden) Person 1 Person 2 Person 2a Person 2b Person 2c SEU ÖV 21,4 21,4 21,4 21,4 24,4 SEU Rad 26,5 26,5 26,5 26,5 29,5 Autobesitz 0 1 1 1 0 ÖV-Abo 1 0 1 1 1 Alter 2 5 Geschlecht 1 0 Kinder 0 1 Ort 1 0 Entfernung 2 4 Berufstätig 0 1 Intermodalität 1 0 0 1 1 Wahrscheinlichkeit 99,5 % 4,6 % 29,2 % 80,2 % 95,3 % 58 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0043 MOBILITÄT   Mobilitätsverhalten behavior relationship in travel behavior modeling. Transportation Research Part A: Policy and Practice, 101, 190-202. Manzo, G. (2021). Research Handbook on Analytical Sociology. Edward Elgar Publishing. Turner, M., Kitchenham, B., Brereton, P., Charters, S., & Budgen, D. (2010). Does the technology acceptance model predict actual use? A systematic literature review. Information and software technology, 52(5), 463-479. Walker, J., & Ben-Akiva, M. (2002). Generalized random utility model. Mathematical social sciences, 43(3), 303-343. Weyer, J. (2025a). Modellierung und Simulation von Mobilität und Verkehr. In W. Canzler, J. Haus, A. Knie, & L. Ruhrort (Hrsg.), Handbuch Mobilität und Gesellschaft. Sozialwissenschaftliche Verkehrs- und Mobilitätsforschung (S. 59-75). Springer VS. https: / / doi.org/ 10.1007/ 978-3-658-37557-7_4 Weyer, J. (Hrsg.). (2025b). Nachhaltig mobil. Wie das Ruhrgebiet die Verkehrswende schaffen kann. Springer. https: / / doi. org/ 10.1007/ 978-3-658-45236-0 Weyer, J., Adelt, F., & Philipp, M. (2025). Agentenbasierte Modellierung und Simulation komplexer Systeme. Der Simulator SimCo als Tool zur Analyse der Mobilität im Ruhrgebiet. In J. Weyer (Hrsg.), Nachhaltig mobil. Wie das Ruhrgebiet die Verkehrswende schaffen kann (S. 305-329). Springer. https: / / doi.org/ 10.1007/ 978-3-658- 45236-0_11 Weyer, J., & Hoffmann, S. (2025). Bridging the Attitude-Behavior Gap. An explanation of travel mode choice using analytical sociology. PLOS One, 20(10), e0330073. https: / / doi.org/ 10.1371/ journal. pone.0330073 Eingangsabbildung: © iStock.com/ mammuth Danksagung Diese Arbeit entstand im Rahmen des Forschungsvorhabens MINGA, welches im Rahmen der Förderrichtlinie „Autonomes und vernetztes Fahren in öffentlichen Verkehren“ durch das Bundesministerium für Verkehr (BMV) auf Grund eines Beschlusses des Deutschen Bundestages mit rund 12,7 Millionen Euro gefördert wird. ENDNOTEN 1 Die zugrundeliegenden mobilitätsbezogenen Präferenzen umfassen Kostengünstigkeit, Komfort, Zuverlässigkeit, Schnelligkeit, Umweltfreundlichkeit und Sicherheit (jeweils auf einer Skala von 0 bis 10). Als Mobilitätstypen ergaben sich risikoaverse Umweltbewusste, Komfortorientierte, Indifferente, Pragmatische sowie Umwelt- und Kostenbewusste (vgl. Weyer 2025). LITERATUR Betta, M., & Swedberg, R. (2021). On thought experiments in sociology and the power of thinking. In H. Leiulfsrud & P. Sohlberg (Hrsg.), Constructing Social Research Objects. Constructionism in research practice (S. 143-164). Brill. https: / / doi. org/ 10.1163/ 9789004450028_010 Chorus, C. G., & Kroesen, M. (2014). On the (im-) possibility of deriving transport policy implications from hybrid choice models. Transport Policy, 36, 217-222. Coleman, J. S. (1990). Foundations of Social Theory. Harvard University Press. Esser, H. (1993). The Rationality of Everyday Behavior: A Rational Choice Reconstruction of the Theory of Action by Alfred Schutz. Rationality and Society, 5, 7-31. Faig, J., Roth, D., Kreimeyer, M., Weyer, J., & Hoffmann, S. (2026a). Cluster typologies of urban mobility users and their implications for the acceptance of autonomous buses: Evidence from a largescale online survey. Proceedings of the Design Society, Volume 6: DE- SIGN 2026. Faig, J., Roth, D., Kreimeyer, M., Weyer, J., & Hoffmann, S. (2026b). Demographic profile and usage behavior of public transport users in the Munich metropolitan region: Findings from a large-scale online survey on current and autonomous transit. Proceedings of the Design Society, Volume 6: DESIGN 2026. Gërxhani, K., Graaf, N. D. de, & Raub, W. (2022). Handbook of Sociological Science. Contributions to Rigorous Sociology. Edward Elgar. Hedström, P., & Ylikoski, P. (2010). Causal mechanisms in the social sciences. Annual Review of Sociology, 36, 49-67. Horni, A., Nagel, K., & Axhausen, K. W. (2016). The multi-agent transport simulation MATSim. Ubiquity Press. Javaid, A., Creutzig, F., & Bamberg, S. (2020). Determinants of low-carbon transport mode adoption: Systematic review of reviews. Environmental Research Letters, 15(10), 103002. Kroesen, M., Handy, S., & Chorus, C. (2017). Do attitudes cause behavior or vice versa? An alternative conceptualization of the attitude- AUTOR: INNEN Johannes Weyer, Seniorprofessur Nachhaltige Mobilität, TU Dortmund, Fakultät Sozialwissenschaften, Dortmund johannes.weyer@tu-dortmund.de ORCID: 0000-0002-0181-8723 Sebastian Hoffmann TU Dortmund, Fakultät Sozialwissenschaften sebastian3.hoffmann@tu-dortmund.de ORCID: 0000-0001-7865-7772 Kay Kohaupt-Cepera TU Dortmund, Fakultät Sozialwissenschaften kay.kohaupt@tu-dortmund.de ORCID: 0000-0001-5856-8369 Julian Faig Universität Stuttgart, Institut für Konstruktionstechnik und Technisches Design julian.faig@iktd.uni-stuttgart.de ORCID: 0009-0005-0312-4265 Matthias Kreimeyer Universität Stuttgart, Institut für Konstruktionstechnik und Technisches Design matthias.kreimeyer@iktd.uni-stuttgart.de ORCID: 0000-0003-4530-1248 59 Internationales Verkehrswesen (78) 3 |2026 DOI: 10.24053/ IV-78-0043 Mobilitätsverhalten   MOBILITÄT